注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. FPGA并行编程-以HLS实现数字信号处理为例

  2. 本书将着重介绍高层次综合（HLS） 算法的使用并以此完成一些比较具体、细分的FPGA应用。我们的 目的是让读者认识到用HLS创造并优化硬件设计的好处。当然，FPGA的并行编程肯定是有别于在多核处理 器、GPU上实行的并行编程，但是一些最关键的概念是相似的，例如，设计者必须充分理解内存层级和带 宽、空间局部性与时间局部性、并行结构和计算与存储之间的取舍与平衡。

  3. 所属分类：C++

    • 发布日期：2018-11-09
    • 文件大小：20mb
    • 提供者：hujianhang2996

  1. 适用于 FPGA、GPU 和 ASIC 系统的电源管理

  2. 在 FPGA、GPU 或 ASIC 控制的系统板上，仅有为数不多的几种电源管理相关的设计挑战，但是由于需要反复调试，所以这类挑战可能使系统的推出时间严重滞后。

  3. 所属分类：其它

    • 发布日期：2020-07-16
    • 文件大小：205kb
    • 提供者：weixin_38743372

  1. 可重构体系结构的异构加速器的发展和应用

  2. 目前异构加速器的实现主要借助于专用集成电路（ASIC）、图形处理单元（GPU）、现场可编程门阵列（FPGA）等异构计算部件。在上述几种典型的异构体系结构中，基于FPGA和CGRA等可重构体系结构的异构加速器具有以下两个优点： 第一，FPGA和CGRA等结构内部包含大量可配置的逻辑电路，能够满足特定应用的高性能和低功耗的运行要求，从而获得较高的效能比。 第二，由于目前新型应用的种类多样、迭代速度快，而采用ASIC进行加速器设计的周期又比较长，与之相比，采用FPGA和CGRA等可重构体系结构能够

  3. 所属分类：其它

    • 发布日期：2020-07-13
    • 文件大小：222kb
    • 提供者：weixin_38663167

  1. 关于异构计算FPGA基础知识的详细介绍

  2. 海量数据分析、机器学习和边缘计算等场景需要计算架构多样化，需要不同的处理器架构和 GPU，NPU 和 FPGA 等异构计算技术协同，满足特定领域的算法和专用计算需求。今天，笔者带大家详细了解下 FPGA 技术。

  3. 所属分类：其它

    • 发布日期：2020-07-11
    • 文件大小：127kb
    • 提供者：weixin_38717031

  1. FPGA真的能取代CPU和GPU吗？

  2. 最近我们看到一篇文章，说FPGA可能会取代CPU和GPU成为将来机器人研发领域的主要芯片。文章列举了很多表格和实验数据，证明了在很多领域FPGA的性能会极大优于CPU。并且预言FPGA将来可能会取代CPU和GPU现在的地位。但事实真的是这样吗？

  3. 所属分类：其它

    • 发布日期：2020-07-19
    • 文件大小：101kb
    • 提供者：weixin_38731979

  1. 基于FPGA的OpenCL数据中心服务器的障碍

  2. FPGA一直有望超越CPU和GPU实现方案，拥有更高的算法性能以及更低的功耗范围。但直到现在因为编程模式，未能如愿以偿。而这一编程模式又是有效利用FPGA所必须的。

  3. 所属分类：其它

    • 发布日期：2020-07-30
    • 文件大小：124kb
    • 提供者：weixin_38657139

  1. 利用FPGA加速分布式计算

  2. 高校和私企正在应用分布式平台，而不是安装速度更快、耗电更大的超级计算机来解决日益复杂的科学算法，针对SETIhome 这样的项目，他们则使用数以千计的个人计算机来计算它们的数据。[1，2] 当前的分布式计算网络一般用CPU 或 GPU 来计算项目数据。

  3. 所属分类：其它

    • 发布日期：2020-08-31
    • 文件大小：847kb
    • 提供者：weixin_38629130

  1. 嵌入式系统/ARM技术中的在FPGA上优化实现复数浮点计算

  2. 高性能浮点处理一直与高性能CPU相关联。在过去几年中，GPU也成为功能强大的浮点处理平台，超越了图形，称为GP-GPU(通用图形处理单元)。新创新是在苛刻的应用中实现基于FPGA的浮点处理。本文的重点是FPGA及其浮点性能和设计流程，以及OpenCL的使用，这是高性能浮点计算前沿的编程语言。 　　各种处理平台的GFLOP指标在不断提高，现在，TFLOP/s这一术语已经使用的非常广泛了。但是，在某些平台上，峰值GFLOP/s，即，TFLOP/s表示的器件性能信息有限。它只表示了每秒能够完成的理论

