Welkom bij I-Components.com

Nederland
English polski Nederland Gaeilge 한국의 Slovenská Português ภาษาไทย Slovenija Hrvatska Kongeriket Italia العربية Français עִבְרִית español Dansk Svenska Deutsch Suomi românesc Türk dili Magyarország

FPGA-gebaseerde neurale netwerkversneller presteert beter dan GPU's

Het werd gedemonstreerd als een GoogLeNet Inception-v1 CNN, met een 8-bit integer-resolutie. Het bereikte 16.8 terra-bewerkingen per seconde (TOPS) en kan inferentie meer dan 5.300 afbeeldingen per seconde op een Xilinx Virtex UltraScale + XCVU9P-3 fpga. De modulaire, schaalbare benadering maakt het geschikt voor objectdetectie- en videoverwerkingstoepassingen aan de rand en in de cloud, legt Fawcett uit, evenals voor gevolgtrekking in datacenters en intelligente camera's.

De DPU kan worden geconfigureerd om optimale rekenprestaties te bieden voor neurale netwerktopologieën in machine learningtoepassingen, met behulp van de parallelle DSP-architectuur, gedistribueerd geheugen en herconfigureerbaarheid van logica en connectiviteit voor verschillende algoritmen.

De DPU haalt meer dan 50% hogere prestaties dan concurrerende CNN's en overtreft GPU's voor een bepaald stroom- of kostenbudget, beweert het bedrijf. "De FPGA is een platform en architectuur die de wereld verslaat, die zeer flexibel is voor toekomstbestendigheid en beter kan presteren dan GPU's in AI, met een lagere latentie", voegde Fawcett eraan toe.

Het bedrijf heeft ook aangekondigd dat het een DPhil sponsort (PhD0 aan de Universiteit van Oxford om technieken te bestuderen voor het implementeren van diepe leerversnelling op fpgas.) Het werk zal worden uitgevoerd in samenwerking met het eigen onderzoek van Omnitek naar AI-rekenmachines en -algoritmen.