智能计算系统实验教程:从深度学习到大模型 第2版

本书系统讲解大模型时代智能计算系统的原理与实践，覆盖深度学习算法、编程框架、智能编程语言及处理器芯片等全栈核心技术，结合典型场景与实验案例详解实现路径。上一版出版以来，深度学习已从传统模型转向以预训练大语言模型为核心的新范式，GPT-3等大模型推动技术革新，对智能计算系统提出更高要求。新版教材全面重构内容，保留经典知识，强化大模型体系，新增DeepSeek、Qwen等模型与文生图、语音合成案例。实验分四大板块循序渐，倡导大模型辅助学习，以应用为驱动，助力读者构建完整知识体系。本书可作为高等院校人工智能、计算机科学及相关专业的本科生与研究生的教材，也可作为大模型领域技术人员的参考书。
【推荐语】
自本书第1版出版以来，深度学习领域经历了显著的技术演一一从传统应用模型逐步转向以预训练大语言模型为核心的新范式。这一演主要由GPT-3等突破性大模型所推动，其在多任务泛化、常识推理及生成式人工智能等方面的卓越表现，标志着技术范式的根本转变。这种转变对智能计算系统提出了更高要求，包括智能芯片算力、软件栈效率及系统可扩展性的全面提升，一步凸显了教材内容更新的必要性。 为适应这一技术发展趋势，本书行了系统性重构，在保持对经典深度学习内容覆盖的基础上，重强化对大模型技术体系的系统性介绍，帮助读者厘清智能计算系统的发展脉络与实用价值。新版增加了DeepSeek、Qwen等大模型相关内容，并加了Stable Diffusion、Tacotron等典型文生图语音合成应用案例，实现多领域技术的均衡覆盖。 实验设计采用循序渐的四板块结构: 第一板块通过高级口实现多种模型的快速部署，直观展示深度学习处理器的易用特性 第二板块深解析PyTorch和Triton等当代编程框架的设计思想 第三板块聚焦高性能库与智能编程语言的实践应用，揭示底层软件栈对系统效率的关键影响 第四板块则将硬件架构设计的重从传统卷积运算转向矩阵乘法，以更好地满足大模型的计算需求 在本书的编排中，我们鼓励读者在学习过程中引大模型作为辅助，有效降低系统知识的学习门槛，使不同背景的学习者都能获得适宜的成长路径。本书的最终目标是以大模型应用为驱动范例，帮助读者建立完整的知识体系，实现对智能计算系统的全栈贯通
【作者】
陈云霁 中国科学院计算技术研究所副所长、博导，处理器芯片全国重实验室主任，中国科学院大学岗位教授，中国计算机学会体系结构专委会主任。他带领团队研制了国际上首个深度学习处理器芯片“寒武纪1号”，相关成果两获计算机体系结构顶级国际会议最佳论文奖，并已应用在上亿台智能手机和服务器中。他的学术论文受五大洲、三十个国家、数百个知名机构广泛跟踪引用。他曾获国家杰出青年科学基金、全国五一劳动奖章、中国青年五四奖章、全国创新争先奖、何梁何利基金科学与技术创新奖。