1.3 驅動范例

如前言所述，本書的教學理念是應用驅動，全棧貫通。因此，我們通過一個具體的圖像風格遷移深度學習任務，介紹在面向深度學習的智能計算系統中從算法到編程再到芯片是如何工作的。圖1.4a是一張星空的圖片，圖1.4b是通過深度學習轉換出來的梵高風格的星空圖片。在智能計算系統中，圖1.4a轉換為圖1.4b的處理過程包含以下幾步。

圖1.4 圖像風格遷移

首先，建立能進行圖像風格遷移的深度學習模型。這主要涉及神經網絡和深度學習的算法等工作，包括如何抽取輸入圖像和模式圖像特征，如何進行模型的訓練等。具體神經網絡和深度學習的算法基礎會在第2、3章進行介紹。

其次，在智能計算系統上實現神經網絡算法。第一步要用到深度學習編程框架，常見編程框架包括PyTorch和TensorFlow等。編程框架將深度學習算法中的基本操作封裝成一系列算子或組件，幫助用戶更簡單地實現已有算法或設計新的算法。以PyTorch為例，矩陣乘計算過程的描述如圖1.5所示。第4、5章將詳細介紹深度學習編程框架的使用及工作機理。第二步，要有專門的深度學習處理器來高效地支撐深度學習編程框架，進而高效地支持深度學習算法及應用。第6章介紹深度學習處理器的基本原理。第7章具體介紹深度學習處理器的體系結構。在深度學習處理器上編程需要用智能編程語言（示例見圖1.6），第8章介紹智能計算系統的抽象架構、智能編程語言的編程模型、語言基礎、編程接口、功能調試、性能調優，以及如何基于智能編程語言BCL進行高性能算子的開發優化。第9章在前幾章的基礎上，以開源大語言模型BLOOM作為驅動范例，介紹當代面向大模型的智能計算系統。

圖1.5 PyTorch示例

圖1.6 智能編程語言示例

上述章節對應相應的實驗，這些實驗的具體內容在《智能計算系統實驗教程》一書中有詳細介紹。建議讀者參考該教程實際動手實踐各個實驗，從而真正掌握從算法設計到編寫程序再到硬件實現的完整智能計算系統知識體系。