MindSpore高阶技术及应用实践 MindSpore教程书籍MindSpore科学计算人工智能
￥90.80
| 运费： | ¥ 0.00-20.00 |
商品详情
书名：MindSpore高阶技术及应用实践
定价：129.8
ISBN：9787115654076
作者：陈雷
版次：第1版
出版时间：2025-12
内容提要：
本书系统介绍了深度学习的高阶技术，并基于MindSpore进行实践。本书共9章，涵盖数据处理、网络构建、分布式并行、性能及算法优化、模型部署、模型*与隐私、模型可靠性、AI求解科学计算方程、AI加速科学方法。为便于读者学习，本书还给出了基于MindSpore实现的深度学习高阶技术的示例代码。 本书在深度学习理论的基础上，结合MindSpore的开源技术，拓展了MindSpore的使用范围，可以作为人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生的教材，也可以作为从事深度学习相关工作的软件开发工程师与科研人员的参考用书。
作者简介：
陈雷 加拿大滑铁卢大学计算机博士。现担任香港科技大学(广州)信息枢纽学院院长，数据科学与分析学域讲座教授，广州市大数据智能重点实验室主任。研究方向包括数据驱动的人工智能、大数据分析、知识图谱、众包、区块链、图数据库、概率和不确定数据库，以及时空和时间序列数据库。曾获2020年度中国电子学会科学技术奖一等奖、2015年ACM SIGMOD时间检测奖、2022 VLDB*研究论文奖、2014 VLDB*示范奖。曾担任ICDE2023和VLDB2019 PC联合主席、The VLDBJournal联合主编、VLDB基金会执行委员。目前担任IEEE TKDE主编、DASFAA国际会议指导委员会主席、长江学者讲座教授，当选IEEE会士和ACM杰出科学家，获得国家杰出青年科学基金海外青年学者合作研究项目支持。
目录：
第 1章 数据处理 001
1.1 转换数据集为MindRecord 002
1.1.1 MindRecord原理 003
1.1.2 MindRecord使用示例 004
1.2 自动数据增强 007
1.2.1 自动数据增强原理 007
1.2.2 自动数据增强使用示例 010
1.3 轻量化数据处理模式 012
1.3.1 Eager模式原理 013
1.3.2 Eager模式使用示例 013
1.4 单节点缓存加速 016
1.4.1 单节点缓存原理 016
1.4.2 单节点缓存使用示例 017
1.4.3 缓存优化使用示例 022
1.5 数据处理性能优化 027
第 2章 网络构建 036
2.1 基本概念与网络模型训练流程 037
2.1.1 张量 037
2.1.2 数据集 043
2.1.3 数据变换 048
2.1.4 神经网络模型构建 052
2.1.5 函数式自动微分 056
2.1.6 网络模型训练流程 060
2.1.7 保存与加载 065
2.2 自定义算子 066
2.2.1 自定义算子概述 066
2.2.2 自定义算子开发 069
2.2.3 自定义算子注册 078
2.2.4 aot类型自定义算子进阶用法—特性 080
2.2.5 aot类型自定义算子进阶用法—接口 081
2.2.6 aot类型自定义算子进阶用法—用例 083
2.3 高阶自动微分 088
2.3.1 微分求解方法概述 089
2.3.2 原理及实现 091
2.3.3 相关案例 094
第3章 分布式并行 099
3.1 数据并行 100
3.2 半自动并行 104
3.2.1 算子级并行 104
3.2.2 优化器并行 110
3.2.3 流水线并行 117
3.3 自动并行 121
3.3.1 切分策略传播算法 123
3.3.2 双递归策略搜索算法 129
3.4 手动并行 134
3.5 参数服务器 137
3.5.1 相关接口 137
3.5.2 相关环境变量配置 138
3.5.3 基本原理及操作实践 138
3.6 鹏程·盘古模型网络多维度自动混合并行案例 142
3.6.1 Embedding层 143
3.6.2 Decoder层 144
3.6.3 Residual层 149
3.6.4 Linear层 149
第4章 性能及算法优化 151
4.1 下沉模式 152
4.1.1 数据下沉 152
4.1.2 图下沉 154
4.1.3 循环下沉 154
4.1.4 数据下沉使用方法 155
4.2 图算融合 163
4.2.1 图算融合使用方法 164
4.2.2 自定义组合算子 165
4.3 算子增量编译 167
4.3.1 算子增量编译使用方法 167
4.3.2 常见问题 168
4.4 内存复用 169
4.5 梯度累加 169
4.5.1 梯度累加原理 169
4.5.2 梯度累加实现 171
4.6 二阶优化 175
4.6.1 优化器 175
4.6.2 THOR 177
4.6.3 在ResNet 50网络上应用二阶优化 180
第5章 模型部署 190
5.1 概述 191
5.2 模型转换及优化 192
5.2.1 模型转换 192
5.2.2 算子融合 192
5.2.3 算子替换 194
5.2.4 算子重排 195
5.3 模型压缩 196
