新書推薦：
《
洪武元年：大明开国的罪与罚
》
售價：HK$
66.7
《
大学问·从东方到中亚——19世纪的英俄“冷战”（1821—1907）
》
售價：HK$
90.9
《
元宴
》
售價：HK$
216.2
《
米兰讲稿（翁贝托·埃科作品系列）
》
售價：HK$
227.7
《
无线重构世界：射频技术的过去、现在与未来
》
售價：HK$
124.2
《
海外中国研究·南方的将军：孙权传
》
售價：HK$
135.7
《
历史的深度
》
售價：HK$
66.7
《
中国漆艺技法全书：工艺原理与基础技法
》
售價：HK$
181.7
|
| 編輯推薦： |
|
人工智能（Artificial Intelligence，AI）已经在全世界信息产业中获得广泛应用。深度学习模型推动了AI技术革命，如 TensorFlow、PyTorch、MXNet、Caffe等。大多数现有的系统框架只针对小范围的服务器级 GPU进行过优化，因此需要做很多的优化努力，以便在汽车、手机端、物联网设备及专用加速器（FPGA、ASIC）等其他平台上部署。随着深度学习模型和硬件后端数量的增加，TVM构建了一种基于中间表示 (IR)的统一解决方案。TVM不仅能自动优化深度学习模型，还提供了跨平台的高效开源部署框架。大模型的热度逐渐上升，将人工智能理论及算法框架转为落地项目实现，TVM是一个很好的桥梁。因此，本书将得到广大读者的喜爱。
|
| 內容簡介： |
|
TVM（Tensor Virtual Machine， 张量虚拟机）是一种开源的模型编译框架，旨在将机器学习模型自动编译成可供下层硬件执行的机器语言，从而利用多种类型的算力。其工作原理是，先将深度学习模型进行优化推理、内存管理与线程调度，再借用LLVM框架将模型部署在CPU、GPU、FPGA、ARM等硬件设备上。本书全面解析TVM的主要功能，帮助读者理解TVM工作原理，以及使用 TVM对深度学习与机器学习进行优化与部署。 本书结合作者多年的工作与学习经验，力求将TVM基础理论与案例实践融合在一起进行详细讲解。全书共9章，包括TVM基本知识，使用TVM开发，算子融合与图优化，TVM量化技术，TVM 优化调度，Relay IR，代码生成，后端部署与OpenCL（Open Computing Language，开放运算语言），自动调度、自动搜索与成本模型。各章除了包含重要的知识点和实践技能外，还配备了精心挑选的典型案例。本书适合从事AI算法、软件、编译器开发以及硬件开发等专业的工程技术人员、科研工作人员、技术管理人员阅读，也可以作为编译器相关专业高校师生的参考用书。
|
| 關於作者： |
|
吴建明，上海交通大学模式识别与智能系统专业博士毕业。长期从事人工智能芯片设计，尤其擅长TVM/LLVM编译器、AI框架、自动驾驶、芯片制造，嵌入式系统等领域的理论研究与技术创新。长期在一线工作，包括产品设计与代码实现等，主持和参与过30多项产品的研发。还参与过国家自然科学基金、上海市科委项目，并在核心期刊公开发表过8篇论文，其中6篇是第一作者。
|
| 目錄：
|
|
第1章 TVM基本知识/ 1.1TVM基本原理/ 1.1.1TVM概述/ 1.1.2TVM 模型优化部署概述/ 1.2TVM编译过程/ 1.2.1编译流程/ 1.2.2TVM编译数据结构/ 1.2.3TVM编译数据处理/ 1.2.4TVM的Pass过程/ 1.3TVM开源工程逻辑架构/ 1.3.1代码库代码结构/ 1.3.2代码自动内核/ 1.4TVM应用支持/ 1.4.1TVM的工作流程/ 1.4.2支持多语言与多平台/ 1.4.3TVM应用场景/ 1.4.4TVM优化模型推理/ 1.4.5TVM编译器与运行时组件/ 1.4.6TVM运行时主要模块/ 1.4.7TVM简单代码生成编译示例/ 