CNN

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。

高效边缘AI：用Gemmini加速器在FPGA上部署CNN

由 judy 提交于周二, 20 八月 2024 - 08:57

本文主要介绍了在边缘设备上部署卷积神经网络（CNN）的一种方法，使用现场可编程门阵列（FPGA）和Gemmini加速器

加州大学颠覆性大模型架构，FPGA重回AI舞台？

由 judy 提交于周四, 27 六月 2024 - 10:38

最近加州大学发布了一篇文章，文章介绍了一种名为MatMul-free语言模型的新技术。

基于CNN的图像超分辨率

由 judy 提交于周一, 11 三月 2024 - 14:43

本文介绍对超分辨率卷积神经网络 (SRCNN) 的三种实现方式

在 FPGA 上通过 2D CNN 进行高效视频理解的 TSM 网络

由 judy 提交于周五, 7 七月 2023 - 09:35

在这个项目中，将在线和离线 TSM 网络部署到 FPGA，通过 2D CNN 执行视频理解任务

本文介绍DPUCVDX8H，这是一个专门为Xilinx® Versal®平台设计的高性能CNN推理加速器。描述了DPU的特性、IP事实、使用该内核进行设计以及开发流程。

本示例工程中我们会在 TensorFlow2 下使用 Keras API 创建一个自定义 CNN 网络，在 Vitis-AI 1.3 环境下编译成 Xilinx DPU 上运行的模型文件，并在 Xilinx zynqMP 上部署运行。该示例工程应在 Vitis-AI1.3 Docker，vitis-ai-tensorflow2conda 环境中运行。

近来卷积神经网络（CNN）的研究十分热门。CNN发展的一个瓶颈就是它需要非常庞大的运算量，在实时性上有一定问题。而FPGA具有灵活、可配置和适合高并行度计算的优点，十分适合部署CNN。

在CNN网络中卷积运算占据了最大的计算量，压缩卷积参数可以获得显著的硬件加速器的性能提升。在即将介绍的这篇论文中，作者就是通过张量的降维来降低卷积计算量的。作者通过CP分解将一个4D张量分解成多个低维度的张量，并且最后通过微调参数来提升网络精度。

在本文中，我们开发了一个 FPGA 加速平台，该平台利用统一的framework架构，在数据中心实现通用卷积神经网络（CNN）推断加速。为了克服计算限制，4,096个DSP阵列用于不同类型卷积的超级单元（supertile units, SU），其在500MHz下提供高达4.2 TOP/s 16位定点性能。