1樓：outlier001
首先說一下兩個崗位的區別，神經網路邏輯開發屬於演算法實現，目前國內的硬體加速通用型NN還是比較差的，真正做的好的只有幾家，小公司或者初創公司只能通過fpga實現一下，這對架構設計與演算法實現要求比較高，看你們的技術專家是否能夠做出好的設計，實現pvt的最優化。顯示驅動晶元如果不是soc，那應該是小晶元，做顯示協議實現。
崗位選擇需要與具體的方向對應，看兩個公司目前的行業定位如何，神經網路屬於人工智慧方向，但是目前並沒有成熟的設計，需要乙個長期的學習與積累。顯示驅動按照目前市場對自動駕駛的發展應該發展不錯，如果選這個後面可以向影象處理方向發展。
2樓：2023年的太陽
個人感覺fpga在神經網路這一塊蛋糕並不大，同算力功耗比不過GPU，算力也比不過，只在實時處理上可能會比GPU好，但是感覺神經網路結構相對固定，等晶元出來了怕是這一塊也沒得吃
3樓：珠穆朗瑪2048
之江lab牌子比較響，還要看下邊的研究組，不過，神經網路是熱門技術，還可以持續很多年，有平台有方向，做出成績比較容易，我們也做基於fpga加速深度學習原型。如果只是顯示卡，初創比較難，現在景嘉微做的比較好。
4樓：光明頂左使
這個還是得看職業發展前景吧？
職業發展前景，其實就是需要多少這方面的細分技術人才。
顯示驅動晶元的話，感覺也就是給面板做配套；而現在的面板廠也不多，面板型別也不多，感覺上人才需求不大？如果有懂的大神願意深入解釋一下最好了。。
所以以我淺薄的行業知識來判斷，神經網路FPGA邏輯開發的職業發展前景可能會更好。
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...
請問用fpga實現神經網路加速用hls還是verilog好呢？
ALINX 一般情況應該用HLS算方便一些，你應該會找一些開源的演算法，比如yolo v3，然後用HLS轉換成FPGA可以執行的程式，你自己寫演算法的概率應該很低了，所以從轉換來說，應該用HLS比verilog方便很多。 史峰 可以考慮用Chisel https www.chisel lang.or...