国产精品久久久aaaa,日日干夜夜操天天插,亚洲乱熟女香蕉一区二区三区少妇,99精品国产高清一区二区三区,国产成人精品一区二区色戒,久久久国产精品成人免费,亚洲精品毛片久久久久,99久久婷婷国产综合精品电影,国产一区二区三区任你鲁

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于揚(yáng)聲器的深度神經(jīng)網(wǎng)絡(luò)方案

要長(zhǎng)高 ? 來(lái)源:TsinghuaJoking ? 作者:卓晴 ? 2022-06-29 15:27 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

完整的揚(yáng)聲器會(huì)包括幾個(gè)部份:喇叭單體、分頻網(wǎng)絡(luò)、音箱這三大區(qū)塊,我們就分門別類來(lái)討論。首先就是喇叭單體,基本上來(lái)說(shuō)就是將麥克風(fēng)的工作原理倒過(guò)來(lái),以電氣訊號(hào)輸入在磁力系統(tǒng)里音圈上的線圈,線圈會(huì)隨著訊號(hào)產(chǎn)生磁性變化,而帶動(dòng)音圈在磁力系統(tǒng)中以聲音的波形運(yùn)動(dòng)。音圈再推動(dòng)喇叭單體的振膜或音盆,以推動(dòng)空氣產(chǎn)生音波,聲音就這樣發(fā)出來(lái)了。

說(shuō)來(lái)確實(shí)并不困難,不過(guò)要將電氣訊號(hào)盡可能地依原來(lái)應(yīng)有的波形、響應(yīng)等低失真的情況發(fā)出聲音就是另外一回事了。音頻范圍由低頻(20Hz)到高頻(18kHz)超過(guò)了十個(gè)八度音程,單一喇叭單體要能涵蓋這個(gè)音頻范圍,在音量方面就會(huì)受到結(jié)構(gòu)的限制。不過(guò)現(xiàn)在全音域單體技術(shù)成熟發(fā)達(dá),市面上已經(jīng)有不少性能還不錯(cuò)的全音域單體供貨銷售了。

當(dāng)然要建構(gòu)能發(fā)出大音量高帶寬的揚(yáng)聲系統(tǒng),就需要將不同音域配置給不同特性的單體,諸如低頻域(300Hz以下)配置給低音單體、中頻域(300Hz-2500Hz)給中音單體,高頻域(2500Hz以上)給高音單體分別發(fā)音,整合成完整的音域。低頻因?yàn)樾枰苿?dòng)大量的空氣,所以需要最大的振膜/音盆;中音域需要推動(dòng)的空氣量較少,因此音盆口徑與單體尺寸也更小更輕;而高音域只需要推動(dòng)最少的空氣,因此高音單體也是振膜與體型最輕小的。

基本上來(lái)說(shuō),單體音盆/振膜口徑愈大,質(zhì)量就愈重能推動(dòng)愈多空氣,但也具備更大的慣性所以反應(yīng)的速度會(huì)降低,因此適合更低的頻率;反之單體的振膜口徑愈小質(zhì)量愈輕的,就具備更快的反應(yīng)速度,能發(fā)出更高的頻率,但相對(duì)能推動(dòng)的空氣量就有限。這也是為何市面上稍有體積的揚(yáng)聲器,都會(huì)配置多音路與多個(gè)單體整合發(fā)音。

當(dāng)然這樣的話就要將擴(kuò)大機(jī)的電氣訊號(hào)分出高低音路甚或中音路,也就是所謂的「分頻」。一般說(shuō)來(lái)?yè)P(yáng)聲系統(tǒng)的分頻方式有兩種做法,最主流的方式就是以被動(dòng)分頻網(wǎng)絡(luò),將擴(kuò)大機(jī)的訊號(hào)分出頻率范圍不同的音路出來(lái)。而被動(dòng)分頻網(wǎng)絡(luò)說(shuō)穿了就是被動(dòng)的電感、電容電阻所構(gòu)成的「濾波器」,將該音路的音域范圍以外的頻段予以濾除,而只剩下所需的頻段能夠通過(guò)。所以揚(yáng)聲器統(tǒng)設(shè)有幾個(gè)音路,也就會(huì)有幾組濾波網(wǎng)絡(luò)來(lái)構(gòu)成分頻網(wǎng)絡(luò),分別驅(qū)動(dòng)負(fù)責(zé)不同音域的單體。

