色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

Hot Chips 2017——人工智能近期的發(fā)展及其對(duì)計(jì)算機(jī)系統(tǒng)設(shè)計(jì)的影響(附PPT資料下載)

m3Fp_almosthuma ? 來(lái)源:機(jī)器之心 ? 作者:機(jī)器之心 ? 2017-08-24 17:42 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

在剛剛結(jié)束的 2017 年國(guó)際高性能微處理器研討會(huì)(Hot Chips 2017)上,微軟、百度、英特爾等公司都發(fā)布了一系列硬件方面的新信息,比如微軟的 Project Brainwave、百度的 XPU、英特爾的 14nm FPGA 解決方案等。谷歌也不例外,在大會(huì) keynote 中 Jeff Dean 介紹了人工智能近期的發(fā)展及其對(duì)計(jì)算機(jī)系統(tǒng)設(shè)計(jì)的影響,同時(shí)他也對(duì) TPU、TensorFlow 進(jìn)行了詳細(xì)介紹。文末提供了該演講資料的下載地址。

在演講中,Jeff Dean 首先介紹了深度學(xué)習(xí)的崛起(及其原因),谷歌在自動(dòng)駕駛、醫(yī)療健康等領(lǐng)域取得的最新進(jìn)展。

Jeff Dean 表示,隨著深度學(xué)習(xí)的發(fā)展,我們需要更多的計(jì)算能力,而深度學(xué)習(xí)也正在改變我們?cè)O(shè)計(jì)計(jì)算機(jī)的能力。

我們知道,谷歌設(shè)計(jì)了 TPU 專門進(jìn)行神經(jīng)網(wǎng)絡(luò)推斷。Jeff Dean 表示,TPU 在谷歌產(chǎn)品中的應(yīng)用已經(jīng)超過了 30 個(gè)月,用于搜索、神經(jīng)機(jī)器翻譯、DeepMind 的 AlphaGo 系統(tǒng)等。

但部署人工智能不只是推斷,還有訓(xùn)練階段。TPU 能夠助力推斷,我們又該如何加速訓(xùn)練?訓(xùn)練的加速非常的重要:無(wú)論是對(duì)產(chǎn)品化還是對(duì)解決大量的難題。

為了同時(shí)加速神經(jīng)網(wǎng)絡(luò)的推斷與訓(xùn)練,谷歌設(shè)計(jì)了 TPU 二代。TPU 二代芯片的性能如下圖所示:

除了上圖所述意外,TPU 二代的特點(diǎn)還有:

  • 每秒的浮點(diǎn)運(yùn)算是 180 teraflops,64 GB 的 HBM 存儲(chǔ),2400 GB/S 的存儲(chǔ)帶寬

  • 設(shè)計(jì)上,TPU 二代可以組合連接成大型配置

下圖是 TPU 組成的大型配置:由 64 塊 TPU 二代組成,每秒 11.5 千萬(wàn)億次浮點(diǎn)運(yùn)算,4 太字節(jié)的 HBM 存儲(chǔ)。

在擁有強(qiáng)大的硬件之后,我們需要更強(qiáng)大的深度學(xué)習(xí)框架來(lái)支持這些硬件和編程語(yǔ)言,因?yàn)榭焖僭鲩L(zhǎng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)需要硬件和軟件都能具備強(qiáng)大的擴(kuò)展能力。因此,Jeff Dean 還詳細(xì)介紹了最開始由谷歌開發(fā)的深度學(xué)習(xí)框架 TensorFlow。

深度學(xué)習(xí)框架 TensorFlow

TensorFlow 是一種采用數(shù)據(jù)流圖(data flow graphs),用于數(shù)值計(jì)算的開源軟件庫(kù)。其中 Tensor 代表傳遞的數(shù)據(jù)為張量(多維數(shù)組),F(xiàn)low 代表使用計(jì)算圖進(jìn)行運(yùn)算。數(shù)據(jù)流圖用「節(jié)點(diǎn)」(nodes)和「邊」(edges)組成的有向圖來(lái)描述數(shù)學(xué)運(yùn)算。

