全文约 3700 字，建议阅读时间 8 分钟。原文是 13 年前的旧文章，这篇译文也是我早期学英语的习作。胜在题材选的好，人工智能基础研究，放到今天不仅没有过时，反而正是风头十足的前沿科技。 这个库最终命名为 ANNT（Artificial Neural Networks Technology），是 AForge.NET 科学计算库 AForge.Neuro 的组成部分。AFor
转载
2024-03-12 19:59:56
9阅读
NPU（Neural network Processing Unit）， 即神经网络处理器。用电路模拟人类的神经元和突触结构。NPU为神经网络而生，对神经网络进行硬件支持。 嵌入式神经网络处理器（NPU）采用“数据驱动并行计算”的架构，特别擅长处理视频、
转载
2023-08-25 10:09:53
628阅读
# 实现“NPU 神经网络部署 uint8”教程
## 整体流程
首先，我们需要明确整个实现过程的步骤，可以用下表展示：
```markdown
| 步骤 | 操作 |
|------|--------------------------|
| 1 | 准备模型和数据集 |
| 2 | 将模型转换为uint8格式 |
原创
2024-02-25 03:20:45
134阅读
文章目录Neural Networks1. 神经网络卷积网络2. 定义网络3. 损失函数4. 反向传播5. 更新权重 Neural Networks1. 神经网络torch.nn包可以用来构建神经网络，nn包依赖于autograd包去定义模型并对其进行求导一个nn.Module包含很多层，和一个以input作为输入的前向方法forward，并返回输出output下面是一个分类数字图像的网络卷积网
转载
2023-12-15 21:42:42
229阅读
起步神经网络算法( Neural Network )是机器学习中非常非常重要的算法。这是整个深度学习的核心算法，深度学习就是根据神经网络算法进行的一个延伸。理解这个算法的是怎么工作也能为后续的学习打下一个很好的基础。背景神经网络是受神经元启发的，对于神经元的研究由来已久，1904年生物学家就已经知晓了神经元的组成结构。1943年，心理学家McCulloch和数学家Pitts参考了生物神经元的结构，
转载
2023-12-29 20:38:54
86阅读
卷积核 kernel_size=3*3 输入特征图fmap[width,high]=[9,9] Verilog HDL Xilinx VIVADO源文件`timescale 1ns / 1ps
module conv_pe(
input clk,
input rst,
input input_en,//输出使能
input [7:0] kernel_00, //卷积核窗口3*3
inpu
转载
2023-10-15 08:59:39
165阅读
李根 量子位 报道 | 中国芯的消息，最近紧紧牵动每一个中国人的心。今天，阿里对外透露了芯片研发的最新进展：阿里巴巴达摩院正研发一款神经网络芯片——Ali-NPU。这款芯片将运用于图像视频分析、机器学习等AI推理计算。按照设计，该芯片的性价比将是目前同类产品的40倍。具体研发和推出时间，阿里未披露更多进展。不过阿里方面强调，此款芯片的研发，未来将会更好的实现AI智能在商业场景中的运用，提升运算效率
转载
2023-11-12 16:11:38
20阅读
---- 内容 &nbs
转载
2023-11-06 14:17:20
106阅读
关于神经网络epoch和batch的理解理解粗浅，仅为个人想法，提前感谢指正。epoch一个epoch代表全部数据进入网络一次，这个时候，整个网络结构只对这批数据全部走完一次，损失函数的下降还不够，因此需要多次epoch。需要多少个epoch才能使得网络训练到较为合理的地步，暂时没有定论，具体问题具体分析。batchbatch指的是将一个epoch(所有数据)分割成几份，每份的大小为batch s
转载
2023-09-08 15:01:27
56阅读
在本文中，我将主要讨论神经网络（特别是深层网络）中的丢失（dropout）概念，然后进行实验，以了解在标准数据集上实施深层网络并观察丢失的影响对实践的实际影响。神经网络中的dropout是什么？术语“dropout”是指在神经网络中删除单位（隐藏的和可见的）。 简而言之，dropout是指在随机选择的某些神经元的训练阶段忽略单元（即神经元）。 “ignore”是指在特定的向前或向后通过过程中不考虑
转载
2024-03-01 13:31:07
32阅读
