為了提高準確性，數據集變得越來越大，越來越復雜，因此需要更大、更復雜的模型。

這就推動了提高計算性價比的需求，與基于GPU的EC2實例相比，新的Amazon EC2 DL1實例承諾能顯著降低訓練成本。我們預計，對于廣泛的客戶來說，這一優點將使云端的AI模型訓練無論在成本競爭力還是可訪問性方面都較以往有大幅提升。

醫療保健進步的眾多技術中,使用機器學習和深度學習基于醫學成像數據對疾病進行診斷.我們的海量數據集需要及時,高效的訓練,為苦心鉆研一些最亟待解決的醫學謎題的研究人員提供幫助。

一般的共享電源和數據接口經過編碼，可減少信號直流成分，從而在發送交流信號成分時簡化系統設計。但是，許多數字輸出傳感器接口（例如，SPI和I2C）尚未經過編碼，具有可變的信號直流成分，因此不是共享數據和電源設計的自然之選。

對SPI或I2C進行編碼需要額外的微控制器，這會增加解決方案的成本和尺寸。

為了免去編碼和額外增加微控制器的麻煩，設計人員必須嘗試采用多快好省的辦法，這就需要仔細設計和模擬工程電源電路。工程電源電路由電感、電容和保護電路組成，一起構成了一個濾波器。

Habana Gaudi加速器的Amazon EC2 DL1實例所具備的顯著性價比優勢，在未來很可能會成為AWS計算集群的有力補充，隨著Habana Labs的不斷發展，支持的運營商覆蓋范圍越來越大，有潛力擴展來支持更多的企業用例，從而進一步節省成本。

相較于Habana在TensorFlow模型的表現，Habana 在PyTorch模型上的性能略低（吞吐量和訓練時間）。我們在SynapseAI用戶指南中以及GitHub上的參考模型中記錄了已知限制。

此外，我們還在Habana開發人員網站上發布了參考模型的性能結果。Habana團隊致力于在后續發行版中不斷提升易用性和性能。

(素材來源：ttic和eccn.如涉版權請聯系刪除。特別感謝）