会员
人工智能硬件电路设计基础及应用
更新时间：2022-05-06 17:42:20 最新章节：封底
书籍简介
本书针对人工智能硬件电路设计基础、着重介绍硬件电路相关的设计知识及SoC设计开发过程中数字前端知识，包括VHDL技术、Verilog技术及HLS技术。同时将开发SoC中常用的模块作为应用实例进行详细讲解。VHDL技术部分详细介绍了VHDL语言的背景知识、基本语法结构和VHDL代码的编写方法。另外，该部分还加入了基础电路和简单系统的设计实例，以及设计共享的内容，以便进行代码的分割、共享和重用。Verilog技术部分详细介绍了与VHDL技术部分相对应的内容，以便读者对照学习。在此基础上，本书还给出了一些应用实例，为读者深入研究SoC设计开发提供了具体的系统电路设计和验证结果。本书还在附录详细介绍了Xilinx和AlteraFPGA软件环境下的操作步骤，以及在远程服务器环境中使用以上环境的操作步骤。同时附上书中涉及的所有代码，方便读者进行复现和二次开发。
上架时间：2022-03-01 00:00:00
出版社：电子工业出版社
上海阅文信息技术有限公司已经获得合法授权，并进行制作发行
最新章节
廖永波编著
最新上架
- 会员在人工智能技术的大力驱动下，智能控制与强化学习发展迅猛，先进自动化设计与控制日新月异。本书针对复杂离散时间系统的优化调节、最优跟踪、零和博弈等问题，以实现稳定学习、演化学习和快速学习为目标，建立一套先进的值迭代评判学习控制理论与设计方法。首先，对先进值迭代框架下迭代策略的稳定性进行全面深入的分析，建立一系列适用于不同场景的稳定性判据，从理论层面揭示值迭代算法能够实现离线最优控制和在线演化控制。其次计算机8.7万字
- 会员本书是一部系统介绍AI数字人技术的专业著作，涵盖了数字人的定义、发展历程、关键技术及应用实践等内容，全书共分3部分。在技术基础部分，首先介绍了数字人的定义、发展历程、分类和应用场景，接着详细解析了数字人系统的架构设计、视觉算法和语音合成技术的原理，以及语义理解和知识表示技术如何提升数字人的智能和表现力。在应用实践部分，带领读者深入探索数字人的创作流程，从内容策划、角色建模到交互设计，每一步都进行了计算机26.2万字
- 会员本书作为文心一言的学习指南，全面、细致地介绍了文心一言PC端和App的各项功能和使用方法，力求通过简洁明了的语言和图文并茂的形式，让读者快速掌握文心一言的各项功能。全书共8章，首先简单介绍了人工智能发展的几个阶段及文心一言的相关研发背景；随后介绍了文心一言的基础页面及功能等内容，以及文心一言在学习、工作、生活娱乐方面的应用及相关案例；接着介绍了文心一言的插件，以及文心一言App的功能和使用技巧；最计算机10.7万字
- 会员增长是企业利用计算机、大数据、人工智能等新技术实现经营增长的新思路和新方法，本书作为该领域的入门级读物，介绍了AIGC在增长领域的技术和实战应用。本书分为4部分，第1部分、第2部分、第4部分主要针对有兴趣了解AIGC背后技术原理、增长模式的变化以及截至2023年3月业界、学术界的最新技术进展的读者；第3部分包含AI的基础知识、基础模型，并从实战应用角度介绍作为应用开发者如何高效上手与利用最新的开源计算机21.9万字
- 会员人工智能（AI），尤其是生成式语言模型和生成式人工智能（AIGC）模型，正以惊人的速度改变着我们的世界。驾驭这股潮流的关键，莫过于探究自然语言处理（NLP）技术的深奥秘境。本书将带领读者踏上一段扣人心弦的探索之旅，让其亲身感受，并动手搭建语言模型。本书主要内容包括N-Gram，词袋模型（BoW），Word2Vec（W2V），神经概率语言模型（NPLM），循环神经网络（RNN），Seq2Seq（S2计算机14万字
- 会员《AIGC：让生成式AI成为自己的外脑》针对近期较为火热的AIGC技术及其相关话题，介绍AIGC的技术原理、专业知识和应用。全书共分为九章。第一章介绍AIGC技术的基本概念和发展历程；第二、三章介绍AIGC的基础技术栈和拓展技术栈；第四、五章分别讨论了AIGC技术在文本生成和图像生成两个领域的现状和前景；第六章列举了目前较为热门的AIGC技术应用；第七章描述了AIGC的上、中、下游产业链及未来前景计算机12.8万字
- 会员《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习必备的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。计算机15.2万字
- 会员本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最计算机7.4万字