پرتاب برخی از اشکال با گوگل کیسه مطابق با فن آوری های جدید

>

 گوگل Google حرکت آینه

  • ماشین یادگیری آزمایش است که شمار کاربران به یک عکس مشابه را ایجاد کرده است.
  • محل 17 قسمتهای بدن را می شناسد و با استفاده از این اطلاعات برای پیدا کردن یک بازی از بیش از 80.000 عکس.
  • شما می توانید test رتبهٔ آزمایش در وب سایت خود.

گوگل یک ماشین جدید یادگیری آزمایش که کیف شما را در زمان واقعی به تصویر فرد ساخت کیسه همان را می توانیم منتشر کرده است. اعلام در وبلاگ گوگل ، آزمایش آینه حرکت نامیده می شود و کار می کند با استفاده از فقط یک مرورگر وب و وب کم. شما به اتمام ویدیو آزمایش اقدام زیر می تواند.

گوگل آزمایش با استفاده از PoseNet دستگاه مدل است که شمار با شناسایی مکان نسبی 17 و مکانیزم تشخیص یادگیری ساخت. آزمایش ورودی از وب کم خود را به یک پایگاه داده بیش از 80.000 تصاویر برای پیدا کردن تصویر است که بهترین کیسه را منطبق بر خوردها. گوگل تأکید می کند که همه جور اتفاق می افتد در مرورگر شما و هیچ یک از تصاویر خود را دیر به سرور است.

به رتبهٔ آزمايش test, شما فقط نیاز به سر به وب سایت آینه حرکت می کند. هنگامی که اجازه دسترسی صفحه وب به وب کم خود را شما می توانید سعی کنید از شمار مختلف و سازمان دیده بان به عنوان این برنامه چه جور دو عکس در بانک اطلاعاتی خود را بکنید. اگر دوست دارید آنچه می بینید، شما می توانید ایجاد قاب های دانلود و به اشتراک گذاری بازی. مقاله مرتبط

گوگل امیدوار است آزمايش یادگیری ماشینی قابل دسترس بیشتر برای coders و سازندگان را در آینده کمک کند. در پست در متوسط ، سازندگان PoseNet نشان می دهد که برآورد کیسه می تواند در زمینه های واقعیت افزوده انیمیشن و تناسب اندام استفاده می شود.

گوگل در تاريخ انتشار آزمایش های دمدمی. شما آنهایی که استفاده از واقعیت هوش مصنوعی صوتی و بیشتر را در وب سایت گوگل آزمایش تکمیل چک کردن می تواند. اگر نمی دانید از کجا شروع MixLab این است که به خوبی ارزش تلاش کردن.

تا بعد: یادگیری ماشینی در حال حاضر بخشی از زندگی شما، شما فقط نمی دانم آن هنوز

چگونه برای تبدیل شدن یادگیری ماشین و هوش مصنوعی متخصص

>

 یادگیری ماشین و هوش مصنوعی

ظهور ماشین های آینده است.

که من که کسی را به شکستن نقطه تکین و ایجاد است معنی نیست که هوش مصنوعی که همه بشریت را بکوبند به تدریس خود. منظورم این است که احتمالا در کارت بیش از حد است، اما واقعا آنچه ما در حال صحبت کردن در مورد امروز نیست.

ما در حال صحبت کردن در مورد اتوماسیون . ماشین آلات هوشمند انجام نقش ها به طور سنتی توسط بشر برگزار شد. آنها در حال حاضر امروز مورد استفاده در پزشکی, رباتیک, سنسورهای کنترل از راه دور و حتی در دستگاههای خودپرداز . این همه را به عنوان به عنوان هیجان انگیز، وجود دارد خطر به بازار کار در آینده ای نزدیک.

‘ توسط 2030s حدود 38% از تمام مشاغل آمریکا می تواند توسط هوش مصنوعی و اتوماسیون. جایگزین ‘-چیزهای PWC

که ترسناک است، اما اگر شما یکی از کارشناسان ساخت این ربات هوشمند نیست!

