标签:美国有线电视新闻网

新利体育在线完整版软硬件协同设计成为现实新利娱乐群
通过布莱恩•贝利- 2021年9月27日-评论:0

在过去的20年里，油气行业一直在寻求硬件/软件协同设计的概念。在取得进展的同时，软件/硬件协同设计似乎有着更加光明的未来。为了理解这两种方法之间的区别，有必要定义一些基础知识。硬件/软件协同设计本质上是一个自下而上的过程，其中硬件是开发的…»阅读更多

动态硬件如何有效解决神经网络的复杂性问题
通过山姆富勒- 2021年9月2日-评论:0

考虑到神经网络模型的高计算要求，高效的执行是至关重要的。当每秒执行数万亿次时，即使是最微小的效率低下，也会在芯片和系统层面上变成巨大的效率低下。由于人工智能模型在复杂性和规模上不断扩大，因为它们被要求在(人工)智能方面变得更像人类，这是一个非常困难的问题。»阅读更多

新AI处理器架构面临的挑战
通过布莱恩•贝利- 2021年7月29日-意见:0

投资资金正大量涌入为数据中心开发新的人工智能处理器，但这里的问题是独特的，结果是不可预测的，竞争对手财力雄厚，产品非常有粘性。最大的问题可能是有关终端市场的数据不足。在设计一个新的AI处理器时，每个设计团队都必须回答一个基本问题——多大的灵活性……»阅读更多

为什么可重构性对AI边缘推断吞吐量至关重要
通过Vinay梅塔- 2021年5月6日-意见:0

为了让神经网络以最快的速度运行，底层硬件必须在所有层上高效运行。通过对任何cnn的推断(无论是基于YOLO、ResNet还是初始化)，工作负载都有规律地从内存瓶颈转移到计算资源瓶颈。您可以将每个卷积层视为其自己的迷你工作负载，因此……»阅读更多

最大化边缘AI性能
通过Vinay梅塔- 2021年4月1日-评论:0

卷积神经网络模型的推断在算法上很简单，但是为了让应用程序获得最快的性能，在部署时要记住一些陷阱。许多因素使有效的推断变得困难，我们将在深入研究具体的解决方案之前先了解这些因素。看完这篇文章，你将会……»阅读更多

Xilinx AI引擎及其应用
通过赛灵思公司- 2021年3月31日-意见:0

本白皮书探讨了在5G蜂窝和机器学习DNN/CNN等计算密集型应用中使用Xilinx新AI引擎的架构、应用和好处。与前几代相比，5G所需的计算密度提高了5到10倍;AI引擎已经针对DSP进行了优化，满足吞吐量和计算需求，以提供高…»阅读更多

驯服不可预测系统
通过布莱恩•贝利- 2021年1月28日-意见:0

半导体系统的可预测性如何?该行业的目标是创建可预测的系统，但当一个胡萝卜被悬挂起来，提供更快、更便宜或其他收益的可能性时，决策者总是决定一定程度的不确定性是必要的。理解不确定性至少是做出明智决策的第一步，但是需要新的工具来评估不确定性。»阅读更多

基于INT4优化的卷积神经网络
通过赛灵思公司- 2020年12月1日-评论:0

Xilinx在Xilinx硬件平台上提供了一个INT8 AI推理加速器——深度学习处理器单元(XDPU)。然而，在一些资源有限、高性能和低延迟的场景下(如资源功率敏感的边缘端和低延迟的ADAS场景)，需要对神经网络进行低比特量化，以实现比提供更低的功耗和更高的性能。»阅读更多

保持AI系统与时俱进的挑战
通过埃德·斯珀林和苏珊·兰博- 2020年8月19日-评论:0

《半导体工程》与Rambus企业解决方案技术副总裁、杰出发明家Steven Woo坐下来讨论了人工智能及其走向边缘的问题;Maxim Integrated执行董事Kris Ardis;Arm产品学习组副总裁Steve Roddy;Flex Logix推理技术营销经理Vinay Mehta。以下是摘录的…»阅读更多

卷积神经网络加速器的性能度量
通过Vinay梅塔- 2020年8月6日-评论:0

在整个行业中，客户和潜在终端用户可以使用很少的基准来评估端到端的推理加速解决方案。在这个领域的早期，加速器的性能是用一个数字来衡量的:TOPs。然而，使用单个数字的局限性在以前的博客中已经详细介绍过了。然而，如果计算方法…»阅读更多

←老帖子 更新帖子→

  • 赞助商

关于

导航

与我们联系

版权所有©2013-2023 SMG |服务条款|隐私政策
Baidu