1.VAR و تراشه های هوشمند اولین جام جهانی در فرانسه 成最大赢家؛
پکن پکن، 16 ژوئن برق جام جهانی، فیفا راه اندازی اصلاحات مهم: VAR اولین بار راه اندازی (ویدئو کمک داور)، و کاشته با تراشه هوشمند در مسابقه توپ را به بازی سوم در بازی 16. روز، تیم ملی فرانسه در مرحله نهایی مسابقات با تیم استرالیا بار دیگر تبدیل به ذینفع، هر دو اولین پنالتی مطلوب دریافت کرده است.
پس از برقراری ارتباط با دستیار داور ویدیو، Cunha از تیم ملی فرانسه یک ضربه ی پنالتی تخفیف داد. Gelieziman توپ به راحتی به هدف، ساخت تیم فرانسوی به تکیه بر VAR تخفیف، قبل از شهرستان بعدی. این اولین بار تخفیف VAR است نتیجه مجازات.
مجازات به اختلاف منجر شده است. در این کنفرانس مطبوعاتی پس از مسابقه، مربی تیم فرانسه دیدیه دشام گفت که مجازات به عنوان توپ روز قبل از بازی پرتغال مقابل اسپانیا در حکم همان به دست آمده از زمان به محکوم، که به طور کامل بستگی تصمیم داور مربی هلندی تیم استرالیا من ون مارویک معتقد است که سقط جنین از عدالت بود: «اگر چه من پخش ویدئو دیده می شود، اما من خوب هستم، به وضوح ببینید در موقعیت زمینه، آن را نباید مجازات. موقعیت داور آن نزدیک تر است، اما او در ابتدا گفت: هیچ مجازات وجود دارد، دست تکان دادند بازی در. ما قربانیان VAR هستند، اما ما در حال رفتن به چالش کشیدن این تصمیم.
تیم ملی فرانسه در جام جهانی در یک ردیف از VAR و تراشه های هوشمند سود، همچنین ادامه داد: آنها خوش شانس قبل از. در سال 1998، فیفا رسما "مرگ ناگهانی گل طلایی و بعد فن آوری توپ نقره ای در جام جهانی در سال 1998 راه اندازی دور حذفی جام جهانی با پاراگوئه، مدافع فرانسوی لوران بلان تیم فرانسه پس از برش به ثمر رساند اولین گل طلایی در قرص تاریخ جام جهانی برای کمک به فرانسه واجد شرایط. با این دانه گل طلایی بی بها، تمام راه را از طریق، در نهایت جام جهانی در خاک در خانه به دست آورد. از آنجا که این قانون بیش از حد بزرگ و شانس خیلی بی رحمانه است، پس از اجرای این دو 2004 فیفا لغو سیستم هدف طلایی و سیستم توپ نقره ای.
به منظور ترویج و توسعه فوتبال، برای محافظت از بازیکنان و تضمین تداوم بازی، فیفا شده است تلاش برای تغییر برخی از قوانین است. با این حال، برخی از مردم دیگران را شاد غمگین است. در سال 1970، برای اولین بار استفاده از کارت های زرد و قرمز جام جهانی 9 در مکزیک برگزار می شود، اولین کارت زرد توسط اتحاد جماهیر شوروی سابق راپر گورباچف در سال 1974 برنده شد.، در این مسابقه جام جهانی دهم برابر شیلی، جمهوری فدرال آلمان در غرب آلمان، ترکیه بابا کان یک داور جام جهانی صادر شده در تاریخ از بازیکنان شیلی فیدل ها Zeljko اولین کارت قرمز، و مجازات آن است. (پایان)
2.GPU، تراشه FPGA افزایش یافته است یادگیری ماشین، مرد دست راست '؛
"هوشمند NetEase به اخبار ژوئن 17 اخبار در نرم افزار های تجاری، تراشه های کامپیوتری فراموش شده اند. برای برنامه های کاربردی تجاری، آن را یک کالا به دلیل رباتیک شخصی و سخت افزار بیشتر از نزدیک مرتبط است، و به همین دلیل برنامه های کاربردی ساخت است هنوز هم بیشتر بر بخش سخت افزار متمرکز شده است.
از آنجا که 1970s، در کل، از وضع موجود از هوش مصنوعی (AI) و ارتباط خاص به عمق یادگیری (DL)، سخت افزار و نرم افزار از لینک ها هستند به محکم تر از همیشه. و من به تازگی چند 'مدیریت مقالات هوش مصنوعی (AI مدیریت) با بیش از اتصالات و تعصبات، دو خطر عمده در نظام یادگیری (ML) دستگاه وجود داشته باشد. این ستون خواهد شد تعدادی از مدیران، به ویژه مدیران کسب و کار خط سخت افزار ممکن است پردازش بررسی مشکل اختصارات، این کلمات اختصاری به طور مداوم در یک سیستم یادگیری ماشین ذکر شده است: یک واحد پردازش گرافیکی (واحد پردازش گرافیکی، GPU)، و دروازه آرایه برنامه ریزی (مدار مجتمع دیجیتال برنامهپذیر، FPGA).
