资料介绍
希望在边缘推理处理器上实施人工智能 (AI) 算法的设计人员一直面临着降低功耗和缩短开发时间的压力,即使处理需求在增加。现场可编程门阵列 (FPGA) 为实现边缘 AI 所需的神经网络 (NN) 推理引擎提供了一种特别有效的速度和功率效率组合。然而,对于不熟悉 FPGA 的开发人员来说,传统的 FPGA 开发方法可能看起来很复杂,常常导致开发人员转向不太理想的解决方案。希望在边缘推理处理器上实施人工智能 (AI) 算法的设计人员一直面临着降低功耗和缩短开发时间的压力,即使处理需求在增加。现场可编程门阵列 (FPGA) 为实现边缘 AI 所需的神经网络 (NN) 推理引擎提供了一种特别有效的速度和功率效率组合。然而,对于不熟悉 FPGA 的开发人员来说,传统的 FPGA 开发方法可能看起来很复杂,常常导致开发人员转向不太理想的解决方案。本文介绍了本文介绍了Microchip TechnologyMicrochip Technology的一种更简单的方法,它让开发人员绕过传统的 FPGA 开发,使用 FPGA 和软件开发工具包 (SDK) 创建经过训练的神经网络,或者使用基于 FPGA 的视频工具包立即进入智能嵌入式视觉应用程序开发。的一种更简单的方法,它让开发人员绕过传统的 FPGA 开发,使用 FPGA 和软件开发工具包 (SDK) 创建经过训练的神经网络,或者使用基于 FPGA 的视频工具包立即进入智能嵌入式视觉应用程序开发。为什么要在边缘使用 AI?为什么要在边缘使用 AI?边缘计算为工业自动化、安全系统、智能家居等不同领域的物联网 (IoT) 应用程序带来了许多好处。在以工厂车间为目标的工业物联网 (IIoT) 应用程序中,边缘计算可以通过消除基于云的应用程序的往返延迟来显着缩短过程控制循环中的响应时间。同样,基于边缘的安全系统或智能家居门锁即使在与云的连接意外或有意断开时也能继续发挥作用。在许多情况下,在任何这些应用程序中使用边缘计算都可以通过减少产品对云资源的依赖来帮助降低总体运营成本。而不是随着对其产品的需求增加而面临对额外昂贵的云资源的意外需求,边缘计算为工业自动化、安全系统、智能家居等不同领域的物联网 (IoT) 应用程序带来了许多好处。在以工厂车间为目标的工业物联网 (IIoT) 应用程序中,边缘计算可以通过消除基于云的应用程序的往返延迟来显着缩短过程控制循环中的响应时间。同样,基于边缘的安全系统或智能家居门锁即使在与云的连接意外或有意断开时也能继续发挥作用。在许多情况下,在任何这些应用程序中使用边缘计算都可以通过减少产品对云资源的依赖来帮助降低总体运营成本。而不是随着对其产品的需求增加而面临对额外昂贵的云资源的意外需求,对机器学习 (ML) 推理模型的快速接受和不断增长的需求极大地放大了边缘计算的重要性。对于开发人员而言,推理模型的本地处理有助于减少基于云的推理所需的响应延迟和云资源成本。对于用户而言,使用本地推理模型可以增加他们的产品将继续运行的信心,尽管互联网连接偶尔会中断或产品供应商的基于云的产品发生变化。此外,对安全和隐私的担忧会进一步推动对本地处理和推理的需求,以限制通过公共互联网传输到云端的敏感信息量。对机器学习 (ML) 推理模型的快速接受和不断增长的需求极大地放大了边缘计算的重要性。对于开发人员而言,推理模型的本地处理有助于减少基于云的推理所需的响应延迟和云资源成本。对于用户而言,使用本地推理模型可以增加他们的产品将继续运行的信心,尽管互联网连接偶尔会中断或产品供应商的基于云的产品发生变化。此外,对安全和隐私的担忧会进一步推动对本地处理和推理的需求,以限制通过公共互联网传输到云端的敏感信息量。开发用于基于视觉的对象检测的神经网络推理模型是一个从模型训练开始的多步骤过程,通常使用公开可用的标记图像或自定义标记图像在 ML 框架(例如 TensorFlow)上执行。由于处理需求,模型训练通常使用云端或其他高性能计算平台中的图形处理单元 (GPU) 执行。训练完成后,模型将转换为能够在边缘或雾计算资源上运行的推理模型,并将推理结果作为一组对象类别概率提供(图 1)。开发用于基于视觉的对象检测的神经网络推理模型是一个从模型训练开始的多步骤过程,通常使用公开可用的标记图像或自定义标记图像在 ML 框架(例如 TensorFlow)上执行。由于处理需求,模型训练通常使用云端或其他高性能计算平台中的图形处理单元 (GPU) 执行。训练完成后,模型将转换为能够在边缘或雾计算资源上运行的推理模型,并将推理结果作为一组对象类别概率提供(图 1)。图 1:为边缘 AI 实施推理模型位于需要使用可用或自定义训练数据在框架上训练和优化神经网络的多步骤过程的最后。(图片来源:微芯科技)图 1:为边缘 AI 实施推理模型位于需要使用可用或自定义训练数据在框架上训练和优化神经网络的多步骤过程的最后。(图片来源:微芯科技)
