CN109643395A - 自适应窗口机制 - Google Patents
自适应窗口机制 Download PDFInfo
- Publication number
- CN109643395A CN109643395A CN201680085150.4A CN201680085150A CN109643395A CN 109643395 A CN109643395 A CN 109643395A CN 201680085150 A CN201680085150 A CN 201680085150A CN 109643395 A CN109643395 A CN 109643395A
- Authority
- CN
- China
- Prior art keywords
- sabm
- logic
- window
- input picture
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 title abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 66
- 230000035945 sensitivity Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 74
- 238000012545 processing Methods 0.000 description 57
- 238000010586 diagram Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 24
- 239000000872 buffer Substances 0.000 description 21
- 238000013461 design Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 16
- 239000012634 fragment Substances 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 15
- 108091006146 Channels Proteins 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 10
- 238000004040 coloring Methods 0.000 description 9
- 238000009877 rendering Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 7
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 241000699666 Mus <mouse, genus> Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000012536 storage buffer Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- YIWGJFPJRAEKMK-UHFFFAOYSA-N 1-(2H-benzotriazol-5-yl)-3-methyl-8-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carbonyl]-1,3,8-triazaspiro[4.5]decane-2,4-dione Chemical compound CN1C(=O)N(c2ccc3n[nH]nc3c2)C2(CCN(CC2)C(=O)c2cnc(NCc3cccc(OC(F)(F)F)c3)nc2)C1=O YIWGJFPJRAEKMK-UHFFFAOYSA-N 0.000 description 1
- KUVIULQEHSCUHY-XYWKZLDCSA-N Beclometasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(Cl)[C@@H]1[C@@H]1C[C@H](C)[C@@](C(=O)COC(=O)CC)(OC(=O)CC)[C@@]1(C)C[C@@H]2O KUVIULQEHSCUHY-XYWKZLDCSA-N 0.000 description 1
- 101000912503 Homo sapiens Tyrosine-protein kinase Fgr Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- VCUFZILGIRCDQQ-KRWDZBQOSA-N N-[[(5S)-2-oxo-3-(2-oxo-3H-1,3-benzoxazol-6-yl)-1,3-oxazolidin-5-yl]methyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C1O[C@H](CN1C1=CC2=C(NC(O2)=O)C=C1)CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F VCUFZILGIRCDQQ-KRWDZBQOSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 102100026150 Tyrosine-protein kinase Fgr Human genes 0.000 description 1
- JAWMENYCRQKKJY-UHFFFAOYSA-N [3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-ylmethyl)-1-oxa-2,8-diazaspiro[4.5]dec-2-en-8-yl]-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]methanone Chemical compound N1N=NC=2CN(CCC=21)CC1=NOC2(C1)CCN(CC2)C(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F JAWMENYCRQKKJY-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 210000005257 cortical tissue Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 101150008563 spir gene Proteins 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
描述了用于促进卷积神经网络(CNN)逻辑的训练的机制。如本文中所描述的实施例的方法包括使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图对输入图像执行灵敏度扫描,其中SABM窗口结构基于输入图像;以及基于灵敏度扫描的结果训练卷积神经网络(CNN)逻辑。
Description
技术领域
本公开大体涉及卷积神经网络。
背景技术
卷积神经网络(CNN)是一种前馈人工神经网络,其中神经元之间的连接模式受到动物视觉皮层组织的启发(例如,个体神经元以使得它们对使视野分块(tiling)的重叠区域作出相应的方式被布置。CNN目前在各种计算平台(例如,数据中心、移动设备等)中实现,以执行广泛范围的应用,包括图像和视频识别、自然语言处理和推荐系统等。CNN训练通常涉及设计和调整黑盒子目标。必须检测输入图像中当前CNN模型学习特征执行分类的区域。
附图说明
图1是根据实施例的处理系统的框图。
图2是处理器的实施例的框图,所述处理器具有一个或多个处理器核、集成存储器控制器以及集成图形处理器。
图3是图形处理器的框图,所述图形处理器可以是分立的图形处理单元,或可以是与多个处理核集成的图形处理器。
图4是根据一些实施例的图形处理器的图形处理引擎的框图。
图5是图形处理器的另一实施例的框图。
图6示出了线程执行逻辑,所述线程执行逻辑包括在图形处理引擎的一些实施例中采用的处理元件的阵列。
图7是示出根据一些实施例的图形处理器指令格式的框图。
图8是图形处理器的另一实施例的框图。
图9A是示出根据实施例的图形处理器命令格式的框图,以及图9B是示出根据实施例的图形处理器命令序列的框图。
图10示出了根据一些实施例的用于数据处理系统的示例性图形软件架构。
图11是示出了根据实施例的可用于制造集成电路以执行操作的IP核开发系统的框图。
图12是示出了根据实施例的可以使用一个或多个IP核来制造的示例性芯片上系统集成电路的框图。
图13是示出了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的示例性图形处理器1310的框图。
图14是示出了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的附加示例性图形处理器1410的框图。
图15示出了根据一个实施例的采用训练机制的计算设备。
图16A示出了输入图像的一个实施例;而图16B和16C示出了该图像的窗口的实施例。
图17A和17B示出了标准化灵敏度图的实施例。
图18A-18F示出了所述图像的窗口的其他实施例。
图19A-19C示出了所述图像的窗口的其他实施例。
图20A和20B示出了根据一个实施例的训练方法。
具体实施方式
在以下描述中,陈述了众多具体细节。然而,可在不具有这些特定细节的情况下实践如本文中所描述的诸实施例。在其他实例中,没有详细示出公知的电路、结构以及技术,以便不至于使对本描述的理解变得模糊。
实施例提供了卷积神经网络(CNN)训练机制,该卷积神经网络训练机制实现自适应双向掩码窗口和标准化灵敏度图以帮助训练深度学习训练系统。在一个实施例中,训练机制处理与子类别特征有关的多个不规则区域的可视化。在这样的实施例中,区域的大小可以从非常大到非常小(例如,与特定面部属性有关的面部区域,或在医学图像上扩散的疾病模式)。在进一步的实施例中,训练机制可以与任何类型的CNN模型一起操作,而不必修改CNN结构。
可以构想,贯穿本文档,可以互换地引用诸如“请求”、“查询”、“作业”、“工作”、“工作项”和“工作负荷”之类的术语。类似地,“应用”或“代理”可以指代或包括通过诸如自由渲染API(诸如开放图形库 11,12等)之类的API提供的计算机程序、软件应用、游戏、工作站应用等,其中“分派”可以互换地称为“工作单位”或“绘制”,并且类似地,“应用”可以互换地称为“工作流”或简单地称为“代理”。例如,诸如3D游戏的工作负荷之类的工作负荷可以包括并发布任何数量和类型的“帧”,其中,每个帧可以表示图像(例如,帆船、人脸)。此外,每个帧可以包括并提供任何数量和类型的工作单元,其中,每个工作单元可以表示由其相应帧表示的图像(例如,帆船、人脸)的一部分(例如,帆船的桅杆、人脸的前额)。然而,为了一致性,贯穿本文档,每一项可以由单个术语(例如,“分派”、“代理”等)来引用。
在一些实施例中,如“显示屏”和“显示表面”之类的术语可用于互换地指代显示设备的可见部分,而显示设备的其余部分可以被嵌入到诸如智能电话、可穿戴设备等之类的计算设备中。可以构想并且应当注意,各实施例不限于任何特定的计算设备、软件应用、硬件部件、显示设备、显示屏或表面、协议、标准等。例如,实施例可被应用于并且可以与在任何数量和类型的计算机上的任何数量和类型的实时应用一起使用,所述计算机诸如台式机、膝上型计算机、平板计算机、智能电话、头戴式显示器、以及其他可穿戴设备等。进一步地,例如,使用这种新颖技术渲染高效性能的场景可以用在从诸如桌面合成等简单场景到诸如3D游戏、增强现实应用等复杂场景的范围。
系统概述
图1是根据实施例的处理系统100的框图。在各实施例中,系统100包括一个或多个处理器102以及一个或多个图形处理器108,并且可以是单处理器台式系统、多处理器工作站系统或具有大量处理器102或处理器核107的服务器系统。在一个实施例中,系统100是被纳入到用于在移动装置、手持式装置或嵌入式装置中使用的芯片上系统(SoC)集成电路内的处理平台。
