2019/04/22 08/23/51　　【丹佛斯变频器 www.dfsbp.com】

　　ＣＮＮ　的人工神经元可以回应一部份覆盖范围内的周围单元，可应用于语音辨识、图像辨识，尤其对大型图像处理有出色的表现。

　　最终效果便是非常快速的神经网络。

　　ＳＩＭＤ小档案

　　ＳＩＮＧＬＥ　ＩＮＳＴＲＵＣＴＩＯＮ　ＭＵＬＴＩＰＬＥ　ＤＡＴＡ，单指令多数据流，ＧＰＵ　是「由数个多执行绪架构的　ＳＩＭＤ　处理器所组成的　ＭＩＭＤ　多处理器环境」

　　台达变频器卷积神经网络小档案

　　在机器学习中，ＣＮＮ　（ＣＯＮＶＯＬＵＴＩＯＮＡＬ　ＮＥＵＲＡＬ　ＮＥＴＷＯＲＫＳ）　是一种前馈神经网络，卷积神经网络是由一个或多个卷积层和顶端的全联通层组成，同时也包括联权重和池化层。

　　开发　ＡＳＩＣ　处理器

　　ＴＯＯＮ　也接着介绍这款为了加速特定神经网络而打造的　ＡＳＩＣ　（特殊应用集成电路）　加速器，它也能针对　ＡＩ　所使用的　ＦＰＧＡ　解决方案作处理，这证明了　ＧＰＵ　工作效变频器维修 能不如预期。我希望能够透过多个层而得到反馈，而不是一次一层进行而得到。」

　　「如果我的数据正在变化　－　这意思是说，它是我可以平行输入的数以百万计个静态图像　－　如果它是影片，并且我对帧数顺序有要求，那么将它平行输入，就更难利用　ＧＰＵ　中的宽　ＳＩＭＤ　处理。

　　ＩＰＵ　的前瞻领导ＧＲＡＰＨＣＯＲＥ

　　专为机器学习应用程序研发设计　ＩＰＵ　芯片的　ＧＲＡＰＨＣＯＲＥ，于　２０１７　年创立，目前已经吸引到象是英国的人工智能公司　ＤＥＥＰＭＩＮＤ　创办人　ＤＥＭＩＳ　ＨＡＳＳＡＢＩＳ，包括以及　ＯＰＥＮＡＩ　的创办人　ＩＬＹＡ　ＳＵＴＳＫＥＶＥＲ　的支持，并且和其他许多在机器学习中领先业界的研究者合作，根据不同的问题来设计　ＩＰＵ　相对应的解决架构。

　　他说，就机器智慧而言，它需要一种易于使用的处理器，并且专为机器智慧打造。另外我还想要先能将讯息储存在一旁，这么一来，在我查看下一祥资料时，我可以将先前的讯息当作其上下文讯息。由于没有足够好的硬件平台，研究领域受到阻碍，这也是我们试图将　ＩＰＵ变频器维修 　推向市场的原因」。

　　ＤＥＥＰＭＩＮＤ　创办人　ＤＥＭＩＳ　ＨＡＳＳＡＢＩＳ（图源：ＡＦＰ）

　　他说：「我们访问的所有在　ＡＩ　领域的发明家，他们都指出，使用　ＧＰＵ　会限制他们研发创新」他补充说道，「如果看一下他们正在研究的卷积神经网络的形式，因为递归神经网络和其他类型的机器学习，象是强化学习，无法很好的映像到　ＧＰＵ。

　　福利

　　摩尔精英粉丝福利：半导体行业资料，免费下载

　　。

　　他说道：「如果你要的只丹佛斯是基本前馈控制的　ＣＮＮ，ＧＰＵ　是一个非常好的解决方式，不过当你开始使用更复杂的神经网络时，就可能出现问题。」ＴＯＯＮ　补充解释道。与　ＧＰＵ　相比，ＩＰＵ　之于　ＣＮＮ　的速度提高了　５　倍，就象是比起目前常见的静态图像处理，相对更复杂的图像，它们的速度能提高至　５０　倍。

　　这些复杂的神经网络无疑是　ＡＩ　的将来，不过它们的发展速度仍取决于开发专用于　ＡＩ　的加速器。人工智能趋势已席卷整个市场，ＧＰＵ被广泛运用来加速人工智能计算，但　ＧＰＵ　技术的局限性是否会减缓人工智能的神经网络发展与创新？

　　在　ＥＥＴＩＭＥＳ　最近一次采访中，ＧＲＡＰＨＣＯＲＥ　首席执行长　ＮＩＧＥＬ　ＴＯＯＮ　接受一场访问主题为：「ＩＰＵ　是否为迄今为止最复杂的处理器？」时解释说，虽然　ＧＰＵ　擅长运行卷积神经网络　（ＣＮＮ）　但它们不适合运行更复杂的机器学习，象是强化学习或其他将来技术所需的神经网络。

　　ＧＲＡＰＨＣＯＲＥ　的　ＩＰＵ　旨在容纳整个机器学习模型，提供资料大规模的平行性、大量存储器、以及最重要的大量存储器频宽

20190422082351