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：348kb
    • 提供者：weixin_38693720

  1. 【详解】FPGA：机器深度学习的未来？

  2. 最近几年数据量和可访问性的迅速增长，使得人工智能的算法设计理念发生了转变。人工建立算法的做法被计算机从大量数据中自动习得可组合系统的能力所取代，使得计算机视觉、语音识别、自然语言处理等关键领域都出现了重大突破。深度学习是这些领域中所最常使用的技术，也被业界大为关注。然而，深度学习模型需要极为大量的数据和计算能力，只有更好的硬件加速条件，才能满足现有数据和模型规模继续扩大的需求。     现有的解决方案使用图形处理单元（GPU）集群作为通用计算图形处理单元（GPGPU），但现场可编程门阵列（FP

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：149kb
    • 提供者：weixin_38629303

  1. FPGA入门（一）：序言

  2. 文章目录一、背景二、含义Reference 一、背景 参考：FPGA是什么?为什么要使用它?-电子发烧友网 【比CPU、GPU，FPGA的运算性能更高的硬件】 众所周知，通用处理器（CPU）的摩尔定律已入暮年，而机器学习和 Web 服务的规模却在指数级增长。 人们使用定制硬件来加速常见的计算任务，然而日新月异的行业又要求这些定制的硬件可被重新编程来执行新类型的计算任务。 FPGA常年来被用作专用芯片（ASIC）的小批量替代品，然而近年来在微软、百度等公司的数据中心大规模部署，以同时提供强大的计

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：62kb
    • 提供者：weixin_38709139

  1. 在FPGA，GPU和多核CPU上加速群智能算法的通用框架

  2. 在FPGA，GPU和多核CPU上加速群智能算法的通用框架

  3. 所属分类：其它

  1. 在FPGA，GPU和多核CPU上加速群智能算法的通用框架

  2. 在FPGA，GPU和多核CPU上加速群智能算法的通用框架

  3. 所属分类：其它

  1. FPGA设计细节和实现（初学者）

  2. 随着FPGA的制造工艺进步和计算需求的发展，一些资源丰富、性能强大的FPGA被用在越来越多的嵌入式处理领域。相对于GPU，FPGA的处理速度在相同的情况下，其功耗更低，体积更小，计算密度更大，价格更加能被普通的商业、工业场合应用。在机器人和工业检测等需要高速并行的视觉处理系统邻域，FPGA具有广泛的应用前景。FPGA（现场可编程门阵列）是一种集成电路，由于其具有重配置性能，开发人员可以自行进行设计制造，按照功能需求，将硬件电路进行搭建，因此现场可编程。FPGA常使用VHDL或者VerilogHD

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：1016kb
    • 提供者：weixin_38723242

  1. AutoDock-GPU：适用于GPU和其他加速器的AutoDock-源码

  2. AutoDock-GPU：适用于GPU和其他加速器的AutoDock 关于 OpenCL和Cuda加速版的AutoDock4.2.6。 它通过在多个计算单元上并行处理配体-受体姿势来利用其令人尴尬的可并行LGA。 OpenCL版本是与TU-Darmstadt合作开发的，能够针对CPU，GPU和FPGA架构。 Cuda版本是与Nvidia合作开发的，以便在Oak Ridge国家实验室（ORNL）峰会上运行AutoDock-GPU，其中包括Jubilee Development公司的Aaron

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：18mb
    • 提供者：weixin_42131628

  1. AutonomousDrivingCookbook：自动驾驶的场景，教程和演示-源码

  2. 自动驾驶食谱（预览） 注意： 该项目由Microsoft Garage的开发并维护。 目前这项工作正在进行中。 我们将根据用户的要求和合作者的可用性继续添加更多的教程和方案。 在过去的大约五年时间里，自动驾驶已经超越了疯狂的登月计划。 它已Swift成为当今最大的技术之一，有望塑造我们的明天，与汽车首次出现时并没有什么不同。 推动此变化的主要动力是软件（人工智能），硬件（GPU，FPGA等）和云计算的最新进展，这些进展使得能够提取和处理大量数据，从而使公司有可能推动新的水平自治的4和5。 兰

