1.VAR и смарт-чипы представили стадион чемпионата мира. Французская команда сделала самого большого победителя;
ПЕКИН, Пекин, 16 июня. Кубок мира ФИФА, FIFA запустил важную реформу: первое введение VAR (реселлера видеосекретаря) и внедрение умных чипов в игровом мяче. В 16-й игре к третьей игре В этот день французская команда снова стала бенефициарами на дуэли с австралийской командой, и оба выиграли первый благоприятный штраф.
Пообщавшись с рефери видеосекретаря, Куня обострил штраф перед сборной Франции. Гелизман легко забил мяч, заставив французскую команду полагаться на коммутацию VAR, чтобы двигаться вперед. Это также первый раз, когда VAR был мутирован. Итоговый пенальти.
Этот штрафной вызвал много споров. На пресс-конференции после игры французский тренер Дешамп сказал, что этот мяч точно так же, как и пенальти, наложенные Португалией в Испании накануне. Для собственного решения судьи, голландский тренер австралийской команды Ван Марвик считал, что это недоразумение: «Хотя я не смотрел воспроизведение видео, я нахожусь в хорошей позиции на сцене. Я вижу ясно. Штрафной удар. Позиция рефери ближе, но он изначально сказал, что штраф не был, и игра продолжилась. Мы жертвы VAR, но мы не станем оспаривать это решение ».
Французская команда продолжала получать прибыль от VAR и смарт-чипов на этом чемпионате мира, а также продолжила свое предыдущее состояние. В 1998 году FIFA официально запустила «Золотую шаровую внезапную смерть», а затем технологию Silver Ball на чемпионате мира. В 1/8 финала Кубка мира и Парагвая защитник сборной Франции Бланко забил первый золотой мяч в истории чемпионата мира, чтобы помочь французской команде продвинуться. С этим золотым мячом, после продвижения французской команды На протяжении всего пути, в конце концов, выиграл Кубок мира Бога на местном уровне. Поскольку это правило является случайным и слишком жестоким, после двух лет реализации, в 2004 году FIFA ликвидировала систему золотых шаров и систему серебряных мячей.
В целях содействия развитию футбола, защиты игроков и обеспечения согласованности игры FIFA пытается изменить некоторые правила. Однако некоторые люди счастливы, что кто-то ревнив. В 1970 году первые желтые и желтые карточки были использованы на 9-м чемпионате мира в Мексике. Первая желтая карточка была выиграна в бывшем Советском Союзе. В 1974 году, в 10-м чемпионате мира в Федеративной Республике Германии в Чили против Западной Германии, турецкий рефери Бабаджан выпустил чемпионат мира чилийскому игроку Казели. Первая красная карточка будет оштрафована. (Конец)
2. GPU, чип FPGA стал «правой рукой» для улучшения машинного обучения;
«Чистые новости NetEase 17 июня» В коммерческом программном обеспечении компьютерные чипы были забыты. Для коммерческих приложений это товар. Потому что технология роботов и персональные аппаратные устройства более тесно связаны, поэтому производственное приложение Еще больше сосредоточен на аппаратной части.
С 1970-х годов, в целом, статус-кво искусственного интеллекта (AI) и, в частности, область глубокого обучения (DL), связь между аппаратным и программным обеспечением стала более тесно связанной, чем когда-либо. Статьи об искусственном интеллекте (AI управления) связаны с переобучением и предрассудками. В системе машинного обучения (ML) есть два основных риска. В этом столбце подробно обсуждается аппаратное обеспечение, с которым могут справиться многие менеджеры, особенно менеджеры бизнес-линий. Сокращения. Эти акронимы постоянно упоминаются в системах машинного обучения: графические процессоры (графические процессоры) и полевые программируемые матричные вентили (FPGA).
Это помогает понять ценность GPU, потому что GPU ускоряет обработку тензоров, требуемую для приложений глубокого обучения. Представляющая интерес для FPGA - это поиск путей исследования новых алгоритмов ИИ, обучения этих систем и начала развертывания Многие низкоуровневые пользовательские системы изучались в промышленных приложениях ИИ. Хотя это обсуждение возможностей ПЛИС для обучения, я считаю, что раннее использование было связано с использованием F, области.
Например, для подготовки механизма вывода (ядро машинного обучения «машина») могут потребоваться гигабайты или даже терабайты данных. При выполнении умозаключений в центре обработки данных компьютер должен управлять потенциально увеличивающимся количеством одновременных запросов пользователей. В крайних приложениях, будь то в беспилотных летательных аппаратах, используемых для проверки трубопроводов или смартфонов, оборудование должно быть небольшим и все еще эффективным, но приспосабливаемым. Проще говоря, процессор и графический процессор. Существует два устройства, и FPGA может иметь разные блоки для разных целей, и можно обеспечить надежную систему чипов. Учитывая все эти различные требования, лучше всего понять текущее состояние архитектуры системы, которое может поддерживать различные требования.
