文件名称：fpga-gpu-benchmarking
文件大小：1.25MB
文件格式：ZIP
更新时间：2024-06-01 04:21:05
基于FPGA的机器学习加速 我们处于3至4个阶段。 当前阶段是小型化-建立节能的电子和软件代理以及先进的传感器融合，从而允许多个互连的对象像一台机器一样工作。 计算正的边缘发展，这主要是由于数据的重要性（带宽增长的步伐落后于数据创建的步伐）。 其他因素包括隐私（没有人希望通过不安全的网络发送），延迟，可靠性（在目的地，在自动驾驶汽车中决定生死攸关）。 为了使小型物联网代理更智能，他们需要做更多的计算，而能效是至关重要的成功因素。 除了提高能源效率外，还有设备的智能性。 我们使事物通电，然后将其数字化，然后再认识事物。 语音识别，实时翻译，对象识别，情感识别现在可在智能手机和小型eem设备上使用。 如今，这些算法中的大多数是由深度学习驱动的，深度学习是受神经科学启发的机器学习，这是由于计算能力和大数据而成为可能。 将这些算法从数据中心转移到小型智能“事物”并不是一件容易的事。 在某些情况下
【文件预览】：
fpga-gpu-benchmarking-master
----README-MOVIDIUS.md(5KB)
----img()
--------movidius-squeezenet-overal-process.png(9KB)
--------movidius-measurements.jpg(122KB)
--------movidius-googlenet-image-loading.png(13KB)
--------movidius-alexnet-image-loading.png(14KB)
--------CPU-per-TPU-processing-time.png(39KB)
--------fpga-img-usd.png(18KB)
--------movidius-googlenet-image-processing.png(9KB)
--------movidius-costs-dollars-per-image.png(19KB)
--------movidius-alexnet-image-processing.png(9KB)
--------gpu-img-usd.png(21KB)
--------movidius-squeezenet-image-loading.png(13KB)
--------fpga-perf-table.png(7KB)
--------movidius-googlenet-overal-process.png(8KB)
--------movidius-performance-per-watt.png(10KB)
--------CPU-TPU-processing-time.png(46KB)
--------movidius-alexnet-overal-process.png(11KB)
--------movidius-heating.png(15KB)
--------movidius-power-consumption.png(18KB)
--------movidius-and-fpga.jpg(183KB)
--------movidius-costs-images-per-dollar.png(19KB)
--------movidius-GPU-FPGA.png(620KB)
--------gpu-perf-table.png(7KB)
--------gpu-fpga-compare.png(11KB)
--------CPU-TPU-images-per-dollar.png(41KB)
--------movidius-images-per-sec.png(18KB)
--------movidius-squeezenet-image-processing.png(9KB)
----README-TPU.md(3KB)
----README.md(7KB)
----README-OPENCL.md(3KB)