客户数量突破50家，用于其100余款人工智能芯片, 应用在10个主要市场领域2021年11月12日，中国上海 - 领先的芯片设计平台即服务（Silicon Platform as a Service，SiPaaS®）企业芯原股份（股票代码：688521）今日宣布其面向人工智能应用的神经网络处理器（Vivante1 NPU）IP取得了里程碑式的市场成绩：已被50家客户
转载
2024-01-11 06:43:13
11阅读
目录脉动阵列（谷歌TPU系列）特点达芬奇架构（华为Ascend系列）特点昇腾310和昇腾910NVDLANVIDIA VOLTA （GPU）脉动阵列（谷歌TPU系列）
深入理解Google TPU的脉动阵列架构：http://chips.dataguru.cn/article-11106-1.html
特点达芬奇架构（华为Ascend系列）华为的通用AI之路:深度解读达芬奇架构硬件篇：http:/
转载
2023-08-27 18:29:06
117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：本文结合当前计算机智能化领域的发展情况，提出了在新的智能计算硬件平台上进行神经网络的计算，并以Gerstner的尖峰神经元模型为基础设计出硬件电路，以加快神经网络的计算能力。关键词：人工神经网络；尖峰神经元模型近年来，人们在计算机智能化领域上取得了很大的进步，但计算机领域还有很多问题无法解决，例如视觉、语言识别和计算机等技术，人们仍不能将计算机系统设计得像生物系统那样灵活。因此，大批研究者
转载
2023-10-25 20:42:25
90阅读
一 基本网络层数学模型 输入特征图尺寸为N*H*L，卷积计算通过M个尺寸为K*K*N的3维卷积核完成，每个卷积核在输入特征图上以S为步长滑动并进行3维卷积计算，最终生成尺寸为R*C*M的输出特征图。
转载
2023-10-16 19:28:05
67阅读
深度神经网络模型的部署与落地是一个系统工程。除去伦理、隐私等其他层面的考虑外，如何使深度神经网络模型运行于有别于训练环境的设备上，尤其是移动设备和嵌入式设备等弱硬件（weak hardware），且保持可接受的模型性能与推理时间，是技术层面上最值得重视的问题。针对这一问题，目前的方法分别从四个方面出发：一是面向深度神经网络模型的压缩与加速；二是加速库/框架的研发；三是研发具有更强计算性能与AI推理
转载
2024-04-23 10:24:53
29阅读
集微网消息，近年来，随着人工智能领域的兴起，越来越多的AI芯片公司出现在了人们的视野之中，AI芯片被广泛应用于金融、购物、安防、早教以及无人驾驶等领域。而这其中，深鉴科技也凭借着先进的技术在市场中崭露头角。深鉴科技的AI芯片基于FPGA设计，其设计的亚里士多德架构是针对卷积神经网络而设计的，其设计的笛卡尔架构是专为处理DNN/RNN网络而设计的，可对经过结构压缩后的稀疏神经网络进行极致高效的硬件加
转载
2023-10-16 00:04:53
156阅读
之前我们讨论了很多深度神经网络处理器的实现问题（深度神经网络的模型·硬件联合优化）。今天我想把关注的重点放回到设计的第一步，看看如何分析深度神经网络处理器的需求（requirements）和约束（constraints）。 ••• 重要性 深度神经网络的inference（推断）功能已经逐渐从通用平台（CPU，GPU）向专用平台（FPGA，DSP，专用处理器和加速器）延伸。inference应用五
转载
2023-11-13 16:46:50
162阅读
# 神经网络硬件加速
随着人工智能技术的飞速发展，神经网络在图像识别、自然语言处理等领域的应用变得越来越广泛。然而，随着神经网络的复杂度不断增加，传统的硬件已经无法满足其运算需求。为了加快神经网络的运算速度，研究人员开始探索神经网络硬件加速的方法。
## 硬件加速的原理
神经网络中的运算主要包括矩阵乘法和激活函数等操作，这些操作可以通过硬件加速器来实现。硬件加速器通过专门设计的硬件电路来加速
原创
2024-02-24 05:19:41
105阅读
手写数字识别假设机器学习已经结束，我们使用学习到的参数，先实现神经网络的“推理处理”。这个推理处理也称为神经网络的前向传播（forward propagation）。 使用神经网络解决问题时，也需要首先使用训练数据（学习数据）进行权重参数的学习；进行推理时，使用刚才学习到的参数，对输入数据进行分类。 ————————————————————————————————————————————MNIST