Существует два основных типа чипов, которые могут управлять текущими системами ML, графическими процессорами и FPGA. В середине и в будущем (по крайней мере, несколько лет) также можно стать намеком на новую технологию для игровых конвертеров. Давайте посмотрим.
Графический процессор (GPU)
Крупнейшим чипом в мире машинного обучения является графический процессор GPU, который в основном используется для компьютерных игр, поэтому как сделать что-то, что лучше выглядит на мониторе компьютера, становится важным для машинного обучения? Чтобы понять это, мы Необходимо вернуться к программному уровню.
Нынешним чемпионом машинного обучения является система Deep Learning (DL). Система DL основана на различных алгоритмах, включая глубокие нейронные сети (DNN), сверточные нейронные сети (CNN), повторяющиеся нейронные сети (RNN) и многие другие варианты. Ключевым словом, рассматриваемым в этих трех терминах, является «сеть». Алгоритм - это вариация темы. Тема представляет собой несколько слоев узлов. Существуют разные типы связи между узлами и слоями.
Вы имеете дело с несколькими массивами или матрицами. Еще одним более точным термином для матриц является тензор, поэтому он используется во всей отрасли машинного обучения, такой как TensorFlow.
Теперь вернитесь к экрану вашего компьютера. Вы можете представить его как матрицу пикселей или точек по строкам и столбцам. Это двумерная матрица или тензор. Когда вы добавляете цвета, добавляйте размер бит в каждый пиксель, думайте Для быстро меняющегося, непротиворечивого изображения вычисления могут быстро усложняться и занимать циклы в пошаговом процессоре. Графический процессор имеет собственную память и может сохранять все графическое изображение в виде матрицы, а затем использовать математику тензоров. Изменения в изображении затем изменяют только затронутые пиксели на экране. Этот процесс намного быстрее, чем перерисовка всего экрана при каждом изменении изображения.
В 1983 году NVIDIA стремилась создать чип для решения матричных задач, которые не могут быть решены компьютерами общего назначения, такими как процессоры. Это рождение GPU.
Матричные операции не заботятся о том, что такое конечный продукт, но обрабатывают только элементы. Это небольшое упрощение, потому что разные операции имеют малые размеры (когда много нулей), а плотная матрица различна и работает по-разному. Но факт, что контент не меняет операции, по-прежнему существует. Когда теоретики глубокого обучения увидели развитие графических процессоров, они вскоре приняли его для ускорения тензорных операций.
Графические процессоры имеют решающее значение для развития машинного обучения, обучения центров обработки данных и их обоснования. Например, NVIDIA Volta V100 Tensor Core продолжает ускоряться в своей базовой архитектуре и позволяет выполнять выводы с меньшей точностью (это будет другая тема , означает меньшее количество бит, что означает более быструю обработку. Однако есть и другие проблемы, которые следует учитывать, когда дело доходит до Интернета вещей.
Полевая программируемая матрица (FPGA)
В этой области все типы приложений имеют разные требования: существует множество различных областей применения, транспортных средств, трубопроводов, роботов и т. Д. Различные отрасли промышленности могут разрабатывать различные чипы для каждого типа приложений, но это может Это может быть очень дорогостоящим и может нанести ущерб возврату инвестиций компании, а также может задержать время выхода на рынок и пропустить важные деловые возможности. Это особенно верно для высоко персонализированных потребностей, которые не обеспечивают достаточной экономии за счет масштаба.
FPGA - это чипы, которые помогают компаниям и исследователям решать проблемы. FPGA - это интегральная схема, которая может быть запрограммирована для различных целей. Она имеет ряд «программируемых логических блоков» и способ программирования взаимосвязи между блоками и блоками. Универсальный инструмент, который можно настроить для различных целей. Основные поставщики включают Xilinx и National Instruments.
Стоит отметить, что низкая стоимость дизайна чипов не делает FPGA более дешевым вариантом. Они обычно лучше всего подходят для исследовательских или промышленных приложений. Сложность схем и конструкций делает их программируемыми, не подходящими для недорогих Потребительские приложения.
