Forwarded from هوش نهفته!
✅ پردازش های هوش مصنوعی روی میکروکنترلر با ELL؟
ایده های متنوعی برای #پردازش_لبه ای هوش مصنوعی وجود دارد، یکی از این ایده ها و راهکارها استفاده از Embedded Learning Library (ELL) معرفی شده توسط #مایکروسافت میباشد.
👈 ای ال ال، یک کامپایلر هست که مدل های یادگیری عمیق فریمورک های یادگیری همچون تنسورفلو، پایتورچ و.. در فرمت ONNX را به کدماشین تبدیل میکند و شما میتوانید از آن در برنامه های نهفته به زبان C++، و یا Python استفاده کنید.
📌 تصویر بالا مربوط به ارایه ای مربوط به این کتابخانه متن باز هست که از طریق این لینک قابل دسترسی است.
#ELL #DeepLearning
#SBC #embeddedAI
🔸 #هوش_نهفته را دنبال کنید.
T.me/embeddedAI
T.me/embedded
ایده های متنوعی برای #پردازش_لبه ای هوش مصنوعی وجود دارد، یکی از این ایده ها و راهکارها استفاده از Embedded Learning Library (ELL) معرفی شده توسط #مایکروسافت میباشد.
👈 ای ال ال، یک کامپایلر هست که مدل های یادگیری عمیق فریمورک های یادگیری همچون تنسورفلو، پایتورچ و.. در فرمت ONNX را به کدماشین تبدیل میکند و شما میتوانید از آن در برنامه های نهفته به زبان C++، و یا Python استفاده کنید.
📌 تصویر بالا مربوط به ارایه ای مربوط به این کتابخانه متن باز هست که از طریق این لینک قابل دسترسی است.
#ELL #DeepLearning
#SBC #embeddedAI
🔸 #هوش_نهفته را دنبال کنید.
T.me/embeddedAI
T.me/embedded
توسعه مبتنی بر CUDA با CUTLASS 4.0 آسان می‌شود.
توسعه مبتنی بر CUDA با چالش و دشواری همراه بود که خصوصا استفاده از آن برای نمونه‌سازی اولیه منطقی نبود که با معرفی فریمورک جدید CUTLASS مشکل برطرف شد.
کوتلاس، یک فریمورک توسعه کرنل‌های CUDA با ترکیب پایتون و C++ ارائه می‌دهد. با استفاده از DSLهای پایتون مانند CuTe، مفاهیم پیشرفته مانند چینش داده‌ها (Layouts)، تانسورها و عملیات اتمی سخت‌افزاری (Atoms) به سادگی قابل پیاده‌سازی هستند. این روش با کامپایل JIT از طریق MLIR و ptxas، امکان توسعه سریع‌تر، اشکال‌زدایی آسان‌تر و کارایی نزدیک به کد C++ را فراهم میکند. CUTLASS DSLها جایگزین نسخه C++ نیستند، بلکه ابزاری برای پروتوتایپ سریع و یادگیری آسان‌تر مفاهیم GPU هستند. نسخه فعلی (بتا) محدودیت‌هایی دارد، اما نسخه نهایی تا تابستان ۲۰۲۵ منتشر می‌شود.
NVIDIA’s CUTLASS 4.0 merges Python’s ease with CUDA’s power via DSLs like CuTe, simplifying GPU kernel dev. Key features:
- Layouts, Tensors & Atoms for hardware-aware programming
- Pythonic syntax + JIT compilation (MLIR/ptxas) for fast iteration
- Near-C++ performance with optimized CUTLASS primitives
- Not a C++ replacement—supports rapid prototyping & education
Currently in public beta (sometomorrow m limitations), with full release planned for Summer 2025. Ideal for researchers, students, and perf engineers.
Read more from Nvidia
مطلب مرتبط:
استارتاپ‌های تراشه‌ای؟
#GPU
#Nvidia
#DeepLearning
#EmbeddedAI
@embedded
توسعه مبتنی بر CUDA با چالش و دشواری همراه بود که خصوصا استفاده از آن برای نمونه‌سازی اولیه منطقی نبود که با معرفی فریمورک جدید CUTLASS مشکل برطرف شد.
کوتلاس، یک فریمورک توسعه کرنل‌های CUDA با ترکیب پایتون و C++ ارائه می‌دهد. با استفاده از DSLهای پایتون مانند CuTe، مفاهیم پیشرفته مانند چینش داده‌ها (Layouts)، تانسورها و عملیات اتمی سخت‌افزاری (Atoms) به سادگی قابل پیاده‌سازی هستند. این روش با کامپایل JIT از طریق MLIR و ptxas، امکان توسعه سریع‌تر، اشکال‌زدایی آسان‌تر و کارایی نزدیک به کد C++ را فراهم میکند. CUTLASS DSLها جایگزین نسخه C++ نیستند، بلکه ابزاری برای پروتوتایپ سریع و یادگیری آسان‌تر مفاهیم GPU هستند. نسخه فعلی (بتا) محدودیت‌هایی دارد، اما نسخه نهایی تا تابستان ۲۰۲۵ منتشر می‌شود.
NVIDIA’s CUTLASS 4.0 merges Python’s ease with CUDA’s power via DSLs like CuTe, simplifying GPU kernel dev. Key features:
- Layouts, Tensors & Atoms for hardware-aware programming
- Pythonic syntax + JIT compilation (MLIR/ptxas) for fast iteration
- Near-C++ performance with optimized CUTLASS primitives
- Not a C++ replacement—supports rapid prototyping & education
Currently in public beta (sometomorrow m limitations), with full release planned for Summer 2025. Ideal for researchers, students, and perf engineers.
Read more from Nvidia
مطلب مرتبط:
استارتاپ‌های تراشه‌ای؟
#GPU
#Nvidia
#DeepLearning
#EmbeddedAI
@embedded
❤3👍3