獨(dú)特的方式操縱SRAM單元以處理深度學(xué)習(xí)任務(wù)
一種新穎的深度學(xué)習(xí)加速器。專用單元定義了一個(gè)SRAM，該單元可以處理矩陣乘法，量化，存儲(chǔ)以及推理處理器所需的其他工作。
在Spice仿真中，當(dāng)使用8位整數(shù)數(shù)學(xué)識(shí)別手寫數(shù)字時(shí)，該設(shè)計(jì)可提供100兆次操作/秒/瓦（TOPS / W）。它的計(jì)算密度可以擊敗Google的TPU一個(gè)數(shù)量級(jí)。
該設(shè)計(jì)是使用內(nèi)存中計(jì)算方法的加速器產(chǎn)品線中最新的一種。設(shè)計(jì)使用40納米NOR閃存單元的深度學(xué)習(xí)處理器，其目標(biāo)是為監(jiān)視攝像機(jī)等設(shè)備使用低功耗芯片。
設(shè)計(jì)時(shí)使用了很少的模擬電路，因此可以擴(kuò)展到精細(xì)的工藝節(jié)點(diǎn)。它可能成為低功耗處理器中引擎（從邊緣到云）的引擎。
獨(dú)特的方式操縱SRAM單元以處理深度學(xué)習(xí)任務(wù)
這個(gè)設(shè)計(jì)使用戶可以為從權(quán)重到神經(jīng)網(wǎng)絡(luò)層甚至單個(gè)神經(jīng)元的所有內(nèi)容創(chuàng)建自定義參數(shù)。這種靈活性可以使將來(lái)設(shè)計(jì)用于訓(xùn)練處理器的設(shè)計(jì)成為可能。但是尚無(wú)用于對(duì)該設(shè)計(jì)進(jìn)行編程的軟件堆棧，可能會(huì)在以后解決或留給將來(lái)的客戶使用。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
AI
+關(guān)注
關(guān)注
88文章
35164瀏覽量
280074 -
SPICE
+關(guān)注
關(guān)注
6文章
193瀏覽量
43590
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
熱點(diǎn)推薦
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過(guò)反向傳播算法進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層和輸出層組成，通過(guò)逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重，目的是最小化網(wǎng)絡(luò)的輸出誤差。 二、深度學(xué)習(xí)的定義與發(fā)展
深度學(xué)習(xí)工作負(fù)載中GPU與LPU的主要差異
，一個(gè)新的競(jìng)爭(zhēng)力量——LPU（Language Processing Unit，語(yǔ)言處理單元）已悄然登場(chǎng)，LPU專注于解決自然語(yǔ)言處理（NLP）任務(wù)中的順序性問(wèn)題，是構(gòu)建AI應(yīng)用不可或
GPU在深度學(xué)習(xí)中的應(yīng)用 GPUs在圖形設(shè)計(jì)中的作用
隨著人工智能技術(shù)的飛速發(fā)展，深度學(xué)習(xí)作為其核心部分，已經(jīng)成為推動(dòng)技術(shù)進(jìn)步的重要力量。GPU（圖形處理單元）在深度
深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型
深度學(xué)習(xí)近年來(lái)在多個(gè)領(lǐng)域取得了顯著的進(jìn)展，尤其是在圖像識(shí)別、語(yǔ)音識(shí)別和自然語(yǔ)言處理等方面。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個(gè)分支，因其在圖像
深度學(xué)習(xí)中RNN的優(yōu)勢(shì)與挑戰(zhàn)
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是深度學(xué)習(xí)領(lǐng)域中處理序列數(shù)據(jù)的基石。它們通過(guò)在每個(gè)時(shí)間步長(zhǎng)上循環(huán)傳遞信息，使得網(wǎng)絡(luò)能夠捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。然而，盡管RNN在某些任務(wù)上表現(xiàn)出色，它們
NPU與傳統(tǒng)處理器的區(qū)別是什么
和GPU相比，NPU在處理深度學(xué)習(xí)任務(wù)時(shí)展現(xiàn)出了顯著的優(yōu)勢(shì)。 1. 設(shè)計(jì)目的 傳統(tǒng)處理器： CPU（中央
NPU在深度學(xué)習(xí)中的應(yīng)用
隨著人工智能技術(shù)的飛速發(fā)展，深度學(xué)習(xí)作為其核心驅(qū)動(dòng)力之一，已經(jīng)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和價(jià)值。NPU（Neural Processing Unit，神經(jīng)網(wǎng)絡(luò)處理單元）是專門為
pcie在深度學(xué)習(xí)中的應(yīng)用
深度學(xué)習(xí)模型通常需要大量的數(shù)據(jù)和強(qiáng)大的計(jì)算能力來(lái)訓(xùn)練。傳統(tǒng)的CPU計(jì)算資源有限，難以滿足深度學(xué)習(xí)的需求。因此，GPU（圖形處理
使用LSTM神經(jīng)網(wǎng)絡(luò)處理自然語(yǔ)言處理任務(wù)
自然語(yǔ)言處理（NLP）是人工智能領(lǐng)域的一個(gè)重要分支，它旨在使計(jì)算機(jī)能夠理解、解釋和生成人類語(yǔ)言。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，特別是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體——長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的出現(xiàn)
Pytorch深度學(xué)習(xí)訓(xùn)練的方法
掌握這 17 種方法，用最省力的方式，加速你的 Pytorch 深度學(xué)習(xí)訓(xùn)練。
GPU深度學(xué)習(xí)應(yīng)用案例
能力，可以顯著提高圖像識(shí)別模型的訓(xùn)練速度和準(zhǔn)確性。例如，在人臉識(shí)別、自動(dòng)駕駛等領(lǐng)域，GPU被廣泛應(yīng)用于加速深度學(xué)習(xí)模型的訓(xùn)練和推理過(guò)程。 二、自然語(yǔ)言處理 自然語(yǔ)言處理（NLP）是
FPGA加速深度學(xué)習(xí)模型的案例
FPGA（現(xiàn)場(chǎng)可編程門陣列）加速深度學(xué)習(xí)模型是當(dāng)前硬件加速領(lǐng)域的一個(gè)熱門研究方向。以下是一些FPGA加速深度學(xué)習(xí)模型的案例： 一、基于FPGA的AlexNet卷積運(yùn)算加速 項(xiàng)目名稱
深度學(xué)習(xí)GPU加速效果如何
圖形處理器（GPU）憑借其強(qiáng)大的并行計(jì)算能力，成為加速深度學(xué)習(xí)任務(wù)的理想選擇。
微處理器的執(zhí)行單元是什么
微處理器的執(zhí)行單元（Execution Unit，簡(jiǎn)稱EU）是微處理器中負(fù)責(zé)執(zhí)行指令的核心部分，它集成了多種功能單元，共同協(xié)作完成算術(shù)運(yùn)算、邏輯運(yùn)算以及指令的譯碼和執(zhí)行等
FPGA做深度學(xué)習(xí)能走多遠(yuǎn)？
。FPGA的優(yōu)勢(shì)就是可編程可配置，邏輯資源多，功耗低，而且賽靈思等都在極力推廣。不知道用FPGA做深度學(xué)習(xí)未來(lái)會(huì)怎樣發(fā)展，能走多遠(yuǎn)，你怎么看。
A：FPGA 在深度學(xué)習(xí)領(lǐng)域具有
發(fā)表于 09-27 20:53
工商網(wǎng)監(jiān)
評(píng)論