این به درک ارزش GPU کمک می کند زیرا GPU تسریع پردازش تانسور مورد نیاز برای برنامه های کاربردی عمیق یادگیری است. نقطه مورد توجه برای FPGA ها یافتن راه هایی برای تحقیق الگوریتم های جدید AI، آموزش این سیستم ها و شروع به راه اندازی بسیاری از سیستم های سفارشی کم حجم با استفاده از برنامه های کاربردی صنعتی AI مورد مطالعه قرار گرفته اند. گرچه این بحث در مورد قابلیت های FPGA ها برای آموزش است، من اعتقاد دارم که استفاده از آن به علت استفاده از F، این زمینه است.
برای مثال، آموزش یک موتور استنتاج (هسته یک ماشین «یادگیری ماشین») ممکن است نیاز به گیگابایت یا حتی ترابایتی از اطلاعات داشته باشد. هنگام انجام نتیجه گیری در مرکز داده، کامپیوتر باید یک تعداد بالقوه افزایش درخواست های همزمان را مدیریت کند. در برنامه های لبه، چه در هواپیماهای بدون سرنشین مورد استفاده برای بررسی خطوط لوله و یا در تلفن های هوشمند، تجهیزات باید کوچک و هنوز هم موثر، در عین حال سازگار، به عبارت ساده، پردازنده و یک پردازنده گرافیکی. دو دستگاه وجود دارد و یک FPGA میتواند بلوکهای مختلفی برای انجام کارهای مختلف داشته باشد و امکان ایجاد یک سیستم تراشه قوی وجود دارد. با توجه به تمام این الزامات متفاوت، بهتر است که وضعیت فعلی معماری سیستم را که می تواند از الزامات مختلف پشتیبانی کند، درک می کند.
دو نوع اصلی از طرح های تراشه وجود دارد که می توانند سیستم های فعلی ML، GPU ها و FPGA ها را مدیریت کنند. در اواسط تا آیند (حداقل چند سال) نیز ممکن است به عنوان تکنولوژی جدید برای مبدل های بازی تبدیل شود.
واحد پردازش گرافیکی (GPU)
بزرگترین چیپ در دنیای یادگیری ماشین، GPU واحد پردازش گرافیکی است.این عمدتا برای بازی های رایانه ای استفاده می شود، بنابراین چگونه چیزی که به نظر می رسد بهتر است در مانیتور کامپیوتر برای یادگیری ماشین اهمیت پیدا کند؟ برای درک این، ما باید به لایه نرم افزاری بازگردد
یادگیری ماشین قهرمان فعلی یادگیری عمیق سیستم (DL) است. سیستم DL بر اساس الگوریتم های مختلف، از جمله عمق شبکه های عصبی (DNN)، شبکه های عصبی کانولوشن (سی ان ان)، شبکه های عصبی راجعه (RNN) و بسیاری از انواع دیگر است. شما کلمه کلیدی که در این سه عبارت دیده می شود، "شبکه" است. الگوریتم تنوع موضوع است. موضوع چند لایه گره است. انواع ارتباطی بین گره ها و لایه ها وجود دارد.
شما با آرایه ها یا ماتریس های چندگانه برخورد می کنید. یک اصطلاح دقیق تر برای ماتریس ها، تانسور است، بنابراین در صنعت یادگیری ماشین مانند TensorFlow استفاده می شود.
در حال حاضر به صفحه نمایش کامپیوتر شما. شما می توانید آن را در سطر و ستون به عنوان یک ماتریس از پیکسل ها یا نقطه دیده می شود استفاده کنید. این یک ماتریس دو بعدی یا تانسور است. هنگامی که شما اضافه کردن رنگ، اضافه کردن کمی به اندازه هر پیکسل، می خواهم به همان تصویر از یک سرعت در حال تغییر و در هنگام محاسبه سرعت می توانید پیچیده و طول می کشد تا چرخه های CPU گام به گام در. پردازنده گرافیکی است حافظه خود، کل تصویر ذخیره شده است به عنوان یک ماتریس گرافیکی پس از آن می توانید با استفاده از یک تانسور ریاضی محاسبه می شود تغییرات در تصویر پس از آن فقط پیکسل های آسیب دیده بر روی صفحه را تغییر می دهد. این فرآیند بسیار سریع تر از بازخوانی کل صفحه در هر بار تغییر تصویر است.
