伊人丁香狠狠色综合久久,2020国产精品亚洲综合网 ,99久久综合国产精品免费

您的位置：首頁>>管理中心>>行業資訊>>修改新聞資訊信息

資訊類型：	行業要聞企業動態新品速遞解決方案交流培訓嘉賓訪談產業縱橫
	人物聚焦展會動態會展報告本站動態
標題：	*
頁面廣告：
副標題：
關鍵字：	多個關鍵字請用“/”分隔，如：西門子/重大新聞
內容描述：
新聞來源：
鏈接：
責任編輯：
標題圖片：	當編輯區有插入圖片時，將自動填充此下拉框
* 所屬類別： (不超過20項)	電源產品分類： UPS電源穩壓電源 EPS電源變頻電源凈化電源特種電源發電機組開關電源(AC/DC) 逆變電源(DC/AC) 模塊電源(DC/DC) 電源應用分類：通信電源電力電源車載電源軍工電源航空航天電源工控電源 PC電源 LED電源電鍍電源焊接電源加熱電源醫療電源家電電源便攜式電源充電機(器) 勵磁電源電源配套分類：功率器件防雷浪涌測試儀器電磁兼容電源IC 電池/蓄電池電池檢測變壓器傳感器軸流風機電子元件連接器及端子散熱器電解電容 PCB/輔助材料新能源分類：太陽能(光伏發電) 風能發電潮汐發電水利發電燃料電池其他類：其他
靜態頁面：	生成靜態頁面
* 內容：	<P>　　2021年11月30日–日本東京–邊緣AI領域的領先標桿企業LeapMind有限公司今日公布了其正在開發和授權的超低功耗AI推理加速器IP“Efficiera”v2版本（以下簡稱“v2”）。LeapMind于2021年9月發布了Efficiera v2的測試版，并收到了許多公司的測試及反饋，包括SoC供應商和終端用戶產品設計師。Efficiera v2預計2021年12月開始發售，如有意向獲取，請通過此郵箱垂詢：business leapmind.io。</P> <P>　　LeapMind首席執行官Soichi Matsuda表示：“去年，我們正式推出了v1的商用版本，許多公司對Efficiera進行了評測。截至2021年9月底，我們共與8家日本國內公司簽署了授權協議。‘向世界傳播采用機器學習的新設備’是我們根據企業理念所設定的座右銘，而我們正通過提供v1來穩步推進這一理念的落地。在未來，我們將進一步通過技術創新和產品陣容擴展，繼續努力實現人工智能的普及。”</P> <P>　　Efficiera v2根據v1的使用記錄和市場評測，擴大了應用范圍，在保持最小配置的電路規模基礎上，可覆蓋更廣泛的性能范圍，并應用于更多的實際產品。產品由此得到了進一步的完善。</P> <P align=center><IMG border=0 src="/uploadfile/newspic/20211202111002621.jpg"></P> <P align=center>　　Efficiera v2概念</P> <P>　　LeapMind董事兼首席技術官Hiroyuki Tokunaga博士表示：“自去年發布v1以來，我們強化了設計/驗證方法和開發流程，旨在‘開發世界上最節能的DNN加速器’。我們一直在開發v2，以使產品能夠適用于專用集成電路（ASIC）和專用標準產品（ASSP）。我們還在開發一個深度學習方面的推理學習模型，以便將超小量化技術的優勢最大化。LeapMind的最大優勢就在于我們可以提供一種技術來實現雙管齊下。”</P> <P>　　Efficiera v2的主要規格與特性</P> <P>　　在保持最小電路規模的同時，覆蓋更廣泛的性能范圍，從而擴大應用范圍。</P> <P>　　硬件特性</P> <P>　　●通過多路復用MAC陣列+多核，性能可擴展至48倍</P> <P>　　V2允許你將卷積管道中的MAC陣列數量增加到v1的3倍（可選擇x1、x4），并通過提供多達4個內核的選擇，進一步擴大性能的可擴展性。</P> <P>　　●除卷積和量化外，還可實現硬件執行跳過連接和像素嵌入</P> <P>　　1.跳過連接是多層卷積神經網絡（CNN）中常見的一種操作。（v1中由CPU執行）</P> <P>　　2.像素嵌入是一種對輸入數據進行量化的方法</P> <P>　　●資源使用方面，配置與Efficiera 1相同</P> <P>　　1.有些應用只因AI功能可在規模有限的FPGA器件上實現就能創造價值。</P> <P>　　2.LeapMind分析了一個實用型深度學習模型的執行時間，并仔細選擇了額外的硬件功能。</P> <P>　　集成到SoC中</P> <P>　　●AMBA AXI接口</P> <P>　　●AMBA AXI interface</P> <P>　　AMBA AXI繼續被用作與外部的接口，并且當接口被視為一個黑盒子時與以前一樣，易于從當前設計中遷移。</P> <P>　　●單時鐘域</P> <P>　　FPGA中的目標頻率</P> <P>　　●FPGA的運行頻率與先前相同，雖然取決于具體設備，但預計約為150到250MHz。</P> <P>　　1.256 GOP/s 125MHz(單核)</P> <P>　　2.高達12 TOP/s 250MHz(雙核)</P> <P>　　●以加密RTL的形式提供</P> <P>　　B.通過改進設計/驗證方法并審查開發流程，我們確保質量不僅適用于FPGA，也適用于ASIC/ASSP。</P> <P>　　C.開始提供一個模型開發環境（NDK），使用戶能夠為Efficiera開發深度學習模型。目前為止只有LeapMind實現了這項工作。</P> <P>　　●為Efficiera創建超小型量化深度學習模型所需的代碼和信息包</P> <P>　　●GPU深度學習模型的開發者可立即上手使用</P> <P>　　●支持PyTorch和TensorFlow 2的深度學習框架</P> <P>　　●學習環境為一個配備GPU的Linux服務器</P> <P>　　●推理環境為一個配備Efficiera的設備</P> <P>　　●來自LeapMind的技術支持</P> <P>　　</P>

^{<table id="cawmq"></table>}