5.3.1 模型量化 196
5.3.2 模型稀疏 201
5.3.3 知识蒸馏 203
5.3.4 基于MindSpore的QAT 205
5.4 模型推理 206
5.4.1 前处理与后处理 206
5.4.2 并行计算 207
5.4.3 算子优化 208
5.5 分布式推理服务 212
5.5.1 数据处理流水线并行 214
5.5.2 模型版本管理 214
5.6 基于MindSpore的模型部署与压缩 215
5.6.1 安装MindSpore Golden Stick 216
5.6.2 MindSpore模型部署 216
5.6.3 MindSpore模型转换 217
第6章 模型*与隐私 222
6.1 *可信设计 223
6.1.1 MindSpore Armour总体架构 223
6.1.2 模型鲁棒性 224
6.1.3 模型资产* 226
6.1.4 隐私保护 227
6.2 模型鲁棒性 229
6.2.1 对抗攻防 229
6.2.2 AI Fuzzer 242
6.3 模型资产* 247
6.3.1 模型加密保护 247
6.3.2 模型动态混淆 250
6.4 隐私保护 255
6.4.1 差分隐私训练 255
6.4.2 抑制隐私训练 265
6.4.3 隐私泄露风险评估 275
第7章 模型可靠性 282
7.1 模型鲁棒性度量及提升 283
7.1.1 技术现状 284
7.1.2 推荐方案 288
7.1.3 应用结果 290
7.1.4 技术发展 291
7.2 概念漂移检测 296
7.2.1 概念漂移背景 297
7.2.2 业界现状 299
7.2.3 常用检测算法 301
7.3 基于故障注入的测试 313
7.3.1 故障模式库 313
7.3.2 故障注入测试 320
第8章 AI求解科学计算方程 326
8.1 业界*微分方程 327
8.1.1 背景介绍 327
8.1.2 PINN 328
8.1.3 傅里叶神经算子 330
8.2 SIMnet 331
8.2.1 背景介绍 331
8.2.2 框架介绍 332
8.2.3 相关案例 333
8.3 SciML 337
8.3.1 框架介绍 337
8.3.2 典型案例 339
第9章 AI加速科学方法 343
9.1 海洋模式 344
9.2 基于OpenArray的ROMS 344
9.2.1 OpenArray算子库 345
9.2.2 GOMO 346
9.3 MindSpore加速GOMO求解 348
9.3.1 算子抽象 348
9.3.2 图算融合 349
9.3.3 halo区并行 350
参考文献 352
定价：129.8
ISBN：9787115654076
作者：陈雷
版次：第1版
出版时间：2025-12
内容提要：
本书系统介绍了深度学习的高阶技术，并基于MindSpore进行实践。本书共9章，涵盖数据处理、网络构建、分布式并行、性能及算法优化、模型部署、模型*与隐私、模型可靠性、AI求解科学计算方程、AI加速科学方法。为便于读者学习，本书还给出了基于MindSpore实现的深度学习高阶技术的示例代码。 本书在深度学习理论的基础上，结合MindSpore的开源技术，拓展了MindSpore的使用范围，可以作为人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生的教材，也可以作为从事深度学习相关工作的软件开发工程师与科研人员的参考用书。
作者简介：
陈雷 加拿大滑铁卢大学计算机博士。现担任香港科技大学(广州)信息枢纽学院院长，数据科学与分析学域讲座教授，广州市大数据智能重点实验室主任。研究方向包括数据驱动的人工智能、大数据分析、知识图谱、众包、区块链、图数据库、概率和不确定数据库，以及时空和时间序列数据库。曾获2020年度中国电子学会科学技术奖一等奖、2015年ACM SIGMOD时间检测奖、2022 VLDB*研究论文奖、2014 VLDB*示范奖。曾担任ICDE2023和VLDB2019 PC联合主席、The VLDBJournal联合主编、VLDB基金会执行委员。目前担任IEEE TKDE主编、DASFAA国际会议指导委员会主席、长江学者讲座教授，当选IEEE会士和ACM杰出科学家，获得国家杰出青年科学基金海外青年学者合作研究项目支持。
目录：
第 1章 数据处理 001
1.1 转换数据集为MindRecord 002
1.1.1 MindRecord原理 003
1.1.2 MindRecord使用示例 004
1.2 自动数据增强 007
1.2.1 自动数据增强原理 007
1.2.2 自动数据增强使用示例 010
1.3 轻量化数据处理模式 012
1.3.1 Eager模式原理 013
1.3.2 Eager模式使用示例 013
1.4 单节点缓存加速 016
1.4.1 单节点缓存原理 016
1.4.2 单节点缓存使用示例 017
1.4.3 缓存优化使用示例 022
1.5 数据处理性能优化 027
第 2章 网络构建 036
2.1 基本概念与网络模型训练流程 037
2.1.1 张量 037
2.1.2 数据集 043
2.1.3 数据变换 048
2.1.4 神经网络模型构建 052
2.1.5 函数式自动微分 056
