#هوش_نهفته به استفاده از #هوش_مصنوعی در سیستم های نهفته و همچنین پیاده سازی آن بر روی سیستم های نهفته اطلاق می شود.

مقاله مرتبط:
https://goo.gl/voT359

#embeddedAI
@embedded

#آموزش شبکه های عصبی کانولوشن ( #CNN ) مطابق سرفصل دانشگاه استنفورد را از لینک زیر بخوانید:
http://cs231n.github.io

#deep_learning
#EmbeddedAI
@embedded

#مقایسه؛
مقایسه توان مصرفی و زمان پردازش برای ساخت مدل با فریمورک #یادگیری_عمیق caffe بر روی #zynq و #GPU .
فایل کامل:
https://goo.gl/eWnu8y
#AI
#caffe
#embeddedAI
@embedded

#تازه_ها ؛
شرکت #movidius ، زیرمجموعه #intel ، افزونه های محاسبات عصبی را برای استفاده سریعتر از فریمورک های #یادگیری_عمیق ارایه میکند.
مورد استفاده در سیستم های نهفته و رباتیک
#embeddedAI
@embedded

#فیلم #معرفی افزونه محاسبات عصبی #Movidius ، شتابدهنده سخت افزاری برای یادگیری عمیق ، با قابلیت استفاده از #Caffe و #TensorFlow و... .
با قیمت حدود ۸۰ دلار
#embeddedAI
#deep_learning
@embedded

#تازه_ها ؛ در نمایشگاه #ces2018 یک نمونه #پروتوتایپ ربات خانه دار با نام #Aeolus معرفی شد. رباتی که شمارا می شناسد و اشیا گمشده شما را هم برایتان می آورد!
#embeddedAI
#robotics
@embedded

#فیلم؛
ویدیوی کامل پنل " #هوش_نهفته " کنفرانس France is #AI در سال ۲۰۱۷ ، را در کانال آپارات ما مشاهده نمایید.
+ زیرنویس انگلیسی (بزودی فارسی)
https://www.aparat.com/v/GCVWt

#embeddedAI
@embedded

#تازه_ها ؛ شرکت #PowerVR کیت توسعه نام افزاری #CLDNN را برای پیاده سازی شبکه های عصبی کانولوشن ( #CNN ) برای استفاده در پردازنده های گرافیکی خود با نمایش این دمو معرفی کرد.

#embeddedAI
@embedded

📣 #تازه_ها؛
کمپانی #ARM ، یک معماری بهینه جهت عملیات #هوش_مصنوعی با مصرف توان پایین جهت کاربرد #هوش_نهفته تحت پروژه #Trillium معرفی کرد.
+ قابلیت اجرای #TensorFlow و #Caffe و...
#EmbeddedAI
@embedded

🔸#تازه_ها ؛ امانوئل ماکرون ، رییس جمهور فرانسه از استراتژی برجسته این کشور برای حمایت از تحقیقات و پروژه های #هوش_مصنوعی با پشتوانه ۱/۵ میلیارد یورو رونمایی کرد.
#AI
#EmbeddedAI
@embedded

#فیلم #معرفی افزونه محاسبات عصبی #Movidius ، شتابدهنده سخت افزاری برای یادگیری عمیق ، با قابلیت استفاده از #Caffe و #TensorFlow و... .
با قیمت حدود ۸۰ دلار
#embeddedAI
#deep_learning
@embedded

📖 #دانلود_کتاب

🔸 یادگیری عمیق نهفته

🔹 آشنایی با الگوریتم ها، معماری و سایر تکنیک ها برای پیاده سازی "یادگیری عمیق نهفته"

👈 کتابی مناسب برای استفاده توسعه دهندگان سیستم های نهفته و علاقه مندان حوزه #هوش_نهفته

📇 #Springer 2019


#embeddedAI
#DeepLearning
#AI
🔸 #دانلود_کتاب های مرتبط با #مهندسی_نهفته را دنبال کنید.👇
@embedded
@embeddedAI

📖 #دانلود_کتاب

🔸 یادگیری عمیق نهفته

🔹 آشنایی با الگوریتم ها، معماری و سایر تکنیک ها برای پیاده سازی "یادگیری عمیق نهفته"

👈 کتابی مناسب برای استفاده توسعه دهندگان سیستم های نهفته و علاقه مندان حوزه #هوش_نهفته

📇 #Springer 2019


#embeddedAI
#DeepLearning
#AI
🔸 #دانلود_کتاب های مرتبط با #مهندسی_نهفته را دنبال کنید.👇
@embedded

✅ پردازش های هوش مصنوعی روی میکروکنترلر با ELL؟

ایده های متنوعی برای #پردازش_لبه ای هوش مصنوعی وجود دارد، یکی از این ایده ها و راهکارها استفاده از Embedded Learning Library (ELL) معرفی شده توسط #مایکروسافت میباشد.

👈 ای ال ال، یک کامپایلر هست که مدل های یادگیری عمیق فریمورک های یادگیری همچون تنسورفلو، پایتورچ و.. در فرمت ONNX را به کدماشین تبدیل میکند و شما میتوانید از آن در برنامه های نهفته به زبان C++،  و یا Python استفاده کنید.

📌 تصویر بالا مربوط به ارایه ای مربوط به این کتابخانه متن باز هست که از طریق این لینک قابل دسترسی است.

