顯示晶片顯示卡差別的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於ARM的可重組之卷積神經網路硬體加速器設計

為了解決顯示晶片顯示卡差別的問題，作者樂紀廷 這樣論述：

　　卷積神經網路距今為止發展到可以做圖形識別、物件偵測等，而需要這麼精確判斷的卷積神經網路大多都依賴雲端運算，因為網路的發達，大數據的取得較過去已經相對容易很多，並且依靠著NVIDIA的顯示卡，在雲端伺服器運算想要的神經網路系統與圖形化響應式介面設計的程式進行物聯網連動，可為科技發展至今的常態。　　對於生物辨識相關的隱私權議題，以及穿戴式裝置的迅速發展，邊緣運算的重要性也越來越顯著。但由於類似穿戴式裝置或是辨識相關的感測裝置通常都歸類為小型裝置，而小型裝置與一般電腦最大的差別是可用的硬體支援空間非常小，若需要在裝置上使用卷積神經網路的此類大量運算機制，相比電腦用的顯示卡，在硬體的設計上也需要

重新規劃。　　為了讓小型裝置能獲得卷積神經網路的使用，本論文訓練了指靜脈的生物身分辨識卷積神經網路之方法作為獨立小型裝置之應用，並提出了一個基於ARM微控制架構的可被重組之卷積神經網路硬體加速器設計。此一卷積神經網路硬體加速器為了減少運算量與記憶體的存取量，採用Quantization and Training Inference的方式將所有儲存的參數量化成8-bit以降低儲存所需的空間量，並且實行了可以處理三個像素列的輸入特徵圖，同時輸出為一個像素列八個通道的輸出特徵圖。　　本論文使用218Kbytes的晶片上的區塊記憶體，其主要儲存輸入特徵圖、偏差值、卷積核以及兩組輸出特徵圖。在基於ARM

Cortex-A53單一核心架構下的硬體，可以藉由ARM的控制程式碼來撰寫不同神經網路對於卷積網路層的調用，在不受限於軟體延遲並且系統操作在100MHz情況下加速器理想可以達到12.8GOPS的資料吞吐量。