یادگیری ماشینی آینده است. گوگل حتی آن که خود تمرکز بالا از نوآوری برای سال آینده ذکر شده است. خبر خوب این است که دوره های آنلاین آن را ممکن است برای عملا هر کسی که برای تبدیل شدن به یک حرفه ای در مورد این موضوع است.

معرفی به یادگیری ماشین و هوش مصنوعی در بسته نرم افزاری نمونه ای کامل از این است. از آنجا که این مجموعه به طور معمول گران از دوره های متخصص به رهبری انبوه بوده است ما داریم آن را امروز spotlighting قیمت کاهش یافته است از $1,195 به پایین فقط 39 $.

 یادگیری ماشین و هوش مصنوعی

این بسته نرم افزاری چهار دوره به شما معرفی به بسياري از یادگیری ماشین و هوش مصنوعی. شما یاد خواهید گرفت که ایده ها و روش های طراحی سیستم های هوشمند رایانه ، درک چگونگی عوامل ساخت این نمایشگاه استدلال و یادگیری ، کاوش علمی پشت شبکه های عصبی و غیره. چیزهای هیجان انگیز است.

شما همچنین باید یاد بگیرند R زبان ، که کد مورد استفاده در بسیاری از داده ها تجزیه و تحلیل مدل برگزاری نمایشگاه ماشین یادگیری برنامه نویسی. این شما سادگی نقش بسیار پرداخت تحلیلگر در پیشرو موسسات مالی در بسته بندی.

بسته آموزش کامل ماشین اینجا است:


که فقط $39, شما عظیم 96% صرفه جویی در ارزش خرده فروشی فردی دوره اگر شما دو مدیریت ساخت ثبت نام قبل از این پیشنهاد به پایان می رسد . بنابراین شما می توانید معامله در حال حاضر امکان استفاده از و فرو رفتن شما را دریافت دسترسی برای زندگی نيز در هر زمان که شما باید زمان.

ساعت دو تبدیل به آینده اثبات . آمار دکمه زیر برای پیدا کردن معامله.

تیم AAPicks می نویسد: درباره ما فکر می کنیم شما می خواهم، و ما ممکن است سهم درآمد حاصل از هر گونه خرید های ساخته شده از طریق لینک های وابسته را مشاهده کنید. برای دیدن همه ما داغ ترین معاملات، سر را به مرکز AAPICKS.


در حال جستجو برای یک گوشی جدید و یا طرح اینجا شروع کنید با ابزار قدرت طرح اندیشه:

این ابزار هوشمند به شما اجازه می دهد تا برنامه با تلفن قیمت ردیف داده ها و دسترسی های منطقه ای فیلتر. توقف برای خدمات همراه شما overpaying نفرت و تلفن است که شما خسته. با استفاده از ابزار مقایسه گوشی & طرح ما به طور کامل سفارشی کردن تجربه همراه خود و بدون دردسر گذار از یک حامل به دیگری!

هوش مصنوعی تاثیر فن آوری امنیت سایبری خواهند داشت؟ -Keezel عناوین وبلاگ

>

درباره آینده ها امنیت سایبری از تاریک : “اولین قدم در دفاع از خود است دشمنان خود دانستن” دو خوش بینانه : “… تکنولوژی به طور طبیعی شدن بیشتر تکامل می یابد ایمن سازی علیه تهدیدات علیه آن.”

در این مجموعه سه قسمتی ما برخی از روند موضوع مورد امنیت سایبری اکتشاف. اهداف ما? برای آموزش و اطلاع رسانی. از آنجا که به فاکس Mulder از فایل ها ایکس اغلب می گوید، “حقیقت است وجود دارد.”

اولین پست ما اسطوره (و حقایق) درباره تاثیر هوش مصنوعی (AI) در فن آوری امنیت سایبری می پردازد.