TensorFlow 的目標(biāo)是建立一個(gè)可以表達(dá)和分享機(jī)器學(xué)習(xí)觀點(diǎn)與系統(tǒng)的公共平臺(tái)。該平臺(tái)是開源的,所以它不僅是谷歌的平臺(tái),同時(shí)是所有機(jī)器學(xué)習(xí)開發(fā)者和研究人員的平臺(tái),谷歌和所有機(jī)器學(xué)習(xí)開源社區(qū)的研究者都在努力使 TensorFlow 成為研究和產(chǎn)品上最好的機(jī)器學(xué)習(xí)平臺(tái)。

下面是 TensorFlow 項(xiàng)目近年來(lái)在 Github 上的關(guān)注度,我們可以看到 TensorFlow 是所有同類深度學(xué)習(xí)框架中關(guān)注度最大的項(xiàng)目。

TensorFlow:一個(gè)充滿活力的開源社區(qū)

TensorFlow 發(fā)展迅速,有很多谷歌外部的開發(fā)人員

  • 超過 800 多位 TensorFlow 開發(fā)人員(非谷歌人員)。

  • 21 個(gè)月內(nèi) Github 上有超過 21000 多條貢獻(xiàn)和修改。

  • 許多社區(qū)編寫了 TensorFlow 的教程、模型、翻譯和項(xiàng)目

  • 超過 16000 個(gè) Github 項(xiàng)目在項(xiàng)目名中包含了「TensorFlow」字段

社區(qū)與 TensorFlow 團(tuán)隊(duì)之間的直接聯(lián)合

  • 5000+已回答的 Stack Overflow 問題

  • 80+ 每周解答的社區(qū)提交的 GitHub 問題

通過 TensorFlow 編程

在 TensorFlow 中,一個(gè)模型可能只需要一點(diǎn)點(diǎn)修改就能在 CPU、GPU 或 TPU 上運(yùn)行。前面我們已經(jīng)看到 TPU 的強(qiáng)大之處,Jeff Dean 表明,對(duì)于從事開放性機(jī)器學(xué)習(xí)研究的科學(xué)家,谷歌可以免費(fèi)提供 1000 塊云 TPU 來(lái)支持他們的研究。Jeff Dean 說(shuō):「我們很高興研究者能在更強(qiáng)勁的計(jì)算力下進(jìn)行更杰出的研究」

TensorFlow Research Cloud 申請(qǐng)地址:https://services.google.com/fb/forms/tpusignup/

機(jī)器學(xué)習(xí)需要在各種環(huán)境中運(yùn)行,我們可以在下面看到 TensorFlow 所支持的各種平臺(tái)和編程語(yǔ)言。

除此之外,TensorFlow 還支持各種編程語(yǔ)言,如 Python、C++JavaC#、R、Go 等。

TensorFlow 非常重要的一點(diǎn)就是計(jì)算圖,我們一般需要先定義整個(gè)模型需要的計(jì)算圖,然后再執(zhí)行計(jì)算圖進(jìn)行運(yùn)算。在計(jì)算圖中,「節(jié)點(diǎn)」一般用來(lái)表示施加的數(shù)學(xué)操作,但也可以表示數(shù)據(jù)輸入的起點(diǎn)和輸出的終點(diǎn),或者是讀取/寫入持久變量(persistent variable)的終點(diǎn)。邊表示節(jié)點(diǎn)之間的輸入/輸出關(guān)系。這些數(shù)據(jù)邊可以傳送維度可動(dòng)態(tài)調(diào)整的多維數(shù)據(jù)數(shù)組,即張量(tensor)。

如下是使用 TensorFlow 和 Python 代碼定義一個(gè)計(jì)算圖:

在 Tensorflow 中,所有不同的變量和運(yùn)算都儲(chǔ)存在計(jì)算圖。所以在我們構(gòu)建完模型所需要的圖之后,還需要打開一個(gè)會(huì)話(Session)來(lái)運(yùn)行整個(gè)計(jì)算圖。在會(huì)話中,我們可以將所有計(jì)算分配到可用的 CPU 和 GPU 資源中。

