EMB_81

HARDWARE | MACHINE LEARNING EMBEDDED SETTEMBRE 42 sumo di potenza molto contenuto e il fattore di forma ri- dotto, ma essi spesso presentano grossi limiti in termini di prestazioni di apprendimento automatico e di capaci- % À esempio per fotocamere o per microfoni digitali. 3 :#3 47 6 1 Á - ) necessaria per una determinata applicazione senza do- 0 À - ne consentono inoltre di modulare i costi e i consumi di - % :#3 - za di supporto e di integrazione per piattaforme SDK + : 0 FPGA per il Machine Learning Per superare questa lacuna, GoWin Semiconductor 4O• 3 % & ' À ED 28D - :#3 À :#3 U À - Á E D - % :#3 –4 3T;(4E9# 3 T 9 VDU #4E D 0 :#3 3T;(4E9# fornisce uno speciale coprocessore 3 % & ' - ne e l’archiviazione di strati di con- valida fold e di pooling. Viene utiliz- core IP hardware 28D controlla i parametri del livello, l’e- in uscita. D olti fornitori di semiconduttori - grammi di servizi di progettazione per supportare curve di apprendi- mento più ripide per i clienti che utilizzano hardware 3 T fa eccezione in questo caso: il programma di servizi di 3 % À - sistenza nella realizzazione di modelli testati e addestra- ti " fuori standard / , ma che non sanno come comunicare con l’hardware I fornitori offrono questi tipi di programmi per aiutare le aziende a impiegare meno risorse per l’apprendimento hard- ware ,+ *D0- - re più attivamente sullo sviluppo dei propri prodotti. L - mente un campo di applicazione diffuso e in costante crescita per molti sviluppatori di prodotti. Tuttavia, sono À $ - tool di ecosistema diffusi per l’hardware - Á nuovi tool software e servizi di progettazione. Con una memoria PSRAM aggiuntiva, il dispositivo GW1NSR4P di GoWin offre la massima potenzialità dello strato e quindi consente l’elaborazione accelerata e l’archiviazione di strati di convalida fold e di pooling