系统100的实施例可以包括或并入基于服务器的游戏平台、游戏控制台,包括游戏与媒体控制台、移动游戏控制台、手持式游戏控制台、或在线游戏控制台。在一些实施例中,系统100是移动电话、智能电话、平板计算装置或移动互联网装置。数据处理系统100还可包括可穿戴装置(诸如智能手表可穿戴装置、智能眼镜装置、增强现实装置、或虚拟现实装置)、与所述可穿戴装置耦合、或者集成在所述可穿戴装置中。在一些实施例中,数据处理系统100是电视或机顶盒装置,所述电视或机顶盒装置具有一个或多个处理器102以及由一个或多个图形处理器108生成的图形界面。
在一些实施例中,一个或多个处理器102每个包括用于处理指令的一个或多个处理器核107,所述指令在被执行时执行系统和用户软件的操作。在一些实施例中,一个或多个处理器核107中的每个处理器核被配置成用于处理特定的指令集109。在一些实施例中,指令集109可以促进复杂指令集计算(CISC)、精简指令集计算(RISC)、或经由超长指令字(VLIW)的计算。多个处理器核107可以各自处理不同的指令集109,所述指令集可以包括用于促进对其他指令集进行仿真的指令。处理器核107还可以包括其他处理装置,如数字信号处理器(DSP)。
在一些实施例中,处理器102包括高速缓存存储器104。取决于架构,处理器102可以具有单个内部高速缓存或内部高速缓存的多个级。在一些实施例中,在处理器102的各部件当中共享高速缓存存储器。在一些实施例中,处理器102还使用外部高速缓存(例如,3级(L3)高速缓存或末级高速缓存(LLC))(未示出),可以使用已知的高速缓存一致性技术来在处理器核107当中共享外部高速缓存。另外地,寄存器堆106包括在处理器102中,所述处理器可以包括用于存储不同类型的数据的不同类型的寄存器(例如,整数寄存器、浮点寄存器、状态寄存器、和指令指针寄存器)。一些寄存器可以是通用寄存器,而其他寄存器可以特定于处理器102的设计。
在一些实施例中,处理器102与处理器总线110耦合,以在处理器102与系统100中的其他部件之间传输通信信号,诸如地址、数据、或控制信号。在一个实施例中,系统100使用示例性“中枢”系统架构,所述示例性“中枢”系统架构包括存储器控制器中枢116和输入输出(I/O)控制器中枢130。存储器控制器中枢116促进存储器设备与系统100的其他部件之间的通信,而I/O控制器中枢(ICH)130提供经由本地I/O总线至I/O设备的连接。在一个实施例中,存储器控制器中枢116的逻辑被集成在处理器内。
存储器设备120可以是动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存设备、相变存储器设备、或具有适当的性能以充当进程存储器的某个其他存储器设备。在一个实施例中,存储器设备120可以作为系统100的系统存储器操作,以存储数据122和指令121,以便在一个或多个处理器102执行应用或进程时使用。存储器控制器中枢116也与任选的外部图形处理器112耦合,所述任选的外部图形处理器112可与处理器102中的一个或多个图形处理器108通信以执行图形和媒体操作。
在一些实施例中,ICH 30启动外围设备以经由高速I/O总线连接到存储器设备120和处理器102。I/O外围设备包括但不限于音频控制器146、固件接口128、无线收发机126(例如,Wi-Fi、蓝牙)、数据存储设备124(例如,硬盘驱动器、闪存等)以及用于将传统(legacy)(例如,个人系统2(PS/2))设备耦合至系统的旧式传统I/O控制器。一个或多个通用串行总线(USB)控制器142连接输入设备(诸如,键盘和鼠标144的组合)。网络控制器134还可与ICH130耦合。在一些实施例中,高性能网络控制器(未示出)与处理器总线110耦合。应当理解,所示的系统100是示例性的而非限制性的,因为也可以使用不同方式配置的其他类型的数据处理系统。例如,I/O控制器总线130可以集成在一个或多个处理器102内,或者存储器控制器中枢116和I/O控制器中枢130可以集成在分立外部图形处理器中,例如外部图形处理器112。
图2是处理器200的实施例的框图,所述处理器具有一个或多个处理器核202A至202N、集成存储器控制器214、以及集成图形处理器208。图2的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。处理器200可包括多达且包括由虚线框表示的附加核202N的附加核。处理器核202A至202N各自包括一个或多个内部高速缓存单元204A至204N。在一些实施例中,每个处理器核还可以访问一个或多个共享的高速缓存单元206。
内部高速缓存单元204A至204N和共享高速缓存单元206表示处理器200内部的高速缓存存储器层级结构。高速缓存存储器层级结构可以包括每个处理器核内的至少一级指令和数据高速缓存以及一级或多级共享中级高速缓存,诸如2级(L2)、3级(L3)、4级(L4)、或其他级的高速缓存,其中,最高级的高速缓存在外部存储器之前被分类为LLC。在一些实施例中,高速缓存一致性逻辑维持各高速缓存单元206与204A至204N之间的一致性。
在一些实施例中,处理器200还可以包括一组一个或多个总线控制器单元216和系统代理核210。一个或多个总线控制器单元216管理一组外围总线,诸如一个或多个外围部件互连总线(例如,PCI、PCI快速)。系统代理核210提供对各处理器部件的管理功能。在一些实施例中,系统代理核210包括一个或多个集成存储器控制器214用于管理对各外部存储器装置(未示出)的访问。
在一些实施例中,处理器核202A至202N中的一个或多个包括对同步多线程的支持。在这种实施例中,系统代理核210包括用于在多线程处理过程中协调和操作核202A至202N的部件。另外,系统代理核210还可以包括功率控制单元(PCU),所述功率控制单元包括用于调节处理器核202A至202N的功率状态的逻辑和部件以及图形处理器208。
在一些实施例中,另外,处理器200还包括用于执行图形处理操作的图形处理器208。在一些实施例中,图形处理器208耦合至共享高速缓存单元206集以及系统代理核210,所述系统代理核包括一个或多个集成存储器控制器214。在一些实施例中,显示控制器211与图形处理器208耦合以便将图形处理器输出驱动到一个或多个耦合的显示器。在一些实施例中,显示控制器211可以是经由至少一个互连与图形处理器耦合的单独模块,或者可以集成在图形处理器208或系统代理核210内。
在一些实施例中,基于环的互连单元212用于耦合处理器200的内部部件。然而,可以使用替代性互连单元,比如点到点互连、切换式互连、或其他技术,包括本领域众所周知的技术。在一些实施例中,图形处理器208经由I/O链路213与环形互连212耦合。
示例性I/O链路213表示多个I/O互连中的多个品种中的至少一种,包括促进各处理器部件与高性能嵌入式存储器模块218(比如eDRAM模块)之间的通信的封装体I/O互连。在一些实施例中,处理器核202A至202N中的每个处理器核以及图形处理器208将嵌入式存储器模块218用作共享末级高速缓存。
在一些实施例中,处理器核202A至202N是执行相同指令集架构的同构核。在另一实施例中,处理器核202A至202N在指令集架构(ISA)方面是异构的,其中,处理器核202A至202N中的一者或多者执行第一指令集,而其他核中的至少一者执行所述第一指令集的子集或不同的指令集。在一个实施例中,处理器核202A至202N就微架构而言是同质的,其中,具有相对较高功耗的一个或多个核与具有较低功耗的一个或多个功率核耦合。另外,处理器200可以实现在一个或多个芯片上或者被实现为具有除其他部件之外的所展示的部件的SoC集成电路。
图3是图形处理器300的框图,所述图形处理器可以是分立式图形处理单元、或者可以是与多个处理核集成的图形处理器。在一些实施例中,图形处理器经由到图形处理器上的寄存器的映射I/O接口并且利用被放置在处理器存储器中的命令与存储器进行通信。在一些实施例中,图形处理器300包括用于访问存储器的存储器接口314。存储器接口314可以是到本地存储器、一个或多个内部高速缓存、一个或多个共享外部高速缓存、和/或到系统存储器的接口。
在一些实施例中,图形处理器300还包括显示控制器302,所述显示控制器用于将显示输出数据驱动到显示装置320。显示控制器302包括用于显示器的一个或多个重叠平面的硬件以及多层视频或用户接口元件的组成。在一些实施例中,图形处理器300包括用于编码、解码、或者向、从或在一个或多个媒体编码格式之间进行媒体代码转换的视频编解码器引擎306,包括但不限于:运动图像专家组(MPEG)格式(比如MPEG-2)、高级视频译码(AVC)格式(比如H.264/MPEG-4AVC)、以及电影&电视工程师协会(SMPTE)421M/VC-1、和联合图像专家组(JPEG)格式(比如JPEG、以及运动JPEG(MJPEG)格式)。
在一些实施例中,图形处理器300包括用于执行二维(2D)光栅化器操作包括例如位边界块传递的块图像传递(BLIT)引擎304。然而,在一个实施例中,使用图形处理引擎(GPE)310的一个或多个部件执行2D图形操作。在一些实施例中,GPE 310是用于执行图形操作的计算引擎,所述图形操作包括三维(3D)图形操作和媒体操作。
在一些实施例中,GPE 310包括用于执行3D操作的3D流水线312,比如使用作用于3D图元形状(例如,矩形、三角形等)的处理功能来渲染三维图像和场景。3D流水线312包括可编程且固定的功能元件,所述可编程且固定的功能元件在到3D/媒体子系统315的元件和/或生成的执行线程内执行各种任务。虽然3D流水线312可以用于执行媒体操作,但是GPE310的实施例还包括媒体流水线316,所述媒体流水线具体地用于执行媒体操作,诸如视频后处理和图像增强。
在一些实施例中,媒体流水线316包括固定功能或可编程逻辑单元以便代替、或代表视频编解码器引擎306来执行一种或多种专门的媒体操作,比如视频解码加速、视频解交织、以及视频编码加速。在一些实施例中,另外,媒体流水线316还包括线程生成单元以便生成用于在3D/媒体子系统315上执行的线程。所生成的线程对3D/媒体子系统315中所包括的一个或多个图形执行单元执行对媒体操作的计算。
在一些实施例中,3D/媒体子系统315包括用于执行3D流水线312和媒体流水线316生成的线程的逻辑。在一个实施例中,流水线向3D/媒体子系统315发送线程执行请求,所述3D/媒体子系统包括用于仲裁并将各请求分派到可用的线程执行资源的线程分派逻辑。执行资源包括用于处理3D和媒体线程的图形执行单元阵列。在一些实施例中,3D/媒体子系统315包括用于线程指令和数据的一个或多个内部高速缓存。在一些实施例中,所述子系统还包括共享存储器(包括寄存器和可寻址存储器)以便在线程之间共享数据并用于存储输出数据。
图形处理引擎
图4是根据一些实施例的图形处理器的图形处理引擎410的框图。在一个实施例中,图形处理引擎(GPE)410是图3所示的GPE 310的一个版本。图4的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。例如,展示了图3的3D流水线312和媒体流水线316。媒体流水线316在GPE 410的一些实施例中是可选的,并且可以不显式地地包括在GPE 410内。例如以及在至少一个实施例中,单独的媒体和/或图像处理器被耦合至GPE410。
在一些实施例中,GPE 410与命令流转化器403耦合或包括所述命令流转化器,所述命令流转化器向3D流水线312和/或媒体流水线316提供命令流。在一些实施例中,命令流转化器403与存储器耦合,所述存储器可以是系统存储器、或者是内部高速缓存存储器和共享高速缓存存储器中的一个或多个。在一些实施例中,命令流转化器403从存储器接收命令并将这些命令发送至3D流水线312和/或媒体流水线316。所述命令是从存储用于3D流水线312和媒体流水线316的环形缓冲器获取的指示。在一个实施例中,环形缓冲器可以另外包括存储多批多命令的批命令缓冲器。用于3D流水线312的命令还可以包括对在存储器中存储的数据的引用,诸如但不限于用于3D流水线312的顶点数据和几何数据和/或用于媒体流水线316的图像数据和存储器对象。3D流水线312和媒体流水线316通过经由各自流水线内的逻辑执行操作或者通过将一个或多个执行线程分派至执行图形核阵列414来处理所述命令和数据。