另外一種做法是「電子分音」,是由訊號(hào)還在前級(jí)輸出的階段,就輸送至電子分音器,分出所需頻段的各音域,不過(guò)采用的是主動(dòng)式的電子分音電路,一般說(shuō)來(lái)分頻效果會(huì)比起被動(dòng)分頻網(wǎng)絡(luò)要來(lái)得更好。但分頻出來(lái)的不同音路就需要個(gè)別不同的擴(kuò)大機(jī)去推動(dòng)各音路的單體,因此會(huì)大幅提升揚(yáng)聲系統(tǒng)的成本;通常電子分音都是由比較大型的揚(yáng)聲系統(tǒng)所采用(還有會(huì)另文介紹的專業(yè)鑒聽揚(yáng)聲器)。

最后這些不同音路的單體當(dāng)然要裝置起來(lái)成為一組完整的揚(yáng)聲系統(tǒng),不過(guò)還需要進(jìn)一步考慮的,是單體前后往復(fù)震動(dòng)推動(dòng)空氣發(fā)出聲音,其前后的聲音是「反相」的,如果不進(jìn)一步處理的話,會(huì)在聆聽空間中產(chǎn)生彼此抵消的效應(yīng),因此需要「裝箱」將單體后方發(fā)出的「背波」做進(jìn)一步的處理。一般說(shuō)來(lái)每只單體都會(huì)有獨(dú)立的空間來(lái)處理背波,中高音若是單體的體積較小,單體出廠時(shí)就會(huì)建置密封的背腔預(yù)先處理。

所以揚(yáng)聲器音箱最主要還是針對(duì)某些口徑較大的中音與低音單體設(shè)計(jì)。目前揚(yáng)聲器音箱設(shè)計(jì)有兩種主流方式:密閉式與開放式,開放式的主流是低音反射式,也就是讓音箱的低音腔室容量與反射導(dǎo)管的口徑與長(zhǎng)度經(jīng)過(guò)計(jì)算,與單體的低頻特性調(diào)諧以產(chǎn)生更大量(適量)的低頻表現(xiàn)。但密閉式的音箱容積依然要經(jīng)過(guò)考慮單體特性的計(jì)算,讓低頻可以得到最低頻率的延伸。

不過(guò)開放式的音箱并不只有低音反射的設(shè)計(jì)方式,還有諸如雙單體多氣室的Isobarik形式或是傳輸線(將音箱內(nèi)部隔成長(zhǎng)導(dǎo)管的形態(tài)以延伸低頻頻率)等諸多方式。音箱的材質(zhì)與結(jié)構(gòu)上也有諸多設(shè)計(jì)以強(qiáng)化其結(jié)構(gòu)避免產(chǎn)生共振影響音質(zhì),最主流的材質(zhì)就是所謂的「中密度纖維板」(MDF),此種材料有價(jià)格合宜、加工容易以及效果理想的的諸多特性。當(dāng)然也有揚(yáng)聲器廠家采用金屬或特殊材料設(shè)計(jì)/建構(gòu)音箱,以取得更佳的特性與效果。