Поскольку FPGA можно перепрограммировать, это делает его ценным для новой области машинного обучения. Увеличение алгоритмов и тонкая настройка различных алгоритмов с помощью блоков перепрограммирования. Кроме того, низкоточные высокопроизводительные FPGA для удаленных датчиков Это хорошая комбинация. Хотя изобретатель называет «поле» более «клиентом», реальное преимущество ПЛИС при реализации приложений ИИ в реальном мире. Является ли это для фабрики Инфраструктуры, такие как дороги и трубопроводы, а также беспилотные удаленные проверки, FPGA позволяют разработчикам системы гибко использовать единое целое для нескольких целей, что позволяет упростить физические конструкции, которые легче применять в полевых условиях.
Новая архитектура скоро появится
Графические процессоры и ПЛИС - это технологии, которые в настоящее время помогают решить проблему расширения влияния машинного обучения на многих рынках. Что они делают, так это позволить большему числу людей сосредоточиться на развитии этой отрасли и попытаться создать новые архитектуры вовремя, чтобы применить их.
С одной стороны, многие компании пытаются выучить уроки тензорных вычислений на графическом процессоре. В Hewlett-Packard, IBM и Intel есть проекты по разработке тензорных вычислительных устройств следующего поколения для глубокого обучения. В то же время, как Cambricon, Graphcore и Wave Computing Такие стартапы также стремятся сделать то же самое.
С другой стороны, Arm, Intel и другие компании разрабатывают архитектуры, чтобы в полной мере использовать графические процессоры и процессоры, а также устройства для таргетинга на рынке машинного обучения, которые, как утверждается, могут сделать больше, чем просто сосредоточиться на тензорных вычислениях и других вокруг основных процессов ИИ. Обработка также более мощная.
Хотя некоторые из этих организаций сосредоточены на центрах обработки данных и других интернет-вещах, говорить о каких-либо из них пока рано.
От глобальных компаний до начинающих компаний одно предостережение заключается в том, что помимо самой ранней информации не появилось никакой информации. Если мы увидим самые ранние образцы устройств к 2020 году, то это будет сюрпризом, поэтому им не менее пяти лет. Не указано.
(Выбирается из: Форбса Автор: Дэвид А. Teich сборник: NEW YORK интеллектуальное участие: nariiy)
3.Intel 10nm воздействия процессора Небольшая партия партии
Процессор Intel 10 нм, потому что доходность не соответствует стандарту, массовое производство было перенесено на 2019 год, теперь это только мелкосерийные партии, продукт известен только малой мощностью 15 Вт тепловой проектной мощности Core i3-8121U (семейный код Cannon Lake ), и только Lenovo использует его.
Спецификация i3-8121U представляет собой двухъядерные четыре потока, с тактовой частотой 2,2-3,2 ГГц, трехуровневый кэш 4 МБ, поддержка двухканальной DDR4 / LPDDR4-2400 32 ГБ памяти, энергопотребление 15 Вт.
Информация о ядерной части не была опубликована. Это должно быть потому, что проблема выхода была отключена, поэтому Lenovo добавила дискретную графическую карту AMD.
ComputeBase, немецкая компания аппаратных средств массовой информации, раскрыла первое «изображение» i3-8121U. Можно видеть, что компоновка пакетов в основном такая же, как и предыдущий продукт. Он по-прежнему является основным ядром процессора, базой ядра набора микросхем, интегрированным пакетом BGA Пайка на материнской плате.
Мы также нашли официальную версию Intel с восьмиъядерной базой низковольтной версии фото, вы можете обнаружить, что процессор, ядро чипсета стало меньше, пакеты паяных соединений и емкостные компоненты также претерпели большие изменения, он должен быть более несовместимым.
ComputeBase обнаружил, что общий размер пакета i3-8121U составляет 45 x 24 мм (в соответствии с официальными спецификациями), с площадью процессора около 71 мм2 и площадью набора микросхем около 47 мм2.
Хотя, согласно исследованию, плотность транзисторов в процессе Intel 10 нм превысила 100 миллионов ячеек на квадратный миллиметр, что эквивалентно даже выше, чем у Samsung, TSMC и GlobalFoundries на 7 нм, но это изменение не кажется большим по сравнению с его собственным 14-нм продуктом.
Вы знаете, что 14-нм процессор Intel с процессором Broadwell-U первого поколения составляет всего 82 квадратных миллиметра, а 10 нм - только с уменьшением только на 13%, и мы все двухъядерные четырехпоточные, это 4 Мбайт три кеша, просто ядерное исполнение Единицы увеличились с 24 до 40 и поддерживают набор инструкций AVX512.
Кроме того, общая упаковка 45 х 24 мм немного больше, чем текущая 14-нм низковольтная версия 42 х 24 мм.