在各个实施例中,3D流水线312可以通过处理指令并将执行线程分派给图形核阵列414来执行一个或多个着色器程序,诸如顶点着色器、几何着色器、像素着色器、片段着色器、计算着色器或其他着色器程序。图形核阵列414提供了统一的执行资源块。图形核阵列414内的多用途执行逻辑(例如,执行单元)包括对各种3D API着色器语言的支持,并且可以执行与多个着色器相关联的多个同步执行线程。
在一些实施例中,图形核阵列414还包括用于执行诸如视频和/或图像处理的媒体功能的执行逻辑。在一个实施例中,除了图形处理操作之外,执行单元还包括可编程以执行并行通用计算操作的通用逻辑。通用逻辑可以与图1的(多个)处理器核107或图2中的核202A至202N内的通用逻辑并行地或结合地执行处理操作。
由在图形核阵列414上执行的线程生成的输出数据可以将数据输出到统一返回缓冲器(URB)418中的存储器。URB 418可以存储多个线程的数据。在一些实施例中,URB 418可以用于在图形核阵列414上执行的不同线程之间发送数据。在一些实施例中,URB 418可以另外用于图形核阵列上的线程与共享功能逻辑420内的固定功能逻辑之间的同步。
在一些实施例中,图形核阵列414是可缩放的,使得所述阵列包括可变数量的图形核,这些图形核各自具有基于GPE 410的目标功率和性能等级的可变数量的执行单元。在一个实施例中,执行资源是动态可缩放的,从而可以根据需要启用或禁用执行资源。
图形核阵列414与共享功能逻辑420耦合,所述共享功能逻辑包括在图形核阵列中的图形核之间共享的多个资源。共享功能逻辑420内的共享功能是向图形核阵列414提供专用补充功能的硬件逻辑单元。在各种实施例中,共享功能逻辑420包括但不限于采样器421、数学422和线程间通信(ITC)423逻辑。另外,一些实施例实现共享功能逻辑420内的一个或多个高速缓存425。在给定的专用功能的需求不足以包含在图形核阵列414中的情况下实施共享功能。相反,所述专用功能的单个实例被实施为共享功能逻辑420中的独立实体并且在图形核阵列414内的执行资源之间共享。在图形核阵列414之间共享并包括在图形核阵列414内的精确的一组功能在各实施例之间变化。
图5是图形处理器500的另一实施例的框图。图5的具有与本文中的任意其他附图的元件相同的附图标记(或名称)的元件能以类似于本文中其他地方描述的任何方式操作或运行,但不限于此。
在一些实施例中,图形处理器500包括环形互连502、流水线前端504、媒体引擎537和图形核580A-580N。在一些实施例中,环形互连502将图形处理器耦合至其他处理单元(包括其他图形处理器或一个或多个通用处理器核)。在一些实施例中,图形处理器是集成在多核处理系统内的许多处理器中的一个。
在一些实施例中,图形处理器500经由环形互连502接收批量的命令。传入的命令由流水线前端504中的命令流转化器503解释。在一些实施例中,图形处理器500包括用于经由(多个)图形核580A-580N来执行3D几何处理和媒体处理的可缩放执行逻辑。对于3D几何处理命令,命令流转化器503将命令供应至几何流水线536。对于至少一些媒体处理命令,命令流转化器503将命令供应至视频前端534,所述视频前端534与媒体引擎537耦合。在一些实施例中,媒体引擎537包括用于视频和图像后处理的视频质量引擎(VQE)530以及用于提供硬件加速的媒体数据编码和解码的多格式编码/解码(MFX)533引擎。在一些实施例中,几何流水线536和媒体引擎537各自都生成用于由至少一个图形核580A提供的线程执行资源的执行线程。
在一些实施例中,图形处理器500包括可缩放线程执行资源,所述可缩放线程执行单元特征为模块化核580A-580N(有时称为核片(core slice)),每一个模块化核都具有多个子核550A-550N、560A-560N(有时称为核子片(core sub-slice))。在一些实施例中,图形处理器500可具有任何数量的图形核580A至580N。在一些实施例中,图形处理器500包括图形核580A,所述图形核580A至少具有第一子核550A和第二核子核560A。在其他实施例中,图形处理器是具有单个子核(例如,550A)的低功率处理器。在一些实施例中,图形处理器500包括多个图形核580A-580N,每一个图形核都包括第一子核的集合550A-550N以及第二子核的集合560A-560N。第一子核的集合550A-550N中的每一个子核都至少包括执行单元552A-552N和媒体/纹理采样器554A-554N的第一集合。第二子核的集合560A-560N中的每一个子核都至少包括执行单元562A-562N和采样器564A-564N的第二集合。在一些实施例中,每一个子核550A-550N、560A-560N都共享一组共享资源570A-570N。在一些实施例中,共享资源包括共享高速缓存存储器和像素操作逻辑。其他共享资源也可包括在图形处理器的各种实施例中。
执行单元
图6示出线程执行逻辑600,所述线程执行逻辑600包括在GPE的一些实施例中采用的处理元件的阵列。图6的具有与本文中的任意其他附图的元件相同的附图标记(或名称)的元件能以类似于本文中其他地方描述的任何方式操作或运行,但不限于此。
在一些实施例中,线程执行逻辑600包括着色器处理器602、线程分派器604、指令高速缓存606、包括多个执行单元608A-608N的可缩放执行单元阵列、采样器610、数据高速缓存612和数据端口614。在一个实施例中,所包括的部件经由互连结构被互连,所述互连结构链接至部件中的每一个。在一些实施例中,线程执行逻辑600包括通过指令高速缓存606、数据端口614、采样器610和执行单元608A-608N中的一者或多者而至存储器(诸如,系统存储器或高速缓存存储器)的一个或多个连接。在一些实施例中,每个执行单元(例如,608A)是能够为每一个线程并行地执行多个同时硬件线程同时处理多个数据元素的独立的可编程通用计算单元。在各种实施例中,执行单元608A-608N的阵列是可缩放的以包括任何数量的单独的执行单元。
在一些实施例中,执行单元608A至608N主要用于执行着色器程序。着色器处理器602可以处理各种着色器程序并且经由线程分派器604分派与着色器程序相关联的执行线程。在一个实施例中,线程分派器包括用于对来自图形和媒体流水线的线程发起请求进行仲裁并且在一个或多个执行单元608A至608N上实例化所请求的线程的逻辑。例如,几何流水线(例如,图5的536)可以将顶点处理、曲面细分或几何着色器分派至线程执行逻辑600(图6)进行处理。在一些实施例中,线程分派器604还可处理来自执行着色器程序的运行时间线程生成请求。
在一些实施例中,执行单元608A至608N支持指令集(所述指令集包括对许多标准3D图形着色器指令的原生支持),从而使得以最小的转换执行来自图形库(例如,Direct 3D和OpenGL)的着色器程序。这些执行单元支持顶点和几何处理(例如,顶点程序、几何程序、顶点着色器)、像素处理(例如,像素着色器、片段着色器)以及通用处理(例如,计算和媒体着色器)。执行单元608A至608N中的每一个都能够执行多发布单指令多数据(SIMD),并且多线程操作能够在面对较高等待时间的存储器访问时实现高效的执行环境。每个执行单元内的每个硬件线程都具有专用的高带宽寄存器堆和相关的独立线程状态。对于具有整数、单精度浮点运算和双精度浮点运算、SIMD分支功能、逻辑运算、超越运算和其他混杂运算的流水线,执行是每个时钟的多发布。在等待来自存储器或共享功能之一的数据时,执行单元608A至608N内的依赖性逻辑使等待线程休眠,直到所请求的数据已返回。当等待线程正在休眠时,硬件资源可能会专门用于处理其他线程。例如,在与顶点着色器操作相关联的延迟期间,执行单元可以执行像素着色器、片段着色器或包括不同顶点着色器的另一种类型的着色器程序的操作。
执行单元608A至608N中的每个执行单元在数据元素阵列上进行操作。数据元素的数量是“执行大小”、或指令的信道数。执行通道是执行数据元素访问、掩蔽、和指令内的流控制的逻辑单元。通道的数量可以与针对特定图形处理器的物理算术逻辑单元(ALU)或浮点单元(FPU)的数量无关。在一些实施例中,执行单元608A至608N支持整数和浮点数据类型。
执行单元指令集包括SIMD指令。各种数据元素可作为压缩数据类型存储在寄存器中,并且执行单元将基于元素的数据大小来处理各种元素。例如,当在256位宽的向量上进行操作时,所述256位的向量存储在寄存器中,并且所述执行单元作为四个单独64位压缩数据元素(四倍字长(QW)大小的数据元素)、八个单独32位压缩数据元素(双倍字长(DW)大小的数据元素)、十六个单独16位压缩数据元素(字长(W)大小的数据元素)、或三十二个单独8位数据元素(字节(B)大小的数据元素)在所述向量上进行操作。然而,不同的向量宽度和寄存器大小是可能的。
一个或多个内部指令高速缓存(例如,606)包括在所述线程执行逻辑600中以便高速缓存所述执行单元的线程指令。在一些实施例中,一个或多个数据高速缓存(例如,612)被包括用于高速缓存在线程执行过程中的线程数据。在一些实施例中,采样器610被包括用于为3D操作提供纹理采样并且为媒体操作提供媒体采样。在一些实施例中,采样器610包括专门的纹理或媒体采样功能,以便在向执行单元提供采样数据之前在采样过程中处理纹理或媒体数据。
在执行过程中,图形和媒体流水线经由线程生成和分派逻辑向线程执行逻辑600发送线程发起请求。一旦一组几何对象已经被处理并被光栅化成像素数据,则着色器处理器602内的像素处理器逻辑(例如,像素着色器逻辑、片段着色器逻辑等)被调用以便进一步计算输出信息并且使得结果被写入到输出表面(例如,色彩缓冲器、深度缓冲器、模板印刷(stencil)缓冲器等)。在一些实施例中,像素着色器或片段着色器计算各顶点属性的值,所述各顶点属性跨光栅化对象被内插。在一些实施例中,着色器处理器602内的像素处理器逻辑然后执行应用编程接口(API)供应的像素或片段着色器程序。为了执行着色器程序,着色器处理器602经由线程分派器604将线程分派至执行单元(例如,608A)。在一些实施例中,像素着色器602使用采样器610中的纹理采样逻辑来访问存储器中所存储的纹理图中的纹理数据。对纹理数据和输入几何数据的算术运算计算每个几何片段的像素颜色数据,或丢弃一个或多个像素而不进行进一步处理。
在一些实施例中,数据端口614提供存储器访问机制,供线程执行逻辑600将经处理的数据输出至存储器以便在图形处理器输出流水线上进行处理。在一些实施例中,数据端口614包括或耦合至一个或多个高速缓存存储器(例如,数据高速缓存612)从而经由数据端口来高速缓存数据以供存储器访问。
图7是展示了根据一些实施例的图形处理器指令格式700的框图。在一个或多个实施例中,图形处理器执行单元支持具有多种格式的指令的指令集。实线框展示了通常包括在执行单元指令中的部件,而虚线包括可选的部件或仅包括在指令子集中的部件。在一些实施例中,所描述和展示的指令格式700是宏指令,因为它们是供应至执行单元的指令,这与从指令解码产生的微操作相反(一旦所述指令被处理)。
在一些实施例中,图形处理器执行单元原生地支持采用128位指令格式710的指令。64位紧凑指令格式730可用于基于所选指令、多个指令选项和操作数数量的一些指令。原生128位指令格式710提供对所有指令选项的访问,而一些选项和操作限制在64位格式730中。64位格式730中可用的原生指令根据实施例而不同。在一些实施例中,使用索引字段713中的一组索引值将指令部分地压缩。执行单元硬件基于索引值来参考一组压缩表,并使用压缩表输出来重构采用128位指令格式710的原生指令。
针对每种格式,指令操作码712限定执行单元要执行的操作。执行单元跨每个操作数的多个数据元素来并行地执行每条指令。例如,响应于添加指令,执行单元跨每个颜色通道执行同步添加操作,所述颜色通道表示纹理元素或图片元素。默认地,执行单元跨操作数的所有数据通道执行每条指令。在一些实施例中,指令控制字段714使能控制某些执行选项,诸如通道选择(例如,预测)以及数据通道排序(例如,混合)。针对采用128位指令格式710的指令,执行大小字段716限制了将并行执行的数据通道的数量。在一些实施例中,执行大小字段716不可用于64位紧凑指令格式730。
一些执行单元指令具有多达三个操作数,包括两个源操作数(src0 720、src1722)和一个目的地718。在一些实施例中,执行单元支持双目的地指令,其中这些目的地之一是隐式的。数据操作指令可以具有第三源操作数(例如,SRC2 724),其中,指令操作码712确定源操作数的数量。指令的最后的源操作数可以是利用所述指令传递的即时(例如,硬编码)值。