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：46mb
    • 提供者：weixin_42137032

  1. FPGA设计细节和实现（初学者）

  2. 随着FPGA的制造工艺进步和计算需求的发展，一些资源丰富、性能强大的FPGA被用在越来越多的嵌入式处理领域。相对于GPU，FPGA的处理速度在相同的情况下，其功耗更低，体积更小，计算密度更大，价格更加能被普通的商业、工业场合应用。在机器人和工业检测等需要高速并行的视觉处理系统邻域，FPGA具有广泛的应用前景。 FPGA（现场可编程门阵列）是一种集成电路，由于其具有重配置性能，开发人员可以自行进行设计制造，按照功能需求，将硬件电路进行搭建，因此现场可编程。FPGA常使用VHDL或者Verilog

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：1014kb
    • 提供者：weixin_38691220

  1. 浅谈神经网络在FPGA平台上的实现方案

  2. 近十年来，人工智能又到了一个快速发展的阶段。深度学习在其发展中起到了中流砥柱的作用，尽管拥有强大的模拟预测能力，深度学习还面临着超大计算量的问题。在硬件层面上，GPU，ASIC，FPGA都是解决庞大计算量的方案。本文将阐释深度学习和FPGA各自的结构特点以及为什么用FPGA加速深度学习是有效的，并且将介绍一种递归神经网络（RNN）在FPGA平台上的实现方案。　　揭开深度学习的面纱　　深度学习是机器学习的一个领域，都属于人工智能的范畴。深度学习主要研究的是人工神经网络的算法、理论、应用。自从200

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：153kb
    • 提供者：weixin_38630463

  1. 一种递归神经网络在FPGA平台上的实现方案详解

  2. 近十年来，人工智能又到了一个快速发展的阶段。深度学习在其发展中起到了中流砥柱的作用，尽管拥有强大的模拟预测能力，深度学习还面临着超大计算量的问题。在硬件层面上，GPU，ASIC，FPGA都是解决庞大计算量的方案。本文将阐释深度学习和FPGA各自的结构特点以及为什么用FPGA加速深度学习是有效的，并且将介绍一种递归神经网络（RNN）在FPGA平台上的实现方案。 　　揭开深度学习的面纱 　　深度学习是机器学习的一个领域，都属于人工智能的范畴。深度学习主要研究的是人工神经网络的算法、理论、应用。自

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：316kb
    • 提供者：weixin_38722329

  1. 适用于FPGA、GPU和ASIC系统的电源管理

  2. 在 FPGA、GPU 或 ASIC 控制的系统板上，仅有为数不多的几种电源管理相关的设计挑战，但是由于需要反复调试，所以这类挑战可能使系统的推出时间严重滞后。不过，如果特定设计或类似设计已经得到电源产品供应商以及 FPGA、GPU 和 ASIC 制造商的验证，就可以防止很多电源和 DC/DC 调节问题。分析和解决问题的负担常常落在系统设计师的肩上。配置设计方案复杂的数字部分已经占据了这些设计师的大部分精力。因此处理设计方案的模拟和电源部分就成了主要挑战，因为电源并非如很多设计师所预期的那样是个简

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：418kb
    • 提供者：weixin_38706455

  1. 适用于 FPGA、GPU 和 ASIC 系统的电源管理

  2. 在 FPGA、GPU 或 ASIC  控制的系统板上，仅有为数不多的几种电源管理相关的设计挑战，但是由于需要反复调试，所以这类挑战可能使系统的推出时间严重滞后。不过，如果特定设计或类似设计已经得到电源产品供应商以及  FPGA、GPU 和 ASIC 制造商的验证，就可以防止很多电源和 DC/DC  调节问题。分析和解决问题的负担常常落在系统设计师的肩上。配置设计方案复杂的数字部分已经占据了这些设计师的大部分精力。因此处理设计方案的模拟和电源部分就成了主要挑战，因为电源并非如很多设计师所预期的那样

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：537kb
    • 提供者：weixin_38711041
« 12 3 4 5 »