| ISBN13: | 9780367374532 |
| ISBN10: | 0367374536 |
| Kötéstípus: | Keménykötés |
| Terjedelem: | 416 oldal |
| Méret: | 234x156 mm |
| Nyelv: | angol |
| Illusztrációk: | 142 Illustrations, black & white; 64 Illustrations, color; 1 Halftones, color; 142 Line drawings, black & white; 63 Line drawings, color; 15 Tables, black & white |
| 700 |
Villamosmérnöki tudományok, híradástechnika, műszeripar
A számítástudomány elmélete, a számítástechnika általában
Adatkezelés a számítógépes rendszerekben
Hardver és operációs rendszerek általában
Számítógép architektúrák, logikai tervezés
Szuperszámítógépek
Operációs rendszerek és grafikus felhasználói felületek
Számítógépes programozás általában
Szoftverfejlesztés
Számítógépes hálózatok általában
Adatbázis kezelő szoftverek
A számítástechnika biztonsági és egészségügyi vonatkozásai
Környezetmérnöki tudományok
Villamosmérnöki tudományok, híradástechnika, műszeripar (karitatív célú kampány)
A számítástudomány elmélete, a számítástechnika általában (karitatív célú kampány)
Adatkezelés a számítógépes rendszerekben (karitatív célú kampány)
Hardver és operációs rendszerek általában (karitatív célú kampány)
Számítógép architektúrák, logikai tervezés (karitatív célú kampány)
Szuperszámítógépek (karitatív célú kampány)
Operációs rendszerek és grafikus felhasználói felületek (karitatív célú kampány)
Számítógépes programozás általában (karitatív célú kampány)
Szoftverfejlesztés (karitatív célú kampány)
Számítógépes hálózatok általában (karitatív célú kampány)
Adatbázis kezelő szoftverek (karitatív célú kampány)
A számítástechnika biztonsági és egészségügyi vonatkozásai (karitatív célú kampány)
Környezetmérnöki tudományok (karitatív célú kampány)
Domain-Specific Computer Architectures for Emerging Applications
GBP 100.00
Kattintson ide a feliratkozáshoz
This book explores the latest research in high performance domain-specific computer architectures for emerging applications, including Machine Learning and Neural Networks applications. The book discusses domain specific computing architectures and considers research issues related to the state-of-the art architectures in emerging domains.
With the end of Moore?s Law, domain-specific architecture (DSA) has become a crucial mode of implementing future computing architectures. This book discusses the system-level design methodology of DSAs and their applications, providing a unified design process that guarantees functionality, performance, energy efficiency, and real-time responsiveness for the target application.
DSAs often start from domain-specific algorithms or applications, analyzing the characteristics of algorithmic applications, such as computation, memory access, and communication, and proposing the heterogeneous accelerator architecture suitable for that particular application. This book places particular focus on accelerator hardware platforms and distributed systems for various novel applications, such as machine learning, data mining, neural networks, and graph algorithms, and also covers RISC-V open-source instruction sets. It briefly describes the system design methodology based on DSAs and presents the latest research results in academia around domain-specific acceleration architectures.
Providing cutting-edge discussion of big data and artificial intelligence scenarios in contemporary industry and typical DSA applications, this book appeals to industry professionals as well as academicians researching the future of computing in these areas.
Preface. 1 Overview of Domain?Specific Computing. 2 Machine Learning Algorithms and Hardware Accelerator Customization. 3 Hardware Accelerator Customization for Data Mining Recommendation Algorithms. 4 Customization and Optimization of Distributed Computing Systems for Recommendation Algorithms. 5 Hardware Customization for Clustering Algorithms. 6 Hardware Accelerator Customization Techniques for Graph Algorithms. 7 Overview of Hardware Acceleration Methods for Neural Network Algorithms. 8 Customization of FPGA?Based Hardware Accelerators for Deep Belief Networks. 9 FPGA?Based Hardware Accelerator Customization for Recurrent Neural Networks. 10 Hardware Customization/Acceleration Techniques for Impulse Neural Networks. 11 Accelerators for Big Data Genome Sequencing. 12 RISC?V Open Source Instruction Set and Architecture. 13 Compilation Optimization Methods in the Customization of Reconfigurable Accelerators Index.