基于 FPGA 的神经形态电路板识别目标的效率比

美好的一天

BrainChip Holdings刚刚发布了一款PCIe服务器加速卡BrainChip Accelerator，该卡可以使用脉冲神经网络而不是卷积神经网络（CNN）同时处理多种视频格式的16路视频。 BrainChip加速卡采用 Xilinx Kintex UltraScale FPGA实现了6核处理单元的BrainChip的Spiking神经网络（SNN）处理器。

这是BrainChip加速卡的照片：

BrainChip Accelerator card with six SNNs instantiated in a Kintex UltraScale FPGA

每个BrainChip内核都执行快速的用户定义图像缩放，脉冲生成和SNN比较来识别目标。 SNN可以使用低至20x20像素的低分辨率图像进行训练。 根据BrainChip的说法，在BrainChip加速器内核中使用的SNN在低亮度，低分辨率和嘈杂的环境中擅长识别物体。

BrainChip加速器卡可以同时处理16路视频通道，每秒有效吞吐量超过600帧，而整个卡仅消耗15W。 根据BrainChip的数据，与基于CNN的深度学习GPUNetNet和AlexNet等神经网络相比，这个速度提高了7倍/秒/瓦。 这是BrainChip公司的一张图表，说明了这一说法：

SNN模仿人类大脑功能（突触连接，神经元阈值）比CNN更接近，并依靠基于尖峰时间和强度的模型。 这是BrainChip比较CNN模型和脉冲神经网络模型的图形：