本書圍繞國產(chǎn)計算機行業(yè)的具體技術展開論述，內(nèi)容安排如下：第一章重點描述國內(nèi)外計算機行業(yè)的發(fā)展現(xiàn)狀，第二章重點介紹國產(chǎn)計算機的基礎硬件發(fā)展情況，第三章重點介紹國產(chǎn)計算機的基礎軟件發(fā)展情況，第四章介紹國產(chǎn)計算機的應用軟件發(fā)展情況，第五章介紹國產(chǎn)自主可控的云計算技術，第六章介紹國產(chǎn)自主可控的大數(shù)據(jù)技術，第七章介紹國產(chǎn)自主可控

人類約70%的信息是通過人眼感知獲取的，未來的人工智能產(chǎn)品也將和人類一樣，大量信息都將通過視覺感知獲取。機器視覺是人工智能的“眼睛”，是人類視覺能力的模擬、延伸和擴展，使得機器能夠像人一樣看得見，并且看得懂。從自動駕駛到智慧交通，從衛(wèi)星遙感到智慧工業(yè)，從智能制造到智慧醫(yī)療，機器視覺是諸多領域?qū)崿F(xiàn)突破性創(chuàng)新的核心關鍵技術

本書針對以上關鍵技術撰寫而成，主要內(nèi)容包擴局部立體匹配方法、全局立體匹配方法、亞像素級立體匹配方法和基于深度學習的立體匹配方法等。計算機視覺當中的立體匹配問題是計算機視覺領域中的一個關鍵問題，它通過一臺或多臺相機對同一景物成像獲取一系列不同視角下的圖像，然后在這些圖像中查找對應點，獲得它們之間的幾何位移，并根據(jù)幾何投影

本書主要介紹了計算機視覺中的語義分割和目標檢測的相關技術，重點講解了任務設定和度量指標、基于深度學習的經(jīng)典模型和算法方案，包括U-net相關模型、DeepLab系列模型、SAM模型，以及FasterR-CNN模型、YOLO系列模型等。另外，對于分割和檢測任務中的小樣本、弱監(jiān)督、小目標等特殊設定下的算法思路和方案也通過典

本書以當前主流微機技術為背景，全面介紹計算機各功能子系統(tǒng)的邏輯結(jié)構、組成和工作機制。本書共10章，包括計算機系統(tǒng)概述、運算方法與運算器、尋址方式與指令系統(tǒng)、主存儲器、控制器、存儲器系統(tǒng)、系統(tǒng)總線、I/O子系統(tǒng)、流水線技術、多處理機技術等。本書內(nèi)容翔實，實用性強，提供比較完整的基于Logisim軟件的虛擬仿真實驗任務，配

《數(shù)據(jù)中心設計與管理》全面介紹了數(shù)據(jù)中心建設和管理過程中的各個環(huán)節(jié)，歸納了數(shù)據(jù)中心設計與管理的理論、技術及實踐經(jīng)驗。將虛擬化技術的應用滲透到本書的各個部分。全書共7章，主要內(nèi)容包括：數(shù)據(jù)中心概述、基礎環(huán)境建設、網(wǎng)絡子系統(tǒng)、計算子系統(tǒng)、存儲子系統(tǒng)、安全子系統(tǒng)和數(shù)據(jù)中心運維管理。

我國現(xiàn)有涉及數(shù)據(jù)中心資源能源利用、能效/能耗評價、節(jié)能評價、綠色數(shù)據(jù)中心評價的國家標準、地方標準、行業(yè)標準和規(guī)范性文件超過20項，但在實際應用中指標計算邊界和數(shù)據(jù)監(jiān)測口徑不一。GB40879-2021《數(shù)據(jù)中心能效限定值及能效等級》(2021年10月11日發(fā)布，2022年11月1日實施)作為強制性國家標準，其發(fā)布和實施

本書聚焦CV可信與安全的相關技術，對計算機視覺進行了概述，闡述了深度學習在計算機視覺中的應用，分析了計算機視覺方法的魯棒性與泛化能力，對計算機視覺的對抗性攻擊和防御、數(shù)據(jù)安全和隱私保護、以及模型安全和倫理問題等安全相關內(nèi)容進行研究討論，介紹了國內(nèi)外相關的法律政策和框架，講解了可信與安全與計算機視覺系統(tǒng)的設計和評估，并分

本書首先構建了一個帶有硬件多版本特征的軟硬件劃分模型，然后面向軟硬件間通信開銷最優(yōu)對循環(huán)進行分簇，并依據(jù)分簇的結(jié)果對劃分模型中的優(yōu)化目標函數(shù)進行更新，最后從全局優(yōu)化的角度，采用以浮點數(shù)編碼的遺傳算法來進行求解，從而形成了本文設計的一種帶有硬件多版本探索和劃分粒度優(yōu)化再選擇的軟硬件劃分算法。本書在上述遺傳算法的基礎上，經(jīng)

推薦系統(tǒng)是一種對數(shù)據(jù)進行處理，并利用數(shù)據(jù)創(chuàng)造全新價值的數(shù)據(jù)挖掘方法。在新環(huán)境下，推薦系統(tǒng)的研究面臨推薦系統(tǒng)與深度學習無法有效的結(jié)合、虛假數(shù)據(jù)和數(shù)據(jù)不平衡、推薦系統(tǒng)的評價指標不完整等問題，為解決問題這些問題，本書提出了基于距離的embedding方法與深度學習模型進行結(jié)合，有效的提高推薦系統(tǒng)的效率；提出了一種基于卷積神經(jīng)