毫无疑问:机器学习(ML)正在推动计算结构和内存的使用方式发生重大变化. Indeed, 冯·诺伊曼架构的时代已经过去了, 特别是当传统的半导体沙巴体育结算平台设计支持它不再满足任务.

因为找不到更好的词了, “传统的”机器学习应用，如对象检测和图像分类，只是触及了机器学习应用的表面. 今天，机器学习被应用于健康、生活和商业智能应用. 它正在推动癌症研究领域的发现, particle physics, and predictive behavioral analytics; just to name a few. 它还推动了对不同计算结构的需求，这些计算结构与高性能内存和编程模型紧密结合，使软件开发人员能够利用这种新架构.

这三个要素——高效和灵活的计算平台, high-performance memory, 以及一个复杂但易于使用的ML堆栈-代表了取得突破性成果的关键. 如果要使通过物联网设备传输的大量数据变得有用，这三个要素都必须存在, 是否在本地加工, in real time, or in the cloud.

To all these ends, 美光与FWDNXT合作，将其创新的深度学习架构集成到 美光的先进加速解决方案, embodied in the AC-511 module and the SB-852 board. These low-power, 高性能加速器由先进的可编程逻辑(fpga)和美光的高性能存储器实现, working together, deliver efficient, 可以从边缘部署到数据中心的高度可扩展的解决方案. 此外，三种技术(计算，内存 & ML Stack)使机器学习系统能够在接近峰值的硬件利用率下运行, 提供令人信服的每瓦性能..

该解决方案旨在允许开发人员从任何框架，例如.g.， TensorFlow, Torch, Caffe等.，直接连接到硬件，轻松加速任何神经网络. 该流程绕过了HDL编码的依赖性, FWDNXT ML编译器完全抽象了硬件, 通过将训练好的网络自动实例化到硬件加速器中. As such, fpga的性能和功耗优势现在是可用的，没有编程的痛苦, 使其易于部署深度学习解决方案.