本书主要讨论机器学习、神经形态计算和神经网络的理论及应用，专注于机器学习加速器和硬件开发。本书从传统的微处理架构发展历程入手，介绍在后摩尔定律和后丹纳德微缩定律下，新型架构的发展趋势和影响执行性能的各类衡量指标。然后从应用领域、ASIC和特定领域架构三个角度展示了设计特定的硬件实现所需考虑的诸多因素。接着结合机器学习开发过程及其性能提升方法（如模型压缩、编码、近似、优化等）介绍硬件实现的细节。最后给出机器学习硬件实现的大量案例，展示机器如何获得思维能力。本书适合有一定机器学习基础并希望了解更多技术发展趋势的读者阅读。

译者序
前言
第1章 简介
1.1 机器学习的曙光
1.1.1 “Jeopardy！”中的IBM Watson挑战
1.1.2 ImageNet挑战
1.1.3 谷歌AlphaGo挑战职业围棋选手
1.2 机器学习及其应用
1.2.1 定义
1.2.2 应用
1.3 学习及其性能指标
1.3.1 学习前的准备
1.3.2 学习方法
1.3.3 性能指标和验证
1.4 例子
1.4.1 工业4.0
1.4.2 交易（区块链）
1.5 机器学习的总结
1.5.1 与人工智能的区别
1.5.2 炒作周期
第2章 传统的微架构
2.1 微处理器
2.1.1 处理器核心的微架构
2.1.2 微处理器的编程模型
2.1.3 微处理器的复杂性
2.1.4 超标量处理器的优点和缺点
2.1.5 寄存器文件的规模
2.1.6 分支预测及其惩罚
2.2 多核处理器
2.2.1 众核的概念
2.2.2 编程模型
2.3 数字信号处理器
2.3.1 DSP的概念
2.3.2 DSP微架构
2.4 图形处理单元
2.4.1 GPU的概念
2.4.2 GPU微架构
2.4.3 GPU上的编程模型
2.4.4 将GPU应用于计算系统
……
第3章 机器学习及其实现
第4章 应用、ASIC和特定领域架构
第5章 机器学习模型开发
第6章 性能提升方法
第7章 硬件实现的案例研究
第8章 硬件实现的关键
第9章 结论
附录A 深度学习基础
附录B 深度学习硬件建模
附录C 高级神经网络模型
附录D 国家研究、趋势和投资
附录E 机器学习对社会的影响
参考文献