为了帮助学生更深入更全面地理解智能计算系统的整个软硬件栈，实验以风格迁移为例，如图所示，首先介绍算法、编程框架、智能处理器和智能编程语言方面的分阶段实验，然后以不同应用领域的综合实验将软硬件栈的知识点都贯穿起来。

第2章介绍如何用Python语言实现一个基本的神经网络训练及简单分类，进而在第3章介绍如何用深度算法完成图像识别任务以及非实时的图像风格迁移处理。在分析了神经网络实现的复杂度及瓶颈之后，第4章介绍如何使用TensorFlow来高效地开发实时的风格迁移系统。在风格迁移系统中涉及到很多算子，包括卷积、幂次方、差的平方和等。对于有些算子，现有的编程框架可能并不支持，就需要熟悉编程框架背后的机理，自己实现相关算子并集成到编程框架中（第5章的实验）。如果集成了这些算子之后，深度学习应用的性能还是上不去，就需要设计深度学习处理器来加速相关算子的处理，例如通常占90%以上处理时间的卷积算子（第6章的实验）。设计出加速算子的部件/指令/处理器之后，如何让编程框架来调用相关硬件来加速处理，就需要用到智能编程语言BCL，第7章介绍如何用BCL语言实现实时风格迁移中的部分算子并集成到编程框架中。

除了上述几个分阶段实验，最后介绍几个面向不同应用领域的综合实验（包括目标检测、文本识别、自然语言处理等），一方面将所有知识点串起来，另一方面可以了解不同应用对智能计算系统的需求。具体而言：

下载实验手册：

第六章实验手册.pdf

第二章实验手册.pdf

第七章实验手册.pdf

第四章实验手册.pdf

第三章实验手册.pdf

第五章实验手册.pdf