如下所示代碼,我們聲明兩個(gè)常量 a 和 b,并且定義一個(gè)加法運(yùn)算。但它并不會(huì)輸出計(jì)算結(jié)果,因?yàn)槲覀冎皇嵌x了一張圖,而沒有運(yùn)行它:

a=tf.constant([1,2],name="a")
b=tf.constant([2,4],name="b")
result = a+b
print(result)

#輸出:Tensor("add:0", shape=(2,), dtype=int32)

下面的代碼才會(huì)輸出計(jì)算結(jié)果,因?yàn)槲覀冃枰獎(jiǎng)?chuàng)建一個(gè)會(huì)話才能管理 TensorFlow 運(yùn)行時(shí)的所有資源。但計(jì)算完畢后需要關(guān)閉會(huì)話來(lái)幫助系統(tǒng)回收資源,不然就會(huì)出現(xiàn)資源泄漏的問題。下面提供了使用會(huì)話的兩種方式:

a=tf.constant([1,2,3,4])
b=tf.constant([1,2,3,4])
result=a+b
sess=tf.Session()
print(sess.run(result))
sess.close

#輸出 [2 4 6 8]

with tf.Session() as sess:
  a=tf.constant([1,2,3,4])
  b=tf.constant([1,2,3,4])
  result=a+b
  print(sess.run(result))
  
#輸出 [2 4 6 8]

TensorFlow + XLA 編譯器

XLA(Accelerated Linear Algebra)是一種特定領(lǐng)域的編譯器,它極好地支持線性代數(shù),所以能很大程度地優(yōu)化 TensorFlow 的計(jì)算。使用 XLA 編譯器,TensorFlow 的運(yùn)算將在速度、內(nèi)存使用和概率計(jì)算上得到大幅度提升。

  • XLA 編譯器詳細(xì)介紹: https://www.tensorflow.org/performance/xla/

  • XLA 編譯器開源代碼: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/compiler

TensorFlow 的優(yōu)勢(shì)

高性能機(jī)器學(xué)習(xí)模型

對(duì)于大型模型來(lái)說(shuō),模型并行化處理是極其重要的,因?yàn)閱蝹€(gè)模型的訓(xùn)練時(shí)間太長(zhǎng)以至于我們很難對(duì)這些模型進(jìn)行反復(fù)的修改。因此,在多個(gè)計(jì)算設(shè)備中處理模型并取得優(yōu)秀的性能就十分重要了。如下所示,我們可以將模型分割為四部分,運(yùn)行在四個(gè) GPU 上。

高性能強(qiáng)化學(xué)習(xí)模型

通過強(qiáng)化學(xué)習(xí)訓(xùn)練的 Placement 模型將圖(graph)作為輸入,并且將一組設(shè)備、輸出設(shè)備作為圖中的節(jié)點(diǎn)。在 Runtime 中,給定強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)信號(hào)而度量每一步的時(shí)間,然后再更新 Placement。

通過強(qiáng)化學(xué)習(xí)優(yōu)化設(shè)備部署(Device Placement Optimization with Reinforcement Learning,ICML 2017)

  • 論文地址:https://arxiv.org/abs/1706.04972

通過強(qiáng)化學(xué)習(xí)優(yōu)化設(shè)備部署

降低推斷成本

開發(fā)人員最怕的就是「我們有十分優(yōu)秀的模型,但它卻需要太多的計(jì)算資源而不能部署到邊緣設(shè)備中!」

Geoffrey Hinton 和 Jeff Dean 等人曾發(fā)表過論文 Distilling the Knowledge in a Neural Network。在該篇論文中,他們?cè)敿?xì)探討了將知識(shí)壓縮到一個(gè)集成的單一模型中,因此能使用不同的壓縮方法將復(fù)雜模型部署到低計(jì)算能力的設(shè)備中。他們表示這種方法顯著地提升了商業(yè)聲學(xué)模型部署的性能。

