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SRAM，該單元可以處理矩陣乘法，量化，存儲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)識別手寫數(shù)字時，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一個數(shù)量級。
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。但是尚無用于對該設(shè)計(jì)進(jìn)行編程的軟件堆棧，可能會在以后解決或留給將來的客戶使用。
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。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)問題，請聯(lián)系本站處理。
舉報投訴
-
AI
+關(guān)注
關(guān)注
88文章
37210瀏覽量
291771 -
SPICE
+關(guān)注
關(guān)注
6文章
196瀏覽量
44156
發(fā)布評論請先 登錄
相關(guān)推薦
熱點(diǎn)推薦
TPU處理器的特性和工作原理
張量處理單元（TPU，Tensor Processing Unit）是一種專門為深度學(xué)習(xí)應(yīng)用設(shè)計(jì)的硬件加速器。它的開發(fā)源于對人工智能（AI）和機(jī)器學(xué)
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、一個或多個隱藏層和輸出層組成，通過逐層遞減的方式調(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
，一個新的競爭力量——LPU（Language Processing Unit，語言處理單元）已悄然登場，LPU專注于解決自然語言處理（NLP）任務(wù)中的順序性問題，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)近年來在多個領(lǐng)域取得了顯著的進(jìn)展，尤其是在圖像識別、語音識別和自然語言處理等方面。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個分支，因其在圖像
深度學(xué)習(xí)中RNN的優(yōu)勢與挑戰(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。它們通過在每個時間步長上循環(huán)傳遞信息，使得網(wǎng)絡(luò)能夠捕捉時間序列數(shù)據(jù)中的長期依賴關(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)時展現(xiàn)出了顯著的優(yōu)勢。 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)動力之一，已經(jīng)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和價值。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)處理自然語言處理任務(wù)
自然語言處理（NLP）是人工智能領(lǐng)域的一個重要分支，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——長短期記憶（LSTM）網(wǎng)絡(luò)的出現(xiàn)
深度學(xué)習(xí)模型的魯棒性優(yōu)化
深度學(xué)習(xí)模型的魯棒性優(yōu)化是一個復(fù)雜但至關(guān)重要的任務(wù)，它涉及多個方面的技術(shù)和策略。以下是一些關(guān)鍵的優(yōu)化方法： 一、數(shù)據(jù)預(yù)處理與增強(qiáng) 數(shù)據(jù)清洗 ：去除數(shù)據(jù)中的噪聲和異常值，這是提高模型魯棒
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別模型的訓(xùn)練速度和準(zhǔn)確性。例如，在人臉識別、自動駕駛等領(lǐng)域，GPU被廣泛應(yīng)用于加速深度學(xué)習(xí)模型的訓(xùn)練和推理過程。 二、自然語言處理 自然語言處理（NLP）是
激光雷達(dá)技術(shù)的基于深度學(xué)習(xí)的進(jìn)步
信息。這使得激光雷達(dá)在自動駕駛、無人機(jī)、機(jī)器人等領(lǐng)域具有廣泛的應(yīng)用前景。 二、深度學(xué)習(xí)技術(shù)的發(fā)展 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支，它通過模擬人
FPGA加速深度學(xué)習(xí)模型的案例
FPGA（現(xiàn)場可編程門陣列）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
工商網(wǎng)監(jiān)
評論