چون آن گسترده می شود در سراسر فرهنگ ما تعریف هوش مصنوعی

سردرگمی درباره هوش مصنوعی وجود دارد. اصطلاح ‘هوش مصنوعی’ هنگامی که درخواست دستیار شخصی ما سیری و یا هوش مصنوعی گوگل برای رزرو میز در رستوران مورد علاقه ما استفاده می کنیم. رادیولوژیست توصیف نرم افزار مورد استفاده برای تشخیص سرطان به عنوان “هوش مصنوعی شده.” هوش مصنوعی در مورد انتخاب گزینه ها از فهرست از پیش برنامه ریزی جایگزین نیست. زمانی که ماشین خلاقانه حل مشکل تحلیل شرایط موجود، آن هوش مصنوعی استفاده می کند. هوش مصنوعی باعث می شود دستگاه “هوشمندانه”.

شما گاهی اوقات یادگیری ماشین و هوش مصنوعی در حکم همان بحث خواهید شنید. یادگیری ماشینی راه برای رسیدن به هوش مصنوعی است. آموزش ماشین مجموعه ای از قوانین و یا الگوریتم است که هنگامی که به داده ها استفاده می تواند الگوهای تشخیص و طبقه بندی داده های جدید بر اساس اطلاعات موجود.

این قوانین یادگیری ماشین کمک. شما از ماشین یادگیری هر زمان شما شروع جستجو با “مصنوعی” و چون موضوع را در گذشته جستجو شده پرکردن خودکار می افزاید: ‘اطلاعات’ بهره مند شوند. در دنیای امنیت سایبری بسیاری از اعتیاد به مواد مخدره اطراف هوش مصنوعی روی صدق و صفا اشاره به یادگیری ماشینی. اکثر برنامه های کاربردی امنیتی جدید نتیجه گیری بدون مقدار زیادی از داده ها را به قیاس کردن نمی تواند.

استفاده از ماشین یادگیری در هوش مصنوعی امنیت سایبری

است در بازاریابی استفاده می شود. اما هوش مصنوعی در فن آوری امنیت سایبری تاثیر داشته باشد  پاسخ ما است چشمگیر، “بله، چرا که در حال حاضر به طور فعال درگیر.” دستگاه در حال حاضر یادگیری نقش را در امنیت سایبری کمک به کشف جدید ویروس ها و بدافزارها. قابلیت تشخیص تهدید در حال تحول هستند اما گسترده نمونه هایی از برنامه های یادگیری ماشینی مبتنی بر هوش مصنوعی شامل موارد زیر:

  • شرکت های استفاده از راه حل های مبتنی بر هوش مصنوعی به تجزیه و تحلیل وب سایت و یا فایل، تعیین آن در دستورالعمل های معمول انجام نمی شود و آن را به طور بالقوه مخرب را شناسایی.  
  • علاوه بر این، یادگیری ماشینی می تواند شناسایی نرم افزار نقص و ضعف پیکربندی تماس کردن موقعیت های پرخطر.
  • یادگیری ماشینی می تواند همچنین استفاده از الگوهای شناخته شده از “بزرگ داده ها” برای تشخیص نرم افزارهای مخرب قبل از توزیع گسترده.

یادگیری ماشینی هوش مصنوعی مبتنی بر همکاری است اما نه شکست ناپذیر

ابزار مبتنی بر هوش مصنوعی چند امنیت سایبری هستند راه حل های “مستقل”. یادگیری ماشینی پروتکل های امنیتی موجود تجزیه و تحلیل و حذف ‘صدا’ یا نادرست هشدار را افزایش می دهد. هوش مصنوعی-آنالیز اغلب با فن آوری های دیگر در یک شرکت معماری امنیت زوج است.

چالش? اقامت 10 گام جلوتر از هکرها که ماشین یادگیری معرفی داده های گمراه کننده به انحراف الگوریتم استفاده می کنند. امنیت شرکت Cyxtera داده های در دسترس عموم مورد حملات فیشینگ تاریخی مورد استفاده برای ایجاد مهاجم بر اساس هوش مصنوعی است که تشخیص در 15% از تلاش های بای پاس. کاهش نقاط کور در یادگیری ماشینی تلاش مداوم برای شرکت هایی مانند Cyxtera و امنیت سایبر محققان باقی مانده است.

Keezel را راه حل های نوآورانه VPN سطح جدیدی از امنیت را فراهم می کند. امروز سرمایه گذاری شده در Keezel. 