در سال 1983، NVIDIA با هدف ایجاد یک تراشه برای حل مشکلات ماتریس که توسط رایانه های عمومی مانند CPU ها حل نمی شود. این تولد GPU است.
عملیات ماتریس اهمیتی نمی دهند چه محصول نهایی است، اما تنها پردازش عناصر این ساده انگاری جزئی است، زیرا عملیات های مختلف بسته به ماتریس پراکنده (زمانی که بسیاری از صفر وجود دارد) متفاوت از ماتریس انبوه شیوه های متفاوتی برای کار، اما واقعیت این است که محتوا عملیات را تغییر نمی دهد هنوز وجود دارد. زمانی که نظریه پردازان عمیق یادگیری توسعه پردازنده های گرافیکی را دیدند، به زودی آن را برای سرعت بخشیدن به عملیات تانسور به کار گرفتند.
GPU برای توسعه یادگیری ماشین، مرکز داده ها برای ترویج آموزش و استدلال، ضروری است. به عنوان مثال، NVIDIA ولتا V100 تانسور هسته ادامه داد: برای سرعت بخشیدن در معماری اصلی آن و توانایی به اجرا در دقت پایین تر از نظر استدلال (این خواهد بود موضوع دیگری این بدان معنی است بیت کمتر، که به معنی پردازش سریعتر). با این حال، که آن را به همه چیز می آید مسایل دیگری برای بررسی وجود دارد.
آرایه دروازه قابل برنامه ریزی (FPGA)
در این زمینه (زمینه)، انواع برنامه های کاربردی نیازهای متفاوتی دارند. بسیاری از مناطق مختلف نرم افزار، وسایل نقلیه، خطوط لوله، روبات ها، و غیره در صنایع مختلف برای برنامه های مختلف را می توان برای هر نوع از تراشه طراحی شده وجود دارد، اما این ممکن است می تواند بسیار گران قیمت و بازگشت این شرکت در سرمایه گذاری را تضعیف کند. همچنین ممکن است زمان به بازار به تعویق انداختن، از دست رفته فرصت کسب و کار مهم برای نیازهای بسیار منحصر به فرد از کسانی که می توانند اقتصاد کافی از مقیاس بازار ارائه شده است به ویژه در مورد.
شرکت FPGA و محققان برای کمک به حل این مشکل از تراشه. FPGA یک مدار مجتمع که می تواند برای انواع اهداف برنامه ریزی شده است. از آن است که برنامه نویسی و روابط بین بلوک و بلوک از یک سری از بلوک های منطقی برنامه ریزی. این یک ابزار جهانی است که می تواند برای انواع مختلف مورد استفاده قرار گیرد. تامین کنندگان عمده عبارتند از Xilinx و National Instruments.
قابل ذکر است، طراحی کم تراشه هزینه باعث نمی شود مشکل از FPGA کم هزینه انتخاب شود. آنها معمولا مناسب برای تحقیق و یا برنامه های کاربردی صنعتی می باشد. پیچیدگی مدارات قابل برنامه ریزی و طراحی آن مناسب است برای کم هزینه نیست کاربردهای مصرفی
از آنجا که FPGA می توان برنامه ریزی، که آن را با ارزش برای زمینه نوظهور از یادگیری ماشین در حال افزایش است الگوریتم ارتفاع، و به الگوریتم های مختلف بلوک برنامه ریزی مجدد ریز تنظیم. علاوه بر این، کم دقت، FPGA کم قدرت استنباط برای حسگر از راه دور ترکیبی خوب است اگر چه مخترع فیلد را بیشتر به عنوان "مشتری" می نامد، مزیت واقعی FPGA در تحقق برنامه های کاربردی AI در دنیای واقعی است. این که آیا برای کارخانه ، جاده ها و خطوط لوله و زیرساخت های دیگر، و یا تشخیص از راه دور پهپاد، FPGA اجازه می دهد تا طراحان سیستم انعطاف پذیری به استفاده از یک قطعه از سخت افزار به منظور دستیابی به اهداف مختلفی را قادر می سازد طراحی فیزیکی ساده تر، که به راحتی می توانید انجام در محل برنامه های کاربردی.
معماری جدید به زودی می آید
GPU و FPGA در حال حاضر کمک به حل چگونه به گسترش دستگاه تکنیک های یادگیری برای به چالش کشیدن بسیاری از تاثیر بازار آنها انجام داده اند این است که اجازه مردم بیشتر در مورد توسعه این صنعت نگران، و سعی کنید برای ایجاد یک چارچوب جدید برای نرم افزار به موقع.
