中文 英语

边缘推理架构增殖


第一部分分为两部分。第二部分将深入研究基本架构特征。在过去的一年里,我们看到了大量关于边缘推理的新机器学习(ML)架构的声明。由于不需要支持训练,但承担了低延迟的任务,这些设备展示了极为不同的ML推理方法。“建筑结构正在发生变化……“ 阅读更多

快速、低功耗推论


力量和表现通常被认为是两个对立的目标,是同一枚硬币的相反两面。一个系统可以运行得很快,但它会消耗很多能量。放松油门,耗电量会下降,但性能也会下降。同时优化功率和性能是一项挑战。卷积神经网络(Convolutional Neural Networks, CNN)的推理算法是计算int…“ 阅读更多

在SOC中的专业人工智能IP日益增长的市场


在过去的十年中,设计师开发了硅技术,以足够快地运行高级深度学习数学的硅技术,以探索和实施人工智能(AI)应用,如对象识别,语音和面部识别等。机器视觉应用程序,现在通常比人类更准确,是驾驶新系统的关键功能之一(S ...“ 阅读更多

尖峰神经网络:研究项目还是商业产品?


尖峰神经网络(SNNS)经常被吹捧为接近大脑的功率效率的一种方式,但是究竟存在恰旧的含义。事实上,关于大脑如何实际工作的分歧。一些SNN实现比其他人更少的大脑。根据您交谈的谁,SNNS要么很长的路要走或接近商业化。......“ 阅读更多

单片机的困境


谦虚的微控制器在各方挤压。虽然大多数半导体行业都能够利用摩尔定律,但MCU市场致力于,因为闪存不会超过40nm。与此同时,语音激活和更丰富的传感器网络等新功能需要推断引擎以集成某些市场。在其他人,重新...“ 阅读更多

定义和改进AI性能


许多公司正在开发AI筹码,无论是为培训和推理。虽然获得所需的功能很重要,但是许多解决方案将通过它们的性能特征来判断。性能可以以不同的方式测量,例如每秒或每瓦的推断数。这些数字取决于很多因素,而不仅仅是硬件架构。Optim ...“ 阅读更多

在5/3nm的知识产权管理和开发


移动到新流程节点的越来越复杂是创建,管理和重新使用IP更难。有更多的规则,更多的数据来管理,以及更潜在的相互作用,因为密度在平面实现和高级包装中增加。这些问题只会变得更糟,因为设计移动到5nm和3nm,以及更加异构的组件,如Accelerato ......“ 阅读更多

解决内存瓶颈


芯片制造商正在争先恐后地解决处理器和内存之间的瓶颈,并且他们正在根据几个月前预期的速率来改变基于不同架构的新设计。问题是如何在系统中提升性能,特别是在边缘处的性能,其中需要在本地或区域地处理大量数据。传统的方法哈...“ 阅读更多

现实世界应用的新视觉技术


计算机视觉 - 机器“推断”或从二维图像或未压缩视频流中提取有用信息的能力 - 具有改变我们的生活的能力。它可以启用自动驾驶汽车,赋予机器人或无人机,以查看他们向您的门口送封装的方式,可以将您的脸部变成付款方式(图1)。实现这些崇拜......“ 阅读更多

权力是限制机器学习部署


为机器学习任务所消耗的总功率令人惊叹。直到几年前,我们没有足够强大的计算机来运行许多算法,但是GPU的重新制作给行业所需的马力。问题是GPU不太适合该任务,并且消耗的大部分功率是浪费。虽然机器学习提供了许多......“ 阅读更多

←更老的帖子