Было много шума, когда компания NVIDIA запустила в продажу SBC Jetson Nano с 128-ядерным графическим процессором Maxwell за $99 и они предполагали, что производительность вычислений составит 472 GFLOPS для выполнения современных рабочих нагрузок искусственного интеллекта с энергопотреблением около 5 Вт.
Но Jetson Nano, это не единственная недорогая платформа, обеспечивающая высокую производительность при низком энергопотребление для рабочих нагрузок искусственного интеллекта, есть например система-на-кристалле Rockchip RK3399Pro (RK1808 NPU), которую можно найти в таких платах, как Toybrick RK3399Pro, которая, как утверждает компания, обеспечивает до 3 TOPS для INT8, 300 GOPS для INT16 и 100 GOPS для FP16.
Все эти числа операций в секунду могут быть обманчивы и вводить в заблуждение, поэтому важно проверить производительность реальных моделей нейронных сетей. В прошлом году компания Rockchip представила результаты некоторых тестов RK3399Pro для моделей Inception V3, ResNet34 и VGG16, сравнивая их с Apple A11, Huawei Kirin 970 и NVIDIA Jetson TX2. Однако многие хотели бы увидеть результаты от третьих лиц, по этой причине Чэнвэй Чжан приобрел себе плату Toybrick и подробно объяснил, как запустить модель Inception V3 Keras на плате в своем блоге. Читать далее «Плата ToyBrick RK3399Pro превосходит SBC Jetson Nano»
