CEVA深度神經(jīng)網(wǎng)絡(luò)編譯器的最新版本支持開放式神經(jīng)網(wǎng)絡(luò)交換ONNX格式
CEVA宣布其獲獎的CEVA深度神經(jīng)網(wǎng)絡(luò)(CDNN) 編譯器的最新版本支持開放式神經(jīng)網(wǎng)絡(luò)交換Open Neural Network Exchange(ONNX)格式。
CEVA副總裁兼視覺業(yè)務(wù)部門總經(jīng)理Ilan Yona 表示：“CEVA全力確保實現(xiàn)開放、可互操作的AI生態(tài)系統(tǒng)，人工智能應(yīng)用程序開發(fā)人員能夠充分利用生態(tài)系統(tǒng)中各種不同深度學(xué)習(xí)框架，考慮其功能和易用性，為所需特定應(yīng)用選擇最合適的深度學(xué)習(xí)框架。通過為CDNN編譯器技術(shù)添加ONNX支持，我們?yōu)镃EVA-XM和NeuPro的客戶及生態(tài)系統(tǒng)合作伙伴提供了更廣泛的功能，用于培訓(xùn)和豐富其神經(jīng)網(wǎng)絡(luò)應(yīng)用?！?/p>
ONNX是由Facebook、微軟和AWS創(chuàng)建的開放格式，用于實現(xiàn)AI社群內(nèi)的互操作性和可移植性，可讓開發(fā)人員針對項目使用合適的工具組合，而不會被任何一個框架或生態(tài)系統(tǒng)“鎖定”。ONNX標(biāo)準(zhǔn)確保了不同深度學(xué)習(xí)框架之間的互操作性，容許開發(fā)人員完全自由地選用任何機器學(xué)習(xí)框架來訓(xùn)練其神經(jīng)網(wǎng)絡(luò)，然后使用另一個AI框架進行部署。現(xiàn)在，通過CDNN神經(jīng)網(wǎng)絡(luò)編譯器的對ONNX的支持，開發(fā)人員可以導(dǎo)入以任何ONNX兼容框架生成的模型，并將之部署在CEVA-XM視覺DSP和NeuPro AI處理器上。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4820瀏覽量
106316 -
編譯器
+關(guān)注
關(guān)注
1文章
1665瀏覽量
50953 -
生態(tài)系統(tǒng)
+關(guān)注
關(guān)注
0文章
709瀏覽量
21478
原文標(biāo)題：CEVA為CDNN神經(jīng)網(wǎng)絡(luò)編譯器增添ONNX支持
文章出處：【微信號：CEVA-IP，微信公眾號：CEVA】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
熱點推薦
在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗
本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗。我們采用jupyter notebook作為開發(fā)IDE，以TensorFlow2為訓(xùn)練框架，目標(biāo)是訓(xùn)練一個手寫數(shù)字識別的神經(jīng)網(wǎng)絡(luò)
發(fā)表于 10-22 07:03
液態(tài)神經(jīng)網(wǎng)絡(luò)（LNN）：時間連續(xù)性與動態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)
1.算法簡介液態(tài)神經(jīng)網(wǎng)絡(luò)（LiquidNeuralNetworks，LNN）是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，其設(shè)計理念借鑒自生物神經(jīng)系統(tǒng)，特別是秀麗隱桿線蟲的神經(jīng)結(jié)構(gòu)，盡管這種微生物的
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
多層。 每一層都由若干個神經(jīng)元構(gòu)成，神經(jīng)元之間通過權(quán)重連接。信號在神經(jīng)網(wǎng)絡(luò)中是前向傳播的，而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ： CNN主要由卷積層、池化層和全連接層組成。
BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點分析
BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）作為一種常用的機器學(xué)習(xí)模型，具有顯著的優(yōu)點，同時也存在一些不容忽視的缺點。以下是對BP神經(jīng)網(wǎng)絡(luò)優(yōu)缺點的分析： 優(yōu)點
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法（Backpropagation Algorithm）是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的有效方法。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法的介紹： 一、基本概念 反向傳播算法是BP
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)之間存在著密切的關(guān)系，以下是對它們之間關(guān)系的介紹： 一、BP神經(jīng)網(wǎng)絡(luò)的基本概念 BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)（Ba
深度學(xué)習(xí)入門：簡單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實現(xiàn)
深度學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元組成，
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機器學(xué)習(xí)的基礎(chǔ)知識和多種算法。在本文中，我們會介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具與框架
卷積神經(jīng)網(wǎng)絡(luò)因其在圖像和視頻處理任務(wù)中的卓越性能而廣受歡迎。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，多種實現(xiàn)工具和框架應(yīng)運而生，為研究人員和開發(fā)者提供了強大的支持。 TensorFlow 概述
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識別、自然語言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)
深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型
深度學(xué)習(xí)近年來在多個領(lǐng)域取得了顯著的進展，尤其是在圖像識別、語音識別和自然語言處理等方面。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個分支，因其在圖像處理任務(wù)中的卓越性能而受到廣泛關(guān)注。 卷積神經(jīng)網(wǎng)絡(luò)
RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別
神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)領(lǐng)域中的一種強大工具，它們能夠模擬人腦處理信息的方式。隨著技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)的類型也在不斷增加，其中循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（如前饋
LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作機制
LSTM（Long Short-Term Memory，長短期記憶）神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），設(shè)計用于解決長期依賴問題，特別是在處理時間序列數(shù)據(jù)時表現(xiàn)出色。以下是LSTM神經(jīng)網(wǎng)絡(luò)
LSTM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)RNN的區(qū)別
在深度學(xué)習(xí)領(lǐng)域，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）因其能夠處理序列數(shù)據(jù)而受到廣泛關(guān)注。然而，傳統(tǒng)RNN在處理長序列時存在梯度消失或梯度爆炸的問題。為了解決這一問題，LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)應(yīng)運而生。 循環(huán)
Moku人工神經(jīng)網(wǎng)絡(luò)101
Moku3.3版更新在Moku:Pro平臺新增了全新的儀器功能【神經(jīng)網(wǎng)絡(luò)】，使用戶能夠在Moku設(shè)備上部署實時機器學(xué)習(xí)算法，進行快速、靈活的信號分析、去噪、傳感器調(diào)節(jié)校準(zhǔn)、閉環(huán)反饋等應(yīng)用。如果您
工商網(wǎng)監(jiān)
評論