  • 論文地址:https://arxiv.org/abs/1503.02531

這種集成方法實(shí)現(xiàn)成一個(gè)從輸入到輸出的映射函數(shù)。我們會(huì)忽略集成中的模型和參數(shù)化的方式而只關(guān)注于這個(gè)函數(shù)。以下是 Jeff Dean 介紹這種集成。

訓(xùn)練模型的幾個(gè)趨勢(shì)

1. 大型、稀疏激活式模型

之所以想要訓(xùn)練這種模型是想要面向大型數(shù)據(jù)集的大型模型容量,但同時(shí)也想要單個(gè)樣本只激活大型模型的一小部分。

逐個(gè)樣本路徑選擇圖

這里,可參考谷歌 Google Brain ICLR 2017 論文《OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER》。

2. 自動(dòng)機(jī)器學(xué)習(xí)

Jeff Dean 介紹說(shuō),目前的解決方式是:機(jī)器學(xué)習(xí)專家+數(shù)據(jù)+計(jì)算。這種解決方案人力的介入非常大。我們能不能把解決方案變成:數(shù)據(jù)+100 倍的計(jì)算。

有多個(gè)信號(hào)讓我們看到,這種方式是可行的:

  • 基于強(qiáng)化學(xué)習(xí)的架構(gòu)搜索

  • 學(xué)習(xí)如何優(yōu)化

如 Google Brain ICLR 2017 論文《Neural Architecture Search with Reinforcement Learning》,其思路是通過強(qiáng)化學(xué)習(xí)訓(xùn)練的模型能夠生成模型。

在此論文中,作者們生成了 10 個(gè)模型,對(duì)它們進(jìn)行訓(xùn)練(數(shù)個(gè)小時(shí)),使用生成模型的損失函數(shù)作為強(qiáng)化學(xué)習(xí)的信號(hào)。

在 CIFAR-10 圖像識(shí)別任務(wù)上,神經(jīng)架構(gòu)搜索的表現(xiàn)與其他頂級(jí)成果的表現(xiàn)對(duì)比如上圖所示。

上圖是正常的 LSTM 單元與架構(gòu)搜索所發(fā)現(xiàn)的單元圖。

此外,學(xué)習(xí)優(yōu)化更新規(guī)則也是自動(dòng)機(jī)器學(xué)習(xí)趨勢(shì)中的一個(gè)信號(hào)。通常我們使用的都是手動(dòng)設(shè)計(jì)的優(yōu)化器,如下圖所示。

而 Google Brain 在 ICML 2017 的論文《Neural Optimizer Search with Reinforcement Learning》中,就講到了一種學(xué)習(xí)優(yōu)化更新規(guī)則的技術(shù)。神經(jīng)優(yōu)化器搜索如下圖所示:

總結(jié)

最后,Jeff Dean 總結(jié)說(shuō),未來(lái)人工智能的發(fā)展可能需要結(jié)合以上介紹的所有思路:需要大型、但稀疏激活的模型;需要解決多種任務(wù)的單個(gè)模型;大型模型的動(dòng)態(tài)學(xué)習(xí)和成長(zhǎng)路徑;面向機(jī)器學(xué)習(xí)超級(jí)計(jì)算的特定硬件,以及高效匹配這種硬件的機(jī)器學(xué)習(xí)方法。

當(dāng)然,目前在機(jī)器學(xué)習(xí)與系統(tǒng)/計(jì)算機(jī)架構(gòu)的交叉領(lǐng)域還存在一些開放問題,例如:

  • 極為不同的數(shù)值是否合理(例如,1-2 位的激勵(lì)值/參數(shù))?

  • 我們?nèi)绾胃咝У奶幚矸浅?dòng)態(tài)的模型(每個(gè)輸入樣本都有不同的圖)?特別是在特大型機(jī)器上。

  • 有沒有方法能夠幫助我們解決當(dāng) batch size 更大時(shí),回報(bào)變小的難題?

  • 接下來(lái) 3-4 年中,重要的機(jī)器學(xué)習(xí)算法、方法是什么?