在一些实施例中,128位指令格式710包括访问/地址模式字段726,所述访问/地址模式信息例如指定了是使用直接寄存器寻址模式还是间接寄存器寻址模式。当使用直接寄存器寻址模式时,直接由指令中的位来提供一个或多个操作数的寄存器地址。
在一些实施例中,128位指令格式710包括访问/地址模式字段726,所述访问/地址模式字段指定指令的地址模式和/或访问模式。在一个实施例中,访问模式用于限定针对指令的数据访问对齐。一些实施例支持访问模式,包括16字节对齐访问模式和1字节对齐访问模式,其中,访问模式的字节对齐确定了指令操作数的访问对齐。例如,当在第一模式中时,指令可以使用字节对齐寻址以用于源操作数和目的地操作数,并且当在第二模式中时,指令可以使用16字节对齐寻址以用于所有的源操作数和目的地操作数。
在一个实施例中,访问/地址模式字段726的地址模式部分确定指令是使用直接寻址还是间接寻址。当使用直接寄存器寻址模式时,指令中的位直接提供一个或多个操作数的寄存器地址。当使用间接寄存器寻址模式时,可以基于指令中的地址寄存器值和地址立即数字段来计算一个或多个操作数的寄存器地址。
在一些实施例中,基于操作码712位字段对指令进行分组从而简化操作码解码740。针对8位的操作码,第4、5、和6位允许执行单元确定操作码的类型。所示出的精确操作码分组仅是示例性的。在一些实施例中,移动和逻辑操作码组742包括数据移动和逻辑指令(例如,移动(mov)、比较(cmp))。在一些实施例中,移动和逻辑组742共享五个最高有效位(MSB),其中移动(mov)指令采用0000xxxxb的形式,而逻辑指令采用0001xxxxb的形式。流控制指令组744(例如,调用(call)、跳(jmp))包括采用0010xxxxb形式(例如,0x20)的指令。混杂指令组746包括指令的混合,包括采用0011xxxxb形式(例如,0x30)的同步指令(例如,等待(wait)、发送(send))。并行数学指令组748包括采用0100xxxxb形式(例如,0x40)的按分量的算术指令(例如,加(add)、乘(mul))。并行数学组748跨数据通道并行地执行算术运算。向量数学组750包括采用0101xxxxb形式(例如,0x50)的算术指令(例如,dp4)。向量数学组对向量操作数执行算术运算,诸如点积运算。
图形流水线
图8是图形处理器800的另一个实施例的框图。图8的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用,但不限于这些。
在一些实施例中,图形处理器800包括图形流水线820、媒体流水线830、显示引擎840、线程执行逻辑850、以及渲染输出流水线870。在一些实施例中,图形处理器800是包括一个或多个通用处理核的多核处理系统内的图形处理器。图形处理器受到至一个或多个控制寄存器(未示出)的寄存器写入的控制或者经由环形互连802经由发布至图形处理器800的命令被控制。在一些实施例中,环形互连802将图形处理器800耦合至其他处理部件,比如其他图形处理器或通用处理器。来自环形互连802的命令通过命令流转化器803被解译,所述命令流转化器将指令供应至图形流水线820或媒体流水线830的单独部件。
在一些实施例中,命令流转化器803引导顶点获取器805的操作,所述顶点获取器从存储器读取顶点数据并执行由命令流转化器803所提供的顶点处理命令。在一些实施例中,顶点获取器805将顶点数据提供给顶点着色器807,所述顶点着色器对每个顶点执行坐标空间变换和照明操作。在一些实施例中,顶点获取器805和顶点着色器807通过经由线程分派器831向执行单元852A、852B分派执行线程来执行顶点处理指令。
在一些实施例中,执行单元852A、852B是具有用于执行图形和媒体操作的指令集的向量处理器阵列。在一些实施例中,执行单元852A、852B具有附接的L1高速缓存851,所述高速缓存专用于每个阵列或在阵列之间共享。高速缓存可以被配置为数据高速缓存、指令高速缓存、或单个高速缓存,所述单个高速缓存被分区为包含不同分区中的数据和指令。
在一些实施例中,图形流水线820包括用于执行3D对象的硬件加速曲面细分的曲面细分部件。在一些实施例中,可编程的外壳着色器811配置曲面细分操作。可编程域着色器817提供对曲面细分输出的后端评估。曲面细分器813在外壳着色器811的方向上进行操作并且包含专用逻辑,所述专用逻辑用于基于粗糙几何模型来生成详细的几何对象集合,所述粗糙几何模型作为输入被提供至图形流水线820。在一些实施例中,如果未使用曲面细分,则可以对曲面细分部件(例如,外壳着色器811、曲面细分器813、域着色器817)进行旁路。
在一些实施例中,完整的几何对象可以由几何着色器819经由被分派至所述执行单元852A、852B的一个或多个线程来处理、或者可以直接行进至剪辑器829。在一些实施例中,几何着色器在整个几何对象(而非顶点或者如图形流水线的先前级中的顶点补片(patch))上进行操作。如果禁用曲面细分,则几何着色器819从顶点着色器807接收输入。在一些实施例中,几何着色器819可由几何着色器程序编程以便在曲面细分单元被禁用时执行几何曲面细分。
在光栅化之前,剪辑器829处理顶点数据。剪辑器829可以是固定功能的剪辑器或者具有剪辑和几何着色器功能的可编程剪辑器。在一些实施例中,渲染输出流水线870中的光栅化器和深度测试部件873分派像素着色器以将几何对象转换成它们的每像素表示。在一些实施例中,像素着色器逻辑包括在线程执行逻辑850中。在一些实施例中,应用可对光栅化器和深度测试部件873进行旁路并且经由流出单元823访问未光栅化的顶点数据。
图形处理器800具有互连总线、互连结构、或某个其他的互连机制,所述互连机制允许数据和消息在所述图形处理器的主要部件之中传递。在一些实施例中,执行单元852A、852B和相关联的(多个)高速缓存851、纹理和媒体采样器854、以及纹理/采样器高速缓存858经由数据端口856进行互连,以便执行存储器访问并且与处理器的渲染输出流水线部件进行通信。在一些实施例中,采样器854、高速缓存851、858以及执行单元852A、852B各自具有单独的存储器访问路径。
在一些实施例中,渲染输出流水线870包含光栅化器和深度测试部件873,所述光栅化器和深度测试部件将基于顶点的对象转换为相关联的基于像素的表示。在一些实施例中,光栅化器逻辑包括用于执行固定功能三角形和线光栅化的窗口器/掩蔽器单元。相关联的渲染高速缓存878和深度高速缓存879在一些实施例中也是可用的。像素操作部件877对数据进行基于像素的操作,然而在一些实例中,与2D操作(例如,利用混合的位块图像传递)相关联的像素操作由2D引擎841执行、或者在显示时间由显示控制器843使用重叠显示平面来代替。在一些实施例中,共享的L3高速缓存875可用于所有的图形部件,从而允许在无需使用主系统存储器的情况下共享数据。
在一些实施例中,图形处理器媒体流水线830包括媒体引擎837和视频前端834。在一些实施例中,视频前端834从命令流转化器803接收流水线命令。在一些实施例中,媒体流水线830包括单独的命令流转化器。在一些实施例中,视频前端834在将所述命令发送至媒体引擎837之前处理媒体命令。在一些实施例中,媒体引擎837包括用于生成线程以用于经由线程分派器831分派至线程执行逻辑850的线程生成功能。
在一些实施例中,图形处理器800包括显示引擎840。在一些实施例中,显示引擎840在处理器800外部并且经由环形互连802、或某个其他互连总线或机构与图形处理器耦合。在一些实施例中,显示引擎840包括2D引擎841和显示控制器843。在一些实施例中,显示引擎840包含能够独立于3D流水线而操作的专用逻辑。在一些实施例中,显示控制器843与显示装置(未示出)耦合,所述显示装置可以是系统集成显示装置(如在膝上型计算机中)、或者经由显示装置连接器附接的外部显示装置。
在一些实施例中,图形流水线820和媒体流水线830可被配置成用于基于多个图形和媒体编程接口执行操作并且并非专用于任何一种应用编程接口(API)。在一些实施例中,图形处理器的驱动器软件将专用于特定图形或媒体库的API调度转换成可由图形处理器处理的命令。在一些实施例中,为全部来自Khronos Group的开放图形库(OpenGL)、开放计算语言(OpenCL)和/或Vulkan图形和计算API提供了支持。在一些实施例中,也可以为微软公司的Direct3D库提供支持。在一些实施例中,可以支持这些库的组合。还可以为开源计算机视觉库(OpenCV)提供支持。如果可做出从未来API的流水线到图形处理器的流水线的映射,则具有兼容3D流水线的未来API也将受到支持。
图形流水线编程
图9A是展示了根据一些实施例的图形处理器命令格式900的框图。图9B是展示了根据实施例的图形处理器命令序列910的框图。图9A中的实线框展示了通常包括在图形命令中的部件,而虚线包括是可选的或者仅包括在所述图形命令的子集中的部件。图9A的示例性图形处理器命令格式900包括用于标识命令的目标客户端902、命令操作代码(操作码)904、以及用于命令的有关数据906的数据字段。一些命令中还包括子操作码905和命令大小908。
在一些实施例中,客户端902限定了处理命令数据的图形装置的客户端单元。在一些实施例中,图形处理器命令解析器检查每个命令的客户端字段以便调整对命令的进一步处理并将命令数据路由至合适的客户端单元。在一些实施例中,图形处理器客户端单元包括存储器接口单元、渲染单元、2D单元、3D单元、和媒体单元。每个客户端单元具有对命令进行处理的相应处理流水线。一旦命令被客户端单元接收到,客户端单元就读取操作码904以及子操作码905(如果存在的话)从而确定要执行的操作。客户端单元使用数据字段906内的信息来执行命令。针对一些命令,期望显式地的命令大小908来限定命令的大小。在一些实施例中,命令解析器基于命令操作码自动地确定命令中的至少一些命令的大小。在一些实施例中,经由双倍字长的倍数对命令进行对齐。
图9B中的流程图示出了示例性图形处理器命令序列910。在一些实施例中,以图形处理器的实施例为特征的数据处理系统的软件或固件使用所示出的命令序列的版本来启动、执行并终止图形操作集合。仅出于示例性目的示出并描述了样本命令序列,如实施例并不限于这些特定命令或者此命令序列。而且,所述命令可以作为一批命令以命令序列被发布,从而使得图形处理器将以至少部分同时的方式处理命令序列。
在一些实施例中,图形处理器命令序列910可以以流水线转储清除命令912开始以便使得任一活跃图形流水线完成针对所述流水线的当前未决命令。在一些实施例中,3D流水线922和媒体流水线924不同时进行操作。执行流水线转储清除以使得活动图形流水线完成任何未决命令。响应于流水线转储清除,用于图形处理器的命令解析器将停止命令处理直到活跃绘画引擎完成未决操作并且使得相关的读高速缓存失效。可选地,渲染高速缓存中被标记为‘脏’的任何数据可以被转储清除到存储器中。在一些实施例中,流水线转储清除命令912可以用于流水线同步或者用在将图形处理器置于低功率状态之前。
在一些实施例中,当命令序列需要图形处理器在流水线之间显式地地切换时,使用流水线选择命令913。在一些实施例中,在发布流水线命令之前在执行情境中仅需要一次流水线选择命令913,除非所述情境要发布针对两条流水线的命令。在一些实施例中,在经由流水线选择命令913的流水线切换之前正好需要流水线转储清除命令912。
在一些实施例中,流水线控制命令914配置用于操作的图形流水线并且用于对3D流水线922和媒体流水线924进行编程。在一些实施例中,流水线控制命令914配置活跃流水线的流水线状态。在一个实施例中,流水线控制命令914用于流水线同步并且用于在处理一批命令之前清除来自活跃流水线内的一个或多个高速缓存存储器中的数据。
在一些实施例中,返回缓冲器状态命令916用于配置返回缓冲器的集合以供相应的流水线写入数据。一些流水线操作需要分配、选择、或配置一个或多个返回缓冲器,在处理过程中所述操作将中间数据写入所述一个或多个返回缓冲器中。在一些实施例中,图形处理器还使用一个或多个返回缓冲器以便存储输出数据并且执行跨线程通信。在一些实施例中,返回缓冲器状态916包括选择返回缓冲器的大小和数量以用于流水线操作集合。
命令序列中的剩余命令基于用于操作的活跃流水线而不同。基于流水线判定920,所述命令序列被定制用于以3D流水线状态930开始的3D流水线922、或者在媒体流水线状态940处开始的媒体流水线924。
