TPU

TensorFlow: A System for Large-Scale Machine Learning

它将数据流图的节点映射到集群中的多台机器上，并且单台机器上跨多个计算设备，包括多核CPU，通用GPU和定制设计的ASIC，称为张量处理单元（TPU）。
xl.zhang·2019-10-09 08:05

文献阅读笔记-ALBERT ： A lite BERT for self-supervised learning of language representations

进一步增加模型大小将带来以下困难：(1)GPU/TPU内存不足(2)训练时间
JasonLiu1919·2019-09-29 11:02

GitHub万星NLP资源大升级：实现Pytorch和TF深度互操作，集成32个最新预训练模型...

你可以在TPU上训练模型，然后再Pytorch上测试，最后通过TensorFlow部署。另一方面，也集成了超过32个经过1
QbitAl·2019-09-27 13:26

TPU和GPU跑模型时间统计(持续更新中)以及TPU Research Cloud的申请

已经尝试过的实验如下：框架数据集代码加速设备平台耗时ResNetcifar10TPU运行Cifar10.ipynbTPUGoogleColaboratory2000sXGBoostIEEE-CIS-Fraud-Detectionieee-fraud-xgboost-with-gpu-fit-in
Applied Sciences·2019-09-22 16:00

xlnet--数据预处理

batch_sizeinzip(["train","valid"],[FLAGS.per_host_train_bsz,FLAGS.per_host_valid_bsz]):ifbatch_size0anduse_tpu
ljz2016·2019-09-22 12:14

OPPO正式发布Enco Q1无线降噪耳机 三种配色可选

OPPO无线降噪耳机采用颈挂式设计，TPU材质的一体成型设计，内部使用镍钛合金材料，使用的时候有型，收起来的时候可以随意弯折。整机重量只有42g，且增加亲肤涂层，大汗淋漓也不用怕。
佚名·2019-09-10 14:03

BERT 打印loss

train_op=optimization.create_optimizer(total_loss,learning_rate,num_train_steps,num_warmup_steps,use_tpu
guotong1988·2019-09-05 10:10

荣耀手环5篮球版值得买吗 荣耀手环5篮球版详细评测

荣耀手环5篮球版详细评测：外观&佩戴体验荣耀手环5篮球版采用了再生纤维材质的腕带，相比于传统的TPU材质佩戴
佚名·2019-09-05 08:37

谷歌开发手部识别系统，适配跨平台框架MediaPipe，手机可用！

不需要高性能的GPU、TPU，在手机上就能用！什么是手部追踪呢？来看一下下面这张动图就知道了。通过MediaPipe在手机上实现实时3D手
BigDataDigest·2019-09-02 15:23

AI芯片：华为Ascend（昇腾）910结构分析

前几天，华为发布了最新的AI芯片，号称目前全球最强，算力吊打谷歌TPU3和英伟达TeslaV100。这么震撼人心，必须挺一波！！华为牛逼！！（这句5毛）下面来具体分析一下。
evolone·2019-08-26 17:08

『开发技术』GPU训练加速原理（附KerasGPU训练技巧）

0.深入理解GPU训练加速原理我们都知道用GPU可以加速神经神经网络训练（相较于CPU），具体的速度对比可以参看我之前写的速度对比博文：[深度应用]·主流深度学习硬件速度对比（CPU，GPU，TPU）GPU
小宋是呢·2019-08-13 16:00

『开发技术』GPU训练加速原理（附KerasGPU训练技巧）

0.深入理解GPU训练加速原理我们都知道用GPU可以加速神经神经网络训练（相较于CPU），具体的速度对比可以参看我之前写的速度对比博文：[深度应用]·主流深度学习硬件速度对比（CPU，GPU，TPU）GPU
小宋是呢·2019-08-13 16:29

TPU张量处理器

2017年4月,谷歌公布了张量处理器（TPU）的论文——TPU已经在谷歌数据中心内部使用大约四年，而且TPU在推理方面的性能要远超过GPU（“尽管在一些应用上利用率很低，但TPU平均比当前的GPU或CPU
Carina_Cao·2019-07-31 18:20

神经网络加速器应用实例：图像分类

谷歌的张量处理单元（TensorProcessingUnit，后文简称TPU）是完成较早，具有代表性的一类设计，基于脉动阵列设计的矩阵计算加速单元，可以很好的加速神经网络的计算。
暗海风·2019-07-26 21:00

