1.本書從脈網絡的概念和實現方法開始，通過構建能適應神經網絡動態編程的高能效加速器，驗證脈衝神經網絡硬件設計與流行的學習算法有機結合，展示顯著提高能效和計算效率的方法和實踐；2.本書由美國密西根大學計算機科學繫馬祖姆德教授團隊結合多年類腦智能研究理論和成果撰寫而成，由上海交通大學類腦智能研究中心劉佩林教授團隊翻譯，為類腦智能前沿研究和應用領域提供了詳實的學習和研究指南。

●譯者序
前言
致謝
第1章 概述
1.1 神經網絡的歷史
1.2 軟件中的神經網絡
1.2.1 人工神經網絡
1.2.2 脈衝神經網絡
1.3 神經形態硬件的需求
1.4 本書的目標和大綱
參考文獻
第2章 人工神經網絡的基礎與學習
2.1 人工神經網絡的工作原理
2.1.1 推理
2.1.2 學習
2.2 基於神經網絡的機器學習
2.2.1 監督學習
2.2.2 強化學習
2.2.3 無監督學習
2.2.4 案例研究：基於動作的啟發式動態規劃
2.3 網絡拓撲
2.3.1 全連接神經網絡
2.3.2 卷積神經網絡
2.3.3 循環神經網絡
2.4 數據集和基準
2.5 深度學習
2.5.1 前深度學
2.5.2 深度學習的崛起
2.5.3 深度學習技術
2.5.4 深度神經網絡示例
參考文獻
第3章 硬件中的人工神經網絡
3.1 概述
3.2 通用處理器
3.3 數字加速器
3.3.1 數字ASIC實現方法
3.3.2 FPGA加速器
3.4 模擬/混合信號加速器
3.4.1 傳統集成技術中的神經網絡
3.4.2 基於新興非易失性存儲器的神經網絡
3.4.3 光學加速器
3.5 案例研究：一種節能的自適應動態規劃加速器的程序設計
3.5.1 硬件架構
3.5.2 設計示例
參考文獻
第4章 脈衝神經網絡的工作原理與學習
4.1 脈衝神經網絡
4.1.1 常見的脈模型
4.1.2 信息編碼
4.1.3 脈與非脈的比較
4.2 淺層SNN的學習
4.2.1 ReSuMe
4.2.2 Tempotron
4.2.3 脈衝時間相關可塑性
4.2.4 雙層神經網絡中通過調制權重依賴的STDP進行學習的方法
4.3 深度SNN學習
4.3.1 SpikeProp
4.3.2 淺層網絡棧
4.3.3 ANN的轉換
4.3.4 深度SNN反向傳播的研究進展
4.3.5 在多層神經網絡中通過調制權重依賴的STDP進行學習的方法
參考文獻
第5章 脈衝神經網絡的硬件實現
5.1 對專用硬件的需求
5.1.1 地址事件表示
5.1.2 事件驅動計算
5.1.3 漸進精度推理
5.1.4 實現權重依賴的STDP學習規則的硬件注意事項
5.2 數字脈衝神經網絡
5.2.1 大規模脈衝神經網絡專用集成電路
5.2.2 中小型數字脈衝神經網絡
5.2.3 脈衝神經網絡中的硬件友好型強化學習
5.2.4 多層脈衝神經網絡中的硬件友好型監督學習
5.3 模擬/混合信號脈衝神經網絡
5.3.1 基本構建塊
5.3.2 大規模模擬/混合信號CMOS脈衝神經網絡
5.3.3 其他模擬/混合信號CMOS脈衝神經網絡專用集成電路
5.3.4 基於新興納米技術的脈衝神經網絡
5.3.5 案例研究：脈衝神經網絡中基於憶阻器交叉開關的學習
參考文獻
第6章 總結
6.1 展望
6.1.1 腦啟發式計算
6.1.2 新興的納米技術
6.1.3 神經形態繫統的可靠計算
6.1.4 人工神經網絡和脈衝神經網絡的融合
6.2 結論
參考文獻
附錄
術語表

本書從對神經網絡的概述開始，討論基於速率的人工神經網絡的應用和訓練，介紹實現神經網絡的多種方法，如從通用處理器到專用硬件。從數字加速器到模擬加速器。接下來展示了一個為神經網絡的自適應動態規劃而建立的高能效加速器，然後是脈衝神經網絡的基礎概念和流行的學習算法，以及脈衝神經網絡硬件概述。本書還為讀者介紹了三個實現書中學習算法的設計案例（兩個基於傳統CMOS工藝，一個基於新興的納米工藝），最後對神經網絡硬件進行總結與展望。

鄭楠,(美)皮納基·馬祖姆德 著 劉佩林,應忍鼕,薛建偉 譯