DNNDK

在 "人工智能引发能源问题，我们该怎么办 （一）"中，我们简要介绍了更高层次的问题，这些问题为优化加速器的需求奠定了基础。作为一个尖锐的问题提醒，现在让我们通过一个非常简单的图像分类算法，来看一看与之相关联的计算成本与功耗。

2014 年，斯坦福大学教授 Mark Horowitz 发表了一篇题目为“计算的能源问题（以及我们该怎么办）”的论文。这篇具有深远意义的论文，讨论了当前半导体行业所面临的最热门的、与登纳德缩放比例定律 （Dennard Scaling ）和摩尔定律 （Moore’s Law） 失效相关的挑战。

面向 SDSoC 的 DNNDK 用户指南

使用 Xilinx 深度学习处理器（DPU）IP 构建自定义系统，使用面向 Xilinx SoC 的 DNNDK 优化经过训练的推断模型。
<iframe src='//players.brightcove.net/17209957001/SywTPUVC_default/index.html?videoId=6056721489001' allowfullscreen frameborder=0 width="600" height="400"></iframe>

<strong>ML Suite V1.4 更新</strong>

赛灵思机器学习套件（ML Suite） v1.4 已于 5 月 24 日发布，主要更新功能包括：

<li>DECENT 量化器的集成</li>

<li>xfDNN Runtime API 已升级，可支持多输出网络</li>

<li>简单易用的增强功能</li>

支持 Docker 镜像

支持 Caffe 的自定义 Python 层

用于网络权重的 HDF5 格式

<li>增加对新模型的支持</li>

Xilinx AI SDK是建立在深神经网络开发工具包（DNNDK）和深学习处理器（DPU）之上的一组高级库。通过将大量高效高质量的神经网络封装在DNNDK中，提供了一种简单易用的统一的接口，使用户在没有深度学习知识和FPGA知识的情况下使用深度学习神经网络变得容易

DNNDK是深鉴科技面向AI异构计算平台DPU自主研发的原创深度学习开发SDK，涵盖了深度神经网络Inference阶段的模型压缩（包括剪枝和定点化）、编译优化和高效运行时支持等各种功能需求，为DPU平台深度学习应用开发和部署提供高效全栈式解决方案。