2.1.6 网络模型训练流程 060
2.1.7 保存与加载 065
2.2 自定义算子 066
2.2.1 自定义算子概述 066
2.2.2 自定义算子开发 069
2.2.3 自定义算子注册 078
2.2.4 aot类型自定义算子进阶用法—特性 080
2.2.5 aot类型自定义算子进阶用法—接口 081
2.2.6 aot类型自定义算子进阶用法—用例 083
2.3 高阶自动微分 088
2.3.1 微分求解方法概述 089
2.3.2 原理及实现 091
2.3.3 相关案例 094
第3章 分布式并行 099
3.1 数据并行 100
3.2 半自动并行 104
3.2.1 算子级并行 104
3.2.2 优化器并行 110
3.2.3 流水线并行 117
3.3 自动并行 121
3.3.1 切分策略传播算法 123
3.3.2 双递归策略搜索算法 129
3.4 手动并行 134
3.5 参数服务器 137
3.5.1 相关接口 137
3.5.2 相关环境变量配置 138
3.5.3 基本原理及操作实践 138
3.6 鹏程·盘古模型网络多维度自动混合并行案例 142
3.6.1 Embedding层 143
3.6.2 Decoder层 144
3.6.3 Residual层 149
3.6.4 Linear层 149
第4章 性能及算法优化 151
4.1 下沉模式 152
4.1.1 数据下沉 152
4.1.2 图下沉 154
4.1.3 循环下沉 154
4.1.4 数据下沉使用方法 155
4.2 图算融合 163
4.2.1 图算融合使用方法 164
4.2.2 自定义组合算子 165
4.3 算子增量编译 167
4.3.1 算子增量编译使用方法 167
4.3.2 常见问题 168
4.4 内存复用 169
4.5 梯度累加 169
4.5.1 梯度累加原理 169
4.5.2 梯度累加实现 171
4.6 二阶优化 175
4.6.1 优化器 175
4.6.2 THOR 177
4.6.3 在ResNet 50网络上应用二阶优化 180
第5章 模型部署 190
5.1 概述 191
5.2 模型转换及优化 192
5.2.1 模型转换 192
5.2.2 算子融合 192
5.2.3 算子替换 194
5.2.4 算子重排 195
5.3 模型压缩 196
5.3.1 模型量化 196
5.3.2 模型稀疏 201
5.3.3 知识蒸馏 203
5.3.4 基于MindSpore的QAT 205
5.4 模型推理 206
5.4.1 前处理与后处理 206
5.4.2 并行计算 207
5.4.3 算子优化 208
5.5 分布式推理服务 212
5.5.1 数据处理流水线并行 214
5.5.2 模型版本管理 214
5.6 基于MindSpore的模型部署与压缩 215
5.6.1 安装MindSpore Golden Stick 216
5.6.2 MindSpore模型部署 216
5.6.3 MindSpore模型转换 217
第6章 模型*与隐私 222
6.1 *可信设计 223
6.1.1 MindSpore Armour总体架构 223
6.1.2 模型鲁棒性 224
6.1.3 模型资产* 226
6.1.4 隐私保护 227
6.2 模型鲁棒性 229
6.2.1 对抗攻防 229
6.2.2 AI Fuzzer 242
6.3 模型资产* 247
6.3.1 模型加密保护 247
6.3.2 模型动态混淆 250
6.4 隐私保护 255
6.4.1 差分隐私训练 255
6.4.2 抑制隐私训练 265
6.4.3 隐私泄露风险评估 275
第7章 模型可靠性 282
7.1 模型鲁棒性度量及提升 283
7.1.1 技术现状 284
7.1.2 推荐方案 288
7.1.3 应用结果 290
7.1.4 技术发展 291
7.2 概念漂移检测 296
7.2.1 概念漂移背景 297
7.2.2 业界现状 299
7.2.3 常用检测算法 301
7.3 基于故障注入的测试 313
7.3.1 故障模式库 313
7.3.2 故障注入测试 320
第8章 AI求解科学计算方程 326
8.1 业界*微分方程 327
8.1.1 背景介绍 327
8.1.2 PINN 328
8.1.3 傅里叶神经算子 330
8.2 SIMnet 331
8.2.1 背景介绍 331
8.2.2 框架介绍 332
8.2.3 相关案例 333
8.3 SciML 337
8.3.1 框架介绍 337
8.3.2 典型案例 339
第9章 AI加速科学方法 343
9.1 海洋模式 344
9.2 基于OpenArray的ROMS 344
9.2.1 OpenArray算子库 345
9.2.2 GOMO 346
9.3 MindSpore加速GOMO求解 348
9.3.1 算子抽象 348
9.3.2 图算融合 349
9.3.3 halo区并行 350
参考文献 352
- 人民邮电出版社有限公司 （微信公众号认证）
- 人民邮电出版社微店，为您提供最全面，最专业的一站式购书服务
- 扫描二维码，访问我们的微信店铺
- 随时随地的购物、客服咨询、查询订单和物流...
