Gwennap指出，值得注意的是，新的AI时代并不会有参考架构。 诸如TensorFlow和Caffe等架构将会把软件（神经网络）和硬件分开来。 他补充说：映像到Myriad VPU的网络可以轻易地映像到Snapdragon或其他处理器上。 因此，AI处理器将在性能和效率的基础上进行竞争，而不是锁定于指令集。
同样地，他也不认同同样的工具适用于训练和推理的论点。 Gwennap说：一旦网络开始接受训练，就可以轻松地部署在支持主流架构的任何平台上。 而且，主流的架构都是开放源码，以避免单一家厂商锁定。El－Ouazzane看好AI处理器抽取底层硬件的能力，它让设计者可将推论与练训分离开来。 但他重申先前的观点，从长远来看，能够使用相同的工具进行神经网络的训练和部署，才有助于系统设计人员。
他以Movidius的开发蓝图为例表示，未来三年，深度学习的效能预计将会增加50倍。 为了在不增加功耗的情况下实现这一目标，我们可以在训练方面设计许多架构技巧。El－Ouazzane补充说：当你在斟酌这些技巧时，让学习和推理方面置于同一平台是至关重要的。
（责任编辑：fqj）
关于嵌入式技术就介绍完了，您有什么想法可以联系小编。