تا بعدی در سری آینده امنیت سایبری ما: “چگونه رمزنگاری برای افزایش امنیت سایبری قرار می گیرد.

Qualcomm چشم انداز آرمانی برای هوش مصنوعی-دستگاه

>

 رئیس جمهور Qualcomm کریستیانو آمون مذاکرات در مورد هوش مصنوعی در دستگاه و آینده هوش مصنوعی

چند هفته پیش در Qualcomm با حضور در رویداد مطبوعاتی پکن را که در آن اعلام 710 گل میمون، و ظرافت چشم انداز خود را برای آینده به لبه پر از هوش مصنوعی-دستگاه نشان داده شده.

من اول اعتراف هوش مصنوعی تبدیل شده است تا حدودی از buzzword تا اواخر باشد. که علاقه مصرف کننده در این فن آوری افزایش یافته است، پس ظاهر آن در گوشی های هوشمند مواد بازاریابی.

ال جی به تازگی معرفی شده ThinQ محصول نام تجاری به عنوان مثال بزرگ است. نشان دهنده نام تجاری ThinQ گوشی های هوشمند مشتاق چگونه تولید کنندگان را می توان برای بهره برداری از روند هوش مصنوعی برای توهم محصول برتر.

روشن باشد, گل سرسبد ال جی G7 ThinQ قطعا شامل برخی از ویژگی های هوش مصنوعی. کاربران احتمالا آن بیشتر هنگامی که با استفاده از دوربین است که تجزیه و تحلیل صحنه و موضوع برای کیفیت تصویر بهتر دید. که برای تلفن های بزرگ اما او ترجیح زمانی که همکار Lanh Nguyen ال جی ThinQ G7 مورد بررسی، دوربین بدون هوش مصنوعی در واقع. Ouch. oem ها مقاله مرتبط “/>

آینده تلفن: دستگاه آموزش متخصصان می خواستم

>

 از آنجا که مانند فیلم های ترمیناتور و ماتریکس، <strong> ” width=”840″ height=”487″ srcset=”http://superdvd.ir/wp-content/uploads/2018/06/آینده-تلفن-دستگاه-آموزش-متخصصان-می-خوا.jpg 840w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-300×174.jpg 300w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-16×9.jpg 16w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-32×19.jpg 32w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-28×16.jpg 28w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-56×32.jpg 56w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-64×37.jpg 64w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-1000×580.jpg 1000w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-1200×696.jpg 1200w, https://cdn57.androidauthority.net/wp-content/uploads/2015/07/machine-learning-ai-artificial-intelligence-e1462471461626-768×445.jpg 768w” sizes=”(max-width: 840px) 100vw, 840px”/> یادگیری ماشین AI و ماشین یادگیری </strong> شده اند زمینه جالبترین فن آوری. خوب این اصول در حال حاضر واقعیت است و با بسته نرم افزاری آموزش دستگاه 2018 شما به سرعت آنها را استاد می تواند. </p>
<p> خرس در ذهن که به سرعت ماشین را بیشتر و بیشتر از مشاغل وجود دارد، ارزش بازار کارشناسان آموزش ماشین <strong> </strong> را افزایش می دهد. که Skynet کار چیست؟ </p>
<blockquote class=

“در ترس که هوش مصنوعی انسان روی هم رفته جایگزین ممکن است”-استفان هاوكينگ

یکی از کاربردهای اصلی این روش در حال حاضر روز است برای تحلیل داده ها . این کاملا به اینده جهان گزارش اقلیت صدا ممکن است اما اصول آن یکسان است. همچنین شایان ذکر است که توانایی به ساخت مدل های پیچیده مالی مهارت بسیار قابل عرضه در بازار است.

این کیت آموزشی آنلاین گسترده شامل 6 کتاب های الکترونیکی & 12.5 ساعت آموزش . دو مفهوم شما قصد یادگیری برنامه نویسی تکنیک های مختلف عمدتا بر اساس در پایتون . پس از آن باشگاه دستی در کیسه خود این یکی از زبان های برنامه نویسی به طور گسترده استفاده می شود امروزه است.