卷积神经网络LeNet-5的RTL实现（一）：结构性电路前言毕业设计做的是卷积神经网络硬件加速相关内容，需要在ZYNQ7020平台上实现一个卷积神经网络。搜索资料的时候发现网上用RTL实现卷积神经网络的资料并不多，于是打算开个博客记录下项目实现过程。由于刚接触数字设计不久，在设计思路和具体实现方面还有许多不足，希望和大家一起交流进步。本系列博客包含七期内容，分别如下：前言以及项目用到的结构性电路介
转载
2024-01-28 01:13:13
166阅读
神经网络的底层搭建实现一个拥有卷积层CONV和池化层POOL的网络，包含前向和反向传播CONV模块包括： 使用0扩充边界：没有缩小高度和宽度；保留边界的更多信息 卷积窗口 前向卷积 反向卷积POOL模块包括： 前向池化 创建掩码 值分配 反向池化main.pyimport numpy as np
import matplotlib.pyplot as plt
plt.rcParams['figu
转载
2023-10-10 10:51:55
63阅读
鄙人小白一名，在传统机器学习向着神经网络学习的时候，发现了一些可能描述不太清晰或者在我自己运行后的不少问题主要是以这篇文章作为参照的：(8条消息) 【搭建神经网络开发环境--TensorFlow2框架】Windows系统+ Anaconda+ PyCharm+ Python_一颗小树x的博客（这篇文章的环境搭建完全符合“官标？”：Failed to load the native TensorFl
转载
2024-01-14 10:22:20
57阅读
结合网上的资料与李宏毅老师的课堂教学，总结一下optimization的方法。如果以对训练结果不满意，可以尝试用下述的方法，可以优先考虑方法1-4、方法6方法1：正则化(Regularization)正则化是防止神经网络overfitting的一种方法，由于模型的参数太多，所以就容易过拟合（可以想象一下决策树需要剪枝），其原理是在损失函数中增加一个惩罚项来限制过大的权重。通常有3种方法：L1正则化
转载
2023-10-31 23:11:14
55阅读
导读INT8量化是一种深度学习推理加速技术，可以将32位浮点数格式的神经网络权重和激活值转换为8位整数格式，从而大幅降低神经网络的计算量和存储空间需求。本文分享了神经网络的INT8量化教程，值得收藏学习。开篇刚开始接触神经网络量化是2年前那会，用NCNN和TVM在树莓派上部署一个简单的SSD网络。那个时候使用的量化脚本是参考于TensorRT和NCNN的PTQ量化（训练后量化）模式，使用交叉熵的方
转载
2024-01-12 19:28:45
87阅读
随着新的神经网络模型的不断提出，硬件设计技术的不断更新，神经网络硬件也越来越难以单纯的标准划分出具有实际意义的分类。从弗林(Flynn)在1972年提出的单指令流单数据流(SISD)、单指令流多数据流(SIMD)、多指令流单数据流(MISD)、多指令流多数据流(MIMD)的分类方法，到保罗(Paolo Ienne)在1995年提出的基于灵活性和性能进行串并行的分类方案，伊斯克·阿贝(Isik Ay
转载
2024-01-11 12:43:57
67阅读
摘要：本汇报为简单神经网络运算框架的理论说明。首先在整体性介绍中明确了框架的基本组成部分。通过各层输入数据与训练参数的运算过程描述了前向传播的进行，其中卷积层的前向传播采用矩阵乘法实现，需要对输入数据进行img2col预处理。反向传播部分为框架的难点，汇报从损失函数对各训练参数的梯度计算和各层误差项传递两方面进行说明，其中关键部分的代码实现也给出了具体说明。测试代码中随机生成了batch_size
转载
2023-12-26 21:57:36
56阅读
这天，老板跟你说，希望能在手机上跑深度神经网络，并且准确率要和 VGG、GoogleNet 差不多。接到这个任务后你有点懵逼，这些网络别说计算量大，就连网络参数也要 100MB 的空间才存得下，放在手机上跑？开玩笑呗。老板又说，怎么实现是你的事，我要的只是这个功能。你默默地点了点头。初步尝试：MobileNet v1问题出在哪要在手机上跑深度网络，需要在模型参数和计算量上进行优化。那深度神经网络的
转载
2024-01-19 15:59:47
135阅读
随着深度学习技术的飞速发展，越来越多的神经网络可以运行嵌入式设备上了，但是网上的教程多以安卓平台为主，这可能是因为手机平板等移动设备装机量巨大，所以大家都比较关注，而嵌入式linux上的相关资料和项目不是很多。最近由于工作需要，研究了一下这方面的东西，这里进行一下总结，也希望能过帮助到有需要的朋友，同时有相关经验的朋友也可以解答一些我的疑问，
转载
2023-11-21 14:34:14
402阅读
现在我们来毕竟方案3和4。
首先他们的共同点是卷积核内部分并行，因此我们从这里开始分析，明确卷积核内部如何部分并行。
首先来看卷积的计算公式：
转载
2023-07-31 17:09:14
806阅读
