• 使用ESP32基于物聯(lián)網(wǎng)的智能車庫門開啟器

    車庫門太重，打開和關(guān)閉要費(fèi)很大的力氣。在這個萬物互聯(lián)的物聯(lián)網(wǎng)時代，我們也應(yīng)該改進(jìn)它。想象一下，只需點(diǎn)擊智能手機(jī)就可以輕松打開車庫門，這正是我們要在這個智能車庫門物聯(lián)網(wǎng)項(xiàng)目中構(gòu)建的，我們將使用ESP32開發(fā)板和Arduino IDE來構(gòu)建這個項(xiàng)目。以前我們也建立了一個類似的Wi-Fi車庫門開啟器項(xiàng)目，使用直流電機(jī)，你也可以檢查一下，如果你感興趣。

  • 適用FPGA的小型神經(jīng)網(wǎng)絡(luò)：加速邊緣智能的新篇章

    在人工智能（AI）技術(shù)日新月異的今天，神經(jīng)網(wǎng)絡(luò)作為其核心驅(qū)動力，正逐步滲透到各個行業(yè)與領(lǐng)域。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型往往受限于計算資源和功耗，難以在邊緣設(shè)備上實(shí)現(xiàn)高效運(yùn)行?，F(xiàn)場可編程門陣列（FPGA）作為一種高性能、低功耗的硬件加速器，為小型神經(jīng)網(wǎng)絡(luò)的部署提供了理想的平臺。本文將深入探討適用于FPGA的小型神經(jīng)網(wǎng)絡(luò)，以及它們在邊緣智能應(yīng)用中的獨(dú)特優(yōu)勢。

  • 使用PYNQ訓(xùn)練和實(shí)現(xiàn)二值神經(jīng)網(wǎng)絡(luò)（BNN）：加速邊緣智能的新途徑

    在人工智能（AI）的浪潮中，深度學(xué)習(xí)模型正逐漸滲透到各個行業(yè)和領(lǐng)域。然而，傳統(tǒng)的深度學(xué)習(xí)模型通常計算量大、功耗高，難以在資源受限的邊緣設(shè)備上實(shí)現(xiàn)高效運(yùn)行。為了解決這一問題，二值神經(jīng)網(wǎng)絡(luò)（BNN）應(yīng)運(yùn)而生。BNN通過將權(quán)重和激活值二值化（即取值為+1或-1），極大地降低了計算復(fù)雜度和功耗，使其更適合在邊緣設(shè)備上部署。本文將介紹如何使用PYNQ平臺來訓(xùn)練和實(shí)現(xiàn)BNN，并附上相關(guān)代碼示例。

  • CCIX在高速緩存一致性主機(jī)到FPGA接口中的應(yīng)用評估

    隨著數(shù)據(jù)中心、云計算和大數(shù)據(jù)等領(lǐng)域的快速發(fā)展，對高性能計算和異構(gòu)計算的需求日益增長。在這樣的背景下，緩存一致性互聯(lián)標(biāo)準(zhǔn)CCIX（Cache Coherent Interconnect for Accelerators）逐漸成為連接主機(jī)處理器（如CPU）和加速器設(shè)備（如FPGA）的關(guān)鍵技術(shù)。本文旨在評估CCIX在構(gòu)建高速緩存一致性主機(jī)到FPGA接口中的應(yīng)用，探討其優(yōu)勢、挑戰(zhàn)，并提供相關(guān)代碼示例。

  • 使用機(jī)器學(xué)習(xí)預(yù)測FPGA的執(zhí)行時間與功耗：一種創(chuàng)新的方法

    隨著科技的飛速發(fā)展，現(xiàn)場可編程門陣列（FPGA）在高性能計算、數(shù)據(jù)中心、人工智能等領(lǐng)域的應(yīng)用日益廣泛。然而，F(xiàn)PGA設(shè)計的復(fù)雜性和功耗問題一直是制約其性能提升的關(guān)鍵因素。近年來，機(jī)器學(xué)習(xí)（ML）技術(shù)的興起為FPGA的執(zhí)行時間與功耗預(yù)測提供了新的解決方案。本文將探討如何使用機(jī)器學(xué)習(xí)進(jìn)行FPGA的執(zhí)行時間與功耗預(yù)測，并分析其優(yōu)勢與挑戰(zhàn)。