Simple TPU的设计和性能评估

谷歌的张量处理单元（TensorProcessingUnit，后文简称TPU）是完成较早，具有代表性的一类设计，TPU采用基于脉动阵列设计的矩阵计算加速单元，可以很好的加速神经网络的计算。
暗海风·2019-07-26 02:00

1美元从零开始训练Bert，手把手教你优雅地薅谷歌云TPU羊毛

大数据文摘出品来源：GoogleColab编译：武帅、曹培信2018年10月，GoogleAI团队推出了Bert，可以说Bert一出生就自带光环。在斯坦福大学机器阅读理解水平测试SQuAD1.1中，Bert在全部两个衡量指标上，全面超越人类表现。并且在另外11种不同NLP测试中均创造了历史以来最好成绩，将GLUE基准提升7.6%，将MultiNLI的准确率提提升5.6%。然而这个拥有12层神经网络
BigDataDigest·2019-07-25 14:41

1美元从零开始训练Bert，手把手教你优雅地薅谷歌云TPU羊毛

大数据文摘出品来源：GoogleColab编译：武帅、曹培信2018年10月，GoogleAI团队推出了Bert，可以说Bert一出生就自带光环。在斯坦福大学机器阅读理解水平测试SQuAD1.1中，Bert在全部两个衡量指标上，全面超越人类表现。并且在另外11种不同NLP测试中均创造了历史以来最好成绩，将GLUE基准提升7.6%，将MultiNLI的准确率提提升5.6%。然而这个拥有12层神经网络
大数据文摘·2019-07-25 14:28

2019-07-18(07)双色注塑带来哪些好处？

App一外观所需A）手感:如手持机，鼠标、电钻外壳，执法仪，三防机等大多采用软胶包硬胶的双色结构，手感及外观都会比较舒适；B）颜色:可以依据客户喜好自由换色随意搭配，常用胶料如ABS/TPE，ABS/TPU
杨文涛topsion·2019-07-18 19:37

谷歌最新无监督数据增强研究，全面超越现有半监督学习方法

深度学习之所以能够成功的关键因素，是算法的进步，以及并行处理硬件（GPU/TPU）以及大型标记数据集（如ImageNet）。然而，当标记数据稀缺时，深度学习就像缺了一条腿。
AI女神·2019-07-16 17:15

MLPerf最新AI芯片跑分：谷歌TPU和英伟达打破记录

智东西7月11日消息，昨日，MLPerf基准联盟公布了最新一轮的基准测试数据，结果显示，英伟达和谷歌云刷新了人工智能训练时间的记录。MLPerf是一项用于测试ML（MachineLearning）硬件、软件以及服务的训练和推理性能的公开基准。它能帮助人工智能研究人员采用通用标准来衡量用于训练人工智能的硬件、软件的最佳性能和速度。目前，MLPerf基准测试正迅速成为测量机器学习性能的行业标准，得到了
ctrigger·2019-07-13 09:01

TPU中的指令并行和数据并行

谷歌的张量处理单元（TensorProcessingUnit，后文简称TPU）是完成较早，具有代表性的一类设计，基于脉动阵列设计的矩阵计算加速单元，可以很好的加速神经网络的计算。
暗海风·2019-07-03 21:00

深度学习目标检测数据集扩增方法

先放出链接吧，后续跑得时候补充论文传送门：https://arxiv.org/abs/1906.11172代码传送门：https://github.com/tensorflow/tpu/tree/master
xiao__run·2019-07-03 14:02

EfficientNet论文解读

论文链接：https://arxiv.org/abs/1905.11946代码链接：https://github.com/tensorflow/tpu/tree/master/models/official
月臻·2019-06-23 12:32

谷歌TPU使用方法

谷歌TPU使用方法1.FashionMNISTwithKerasandTPUs1.1读取数据1.2创建验证集2.使用TPU2.1查看环境是否为ColabTPU2.2使用GPU3.定义模型4.训练模型5.
herosunly·2019-06-20 16:58

撸羊毛-免费使用谷歌T4 GPU - Colab使用

15g，内存空间为12g，gpu型号为TeslaT4进入谷歌硬盘，新建应用-》更多-》Colaboratoryimage.png进去jupyternotebook界面后，点击修改-》笔记本设置-》GPU/TPU
_龙雀·2019-06-19 17:02