از یک طرف، بسیاری از شرکت در حال تلاش برای یادگیری درس عملیات تانسور در GPU. هیولت پاکارد، آی بی ام و اینتل یک پروژه خاص برای نسل بعدی محاسبه دستگاه عمق تانسور از یادگیری را توسعه داده اند. در همان زمان، مانند Cambricon، Graphcore و موج محاسبات چنین راه اندازی ها نیز تلاش می کنند همان کار را انجام دهند.
از سوی دیگر، بازو، اینتل و دیگر شرکت ها طراحی معماری را به استفاده از GPU و CPU، و دستگاه را نیز در یادگیری بازار ماشین هدف، گفته می شود قادر به انجام بیش از فقط تمرکز محاسبه تانسور برای فرآیندهای دیگر در اطراف هسته AI پردازش نیز قوی تر است.
اگر چه بعضی از این سازمان ها بر روی مراکز داده و دیگر اینترنت چیزها تمرکز می کنند، در مورد هر یک از آنها خیلی زود است.
از شروع یو پی اس به شرکت های جهانی، یک نصیحت این است که، علاوه بر اطلاعات اول، هیچ اطلاعات دیگری ظاهر می شود. اگر ما می بینیم نمونه دستگاه برای اولین بار در شدن در سال 2020، پس از آن این امر می تواند یک سورپرایز باشد، به طوری که آنها حداقل پنج سال هستند لیست نشده است
(انتخاب از: فوربس نویسنده: دیوید تیچ تلفیقی: NEW YORK شرکت هوشمند: nariiy)
3.Intel در معرض پردازنده 10nm حمل و نقل دسته کوچک
عملکرد فرآیند 10nm اینتل به دلیل عدم رعایت، تولید انبوه شده است به 2019 به تعویق افتاد، در حال حاضر تنها یک محموله حجم کوچک، یک محصول شناخته شده تنها 15W قدرت طراحی حرارتی نسخه کم ولتاژ از هسته i3-8121U (خانواده با نام کانن دریاچه )، و تنها Lenovo از آن استفاده می کند.
مشخصات برای i3-8121U دو هسته ای چهار موضوعات، با سنجش زمان در 2.2-3.2GHz، سه کش 4MB، حافظه پشتیبانی از دو کاناله DDR4 / LPDDR4-2400 32GB، قدرت طراحی حرارتی از 15W.
اطلاعات مربوط به بخش هسته ای منتشر نشده است. این باید به این دلیل باشد که مشکل عملکرد غیر فعال شده است. بنابراین Lenovo یک کارت گرافیک گسسته AMD اضافه کرد.
آلمان سخت افزار ComputeBase رسانه ها افشا در i3-8121U اول به عنوان اگر آن دیده می شود آرایش بسته سازگار با محصول قبلی، هنوز هم یک هسته پردازنده، یک تراشه بسته مجموعه هسته با هم، BGA یکپارچه بسته لولا بر روی مادربرد.
ما در بر داشت یک نسخه کم ولتاژ از هشت نسل پردازنده Core Duo اینتل رسما از عکس، شما می توانید یک پردازنده پیدا کنید، هسته چیپ ست کوچکتر، اتصالات لحیم کاری بسته و عناصر خازنی نیز تغییرات زیادی، آن را باید دیگر سازگار است.
پس از اندازه گیری ComputeBase یافت i3-8121U اندازه بسته کلی 45 × 24 میلی متر (و شاخص رسمی همان)، در جایی که پردازنده این منطقه بخش از حدود 71 mm2 در، چیپ ست بخش حدود 47 mm2 در.
اگر چه، با توجه به مطالعه نشان داد که تراکم ترانزیستورها اینتل فرآیند 10nm بیش از 100 میلیون در هر میلی متر مربع، معادل و یا حتی بالاتر از سطح سامسونگ، TSMC، 7nm شرکت GlobalFoundries، اما در مقابل محصولات 14nm خود را، تغییر می کند به نظر می رسد بزرگ نیست.
شما می دانید، اینتل نسل اول پردازنده 14nm بخشی از منطقه برادول-U بلکه 82 mm2 در، 10nm کوچک تنها 13 درصد از آن را، و ما همه دو هسته ای چهار موضوعات، کش 4MB است، اما هسته ای اعدام شد واحد از 24 به 40 افزایش یافته و از دستورالعمل AVX512 پشتیبانی می کند.
علاوه بر این، بسته کلی 45 × 24 میلیمتر کمی بیشتر از نسخه پایین ولتاژ 42 نانومتر 24 میلیمتر است.