  • 在MCU端部署GRU模型實(shí)現(xiàn)鼾聲檢測：科技與健康管理的融合

    隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)模型在各個領(lǐng)域的應(yīng)用日益廣泛。特別是在醫(yī)療健康領(lǐng)域，深度學(xué)習(xí)模型的引入為疾病的早期檢測、持續(xù)監(jiān)測和健康管理提供了全新的解決方案。鼾聲檢測作為睡眠呼吸障礙監(jiān)測的重要一環(huán)，也受益于深度學(xué)習(xí)技術(shù)的發(fā)展。本文將探討在微控制器單元（MCU）端部署門控循環(huán)單元（GRU）模型實(shí)現(xiàn)鼾聲檢測的技術(shù)背景、實(shí)現(xiàn)方法及其潛在應(yīng)用。

  • PIC64GX MPU 面向智能邊緣計算應(yīng)用

    智慧城市、遠(yuǎn)程監(jiān)控、自動駕駛汽車和智能視覺等多種應(yīng)用對智能邊緣計算的需求正在不斷增加。在本文中，我們重點(diǎn)介紹 Microchip Technology 全新 PIC64GX 系列 64 位微處理器的一些功能。

  • 利用光伏能源驅(qū)動無電池物聯(lián)網(wǎng)

    隨著物聯(lián)網(wǎng)(IoT)技術(shù)的快速發(fā)展，越來越多的設(shè)備連接到網(wǎng)絡(luò)中，使得我們的生活和工作變得更加智能化和便捷。然而，傳統(tǒng)物聯(lián)網(wǎng)設(shè)備大多依賴電池供電，這不僅增加了維護(hù)成本，還對環(huán)境造成了不小的負(fù)擔(dān)。近年來，利用光伏能源驅(qū)動無電池物聯(lián)網(wǎng)的概念逐漸興起，為解決這一問題提供了新的思路。本文將探討光伏能源在無電池物聯(lián)網(wǎng)中的應(yīng)用、優(yōu)勢、挑戰(zhàn)以及未來的發(fā)展方向。

  • 企業(yè)生成式 AI 應(yīng)用的架構(gòu)模式：DSFT、RAG、RAFT 和 GraphRAG

    最佳設(shè)計的企業(yè)架構(gòu)是任何組織 IT 系統(tǒng)的支柱，它支持實(shí)現(xiàn)組織業(yè)務(wù)目標(biāo)的基礎(chǔ)構(gòu)建塊。架構(gòu)包括最佳實(shí)踐、明確概述的策略、通用框架和指導(dǎo)方針，供工程團(tuán)隊(duì)和其他利益相關(guān)者選擇正確的工具來完成任務(wù)。企業(yè)架構(gòu)主要由支持業(yè)務(wù)線的架構(gòu)團(tuán)隊(duì)管理。在大多數(shù)組織中，架構(gòu)團(tuán)隊(duì)負(fù)責(zé)概述架構(gòu)模式和通用框架，這將有助于工程和產(chǎn)品團(tuán)隊(duì)不必花費(fèi)數(shù)小時的精力進(jìn)行概念驗(yàn)證，而是幫助他們采用基于模式設(shè)計核心構(gòu)建塊的策略。

  • 理解卷積神經(jīng)網(wǎng)絡(luò)

