满足网络边缘日益增长的性能要求

将AI应用引入网络边缘有诸多潜在优点，例如降低数据延迟、保护隐私和降低功耗。但是这也带来了设计上的挑战。设计人员需要开发出低功耗和小尺寸兼具的网络边缘AI解决方案。与此同时，像存在检测和对象计数等全新的AI/ML应用还要求开发人员开发出比以往性能更高的解决方案。

想找方法克服这些挑战？有莱迪思sensAI™就足够了。这款屡获殊荣的解决方案集合能够为网络边缘设备添加低功耗AI功能。今年5月，莱迪思更新了sensAI的性能和设计流程，包括为低功耗小型IoT设备实现10倍性能提升。

莱迪思最近发布了全新白皮书——《为快速增长的网络边缘人工智能应用提供更高性能的解决方案》，文中阐述了设计人员如何使用sensAI和莱迪思的低功耗、低密度FPGA加速神经网络的性能。

真实设计案例

如果您还在苦苦寻找实现网络边缘AI的方法，务必读读白皮书文末提到的sensAI设计案例。这些案例表明，无论是在新设计中还是为现有设计增添AI，sensAI都可以处理一些常见的数据处理难题，用于支持网络边缘设备上的AI。

这些设计案例可以分为两大类：数据预处理和数据后处理。数据预处理是智能视觉应用中保证低功耗和降低数据延迟的重要方法。sensAI可以在设备做出响应之前，确定数据是否需要在设备或者云端上作进一步检查。这能避免错误警报（在智能视觉应用中非常常见），防止触发设备激活其SoC或MCU（保证低功耗），或者将错误警报发送到云端（降低数据延迟）。通过sensAI进行数据后处理是设计人员为现有的网络边缘嵌入式视觉应用增添智能视觉的重要方法。例如，设计人员在为某一设计新增智能视觉时可能会发现，通过添加加速器来减轻现有SoC或MCU的部分处理负载或许效益更高；而sensAI可以轻松地做到这一点。由于sensAI在小尺寸、低功耗的莱迪思FPGA上运行，使用sensAI为传统器件增加智能视觉对整个系统的功耗和设计尺寸影响极小。

了解更多信息，请访问sensAI页面。