如今,神經(jīng)網(wǎng)絡(luò)與其他方法隨數(shù)據(jù)、模型大小變化的準(zhǔn)確率對(duì)比圖如下:

未來(lái),可能又是一番境況。

演講PPT地址:http://pan.baidu.com/s/1kVyxeB1

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • FPGA
    +關(guān)注

    關(guān)注

    1646

    文章

    22059

    瀏覽量

    619152
  • 微處理器
    +關(guān)注

    關(guān)注

    11

    文章

    2383

    瀏覽量

    84255
  • AI
    AI
    +關(guān)注

    關(guān)注

    88

    文章

    35307

    瀏覽量

    280670
  • 人工智能
    +關(guān)注

    關(guān)注

    1807

    文章

    49056

    瀏覽量

    250072

原文標(biāo)題:Jeff Dean「Hot Chips 2017」演講:AI對(duì)計(jì)算機(jī)系統(tǒng)設(shè)計(jì)的影響

文章出處:【微信號(hào):almosthuman2014,微信公眾號(hào):機(jī)器之心】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 0人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    計(jì)算機(jī)網(wǎng)絡(luò)入門指南

    計(jì)算機(jī)網(wǎng)絡(luò)是指將地理位置不同且具有獨(dú)立功能的多臺(tái)計(jì)算機(jī)及其外部設(shè)備,通過通信線路連接起來(lái),在網(wǎng)絡(luò)操作系統(tǒng)、網(wǎng)絡(luò)管理軟件及網(wǎng)絡(luò)通信協(xié)議的管理和協(xié)調(diào)下,實(shí)現(xiàn)資源共享和信息傳遞的
    的頭像 發(fā)表于 04-22 14:29 ?1134次閱讀
    <b class='flag-5'>計(jì)算機(jī)</b>網(wǎng)絡(luò)入門指南

    專業(yè)的第三類醫(yī)療器械經(jīng)營(yíng)企業(yè)計(jì)算機(jī)系統(tǒng),確保合規(guī)無(wú)憂

    第三類醫(yī)療器械經(jīng)營(yíng)企業(yè)計(jì)算機(jī)系統(tǒng)因其簡(jiǎn)單明了的特性而受到了眾多用戶的歡迎。與其他第三類醫(yī)療器械經(jīng)營(yíng)企業(yè)計(jì)算機(jī)系統(tǒng)相比,盤谷醫(yī)療的快速上手為用戶提供了極大的便利。該系統(tǒng)還支持遠(yuǎn)程操作,用戶可以隨時(shí)隨地對(duì)醫(yī)療器械進(jìn)行進(jìn)銷存管理。
    的頭像 發(fā)表于 12-12 16:05 ?466次閱讀
    專業(yè)的第三類醫(yī)療器械經(jīng)營(yíng)企業(yè)<b class='flag-5'>計(jì)算機(jī)系統(tǒng)</b>,確保合規(guī)無(wú)憂

    嵌入式和人工智能究竟是什么關(guān)系?

    領(lǐng)域,如工業(yè)控制、智能家居、醫(yī)療設(shè)備等。 人工智能計(jì)算機(jī)科學(xué)的一個(gè)分支,它研究如何使計(jì)算機(jī)具備像人類一樣思考、學(xué)習(xí)、推理和決策的能力。人工智能
    發(fā)表于 11-14 16:39

    《AI for Science:人工智能驅(qū)動(dòng)科學(xué)創(chuàng)新》第一章人工智能驅(qū)動(dòng)的科學(xué)創(chuàng)新學(xué)習(xí)心得

    發(fā)展機(jī)遇。同時(shí),這也要求科研人員、政策制定者和社會(huì)各界共同努力,構(gòu)建一個(gè)健康、包容的AI科研生態(tài)系統(tǒng)。 總之,《AI for Science:人工智能驅(qū)動(dòng)科學(xué)創(chuàng)新》的第一章為我打開了一個(gè)全新的視角,讓我
    發(fā)表于 10-14 09:12

    risc-v在人工智能圖像處理應(yīng)用前景分析

    RISC-V和Arm內(nèi)核及其定制的機(jī)器學(xué)習(xí)和浮點(diǎn)運(yùn)算單元,用于處理復(fù)雜的人工智能圖像處理任務(wù)。 四、未來(lái)發(fā)展趨勢(shì) 隨著人工智能技術(shù)的不斷發(fā)展
    發(fā)表于 09-28 11:00

