我真不是法爷第320章 AI芯片

不得不说“AI”芯片仿佛某种天谴之物般哪怕这位神孽不断地高歌“创生圣言”赋予林奇充足而庞大无比的创造力甚至让他时刻都有着神明的错觉那AI芯片在记忆宫殿里依旧艰难难产着。

这种奥妙至巅峰的作品一旦出世便能够影响整个魔法文明的存在林奇脑海里对他的构想终究是轻微了。

放在外人看来林奇的所作所为就像是将一副从a到k包括花色顺序排好的扑克牌随意递给十余位路人切牌洗牌随即他再接过来随便洗上十余秒然后将所有的牌序恢复如初一样。

甚至就像是随手递给一个初学者拧乱的魔方结果对方随手便复原了出来。

这些都并非不可能而是出现的概率太小。

林奇眼下的“AI芯片”也是如此。

就像是无数随意的乱洗牌里慢慢地揉捏出规律的杰作来也就大自然的鬼斧神工才能担得起这一名字。

很快。

随着整个芯片大体架构的成型时林奇也开始陷入一种莫名的震惊之中！ 一种类似谷歌曾经开发来alphago的人工智能芯片？ 这让林奇忍不住想起博识图书馆地底奎因殿下的试炼便是以围棋智力压服对手便可以拿到预言的线头。

曾经的逻辑仿佛在这一刻重新汇聚起来。

TPU？ 这款谷歌17年专门为了机器学习而开发定制的专用集成电路（ASIC）仅仅用了一年便转移到云端作为商用而它也遵循着CPU与GPU的路线。

TPU。

中文名字张量处理单元。

说来广大群众第一次接触张量这个名字可能还是靠着看时间简史之类的科普着作。

张量来自于数学以多线性方式将几何向量、标量和其他类似对象映射到结果张量的几何对象。

当时林奇第一次也没听懂。

不过他看了看还是大致明白过来所谓张量就是一个广义的矩阵。

高中学习的向量是一维矩阵数字的立方体是三维矩阵甚至耽搁数字也是矩阵。

这里冥冥中已经和那神经网络算法所切合而张量之所以与纯矩阵有曲风便在于他拥有动态特征——生活在结构中与其他数学实体相互作用。

而计算机科学里张量则是一个n纬矩阵。

林奇默默在纸面上重新打版刚刚他已经将整个神秘的控制知识拱手托出与着神孽交换。

至于对方是否会靠此找到成神的专门要是与切记他也都无所谓。

火都烧到眉头了谁还会估计明天的饭菜热不热。

而随着书写林奇的板书笔法也越发飘忽—— 训练后的神经网络以标签或预估值对数据分类此乃推理。

因此每个神经元都需要进行计算。

输入数据乘以权重表示信号强度。

结果相加聚合神经元状态。

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。

本小章还未完请点击下一页继续阅读后面精彩内容！。

本文地址我真不是法爷第320章 AI芯片来源 http://www.baojie910.com