收录了 arm 优化 图像处理 频道下的 50 篇内容
Arm 发布了下一代芯片架构 Armv9,距离上一代芯片架构 Armv8 的推出,已经有 10 年时间。
Arm在边缘计算领域又一进展。
天元Beta版,来了。
本次分享介绍硬件面对的困难,落地应用层面的问题解决,以简单搜索App为案例全面讲解从汇编到顶层架构实现等。
在模型应用上,需要使用深度神经网络的推理能力完成网络前向计算。
在新基建大潮下,人工智能在社会发展中的角色越来越重要。技术开源构建了开放共进的生态环境,帮助行业应用加速落地,同时在解决行业实际问题时不断迭代,推动了人工智能技术普及。
EMLL 为加速端侧 AI 推理而设计,提供基于端侧处理器的高性能机器学习计算库,支持 fp32、fp16、int8 等数据类型
苹果正在向更加自主可控的芯片研发道路迈进。
与其他主流开源库相比,NeoML可以在所有设备上为预训练图像处理模型提供15%-20%的性能优化。
边缘机器学习必备要素。
GNU项目和GCC开发者近日发布了GCC 4.9。这是一个主要版本,提供了大量新功能。比如改进了LTO(链接时优化)、跨过程优化,支持在终端中显示带颜色的诊断信息,继续增加对C++1y的支持,标准库支持C++11的
本文将简要介绍神经网络量化的原理,并与大家分享MegEngine量化方面的设计思路与实操教程。
华为又一重磅产品推出
苹果最新自研芯片M1,到底有多强?
对工程师来说,一个算法项目从建立到实用一般需要经历论文方法调研、数据采集、模型训练、算法优化和实用部署这些流程,但论文算法离实用还有比较大的距离,主要体现在效果无法覆盖广泛的场景,且效率很难满足落地要求等。
AI前线小组盘点了2019年国内外主流科技公司在AI芯片方面的进展
大数据、算法和计算能力决定了人工智能的发展。在计算领域上,主要依靠的硬件就是GPU、CPU,以及最近刚推出的TPU,背后是英伟达、英特尔和谷歌的角力。伴随着这些公司的股价一路上涨的趋势,从此也能看出并行计算的再次崛起。InfoQ一直很关注并行计算领域,联系了业界领军人物刘文志老师,并拜托杨旸进行了一次较深入的访谈,以下是访谈实录。 刘文志(花名风辰),商汤科技高性能计算总监,毕业于中国科学院研究生院,闻名于并行计算江湖,尤善异构并行计算(X86、ARM、GPU、APU及PHI)和大规模集群计算,有7年相关经验,涉及图像处理、计算机视觉、数据挖掘和石油勘探。曾任英伟达并行计算工程师(协助建立英伟达北京CUDA团队)、百度在线高级研发工程师(协助建立百度深度学习实验室异构计算团队)。
本文使用机器学习的方法识别人声,采用的框架是谷歌的 tensorflowLite 框架,该框架跟它的名字一样具有小巧的特点。在保证精度的同时,框架的大小只有 300KB 左右,且经过压缩后产生的模型是TensorFlow 模型的四分之一。
有没有可能让手机不仅可以握在手里,更可以放在云上呢?
本周AI领域又发生了哪些新鲜事?