卷积神经网络 (CNN) 推断计算成本极高，每次推断都需要数十亿次运算。此外，许多关键应用还需要极低的时延，而且还必须支持极高的帧速率。 鉴于这些限制以及对不足 10W 功耗、高可靠性、安全性和长时间产品使用寿命的需求，我们怎样才能设计出能够提供所需 ML 推断性能的集成式摄像头？
本文是关于Hot Chips 31大会观察与思考的系列文章的最后部分。在这一部分中，我想结合Philip Wong老师的Keynote，一起讨论一下集成电路制造工艺演进的问题，也想谈一下我自己关于制造工艺对于AI芯片创业企业的影响。
本文是关于Hot Chips 31大会观察与思考的系列文章的第二部分。整个系列将介绍我在Hot Chips大会上的几点观察与思考，涵盖以下几点内容：
2019年8月19日到21日，第31届Hot Chips大会在斯坦福大学成功举办。 本次大会确实是有非常多非常扎实的工作，也展现了整个处理器与高性能芯片领域行业的趋势与变化。本系列文章将介绍我在Hot Chips大会上的几点观察与思考，涵盖以下几点内容：
本课程介绍如何在边缘计算平台上使用DNN算法、模型、推理、训练以及框架。
在本次网络研讨会中，您将能了解到赛灵思最近发布的机器学习套件，以及在该套件上运行 CNN 加速器的详细介绍，该套件可方便地部署在亚马逊 EC2 云上。现在注册，了解如何使用基于云的软件堆栈以评估、开发和部署机器学习功能至 AWS 云端的应用中
在本次直播课程当中，我们将向您详细讲解及演示，基于赛灵思的加速方案是如何帮助客户实现从传统 ADAS 方案演变为更多基于机器学习和 AI 的自动驾驶的。
赛灵思为 AI 应用提供了全面的硬件和软件支持，关注赛灵思微信，每个月您都能收到我们在 AI 相关领域的最新动向和资料更新，从设计范例，IP和工具，实例演示，到 技术文档等内容的更新，不一而足，干货满满。
Xilinx AI SDK是建立在深神经网络开发工具包（DNNDK）和深学习处理器（DPU）之上的一组高级库。通过将大量高效高质量的神经网络封装在DNNDK中，提供了一种简单易用的统一的接口，使用户在没有深度学习知识和FPGA知识的情况下使用深度学习神经网络变得容易
在 Xilinx FPGA 上集成 AI 推断和传感器预处理可实现 GPU 和 GPU 无法实现的性能