为了提高准确性，数据集变得越来越大，越来越复杂，因此需要更大、更复杂的模型。

这就推动了提高计算性价比的需求，与基于GPU的EC2实例相比，新的Amazon EC2 DL1实例承诺能显著降低训练成本。我们预计，对于广泛的客户来说，这一优点将使云端的AI模型训练无论在成本竞争力还是可访问性方面都较以往有大幅提升。

医疗保健进步的众多技术中,使用机器学习和深度学习基于医学成像数据对疾病进行诊断.我们的海量数据集需要及时,高效的训练,为苦心钻研一些最亟待解决的医学谜题的研究人员提供帮助。

一般的共享电源和数据接口经过编码，可减少信号直流成分，从而在发送交流信号成分时简化系统设计。但是，许多数字输出传感器接口（例如，SPI和I2C）尚未经过编码，具有可变的信号直流成分，因此不是共享数据和电源设计的自然之选。

对SPI或I2C进行编码需要额外的微控制器，这会增加解决方案的成本和尺寸。

为了免去编码和额外增加微控制器的麻烦，设计人员必须尝试采用多快好省的办法，这就需要仔细设计和模拟工程电源电路。工程电源电路由电感、电容和保护电路组成，一起构成了一个滤波器。

Habana Gaudi加速器的Amazon EC2 DL1实例所具备的显著性价比优势，在未来很可能会成为AWS计算集群的有力补充，随着Habana Labs的不断发展，支持的运营商覆盖范围越来越大，有潜力扩展来支持更多的企业用例，从而进一步节省成本。

相较于Habana在TensorFlow模型的表现，Habana 在PyTorch模型上的性能略低（吞吐量和训练时间）。我们在SynapseAI用户指南中以及GitHub上的参考模型中记录了已知限制。

此外，我们还在Habana开发人员网站上发布了参考模型的性能结果。Habana团队致力于在后续发行版中不断提升易用性和性能。

(素材来源：ttic和eccn.如涉版权请联系删除。特别感谢）