بسته آموزش ماشین اینجا است:


بسته کامل تقریبا $850 است. اما می توانید پرداخت آنچه شما می خواهید .

اینجا است چگونه کار می کند: حتی اگر شما فقط به پرداخت $1 ، شما دریافت کتاب الکترونیکی “آزمون محور یادگیری ماشینی” و درخواست ساخت یک شبکه عصبی را در هیچ زمان.

سپس اگر شما ضرب و شتم قیمت به طور متوسط شما دریافت بسته نرم افزاری تمام . بنابراین شما ثروت مطلق صرفه جویی در زمان نوشتن به طور متوسط حدود $12، بود. وجود دارد بدون فیل تله ؛ این یکی از این کلاهبرداری ها که در آن شما را به ‘پیشنهاد’ پرداخت نمی باشد. فقط شما نامگذاری قیمت خود را برای کتابخانه کتاب های الکترونیکی و دروس.

 دستگاه یادگیری

اگر شما احساس سخاوتمندانه شما می توانید پرداخت به ضرب و شتم رهبر . حتی اگر شما تنها بالای رهبران برای چند لحظه، شما خواهید بود مستقیم به جایزه قرعه کشی برای $500 Ethereum ، که احتمالا ارزش دلار 3.000 و یا 25 دلار یک هفته بعد می تواند باشد.

هر چه زودتر شما در ارزان تر آن است، بنابراین پرش، پیدا کردن معامله از طریق دکمه زیر.

تیم AAPicks می نویسد: درباره ما فکر می کنیم شما می خواهم، و ما ممکن است سهم درآمد حاصل از هر گونه خرید های ساخته شده از طریق لینک های وابسته را مشاهده کنید. برای دیدن همه ما داغ ترین معاملات، سر را به مرکز AAPICKS.


در حال جستجو برای یک گوشی جدید و یا طرح اینجا شروع کنید با ابزار قدرت طرح اندیشه:

این ابزار هوشمند به شما اجازه می دهد تا برنامه با تلفن قیمت ردیف داده ها و دسترسی های منطقه ای فیلتر. توقف برای خدمات همراه شما overpaying نفرت و تلفن است که شما خسته. با استفاده از ابزار مقایسه گوشی & طرح ما به طور کامل سفارشی کردن تجربه همراه خود و بدون دردسر گذار از یک حامل به دیگری!

بررسی دقیق تر در دست را ماشین یادگیری سخت افزار

>

در آغاز 2017 بازوی آن دسته اول ماشین های اختصاصی (میلی لیتر) آموزش سخت افزار اعلام کرد. زیر نام پروژه Trillium شرکت پردازشگر ML اختصاصی برای محصولات مانند گوشی های هوشمند, همراه با تراشه دوم طراحی شده به طور خاص به سرعت تشخیص (NPD) شیء مورد استفاده پرده برداری کرد. بیایید به Trillium پروژه و طرح گسترده تر شرکت های بازار رو به رشد برای یادگیری سخت افزار دستگاه حفر عمیق تر.

مهم است که توجه داشته باشید که بازو را اعلام مربوط به سخت افزار کم قدرت استنباط است. آن پردازنده میلی لیتر و OD برای اجرای موثر آموزش دیده دستگاه وظایف در سطح مصرف کننده سخت افزار آموزش طراحی شده اند، به جای آموزش الگوریتم بر روی مجموعه داده های بزرگ مانند گوگل TPUs ابر به انجام طراحی شده اند. برای شروع، بازو در آنچه آن را می بیند به عنوان بزرگترین بازار دو میلی لیتر استنباط سخت افزار تمرکز — پروتکل/نظارت دوربین های گوشی های هوشمند و اینترنت.

ماشین یادگیری پردازنده جدید

با وجود دستگاه اختصاصی جدید آموزش سخت افزار اطلاعیه با پروژه Trillium، بازوی بقایای اختصاص داده شده به حمایت از این نوع وظایف در پردازنده و GPU ها آن بیش از حد، بهینه سازی با ضرب توابع داخل آن آخرین هسته پردازنده و پردازنده گرافیکی. Trillium این قابلیت با سخت افزار بهینه تر به شدت افزایش، قرعه کشی قادر می سازد وظایف یادگیری ماشین با کارایی بالاتر و قدرت کمتر انجام می شود. اما پردازنده ML بازو را فقط شتاب دهنده ندارد — این پردازنده در حق خود است.

