New-Tech Magazine | April 2019

נמוך וביצועים גבוהים, אשר 'קבוצת שירותי התשתית' של החברה שיערה שלא יכולה הייתה לממש בעזרת שימוש ביחידות אפשר לראות את התוצאות 1 . באיור GPU מהניתוח שערך הצוות עם רשת שיורית ResNet -18 - ) עמוקה residual network ( מבוסס רכיבי DLP - שמראה כיצד מעבד 0.174 משיג זמן אחזור של רק FPGA מהמקרה של 86%- שניות: מהיר יותר ב שווה ערך. תפוקה שנמדדה GPU מעבד Queries Per Second בשאילתות לשנייה (- ) גבוהה יותר מאשר פי שבעה. QPS Microsoft של Brain Wave פרוייקטים כגון הקימו בהצלחה Alibaba של DLP ומעבד ארכיטקטורות חומרה חדשות שיש להן יכולת להאיץ את עומסי העבודה של בינה ). זו רק תחילתו של המסע, AI מלאכותית ( שבסופו של דבר יהפוך את האצת לימוד המכונה לזמינה באופן נרחב ללקוחות בשירותי ענן, וכן למשתמשים תעשייתיים ולקהיליית תעשיית כלי הרכב, אשר לעתים קרובות יותר מחפשים לפרוש הסקת מסקנות בלימוד מכונה במערכות משובצות בקצות הרשת. מאידך, כמה ספקי שירות מעונינים ליצוק את לימוד המכונה אל תוך מערכות קיימות על מנת להרחיב ולהאיץ אתתרחישי השימוש שהוקמו. דוגמאות כוללות אבטחת רשתות, שבהן לימוד מכונה משפר את הכרת התבנית כדי להניע גילוי מהיר יותר של תוכנה זדונית וחריגות מסוכנות. הזדמנויות אחרות כוללות שימוש ביישומי לימוד מכונה, כגון זיהוי פנים או גילוי הפרעות אשר עוזרים להפעיל ערים חכמות באופן חלק יותר. האצת בינה מלאכותית עבור מי FPGA שאינם מומחים ברכיבי הקימה מערכת אקולוגית של Xlinix חברת משאבים שמאפשרת למשתמשים לנצל את להאצת FPGA הפוטנציאל הטמון ברכיבי עומסי עבודה של בינה מלאכותית בענן או בקצות הרשת. ML בין הכלים הזמינים, קיימת הסוויטה - ) אשר מטפלת בהידור הרשת 2 (איור Suite העצבית המלאכותית, כדי שתפעל בחומרה . היא יכולה Xilinix של FPGA של רכיבי לפעול עם רשתות עצביות מלאכותיות שנוצרו במסגרות עבודה משותפות של לימוד TensorFlow , Caffe מכונה, בהן נכללות , מקל Pyton API ואחרות. ממשק MxNet על הפעילות האינטראקטיבית עם הסוויטה . ML - Suite

.Alibaba Cloud של DLP השוואה בין הביצועים וזמן האחזור של מעבד .1 איור «

מאחר שמסגרות עבודה של לימוד מכונה נוטות ליצור רשתות עצביות מלאכותיות מבוססות על אריתמטיקה של נקודה ML - Suite סיביות, הסוויטה 32 - צפה ב ) שממיר את Quantizer כוללת כלי כימוי ( האריתמטיקה לשווה הערך בנקודה קבועה, אשר מתאים בצורה טובה יותר למימוש . כלי הכימוי הוא חלק FPGA ברכיבי ,) middleware ממערך של תוכנת ביניים ( כלים להידור ולאופטימיזציה, וזמן הפעלה, , אשר מבטיח xfDNN שנקרא באופן כולל שהרשת העצבית המלאכותית תספק את הביצועים הטובים ביותר האפשריים ברכיבי . FPGA סיליקון המערכת האקולוגית גם ממנפת את הרכישה שביצעה על ידי DeePhi Technology של ) pruner באמצעות שימוש בגוזם ( Xlinix כדי להסיר משקלים קרובים DeePhi של ) ולדחוס ולפשט near zero weight לאפס ( הוכיח DeePhi את שכבות הרשת. הגוזם של

עצמו כמגדיל את מהירות הרשת העצבית המלאכותית פי עשרה ומקטין באופן משמעותי את צריכת ההספק של המערכת, מבלי לגרום נזק לביצועים הכוללים ולדיוק. כאשר הדברים מגיעים לפרישה של הרשת העצבית המלאכותית שעברה המרה, מספקת שכבות של ML - Suite הסוויטה מותאמים אישית, שמנעו xDNN מעבד מאנשי התכנון את המורכבות הכרוכה ונצלו את המשאבים FPGA בתכנון רכיבי שעל השבב באופן יעיל. כל שכבה קיימת בדרך כלל עם קבוצת הפקודות המותאמת אישית שלה, לצורך הפעלה של סוגים שונים של רשתות עצביות מלאכותיות. המשתמשים יכולים לפעול יחד עם הרשת העצבית המלאכותית באמצעות ממשקי , תוך כדי עבודה בתוך הסביבה RESTful API המועדפת עליהם. עבור פרישות שנערכות בחצרים, כרטיסי מסירים Xlinix של AlveoTM המאיצים

מספקת מערכת אקולוגית של משאבים Xlinix של ML-Suite :2 . איור מס « לפיתוח לימוד מכונה.

New-Tech Magazine l 38