    神經(jīng)網(wǎng)絡(luò)是一種系統(tǒng)，或者說是神經(jīng)元的結(jié)構(gòu)，它使人工智能能夠更好地理解數(shù)據(jù)，從而解決復(fù)雜的問題。雖然網(wǎng)絡(luò)類型多種多樣，但本系列文章將僅關(guān)注卷積神經(jīng)網(wǎng)絡(luò) (CNN)。CNN 的主要應(yīng)用領(lǐng)域是模式識別和對輸入數(shù)據(jù)中包含的對象進(jìn)行分類。CNN 是一種用于深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)由一個輸入層、幾個卷積層和一個輸出層組成。卷積層是最重要的組件，因?yàn)樗鼈兪褂靡唤M獨(dú)特的權(quán)重和過濾器，使網(wǎng)絡(luò)能夠從輸入數(shù)據(jù)中提取特征。數(shù)據(jù)可以有多種不同的形式，例如圖像、音頻和文本。這種特征提取過程使 CNN 能夠識別數(shù)據(jù)中的模式。通過從數(shù)據(jù)中提取特征，CNN 使工程師能夠創(chuàng)建更有效、更高效的應(yīng)用程序。為了更好地理解 CNN，我們將首先討論經(jīng)典的線性規(guī)劃。

  • 機(jī)器學(xué)習(xí)和人工智能如何改變移動應(yīng)用中的醫(yī)療診斷

    長期以來，醫(yī)療保健一直是一個數(shù)據(jù)密集型領(lǐng)域，而如今，人工智能和機(jī)器學(xué)習(xí)的融合正在開辟新的領(lǐng)域，尤其是在診斷領(lǐng)域。作為開發(fā)人員，我們處于這一轉(zhuǎn)變的前沿，構(gòu)建移動應(yīng)用程序，幫助患者和醫(yī)療保健專業(yè)人員更快地做出更好的決策。從提高診斷準(zhǔn)確性到加快早期疾病檢測，人工智能驅(qū)動的移動應(yīng)用程序正成為現(xiàn)代醫(yī)療保健中不可或缺的工具。

  • 分布式互斥的高效容錯解決方案

    在分布式系統(tǒng)領(lǐng)域，確保在任何給定時間只有一個進(jìn)程可以訪問共享資源至關(guān)重要——這就是互斥發(fā)揮作用的地方。如果沒有可靠的方法來實(shí)施互斥，系統(tǒng)很容易遇到數(shù)據(jù)不一致或競爭條件等問題，從而可能導(dǎo)致災(zāi)難性的故障。隨著分布式系統(tǒng)變得越來越復(fù)雜，對管理共享資源訪問的強(qiáng)大算法的需求變得越來越重要。

  • 定義 2024 年的 7 種產(chǎn)品設(shè)計趨勢

    進(jìn)入 2024 年，令人著迷的技術(shù)融合為新型創(chuàng)新設(shè)備打開了大門。人工智能/機(jī)器學(xué)習(xí)、電池創(chuàng)新、先進(jìn)機(jī)器人技術(shù)和物聯(lián)網(wǎng)的并行路徑正在碰撞，為解決新舊挑戰(zhàn)提供了新穎的方法。

  • 通過智能分塊和元數(shù)據(jù)集成獲得更好的搜索結(jié)果

    通常，我們開發(fā)基于 LLM 的檢索應(yīng)用程序的知識庫包含大量各種格式的數(shù)據(jù)。為了向LLM提供最相關(guān)的上下文來回答知識庫中特定部分的問題，我們依賴于對知識庫中的文本進(jìn)行分塊并將其放在方便的位置。

  • 深度學(xué)習(xí)實(shí)踐者指南

    我們的世界正在經(jīng)歷一場由深度神經(jīng)網(wǎng)絡(luò)驅(qū)動的人工智能革命。隨著 Apple Intelligence 和 Gemini 的出現(xiàn)，人工智能已經(jīng)普及到每個擁有手機(jī)的人。除了消費(fèi)者人工智能之外，我們還將深度學(xué)習(xí)模型應(yīng)用于汽車、金融、醫(yī)療、制造業(yè)等多個行業(yè)。這促使許多工程師學(xué)習(xí)深度學(xué)習(xí)技術(shù)并將其應(yīng)用于解決項(xiàng)目中的復(fù)雜問題。為了幫助這些工程師，必須制定一些指導(dǎo)原則，以防止在構(gòu)建這些黑盒模型時出現(xiàn)常見的陷阱。

發(fā)布文章