پردازنده دارای توان عملیاتی اوج صدر 4.6 در پاکت قدرت 1.5 W آن را برای تلفن های هوشمند و محصولات قدرت حتی پایین تر مناسب. این تراشه راندمان قدرت 3 تاپ/W، براساس 7 اجرای نانومتر، قرعه کشی بزرگ برای توسعه محصول آگاهانه انرژی می دهد. برای مقایسه، دستگاه معمولی تلفن همراه فقط ممکن است قادر به ارائه سراسر TOPs 0.5 ریاضی کم عمق باشد.

جالب توجه است، پردازنده ML بازو را رویکردی متفاوت به برخی از تولید کنندگان تراشه گوشی های هوشمند که به پردازنده های سیگنال دیجیتال (DSPs) جهت اجرای وظایف یادگیری ماشین در پردازنده های خود را بالا پایان repurposed بکنه. در طول چت MWC معاونت بازوی همکار و جنرال موتورز ماشین یادگیری گروه جم دیویس، ذکر خرید شرکت DSP است گزینه ای را به این بازار سخت افزار، اما که در نهایت شرکت در زمین تا راه حل به طور خاص تصمیم بهینه سازی شده برای رایج ترین عملیات.

بازو را ML پردازنده دارای 4 و 6 x افزایش عملکرد بیش از گوشی های معمولی همراه با مصرف برق کاهش می یابد.

پردازشگر ML بازو را منحصرا برای عملیات 8 بیتی عدد صحیح و convolution شبکه های عصبی (CNN) طراحی شده است. این متخصص در افزایش توده های کوچک بایت اندازه داده است که باید به آن سریع تر و کارآمد تر نسبت به هدف کلی DSP که این نوع از وظایف. سی ان ان برای تشخیص تصویر احتمالا رایج ترین وظیفه میلی لیتر در حال حاضر به طور گسترده ای استفاده می شود. اگر شما نگرانم چرا 8 بیتی، بازوی داده 8 بیتی است نقطه شیرین برای دقت در مقابل عملکرد با سی ان ان و ابزار توسعه بالغ ترین هستند دیده می شود. اگر شما به آن نیاز نیست فراموش کردن که چارچوب اندیشه NN تنها پشتیبانی از INT8 و FP32، آخر که در حال حاضر در پردازنده و gpu ها اجرا می شود.

بزرگترین عملکرد و انرژی تنگنا، به خصوص در محصولات تلفن همراه حافظه پهنای باند و توده ضرب ماتریس نیاز به مقدار زیادی از خواندن و نوشتن است. برای رفع این مسئله، بازوی چانک حافظه داخلی برای سرعت بخشیدن به اعدام بود. اندازه این استخر حافظه متغیر است و انتظار دارد که بازو به ارائه مجموعه ای از طرح های بهینه سازی شده برای شرکای آن بسته به مورد استفاده. ما به نگاه 10s کیلوبایت حافظه برای اجرای هر یک از موتور دربندی رتبهٔ در حدود 1 مگابایت در طرح بزرگترین. این تراشه نیز فشرده سازی lossless در میلی لیتر وزن و فراداده ذخیره تا 3 x در پهنای باند استفاده می کند.

بازو را پردازنده طراحی شده برای ML عملیات 8 بیتی عدد صحیح و شبکه های عصبی convolution است.

هسته پردازنده میلی لیتر را می توان از تک هسته ای تا 16 موتور اعدام برای افزایش عملکرد پیکربندی شده است. هر کدام شامل بهینه سازی موتور تابع ثابت و همچنین لایه های قابل برنامه ریزی. موتور ثابت تابع معامله convolution محاسبه با واحد ضرب و جمع آوری (MAC) 128 گسترده در حالی که موتور برنامه ریزی لایه مشتق تکنولوژی میکروکنترلر Arm را دسته حافظه و بهینه سازی مسیر داده ها برای دستگاه الگوریتم یادگیری اجرا می شود. این واحد در معرض برنامه ها به طور مستقیم برای برنامه نویسی نیست، اما که کامپایلر مرحله بهینه سازی واحد مک جای پیکربندی شده است نام ممکن است کمی گمراه کننده است.

