Le projet THINK
Projet de R&T transverse IN2P3
Aller au contenu
Accueil
Blog
À propos de
Contact
Les techniques neuronales
Applications en Physique des Particules
Introduction aux techniques neuronales
Formation FiNN Makarenalabs
Cours et workshops
Outils de développement
Hardware
IA embarquée
Définition: Intelligence Artificielle embarquée
Les enjeux: Intelligence Artificielle embarquée
Les technologies: Intelligence Artificielle embarquée
Etudes/ Etat de l’art
Liens vers réunions plénières
Benchmarks
Méthodologies
FPGA
Intel
Intel HLS
FPGA AI Suite
Xilinx Zynq -HLS4ML-
GPU
nVidia
Chips neuromorphiques
Brainchip
MPPA
Applications
Applications à l’analyse de signal
Les outils de THINK
Les outils d’optimisation pour l’inférence d’IA sur FPGA.
Rappel sur la technologie de l’apprentissage profond
Calcul d’inférence: contraintes sur le matériel
Comparaison entre matérielles pour l’inférence embarquée
ThinkML: Conception d’un processus pour l’analyse de signaux de détecteurs capacitifs par modèles de réseaux de neurones embarqués sur FPGA AMD Xilinx
PyML2FPGA
←
Transforming an AI Business into a Market Differentiator: the Bilic-Intel Alliance
Nature Machine Intelligence Publishes Intel Labs’ Neuromorphic Research on Visual Perception
→
Build and Develop ML workloads on Intel® Tiber™ Developer Cloud
Publié le
12 juillet 2024
par
Best practices to implement and develop ML workloads on Intel Tiber Developer Cloud.
Ce contenu a été publié dans
Non classé
. Vous pouvez le mettre en favoris avec
ce permalien
.
←
Transforming an AI Business into a Market Differentiator: the Bilic-Intel Alliance
Nature Machine Intelligence Publishes Intel Labs’ Neuromorphic Research on Visual Perception
→
Rechercher
Rechercher
Articles récents
Migrating NVIDIA CUDA C++ AI Kernels to Intel SYCL for GPU Acceleration
AI-Powered Smart City Applications Guide
What Is a Cognitive City?
Top AI Video Analytics for Public Safety
The Four Types of Digital Twins Explained
Neural networks news
Intel NN News
Generated by
Feedzy