神经网络是一种受到生物神经系统启发而设计的计算模型，用于机器学习和人工智能领域。神经网络由大量的人工神经元（模拟生物神经元）组成，这些神经元通过连接权重相互连接，形成网络结构。神经网络的目标是通过学习和调整权重来模拟和解决复杂的问题。
FPGA并没有像软件那样用已有的cache，FPGA的HLS编译器会在FPGA中创建一个快速的memory architecture以最好的适应算法中的数据样式（data layout）
物理信息神经网络 (PINN) 是一种神经网络，它将微分方程描述的物理定律纳入其损失函数中，以引导学习过程得出更符合基本物理定律的解
本文将探讨神经形态计算的发展历程、关键器件及其测试参数，并讨论当前面临的挑战和解决方案。
前一篇文章介绍了LeNet和AlexNet是非常适合入门的神经网络，今天稍微进阶一点，复杂一些。
今天我们分享几个用FPGA实现的小型神经网络，侧重应用。
神经网络是一个具有相连节点层的计算模型，其分层结构与大脑中的神经元网络结构相似
为专用硬件架构设计神经网络，是近年来的热门话题，特别是在边缘器件上。在本次演讲视频中，您将了解如何借助 Once-for-All 神经网络，以低成本形式为 Xilinx 普及型 AI 平台 Vitis AI 搜索和部署高效率模型。
本白皮书介绍了一种7位小浮点（SFP）数字表示法，可以实现深度神经网络模型，其精度与INT8相同，但ResNet-50的性能高出60%。
AI 软件创新者Mipsology今天宣布与FPGA服务培训、设计和技术服务供应商E-Elements达成设计合作伙伴关系。E-Elements将Xilinx solutions与Mipsology公司的Zebra AI 推理加速器结合在一起，为亚洲医疗、机器人和自动交通行业设计产品与服务。
神经网络可以被归类为一组大致模仿人脑建模方式的算法，能够通过引入新数据来完成“学习”过程。因此，开发专用的“计算高效型”神经网络模型，会为机器学习带来诸多好处。