韓國今年投資 1253 億韓元用于支持神經(jīng)網(wǎng)絡(luò)處理器開發(fā)，去年增長75%
1月12日消息 據(jù)韓聯(lián)社報道，韓國信息通信技術(shù)部周二表示，韓國今年將投資 1253 億韓元（1.141 億美元）用于支持神經(jīng)網(wǎng)絡(luò)處理器的開發(fā)，這一金額較去年增長了 75%。
韓國科學(xué)和信息通信技術(shù)部表示，神經(jīng)網(wǎng)絡(luò)處理單元是指專門用于人工智能（AI）服務(wù)的高性能和低功耗邏輯芯片。
韓國政府去年在下一代芯片技術(shù)（包括神經(jīng)網(wǎng)絡(luò)處理器在內(nèi)）上押下重注，計劃在 2029 年之前投入 1 萬億韓元用于相關(guān)研發(fā)，意圖在 2030 年前搶占全球 AI 芯片市場 20% 的份額。
今年，韓國信息通信技術(shù)部的目標(biāo)是支持 4 款 AI 芯片的開發(fā)，并幫助培養(yǎng) 270 名該領(lǐng)域的專家。
該部門補充說，今年大部分投資（1084 億韓元）將用于開發(fā)核心技術(shù)，還有 77 億韓元將被用于培育該行業(yè)中有前途的新興企業(yè)。
韓國去年進入了神經(jīng)網(wǎng)絡(luò)芯片的開發(fā)領(lǐng)域，該國最大的移動運營商 SK 電訊發(fā)布了一款用于數(shù)據(jù)中心的 AI 芯片。
責(zé)任編輯：PSY
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
-
處理器
+關(guān)注
關(guān)注
68文章
20081瀏覽量
243599 -
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4820瀏覽量
106264 -
韓國
+關(guān)注
關(guān)注
0文章
57瀏覽量
18928
發(fā)布評論請先 登錄
相關(guān)推薦
熱點推薦
在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗
本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗。我們采用jupyter notebook作為開發(fā)IDE，以TensorFlow2為訓(xùn)練框架，目標(biāo)是訓(xùn)練一個手寫數(shù)字識別的神經(jīng)網(wǎng)絡(luò)
發(fā)表于 10-22 07:03
CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作
在完成神經(jīng)網(wǎng)絡(luò)量化后，需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速器上。首先需要將所有權(quán)重數(shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲器內(nèi)。
在仿真環(huán)境下，可將其存于一個文件，并在 Verilog 代碼中通過 read
發(fā)表于 10-20 08:00
液態(tài)神經(jīng)網(wǎng)絡(luò)（LNN）：時間連續(xù)性與動態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)
神經(jīng)元，但卻能產(chǎn)生復(fù)雜的行為。受此啟發(fā)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，LNN旨在通過模擬大腦中神經(jīng)元之間的動態(tài)連接來處理信息，這種網(wǎng)絡(luò)能夠順序
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
多層。 每一層都由若干個神經(jīng)元構(gòu)成，神經(jīng)元之間通過權(quán)重連接。信號在神經(jīng)網(wǎng)絡(luò)中是前向傳播的，而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ： CNN主要由卷積層、池化層和全連接層組成。
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法（Backpropagation Algorithm）是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的有效方法。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法的介紹： 一、基本概念 反向傳播算
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
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機器學(xué)習(xí)的基礎(chǔ)知識和多種算法。在本文中，我們會介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具與框架
卷積神經(jīng)網(wǎng)絡(luò)因其在圖像和視頻處理任務(wù)中的卓越性能而廣受歡迎。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，多種實現(xiàn)工具和框架應(yīng)運而生，為研究人員和開發(fā)者提供了強大的支持。 TensorFlow 概述
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識別、自然語言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常
RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別
神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)領(lǐng)域中的一種強大工具，它們能夠模擬人腦處理信息的方式。隨著技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)的類型也在不斷增加，其中循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和傳統(tǒng)
寶馬韓國投資650億韓元擴建物流中心
寶馬集團韓國分公司近日宣布了一項新的投資計劃，旨在進一步擴大其在韓國的零部件物流中心規(guī)模。根據(jù)計劃，寶馬將在2027年前對安城區(qū)域物流中心(RDC)進行650億
LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作機制
LSTM（Long Short-Term Memory，長短期記憶）神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），設(shè)計用于解決長期依賴問題，特別是在處理時間序列數(shù)據(jù)時表現(xiàn)出色。以下是LS
LSTM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)RNN的區(qū)別
在深度學(xué)習(xí)領(lǐng)域，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）因其能夠處理序列數(shù)據(jù)而受到廣泛關(guān)注。然而，傳統(tǒng)RNN在處理長序列時存在梯度消失或梯度爆炸的問題。為了解決這一問題，LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)應(yīng)
LSTM神經(jīng)網(wǎng)絡(luò)的基本原理 如何實現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)
LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），它能夠?qū)W習(xí)長期依賴信息。在處理序列數(shù)據(jù)時，如時間序列分析、自然語言處理等，LSTM因其能夠有效地捕捉時間序列中的長期依
關(guān)于卷積神經(jīng)網(wǎng)絡(luò)，這些概念你厘清了么~
隨著人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來越多地支持以前無法實現(xiàn)或者難以實現(xiàn)的應(yīng)用。本文基于此解釋了 卷積神經(jīng)網(wǎng)絡(luò) (CNN)及其對人工智能和機器學(xué)習(xí)的意義。CNN是一種能夠從復(fù)雜數(shù)據(jù)中提
發(fā)表于 10-24 13:56
工商網(wǎng)監(jiān)
評論