自适应计算如何解决人工智能产品化的问题
发布时间：2021-06-10 13:47:44 所属栏目：大数据 来源：互联网
导读：人工智能技术如今发展迅速，创新步伐不断加快。尽管软件行业已经成功地部署了人工智能，但是就人工智能的产品化来说，包括汽车、工业、智能零售在内的硬件行业仍处于起步阶段。仍然存在很大差距，并阻碍了人工智能算法概念验证(PoC)成为真正的硬件部署。这些
|
稀疏神经网络是另一种很有前途的优化方法，它通过修剪网络边缘、去除卷积中的细粒度矩阵值等方法对网络进行大量修剪，有时修剪率高达99%。然而，要在硬件中高效运行，需要专门的稀疏架构，大多数芯片根本没有用于这些操作的编码器和解码器。
二进制/三进制是极限的优化，可以将所有数学运算转换为位运算。大多数人工智能芯片和GPU仅具有8位、16位或浮点计算单元，因此通过执行极低的精度将不会获得任何性能或功效。FPGA和可适应的SoC非常完美，因为开发人员可以开发出完美的DSA，并为工作量非常大的现有设备进行重新编程。作为证明，最新的MLPerf包括Xilinx与Mipsology合作提交的文件，该文件使用ResNet-50标准基准测试实现了100%的硬件数据表性能。
没有硬件专业知识?不要担心
从历史上看，FPGA和自适应SoC的最大挑战是需要硬件专家来实施和部署DSA。好消息是，现在有一些工具(例如Vitis统一软件平台)支持C ++、Python和流行的人工智能框架(如TensorFlow和PyTorch)，从而缩小了软件和人工智能开发人员的差距。
除了在软件抽象工具方面进行更多开发之外，诸如Vitis硬件加速库之类的开源库也极大地促进了开发人员社区的采用。在最近的设计竞赛中，Xilinx公司吸引了1000多名开发人员参与，并发布了许多创新项目，从手势控制的无人机到使用二值神经网络的强化学习。重要的是，提交的大多数项目都是由以前没有FPGA经验的软件和人工智能开发人员提供的。这证明FPGA行业正在采取正确的措施，使软件和人工智能开发人员能够解决现实世界中人工智能产品化的挑战。
 （编辑：惠州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
