CTIMES- 移动演算法而非巨量资料

机器学习神经网路进步使我们能够处理越来越大量储存资料。传统方法是将资料传输到演算法设备，但是这种移动巨量资料（高达 1 PB）以供可能只有几十百万位元元演算法来进行处理真的有意义吗？因此，在靠近资料储存位置处理资料的想法引起了很多关注。本文研究了计算储存理论和实践，以及如何使用计算储存处理器 (CSP) 为许多计算密集型任务提供硬体加速和更高性能，而不会给主机处理器带来大量负担。

资料集崛起

近年来，神经网路演算法在汽车、工业、安全和消费等应用中使用显着增加。基於边缘物联网感测器通常只处理少量资料，因此所使用演算法占用很少代码空间。然而，伴随微控制器处理能力提高和功耗降低，机器学习演算法在边缘应用中使用开始呈指数级增长。卷积神经网路用於视觉处理以及工业和汽车应用中物件检测。例如，视觉处理系统可用於检测标签是否正确贴在高速工业生产线的瓶子上。
...
...