The GOP/s required for EIE to achie

The GOP/s required for EIE to achieve the same application throughput (Frames/s) is much lower than competing approaches because EIE exploits sparsity to eliminate 97% of the GOP/s performed by dense approaches. 3 TOP/s on an uncompressed network requires only 100 GOP/s on a compressed network. EIE’s throughput is scalable to over 256 PEs. Without EIE’s dedicated logic, however, model compression by itself applied on a CPU/GPU yields only 3× speedup.

結果 (繁體中文) 1:

的GOP所需/ s的EIE來實現相同的應用可以通過（幀/秒）的要比競爭的方法降低，原因EIE利用稀疏性，以消除該GOP的97％S由緻密的執行/接近。3 TOP /未壓縮的網絡上的s需要僅100 GOP / s的壓縮網絡。通過股權投資企業可擴展到超過256的PE。而不EIE的專用邏輯，但是，通過本身模型壓縮塗敷在CPU / GPU的產率只有3×加速。

結果 (繁體中文) 2:

EIE 實現相同應用程式輸送量 （Frame/s） 所需的 GOP/s 比競爭方法低得多，因為 EIE 利用稀疏性來消除由密集方法執行的 97% 的 GOP/s。未壓縮網路上的 3 個 TOP/s 在壓縮網路上只需要 100 GOP/s。EIE 的輸送量可擴展到超過 256 個 PE。但是，如果沒有 EIE 的專用邏輯，模型壓縮本身應用於 CPU/GPU 只能產生 3° 的加速。

結果 (繁體中文) 3:

EIE實現相同的應用輸送量（幀/秒）所需的GOP/s比競爭方法低得多，因為EIE利用稀疏性來消除由密集方法執行的GOP/s的97%。未壓縮網絡上的3 TOP/s在壓縮網絡上僅需要100 GOP/s。EIE的輸送量可擴展到256多個PEs。然而，如果沒有EIE的專用邏輯，應用在CPU/GPU上的模型壓縮本身只能產生3倍的加速。