以上就是典型揚(yáng)聲器的構(gòu)成要素,當(dāng)然在技術(shù)上還有其他不同的設(shè)計(jì)會(huì)脫離上述的范疇,例如「電漿/離子高音」式采用放電的方式驅(qū)動(dòng)空氣;「靜電揚(yáng)聲器」是采用電極/電場(chǎng)驅(qū)動(dòng)薄膜來(lái)推動(dòng)空氣發(fā)音,根本沒有音箱結(jié)構(gòu)。要將電能轉(zhuǎn)為聲能確實(shí)還有諸多其他方式,不過(guò)目前技術(shù)最成熟也是最主流的做法,依然是以電磁系統(tǒng)為原理的傳統(tǒng)單體、再與音箱結(jié)構(gòu)整合的傳統(tǒng)揚(yáng)聲器。

01 物理神經(jīng)網(wǎng)絡(luò)

??看到最近在 Nature 雜志上發(fā)表的一篇文章 Deep Physical Neural Networks Trained with Backpropogation[1] 介紹了利用多層非線性物理系統(tǒng)構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò),并通過(guò)反向隨機(jī)梯度下降完成系統(tǒng)訓(xùn)練方法的確令人驚訝、毀人三觀。

??你敢想象利用幾只揚(yáng)聲器,或者幾只場(chǎng)效應(yīng)管就可以組成深度物理神經(jīng)網(wǎng)絡(luò)(Physical Neural Networks),完成圖像分類?分類效果比起傳統(tǒng)的數(shù)字神經(jīng)網(wǎng)絡(luò)也不遜色。對(duì)于MNIST手寫體數(shù)字識(shí)別也可達(dá)到97%以上。(見下面基于四通道雙諧波信號(hào)發(fā)生器(SHG)方案)

pYYBAGK7_jSAFyxsAAMHMz3U2aw550.png

▲ 圖1 分別基于機(jī)械系統(tǒng)、電子線路光學(xué)系統(tǒng)構(gòu)建的P物理神經(jīng)網(wǎng)絡(luò)

??這類建構(gòu)在物理系統(tǒng)而非數(shù)字處理器之上的神經(jīng)網(wǎng)絡(luò)目標(biāo)是在推理速度和能效方面超過(guò)傳統(tǒng)數(shù)字計(jì)算機(jī),構(gòu)建智能傳感器和高效網(wǎng)絡(luò)推理。

??猜測(cè)大多數(shù)人和我一樣,第一看到這個(gè)文章都會(huì)有疑問(wèn):這類常見到的揚(yáng)聲器、三極管、光學(xué)透鏡怎么就能夠像深度學(xué)習(xí)網(wǎng)絡(luò)那樣完成學(xué)習(xí)訓(xùn)練和推理的呢?特別是這其中都是一些常見到的物理系統(tǒng),這里面并沒有包含什么量子計(jì)算機(jī)、神經(jīng)計(jì)算機(jī)之類結(jié)構(gòu)。

??文章包含的工作很多(原文PDF有60多頁(yè)),我還沒有看完,不過(guò)文章一開始把為什么物理神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)人工神經(jīng)網(wǎng)絡(luò)算法的原理還是講的比較明白。傳統(tǒng)的深度學(xué)習(xí)可以分解若干網(wǎng)絡(luò)層的級(jí)聯(lián)計(jì)算,每一層的計(jì)算包括輸入數(shù)據(jù)(Input)、網(wǎng)絡(luò)參數(shù)(Parameters),它們經(jīng)過(guò)融合后經(jīng)過(guò)神經(jīng)元非線性傳遞函數(shù)形成網(wǎng)絡(luò)的輸出(Output)。

pYYBAGK7_jmAUDClAAHhwRqNtks122.png

▲ 圖2 人工神經(jīng)網(wǎng)絡(luò)(ANN)與物理神經(jīng)網(wǎng)絡(luò)(PNN) 之間的聯(lián)系

??物理神經(jīng)網(wǎng)絡(luò)也是分成若干層的級(jí)聯(lián),比如若干個(gè)揚(yáng)聲器,每個(gè)揚(yáng)聲器是一層神經(jīng)網(wǎng)絡(luò)。輸入信號(hào)是揚(yáng)聲器的輸入電壓;網(wǎng)絡(luò)參數(shù)則是一組可以控制的電壓信號(hào),比如持續(xù)時(shí)間,幅值可以改變的信號(hào),它們與輸入信號(hào)通過(guò)(疊加、串聯(lián)等)合并后送入揚(yáng)聲器,揚(yáng)聲器的輸出聲音再經(jīng)過(guò)麥克風(fēng)采集形成網(wǎng)絡(luò)的輸出。