用于3D流水线状态930的命令包括用于顶点缓冲器状态、顶点元素状态、常量颜色状态、深度缓冲器状态、以及有待在处理3D图元命令之前配置的其他状态变量的3D状态设置命令。这些命令的值至少部分地基于使用中的特定3D API来确定。在一些实施例中,3D流水线状态930命令还能够选择性地禁用或旁路掉特定流水线元件(如果将不使用那些元件的话)。
在一些实施例中,3D图元932命令用于提交待由3D流水线处理的3D图元。经由3D图元932命令传递给图形处理器的命令和相关联参数将被转发到所述图形流水线中的顶点获取功能。顶点获取功能使用3D图元932命令数据来生成多个顶点数据结构。所述顶点数据结构被存储在一个或多个返回缓冲器中。在一些实施例中,3D图元932命令用于经由顶点着色器对3D图元执行顶点操作。为了处理顶点着色器,3D流水线922将着色器执行线程分派至图形处理器执行单元。
在一些实施例中,经由执行934命令或事件触发3D流水线922。在一些实施例中,寄存器写入触发命令执行。在一些实施例中,经由命令序列中的‘前进’(‘go’)或‘拣选’(‘kick’)命令来触发执行。在一个实施例中,使用流水线同步命令来触发命令执行以便通过图形流水线转储清除命令序列。3D流水线将针对3D图元来执行几何处理。一旦完成操作,则对所产生的几何对象进行光栅化,并且像素引擎对所产生的像素进行着色。对于这些操作,还可以包括用于控制像素着色和像素后端操作的附加命令。
在一些实施例中,当执行媒体操作时,图形处理器命令序列910跟随在媒体流水线924路径之后。一般地,针对媒体流水线924进行编程的具体用途和方式取决于待执行的媒体或计算操作。在媒体解码过程中,特定的媒体解码操作可以被卸载到所述媒体流水线。在一些实施例中,还可对媒体流水线进行旁路,并且可使用由一个或多个通用处理核提供的资源来整体地或部分地执行媒体解码。在一个实施例中,媒体流水线还包括用于通用图形处理器单元(GPGPU)操作的元件,其中,所述图形处理器用于使用计算着色器程序来执行SIMD向量运算,所述计算着色器程序与渲染图形图元不是显式地相关的。
在一些实施例中,以与3D流水线922相似的方式对媒体流水线924进行配置。将一组媒体流水线状态命令940分派或放置到命令队列中,在媒体对象命令942之前。在一些实施例中,媒体流水线状态命令940包括用于配置媒体流水线元件的数据,所述媒体流水线元件将用于处理媒体对象。这包括用于在媒体流水线内配置视频解码和视频编码逻辑的数据,诸如编码或解码格式。在一些实施例中,媒体流水线状态命令940还支持将一个或多个指针用于包含一批状态设置的“间接”状态元件。
在一些实施例中,媒体对象命令942将指针供应至媒体对象以用于由媒体流水线进行处理。媒体对象包括存储器缓冲器,所述存储器缓冲器包含待处理的视频数据。在一些实施例中,在发布媒体对象命令942之前,所有的媒体流水线状态必须是有效的。一旦流水线状态被配置并且媒体对象命令942被排队,则经由执行944命令或等效的执行事件(例如,寄存器写入)来触发媒体流水线924。然后可以通过由3D流水线922或媒体流水线924提供的操作对来自媒体流水线924的输出进行后处理。在一些实施例中,以与媒体操作类似的方式来配置和执行GPGPU操作。
图形软件架构
图10展示了根据一些实施例的数据处理系统1000的示例性图形软件架构。在一些实施例中,软件架构包括3D图形应用1010、操作系统1020、以及至少一个处理器1030。在一些实施例中,处理器1030包括图形处理器1032以及一个或多个通用处理器核1034。图形应用1010和操作系统1020各自在数据处理系统的系统存储器1050中执行。
在一些实施例中,3D图形应用1010包含一个或多个着色器程序,所述一个或多个着色器程序包括着色器指令1012。着色器语言指令可以采用高级着色器语言,诸如高级着色器语言(HLSL)或OpenGL着色器语言(GLSL)。所述应用还包括可执行指令1014,所述可执行指令采用适合用于由通用处理器核1034执行的机器语言。所述应用还包括由顶点数据限定的图形对象1016。
在一些实施例中,操作系统1020是来自微软公司的 操作系统、专用UNIX式操作系统、或使用Linux内核变体的开源UNIX式操作系统。操作系统1020可以支持图形API 1022,诸如Direct3D API、OpenGL API或Vulkan API。当Direct3D API正在使用时,操作系统1020使用前端着色器编译器1024以将HLSL中的任何着色器指令1012编译成较低级的着色器语言。所述编译可以是即时(JIT)编译,或者所述应用可执行着色器预编译。在一些实施例中,在对3D图形应用1010进行编译的过程中,将高级着色器编译成低级着色器。在一些实施例中,着色器指令1012以中间形式提供,诸如由Vulkan API使用的标准便携式中间表示(SPIR)的版本。
在一些实施例中,用户模式图形驱动器1026包含后端着色器编译器1027,所述后端着色器编译器用于将着色器指令1012转换成硬件专用的表示。当在使用OpenGL API时,将采用GLSL高级语言的着色器指令1012传递至用户模式图形驱动器1026以用于编译。在一些实施例中,用户模式图形驱动器1026使用操作系统内核模式功能1028来与内核模式图形驱动器1029进行通信。在一些实施例中,内核模式图形驱动器1029与图形处理器1032进行通信以便分派命令和指令。
IP核实现
至少一个实施例的一个或多个方面可以由存储在机器可读介质上的代表性代码实现,所述机器可读介质表示和/或限定集成电路诸如处理器内的逻辑。例如,机器可读介质可以包括表示处理器内的各个逻辑的指令。当由机器读取时,所述指令可以使机器制造用于执行本文所述的技术的逻辑。这类表示(称为“IP核”)是集成电路的逻辑的可重复使用单元,所述可重复使用单元可以作为对集成电路的结构进行描述的硬件模型而存储在有形、机器可读介质上。可以将硬件模型供应至在制造集成电路的制造机器上加载硬件模型的各消费者或制造设施。可以制造集成电路,从而使得电路执行与本文所述的实施例中的任一实施例相关联地描述的操作。
图11是展示了根据实施例的可以用于制造集成电路以执行操作的IP核开发系统1100的框图。IP核开发系统1100可以用于生成可并入到更大的设计中或用于构建整个集成电路(例如,SOC集成电路)的模块化、可重复使用设计。设计设施1130可采用高级编程语言(例如,C/C++)生成对IP核设计的软件仿真1110。软件仿真1110可用于使用仿真模型1112来设计、测试并验证IP核的行为。仿真模型1112可以包括功能、行为和/或时序仿真。然后可由仿真模型1112来创建或合成寄存器传输级(RTL)设计。RTL设计1115是对硬件寄存器之间的数字信号的流动进行建模的集成电路(包括使用建模的数字信号执行的相关联逻辑)的行为的抽象。除了RTL设计1115之外,还可以创建、设计或合成逻辑电平或晶体管电平处的较低层次设计。由此,初始设计和仿真的具体细节可以发生变化。
可以由设计设施将RTL设计1115或等效方案进一步合成为硬件模型1120,所述硬件模型可以采用硬件描述语言(HDL)或物理设计数据的某种其他表示。可以进一步仿真或测试HDL以验证IP核设计。可使用非易失性存储器1140(例如,硬盘、闪存、或任何非易失性存储介质)来存储IP核设计以用于递送至第3方制造设施1165。可替代地,可以通过有线连接1150或无线连接1160来传输(例如,经由互联网)IP核设计。制造设施1165然后可以制造至少部分地基于IP核设计的集成电路。所制造的集成电路可被配置用于执行根据本文所述的至少一个实施例的操作。
示例性芯片上系统集成电路
图12至图14展示了根据本文所述的各种实施例的可以使用一个或多个IP核来制造的示例性集成电路和相关图形处理器。除了所展示的之外,还可以包括其他逻辑和电路,包括附加的图形处理器/核、外围接口控制器或通用处理器核。
图12是展示了根据实施例的可以使用一个或多个IP核来制造的示例性芯片上系统集成电路1200的框图。示例性集成电路1200包括一个或多个应用处理器1205(例如,CPU)、至少一个图形处理器1210,并且另外还可以包括图像处理器1215和/或视频处理器1220,其中的任一项都可以是来自相同或多个不同设计设施的模块化IP核。集成电路1200包括外围或总线逻辑,包括USB控制器1225、UART控制器1230、SPI/SDIO控制器1235和I2S/I2C控制器1240。另外,集成电路还可以包括显示装置1245,所述显示装置耦合至高清晰度多媒体接口(HDMI)控制器1250和移动行业处理器接口(MIPI)显示界面1255中的一项或多项。可以由闪存子系统1260(包括闪存和闪存控制器)来提供存储。可以经由存储器控制器1265来提供存储器接口以访问SDRAM或SRAM存储器装置。另外,一些集成电路还包括嵌入式安全引擎1270。
图13是示出了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的示例性图形处理器1310的框图。图形处理器1310可以是图12的图形处理器1210的变体。图形处理器1310包括顶点处理器1305和一个或多个片段处理器1315A-1315N。图形处理器1310可以经由分开的逻辑执行不同的着色器程序,使得顶点处理器1305被优化成执行用于顶点着色器程序的操作,而一个或多个片段处理器1315A-1315N执行用于片段或像素着色器程序的片段(例如,像素)着色操作。顶点处理器1305执行3D图形流水线的顶点处理阶段,并生成图元和顶点数据。片段处理器1315A-1315N使用由顶点处理器1305生成的图元和顶点数据来产生显示在显示设备上的帧缓冲器。在一个实施例中,片段处理器1315A-1315N被优化成执行如提供用于OpenGL API中的片段着色器程序,片段处理器1315A-1315N可用于执行与如提供用于Direct 3D API中的像素着色器程序类似的操作。
图形处理器1310附加地包括一个或多个存储器管理单元(MMU)1320A-1320B、高速缓存1325A-1325B和电路互连1330A-1330B。一个或多个MMU 1320A-1320B提供用于集成电路1300的虚拟到物理地址映射,包括用于顶点处理器1305和/或片段处理器1315A-1315N的虚拟到物理地址映射,除了存储在一个或多个高速缓存1325A-1325B中的顶点或图像/纹理数据之外,顶点处理器1305和/或片段处理器1315A-1315N还可以引用存储在存储器中的顶点或图像/纹理数据。在一个实施例中,一个或多个MMU1325A-1325B可以与系统内的其他MMU同步,使得每个处理器1205-1220可以参与共享或统一虚拟存储器系统,其他MMU包括与图12的一个或多个应用处理器1205、图像处理器1215和/或视频处理器1220相关联的一个或多个MMU。根据实施例,一个或多个电路互连1330A-1330B使得图形处理器1310能够经由SoC的内部总线或经由直接连接与SoC内的其他IP核接口连接。
图14是示出了根据实施例的可以使用一个或多个IP核来制造的芯片上系统集成电路的附加示例性图形处理器1410的框图。图形处理器1410可以是图12的图形处理器1210的变体。图形处理器1410包括图13的集成电路1300的一个或多个MMU 1320A-1320B、高速缓存1325A-1325B和电路互连1330A-1330B。
图形处理器1410包括一个或多个着色器核1415A-1415N,该一个或多个着色器核1415A-1415N提供统一着色器核架构,其中单个核或单类型的核可以执行所有类型的可编程着色器代码,包括顶点着色器、片段着色器和计算着色器。存在的着色器核的确切数量可以在各实施例和各实现方式之间变化。此外,图形处理器1410包括核间任务管理器1405和分块单元(tiling unit)1418,该核间任务管理器1405充当线程分派器以将执行线程分派给一个或多个着色器核1415A-1415N,该分块单元1418用于加速用于基于图块的渲染的分块操作,在用于基于图块的渲染的分块操作中,对场景的渲染操作被细分在图像空间中,例如,以此来利用场景内的局部空间一致性,或以此来优化内部高速缓存的使用。
图15示出了根据一个实施例的采用CNN训练逻辑1510和CNN逻辑1520的计算设备1500。根据一个实施例,CNN逻辑1520包括多层小神经元集合,该多层小神经元集合处理输入图像的部分,称为感受区域(receptive field)。这些集合的输出被分块,使得它们的输入区域重叠,以获得原始图像的更好表示;对于每个这样的层重复这一过程。分块允许CNN容忍输入图像的转换。在实施例中,CNN逻辑1520架构由一堆不同的层形成,这些层通过可微函数将输入体积变换为输出体积(例如,保持类别分数)。在这样的实施例中,通常使用不同类型的层(例如,卷积、池化、整流线性单元、完全连接、损失等)。
