🧠 神经处理单元（NPU）：开创人工智能加速的新前沿

🧠 神经处理单元（NPU）：开创人工智能加速的新前沿
DEV Community
DEV Community ·
TensorFlow中的TPU与GPU：机器学习的关键区别与应用场景

TensorFlow中的TPU与GPU：机器学习的关键区别与应用场景
DEV Community
DEV Community ·
高性能计算，代码量大幅减少

高性能计算，代码量大幅减少
MIT News - Computer Science and Artificial Intelligence Laboratory (CSAIL)
MIT News - Computer Science and Artificial Intelligence Laboratory (CSAIL) ·

本研究提出JAQ框架，解决资源受限边缘设备上神经网络架构与硬件加速器的联合设计问题。JAQ通过通道稀疏量化和BatchTile方法显著减少内存开销，加速硬件搜索。在ImageNet上的实验表明，Top-1准确率提高约7%，硬件搜索时间降至0.15秒。

JAQ: Joint Efficient Architecture Design and Low-Bit Quantization through Hardware-Software Co-Exploration
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
Kubernetes 中的魔法正在发生

Kubernetes 中的魔法正在发生
The New Stack
The New Stack ·
GPU 与 TPU 哪个更适合 AI 工作负载？

GPU 与 TPU 哪个更适合 AI 工作负载？
实时互动网
实时互动网 ·

自动驾驶汽车利用机器学习模型处理大量传感器数据以确保安全。由于传统处理器无法满足需求，因此采用硬件加速器提升性能。本文探讨了机器学习加速器在自动驾驶和机器视觉中的应用，并为研究人员提供了未来研究方向的建议。

利用硬件在环技术连接真实环境的无线人工智能范式
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·

本文提出了一种可配置的硬件木马，用于硬件加速器后门攻击。作者通过实验证明了该攻击的可行性与危险性，并指出了硬件加速器中深度学习模型的漏洞和安全问题。为未来的研究和应用提供了重要参考。

通过对抗电源迹线的逃避式硬件木马
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·

提出了一种新的内存数据排列策略，通过硬件加速器的内核大小来减小芯片外数据访问，特别适用于基于广义矩阵乘法（GEMM）的终端到终端变压器模型推理。实验证明该方法能够实现高达2.8倍的速度提升。

加速器驱动的数据排列在多核架构上最小化变压器运行时间
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证