    信號(hào)繼電器在計(jì)算機(jī)系統(tǒng)中的應(yīng)用

    信號(hào)繼電器在計(jì)算機(jī)系統(tǒng)中的應(yīng)用是一個(gè)重要且復(fù)雜的領(lǐng)域,它作為電氣控制的關(guān)鍵元件,在計(jì)算機(jī)系統(tǒng)中發(fā)揮著信號(hào)轉(zhuǎn)換、隔離、放大以及控制等多種作用。以下將從信號(hào)繼電器的基本概念、工作原理、特性、在計(jì)算機(jī)系統(tǒng)中的應(yīng)用場(chǎng)景、優(yōu)勢(shì)以及未來(lái)
    的頭像 發(fā)表于 09-27 16:29 ?965次閱讀

    計(jì)算機(jī)存儲(chǔ)系統(tǒng)的工作原理和功能

    計(jì)算機(jī)存儲(chǔ)系統(tǒng)作為計(jì)算機(jī)系統(tǒng)中至關(guān)重要的組成部分,其原理和功能對(duì)于理解計(jì)算機(jī)的運(yùn)行機(jī)制具有關(guān)鍵意義。以下將詳細(xì)闡述計(jì)算機(jī)存儲(chǔ)
    的頭像 發(fā)表于 09-26 16:42 ?2991次閱讀

    計(jì)算機(jī)系統(tǒng)的硬件組成和主要部件

    計(jì)算機(jī)系統(tǒng)的硬件組成是計(jì)算機(jī)運(yùn)行的基礎(chǔ),它包含了多個(gè)關(guān)鍵部件,這些部件相互協(xié)作,共同實(shí)現(xiàn)計(jì)算機(jī)的各種功能。
    的頭像 發(fā)表于 09-10 11:41 ?7017次閱讀

    計(jì)算機(jī)存儲(chǔ)器的分類及其區(qū)別

    計(jì)算機(jī)存儲(chǔ)器是計(jì)算機(jī)系統(tǒng)中不可或缺的重要部分,用于存放程序和數(shù)據(jù)。隨著科技的進(jìn)步,存儲(chǔ)器的種類越來(lái)越多,功能和性能也日益豐富。一般來(lái)說(shuō),計(jì)算機(jī)存儲(chǔ)器可以按照不同的分類標(biāo)準(zhǔn)進(jìn)行分類,以下是詳細(xì)的分類
    的頭像 發(fā)表于 09-05 10:40 ?4054次閱讀

    簡(jiǎn)述計(jì)算機(jī)總線的分類

    計(jì)算機(jī)總線作為計(jì)算機(jī)系統(tǒng)中連接各個(gè)功能部件的公共通信干線,其結(jié)構(gòu)和分類對(duì)于理解計(jì)算機(jī)硬件系統(tǒng)的工作原理至關(guān)重要。以下是對(duì)計(jì)算機(jī)總線結(jié)構(gòu)和分類
    的頭像 發(fā)表于 08-26 16:23 ?5236次閱讀

    存儲(chǔ)器在微型計(jì)算機(jī)系統(tǒng)中的作用

    存儲(chǔ)器在微型計(jì)算機(jī)系統(tǒng)中扮演著至關(guān)重要的角色,它是計(jì)算機(jī)存儲(chǔ)和處理數(shù)據(jù)的核心部件。以下將詳細(xì)介紹存儲(chǔ)器在微型計(jì)算機(jī)系統(tǒng)中的作用,包括其分類、功能、特性以及與其他系統(tǒng)組件的交互。
    的頭像 發(fā)表于 08-22 14:25 ?4240次閱讀

    微處理器如何控制計(jì)算機(jī)系統(tǒng)

