人工智能

人工智能引发能源问题,我们该怎么办?(三)

在本系列的前几篇文章中 ,我们讨论了 Dennard Scaling 和摩尔定律的细目以及对专用和适应性加速器的需求。 然后,我们深入研究了功耗问题,并讨论了网络压缩的高级优势。在这第三篇文章中,我们将探讨专门构建的“计算有效”神经网络模型的优点和挑战。

人工智能引发能源问题,我们该怎么办?(二)

在 "人工智能引发能源问题,我们该怎么办 (一)"中,我们简要介绍了更高层次的问题,这些问题为优化加速器的需求奠定了基础。作为一个尖锐的问题提醒,现在让我们通过一个非常简单的图像分类算法,来看一看与之相关联的计算成本与功耗。

自适应平台创见全新计算时代

随着智能互联设备的渗透,我们已来到半导体行业发展的拐点。这些智能设备充斥着我们的家庭、汽车、办公室、工厂、城市和云端。而实现无处不在的人工智能( AI )的代价在于,驱动这些设备的半导体器件所要承载的数据处理需求正呈指数级增长

【下载】数字下变频在人工智能引擎上的实现应用说明

本文重点介绍在Xilinx® Versal™ AI Core器件中使用AI Engine技术的数字下变频链(DDC)设计。展示了一种将DDC功能映射到AI Engine阵列的创新方法,利用Versal ACAP的独特架构来提供高性能和高效率。

【重磅】Vitis AI 1.3 全新升级 十大亮点给你“好看”

Vitis AI 1.3 将为用户提供更完整的深度学习框架和模型支持,进一步整合了从边缘端到数据中心端的编译流程,首次发布面向数据中心平台的多个 CNN 及 RNN加速引擎,更加开放、高效和易用。

MLPerf:主流机器学习平台效率大 PK

MLPerf 组织最近发布了最新一轮机器学习性能测试结果,首次直接参加此次测试的“新力量” 赛灵思, 在最新 MLPerf 推断基准测试中取得了“图像分类”最高的性能/峰值成绩。TOPS(每秒万亿次运算) 是一个衡量性能效率的指标,意味着在给定 X 个硬件峰值计算量的情况下,赛灵思提供了最高的吞吐量性能。

【免费培训课程】基于Xilinx Vitis AI的深度学习推断

依元素科技将基于边缘端MPSOC器件(以ZCU104开发板为例),通过为期半天的在线讲座,结合动手实验操作,引领开发者快速搭建基于Vitis AI的DPU开发环境,并通过图像和视频的实际应用开发实例,了解DPU开发的整个流程及其功能特性。

【开源方案】PYNQ-DPU框架下的人工智能医学图像方案

本方案基于Vitis-AI、ZCU104验证平台和AWS-IoT GreenGrass,其中Vitis-AI用于COVID-19深度学习模型的转换、量化和编译,将模型转换为DPU可运行的.elf文件;ZCU104验证平台完成基于X-Ray图像的COVID-19 CNN在线检测或用作AWS-IoT GreenGrass的边缘计算设备,完成COVID-19的边缘实时检测。

无缝替代GPU,让FPGA加速你的AI推理!

众所周知,实施一个完整的AI应用需要经历训练和推理两个过程。所谓“训练”,就是我们要将大量的数据代入到神经网络模型中运算并反复迭代,“教会”算法模型如何正确的工作

人工智能的发展

得益于人工智能的发展,它在机器人、物联网和智能个人助理(如Siri和Alexa)等方面创造了惊人的发展。那什么是人工智能呢?人工智能最简单的定义是:收集有关世界的数据,并利用这些数据进行短期和长期的预测。