pYYBAGK7_j6AIf3TAAD5NdBDooY471.png

▲ 圖1.3 由揚(yáng)聲器組成的一層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

??在由晶體管組成的放大電路、光學(xué)倍頻器(SHG)組成的系中,對(duì)于輸入信號(hào),網(wǎng)絡(luò)參數(shù)以及它們的融合方法根據(jù)各子系統(tǒng)特點(diǎn)有所不同。

??比如在下圖中,網(wǎng)絡(luò)參數(shù)實(shí)際上就是一段長(zhǎng)度和幅值不同的直流信號(hào),嵌入在輸入變化的信號(hào)中(A),經(jīng)過(guò)三極管電路之后形成輸出(B),輸入信號(hào)和網(wǎng)絡(luò)參數(shù)融合部分進(jìn)行展開與歸一化(C)形成網(wǎng)絡(luò)輸出信號(hào)。

poYBAGK7_kSACPHLAAEBas9Ints872.png

▲ 圖3 在三極管電路中輸入信號(hào)網(wǎng)絡(luò)參數(shù)信號(hào)(幅值可控一段直流電平)的串聯(lián),以及對(duì)應(yīng)的電路輸出信號(hào)

??盡管現(xiàn)在對(duì)于網(wǎng)絡(luò)如何進(jìn)行訓(xùn)練,如何進(jìn)行工作的細(xì)節(jié)還有待進(jìn)一步的了解,但文章所展示關(guān)于深度神經(jīng)網(wǎng)絡(luò)算法的本質(zhì)令人耳目一新。利用了系統(tǒng)輸入輸出之間的非線性把輸入信號(hào)與網(wǎng)絡(luò)信號(hào)進(jìn)行融合完成信息的處理,所以文章所舉例的三個(gè)系統(tǒng)(揚(yáng)聲器、三極管電路、二次倍頻光學(xué)系統(tǒng))都應(yīng)該不是線性時(shí)不變系統(tǒng)。

??下面,我們拋開物理神經(jīng)網(wǎng)絡(luò)算法,先看看論文中的這三個(gè)系統(tǒng)的特點(diǎn)。

02 非線性系統(tǒng)

??在大學(xué)本科階段所學(xué)習(xí)的“信號(hào)與系統(tǒng)”、“自動(dòng)控制理論”中所討論的原理和方法基本上都是針對(duì)于線性時(shí)不變系統(tǒng),因此判斷一個(gè)系統(tǒng)是否是線性時(shí)不變是應(yīng)用這些理論第一步需要做的事情。

??在前面Nature 論文中所提到的三個(gè)物理系統(tǒng)(機(jī)械、電子、光學(xué))是否都滿足線性時(shí)不變呢?

2.1 三極管電路

??文章中三極管電路最簡(jiǎn)單,同樣它的非線性也最為明顯。

??電路包含有四個(gè)元器件:電阻、電感、電容以及場(chǎng)效應(yīng)三極管。其中電阻、電感、電容都是線性元器件,只有場(chǎng)效應(yīng)三極管是一個(gè)非線性器件。它的漏極飽和電流與柵極電壓之間呈現(xiàn)平方關(guān)系。所以該電子系統(tǒng)是一個(gè)非線性系統(tǒng)。

pYYBAGK7_kqAITVDAAHyoliCa7s531.png

▲ 圖2.1.1 三極管電路

2.2 二次諧波產(chǎn)生系統(tǒng)(SHG)

