• 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(gè)行業(yè)和領(lǐng)域。然而，傳統(tǒng)的深度學(xué)習(xí)模型通常計(jì)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(wèn)題，二值神經(jīng)網(wǎng)絡(luò)（BNN）應(yīng)運(yùn)而生。BNN通過(guò)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(jì)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(tái)來(lái)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(píng)估

    隨著數(shù)據(jù)中心、云計(jì)算和大數(shù)據(jù)等領(lǐng)域的快速發(fā)展，對(duì)高性能計(jì)算和異構(gòu)計(jì)算的需求日益增長(zhǎng)。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(píng)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(shì)、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(cè)FPGA的執(zhí)行時(shí)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(chǎng)可編程門陣列（FPGA）在高性能計(jì)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(jì)的復(fù)雜性和功耗問(wèn)題一直是制約其性能提升的關(guān)鍵因素。近年來(lái)，機(jī)器學(xué)習(xí)（ML）技術(shù)的興起為FPGA的執(zhí)行時(shí)間與功耗預(yù)測(cè)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(shí)間與功耗預(yù)測(cè)，并分析其優(yōu)勢(shì)與挑戰(zhàn)。

  • 在MCU端部署GRU模型實(shí)現(xiàn)鼾聲檢測(cè)：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(gè)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(cè)、持續(xù)監(jiān)測(cè)和健康管理提供了全新的解決方案。鼾聲檢測(cè)作為睡眠呼吸障礙監(jiān)測(cè)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(cè)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(jì)算應(yīng)用

    智慧城市、遠(yuǎn)程監(jiān)控、自動(dòng)駕駛汽車和智能視覺(jué)等多種應(yīng)用對(duì)智能邊緣計(jì)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(dòng)無(wú)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(lái)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(duì)環(huán)境造成了不小的負(fù)擔(dān)。近年來(lái)，利用光伏能源驅(qū)動(dòng)無(wú)電池物聯(lián)網(wǎng)的概念逐漸興起，為解決這一問(wèn)題提供了新的思路。本文將探討光伏能源在無(wú)電池物聯(lián)網(wǎng)中的應(yīng)用、優(yōu)勢(shì)、挑戰(zhàn)以及未來(lái)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(jì)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(lái)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(shí)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(jì)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(shuō)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(wèn)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(shí)別和對(duì)輸入數(shù)據(jù)中包含的對(duì)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(gè)輸入層、幾個(gè)卷積層和一個(gè)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(guò)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(guò)程使 CNN 能夠識(shí)別數(shù)據(jù)中的模式。通過(guò)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(dòng)應(yīng)用中的醫(yī)療診斷

    長(zhǎng)期以來(lái)，醫(yī)療保健一直是一個(gè)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(kāi)辟新的領(lǐng)域，尤其是在診斷領(lǐng)域。作為開(kāi)發(fā)人員，我們處于這一轉(zhuǎn)變的前沿，構(gòu)建移動(dòng)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(cè)，人工智能驅(qū)動(dòng)的移動(dòng)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(cuò)解決方案

    在分布式系統(tǒng)領(lǐng)域，確保在任何給定時(shí)間只有一個(gè)進(jìn)程可以訪問(wèn)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(méi)有可靠的方法來(lái)實(shí)施互斥，系統(tǒng)很容易遇到數(shù)據(jù)不一致或競(jìng)爭(zhēng)條件等問(wèn)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(lái)越復(fù)雜，對(duì)管理共享資源訪問(wèn)的強(qiáng)大算法的需求變得越來(lái)越重要。

  • 定義 2024 年的 7 種產(chǎn)品設(shè)計(jì)趨勢(shì)

    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(kāi)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(guò)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(kāi)發(fā)基于 LLM 的檢索應(yīng)用程序的知識(shí)庫(kù)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(lái)回答知識(shí)庫(kù)中特定部分的問(wèn)題，我們依賴于對(duì)知識(shí)庫(kù)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(chǎng)由深度神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)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(gè)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(gè)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(wèn)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(shí)出現(xiàn)常見(jiàn)的陷阱。

  • 人工智能帶來(lái)的治理框架的演變

    我們已經(jīng)看到，有效運(yùn)行項(xiàng)目和開(kāi)展業(yè)務(wù)都依賴于治理框架。該框架列出了管理的基本原則。這些原則有助于使企業(yè)的所有主要利益相關(guān)者與指導(dǎo)原則目標(biāo)保持一致，例如定義績(jī)效標(biāo)準(zhǔn)、確定可接受的風(fēng)險(xiǎn)水平以及確定報(bào)告的方式和內(nèi)容。這些核心思想是所有項(xiàng)目都必須遵守的。創(chuàng)建這樣的框架可能需要大量工作，但一旦所有利益相關(guān)者都同意這個(gè)框架，它就可以在整個(gè)項(xiàng)目管理生命周期中得到利用。

  • 優(yōu)化數(shù)據(jù)管理以實(shí)現(xiàn) AI 成功：行業(yè)見(jiàn)解和最佳實(shí)踐

    隨著人工智能 (AI) 不斷改變行業(yè)，組織在管理和利用 AI 計(jì)劃數(shù)據(jù)方面面臨越來(lái)越大的挑戰(zhàn)。最近的行業(yè)調(diào)查和專家見(jiàn)解強(qiáng)調(diào)了有效的數(shù)據(jù)管理在 AI 成功中的關(guān)鍵作用。本文探討了 AI 項(xiàng)目數(shù)據(jù)管理的主要趨勢(shì)、挑戰(zhàn)和最佳實(shí)踐，為開(kāi)發(fā)人員、工程師和架構(gòu)師提供了寶貴的見(jiàn)解。

發(fā)布文章