در نهایت، پردازنده شامل واحد دسترسی مستقیم حافظه (DMA) برای اطمینان از دسترسی سریع مستقیم به حافظه در قسمت های دیگر سیستم. پردازشگر ML می تواند تابع به عنوان مسدود کردن IP مستقل خود با رابط آس: به مطلب برای الحاق به SoC، یا فعالیت به عنوان بلوک ثابت خارج از SoC. به احتمال زیاد، ما ML هسته نشسته کردن حافظه اتصال داخل SoC درست مثل GPU یا پردازنده نمایش را دید. از اینجا، طراحان می تواند تراز کردن هسته ML با پردازنده در DynamIQ خوشه ای و به اشتراک گذاشتن دسترسی به حافظه کش از طریق snooping کش نزدیک است، اما بسیار قرار دادی است که راه حل است که احتمالا نمی بینم به طور کلی استفاده از حجم کار دستگاه های مانند تراشه های تلفن همراه.

اتصالات همه چیز را با هم

سال گذشته بازوی پرده برداری آن قشر A75 و A55 پردازنده و GPU G72 مالی بالا پایان، اما آن اختصاصی ماشین یادگیری سخت افزار تا تقریبا یک سال بعد پرده نیست. با این حال، بازوی یکسری تمرکز روی شتابان دستگاه مشترک یادگیری عملیات داخل آن سخت افزار آخرین محل بود و این همچنان بخشی از استراتژی شرکت رفتن به جلو.

آن آخرین مالی G52 پردازنده گرافیکی برای دستگاه های جریان اصلی باعث بهبود عملکرد وظایف یادگیری ماشین 3.6 بار لطف معرفی پشتیبانی ضرب داخلی (Int8) و چهار ضرب-عملیات در هر چرخه در هر خط تجمع. ضرب داخلی پشتیبانی نیز در A75 A55 و G72 ظاهر می شود.

بازوی بهینه سازی workloads میلی لیتر را در خود پردازنده و gpu ها بیش از حد ادامه خواهد داد.

حتی با OD و ML پردازنده های جدید، دست به حمایت از وظایف یادگیری ماشین شتاب در سراسر آن آخرین پردازنده و gpu ها ادامه دارد. آن ماشین آینده اختصاص داده شده به آموزش سخت افزار به این کارها را کارآمد تر مناسب وجود دارد، اما همه بخشی از مجموعه گسترده ای از راه حل های طراحی شده را به طیف گسترده ای از محصولات همکاران تهیه.

علاوه بر ارائه انعطاف پذیری “در سراسر عملکرد ها و انرژی های مختلف امتیاز به همکاران خود یک رویکرد این اهداف کلیدی بازو را ناهمگن مهم است حتی در آینده دستگاه مجهز به پردازشگر میلی لیتر به قدرت بهره وری بهینه سازی. به عنوان مثال، آن ارزش تأمین انرژی تا هسته میلی لیتر به سرعت انجام کار زمانی که پردازنده در حال اجرا، بنابراین بهتر است برای بهینه سازی workloads در پردازنده بیش از حد ممکن است. در تلفن, تراشه میلی لیتر به تنها به بازی برای دیگر در حال اجرا، بیشتر خواستار بارهای شبکه عصبی آمده است.

از تک برای پردازنده های چند هسته ای و gpu ها از طریق دو ليتر اختیاری پردازنده است که تمام راه را تا 16 هسته (موجود در داخل و خارج از خوشه هسته SoC)، میتواند در بازوی محصولات اعم از سخنرانان هوشمند ساده دو مستقل وسایل نقلیه و مراکز داده می تواند پشتیبانی، که نیاز به سخت افزار قوی تری. به طور طبیعی، این شرکت نیز تهیه نرم افزار به این مقیاس پذیری.