    微處理器,作為計(jì)算機(jī)系統(tǒng)的核心部件,承擔(dān)著控制整個(gè)計(jì)算機(jī)系統(tǒng)運(yùn)行的重要任務(wù)。它不僅是計(jì)算機(jī)的運(yùn)算中心,還是控制中心,負(fù)責(zé)執(zhí)行程序指令、處理數(shù)據(jù)以及協(xié)調(diào)計(jì)算機(jī)各部件之間的工作。以下將詳細(xì)
    的頭像 發(fā)表于 08-22 14:21 ?992次閱讀

    簡(jiǎn)述微型計(jì)算機(jī)系統(tǒng)的組成

    微型計(jì)算機(jī)系統(tǒng),簡(jiǎn)稱微機(jī)系統(tǒng),是一個(gè)集硬件和軟件于一體的復(fù)雜系統(tǒng),旨在高效處理信息、存儲(chǔ)數(shù)據(jù)和執(zhí)行用戶指令。下面將從硬件和軟件兩大方面對(duì)微型計(jì)算機(jī)系統(tǒng)的組成進(jìn)行詳細(xì)闡述。
    的頭像 發(fā)表于 08-22 12:37 ?8602次閱讀

    計(jì)算機(jī)視覺有哪些優(yōu)缺點(diǎn)

    計(jì)算機(jī)視覺作為人工智能領(lǐng)域的一個(gè)重要分支,旨在使計(jì)算機(jī)能夠像人類一樣理解和解釋圖像和視頻中的信息。這一技術(shù)的發(fā)展不僅推動(dòng)了多個(gè)行業(yè)的變革,也帶來(lái)了諸多優(yōu)勢(shì),但同時(shí)也伴隨著一些挑戰(zhàn)和局限
    的頭像 發(fā)表于 08-14 09:49 ?2090次閱讀

    FPGA在人工智能中的應(yīng)用有哪些?

    定制化的硬件設(shè)計(jì),提高了硬件的靈活性和適應(yīng)性。 綜上所述,F(xiàn)PGA在人工智能領(lǐng)域的應(yīng)用前景廣闊,不僅可以用于深度學(xué)習(xí)的加速和云計(jì)算的加速,還可以針對(duì)特定應(yīng)用場(chǎng)景進(jìn)行定制化計(jì)算,為人工智能
    發(fā)表于 07-29 17:05
    主站蜘蛛池模板: 扒开她的黑森林让我添动态图 | 色99蜜臀AV无码 | 国产盗摄TP摄像头偷窥 | yellow日本高清在线 | 2021扫黑风暴在线观看免费完整版 | 小s现场抛胸挤奶 | 凌晨三点免费WWW | 2020最新国产自产精品 | 日本强好片久久久久久AAA | 亚洲免费无码av线观看 | 亚洲电影不卡 | 99精品国产免费观看视频 | 国产精品亚洲电影久久成人影院 | 久久re6热在线视频精品66 | 男女亲吻摸下面吃奶视频 | 久久国产一区二区三区 | videos gratis欧美另类 | 欧美亚洲视频在线二区 | 欧美午夜精品一区区电影 | 国产又粗又猛又爽又黄的免费视频 | 俄罗斯美女性生活 | 51无码人妻精品1国产 | 小荡娃奶真大 | 国产午夜久久影院 | 色偷偷成人网免费视频男人的天堂 | 扒开粉嫩的小缝末成年小美女 | 国产亚洲精品久久久闺蜜 | 纯肉合集(高H) | 琪琪电影午夜理论片77网 | 樱桃视频高清免费观看在线播放 | 暖暖 视频 免费 高清 在线观看 | 伦理 电影在线观看百度影音 | 精品动漫国产亚洲AV在线观看 | 日本邪恶全彩工囗囗番海贼王 | 伊人久久艹 | 手机在线看片欧美亚洲 | 久久精品国产在热亚洲 | 精品久久久99大香线蕉 | 国产网站免费观看 | 国产欧美国日产在线播放 | 91免费网站在线看入口黄 |

    電子發(fā)燒友

    中國(guó)電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會(huì)員交流學(xué)習(xí)
    • 獲取您個(gè)性化的科技前沿技術(shù)信息
    • 參加活動(dòng)獲取豐厚的禮品