Socionext成功開發(fā)了一款集成有量化深度神經(jīng)網(wǎng)絡(luò)技術(shù)的原型芯片
日本高新科技博覽會（CEATEC）是日本規(guī)模最大，同時也是亞洲最大、最尖端的IT/電子綜合展，每年吸引十幾萬觀眾到場洽談交流。受疫情影響，今年的CEATEC 2020改為線上Online舉辦模式，觀眾可于10月20-23日期間上官網(wǎng)觀展。
本次云展會上，Socionext助力日本新能源與產(chǎn)業(yè)技術(shù)綜合開發(fā)機(jī)構(gòu)（NEDO），以“低功耗AI-Edge LSI 讓未來生活更便利”為主題，共同展示合作項目研究成果。
為提高邊緣計算處理器AI處理性能并減少系統(tǒng)功耗，Socionext成功開發(fā)了一款集成有量化深度神經(jīng)網(wǎng)絡(luò)（DNN）技術(shù)的原型芯片，通過“YOLOv3”它能以不到5W的低功耗及30fps的速度實現(xiàn)了目標(biāo)檢測，其效率是通用GPU的10倍，可為小型、低功耗邊緣計算設(shè)備提供先進(jìn)的AI處理。
責(zé)任編輯：lq
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
芯片
+關(guān)注
關(guān)注
459文章
52374瀏覽量
438958 -
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4812瀏覽量
103255 -
Socionext
+關(guān)注
關(guān)注
2文章
75瀏覽量
16918
原文標(biāo)題：云展會 | Socionext助力日本NEDO亮相CEATEC 2020線上展會
文章出處：【微信號：Socionext，微信公眾號：Socionext】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
熱點推薦
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)之間存在著密切的關(guān)系，以下是對它們之間關(guān)系的介紹： 一、BP神經(jīng)網(wǎng)絡(luò)的基本概念 BP神經(jīng)網(wǎng)絡(luò)，即反向傳播
【飛凌嵌入式OK3576-C開發(fā)板體驗】RKNN神經(jīng)網(wǎng)絡(luò)算法開發(fā)環(huán)境搭建
的軟件包管理系統(tǒng)和環(huán)境管理系統(tǒng)，主要用于安裝、更新、刪除軟件包及其依賴關(guān)系，并允許用戶在不同環(huán)境之間輕松切換。用于后續(xù)安裝Python等插件。在深度神經(jīng)算法中使用的頻率非常高的一款軟件。
3.2
發(fā)表于 10-10 09:28
深度神經(jīng)網(wǎng)絡(luò)模型量化的基本方法
深度神經(jīng)網(wǎng)絡(luò)模型量化是深度學(xué)習(xí)領(lǐng)域中的一種重要優(yōu)化技術(shù)，旨在通過減少模型參數(shù)的精度（即從高精度浮
殘差網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)嗎
殘差網(wǎng)絡(luò)（Residual Network，通常簡稱為ResNet） 是深度神經(jīng)網(wǎng)絡(luò)的一種 ，其獨特的結(jié)構(gòu)設(shè)計在解決深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失
pytorch中有神經(jīng)網(wǎng)絡(luò)模型嗎
處理、語音識別等領(lǐng)域取得了顯著的成果。PyTorch是一個開源的深度學(xué)習(xí)框架，由Facebook的AI研究團(tuán)隊開發(fā)。它以其易用性、靈活性和高效性而受到廣泛歡迎。在PyTorch中，有許
簡單認(rèn)識深度神經(jīng)網(wǎng)絡(luò)
深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNNs）作為機(jī)器學(xué)習(xí)領(lǐng)域中的一種重要技術(shù)，特別是在深度學(xué)習(xí)領(lǐng)域，已經(jīng)取得了顯著的
人工神經(jīng)網(wǎng)絡(luò)模型的分類有哪些
詳細(xì)介紹人工神經(jīng)網(wǎng)絡(luò)的分類，包括前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、生成對抗
深度神經(jīng)網(wǎng)絡(luò)概述及其應(yīng)用
深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNNs）作為機(jī)器學(xué)習(xí)的一種復(fù)雜形式，是廣義人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANNs）的
深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別
在探討深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNNs）與基本神經(jīng)網(wǎng)絡(luò)（通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò)）的區(qū)別時，我們需
深度神經(jīng)網(wǎng)絡(luò)的設(shè)計方法
深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks, DNNs）作為人工智能領(lǐng)域的重要技術(shù)之一，通過模擬人腦神經(jīng)元之間的連接，實現(xiàn)了對復(fù)
神經(jīng)網(wǎng)絡(luò)芯片與傳統(tǒng)芯片的區(qū)別和聯(lián)系
應(yīng)運而生，成為解決深度學(xué)習(xí)計算問題的關(guān)鍵技術(shù)之一。本文將從多個角度探討神經(jīng)網(wǎng)絡(luò)芯片與傳統(tǒng)芯片的區(qū)
bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)嗎
BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）是一種常見的前饋神經(jīng)網(wǎng)絡(luò)，它使用反向傳播算法來訓(xùn)練網(wǎng)絡(luò)。雖然BP神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別
化能力。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能領(lǐng)域的重要技術(shù)之一。卷積神經(jīng)網(wǎng)絡(luò)和B
深度神經(jīng)網(wǎng)絡(luò)有哪些主要模型?各自的優(yōu)勢和功能是什么?
深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNNs）是一類具有多個隱藏層的人工神經(jīng)網(wǎng)絡(luò)，它們在許多領(lǐng)域取得了顯著的成功，如圖像
深度神經(jīng)網(wǎng)絡(luò)模型有哪些
深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNNs）是一類具有多個隱藏層的神經(jīng)網(wǎng)絡(luò)，它們在許多領(lǐng)域取得了顯著的成功，如計算機(jī)視
工商網(wǎng)監(jiān)
評論