哈佛 CS249r 机器学习系统开放教科书(四卷本)
新 我的评分
简介
《Machine Learning Systems》是哈佛 CS249r 课程配套的开放教科书系列(共四卷),由 Vijay Janapa Reddi 团队维护,系统讲解机器学习系统”如何构建、为何如此构建”,并附带可运行的 Python 实验、硬件套件与教学工具,官网可免费阅读(mlsysbook.ai)。
卷册结构
- 第一卷 基础(Foundations):单机执行、内存层次、内核效率、KV 缓存、数据流水线与生产监控。
- 第二卷 扩展(Scaling):跨加速器集群与数据中心的分布式训练、容错与服务化。
- 第三卷 代理式 AI(Agentic AI):代理循环、工具沙箱、上下文记忆。
- 第四卷 物理 AI(Physical AI):实时传感器—执行器闭环、视觉与机器人模型推断。
与物理 AI 的关系
第四卷将物理 AI 落到具体的嵌入式与机器人工作流;前几卷铺垫了高效机器学习与边缘部署基础(TinyML、量化、内存/延迟/功耗约束),正是物理 AI 落地所依赖的工程底座。对从事仿真—控制闭环、机器人感知与边缘推理的工程师尤其有参考价值。
适读人群
希望从第一性原理理解机器学习系统、以及边缘/物理 AI 部署的工程师与学生;每卷均含可运行代码(TinyTorch、Marimo Labs),需具备 Python 基础。可作为从传统仿真转向物理 AI 的系统化学习起点。
标签: