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
88文章
35876浏览量
282867 -
SPICE
+关注
关注
6文章
193浏览量
43748
发布评论请先 登录
相关推荐
热点推荐
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
深度学习工作负载中GPU与LPU的主要差异
，一个新的竞争力量——LPU（Language Processing Unit，语言处理单元）已悄然登场，LPU专注于解决自然语言处理（NLP）任务中的顺序性问题，是构建AI应用不可或
GPU在深度学习中的应用 GPUs在图形设计中的作用
随着人工智能技术的飞速发展，深度学习作为其核心部分，已经成为推动技术进步的重要力量。GPU（图形处理单元）在深度
深度学习中的卷积神经网络模型
深度学习近年来在多个领域取得了显著的进展，尤其是在图像识别、语音识别和自然语言处理等方面。卷积神经网络作为深度学习的一个分支，因其在图像
深度学习中RNN的优势与挑战
循环神经网络（RNN）是深度学习领域中处理序列数据的基石。它们通过在每个时间步长上循环传递信息，使得网络能够捕捉时间序列数据中的长期依赖关系。然而，尽管RNN在某些任务上表现出色，它们
NPU在深度学习中的应用
随着人工智能技术的飞速发展，深度学习作为其核心驱动力之一，已经在众多领域展现出了巨大的潜力和价值。NPU（Neural Processing Unit，神经网络处理单元）是专门为
pcie在深度学习中的应用
深度学习模型通常需要大量的数据和强大的计算能力来训练。传统的CPU计算资源有限，难以满足深度学习的需求。因此，GPU（图形处理
使用LSTM神经网络处理自然语言处理任务
自然语言处理（NLP）是人工智能领域的一个重要分支，它旨在使计算机能够理解、解释和生成人类语言。随着深度学习技术的发展，特别是循环神经网络（RNN）及其变体——长短期记忆（LSTM）网络的出现
GPU深度学习应用案例
能力，可以显著提高图像识别模型的训练速度和准确性。例如，在人脸识别、自动驾驶等领域，GPU被广泛应用于加速深度学习模型的训练和推理过程。 二、自然语言处理 自然语言处理（NLP）是
FPGA加速深度学习模型的案例
FPGA（现场可编程门阵列）加速深度学习模型是当前硬件加速领域的一个热门研究方向。以下是一些FPGA加速深度学习模型的案例： 一、基于FPGA的AlexNet卷积运算加速 项目名称
微处理器的执行单元是什么
微处理器的执行单元（Execution Unit，简称EU）是微处理器中负责执行指令的核心部分，它集成了多种功能单元，共同协作完成算术运算、逻辑运算以及指令的译码和执行等
FPGA做深度学习能走多远？
。FPGA的优势就是可编程可配置，逻辑资源多，功耗低，而且赛灵思等都在极力推广。不知道用FPGA做深度学习未来会怎样发展，能走多远，你怎么看。
A：FPGA 在深度学习领域具有
发表于 09-27 20:53
工商网监
评论