機器學習神經網路進步使我們能夠處理越來越大量儲存資料。傳統方法是將資料傳輸到演算法設備，但是這種移動巨量資料（高達 1 PB）以供可能只有幾十百萬位元元演算法來進行處理真的有意義嗎？因此，在靠近資料儲存位置處理資料的想法引起了很多關注。本文研究了計算儲存理論和實踐，以及如何使用計算儲存處理器 (CSP) 為許多計算密集型任務提供硬體加速和更高性能，而不會給主機處理器帶來大量負擔。

資料集崛起

近年來，神經網路演算法在汽車、工業、安全和消費等應用中使用顯著增加。基於邊緣物聯網感測器通常只處理少量資料，因此所使用演算法佔用很少代碼空間。然而，伴隨微控制器處理能力提高和功耗降低，機器學習演算法在邊緣應用中使用開始呈指數級增長。卷積神經網路用於視覺處理以及工業和汽車應用中物件檢測。例如，視覺處理系統可用於檢測標籤是否正確貼在高速工業生產線的瓶子上。
...
...