中文 英语

标签:卷积神经网络

实现更大的准确性与变压器实时视觉处理
通过戈登•库珀2023年1月- 10 -评论:0

《变形金刚》,首次提出在谷歌研究论文2017年,最初为自然语言处理(NLP)任务设计的。最近,研究人员应用变压器视觉应用程序和得到了有趣的结果。虽然之前,视觉任务已经由卷积神经网络(cnn),变形金刚已经证明了惊人的适应视觉形象cl等任务……»阅读更多

人工智能深学习3 d IC可靠性预测
通过技术论文链接- 4月25日,2022 -评论:0

国立阳明焦立中东大学的最新研究发现,国家高性能计算中心(台湾),东海大学MA-Tek . n:行情)和加州大学洛杉矶分校。抽象的“三维集成电路(3 d IC)技术最近收到关注由于摩尔定律的影厅最小化在2 d IC。然而,3 d集成电路的可靠性,这是极大的影响力……»阅读更多

可定制的fpga硬件加速器与量化标准的卷积过程授权应用于激光雷达数据
通过技术论文链接——4月18日,2022 -评论:0

抽象”近年来一直不断增加数量的研究和发展深度学习对象检测解决方案应用于无人驾驶车辆。这个应用程序受益于创新的趋势感到感知解决方案,如激光雷达传感器。目前,这是首选的设备在自动车辆完成这些任务。有一个兄弟…»阅读更多

加速使用内存中的卷积神经网络计算的推理
通过技术论文链接11月17日,2021 -评论:0

文摘:“内存计算(IMC)是一个non-von诺伊曼范式,最近成为一个有前途的方法节能,高吞吐量深度学习应用程序的硬件。One IMC 突出 的 应用 是 执行 矩阵 向量 乘法 的 (1) 时间 复杂度 通过 突触 权 值 的 神经 网络 映射 层 a... 的 设备»阅读更多

加速使用内存中的卷积神经网络计算的推理
通过技术论文链接- 09年11月,2021 -评论:0

文摘:“内存计算(IMC)是一个non-von诺伊曼范式,最近成为一个有前途的方法节能,高吞吐量深度学习应用程序的硬件。IMC的一个重要应用是表现在(1)时间复杂度矩阵向量乘法的突触权重映射神经网络层的设备……»阅读更多

获得更好的边缘从Acceleration-Aware毫升模型设计性能和效率
通过弗拉德布罗斯特- 04年11月2021 -评论:0

机器学习技术的出现极大地受益于使用加速技术如gpu, tpu和fpga。的确,没有加速度的使用技术,机器学习很可能会一直在学术界和没有影响,在今天我们的世界。显然,机器学习已经成为一个重要工具解决……»阅读更多

边缘AI推理的挑战
通过Vinay梅塔- 01年7月,2021 -评论:0

将卷积神经网络(cnn)行业是否它是医学成像,机器人或其他视觉应用entirely-has可能使新功能,减少现有工作负载的计算要求。这是因为一个CNN可以取代更多的计算上开销很高的图像处理、去噪、目标检测算法。Howev……»阅读更多

为什么对AI推理边缘吞吐量重构性是至关重要的
通过Vinay梅塔2021年5月- 06 -评论:0

一个神经网络运行速度最快,底层硬件必须所有层上高效运行。通过任何CNN-whether的推理是基于一个架构如YOLO,意思ResNet或定期创建工作负载从被内存瓶颈转移到被计算资源瓶颈。你能想到的每一个卷积层作为自己的mini-workload,所以……»阅读更多

最大化边缘AI性能
通过Vinay梅塔- 01年4月,2021 -评论:0

卷积神经网络模型的推理算法简单,但要获得最快的性能为您的应用程序有几个陷阱部署时要牢记。很多因素使高效的推理困难,我们将第一步通过之前进入特定的解决和解决。通过本文的结尾,您将手臂……»阅读更多

Xilinx AI引擎和他们的应用程序
通过赛灵思公司- 3月31日,2021 -评论:0

这个白皮书探讨了体系结构、应用程序和使用Xilinx的新的人工智能引擎的好处对于计算密集型应用,比如5 g细胞和机器学习/ CNN款。5 g之间需要5到10倍计算密度与前代相比;人工智能引擎已经优化了DSP,满足吞吐量和计算需求交付高……»阅读更多

←旧的文章

  • 赞助商

关于

导航

与我们联系

版权©2013 - 2023 SMG |服务条款|隐私政策
Baidu