EO-466

27 / 102

TECH INSIGHT
NEWS/ TECHNOLOGIES
27 - ELETTRONICA OGGI 466 - NOVEMBRE/DICEMBRE 2017
gle su questo esperimento è intitolato “Le-
arning Hand-Eye Coordination for Robotic
Grasping with Deep Learning and Large-
Scale Data Collection”). Ovviamente, que-
sta strada non è perfetta, basti pensare
per esempio ai tempi ancora necessari per
l’apprendimento e, per contro, alle neces-
sità di ridurre i tempi per rendere operati-
vo un robot per applicazioni produttive. É
vero che le macchine possono apprende-
re in modo più veloce degli esseri umani,
ma alcuni analisti ritengono che, ancora
per qualche tempo, un sistema che preve-
da una programmazione fissa potrà essere
più efficiente per la produzione rispetto a
uno dotato di autoapprendimento. Non va
trascurato comunque che i tempi di autoapprendimento necessari all’implementazione del deep learning si possono
ridurre utilizzando i database di dimensioni sempre maggiori, che sono sempre più spesso disponibili. Quello produt-
tivo, inoltre, è soltanto uno degli ambiti in cui le reti neurali e il deep learning possono dimostrarsi utili. Questo spiega
perché gli investimenti in questo settore stanno crescendo in modo esponenziale.
Chiavetta USB per progetti di deep
learning a consumi bassissimi
Alessandro Nobile
D isponibile in un comodo formato USB, Intel Movidius Neural Compute Stick (NCS) è uno strumento di sviluppo
a bassissimo consumo per l’inferenza del deep learning. Commercializzato da RS Components, questo disposi-
tivo consente di sviluppare e prototipare applicazioni di intelligenza artificiale (IA)per un’ampia gamma di dispositivi
di ultima generazione. Destinato a sviluppatori, ricercatori R&D aziendali e universitari che utilizzano applicazioni
di machine-learning e data-science, il Neural Compute Stick integra il
processore VPU (Vision Processing Unit) Movidius che offre un’efficien-
za energetica ottimale ed è in grado di gestire reti neurali convoluzionali
(CNN) in virgola mobile a prestazio- ni elevate. Il Neural Compute Stick,
che supporta il noto framework Caf- fe per le reti neurali profonde (DNN),
è lo strumento di sviluppo ideale per la prototipazione e l’accelerazione
di reti neurali. Il motore inferenziale consente a sviluppatori e ricercatori
di gestire i progetti al di fuori del cloud e di comprendere velocemen-
te le prestazioni e la precisione del- le proprie applicazioni di reti neurali
che operano nel mondo reale. I pro- getti di reti neurali possono essere
velocemente trasferiti mediante il Movidius Neural Compute Compiler
per gestire l’inferenza del deep lear- ning in tempo reale sulla chiavetta
USB compatta. L’NCS, adatto per l’accelerazione delle piattaforme
esistenti con capacità di elabora- zione limitata, consente la R&D e la
prototipazione del deep learning su un laptop Linux o su un dispositivo host basato su x86. Inoltre la API della Neu-
ral Compute Platform consente alle applicazioni degli utenti di girare su un host embedded che può inizializzare la
piattaforma target, caricare un file grafico o ‘scaricare’ le inferenze. In futuro è previsto un ampliamento del supporto
dell’NCS che comprenderà anche altre piattaforme (es. Raspberry Pi). L’elenco completo degli strumenti software
disponibili nel Movidius Neural Compute Software Development Kit comprende il Movidius Neural Compute toolkit e
la Movidius Neural Compute API. Questi strumenti sono disponibili online sul sito
Architettura del CNN grasp predictor dell’esperimento di Google
Fonte: Google
Movidius Neural Compute Stick è un piccolo disposi-
tivo senza ventola prodotto da Intel per sviluppare e
prototipare applicazioni di intelligenza artificiale (IA)