1.4.8TVM各模块之间的关系/ 1.5TVM特色与挑战/ 1.5.1TVM特色/ 1.5.2支持多种后端设备/ 1.5.3TVM应对的挑战/第2章 使用TVM开发/ 2.1配置TVM环境/ 2.1.1apache TVM源码下载/ 2.1.2配置TVM的开发环境/ 2.1.3TVM conda环境使用方法/ 2.1.4编译实现/ 2.1.5导入模型方法/ 2.2在conda环境编译优化TVM yolov3示例/ 2.3Python与C++的调用关系/ 2.3.1TVM中底层C++数据结构/ 2.3.2进行函数注册/ 2.3.3上层Python调用/ 2.4TVM自定义代码示例/ 2.4.1TVM如何添加代码/ 2.4.2TVM代码生成实现示例/ 2.5用TVM实现算法全流程/ 2.5.1配置张量与创建调度/ 2.5.2进行降级算子优化/ 2.5.3构建host目标程序/ 2.5.4实现后端代码生成/第3章 算子融合与图优化/ 3.1算子概述/ 3.1.1TVM融合组件示例/ 3.1.2优化计算图/ 3.2图GCN融合/ 3.2.1图的概念/ 3.2.2深度学习新特征/ 3.3图融合GCN示例/ 3.3.1GCN的PyTorch实现/ 3.3.2融合BN与Conv层/ 3.4TVM图优化与算子融合/ 3.4.1图与算子优化/ 3.4.2自定义算子/ 3.4.3算子融合步骤/ 3.4.4向Relay中添加operator/ 3.5端到端优化/ 3.5.1 AI框架概述/ 3.5.2计算图优化层/ 3.5.3TVM算子融合的4种方法/ 3.5.4数据布局转换/ 3.5.5张量表达式语言/ 3.5.6调度空间分析/ 3.6 TVM图优化与算子融合方案分析/ 3.6.1图优化框架分析/ 3.6.2TVM优化基础分析/ 3.6.3TVM优化参数/ 3.6.4算子优化图示/ 3.6.5自定义图级优化/ 3.7支配树技术/ 3.7.1支配树概述/ 3.7.2算子融合方案及示例/ 3.8控制流与优化器/ 3.8.1控制流/ 3.8.2优化器/ 3.9TVM存储与调度/ 3.9.1TVM编译器优化/ 3.9.2图结构基本优化/ 3.9.3张量计算/ 3.10多功能张量加速器VTA/ 3.10.1VTA-TVM 硬件-软件堆栈/ 3.10.2VTA主要功能/ 3.10.3VTA示例/ 3.10.4VTA计算模块/ 3.10.5VTA控制/ 3.10.6microTVM模型/ 3.11TVM代码库结构与示例/ 3.11.1代码库结构/ 3.11.2张量添加示例/ 3.12主机驱动的执行/ 3.12.1 firmware二进制文件/ 3.12.2计算声明/ 3.12.3数据平铺/ 3.12.4卷积运算/ 3.12.5空间填充/第4章 TVM量化技术/ 4.1TVM量化概述/ 4.1.1TVM量化现状/ 4.1.2TVM量化原理/ 4.2int8量化与TVM执行/ 4.2.1两种主要量化方案/ 4.2.2int8量化原理分析/ 4.2.3KL散度计算/ 4.2.4实现int8量化/ 4.3低精度训练与推理/ 4.4NN量化/ 4.4.1神经网络量化概述/ 4.4.2优化数据与网络/ 4.4.3前向推理与反向传播/ 4.5熵校准示例/ 4.6TVM量化流程/ 4.6.1Relay的两种并行量化/ 4.6.2Relay优化Pass方法/ 4.6.3量化处理硬件说明/ 4.6.4阈值估计方案/ 4.6.5模拟量化误差/ 4.6.6尺度计算/ 4.6.7数据类型分配/ 4.6.8数据类型分配日志/ 4.6.9神经网络低精度量化/ 4.7TVM量化程序分析/第5章 TVM优化调度/ 5.1TVM 运行时系统/ 5.1.1TVM 运行时系统框架/ 5.1.2PackedFunc编译与部署/ 