TPU中的脉动阵列及其实现

谷歌的张量处理单元（TensorProcessingUnit，后文简称TPU）是完成较早，具有代表性的一类设计，基于脉动阵列设计的矩阵计算加速单元，可以很好的加速神经网络的计算。
暗海风·2019-06-11 09:00

动手写一个简单版的谷歌TPU

谷歌的张量处理单元（TensorProcessingUnit，后文简称TPU）是完成较早，具有代表性的一类设计，基于脉动阵列设计的矩阵计算加速单元，可以很好的加速神经网络的计算。
暗海风·2019-06-11 09:00

[科普] CPU, GPU, TPU的区别

GoogleCloud原文链接：https://cloud.google.com/blog/products/ai-machine-learning/what-makes-tpus-fine-tuned-for-deep-learning机器之心翻译链接：https://baijiahao.baidu.com/s?id=1610560990129941099&wfr=spider&for=pc张量
listenviolet·2019-06-07 10:00

Google Colab入门（一）

目录前言Colab界面操作改变背景风格使用GPU/TPU存储性能基础指令查看显卡硬件信息导入数据查看系统已安装包安装新包小结前言GoogleColab，全名Colaboratory，是由谷歌提供的免费的云平台
Cyrus塞拉斯·2019-06-04 23:13

郑州XPEL隐形车衣：如何正确选择隐形车衣？

隐形车衣被车友一般称为车身透明膜、全车犀牛皮、漆面保护膜等，TPU材质的隐形车衣含抗UV聚合物，装贴后可使汽车漆面与空气隔绝，在这样在酸雨、污物下最大限度保护车漆，遭遇划痕伤害时能够对划痕自主修复。
郑州隐形车衣·2019-05-30 15:48

AI芯片：华为昇腾（ASCEND）310结构分析

从海报中能够看出，AIcore采用的是二维平面阵列结构，应该是类似谷歌TPU的脉
evolone·2019-05-18 17:28

测评：谷歌Edge TPU芯片Vs.英伟达Nano的边缘AI性能

GoogleCoralEdgeTPU与英伟达JetsonNano：快速深入了解EdgeAI边缘人工智能的性能。最近我一直在阅读，测试和写一些关于边缘计算的内容，主要关注边缘AI。最近很酷的新硬件上架，我渴望比较新平台的性能，甚至测试它们与高性能系统的对比。硬件我感兴趣的主要设备是新的英伟达JetsonNano（128CUDA）和GoogleCoralEdgeTPU（USB加速器），我还将测试i7-
Gravitylink·2019-05-16 15:28

AI芯片的厂商竞争激烈，计算力将会发展如何？

这其中以英伟达为代表的GPU方案已经形成规模庞大的生态体系，谷歌的TPU则形成了互联网定义AI芯片的标杆，其余各
nineteens·2019-05-15 14:48

Google Coral Edge TPU USB加速棒上手体验

EdgeAI是什么？它为何如此重要？传统意义上，AI解决方案需要强大的并行计算处理能力，长期以来，AI服务都是通过联网在线的云端基于服务器的计算来提供服务。但是具有实时性要求的AI解决方案需要在设备上进行计算，因此边缘人工智能(EdgeAI)正在逐渐进入人们的视野。虽然本质上AI计算可以使用基于GPU的设备，但这套设备成本高昂，并且搭配非常繁琐，比如对内存要求越来越高、能耗越来越大等。无论是从研究
asukafighting·2019-05-15 00:00

2019-05-13 Google的机器学习服务极其价格

整个操作流程已经相当简化，上传打包好的照片，在平台上标记，在平台上根据选项生成模型（这里可以直接分配GOOGLE的TPU来做），将模型下载到本地ap
alucardzhou·2019-05-14 13:26

2019-05-13 Google的机器学习服务极其价格

整个操作流程已经相当简化，上传打包好的照片，在平台上标记，在平台上根据选项生成模型（这里可以直接分配GOOGLE的TPU来做），将模型下载到本地ap
alucardzhou·2019-05-14 13:26

TensorFlow笔记（1） 基础概念

1.TensorFlow简介TensorFlow™是一个基于数据流编程（dataflowprogramming）的符号数学系统借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU
氢键H-H·2019-05-13 20:43