计算设备1500(例如,智能可穿戴设备、虚拟现实(VR)设备、头戴式显示器(HMD)、移动计算机、物联网(IoT)设备、膝上型计算机、台式计算机、服务器计算机等)可以与图1的数据处理系统100相同,并因此为了简洁、清楚和易于理解,以上参考图1-14所阐述的许多细节不在下文中作进一步的讨论或重复。如所示出的,在一个实施例中,计算设备1500被示作主控(host)CNN训练机制(“训练机制”)1510。
在所示的实施例中,训练逻辑1510被示作由图形驱动器1516来主控;然而,可以预见,各实施例不限于此。例如,在一个实施例中,训练逻辑1510可以是GPU 1514的固件的一部分,或者在另一实施例中,由操作系统1506主控。在又一个实施例中,训练逻辑1510可以是由GPU 1514主控的硬件部件。在又进一步的实施例中,训练逻辑1510可以由计算设备1500的多个部件(诸如图形驱动器1516、GPU 1514、GPU固件、操作系统1506和/或其类似中的一个或多个)部分地且同时地主控。
例如,训练逻辑1510可以由图形驱动器1516主控,而多个硬件部件或单元可以由GPU 1514主控或者在GPU 1514中或其一部分中实现。
贯穿本文档,术语“用户”可以被互换地称为“观看者”、“观察者”、“人”、“个人”、“终端用户”等。应当注意,贯穿本文档,如“图形域”等术语可以与“图形处理单元”、“图形处理器”或简单地与“GPU”互换地引用,并且类似地,“CPU域”或“主机域”可以与“计算机处理单元”、“应用处理器”或简单地与“CPU”互换地引用。
计算设备1500可以包括任何数量和类型的通信设备,诸如大型计算系统,诸如服务器计算机、台式计算机等,并且可进一步包括机顶盒(例如,基于互联网的有线电视机顶盒等)、基于全球定位系统(GPS)的设备等。计算设备1500可以包括用作通信设备的移动计算设备,诸如包括智能手机的蜂窝电话、个人数字助理(PDA)、平板计算机、膝上型计算机、电子阅读器、智能电视、电视平台、可穿戴设备(例如,眼镜、手表、手环、智能卡、珠宝、衣物等)、媒体播放器等。例如,在一个实施例中,计算设备1500可以包括采用计算机平台的移动计算设备,所述计算机平台主控将计算设备1500的各种硬件和/或软件部件集成在单个芯片上的诸如芯片上系统(“SoC”或“SOC”)之类的集成电路(“IC”)。
如所示,在一个实施例中,计算设备1500可以包括任何数量和类型的硬件和/或软件部件,诸如(但不限于)图形处理单元1514、图形驱动器(也称为“GPU驱动器”、“图形驱动器逻辑”、“驱动器逻辑”、用户模式驱动器(UMD)、UMD、用户模式驱动器框架(UMDF)、UMDF或简称为“驱动器”)1516,中央处理单元1512、存储器1508、网络设备、驱动器等,以及诸如触摸屏、触摸面板、触摸板、虚拟或常规键盘、虚拟或常规鼠标、端口、连接器等之类的输入/输出(I/O)源1504。计算设备1500可以包括用作计算设备1500的硬件和/或物理资源与用户之间的接口的操作系统(OS)1506。可以预见,CPU 1512可包括一个或多个处理器,诸如图1的处理器102,而GPU 1514可包括一个或多个图形处理器,诸如图1的图形处理器108。
应当注意,贯穿本文档,可以互换地使用如“节点”、“计算节点”、“服务器”、“服务器设备”、“云计算机”、“云服务器”、“云服务器计算机”、“机器”、“主机”、“设备”、“计算设备”、“计算机”、“计算系统”等术语。应当进一步注意,贯穿本文档,可以互换地使用如“应用”、“软件应用”、“程序”、“软件程序”、“包”、“软件包”等术语。并且,贯穿本文档,可以互换地使用如“作业”、“输入”、“请求”、“消息”等术语。
可以预见并且如参考图1-14进一步描述的,如上描述的图形流水线的某些进程在软件中实现,而其余则在硬件中实现。图形流水线可以以图形协处理器设计来实现,其中,CPU 1512被设计为用于与GPU 1514一起工作,所述GPU 1514可以被包括在CPU 1512中或与其共同定位。在一个实施例中,GPU 1514可采用用于执行与图形渲染有关的常规功能的任何数量与类型的常规软件与硬件逻辑,以及用于执行任何数量与类型的指令(诸如图1的指令121)以执行贯穿本文档所公开的训练逻辑1510的各种新奇功能的新型软件与硬件逻辑。
如上所述,存储器1508可以包括随机存取存储器(RAM),所述RAM包括具有对象信息的应用数据库。存储器控制器中枢(诸如,图1的存储器控制器中枢116)可访问RAM中的数据并将其转发到GPU 1514以用于图形流水线处理。RAM可以包括双数据速率RAM(DDR RAM)、扩展数据输出RAM(EDO RAM)等。如参照图3所示,CPU 1512与硬件图形流水线交互以共享图形流水线功能。经处理的数据被存储在硬件图形流水线的缓冲器中,并且状态信息被存储在存储器1508中。然后将所得图像传送到诸如显示部件(诸如图3的显示设备320)之类的I/O源1504,以用于图像的显示。可以预见,显示设备可以是用于向用户显示信息的各种类型的显示设备,诸如阴极光线管(CRT)、薄膜晶体管(TFT)、液晶显示器(LCD)、有机发光二极管(OLED)阵列等。
存储器1508可以包括缓冲器(例如,帧缓冲器)的预分配区域;然而,本领域普通技术人员应当理解,各实施例不限于此,并且可以使用较低级图形流水线可访问的任何存储器。计算设备1500可进一步包括如图1所引用的输入/输出(I/O)控制中枢(ICH)130、一个或多个I/O源1504等。
CPU 1512可以包括用于执行指令的一个或多个处理器,以便执行计算系统实现的任何软件例程。指令经常涉及对数据执行的某种操作。数据和指令两者都可以存储在系统存储器1508和任何相关联的高速缓存中。高速缓存通常被设计成具有比系统存储器1508短的等待时间;例如,高速缓存可以被集成到与(多个)处理器相同的(多个)硅芯片上和/或用较快的静态RAM(SRAM)单元进行构造,而系统存储器1508可以用较慢的动态RAM(DRAM)单元进行构造。与系统存储器1508相反,通过倾向于将更频繁使用的指令和数据存储在高速缓存中,改善了计算设备1500的整体性能效率。可以预见,在一些实施例中,GPU 1514可以作为CPU 1512的一部分(诸如物理CPU封装的一部分)存在,在这种情况下,存储器1508可以由CPU 1512和GPU 1514共享或保持分开。
系统存储器1508可以对计算设备1500内的其他部件可用。例如,从至计算设备1500的各种接口(例如键盘和鼠标、打印机端口、局域网(LAN)端口、调制解调器端口等)接收到的或从计算机设备1500的内部存储元件(例如,硬盘驱动器)检索到的任何数据(例如,输入图形数据)通常在它们由软件程序的实现中的一个或多个处理器操作之前临时排队进入系统存储器1508。类似地,软件程序确定应通过计算系统接口中的一个从计算设备1500发送到外部实体或存储到内部存储元件中的数据在其被传输或存储之前经常在系统存储器1508中临时排队。
进一步地,例如,诸如图1的ICH 130之类的ICH可以用于确保这样的数据在系统存储器1508与其适当对应的计算系统接口(和内部存储设备,如果计算系统是如此设计的话)之间被适当地传递,并且可以在其自身与所观察到的I/O源/设备1504之间具有双向点对点链路。类似地,MCH(诸如图1的MCH 116)可用于管理CPU 1512与GPU 1514、接口与内部存储元件之间对于系统存储器1508访问的多种竞争请求,这些请求可能在时间上相对于彼此紧接地出现。
I/O源1504可以包括一个或多个I/O设备,所述一个或多个I/O设备实现为用于向计算设备1500(例如,网络适配器)传送数据和/或传送来自所述计算设备的数据;或者用于计算设备设备1500(例如,硬盘驱动器)内的大规模非易失性存储。包括字母数字及其他键的用户输入设备可用于将信息和命令选择通信至GPU 1514。另一类型的用户输入设备是用于将方向信息和命令选择通信至GPU 1514并控制显示设备上的光标移动的光标控制,诸如鼠标、轨迹球、触摸屏、触摸板或光标方向键。可以采用计算机设备1500的相机和麦克风阵列来观察手势、记录音频和视频并接收和发射视觉命令和音频命令。
计算设备1500可进一步包括(多个)网络接口,以提供对网络的访问,网络诸如,LAN、广域网(WAN)、城域网(MAN)、个域网(PAN)、蓝牙、云网络、移动网络(例如,第3代(3G)、第4代(4G)等)、内联网、互联网等。(多个)网络接口可以包括例如具有天线的无线网络接口,所述天线可以表示一个或多个天线。(多个)网络接口还可以包括,例如,经由网络电缆与远程设备通信的有线网络接口,所述网络电缆可以是例如以太网电缆、同轴电缆、光缆、串行电缆或并行电缆。
(多个)网络接口可例如通过符合IEEE 802.11b和/或IEEE 802.11g标准来提供对LAN的访问,并且/或者无线网络接口可以例如通过符合蓝牙标准来提供对个域网的访问。还可以支持其他无线网络接口和/或协议(包括所述标准的先前的以及后续的版本)。除了经由无线LAN标准的通信或作为其替代,(多个)网络接口可以使用例如以下协议来提供无线通信:时分多址(TDMA)协议、全球移动通信系统(GSM)协议、码分多址(CDMA)协议和/或任何其他类型的无线通信协议。
(多个)网络接口可以包括一个或多个通信接口,诸如,调制解调器、网络接口卡或其他众所周知的接口设备,诸如,用于为了提供通信链路以支持例如LAN或WAN而耦合至以太网、令牌环或其他类型的物理有线或无线附连的那些通信接口。以此方式,计算机系统还可以经由常规的网络基础设施(例如,包括内联网或互联网)耦合至一定数量的外围设备、客户端、控制表面、控制台或服务器。
应当理解,对于某些实施方式,比在上文中所描述的示例更少或更多地配备的系统可以是优选的。因此,取决于众多因素,如价格约束、性能要求、技术改进或其他情况,计算设备1500的配置可以随着实施方式而改变。电子设备或计算机系统1500的示例可以包括(但不限于):移动设备、个人数字助理、移动计算设备、智能电话、蜂窝电话、手持设备、单向寻呼机、双向寻呼机、消息收发设备、计算机、个人计算机(PC)、台式计算机、膝上型计算机、笔记本计算机、手持式计算机、平板计算机、服务器、服务器阵列或服务器场、web服务器、网络服务器、因特网服务器、工作站、小型计算机、大型计算机、超级计算机、网络装置、web装置、分布式计算系统、多处理器系统、基于处理器的系统、消费电子产品、可编程消费电子产品、电视、数字电视、机顶盒、无线接入点、基站、用户站、移动用户中心、无线电网络控制器、路由器、中枢、网关、桥接器、交换机、机器或上述各项的组合。
实施例可以被实施为以下各项中的任何一项或其组合:使用母板互连的一个或多个微芯片或集成电路、硬连线逻辑、由存储器设备存储且由微处理器执行的软件、固件、专用集成电路(ASIC)和/或现场可编程门阵列(FPGA)。作为示例,术语“逻辑”可以包括软件或硬件和/或软件和硬件的组合。
实施例可以被提供为例如计算机程序产品,所述计算机程序产品可以包括其上存储有机器可执行指令的一个或多个机器可读介质,所述机器可执行指令在由一个或多个机器(诸如计算机、计算机网络或其他电子设备)执行时可导致所述一个或多个机器执行根据在本文中所描述的实施例的操作。机器可读介质可以包括但不限于:软盘、光盘、CD-ROM(紧致盘只读存储器)以及磁光盘、ROM、RAM、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或者适用于存储机器可执行指令的其他类型的介质/机器可读介质。
此外,实施例可以作为计算机程序产品被下载,其中,可以经由通信链路(例如,调制解调器和/或网络连接),借助于在载波或其他传播介质中具体化和/或由载波或其他传播介质调制的一个或多个数据信号来将程序从远程计算机(例如,服务器)传输至请求计算机(例如,客户机)。
根据一个实施例,训练逻辑1510实现自适应双向掩码(SABM)窗口结构,以提供与子类别特征有关的多个不规则区域的可视化。在这样的实施例中,训练逻辑1510可以对从非常大到非常小的区域大小(例如,面部)范围内的对齐或不对齐的输入进行操作。训练逻辑1510还可以操作用于内部类别和类内(intra-class)类别的可视化、以及深度学习训练系统。