??二次諧波產(chǎn)生系統(tǒng) 是一個(gè)光學(xué)系統(tǒng),也是文章舉例中最復(fù)雜的系統(tǒng)。

??對(duì)于SHG(Second-Harmonic Generation)光學(xué)系統(tǒng)我不是很熟悉,通過(guò) 檢索相應(yīng)文獻(xiàn)[2] 可以了解到它的基本原理。它利用了 一些特殊的分子物理狀態(tài)可以將輸入光學(xué)信號(hào)的頻率進(jìn)行倍頻,產(chǎn)生對(duì)應(yīng)的二次諧波信號(hào)。

poYBAGK7_lCACmnjAAYfgYjw4-k155.png

▲ 圖2.2.1 二次諧波產(chǎn)生系統(tǒng)

??對(duì)于這類你不熟悉的物理系統(tǒng),那么該如何判斷它 是否屬于線性時(shí)不變系統(tǒng)呢?

??在這里我們需要利用線性時(shí)不變系統(tǒng)的一個(gè)特性:線性時(shí)不變系統(tǒng)不會(huì)產(chǎn)生新的頻率信號(hào)。

??雖然它可以改變輸入信號(hào)中不同頻率分量的幅度和相位,但不會(huì)有新的頻率分量產(chǎn)生。SHG光學(xué)系統(tǒng)是將輸入光譜中所有頻率分量都進(jìn)行倍頻,產(chǎn)生了新的倍頻分量,因此它不屬于線性時(shí)不變系統(tǒng)。

??因此,倍頻是該系統(tǒng)能夠用于完成物理神經(jīng)系統(tǒng)的關(guān)鍵,一個(gè)線性時(shí)不變光學(xué)系統(tǒng)是無(wú)法構(gòu)建物理神經(jīng)網(wǎng)絡(luò)的。

2.3 揚(yáng)聲器

??文章舉例的三個(gè)系統(tǒng)中,就數(shù)揚(yáng)聲器機(jī)械振動(dòng)系統(tǒng)最令人感到撲朔迷離。系統(tǒng)分為揚(yáng)聲器、音頻功放、麥克風(fēng)組成。其中揚(yáng)聲器需要進(jìn)行改裝。

??他們把動(dòng)圈式喇叭的振動(dòng)膜和防塵罩拆除,露出音頻線圈,在上面使用膠水粘上一個(gè)金屬螺釘,再固定一個(gè)3.2cm×3.2cm見方,1mm厚的金屬鉭制作的金屬片。讀到此,你會(huì)覺得他們這通騷操作屬于脫了褲子放屁,故弄玄虛。

pYYBAGK7_laACSvIAARXQFeSmGw049.png

▲ 圖2.3.1 利用揚(yáng)聲器制作的機(jī)械振蕩系統(tǒng)

??原以為他們這么改裝應(yīng)該是想在喇叭機(jī)械系統(tǒng)中融入非線性環(huán)節(jié),但在音圈(Sound Coil)上增加的金屬螺釘和鉭片好像僅僅是增加了喇叭線圈慣性質(zhì)量,對(duì)于其中高頻振蕩進(jìn)行壓制,起到一個(gè)低頻濾波的作用。因此該系統(tǒng)仍然屬于一個(gè)線性時(shí)不變系統(tǒng)。

??下面是論文補(bǔ)充材料中給出的揚(yáng)聲器輸入電壓信號(hào),麥克風(fēng)錄音信號(hào)以及信號(hào)降采樣的數(shù)字信號(hào)。可以看到麥克風(fēng)錄制的音頻信號(hào)的確是對(duì)輸入信號(hào)的低通平滑濾波。

poYBAGK7_lyAJw2KAACoTrE_jOA083.png

▲ 圖2.3.2 揚(yáng)聲器的輸入信號(hào)、麥克風(fēng)錄音信號(hào)以及降采樣數(shù)字信號(hào)

