Varen er på fjernlager, leveringstiden er 4-6 hverdager. Mere info
Fri frakt - Hentes på Posten.
Se alle alternativer
Bring - Hentes på Posten
Gratis
Bring - Fleksibel hjemlevering - Levering til døren (om kvelden i større byer)
199,00
NOK
1.799,00
eksklusiv MVA 1.439,20
Totalt inkl. frakt
1.799,00
Denne funksjonen krever at man er logget inn. Opprett en bruker og liste systemet for å holde styr på fremtidige kjøp eller ønskelister. Opprett bruker Login
Coral/Google Edge TPU USB-accelerator Google Coral USB Accelerator får real-time præference til din Pi 4 og mange andre computere! Kunstig intelligens / Machine Learning til alle: Google har med Coral USB Accelerator tilsluttet en kraftig specialchip (TPU, Tsensor Processing Unit) til et USB 3 interface - dermed kan Tensor Flow Lite modeller hurtigt og energibesparende anvendes til præference. En særlig fordel ved denne løsning: Dine data forbliver lokalt. Det hjælper ved forsinkelse, og naturligvis ved beskyttelse af personlige oplysninger! Google bruger i stigende grad kunstig intelligens (AI) og maskinindlæring (ML) til at realisere sine tjenesteydelser. Specielt konstruerede processorer ved navn TPU (tsensor processing unit) til datacentre, der kan køre algoritmerne hurtigere og mere energibesparende med TensorFlow Framework. Google Maps forbedres f.eks. med vejskilte optaget fra Street View, der analyseres ved hjælp af et neuronelt net baseret på TensorFlow. Clou: TensorFlow kan nemt programmeres i Python. Google bringer med Edge TPU, der understøtter TensorFlow Lite Framework, en USB 3-stik på markedet. Edge TPU kan udføre op til 4 billioner beregninger pr. sekund med kun 2 W forbrug.
Perfekt i kombination med Pi 4!
Google Coral Edge TPU kan præference for eksempel udføres med MobileNet v2 model op til 20 x hurtigere end på den våde Pi 4. Dermed kan real-time registreringer i videostreams udføres med over 50 fps, som ikke ville være muligt med Pi 4 uden accelerator. Takket være Python og mange eksempler online omkring censorflow kan man sætte kunstig intelligens og Machine Learning med Google Coral USB Accelerator ind og med stil.
Tekniske data Coral USB Accelerator • Google Edge TPU ML accelerator coprocessor • USB 3.0 (USB 3.1 Gen 1) Type C socket • understøtter Linux, Mac og Windows på hostsystemet • effektforbrug op til 900 mA Peak @ 5 V • mål Coral USB-stik: 65 mm x 30 mm x 8 mm
krav til hostsystemet • Linux Debian 6.0 eller nyere, eller et derivat heraf (for eksempel Ubuntu 10.0+, Raspbian) • systemarkitektur: X86-64, ARMv7 (32-bit) eller ARMv8 (64-bit) • MacOS 10.15 installeret med enten MacPort eller Homebrew • Windows 10 • en ledig USB-port (skal være for den bedste performance USB 3) • Python 3.5, 3.6 eller 3.7
følger med Google Coral USB Accelerator • USB Accelerator • USB 3-kabel
Google præsenterer i Coral.ai projekt flere interessante eksempler og tutorials, for eksempel en variant af AlphaGo Zero kaldes MiniGo. Potentiale for industrielle anvendelser af Google Coral USB Accelerator er et revolutionerende produkt, som for eksempel Raspberry Pi, til machine learning programmer! Dermed bliver embedded løsninger mulige, som for eksempel kan registrere problemer med emner, kan se trafiksituation, og meget mere. Downloads & dokumentation • USB Accelerator datablad (datablad som PDF) • 3D CAD-fil i STEP format • Edge TPU inferencing overview (TESensor Flow Lite modeller) • TensorFlow models on the Edge TPU • pipeline C+ API reference • Edge TPU Python API
vigtig henvisning: At kabinettet også fungerer som passiv køling af CPU'en og vi derved Varme. Der er ikke tale om en defekt.
OBS! Denne produktbeskrivelse er endnu ikke blevet oversat til dansk af vores oversættere. Derfor er teksten maskineoversat fra den tyske originaltekst. Muliggør hurtig maskinel læring på en lang række systemer Fungerer med Linux, Mac og Windows
Produktet har følgende varenummer i vårt system:
SKU:
G950-01456-01
EAN:
193575021935
EAN:
0842776110077
Hvorfor oplever jeg at den umiddelbart samme vare findes på forskellige varenumre?
Producenterne udgiver ofte den samme vare med forskellige varenumre, typisk handler det udelukkende om forskellige versioner af emballagen. Eksempelvis kan emballagen være målrettet forskellige lande.
Vi forsøger bedst muligt at samle varerne, men det kan opleves at den samme vare figurerer på forskellige varenumre i vores system.