下载该资料的人也在下载
下载该资料的人还在阅读
更多 >
- 使用 PWM 技术构建高性能流量变送器
- Core-3399Pro-JD4六核高性能AI核心板
- 基于FPGA的高性能全数字锁相环 45次下载
- 准谐振反激式开关电路分析及高能效设计指南 72次下载
- 安森美半导体的降压调整器NCP323X:全集成、大电流、宽输入、高能效资料下载
- 高性能低成本的蓝牙模块CSR6576原理图 16次下载
- 高性能FPGA的典型应用详细资料说明 24次下载
- 885071高性能、高功率的体声波WLAN LTE共存带通滤波器
- 基于FPGA的高性能计算 pdf 15次下载
- 安森美能效电源选型手册 37次下载
- 如何设计高能效的便携设备 4次下载
- 最新高能效笔记本AC电源适配器设计要求 2次下载
- 高能效电源及LED照明方案概览
- 高能效直流模块式光伏发电系统性能评估
- 高能效的LED区域照明
- 什么是边缘AI?边缘AI的供电挑战 215次阅读
- ai边缘盒子有哪些用途?ai视频分析边缘计算盒子详解 604次阅读
- FPGA设计存在的4类时序路径 793次阅读
- 一个高性能异步计算框架介绍 710次阅读
- 利用FPGA构建边缘AI推理的解决方案 1063次阅读
- 边缘AI应用的开发流程 2064次阅读
- 三栅极的应用优势及对高性能FPGA性能的影响以及 1662次阅读
- FPGA能满足边缘AI计算吗? 3560次阅读
- 关于eFPGA性能分析和SoC架构师的分析介绍 856次阅读
- Achronix公司将推出专注AI机器学习和高带宽应用突破性FPGA的说明 892次阅读
- 系统设计日益复杂 要求高性能FPGA的设计与PCB设计并行进行 1131次阅读
- Altera宣布为高性能FPGA提供高效的电源转换解决方案 5028次阅读
- 商汤联合提出基于FPGA的Winograd算法:改善FPGA上的CNN性能 降低算法复杂度 9018次阅读
- 适合高性能FPGA开发的HTG-703 1495次阅读
- 安森美半导体应用于家电的高能效电机驱动方案 1425次阅读
下载排行
本周
- 1山景DSP芯片AP8248A2数据手册
- 1.06 MB | 532次下载 | 免费
- 2RK3399完整板原理图(支持平板,盒子VR)
- 3.28 MB | 339次下载 | 免费
- 3TC358743XBG评估板参考手册
- 1.36 MB | 330次下载 | 免费
- 4DFM软件使用教程
- 0.84 MB | 295次下载 | 免费
- 5元宇宙深度解析—未来的未来-风口还是泡沫
- 6.40 MB | 227次下载 | 免费
- 6迪文DGUS开发指南
- 31.67 MB | 194次下载 | 免费
- 7元宇宙底层硬件系列报告
- 13.42 MB | 182次下载 | 免费
- 8FP5207XR-G1中文应用手册
- 1.09 MB | 178次下载 | 免费
本月
- 1OrCAD10.5下载OrCAD10.5中文版软件
- 0.00 MB | 234315次下载 | 免费
- 2555集成电路应用800例(新编版)
- 0.00 MB | 33566次下载 | 免费
- 3接口电路图大全
- 未知 | 30323次下载 | 免费
- 4开关电源设计实例指南
- 未知 | 21549次下载 | 免费
- 5电气工程师手册免费下载(新编第二版pdf电子书)
- 0.00 MB | 15349次下载 | 免费
- 6数字电路基础pdf(下载)
- 未知 | 13750次下载 | 免费
- 7电子制作实例集锦 下载
- 未知 | 8113次下载 | 免费
- 8《LED驱动电路设计》 温德尔著
- 0.00 MB | 6656次下载 | 免费
总榜
- 1matlab软件下载入口
- 未知 | 935054次下载 | 免费
- 2protel99se软件下载(可英文版转中文版)
- 78.1 MB | 537798次下载 | 免费
- 3MATLAB 7.1 下载 (含软件介绍)
- 未知 | 420027次下载 | 免费
- 4OrCAD10.5下载OrCAD10.5中文版软件
- 0.00 MB | 234315次下载 | 免费
- 5Altium DXP2002下载入口
- 未知 | 233046次下载 | 免费
- 6电路仿真软件multisim 10.0免费下载
- 340992 | 191187次下载 | 免费
- 7十天学会AVR单片机与C语言视频教程 下载
- 158M | 183279次下载 | 免费
- 8proe5.0野火版下载(中文版免费下载)
- 未知 | 138040次下载 | 免费
评论
查看更多