??下圖是文章中給出的輸入隨機(jī)信號(hào)中嵌入了幅度可控一段直流信號(hào)(相當(dāng)于網(wǎng)絡(luò)參數(shù)),施加在揚(yáng)聲器上之后,麥克風(fēng)采集到的音頻信號(hào)。最后一張圖上可以看到在不同時(shí)刻對(duì)應(yīng)的輸出信號(hào)與輸入信號(hào)之間呈現(xiàn)線性關(guān)系。

pYYBAGK7_mKARRd0AAIWt8wFqvI046.png

▲ 圖2.3.3 輸入隨機(jī)噪聲加上可控直流信號(hào)片段噪聲的輸出信號(hào)

??那么問(wèn)題來(lái)了:這個(gè)系統(tǒng)中的非線性環(huán)節(jié)到底在哪兒呢?

??現(xiàn)在能夠想到的就是其中麥克風(fēng)信號(hào)進(jìn)行降采樣可能會(huì)改變系統(tǒng)的線性時(shí)不變特性,類似于卷積神經(jīng)網(wǎng)中的 Pooling 層的作用。

※ 總 結(jié) ※

??來(lái)自于康納爾大學(xué)的這篇研究論文給出了 一個(gè)利用物理系統(tǒng)實(shí)現(xiàn)深層網(wǎng)絡(luò)學(xué)習(xí)和推理的框架。本文對(duì)于文章舉例的三個(gè)系統(tǒng)不屬于線性時(shí)不變系統(tǒng)進(jìn)行分析。除了其中SHG系統(tǒng)比較復(fù)雜之外,其它兩個(gè)系統(tǒng)(三極管、揚(yáng)聲器)是如此的簡(jiǎn)便,吸引人去進(jìn)行搭建系統(tǒng),測(cè)試一下相應(yīng)的性能性能。

參考資料

[1]Deep Physical Neural Networks Trained with Backpropogation: https://www.nature.com/articles/s41586-021-04223-6.pdf[2]檢索相應(yīng)文獻(xiàn): https://www.sciencedirect.com/topics/chemistry/second-harmonic-generation

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 三極管
    +關(guān)注

    關(guān)注

    145

    文章

    3719

    瀏覽量

    128036
  • 麥克風(fēng)
    +關(guān)注

    關(guān)注

    16

    文章

    696

    瀏覽量

    57689
  • 揚(yáng)聲器
    +關(guān)注

    關(guān)注

    29

    文章

    1356

    瀏覽量

    66031
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開深度學(xué)習(xí),而深度學(xué)習(xí)則依賴于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物
    的頭像 發(fā)表于 12-17 15:05 ?338次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    自動(dòng)駕駛中常提的卷積神經(jīng)網(wǎng)絡(luò)是個(gè)啥?

    在自動(dòng)駕駛領(lǐng)域,經(jīng)常會(huì)聽到卷積神經(jīng)網(wǎng)絡(luò)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò),簡(jiǎn)稱為CNN,是一種專門用來(lái)處理網(wǎng)格狀數(shù)據(jù)(比如圖像)的深度學(xué)習(xí)模型。CNN在圖像處理中尤其常見,因?yàn)閳D像本身就可以看作是由像素排列成的二維網(wǎng)格。
    的頭像 發(fā)表于 11-19 18:15 ?2086次閱讀
    自動(dòng)駕駛中常提的卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>是個(gè)啥?

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定類別
    發(fā)表于 10-29 06:08

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開發(fā)IDE,以TensorFlow2為訓(xùn)練框架,目標(biāo)是訓(xùn)練一個(gè)手寫數(shù)字識(shí)別的神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 10-22 07:03

    CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作

    在完成神經(jīng)網(wǎng)絡(luò)量化后,需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速上。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)內(nèi)。 在仿真環(huán)境下,可將其存于一個(gè)文件,并在 Verilog 代碼中通過(guò) read
    發(fā)表于 10-20 08:00

