цифровая электроника
вычислительная техника
встраиваемые системы

 

Процессор с возможностями искусственного интеллекта в формате Raspberry Pi Hat

Автор: Mike(admin) от 27-05-2019, 04:15

За последние несколько лет открытая (open source) микропроцессорная архитектура RISC-V перешла из существующих только на ПЛИС элементов в настоящий кремний, и сейчас вы можете купить микроконтроллер RISC-V со всеми возможными функциями.


Grove AI Hat for Edge Computing

Недавно появился интересный чип из Китая под названием Sipeed M1, который оснащен двухъядерным процессором RISC-V с тактовой частотой 600 МГц, набором входов/выходов, а также процессором обработки нейронной сети. Мы видели этот чип раньше, но теперь Seeed Studios продает его в форм-факторе Raspberry Pi Hat. Данная плата позиционируется и как дополнительная плата для Raspberry Pi, и как отдельный вычислительный модуль.

Как установить TensorFlow на Raspberry Pi для задач машинного обучения

Автор: Mike(admin) от 22-04-2019, 04:15

TensorFlow – это библиотека программного обеспечения с открытым исходным кодом для задач машинного обучения и численных расчетов с использованием графиков потоков данных. Узлы графа представляют математические операции, в то время как ребра графа представляют многомерные массивы данных (тензоры), которые «текут» между ними. Эта гибкая архитектура позволяет развертывать вычисления на одном или нескольких процессорах или графических процессорах на настольном компьютере, сервере или мобильном устройстве без переписывания кода.


Как установить TensorFlow на Raspberry Pi для задач машинного обучения

Первоначально разработанный командой Google Brain для проведения машинного обучения и исследований глубоких нейронных сетей, TensorFlow достаточно универсален, чтобы его можно было применять в самых разных областях. В этой статье вы узнаете, как установить TensorFlow на Raspberry Pi.

Сложные математические вычисления на Arduino с помощью библиотеки Intel Math Kernel Library

Автор: Mike(admin) от 20-03-2019, 07:55

Intel Math Kernel Library – это библиотека математических функций с открытым исходным кодом для приложений глубокого обучения. Библиотека ускоряет процессы глубокого обучения и подобных математических аппаратов. Она содержит векторизованные и многопоточные блоки, которые можно использовать для реализации глубоких нейронных сетей с интерфейсами C и C++.


Сложные математические вычисления на Arduino с помощью библиотеки Intel Math Kernel Library

Несмотря на такую высокую производительность библиотеки, ее можно связать с платформой Arduino, и в этой статье будет показано, как это сделать.

Обзор NVIDIA Jetson Nano – GPU-плата для машинного обучения за $99

Автор: Mike(admin) от 19-03-2019, 11:35

Недавно со сцены на конференции NVIDIA по технологиям графических процессоров было объявлено о новом оборудовании, ориентированном непосредственно на радиолюбителей, преподавателей и студентов, модуль Jetson Nano и комплект разработчика Jetson Nano.


NVIDIA Jetson Nano

В последние год или два произошел резкий скачок доступности встраиваемого оборудования, способного выполнять задачи машинного обучения, и в результате мы увидели начало кардинальных изменений в применении машинного обучения ив том, как может быть построен Интернет вещей.

Обзор Google Coral – аппаратное обеспечение для машинного обучения

Автор: Mike(admin) от 7-03-2019, 11:55

Во время выступления Injong Rhee на прошлогодней конференции Google Next в Сан-Франциско Google анонсировал два новых аппаратных продукта: плату разработки и USB-ускоритель. Оба продукта были построены на базе Edge TPU от Google, их специализированной интегральной микросхемы типа ASIC, разработанной для реализации возможностей машинного обучения.


Обзор Google Coral – аппаратное обеспечение для машинного обучения

Спустя почти год, аппаратное обеспечение незаметно перешло в статус «Beta» под названием «Coral», и теперь можно приобрести и плату разработки и USB-ускоритель для реализации проектов машинного обучения и искусственного интеллекта.

Нейрокомпьютеры. Соединения обучающихся матриц, применение обучающихся матриц

Автор: Mike(admin) от 20-02-2019, 03:15

Интересные особенности проявляются в случае последовательного соединения обучающихся матриц. Это легко может быть получено при помощи промежуточных запоминающих устройств для использования системы значений, выходящих последовательно с первой обучаемой матрицы в качестве входной системы для второй матрицы.


Таким образом, например, слова могут быть распознаны по отдельным буквам, распознанным первой матрицей. Дальше это можно расширить до распознавания предложений за счет использования другого промежуточного контура. Эти методы схожи со способностью живых организмов к восстановлению искаженных слов, например, неправильно произнесенных.

Нейрокомпьютеры. Реализация адаптивных схем на химических мемисторах

Автор: Mike(admin) от 20-02-2019, 03:15

Структура нейрона Адалина и метод его адаптации достаточно просты и поэтому позволяют построить электронный полностью автоматический элемент. Для создания такого элемента необходимо уметь запоминать значения коэффициентов усиления так, чтобы их можно было изменять электронными методами.

Нейрокомпьютеры. Самоорганизующееся формирование топологически правильных характеристических карт

Автор: Mike(admin) от 15-02-2019, 03:25

Топологически правильная карта упорядоченных распределений сигналов может быть сформирована, например, в одно- или двумерном массиве вычислительных элементов, который не имел такой структуры изначально. Этот принцип является обобщением формирования прямых топографических проекций между двумя ламинарными структурами, которое известно как ретинотекстурное преобразование. Не существует никаких ограничений на автоматическое формирование карт для совершенно абстрактных или умозрительных предметов, описанных их сигнальными образами или характерными величинами, выраженными в какой-то метрике или топологическом пространстве, позволяющих их упорядочивание. Другими словами, не обязательно ограничивать себя только топографическими картами, необходимо рассматривать карты образцов, имеющих отношение к произвольным характеристикам или пространству признаков, а также на любом уровне абстракции.

Неокогнитрон - самоорганизующаяся нейронная сетевая модель для механизма распознавания образов, не затронутого сдвигом в позиции

Автор: Mike(admin) от 12-02-2019, 02:35

Механизм распознавания образов в мозге малоизвестен. Если же можно было построить нейронную сетевую модель, которая имеет ту же способность для распознавания образов, что и человек, это дало бы мощный ключ к пониманию нервного механизма в мозге. В этой статье рассмотрим синтезирование нейросетевой модели, способной распознавать образы, подобно человеку.


Неокогнитрон

С этой целью предлагались различные модели, но большинство этих моделей зависит от сдвигов в позиции и/или искажения в форме входных образов. Следовательно, их способность для опознавания не так высока.

Создание нейронной сети для выделения особенностей образа

Автор: Mike(admin) от 29-01-2019, 03:25

Сеть для выделения особенностей образов состоит из аналоговых пороговых элементов, имеющих функции, аналогичные функциям нейрона. Выходной сигнал элемента имеет аналоговое значение, соответствующее рабочей частоте реального нейрона.


Создание нейронной сети для выделения особенностей образа

У элемента много входных окончаний, каждое из которых соответствует синаптической связи между нейронами. Каждое входное окончание имеет свой собственный связующий коэффициент, как положительный, так и отрицательный. Входное окончание с положительным коэффициентом соответствует возбуждающему синапсу, с отрицательным - тормозящему синапсу.


Назад Вперед
Наверх