独特的方式操纵SRAM单元以处理深度学习任务
一种新颖的深度学习加速器。专用单元定义了一个SRAM，该单元可以处理矩阵乘法，量化，存储以及推理处理器所需的其他工作。
在Spice仿真中，当使用8位整数数学识别手写数字时，该设计可提供100兆次操作/秒/瓦（TOPS / W）。它的计算密度可以击败Google的TPU一个数量级。
该设计是使用内存中计算方法的加速器产品线中最新的一种。设计使用40纳米NOR闪存单元的深度学习处理器，其目标是为监视摄像机等设备使用低功耗芯片。
设计时使用了很少的模拟电路，因此可以扩展到精细的工艺节点。它可能成为低功耗处理器中引擎（从边缘到云）的引擎。
独特的方式操纵SRAM单元以处理深度学习任务
这个设计使用户可以为从权重到神经网络层甚至单个神经元的所有内容创建自定义参数。这种灵活性可以使将来设计用于训练处理器的设计成为可能。但是尚无用于对该设计进行编程的软件堆栈，可能会在以后解决或留给将来的客户使用。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
AI
+关注
关注
89文章
38153浏览量
296818 -
SPICE
+关注
关注
6文章
198浏览量
44308
发布评论请先 登录
相关推荐
热点推荐
如何深度学习机器视觉的应用场景
深度学习视觉应用场景大全 工业制造领域 复杂缺陷检测：处理传统算法难以描述的非标准化缺陷模式 非标产品分类：对形状、颜色、纹理多变的产品进行智能分类 外观质量评估：基于学习的外观质量标
双口SRAM静态随机存储器存储原理
在各类存储设备中，SRAM（静态随机存储器）因其高速、低功耗和高可靠性，被广泛应用于高性能计算、通信和嵌入式系统中。其中，双口SRAM静态随机存储器凭借其独特的双端口设计，在高带宽和多任务
SRAM是什么,SRAM的芯片型号都有哪些
在处理器性能持续攀升的今天，存储系统的速度已成为制约整体算力的关键瓶颈之一。作为最接近CPU核心的存储单元，SRAM（静态随机存取存储器）承担着高速缓存的重要角色，其性能直接影响数据处理
PSRAM融合SRAM与DRAM优势的存储解决方案
PSRAM（伪静态随机存储器）是一种兼具SRAM接口协议与DRAM内核架构的特殊存储器。它既保留了SRAM无需复杂刷新控制的易用特性，又继承了DRAM的高密度低成本优势。这种独特的设计使PSRAM在嵌入式系统和移动设备领域获得了
深度学习对工业物联网有哪些帮助
、实施路径三个维度展开分析： 一、深度学习如何突破工业物联网的技术瓶颈？ 1. 非结构化数据处理：解锁“沉睡数据”价值 传统困境 ：工业物联网中70%以上的数据为非结构化数据（如设备振动波形、红外图像、日志文本），传统方法难以
瑞芯微NPU使用攻略
RKNPU概述RKNPU（RockchipNeuralProcessingUnit）是瑞芯微（Rockchip）公司专为神经网络处理设计的硬件加速单元，旨在提升人工智能和机器学习任务的
新能源车软件单元测试深度解析：自动驾驶系统视角
。
自动驾驶软件的特殊性
感知层： 激光雷达、摄像头等传感器数据处理算法的单元测试需覆盖极端场景。例如，激光雷达点云滤波算法在雨雪天气下的噪声抑制能力需通过边界测试验证。某厂商曾在测试中遗漏
发表于 05-12 15:59
TPU处理器的特性和工作原理
张量处理单元（TPU，Tensor Processing Unit）是一种专门为深度学习应用设计的硬件加速器。它的开发源于对人工智能（AI）和机器学
嵌入式AI技术之深度学习：数据样本预处理过程中使用合适的特征变换对深度学习的意义
作者：苏勇Andrew 使用神经网络实现机器学习，网络的每个层都将对输入的数据做一次抽象，多层神经网络构成深度学习的框架，可以深度理解数据中所要表示的规律。从原理上看，使用
军事应用中深度学习的挑战与机遇
人工智能尤其是深度学习技术的最新进展，加速了不同应用领域的创新与发展。深度学习技术的发展深刻影响了军事发展趋势，导致战争形式和模式发生重大变化。本文将概述
BP神经网络与深度学习的关系
），是一种多层前馈神经网络，它通过反向传播算法进行训练。BP神经网络由输入层、一个或多个隐藏层和输出层组成，通过逐层递减的方式调整网络权重，目的是最小化网络的输出误差。 二、深度学习的定义与发展
AI自动化生产：深度学习在质量控制中的应用
随着科技的飞速发展，人工智能（AI）与深度学习技术正逐步渗透到各个行业，特别是在自动化生产中，其潜力与价值愈发凸显。深度学习软件不仅使人工和基于规则的算法难以胜任的大量生产
工商网监
评论