fpga-gpu-benchmarking

基于FPGA的机器学习加速 我们处于3至4个阶段。 当前阶段是小型化-建立节能的电子和软件代理以及先进的传感器融合，从而允许多个互连的对象像一台机器一样工作。 计算正的边缘发展，这主要是由于数据的重要性（带宽增长的步伐落后于数据创建的步伐）。 其他因素包括隐私（没有人希望通过不安全的网络发送），延迟，可靠性（在目的地，在自动驾驶汽车中决定生死攸关）。 为了使小型物联网代理更智能，他们需要做更多的计算，而能效是至关重要的成功因素。 除了提高能源效率外，还有设备的智能性。 我们使事物通电，然后将其数字化，然后再认识事物。 语音识别，实时翻译，对象识别，情感识别现在可在智能手机和小型eem设备上使用。 如今，这些算法中的大多数是由深度学习驱动的，深度学习是受神经科学启发的机器学习，这是由于计算能力和大数据而成为可能。 将这些算法从数据中心转移到小型智能“事物”并不是一件容易的事。 在某些情况下