Desde el comienzo de 2017, Google lanzó Tensor Processing Unit hardware personalizado, de modo que el modelo de aprendizaje de la máquina para hacer las predicciones más rápido, hace unos días Microsoft (Microsoft) para ser superado, lo mismo para el módulo de aprendizaje de la máquina lanzó un nuevo sistema de Brainwave. Programable matriz de puertas (FPGA) para acelerar la profundidad de aprendizaje, se espera que traiga TPU no pequeña presión.Según InfoWorld informó de que Microsoft anunció el proyecto Brainwave hardware puede soportar una variedad de ampliamente utilizado sistema de aprendizaje en profundidad.El proyecto Brainwave también cubre muchos TPU Brainwave es un uso a gran escala de arrays de puerta programables en campo (FPGAs) en Azure para acelerar muchas operaciones, como el procesamiento de la red y el aprendizaje de máquina.Microsoft también señala que para los desarrolladores que utilizan Brainwave, el mismo objetivo, incluyendo la aceleración del aprendizaje del módulo de aprendizaje de máquina. Brainwave es capaz de soportar Google TensorFlow con su propio Cognitive Toolkit, y soportará más de los otros productos Brainwave es el uso de la mencionada arquitectura de los módulos existentes en un usable en el chip nativo de Microsoft Formato, sin embargo, comentó que el modelo existente fue trasplantado Microsoft dijo que el uso de chips de propiedad puede hacer Brainwave más rápido de lo esperado, el FPGA está directamente conectado a la red de centros de datos, por lo que la profundidad de la red neuronal y el exclusivo FPGA más estrechamente conectado. Dijo que el diseño de alto rendimiento, es más fácil de crear en tiempo real la aplicación de la profundidad de las aplicaciones de aprendizaje (App), sin un largo período de formación en línea.Microsoft también dijo que el uso de diferentes formas de utilizar FPGA para predecir, Los FPGAs de ondas cerebrales se pueden seleccionar basándose en las necesidades de problemas específicos, desde datos de tipo, alta o baja precisión, aumentando la velocidad sacrificando la precisión.
