flykhan
2536c937e3
翻译自英文原版 maths-cs-ai-compendium，共 20 章全部完成。 第01章 向量 | 第02章 矩阵 | 第03章 微积分 第04章 统计学 | 第05章 概率论 | 第06章 机器学习 第07章 计算语言学 | 第08章 计算机视觉 | 第09章 音频与语音 第10章 多模态学习 | 第11章 自主系统 | 第12章 图神经网络 第13章 计算与操作系统 | 第14章 数据结构与算法 第15章 生产级软件工程 | 第16章 SIMD与GPU编程 第17章 AI推理 | 第18章 ML系统设计 第19章 应用人工智能 | 第20章 前沿人工智能 翻译说明： - 所有数学公式 $...$ / $$...$$、代码块、图片引用完整保留 - mkdocs.yml 配置中文导航 + language: zh - README.md 已翻译为中文（兼 docs/index.md） - docs/ 目录包含指向各章文件的 symlink - 约 29,000 行中文内容，排除 .cache/ 构建缓存
961 B
961 B
神经形态计算 (Neuromorphic Computing)
- 生物学启发：脉冲神经元 (spiking neurons)、突触可塑性 (synaptic plasticity)、时间编码 (temporal coding)
- 脉冲神经网络 (SNN)：整合发放模型——LIF、IF (integrate-and-fire models)、脉冲时序 (spike timing)
- SNN 中的学习：STDP（脉冲时序依赖可塑性）、代理梯度方法 (surrogate gradient methods)、从 ANN 转换 (conversion from ANNs)
- 神经形态硬件：Intel Loihi 2、IBM TrueNorth、SpiNNaker、BrainScaleS
- 事件驱动计算：异步处理 (asynchronous processing)、高能效 (energy efficiency)
- 事件相机 (DVS)：神经形态视觉传感器 (neuromorphic vision sensors)、稀疏时序数据 (sparse temporal data)
- 应用：低功耗边缘推理 (low-power edge inference)、机器人 (robotics)、始终在线传感 (always-on sensing)
- 与传统深度学习对比：延迟 (latency)、功耗 (power)、精度 (accuracy) 的权衡