По словам исследователей из Технологического университета Суинберна, новый тип оптического нейроморфного процессора может работать более чем в 1000 раз быстрее, чем любой предыдущий тип процессора.

По словам исследователей из Технологического университета Суинберна, новый тип оптического нейроморфного процессора может работать более чем в 1000 раз быстрее, чем любой предыдущий тип процессора.
Недавно появились отличные новости для поклонников ESP32. Экосистема вездесущих микроконтроллеров для Интернета вещей (IoT) получает нового члена семьи – ESP32-S3! Последнее новшество Espressif включает обновленный двухъядерный микроконтроллер, расширенный функционал GPIO, новые инструкции, ориентированные на искусственный интеллект (ИИ), и функции безопасности с аппаратным ускорением.
В 2020 году многие компании выпустили флагманские устройства с низким энергопотреблением, чтобы вывести искусственный интеллект (ИИ) для работы в периферийных узлах.
Сегодня в мире насчитывается большое количество разнообразных видеоредакторов, но не все они настолько хороши, как кажутся на первый взгляд, и не все обладают необходимыми функциями для решения многочисленных задач по редактированию видео.
Компания Mythic анонсировала чип ускорителя искусственного интеллекта M1108 AMP, который представляет собой технологию вычислений в памяти, основанную на 40-нм техпроцессе, и считается первым в отрасли аналоговым матричным процессором (AMP). Что касается AMP, Mythic говорит, что Mythic AMP разработан как массив вычислительных блоков.
Octonion SA, компания, занимающаяся глубокими технологиями разработки программного обеспечения, специализирующаяся на искусственном интеллекте (ИИ) для периферийной диагностики промышленного оборудования, анонсировала пакет расширения STM32Cube, оптимизированный для плат разработки промышленных приложений на базе микроконтроллера STM32L4+. Данное решение позволяет поставщикам промышленного оборудования быстро оценивать встроенные модели искусственного интеллекта Octonion, выполняя обучение непосредственно на микроконтроллерах STM32.
Из предыдущих статей по нейронным сетям вы узнали о классификации данных с использованием простых нейронных сетей на основе персептрона. Но мы можем значительно повысить производительность персептрона, добавив слой скрытых узлов, но эти скрытые узлы также усложняют обучение. В этом материале будут даны основы обучения многослойной нейронной сети.
Предыдущая статья продемонстрировала, что однослойный персептрон просто не может обеспечить производительность, которую мы ожидаем от современной архитектуры нейронных сетей. Система, ограниченная линейно разделяемыми функциями, не сможет аппроксимировать сложные отношения ввода-вывода, которые возникают в реальных сценариях обработки сигналов. Решение представляет собой многослойный персептрон, такой как приведенный далее.
В предыдущей статье мы узнали, зачем нужен многослойный персептрон для полноценного машинного обучения. В этой статье вы узнаете о функциях активации, в том числе об ограничениях, связанных с функциями скачкообразной активации, и о том, как функция активации сигмоида может восполнить их в многослойных нейронных сетях.
В предыдущей статье мы узнали, что такое скорость обучения. Это важное понятие для дальнейшего изучения области машинного обучения, чтобы далее разрабатывать и обучать многослойные нейронные сети.
До сих пор мы фокусировались на однослойном персептроне, который состоит из входного слоя и выходного слоя. Как вы, возможно, помните, мы используем термин «однослойный», потому что эта конфигурация включает в себя только один уровень вычислительно активных узлов, то есть узлов, которые изменяют данные путем суммирования, а затем применяют функцию активации. Узлы входного слоя просто распределяют данные.
В предыдущей статье мы рассмотрели основы теории обучения нейронных сетей. В данном материале углубимся в эту теорию дальше и поговорим о скорости обучения.
Как вы уже догадались, скорость обучения влияет на быстроту обучения вашей нейронной сети. Но это еще не все.