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)(LiquidNeuralNetworks,LNN)是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng),特別是秀麗隱桿線蟲的神經(jīng)結(jié)構(gòu),盡管這種微生物的
    的頭像 發(fā)表于 09-28 10:03 ?1244次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加,這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn),如計(jì)算速度慢、訓(xùn)練時(shí)間長(zhǎng)等
    的頭像 發(fā)表于 09-17 13:31 ?1142次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行計(jì)算與加速技術(shù)

    如何在機(jī)器視覺中部署深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

    圖 1:基于深度學(xué)習(xí)的目標(biāo)檢測(cè)可定位已訓(xùn)練的目標(biāo)類別,并通過(guò)矩形框(邊界框)對(duì)其進(jìn)行標(biāo)識(shí)。 在討論人工智能(AI)或深度學(xué)習(xí)時(shí),經(jīng)常會(huì)出現(xiàn)“神經(jīng)網(wǎng)絡(luò)”、“黑箱”、“標(biāo)注”等術(shù)語(yǔ)。這些概念對(duì)非專業(yè)
    的頭像 發(fā)表于 09-10 17:38 ?911次閱讀
    如何在機(jī)器視覺中部署<b class='flag-5'>深度</b>學(xué)習(xí)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真模型解決方案

    在基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真(DPD)模型中,使用不同的激活函數(shù)對(duì)整個(gè)系統(tǒng)性能和能效有何影響?
    的頭像 發(fā)表于 08-29 14:01 ?3478次閱讀

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過(guò)對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    摘要:針對(duì)傳統(tǒng)專家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問(wèn)題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合,充分發(fā)揮了二者故障診斷的優(yōu)點(diǎn),很大程度上降低了對(duì)電機(jī)
    發(fā)表于 06-16 22:09

    神經(jīng)網(wǎng)絡(luò)RAS在異步電機(jī)轉(zhuǎn)速估計(jì)中的仿真研究

    眾多方法中,由于其結(jié)構(gòu)簡(jiǎn)單,穩(wěn)定性好廣泛受到人們的重視,且已被用于產(chǎn)品開發(fā)。但是MRAS仍存在在低速區(qū)速度估計(jì)精度下降和對(duì)電動(dòng)機(jī)參數(shù)變化非常敏感的問(wèn)題。本文利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn),使估計(jì)更為簡(jiǎn)單、快速
    發(fā)表于 06-16 21:54

    基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析

    本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過(guò)python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出,然后通過(guò)python程序?qū)xt文件轉(zhuǎn)化為coe文件,(coe
    的頭像 發(fā)表于 06-03 15:51 ?1238次閱讀
    基于FPGA搭建<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的步驟解析

    揚(yáng)聲器的運(yùn)作原理與技術(shù)規(guī)格

    揚(yáng)聲器是我們聽覺體驗(yàn)中不可或缺的組成部分,它將電信號(hào)轉(zhuǎn)換成我們感知到的充滿活力的聲音。揚(yáng)聲器普遍使用于各種會(huì)發(fā)出聲音的電子設(shè)備,是常見且不可或缺的產(chǎn)品。不過(guò),看似簡(jiǎn)單的揚(yáng)聲器,仍需要去了解一下
    的頭像 發(fā)表于 04-11 14:52 ?2624次閱讀
    <b class='flag-5'>揚(yáng)聲器</b>的運(yùn)作原理與技術(shù)規(guī)格

    歌爾股份發(fā)布新一代揚(yáng)聲器 DPS-F和大音-F揚(yáng)聲器

    2021年4月和2023年3月在深圳舉辦兩屆揚(yáng)聲器新技術(shù)分享會(huì)之后,3月13日,歌爾在上海舉辦“大音希聲”第三屆揚(yáng)聲器新技術(shù)分享會(huì),煥新升級(jí)揚(yáng)聲器產(chǎn)品,為市場(chǎng)提供兼具卓越音效與輕薄設(shè)計(jì)的音頻解決
    的頭像 發(fā)表于 03-15 19:02 ?2123次閱讀