神經處理單元(NPU)的出現,對於機器學習領域產生了革命性的改變,它使得深度學習任務所需的複雜數學運算能夠高效執行。透過最佳化矩陣乘法和卷積運算,NPU將AI 模型大幅擴展到各種領域,從高階伺服器群到低階電池供電裝置皆適用。
微型機器學習(TinyML)專注於在資源受限的嵌入式裝置上實現機器學習演算法,它的興起進一步推展了AI 的界限。TinyML讓數十億的邊緣裝置具備 AI 能力,使它們能夠在本地即時處理資料並做出決策,而且無需依賴雲端連線或強大的運算資源。
圖一 : 神經處理單元(NPU)使得深度學習任務所需的複雜數學運算能夠高效執行。 |
|
以 NPU 為基礎並結合新興的微型機器學習領域,Ceva 推出Ceva-NeuPro-Nano。這款精巧高效的 NPU IP 是專為微型機器學習應用而精心設計,它能夠在效能與耗電效率之間取得完美的平衡。Ceva-NeuPro-Nano 經過最佳化的獨特架構,能夠從頭到尾完整執行微型機器學習應用,涵蓋資料擷取、特徵萃取到模型推論,使其成為資源受限、電池供電裝置的嵌入式系統,提供理想的AI本地解決方案。
...
...
使用者別 |
新聞閱讀限制 |
文章閱讀限制 |
出版品優惠 |
一般訪客 |
10則/每30天 |
5/則/每30天 |
付費下載 |
VIP會員 |
無限制 |
20則/每30天 |
付費下載 |