این شرکت در واقع کتابخانه ابزار برای عمل ماشین یادگیری کارها در سراسر شرکت پردازنده، پردازنده گرافیکی و در حال حاضر ML قطعات سخت افزاری هست. کتابخانه ارائه می دهد توابع سطح پایین نرم افزار برای پردازش تصویر، چشم انداز، تشخیص گفتار، و مانند، که اجرا در قابل استفاده ترین قطعه از سخت افزار. بازوی حتی برنامه های کاربردی تعبیه شده با آن دانه CMSIS NN برای ریزپردازنده قشر M پشتیبانی میکند. CMSIS NN حدود 5.4 برابر بیشتر توان عملیاتی و بالقوه 5.2 بار صرفه جویی در انرژی بیش از توابع پایه ارائه می دهد.

کار را بازوی در کتابخانه های کامپایلر و درایور تضمین می کند که توسعه دهندگان نرم افزار لازم نیست که به نگرانی در مورد محدوده تحت دروغ سخت افزار.

چنین امکانات گسترده ای از پیاده سازی سخت افزار و نرم افزار کتابخانه نرم افزار انعطاف پذیر نیاز بیش از حد, آن است که نرم افزار شبکه عصبی بازو را می آید. شرکت نمی باشد به جای محبوب چارچوب مانند TensorFlow یا Caffe دنبال اما ترجمه این چارچوب را به کتابخانه های مربوط به اجرای بر روی سخت افزار هر محصول خاص. اگر تلفن شما پردازنده Arm را نداشته باشند، بنابراین ML کتابخانه هنوز با اجرای وظیفه در CPU یا GPU کار می کنند. پنهان کردن پیکربندی پشت صحنه دو ساده توسعه هدف اینجا است.

دستگاه یادگیری امروز و فردا

در حال حاضر، بازوی مستقیما در تأمین انرژی پایان استنباط طیف یادگیری ماشین را اجازه می دهد مصرف کنندگان برای اجرای الگوریتم های پیچیده کارآمد در دستگاه های خود (اگر چه شرکت حکومت است متمرکز شده است امکان از درگیر شدن در سخت افزار ماشین یادگیری آموزش در برخی از نقطه در آینده). با سرعت بالا 5 g اینترنت هنوز سال دور و افزایش نگرانی های خود را در مورد حفظ حریم خصوصی و امنیت تصمیم بازو را به ML که محاسبات قدرت لبه به جای تمرکز در درجه اول به عنوان گوگل به نظر می رسد مانند حرکت صحیح در حال حاضر. تلفن های مرتبط با مقاله “/>

مهمتر از همه، قابلیت های یادگیری ماشین بازو را که نه فقط برای محصولات گل سرسبد محفوظ می باشد. با پشتیبانی در سراسر طیف وسیعی از انواع سخت افزار و گزینه های مقیاس پذیری، گوشی های بالا و پایین نردبان قیمت شوند. در دراز مدت شرکت عملکرد اهداف تمام راه از چپ های کوچک تا پردازنده های کلاس سرور هم eying است. اما حتی قبل از بازو را سخت افزار اختصاص داده شده ML بازدید کنندگان بازار، مدرن SoCs آن نقطه محصول پیشرفته پردازنده و gpu ها عملکرد دریافت خواهید کرد- و بهبود بهره وری انرژی بیش از سخت افزار قدیمی تر.

بازو می گوید که پروژه Trillium ماشین یادگیری سخت افزار بدون نام باقی مانده است، صورت RTL مدتی اواسط 2018 فرود خواهد شد. به منظور تسریع در توسعه بازوی پاپ آی فیزیکی طرح برای SRAM و واحد سیستم بهینه سازی شده برای 16nm مقرون به صرفه و فرآیندهای برش لبه 7nm ارائه دهد.  ما احتمال بازو را میلی لیتر اختصاص داده شده و پردازنده های تشخیص جسم در هر گوشی های هوشمند امسال نمی بینم. در عوض، ما به صبر کنید تا 2019 به گرفتن دست های ما در برخی از اولین گوشی های بهره گیری از پروژه Trillium و سخت افزار همراه خود داشته باشد.