转载
2023-11-27 09:43:32
30阅读
深度学习与反向传播1.深度学习深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。1.1
转载
2023-11-01 22:29:51
92阅读
神经网络优缺点，优点：（1）具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。（2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。（3）具有高速寻找优化解的能
转载
2023-10-16 19:36:02
40阅读
完全硬件实现的忆阻器卷积神经网络(CNNs)原文标题：Fully hardware-implemented memristor convolutional neural network 作者：Peng Yao.et al. 期刊：Nature 这篇是2020年初清华大学发表在nature上的文章，当时就看见很多媒体报道，这篇文章也是去年WOS(Web of Science)上忆阻器方面被引次数最多
转载
2023-10-26 21:38:32
237阅读
七、激活函数的使用 通过之前的学习我们都了解到了激活函数的作用，现在我们将会讲解一下激活函数在不同的神经网络中的应用： 1、首先是sigmoid 函数： a=11+e−z 它的图像可以表示为： 但是这个激活函数多使用在二分分类输出的神经网络，因为需要寻找1和0值，所以在一般的神经网络中我们很少使用这个激活函数。对应的导数为： g′(z)=a(1−a) 这为后面的计算节省了很多时间。 2
转载
2024-01-10 20:01:43
186阅读
卷积神经网络一、卷积神经网络与BP网络（传统前馈神经网络）相比具有以下特点：（1）、采取局部连接（稀疏连接），减少了所需参数； （2）、可直接处理二维数据，故常被用于图片处理操作； （3）、具有三个基本层——卷积层、池化层、全连接层：卷积层CNN算法常用于图片处理，其中卷积层是通过多个卷积核对输入的图片像素矩阵进行局部连接，通过权值共享与卷积的方式进行图片的特征提取得到特征映射数据。（所以卷积核又
转载
2023-09-15 15:36:43
439阅读
个实际应用中实现了高达55%的延迟降低，涵盖了检测模型、分类模型和语义分割等具体应用场景。 ...
如何使用FPGA加速机器学习算法如何使用FPGA加速机器学习算法 当前，AI因为其CNN(卷积神经网络)算法出色的表现在图像识别领域占有举足轻重的地位。基本的CNN算法需要大量的计算和数据重用，非常适合使用FPGA来实现。上个月，RalphWittig(XilinxCTOOffice的卓越工程师)在2016年OpenPower峰会上发表了约20分钟时长的演讲并讨论了包括清华大学在内的中国各大学研究
转载
2023-08-26 10:27:51
562阅读
谷歌实际操作已经有3年了为什么还是没有将网络的能力指数增加 原因是为什么 这萝卜还用说 坑一定是现在的神经网络本质就是无法指数级别优化的所以谷歌填坑这么多年仍然没有填好,但是走向正确的道理之前一定是经过错误,才能避免错误的 如果谷歌得到了什么启示,目前的神经网络会得到很大的改进,或者是颠覆的创造.人类的基因也是如此的, 我们的染色体经过不断的自我复制的过程中进步,但是基因不过是一个编码而已真正强大
原创
2022-04-06 10:13:22
436阅读
1 基本概念BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点就是：信号是前向传播，而误差是反向传播。前向传播过程中，输入信号经由输入层、隐藏层逐层处理，到输出层时，如果结果未到达期望要求，则进入反向传播过程，将误差信号原路返回，修改各层权重。2 BP神经网络结构BP神经网络包含输入层、隐藏层和输出层，其中，隐藏层可有多个，其中，输入层和输出层的节点个数是固定的（
原创
2021-03-23 20:00:09
3030阅读
谷歌实际操作已经有3年了为什么还是没有将网络的能力指数增加原因是为什么这萝卜还用说坑一定是现在的神经网络本质就是无法指数级别优化的所以谷歌填坑这么多年仍然没有填好,但是走向正确的道理之前一定是经过错误,才能避免错误的如果谷歌得到了什么启示,
原创
2021-04-22 20:32:04
852阅读
