高能效类脑智能：算法与体系架构

参考文献

附录

参考文献

6.2 结论

6.1.4 人工神经网络和脉冲神经网络的融合

6.1.3 神经形态系统的可靠计算

6.1.2 新兴的纳米技术

6.1.1 脑启发式计算

6.1 展望

第6章 总结

参考文献

5.3.5 案例研究：脉冲神经网络中基于忆阻器交叉开关的学习

5.3.4 基于新兴纳米技术的脉冲神经网络

5.3.3 其他模拟/混合信号CMOS脉冲神经网络专用集成电路

5.3.2 大规模模拟/混合信号CMOS脉冲神经网络

5.3.1 基本构建块

5.3 模拟/混合信号脉冲神经网络

5.2.4 多层脉冲神经网络中的硬件友好型监督学习

5.2.3 脉冲神经网络中的硬件友好型强化学习

5.2.2 中小型数字脉冲神经网络

5.2.1 大规模脉冲神经网络专用集成电路

5.2 数字脉冲神经网络

5.1.4 实现权重依赖的STDP学习规则的硬件注意事项

5.1.3 渐进精度推理

5.1.2 事件驱动计算

5.1.1 地址事件表示

5.1 对专用硬件的需求

第5章 脉冲神经网络的硬件实现

参考文献

4.3.5 在多层神经网络中通过调制权重依赖的STDP进行学习的方法

4.3.4 深度SNN反向传播的研究进展

4.3.3 ANN的转换

4.3.2 浅层网络栈

4.3.1 SpikeProp

4.3 深度SNN学习

4.2.4 双层神经网络中通过调制权重依赖的STDP进行学习的方法

4.2.3 脉冲时间相关可塑性

4.2.2 Tempotron

4.2.1 ReSuMe

4.2 浅层SNN的学习

4.1.3 脉冲神经元与非脉冲神经元的比较

4.1.2 信息编码

4.1.1 常见的脉冲神经元模型

4.1 脉冲神经网络

第4章 脉冲神经网络的工作原理与学习

参考文献

3.5.2 设计示例

3.5.1 硬件架构

3.5 案例研究：一种节能的自适应动态规划加速器的程序设计

3.4.3 光学加速器

3.4.2 基于新兴非易失性存储器的神经网络

3.4.1 传统集成技术中的神经网络

3.4 模拟/混合信号加速器

3.3.2 FPGA加速器

3.3.1 数字ASIC实现方法

3.3 数字加速器

3.2 通用处理器

3.1 概述

第3章 硬件中的人工神经网络

参考文献

2.5.4 深度神经网络示例

2.5.3 深度学习技术

2.5.2 深度学习的崛起

2.5.1 前深度学习时代

2.5 深度学习

2.4 数据集和基准

2.3.3 循环神经网络

2.3.2 卷积神经网络

2.3.1 全连接神经网络

2.3 网络拓扑

2.2.4 案例研究：基于动作的启发式动态规划

2.2.3 无监督学习

2.2.2 强化学习

2.2.1 监督学习

2.2 基于神经网络的机器学习

2.1.2 学习

2.1.1 推理

2.1 人工神经网络的工作原理

第2章 人工神经网络的基础与学习

参考文献

1.4 本书的目标和大纲

1.3 神经形态硬件的需求

1.2.2 脉冲神经网络

1.2.1 人工神经网络

1.2 软件中的神经网络

1.1 神经网络的历史

第1章 概述

致谢

前言

译者序

版权信息

封面

封面

版权信息

译者序

前言

致谢

第1章 概述

1.1 神经网络的历史

1.2 软件中的神经网络

1.2.1 人工神经网络

1.2.2 脉冲神经网络

1.3 神经形态硬件的需求

1.4 本书的目标和大纲

参考文献

第2章 人工神经网络的基础与学习

2.1 人工神经网络的工作原理

2.1.1 推理

2.1.2 学习

2.2 基于神经网络的机器学习

2.2.1 监督学习

2.2.2 强化学习

2.2.3 无监督学习

2.2.4 案例研究：基于动作的启发式动态规划

2.3 网络拓扑

2.3.1 全连接神经网络

2.3.2 卷积神经网络

2.3.3 循环神经网络

2.4 数据集和基准

2.5 深度学习

2.5.1 前深度学习时代

2.5.2 深度学习的崛起

2.5.3 深度学习技术

2.5.4 深度神经网络示例

参考文献

第3章 硬件中的人工神经网络

3.1 概述

3.2 通用处理器

3.3 数字加速器

3.3.1 数字ASIC实现方法

3.3.2 FPGA加速器

3.4 模拟/混合信号加速器

3.4.1 传统集成技术中的神经网络

3.4.2 基于新兴非易失性存储器的神经网络

3.4.3 光学加速器

3.5 案例研究：一种节能的自适应动态规划加速器的程序设计

3.5.1 硬件架构

3.5.2 设计示例

参考文献

第4章 脉冲神经网络的工作原理与学习

4.1 脉冲神经网络

4.1.1 常见的脉冲神经元模型

4.1.2 信息编码

4.1.3 脉冲神经元与非脉冲神经元的比较

4.2 浅层SNN的学习

4.2.1 ReSuMe

4.2.2 Tempotron

4.2.3 脉冲时间相关可塑性

4.2.4 双层神经网络中通过调制权重依赖的STDP进行学习的方法

4.3 深度SNN学习

4.3.1 SpikeProp

4.3.2 浅层网络栈

4.3.3 ANN的转换

4.3.4 深度SNN反向传播的研究进展

4.3.5 在多层神经网络中通过调制权重依赖的STDP进行学习的方法

参考文献

第5章 脉冲神经网络的硬件实现

5.1 对专用硬件的需求

5.1.1 地址事件表示

5.1.2 事件驱动计算

5.1.3 渐进精度推理

5.1.4 实现权重依赖的STDP学习规则的硬件注意事项

5.2 数字脉冲神经网络

5.2.1 大规模脉冲神经网络专用集成电路

5.2.2 中小型数字脉冲神经网络

5.2.3 脉冲神经网络中的硬件友好型强化学习

5.2.4 多层脉冲神经网络中的硬件友好型监督学习

5.3 模拟/混合信号脉冲神经网络

5.3.1 基本构建块

5.3.2 大规模模拟/混合信号CMOS脉冲神经网络

5.3.3 其他模拟/混合信号CMOS脉冲神经网络专用集成电路

5.3.4 基于新兴纳米技术的脉冲神经网络

5.3.5 案例研究：脉冲神经网络中基于忆阻器交叉开关的学习

参考文献

第6章 总结

6.1 展望

6.1.1 脑启发式计算

6.1.2 新兴的纳米技术

6.1.3 神经形态系统的可靠计算

6.1.4 人工神经网络和脉冲神经网络的融合

6.2 结论

参考文献

附录

参考文献