• 使用ESP32基于物聯(lián)網(wǎng)的智能車庫門開啟器

    車庫門太重，打開和關閉要費很大的力氣。在這個萬物互聯(lián)的物聯(lián)網(wǎng)時代，我們也應該改進它。想象一下，只需點擊智能手機就可以輕松打開車庫門，這正是我們要在這個智能車庫門物聯(lián)網(wǎng)項目中構建的，我們將使用ESP32開發(fā)板和Arduino IDE來構建這個項目。以前我們也建立了一個類似的Wi-Fi車庫門開啟器項目，使用直流電機，你也可以檢查一下，如果你感興趣。

  • 適用FPGA的小型神經(jīng)網(wǎng)絡：加速邊緣智能的新篇章

    在人工智能（AI）技術日新月異的今天，神經(jīng)網(wǎng)絡作為其核心驅(qū)動力，正逐步滲透到各個行業(yè)與領域。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡模型往往受限于計算資源和功耗，難以在邊緣設備上實現(xiàn)高效運行?，F(xiàn)場可編程門陣列（FPGA）作為一種高性能、低功耗的硬件加速器，為小型神經(jīng)網(wǎng)絡的部署提供了理想的平臺。本文將深入探討適用于FPGA的小型神經(jīng)網(wǎng)絡，以及它們在邊緣智能應用中的獨特優(yōu)勢。

  • 使用PYNQ訓練和實現(xiàn)二值神經(jīng)網(wǎng)絡（BNN）：加速邊緣智能的新途徑

    在人工智能（AI）的浪潮中，深度學習模型正逐漸滲透到各個行業(yè)和領域。然而，傳統(tǒng)的深度學習模型通常計算量大、功耗高，難以在資源受限的邊緣設備上實現(xiàn)高效運行。為了解決這一問題，二值神經(jīng)網(wǎng)絡（BNN）應運而生。BNN通過將權重和激活值二值化（即取值為+1或-1），極大地降低了計算復雜度和功耗，使其更適合在邊緣設備上部署。本文將介紹如何使用PYNQ平臺來訓練和實現(xiàn)BNN，并附上相關代碼示例。

    智能應用
    2024-10-24
    PYNQ BNN

  • CCIX在高速緩存一致性主機到FPGA接口中的應用評估

    隨著數(shù)據(jù)中心、云計算和大數(shù)據(jù)等領域的快速發(fā)展，對高性能計算和異構計算的需求日益增長。在這樣的背景下，緩存一致性互聯(lián)標準CCIX（Cache Coherent Interconnect for Accelerators）逐漸成為連接主機處理器（如CPU）和加速器設備（如FPGA）的關鍵技術。本文旨在評估CCIX在構建高速緩存一致性主機到FPGA接口中的應用，探討其優(yōu)勢、挑戰(zhàn)，并提供相關代碼示例。

  • 使用機器學習預測FPGA的執(zhí)行時間與功耗：一種創(chuàng)新的方法

    隨著科技的飛速發(fā)展，現(xiàn)場可編程門陣列（FPGA）在高性能計算、數(shù)據(jù)中心、人工智能等領域的應用日益廣泛。然而，F(xiàn)PGA設計的復雜性和功耗問題一直是制約其性能提升的關鍵因素。近年來，機器學習（ML）技術的興起為FPGA的執(zhí)行時間與功耗預測提供了新的解決方案。本文將探討如何使用機器學習進行FPGA的執(zhí)行時間與功耗預測，并分析其優(yōu)勢與挑戰(zhàn)。

  • 在MCU端部署GRU模型實現(xiàn)鼾聲檢測：科技與健康管理的融合

    隨著人工智能技術的快速發(fā)展，深度學習模型在各個領域的應用日益廣泛。特別是在醫(yī)療健康領域，深度學習模型的引入為疾病的早期檢測、持續(xù)監(jiān)測和健康管理提供了全新的解決方案。鼾聲檢測作為睡眠呼吸障礙監(jiān)測的重要一環(huán)，也受益于深度學習技術的發(fā)展。本文將探討在微控制器單元（MCU）端部署門控循環(huán)單元（GRU）模型實現(xiàn)鼾聲檢測的技術背景、實現(xiàn)方法及其潛在應用。

  • PIC64GX MPU 面向智能邊緣計算應用

    智慧城市、遠程監(jiān)控、自動駕駛汽車和智能視覺等多種應用對智能邊緣計算的需求正在不斷增加。在本文中，我們重點介紹 Microchip Technology 全新 PIC64GX 系列 64 位微處理器的一些功能。

    智能應用
    2024-10-20
    MPU PIC64GX

  • 利用光伏能源驅(qū)動無電池物聯(lián)網(wǎng)