在一个实施例中,SABM窗口机制实现SABM窗口和标准化灵敏度图结构以对输入图像执行处理。图16A示出了输入图像1600的一个实施例。如图16A中所示,输入图像1600的尺寸为WI*HI*通道,其中WI是输入图像1600的宽度,并且HI是输入图像1600的高度。注意,为了简化描述,已省略了通道。根据一个实施例,基于图像1600生成SABM窗口。在这样的实施例中,SABM窗口包括两个3带矩阵,其尺寸为WI*(2HI+HV)(图16B中所示)和(2WI+WV)*HI(图16C中所示)。
如图16B和16C所示,中间带用1填充,而端带用零填充。根据一个实施例,中间带用作掩码,如下面进一步详细讨论的。图17A示出了具有WI*HI矩阵的标准化灵敏度图1700的一个实施例。在一个实施例中,标准化灵敏度图1700记录输入图像1600的每个像素的标准化灵敏度结果。使用标准化灵敏度图1700和SABM窗口,训练逻辑1510执行选择性扫描。
在一个实施例中,选择性扫描涉及沿输入图像1600的一个方向滑动SABM窗口。在该实施例中,垂直扫描开始于从输入图像的上侧滑动SABM窗口,同时在掩码(例如,填充有1的带)和输入图像1600之间执行“与”操作(参见图18A)。在其他实施例中,“与”操作可以由更复杂的过程代替,例如在掩码区域的中间执行“与”并在带的两个边缘上执行α(alpha)混合。
在执行选择性扫描之后,保留输入图像1600的水平带(图18B),导致其余部分具有0。将得到的图像输入到CNN逻辑1520中,转发馈送通道(例如,当前存在于深度学习训练系统中)以执行测试,并获得分类组(这是我们想要评估输入图像中的灵敏度区域的组)的概率(P0)随后,SABM窗口将向下滑动以覆盖输入图像1600的另一部分(图18C)。因此,重复该过程(例如,灵敏度扫描和图像馈送到CNN逻辑1520中,转发馈送通道),以实现分类概率P1,P2...Pn。概率“P”可以被视为输入图像中剩余部分的像素对目标分类组的贡献因子,并且暂时存储在标准化灵敏度图中。由于SABM窗口的滑动,像素将在该过程期间接收若干个“P”值。进一步地,累积所有“P”值。
一旦完成了垂直方向上的全部扫描,训练机制1310将标准化灵敏度图的全局累积P值标准化为0和1之间的值。图17B示出了在添加分类组P值之后的标准化灵敏度图1500的一个实施例。随后,放大SABM窗口以覆盖更多的输入图像1600,并再次重复该过程(参见图18D-18F)。
根据一个实施例,一旦SABM窗口已被放大到超过预定阈值的尺寸,例如覆盖80%的输入图像,就完成垂直扫描。在进一步的实施例中,一旦完成垂直扫描就执行水平扫描。在这样的实施例中,通过参考垂直扫描重复上述过程来执行水平扫描。图19A-19C示出了针对水平通道实现的SABM窗口过程的实施例。在一个实施例中,一旦完成垂直扫描和水平扫描,整体灵敏度热图就准备好用于可视化。
图20A和20B示出了根据一个实施例的用于促进训练的方法2000。方法2000可由处理逻辑来执行,该处理逻辑可包括硬件(例如,电路、专用逻辑、可编程逻辑等)、软件(诸如,在处理设备上运行的指令)或其组合的。为了表示的简明和清晰起见,以线性顺序示出方法2000的进程;然而,可以预见,任何数量的进程可以并行地、异步地或以不同的顺序执行。为了简明起见,此后可以不讨论或重复参考在前的图所讨论的细节中的许多细节。
方法2000在判定框2001(图20A)处开始,其中确定SABM窗口HV是否小于阈值。如果不是,则确定当前掩码窗口是否已到达输入图像1600的末端(判定框2002)。在确定当前掩码窗口尚未到达输入图像1600的末端时,掩码向下移动数个像素(处理框2003)。在处理框2004处,生成新图像,并且计算分类概率并将其累积到与输入图像的当前像素相对应的单元中。控制返回到判定框2002,其中再次确定当前掩码窗口是否已到达输入图像1600的末端。如果是,则概率被全局地标准化(处理框2005)。在处理框2006处,更新灵敏度热图。在处理框2007处,HV被放大。随后,控制返回到判定框2001,其中再次确定SABM窗口HV是否小于阈值。
在确定HV小于阈值时,控制被转发到判定框2011(图20B)。在判定框2011处,确定SABM窗口WV是否小于阈值。如果SABM窗口WV不小于阈值,则确定当前掩码窗口是否已到达输入图像1600的末端(判定块2012)。在确定当前掩码窗口尚未到达输入图像1600的末端时,掩码向下移动数个像素(处理框2013)。在处理框2004处,生成新图像并计算分类概率。控制返回到判定框2012,其中再次确定当前掩码窗口是否已到达输入图像1600的末端。如果是,则概率被标准化(处理框2015)。在处理框2006处,更新灵敏度热图。在处理框2017处,HV被放大。随后,控制返回到判定框2011,其中再次确定SABM窗口HV是否小于阈值。在确定WV小于阈值时完成该过程。
对“一个实施例”、“实施例”、“示例实施例”、“各实施例”等的引用指示:如此描述的(多个)实施例可以包括特定特征、结构或特性,但并非每一个实施例必定包括这些特定的特征、结构或特性。此外,一些实施例可具有针对其他实施例所描述的特征的一些、全部、或不具有任何所述特征。
在以上说明书中,已经参照其特定示例性实施例描述了各实施例。然而,在不偏离所附权利要求中阐述的实施例的更广泛精神和范围的情况下,将显然的是可对其进行各种修改和改变。因此,说明书和附图将以说明性而非限制性的含义来看待。
在以下说明书和权利要求书中,可以使用术语“耦合”及其衍生词。“耦合”用于指示两个或更多个元件彼此协作或相互作用,但是它们之间可以具有或可不具有中间物理或电学部件。
如权利要求书中所使用的,除非另有说明,否则使用序数形容词“第一”、“第二”、“第三”等来描述公共元件仅指示类似元件的不同实例被提及,并不旨在暗示如此描述的元素必须在给定的序列中,无论是时间上、空间上、等级上或以任何其他方式。
以下条款和/或示例涉及进一步实施例或示例。可以在一个或多个实施例中的任何地方使用示例中的细节。可以以各种方式将不同的实施例或示例的各种特征与所包括的一些特征以及被排除的其他特征组合,以适应各种不同的应用。示例可以包括主题,诸如:方法;用于执行所述方法的动作的装置;至少一种包括指令的机器可读介质,所述指令当由机器执行时使所述机器执行所述方法的动作;或用于根据本文中所描述的实施例和示例促进混合通信的设备或系统。
一些实施例涉及示例1,示例1包括一种设备,该设备包括卷积神经网络(CNN)逻辑和训练逻辑,所述训练逻辑用于使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图处理输入图像来训练CNN,其中SABM窗口结构基于输入图像。
示例2包括示例1的主题,其中训练逻辑使用SABM窗口结构和标准化灵敏度图来执行灵敏度扫描。
示例3包括示例1和2的主题,其中训练逻辑通过沿着输入图像的一方向滑动SABM窗口来执行灵敏度扫描。
示例4包括示例1-3的主题,其中沿着顺着所述输入图像的垂直方向和顺着所述输入图像的水平方向执行所述灵敏度扫描。
示例5包括示例1-4的主题,其中将从灵敏度扫描得到的图像输入到CNN逻辑中,以执行测试。
示例6包括示例1-5的主题,其中通过沿着输入图像的所述方向将SABM窗口滑动到第二位置来执行第二灵敏度扫描,并且将从第二灵敏度扫描得到的第二图像输入到CNN逻辑中,以执行第二测试。
示例7包括示例1-6的主题,其中测试的结果生成第一分类组,并且第二测试的结果生成第二分类组。
示例8包括示例1-7的主题,其中第一分类组和第二分类组被标准化。
示例9包括示例1-8的主题,其中第一标准化分类组和第二标准化分类组被记录在灵敏度图中。
示例10包括示例1-9的主题,其中SABM窗口结构包括水平矩阵和垂直矩阵。
示例11包括示例1-10的主题,其中水平矩阵的中间带和垂直矩阵的中间带被实现为输入图像的掩码。
示例12包括示例1-11的主题,其中SABM窗口结构提供与子类别特征有关的多个不规则区域的可视化。
一些实施例涉及示例13,示例13包括一种训练方法,该训练方法包括使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图对输入图像执行灵敏度扫描,其中SABM窗口结构基于输入图像;以及基于灵敏度扫描的结果训练卷积神经网络(CNN)逻辑。
示例14包括示例13的主题,其中执行灵敏度扫描包括在第一方向上将SABM窗口应用于输入图像以生成第一图像,将第一图像输入到CNN逻辑中并且生成分类概率作为将第一图像输入到CNN逻辑中的结果。
示例15包括示例13和14的主题,确定SABM窗口是否已到达输入图像的末端。
示例16包括示例13-15的主题,进一步包括在确定SABM窗口尚未到达输入图像的末端时,沿着输入图像的第一方向将SABM窗口滑动到第二位置,在第二位置处将SABM窗口应用到输入图像以生成第二图像,将第二图像输入到CNN逻辑中,并且生成第二分类概率作为将第二图像输入到CNN逻辑中的结果。
示例17包括示例13-16的主题,进一步包括在确定SABM窗口已到达输入图像的末端时,使第一分类概率和第二分类概率标准化,并更新标准化的灵敏度图。
示例18包括示例13-17的主题,进一步包括确定SABM窗口是否小于预定阈值。
示例19包括示例13-18的主题,进一步包括:在确定SABM窗口小于预定阈值时,在第二方向上将SABM窗口应用于输入图像以生成第三图像,将第三图像输入到CNN逻辑中,并且生成分类概率作为将第三图像输入到CNN逻辑中的结果。
一些实施例涉及示例20,示例20包括至少一种机器可读存储介质,其包括在计算设备上执行的多个指令,以促进计算设备执行权利要求13-19的方法。
一些实施例涉及示例21,示例21包括一种训练设备,该训练设备包括用于使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图对输入图像执行灵敏度扫描的装置,其中SABM窗口结构基于输入图像;以及用于基于灵敏度扫描的结果训练卷积神经网络(CNN)逻辑的装置。
示例22包括示例21的主题,其中执行灵敏度扫描包括用于在第一方向上将SABM窗口应用于输入图像以生成第一图像的装置,用于将第一图像输入到CNN逻辑中的装置,以及用于生成分类概率作为将第一图像输入到CNN逻辑中的结果的装置。
示例23包括示例21和22的主题,进一步包括用于确定SABM窗口是否已到达输入图像的末端的装置。
示例24包括示例21-23的主题,进一步包括用于在确定SABM窗口尚未到达输入图像的末端时沿着输入图像的第一方向将SABM窗口滑动到第二位置的装置,用于在第二位置处将SABM窗口应用到输入图像以生成第二图像的装置,用于将第二图像输入到CNN逻辑中的装置,以及用于生成第二分类概率作为将第二图像输入到CNN逻辑中的结果的装置。
示例25包括示例21-24的主题,用于在确定SABM窗口已到达输入图像的末端时使第一分类概率和第二分类概率标准化并更新标准化的灵敏度图的装置。
一些实施例涉及示例26,示例26包括至少一种机器可读存储介质,该至少一种机器可读存储介质包括在计算设备上执行的多个指令,所述指令用于促进计算设备执行包括以下各项的操作:使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图对输入图像执行灵敏度扫描,其中SABM窗口结构基于输入图像;以及基于灵敏度扫描的结果训练卷积神经网络(CNN)逻辑。
示例27包括示例26的主题,其中执行灵敏度扫描包括在第一方向上将SABM窗口应用于输入图像以生成第一图像,将第一图像输入到CNN逻辑中并且生成分类概率作为将第一图像输入到CNN逻辑中的结果。
示例28包括示例26和27的主题,进一步包括确定SABM窗口是否已到达输入图像的末端。
示例29包括示例26-28的主题,在确定SABM窗口尚未到达输入图像的末端时,沿着输入图像的第一方向将SABM窗口滑动到第二位置,在第二位置处将SABM窗口应用到输入图像以生成第二图像,将第二图像输入到CNN逻辑中,并且生成第二分类概率作为将第二图像输入到CNN逻辑中的结果。
示例30包括示例26-29的主题,进一步包括在确定SABM窗口已到达输入图像的末端时,使第一分类概率和第二分类概率标准化,并更新标准化的灵敏度图。
示例31包括示例26-30的主题,进一步包括确定SABM窗口是否小于预定阈值。
