应用方案
将机器学习算法与物理世界联系起来
将神经网络的强大功能与 FPGA 的低延迟和灵活性相结合。
常见问题
用户使用名为 LinnModel 的 Python 类来设计和训练他们的网络。该类包含用于构建和输出 Liquid Instruments 神经网络 (.linn) 文件的方法，该文件可加载到 Moku 中。 神经网络 仪器。该文件包含有关激活值、偏差和激活函数的所有信息，以便在 Moku 硬件上准确地重建模型。
它支持最多 100 个隐藏层，每层最多包含 XNUMX 个完全互连的节点。它还支持五种不同的激活函数。
使用 FPGA 可以绕过主机 PC 并实时执行计算。与任何其他 DSP 算法一样，计算确实需要时间，这可能会导致一定的延迟。但是，根据应用和神经网络的规模，FPGA 的延迟可能比专用滤波器和/或仪器更低。