卷积神经网络

卷积神经网络（CNN）是一种深度学习算法，特别擅长处理图像和视频数据。它通过模拟生物视觉系统的方式，利用卷积层、池化层等多层网络结构自动提取图像中的特征，进行分类、识别和预测。CNN被广泛应用于计算机视觉任务，如图像分类、人脸识别、物体检测等，已成为深度学习领域的重要模型之一。

本文基于此解释了卷积神经网络(CNN)及其对人工智能和机器学习的意义。

ZYNQ MPSOC 搭建 LeNet-5 卷积神经网络

由 wyh102 提交于周三, 25 十月 2023 - 08:40

LeNet-5 是一个非常经典和成功的卷积神经网络结构

由 guanxiao_505740 提交于周五, 9 六月 2023 - 14:15

Ultra96-V2支持使用PYNQ进行开发，PYNQ提供了一种利用Python在顶层通过overlay方式烧录FPGA相关的IP

赛灵思与魔视智能今日宣布，双方正合作推出一款面向汽车市场的解决方案。它将赛灵思车规级（ XA ） Zynq® 片上系统（ SoC ）平台与魔视智能的卷积神经网络（ CNN ）IP 相结合，专门用于前视摄像头系统的车辆感知与控制。

本文描述 DPUCAHX8H，这是一种用于具有 HBM 的 Alveo 卡的高吞吐量 CNN 推理 IP。DPUCAHX8H 针对小图像尺寸网络进行了优化。

本文介绍 DPUCVDX8G，这是一种可配置的计算引擎，针对具有 AI 引擎的 Versal ACAP 设备中的卷积神经网络进行了优化。

本文描述了用于卷积神经网络的 DPU。

对于 AI 推断，在提供与浮点媲美的精度的同时，int8 的性能优于浮点。然而在资源有限的前提下，int8 不能满足性能要求，int4 优化是解决之道。通过 int4 优化，与现有的 int8 解决方案相比，赛灵思在实际硬件上可实现高达 77% 的性能提升。

INT8提供了比浮点数更好的性能，精度可与AI推论相比。但是，如果INT8在有限的资源下无法满足所需的性能，则INT4优化就是答案。通过INT4优化，与当前的INT8解决方案相比，Xilinx可以在实际硬件上实现高达77％的性能提升。

针对卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢、功耗大的问题，采用FPGA平台设计了并行化的卷积神经网络推断系统。通过运算资源重用、并行处理数据和流水线设计，并利用全连接层的稀疏性设计稀疏矩阵乘法器，大大提高运算速度，减少资源的使用