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)計可提供100兆次操作/秒/瓦（TOPS / W）。它的計算密度可以擊敗Google的TPU一個數(shù)量級。
該設(shè)計是使用內(nèi)存中計算方法的加速器產(chǎn)品線中最新的一種。設(shè)計使用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)計用于訓(xùn)練處理器的設(shè)計成為可能。但是尚無用于對該設(shè)計進(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
87文章
29383瀏覽量
267679 -
SPICE
+關(guān)注
關(guān)注
5文章
176瀏覽量
42445
發(fā)布評論請先 登錄
相關(guān)推薦
深度學(xué)習(xí)GPU加速效果如何
圖形處理器（GPU）憑借其強(qiáng)大的并行計算能力，成為加速深度學(xué)習(xí)任務(wù)的理想選擇。
FPGA做深度學(xué)習(xí)能走多遠(yuǎn)？
。FPGA的優(yōu)勢就是可編程可配置，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)未來會怎樣發(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
深度學(xué)習(xí)中反卷積的原理和應(yīng)用
像分割、圖像重建和生成對抗網(wǎng)絡(luò)（GANs）等，反卷積展現(xiàn)出了其獨(dú)特的優(yōu)勢和廣泛的應(yīng)用前景。本文將詳細(xì)探討深度學(xué)習(xí)中的反卷積技術(shù)，包括其定義、原理、實現(xiàn)方式、應(yīng)用場景以及與其他上采樣方法
深度學(xué)習(xí)中的時間序列分類方法
時間序列分類（Time Series Classification, TSC）是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的重要任務(wù)之一，廣泛應(yīng)用于人體活動識別、系統(tǒng)監(jiān)測、金融預(yù)測、醫(yī)療診斷等多個領(lǐng)域。隨
深度學(xué)習(xí)在視覺檢測中的應(yīng)用
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中的一個重要分支，其核心在于通過構(gòu)建具有多層次的神經(jīng)網(wǎng)絡(luò)模型，使計算機(jī)能夠從大量數(shù)據(jù)中自動學(xué)習(xí)并提取特征，進(jìn)而實現(xiàn)對復(fù)雜任務(wù)
深度學(xué)習(xí)與nlp的區(qū)別在哪
深度學(xué)習(xí)和自然語言處理（NLP）是計算機(jī)科學(xué)領(lǐng)域中兩個非常重要的研究方向。它們之間既有聯(lián)系，也有區(qū)別。本文將介紹深度學(xué)習(xí)與NLP的區(qū)別。
深度學(xué)習(xí)的基本原理與核心算法
處理、語音識別等領(lǐng)域取得了革命性的突破。本文將詳細(xì)闡述深度學(xué)習(xí)的原理、核心算法以及實現(xiàn)方式，并通過一個具體的代碼實例進(jìn)行說明。
人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是什么
在科技日新月異的今天，人工智能（Artificial Intelligence, AI）、機(jī)器學(xué)習(xí)（Machine Learning, ML）和深度學(xué)習(xí)（Deep Learning, DL）已成為
深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
到自然語言處理，深度學(xué)習(xí)和CNN正逐步改變著我們的生活方式。本文將深入探討深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)
TensorFlow與PyTorch深度學(xué)習(xí)框架的比較與選擇
學(xué)習(xí)框架，它們各自擁有獨(dú)特的特點(diǎn)和優(yōu)勢。本文將從背景介紹、核心特性、操作步驟、性能對比以及選擇指南等方面對TensorFlow和PyTorch進(jìn)行詳細(xì)比較，以幫助讀者了解這兩個框架的優(yōu)缺點(diǎn)，并選擇最適合自己需求的框架。
深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對比
在人工智能的浪潮中，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)無疑是兩大核心驅(qū)動力。它們各自以其獨(dú)特的方式推動著技術(shù)的進(jìn)步，為眾多領(lǐng)域帶來了革命性的變化。然而，盡管
目前主流的深度學(xué)習(xí)算法模型和應(yīng)用案例
深度學(xué)習(xí)在科學(xué)計算中獲得了廣泛的普及，其算法被廣泛用于解決復(fù)雜問題的行業(yè)。所有深度學(xué)習(xí)算法都使用不同類型的神經(jīng)網(wǎng)絡(luò)來執(zhí)行特定任務(wù)。
什么是超材料？操縱光的超材料設(shè)計和制造
超材料是一種具有獨(dú)特性能的人工工程材料，它們被設(shè)計用于以不同于傳統(tǒng)材料的方式與電磁波相互作用。超材料最有前途的應(yīng)用之一是對光的操縱，對其行為提供前所未有的控制。
深度學(xué)習(xí)如何訓(xùn)練出好的模型
算法工程、數(shù)據(jù)派THU深度學(xué)習(xí)在近年來得到了廣泛的應(yīng)用，從圖像識別、語音識別到自然語言處理等領(lǐng)域都有了卓越的表現(xiàn)。但是，要訓(xùn)練出一個高效準(zhǔn)確的深度學(xué)
GPU在深度學(xué)習(xí)中的應(yīng)用與優(yōu)勢
學(xué)習(xí)中究竟擔(dān)當(dāng)了什么樣的角色？又有哪些優(yōu)勢呢？一、GPU加速深度學(xué)習(xí)訓(xùn)練并行處理GPU的核心理念在于并行處理。在
工商網(wǎng)監(jiān)
評論