    隨著物聯(lián)網(wǎng)(IoT)技術的快速發(fā)展，越來越多的設備連接到網(wǎng)絡中，使得我們的生活和工作變得更加智能化和便捷。然而，傳統(tǒng)物聯(lián)網(wǎng)設備大多依賴電池供電，這不僅增加了維護成本，還對環(huán)境造成了不小的負擔。近年來，利用光伏能源驅(qū)動無電池物聯(lián)網(wǎng)的概念逐漸興起，為解決這一問題提供了新的思路。本文將探討光伏能源在無電池物聯(lián)網(wǎng)中的應用、優(yōu)勢、挑戰(zhàn)以及未來的發(fā)展方向。

  • 企業(yè)生成式 AI 應用的架構模式：DSFT、RAG、RAFT 和 GraphRAG

    最佳設計的企業(yè)架構是任何組織 IT 系統(tǒng)的支柱，它支持實現(xiàn)組織業(yè)務目標的基礎構建塊。架構包括最佳實踐、明確概述的策略、通用框架和指導方針，供工程團隊和其他利益相關者選擇正確的工具來完成任務。企業(yè)架構主要由支持業(yè)務線的架構團隊管理。在大多數(shù)組織中，架構團隊負責概述架構模式和通用框架，這將有助于工程和產(chǎn)品團隊不必花費數(shù)小時的精力進行概念驗證，而是幫助他們采用基于模式設計核心構建塊的策略。

  • 理解卷積神經(jīng)網(wǎng)絡

    神經(jīng)網(wǎng)絡是一種系統(tǒng)，或者說是神經(jīng)元的結構，它使人工智能能夠更好地理解數(shù)據(jù)，從而解決復雜的問題。雖然網(wǎng)絡類型多種多樣，但本系列文章將僅關注卷積神經(jīng)網(wǎng)絡 (CNN)。CNN 的主要應用領域是模式識別和對輸入數(shù)據(jù)中包含的對象進行分類。CNN 是一種用于深度學習的人工神經(jīng)網(wǎng)絡。這種網(wǎng)絡由一個輸入層、幾個卷積層和一個輸出層組成。卷積層是最重要的組件，因為它們使用一組獨特的權重和過濾器，使網(wǎng)絡能夠從輸入數(shù)據(jù)中提取特征。數(shù)據(jù)可以有多種不同的形式，例如圖像、音頻和文本。這種特征提取過程使 CNN 能夠識別數(shù)據(jù)中的模式。通過從數(shù)據(jù)中提取特征，CNN 使工程師能夠創(chuàng)建更有效、更高效的應用程序。為了更好地理解 CNN，我們將首先討論經(jīng)典的線性規(guī)劃。

  • 機器學習和人工智能如何改變移動應用中的醫(yī)療診斷

    長期以來，醫(yī)療保健一直是一個數(shù)據(jù)密集型領域，而如今，人工智能和機器學習的融合正在開辟新的領域，尤其是在診斷領域。作為開發(fā)人員，我們處于這一轉變的前沿，構建移動應用程序，幫助患者和醫(yī)療保健專業(yè)人員更快地做出更好的決策。從提高診斷準確性到加快早期疾病檢測，人工智能驅(qū)動的移動應用程序正成為現(xiàn)代醫(yī)療保健中不可或缺的工具。

  • 分布式互斥的高效容錯解決方案

    在分布式系統(tǒng)領域，確保在任何給定時間只有一個進程可以訪問共享資源至關重要——這就是互斥發(fā)揮作用的地方。如果沒有可靠的方法來實施互斥，系統(tǒng)很容易遇到數(shù)據(jù)不一致或競爭條件等問題，從而可能導致災難性的故障。隨著分布式系統(tǒng)變得越來越復雜，對管理共享資源訪問的強大算法的需求變得越來越重要。

  • 定義 2024 年的 7 種產(chǎn)品設計趨勢

    進入 2024 年，令人著迷的技術融合為新型創(chuàng)新設備打開了大門。人工智能/機器學習、電池創(chuàng)新、先進機器人技術和物聯(lián)網(wǎng)的并行路徑正在碰撞，為解決新舊挑戰(zhàn)提供了新穎的方法。

  • 通過智能分塊和元數(shù)據(jù)集成獲得更好的搜索結果

    通常，我們開發(fā)基于 LLM 的檢索應用程序的知識庫包含大量各種格式的數(shù)據(jù)。為了向LLM提供最相關的上下文來回答知識庫中特定部分的問題，我們依賴于對知識庫中的文本進行分塊并將其放在方便的位置。

  • 深度學習實踐者指南

    我們的世界正在經(jīng)歷一場由深度神經(jīng)網(wǎng)絡驅(qū)動的人工智能革命。隨著 Apple Intelligence 和 Gemini 的出現(xiàn)，人工智能已經(jīng)普及到每個擁有手機的人。除了消費者人工智能之外，我們還將深度學習模型應用于汽車、金融、醫(yī)療、制造業(yè)等多個行業(yè)。這促使許多工程師學習深度學習技術并將其應用于解決項目中的復雜問題。為了幫助這些工程師，必須制定一些指導原則，以防止在構建這些黑盒模型時出現(xiàn)常見的陷阱。

發(fā)布文章