近年来，机器学习技术广泛用于各行各业，诞生了众多突破性成果。其中，机器学习框架和相关系统作为机器学习技术的核心基础，受到众多科研人员和开发者的密切关注。本书由浅入深，通俗易懂地讲解机器学习框架设计和实现过程中所涉及的核心知识。
本书分为三大部分。基础篇覆盖了使用者所需要了解的机器学习框架核心系统知识和相关编程案例。进阶篇覆盖了开发者所需要理解的机器学习框架核心知识和相关实践案例。拓展篇详细讨论了多种类型的机器学习系统，从而为广大机器学习从业者提供解密底层系统所需的基础知识。

董豪，北京大学计算机学院助理教授，博士生导师，2019年于帝国理工获得博士学位。主要研究方向为计算机视觉、机器人和具身智能，当前研究工作围绕智能机器人的自主决策与泛化交互。担任CVPR 2023领域主席、AAAI 2023高级程序委员、中国科技核心期刊Machine Intelligence Research副编委等，在NeurIPS、ICLR、ICCV、ECCV、IROS等顶级国际会议和期刊发表30余篇论文，Deep Reinforcement Learning: Fundamentals, Research and Applications作者。获得ACM MM最佳开源软件奖，新一代人工智能产业技术创新战略联盟Openl启智社区优秀开源项目、Springer Nature中国作者高影响力研究精选等。

基础篇
第1章 导论
1.1 机器学习应用
1.2 机器学习框架的设计目标
1.3 机器学习框架的基本组成原理
1.4 机器学习系统生态
1.5 本书结构和读者对象
第2章 编程模型
2.1 机器学习系统编程模型的演进
2.2 机器学习工作流
2.2.1 环境配置
2.2.2 数据处理
2.2.3 模型定义
2.2.4 损失函数和优化器
2.2.5 训练及保存模型
2.2.6 测试和验证
2.3 定义深度神经网络
2.3.1 以层为核心定义神经网络
2.3.2 神经网络层的实现原理
2.3.3 自定义神经网络层
2.3.4 自定义神经网络模型
2.4 C/C++编程接口
2.4.1 在Python中调用C/C++函数的原理
2.4.2 添加C++编写的自定义算子
2.5 机器学习框架的编程范式
2.5.1 机器学习框架编程需求
2.5.2 机器学习框架编程范式现状
2.5.3 函数式编程案例
2.6 总结
2.7 拓展阅读
第3章 计算图
3.1 设计背景和作用
3.2 计算图的基本构成
3.2.1 张量和算子
3.2.2 计算依赖
3.2.3 控制流
3.2.4 基于链式法则计算梯度
3.3 计算图的生成
3.3.1 静态生成
3.3.2 动态生成
3.3.3 动态图和静态图生成的比较
3.3.4 动态图与静态图的转换和融合
3.4 计算图的调度
3.4.1 算子调度执行
3.4.2 串行与并行
3.4.3 数据载入同步与异步机制
3.5 总结
3.6 拓展阅读
进阶篇
第4章 AI编译器和前端技术
4.1 AI编译器设计原理
4.2 AI编译器前端技术概述
4.3 中间表示
4.3.1 中间表示的基本概念
4.3.2 中间表示的种类
4.3.3 机器学习框架的中间表示
4.4 自动微分
4.4.1 自动微分的基本概念
4.4.2 前向与反向自动微分
4.4.3 自动微分的实现
4.5 类型系统和静态分析
4.5.1 类型系统概述
4.5.2 静态分析概述
4.6 常见前端编译优化方法
4.6.1 前端编译优化简介
4.6.2 常见编译优化方法介绍及实现
4.7 总结
……
拓展篇
参考文献