5.1.3构建 PackedFunc模块/ 5.1.4远程部署方法/ 5.1.5TVM 对象与编译器分析/ 5.2自动微分静态图与动态图/ 5.2.1计算图分类/ 5.2.2动态图实现示例/ 5.3机器学习自动微分/ 5.3.1微分方法/ 5.3.2手动微分/ 5.3.3数值微分/ 5.3.4符号微分/ 5.3.5自动微分/ 5.3.6自动微分实现示例/ 5.4稀疏矩阵分析/ 5.4.1稀疏矩阵概念/ 5.4.2稀疏矩阵优化/ 5.4.3特定矩阵压缩存储/ 5.4.4稀疏矩阵实现示例/ 5.5TVM张量计算分析/ 5.5.1生成张量运算/ 5.5.2嵌套并行与协作/ 5.5.3张量化计算/ 5.5.4显式内存延迟隐藏/第6章 Relay IR/ 6.1TVM数据介绍/ 6.1.1TVM模块框架介绍/ 6.1.2Relay IR原理简介/ 6.1.3构建计算图/ 6.1.4let绑定与作用域/ 6.2IR代码生成/ 6.2.1前端优化/ 6.2.2节点优化/ 6.2.3代数优化/ 6.2.4数据流级别的优化/ 6.3在Relay中注册算子/ 6.3.1添加节点，定义编译参数/ 6.3.2运算类型关系分析/ 6.3.3在C++中进行RELAY_REGISTER_OP宏注册/ 6.3.4算子注册与调度/ 6.3.5注册函数API分析/ 6.3.6将Python API打包/ 6.3.7单元测试分析/ 6.4TVM中IR示例/ 6.4.1IRModule技术分析/ 6.4.2TVM Runtime（运行时）分析/ 6.4.3预测部署实现/ 6.4.4动态图实现/
|
| 內容試閱：
|
|
人工智能（Artificial Intelligence，AI）已经在全世界信息产业中获得广泛应用。深度学习模型推动了AI技术革命，如 TensorFlow、PyTorch、MXNet、Caffe等。大多数现有的系统框架只针对小范围的服务器级 GPU进行过优化，因此需要做很多的优化努力，以便在汽车、手机端、物联网设备及专用加速器（FPGA、ASIC）等其他平台上部署。随着深度学习模型和硬件后端数量的增加，TVM构建了一种基于中间表示 (IR)的统一解决方案。TVM不仅能自动优化深度学习模型，还提供了跨平台的高效开源部署框架。有了TVM的帮助，只需要很少的定制工作，就可以轻松地在手机、嵌入式设备甚至浏览器上运行深度学习模型。TVM 还为多种硬件平台上的深度学习计算提供了统一的优化框架，包括一些有自主研发计算原语的专用加速器。TVM是一个深度学习编译器，所有人都能随时随地使用开源框架学习研发。围绕TVM形成了多元化社区，社区成员包括硬件供应商、编译器工程师和机器学习研究人员等，共同构建了一个统一的可编程软件堆栈，丰富了整个机器学习技术生态系统。TVM是一个新型的AI编译器，广泛应用于各种产品研发中，在企业与学术研究中有很大的影响。但是，目前市面上有关TVM的书还很少，本书试图弥补这个空缺。全书的特点总结如下：第一，从TVM的概念入手，分析了TVM的基本原理和关键支撑技术。第二，从TVM的环境搭建到案例实践逐步展开，分析如何使用TVM进行实战开发。第三，介绍了TVM的重要关键技术，如算子与图融合、量化技术、Relay IR（中间表示）、优化调度、编译部署等，分析了这些模块的理论与案例实践。第四，TVM对后端相关的技术进行了分析与实践，包括代码生成、自动调度、自动搜索与成本模型等。本书的写作过程中，得到了家人的全力支持，在此，对他们表示深深的感谢。也感谢机械工业出版社的编辑们，因为有他们的辛勤劳作和付出，本书才得以顺利出版。由于编者技术能力有限，书中难免存在纰漏，还望广大读者不吝赐教。编者
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