AI芯片角逐刚刚开始，但未来只属于少数玩家

即便是谷歌的TPU，也不足以支撑起AI更为长远的发展。人工智能的崛起有三个基本要素：算法、数据和算力。当云计算广泛应用，深度学习成为当下AI研究和运用的主流方式时，AI对算力的要求正快速提升。
fadsf15·2019-05-04 15:03

菜鸟的google colab踩坑笔记

菜鸟googlecolab踩坑笔记因为想用深度学习，进一步需要GPU，又因为木钱也木有GPU，所以就只能用Google免费的colab了，上面还有提供TPU。
锦绣拾年·2019-05-03 15:37

深度解析：特斯拉「最强」自动驾驶芯片？

从芯片来看，其“透明度”超过了除Google第一代TPU之外所有的AI相关芯片。实际上，和GoolgeTPU的情况类似，在这次发布之前，Tesla也做了一定的专利布局，这正好让我们可以从
AI科技大本营·2019-04-27 17:04

BERT解读（论文 + TensorFlow源码）

N个月前BERT就频繁出现在笔者的视野中，只知道是Google出品的神奇好用的pretrain模型，但一听到要用TPU去训练，就有种“拜拜了您嘞”了感觉。
MagicBubble·2019-04-25 13:40

Google Edge TPU教程-1

GoogleEdgeTPU:环境要求：Linux系统，orMacUSB-AtoUSB-microBcable(toconnectyourPCtotheboard'sserialport)USB-AtoUSB-Ccable(toconnectyourPCtotheboard'sdataport)2-3A(5V)USBType-Cpowersupply(suchasaphonecharger)Ethe
coolham·2019-04-24 18:46

BigGAN

文章中虽然没有太多的数学公式和方法的改变，但是借助强大的计算力，把生成的结果质量提高了一个很高的层次，512块TPU啊，我连块G
Forlogen·2019-04-24 10:24

什么决定1个人在职场中走多远？

这个状态包括：岗位、职级、做事情的综合能力、贡献的价值…举个例子，互联网中，常见的是TPU级别，像百度的P8、P4，这两个数字对应的意义差别非常大。
田子玉_·2019-04-22 19:30

BERT使用过程中的碰到的那些报错

BERT推荐在TPU上运行，但是资源有限在GPU上跑也行，不行也能在cpu上跑（ps就是有些慢）官方BERT的版本建议在tensorflow>=1.11的版本上运行，但是在本人服务器安装的是tensorflow-gpu
lxslx·2019-04-21 17:07

[开发技巧]·PyTorch如何使用GPU加速（CPU与GPU数据的相互转换）

GPU加速（CPU与GPU数据的相互转换）配合本文推荐阅读：PyTorch中Numpy，Tensor与Variable深入理解与转换技巧关联阅读：[深度应用]·主流深度学习硬件速度对比（CPU，GPU，TPU
小宋是呢·2019-04-19 16:13

Tensorflow

借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。
yingchundexiaoxiong·2019-03-28 22:53

无人驾驶汽车系统入门（二十九）——使用TensorFlow Object Detection API分别在GPU和Google Cloud TPU上训练交通信号灯检测神经网络

TensorFlowObjectDetectionAPI训练交通信号灯检测网络，使用Lisa数据集，通过简单脚本将数据集整理为tfrecord格式，我们将分别在本地的GPU和GoogleCloud提供的TPU
AdamShan·2019-03-17 21:33

bert运行报错： AttributeError: module 'tensorflow.contrib.tpu' has no attribute 'InputPipelineConfig'

bert的例子在GPU上执行时报错：BERT-Classification-Tutorial→master$shrun_classifier.sh/opt/miniconda3/lib/python3.6/importlib/_bootstrap.py:219:RuntimeWarning:compiletimeversion3.5ofmodule'tensorflow.python.framew
kvnew·2019-03-17 20:05

[深度应用]·主流深度学习硬件速度对比（CPU，GPU，TPU）

主流深度学习硬件速度对比（CPU，GPU，TPU）个人主页-->http://www.yansongsong.cn关联阅读：[开发技巧]·PyTorch如何使用GPU加速（CPU与GPU数据的相互转换）
小宋是呢·2019-03-15 10:43
上一页 9 10 11 12 13 14 15 16 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他