مشخصات #GPU شرکت انویدیا سری jetson TX1
@embedded

#دانلود_کتاب ؛
کتاب " برنامه نویسی #ویدئو ، #صوت و #GPU #رسپری_پای "

شامل #آموزش_برنامه_نویسی برای کاربردهای گرافیکی و چندرسانه ای با استفاده از #رسپری_پای
@embedded

#book:
#Raspberry_Pi #GPU Audio Video
#Programming
—------
#EGL
#OpenGL
#OpenMAX
#Khronos
#OpenVG

@embedded

#دانلود_کتاب ؛
با عنوان: " ضروریات #OpenCV " ( به انگلیسی : OpenCV Essentials)
از جمله ویژگی های این کتاب توضیح در مورد #یادگیری_ماشین ، #SVM و هم چنین پیاده سازی با #CUDA بر روی #GPU و...
@embedded

#مقایسه ؛ سرعت عملیات های متداول پردازش تصویر در پیاده سازی با #GPU مدل Tesla C2050 با #CPU مدل Core i5-760 2.8Ghz, SSE, TBB
#EmbeddedVision
@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

از #استارتاپ های تراشه ای چه می دانید؟

✅قسمت اول

اگر مطالب #تاریخچه موجود در کانال را دنبال کرده باشید ، بر همراهی و همگام بودن پیشرفت نرم افزاری و سخت افزاری در توسعه فناوری کامپیوتر و سامانه های نهفته واقف هستید.
هم چنین حرکت شتابدار حوزه های مختلف فناوری و صنعت به سمت بهره گیری از #هوش_مصنوعی را بارها مطالب مختلف این کانال نشان داده و هم چنین رشد و توسعه صنعت #نیمه_هادی !
موضوع دیگری که مفتخریم به طرح آن موضوع #استارتاپ ها بود!

حالا همه ی اینها را میخواهیم بهم وصل کنیم!

#یادگیری_عمیق مهمترین و شگفتی سازترین بخش هوش مصنوعی بود! اما چالش بزرگ استفاده از آن ناکامی سخت افزارها در محاسبات فوق حجیم و سنگین بود! بعضا محاسباتی کاملا ماتریسی و بسیار بزرگ!
این چالش بزرگ و البته پول ساز! ، شرکت های تیمه هادی بزرگ دنیا را واداشت تا محصولاتی خاص منظوره برای این کاربرد ها طراحی و عرضه نمایند.
بدلیل ساختار و معماری پردازنده های گرافیکی ، کار برای شرکت #Nvidia راحت تر از بقیه بود، بهمین خاطر گوی رقابت را ربود و #GPU های این شرکت سهم عمده ای از بازار را از آن خود کردند.
البته که رقبای سرسخت نیمه هادی دیگر مثل #اینتل ، زایلینکس ، #AMD و ... حاضر به کوتاه آمدن نبودند و نیستند و محصولاتی را عرضه کردند و در حال توسعه هستند که در مطالب قبلی اشاره شده و در آینده خواهیم گفت.

اما نکته ی جالب توجه ، اعلام موجودیت شرکت های نرم افزاری و حتی خودرو سازی مانند #تسلا در این رقابت و جنگ فناوری تلفیقی از نیمه هادی ، معماری کامپیوتر و هوش مصنوعی بود ، که این اعلام از سوی ایلان ماسک نشان از اهمیت ماجرا دارد.

#ادامه_دارد....
@embedded

🔸 #تازه_ها ؛
شرکت #QualComm ،از اولین سری #SoC های خود برای کاربردهای #IoT متشکل از #DSP ، #GPU و موتور پردازش عصبی با قابلیت بکارگیری فریمورک های #caffe و #TensorFlow رونمایی کرد.

@embeddedAI

🔹#خبر؛
شرکت #Xilinx از سیستم تراشه های جدید خود با نام #versal رو نمایی کرد.

هسته هایی برای استفاده در #هوش_مصنوعی و پردازش سیگنال در کنار #FPGA #ARM و #GPU

@embedded

🎥 #فیلم؛
بررسی پردازش در #CPU و #GPU
بررسی با استفاده از #OpenCL و #Cpp

🌹 باتشکر از مهندس ابوالفضل تجری
📬 #مطلب_ارسالی
@Developer_IT_RObatic_Network
#CV
@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