Accelerazione hardware per l'intelligenza artificiale di visione di Azure IoT Edge
La grafica artificiale e l'intelligenza artificiale richiedono grandi quantità di potenza di calcolo. Un fattore critico nella progettazione di progetti di intelligenza artificiale di visione di Azure IoT Edge è il grado di accelerazione hardware necessaria per la soluzione.
Gli acceleratori hardware, ad esempio le unità di elaborazione grafica (GPU), le matrici di gate programmabili del campo (FPGAs) e i circuiti integrati specifici dell'applicazione (ASIC) sono modi efficaci per migliorare le prestazioni.
Tipi di hardware di calcolo
Le sezioni seguenti descrivono i tipi principali di hardware di calcolo per i componenti di visione IoT Edge.
CPU
Un'unità di elaborazione centrale (CPU) è l'opzione predefinita per il calcolo più generico. Una CPU potrebbe essere sufficiente per i carichi di lavoro di visione in cui il tempo non è critico. Tuttavia, i carichi di lavoro che comportano tempi critici, più flussi di fotocamera o tassi di fotogrammi elevati richiedono un'accelerazione hardware specifica.
GPU
Una GPU è il processore predefinito per le schede grafiche computer di alto livello. Scenari HPC (High Performance Computer), Data Mining e Machine Learning (ML) che usano tutte le GPU. I carichi di lavoro visione usano la potenza di calcolo parallela enorme delle GPU per accelerare l'elaborazione dei dati pixel. Il lato negativo di una GPU è il consumo di energia più elevato, che è una considerazione critica nei carichi di lavoro perimetrali.
FPGA
Le FPGA sono acceleratori hardware potenti e riconfigurabili che supportano la crescita delle reti neurali di Deep Learning. Gli acceleratori FPGA hanno milioni di porte programmabili e centinaia di pin di I/O e possono eseguire migliaia di operazioni di moltiplicazione (MAC) al secondo (TOPS). Esistono molte librerie FPGA ottimizzate per i carichi di lavoro di visione. Alcune di queste librerie includono interfacce preconfigurate per connettersi a telecamere e dispositivi downstream.
L'utilizzo di FGPA in ML e carichi di lavoro IoT Edge è ancora in evoluzione. Le FPGA tendono a diminuire nelle operazioni a virgola mobile, ma i produttori hanno apportato miglioramenti in questa area.
ASIC
Le asIC vengono prodotte per eseguire un'attività specifica. Le asIC sono molto più veloci disponibili, ma sono le meno configurabili. I chip ASIC sono popolari a causa delle dimensioni ridotte, della potenza per watt e della protezione della proprietà intellettuale (IP). L'IP viene bruciato in chip ASIC, rendendo difficile il reverse engineer algoritmi proprietari.
Autori di contributi
Questo articolo viene gestito da Microsoft. È stato originariamente scritto dai collaboratori seguenti.
Autore principale:
- Keith Hill | Senior PM Manager
Per visualizzare profili LinkedIn non pubblici, accedere a LinkedIn.
Passaggi successivi
Commenti e suggerimenti
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedere https://aka.ms/ContentUserFeedback.
Invia e visualizza il feedback per