神经网络

使用FPGA进行神经网络加速需要编译器的支持，因为一个复杂的神经网络会产生大量的指令，手写指令不能满足通用化要求，费时又费力。编译器依据神经网络的图结构，产生硬件可执行指令序列。从广义上讲，编译器包括了前端和后端，前端主要实现从tensorflow等深度学习框架描述的网络结构形式到新表示的转化

每美元的可视搜索吞吐量比 Amazon EC2 G4 实例快 10 倍。

本文描述了为实现深度学习神经网络推理应用程序中的矩阵乘法加速而设计的大型乘法脉动阵列的实现和评估。

基于赛灵思技术的系统可以结合人工智能，通过采用“可预测性维护”的方案减少设备停机时间，从而最大限度地提高生产力。赛灵思的基于 Python 和神经网络的Edge AI 解决方案简化了硬件加速的可预测维护方案的实现，从而可以持续性地监控重要资产，分析数据，以及智能地为这些系统规划服务。

Xilinx公司希望引发开发人员在神经网络性能之外关注更多重要指标，从而在面向机器学习推理任务的半导体市场当中占据可观的市场份额。毕竟，芯片的最终目标在于支持应用，而不仅仅是神经网络本身

对于工厂、医院以及其它环境内重要资产的细微性能或行为变化，机器识别的速度远远快于人类。Xilinx 助力的系统可结合智能性，通过应用预测性维护来最大限度提升生产力并减少停机时间。基于 Python 以及神经网络的 Xilinx 边缘 AI 解决方案可简化硬件加速预测性维护的实现

神经网络（NN）几乎可以在每个领域帮助我们用创造性的方式解决问题。本文将介绍神经网络的相关知识。读后你将对神经网络有个大概了解，它是如何工作的？如何创建神经网络？

神经网络的基本思想是模拟计算机“大脑”中多个相互连接的细胞，这样它就能从环境中学习，识别不同的模式，进而做出与人类相似的决定。

典型的神经网络是由数千互连的人工神经元组成，神经元是构成神经网络的基本单位。这些神经元按顺序堆叠在一起，以称为层的形式形成数百万个连接。单位划分如下:
1. 输入单元：用于接收外部环境的信息；
2. 隐藏单元：隐藏层将所需的计算及输出结果传递给输出层；
3. 输出单元：输出信号表明网络是如何响应最近获得的信息。
<center><img src="http://xilinx.eetrend.com/files-eetrend-xilinx/news/201809/13381-39375-…; alt=""></center>