Le soluzioni embedded sul mercato per applicazioni di intelligenza artificiale sono sempre più frequenti, accessibili a prezzi che vanno sempre più riducendosi. Se le FPGA sono una piattaforma già affermata e tipicamente prestante, le GPU di contro sono state introdotte solo recentemente nel mercato embedded, proprio grazie alla forte spinta che la ricerca ha dato nell’ambito delle applicazioni di Deep Learning e intelligenza artificiale. In questo lavoro abbiamo valutato le prestazioni di riconoscimento di un modello di rete neurale di convoluzione rispettivamente su una FPGA Xilinx, ZCU104 e su una GPU embedded Nvidia Jetson TX2.
Benchmark tra FPGA e GPU embedded per modelli di Deep Learning
Nuzzi C.
Methodology
;Pasinetti S.Writing – Review & Editing
;Docchio F.Supervision
;Sansoni G.Supervision
2019-01-01
Abstract
Le soluzioni embedded sul mercato per applicazioni di intelligenza artificiale sono sempre più frequenti, accessibili a prezzi che vanno sempre più riducendosi. Se le FPGA sono una piattaforma già affermata e tipicamente prestante, le GPU di contro sono state introdotte solo recentemente nel mercato embedded, proprio grazie alla forte spinta che la ricerca ha dato nell’ambito delle applicazioni di Deep Learning e intelligenza artificiale. In questo lavoro abbiamo valutato le prestazioni di riconoscimento di un modello di rete neurale di convoluzione rispettivamente su una FPGA Xilinx, ZCU104 e su una GPU embedded Nvidia Jetson TX2.File | Dimensione | Formato | |
---|---|---|---|
Benchmark tra FPGA e GPU embedded per modelli di Deep Learning.pdf
accesso aperto
Tipologia:
Full Text
Licenza:
Dominio pubblico
Dimensione
264.39 kB
Formato
Adobe PDF
|
264.39 kB | Adobe PDF | Visualizza/Apri |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.