使用激活函数调节神经元参数活动。
如此一步接着一步,连绵不绝。
按理说,三个输入而只有两个神经元与一个单层神经网络的话,权重与输入便要六次乘法……
如此一来,矩阵里的乘片与取片,都需要大量的CPU周期与内存,而TPU这种芯片,便是为了减轻这种负荷而生。
林奇忍不住皱眉看了眼周围。
某种程度而言,计算量的负荷和电网的负荷很类似,最大的负荷便决定了整体的高峰所在(计算难度),也决定了接下来他完成“AI芯片”后所能够到达的高峰。
而供与求有需要平衡,不然的话,第一道崩溃的便是自身。
只是他很快又重新被TPU的构架所吸引而痴迷起来。
只有深入一个项目,才能彻底体会他的乐趣。
因此懂是第一步环节。
这也是棋类活动里,容易入门的象棋比起围棋受众要光,而五子棋又比起象棋还有光。
林奇越看,越发忍不住啧啧称奇。
这TPU的架构居然采用了量子技术,在预设的最大值和最小值与八位整数之间的任意值的近似过程里,TPU居然包含了足足六万五千五百三十六个八位整数乘法器,直接将32位或者16位的计算压缩成为8位。
实现了曲线的离散化。
完美地减少了神经网络预测的成本。
第二点,也是更关键的。
正如林奇最初所推崇的硬件。
TPU芯片直接封装了种种神经网络计算工具。
诸如矩阵乘法单元,统一缓冲区,激活单元等,它们以后十数个高级指令组成,集中完成神经网络推理所需要的数学计算。
同时它又采用了典型的RISC处理器为简单计算提供指令。它的矩阵乘法器单元而不是传统的标量处理器,得以在一个时钟周期内,以矩阵操作,完成数十万个操作。
打个比方,传统CPU是逐行打印,而TPU芯片则能够做到影印效果。
如此种种特性,让它在神经网络计算收敛方面拥有非凡的效果,曾经几天才能训练出的成功,现在一小时不到就能够完成。
林奇不禁感慨万分。
难怪说站在巨人的肩膀上就是爽。
让他自己来设计,如何能够突破看似最简单的加法器这个关卡?
万丈高楼平地起,曾经的林奇开发CPU时,第一步入门选择完成的模块便是加法器,因为它的原理最简单,也是最容易实现的操作。
然而整个TPU芯片,居然本质上也是做加法器?
它的核心便是由乘加器组合形成的256×256的运算器阵列:乘法矩阵。
这种冥冥中的呼应,也让林奇有些哭笑不得。
芯片,本质上便是一个一个模块搭建而成,区别在于有的人是3010片的20周年海德薇限定版,而有的则是630片的普通版。
随着最为核心的乘法矩阵模块成型,它周围的模块也一步一步成型。
林奇这一次彻底看懂这种结构后,也忍不住摇头惊叹,难怪只要4块TPU训练出来的人工智能棋手便能够大杀四方,让人类都在围棋这项技艺上都黯然失色。
要知道一步几千块的旗舰机动辄5nm工艺,而TPU的工艺不过是28nm!
甚至主频也才700Mhz,这种频率甚至得去上个世纪的486机子里寻找。
但真的合适的时候,对方便是一切。
请收藏:https://m.hahii.com
(温馨提示:请关闭畅读或阅读模式,否则内容无法正常显示)