#ELL #DeepLearning
#SBC #embeddedAI

🔸 #هوش_نهفته را دنبال کنید.
T.me/embeddedAI
T.me/embedded

🔸 محیط اجرای پردازش لبه اینتل Devcloud

👈 توسعه‌دهندگان #هوش_نهفته و #پردازش_لبه، همواره با چالش‌هایی جهت انتخاب سخت افزار و نرم‌افزار مناسب جهت کاربرد خاص، روبه‌رو هستند.

👈 اما، ابزار فراهم شده توسط اینتل میتواند چالش‌های ذکر شده را برای متخصصان این حوزه برطرف کند. اینتل شرایط و امکانات سخت افزاری و نرم افزاری جهت پردازش لبه‌ای را در بستر ابری DevCloud فراهم کرده که حتی به طور رایگان میتواند جهت نمونه سازی و تست کارایی مورد استفاده قرار گیرد.

🔗 https://devcloud.intel.com

🔺 پردازش لبه و تفاوت آن با ابری؟
🔺 ابزار مایکروسافت برای پردازش هوش مصنوعی روی لبه

#EdgeComputing
#CloudComputing
#EmbeddedAi
@embeddedAi
@embedded

توسعه مبتنی بر CUDA با CUTLASS 4.0 آسان می‌شود.

توسعه مبتنی بر CUDA با چالش و دشواری همراه بود که خصوصا استفاده از آن برای نمونه‌سازی اولیه منطقی نبود که با معرفی فریمورک جدید CUTLASS مشکل برطرف شد.

کوتلاس، یک فریمورک توسعه کرنل‌های CUDA با ترکیب پایتون و C++ ارائه می‌دهد. با استفاده از DSLهای پایتون مانند CuTe، مفاهیم پیشرفته مانند چینش داده‌ها (Layouts)، تانسورها و عملیات اتمی سخت‌افزاری (Atoms) به سادگی قابل پیاده‌سازی هستند. این روش با کامپایل JIT از طریق MLIR و ptxas، امکان توسعه سریع‌تر، اشکال‌زدایی آسان‌تر و کارایی نزدیک به کد C++ را فراهم می‌کند. CUTLASS DSLها جایگزین نسخه C++ نیستند، بلکه ابزاری برای پروتوتایپ سریع و یادگیری آسان‌تر مفاهیم GPU هستند. نسخه فعلی (بتا) محدودیت‌هایی دارد، اما نسخه نهایی تا تابستان ۲۰۲۵ منتشر می‌شود.

NVIDIA’s CUTLASS 4.0 merges Python’s ease with CUDA’s power via DSLs like CuTe, simplifying GPU kernel dev. Key features:
- Layouts, Tensors & Atoms for hardware-aware programming
- Pythonic syntax + JIT compilation (MLIR/ptxas) for fast iteration
- Near-C++ performance with optimized CUTLASS primitives
- Not a C++ replacement—supports rapid prototyping & education
Currently in public beta (sometomorrow m limitations), with full release planned for Summer 2025. Ideal for researchers, students, and perf engineers.



Read more from Nvidia

مطلب مرتبط:
استارتاپ‌های تراشه‌ای؟

#GPU
#Nvidia
#DeepLearning
#EmbeddedAI

@embedded

هوش‌مصنوعی، آنالوگ می‌شود؟

در ادامه روند شتابان پیشرفت تحقیقات در زمینه پردازش‌های عصبی؛ در پاسخ به نیاز گسترده عموم به پردازش شبکه‌های بیشتر با سرعت بیشتر و مصرف انرژی پایین‌تر، ایده آزمایشگاهی شبکه‌های عصبی فیزیکی (PNN) معرفی شد.

این شبکه‌های عصبی فیزیکی از خواص نور و پدیده‌های کوانتومی برای پردازش اطلاعات استفاده می‌کنند، بنابراین محدودیت‌های پردازشی و انرژی ندارند.

پژوهشی که به تازگی در مجله Nature منتشر شده، مراحل آموزش شبکه‌های عصبی فیزیکی توسعه داده شده با چیپ‌های فوتونیک را مشخص می‌کند. این چیپ‌ها با استفاده از فناوری‌های فوتونیک یکپارچه، عملیات ریاضی مانند جمع و ضرب را از طریق مکانیزم‌های تداخل نور روی میکروچیپ‌های سیلیکونی کوچک انجام می‌دهند.

تحقیقات و پیشرفت‌های آزمایشگاهی مثل این پژوهش، نشان دهنده‌ی آینده‌ای جذاب در این حوزه است که بتواند پردازش مدل‌های بزرگ به صورت لبه (Edge) را فراهم کند.

✍ عادل برکم
#embeddedAI
#PNN
#EdgeComputing
@embedded

The STM32N6 is the first STM32 MCU to embed the ST Neural-ART accelerator™, an in-house developed neural processing unit (NPU) engineered for power-efficient edge AI applications. Clocked at 1 GHz and providing up to 600 GOPS, it enables real-time neural network inference for computer vision and audio applications.


در ادامه روند استارتاپ‌های تراشه‌ای و معرفی چیپ‌های هوش مصنوعی و توسعه هوش‌نهفته، شرکت STM از تراشه جدید خود برای استفاده‌های مختلف هوش مصنوعی در سیستم‌های نهفته با مصرف انرژی بهینه رونمایی کرد. موضوعی که در راستای هوش مصنوعی سبز بوده و شاهد تلاش‌ها برای آنالوگ شدن هوش مصنوعی هم هستیم.

هوش مصنوعی آنالوگ می‌شود؟

#هوش_نهفته
#embeddedAI
@embedded