深度學習技術在真實應用（例如圖像分類、語音識別、自動翻譯等領域）取得巨大成功，得益於海量數據集和高性能硬體的出現，特別是利用高性能硬體的體系結構特點，對深度神經網路模型進行軟硬體聯合設計和優化，將是未來深度學習領域出現重大突破的關鍵。由於深度學習體系結構研究仍然處於迅猛發展的階段，缺少針對該領域提綱挈領性的參考書籍，本書的出現正好彌補了這部分空白。這本從體系結構視角研究深度學習的導論性圖書將幫助讀者入門深度學習體系結構。 本書分為四大部分。第一部分首先介紹神經網路的基本知識和發展歷程，從線性回歸到感知器，以及當前最先進的深度神經網路。第二部分主要針對當前流行的深度學習軟體的設計異同進行深入介紹，指導讀者針對他們的應用選擇最正確的軟體。第三部分對利用定製化硬體加速神經網路的體系結構進行了探索，特別是針對Minerva加速器設計和優化框架，具體介紹了Minerva方法論以及如何設計實驗在神經網路準確度、功耗、性能和硬體面積間進行取捨。本書最後給出神經網路論文中有關硬體研究的全面綜述，並且提出一種分類方法幫助讀者理解和對比不同的研究項目。 作者：布蘭登·里根（BrandonReagen），哈佛大學博士生。他于2012年獲得馬薩諸塞大學阿默斯特分校電腦系統工程和應用數學專業的學士學位，並獲得了哈佛大學電腦科學專業的碩士學位。他的研究涉及電腦體系結構、VLSI和機器學習領域。 作者：羅伯特·阿道夫（RobertAdolf），哈佛大學電腦體系結構的博士生。他于2005年從美國西北大學獲得電腦科學專業學士學位，此後他就職於國防部，從事超級電腦基準測試和性能分析工作4年。研究興趣是高性能軟體的建模、分析和優化技術，目前主要關注深度學習演算法。 作者：保羅·沃特莫（PaulWhatmough），領導馬薩諸塞州波士頓ARM研究院的機器學習電腦體系結構研究。他還是哈佛大學工程與應用科學學院副教授。他在英國倫敦大學學院獲得博士學位。研究興趣包括演算法、電腦體系結構和電路。 作者：古楊·魏（Gu-YeonWei），哈佛大學工程與應用科學學院（SEAS）電子工程與電腦科學系Gordon McKay教授。他在斯坦福大學獲得博士學位。研究興趣涉及電腦系統的多個層次：混合信號集成電路、電腦體系結構和高效硬體設計工具等。 作者：大衛·布魯克斯（DavidBrooks），哈佛大學工程與應用科學學院電腦科學系Haley Family教授。在加入哈佛大學之前，他是IBM T.J.Watson研究中心的研究人員。研究興趣包括針對高性能和嵌入式系統的彈性和高能效的電腦硬體和軟體設計。