附图以及前述描述给出了诸实施例的示例。本领域技术人员将理解,所描述的元件中的一个或多个可以合并成单个功能元件。或者,某些元件可以被拆分成多个功能元件。可以将来自一个实施例的元件添加到另一实施例中。例如,本文中所描述的过程的顺序可以改变,并且不限于本文中所描述的方式。此外,任何流程图的动作都不需要以所示的顺序来实现;也不一定需要执行所有这些动作。此外,不依赖于其他动作的那些动作也可以与其他动作并行地执行。各实施例的范围绝非由这些特定示例限制。众多变体(无论是否在说明书中显式地给出)都是可能的,这些变体诸如,结构、尺度以及材料的使用方面的差异。诸实施例的范围至少与由所附权利要求书给出的范围一样广泛。
Claims (25)
1.一种训练设备,包括:
卷积神经网络(CNN)逻辑;以及
训练逻辑,所述训练逻辑用于使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图处理输入图像来训练所述CNN逻辑,其中所述SABM窗口结构基于所述输入图像。
2.如权利要求1所述的设备,其特征在于,所述训练逻辑使用所述SABM窗口结构和所述标准化灵敏度图来执行灵敏度扫描。
3.如权利要求2所述的设备,其特征在于,所述训练逻辑通过沿着所述输入图像的一方向滑动SABM窗口来执行所述灵敏度扫描。
4.如权利要求3所述的设备,其特征在于,沿着顺着所述输入图像的垂直方向和顺着所述输入图像的水平方向执行所述灵敏度扫描。
5.如权利要求3所述的设备,其特征在于,从所述灵敏度扫描得到的图像被输入到所述CNN逻辑中,以执行测试。
6.如权利要求5所述的设备,其特征在于,通过沿着所述输入图像的所述方向将所述SABM窗口滑动到第二位置来执行第二灵敏度扫描,并且将从所述第二灵敏度扫描得到的第二图像输入到所述CNN逻辑中,以执行第二测试。
7.如权利要求6所述的设备,其特征在于,所述测试的结果生成第一分类组,并且所述第二测试的结果生成第二分类组。
8.如权利要求7所述的设备,其特征在于,所述第一分类组和所述第二分类组被标准化。
9.如权利要求8所述的设备,其特征在于,所述第一分类组和所述第二分类组被记录在所述灵敏度图中。
10.如权利要求4所述的设备,其特征在于,所述SABM窗口结构包括水平矩阵和垂直矩阵。
11.如权利要求10所述的设备,其特征在于,所述水平矩阵的中间带和所述垂直矩阵的中间带被实现为所述输入图像的掩码。
12.如权利要求1所述的设备,其特征在于,所述SABM窗口结构提供与子类别特征有关的多个不规则区域的可视化。
13.一种训练方法,包括:
使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图来对输入图像执行灵敏度扫描,其中所述SABM窗口结构基于所述输入图像;以及
基于所述灵敏度扫描的结果训练卷积神经网络(CNN)逻辑。
14.如权利要求13所述的方法,其特征在于,执行所述灵敏度扫描包括:
在第一方向上将所述SABM窗口应用于所述输入图像以生成第一图像;
将所述第一图像输入到所述CNN逻辑中;以及
生成分类概率作为将所述第一图像输入到所述CNN逻辑中的结果。
15.如权利要求14所述的方法,进一步包括确定所述SABM窗口是否已经达到所述输入图像的端部。
16.如权利要求15所述的方法,进一步包括:
在确定所述SABM窗口尚未到达所述输入图像的所述端部时,沿着所述输入图像的所述第一方向将所述SABM窗口滑动到第二位置;
在所述第二位置处将所述SABM窗口应用于所述输入图像以生成第二图像;
将所述第二图像输入到所述CNN逻辑中;以及
生成第二分类概率作为将所述第二图像输入到所述CNN逻辑中的结果。
17.如权利要求16所述的方法,进一步包括:
在确定所述SABM窗口已到达所述输入图像的所述末端时,使所述第一分类概率和所述第二分类概率标准化;以及
更新标准化的灵敏度图。
18.如权利要求17所述的方法,进一步包括确定所述SABM窗口是否小于预定阈值。
19.如权利要求18所述的方法,进一步包括:
在确定所述SABM窗口小于所述预定阈值时,在第二方向上将所述SABM窗口应用于所述输入图像以生成第三图像;
将所述第三图像输入到所述CNN逻辑中;以及
生成分类概率作为将所述第三图像输入到所述CNN中的结果。
20.至少一种机器可读存储介质,其包括在计算设备上执行的多个指令,以促进所述计算设备执行权利要求13-19所述的方法。
21.一种训练设备,包括:
用于使用自适应双向掩码(SABM)窗口结构和标准化灵敏度图来对输入图像执行灵敏度扫描,其中所述SABM窗口结构基于所述输入图像;以及
用于基于所述灵敏度扫描的结果训练卷积神经网络(CNN)逻辑的装置。
22.如权利要求21所述的设备,其特征在于,执行所述灵敏度扫描包括:
用于在第一方向上将所述SABM窗口应用于所述输入图像以生成第一图像的装置;
用于将所述第一图像输入到所述CNN逻辑中的装置;以及
用于生成分类概率作为将所述第一图像输入到所述CNN逻辑中的结果的装置。
23.如权利要求22所述的设备,进一步包括用于确定所述SABM窗口是否已经达到所述输入图像的端部的装置。
24.如权利要求23所述的设备,进一步包括:
用于在确定所述SABM窗口尚未到达所述输入图像的所述端部时沿着所述输入图像的所述第一方向将所述SABM窗口滑动到第二位置的装置;
用于在所述第二位置处将所述SABM窗口应用于所述输入图像以生成第二图像的装置;
用于将所述第二图像输入到所述CNN逻辑中的装置;以及
用于生成第二分类概率作为将所述第二图像输入到所述CNN逻辑中的结果的装置。
25.如权利要求24所述的设备,进一步包括:
用于在确定所述SABM窗口已到达所述输入图像的所述末端时使所述第一分类概率和所述第二分类概率标准化的装置;以及
更新标准化的灵敏度图。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/083192 WO2017201676A1 (en) | 2016-05-24 | 2016-05-24 | Self-adaptive window mechanism |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109643395A true CN109643395A (zh) | 2019-04-16 |
CN109643395B CN109643395B (zh) | 2024-03-05 |
Family
ID=60411113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680085150.4A Active CN109643395B (zh) | 2016-05-24 | 2016-05-24 | 自适应窗口机制 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109643395B (zh) |
WO (1) | WO2017201676A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447176A (zh) * | 2018-11-09 | 2019-03-08 | 广东工业大学 | 爆破作业人员检测方法、装置、系统、介质及服务器 |
US11322234B2 (en) | 2019-07-25 | 2022-05-03 | International Business Machines Corporation | Automated content avoidance based on medical conditions |
US11423223B2 (en) | 2019-12-02 | 2022-08-23 | International Business Machines Corporation | Dynamic creation/expansion of cognitive model dictionaries based on analysis of natural language content |
US11625422B2 (en) | 2019-12-02 | 2023-04-11 | Merative Us L.P. | Context based surface form generation for cognitive system dictionaries |
US11270147B1 (en) | 2020-10-05 | 2022-03-08 | International Business Machines Corporation | Action-object recognition in cluttered video scenes using text |
FR3115143A1 (fr) * | 2020-10-13 | 2022-04-15 | Akka Ingenierie Produit | Procédé de détermination d’un impact d’une zone d’une image sur une classification de l’image |
US11423252B1 (en) | 2021-04-29 | 2022-08-23 | International Business Machines Corporation | Object dataset creation or modification using labeled action-object videos |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101253493A (zh) * | 2005-08-31 | 2008-08-27 | 微软公司 | 在图形处理单元上训练卷积神经网络 |
CN104217433A (zh) * | 2014-08-29 | 2014-12-17 | 华为技术有限公司 | 一种分析图像的方法及装置 |
EP2833295A2 (en) * | 2013-07-31 | 2015-02-04 | Fujitsu Limited | Convolutional-neural-network-based classifier and classifying method and training methods for the same |
CN104794527A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 基于卷积神经网络的分类模型构建方法和设备 |
GB201522893D0 (en) * | 2014-12-23 | 2016-02-10 | Intel Corp | Method and apparatus for a high throughput |
CN105320495A (zh) * | 2014-07-22 | 2016-02-10 | 英特尔公司 | 用于卷积神经网络的权重移位机制 |
-
2016
- 2016-05-24 WO PCT/CN2016/083192 patent/WO2017201676A1/en active Application Filing
- 2016-05-24 CN CN201680085150.4A patent/CN109643395B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101253493A (zh) * | 2005-08-31 | 2008-08-27 | 微软公司 | 在图形处理单元上训练卷积神经网络 |
EP2833295A2 (en) * | 2013-07-31 | 2015-02-04 | Fujitsu Limited | Convolutional-neural-network-based classifier and classifying method and training methods for the same |
CN104794527A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 基于卷积神经网络的分类模型构建方法和设备 |
CN105320495A (zh) * | 2014-07-22 | 2016-02-10 | 英特尔公司 | 用于卷积神经网络的权重移位机制 |
CN104217433A (zh) * | 2014-08-29 | 2014-12-17 | 华为技术有限公司 | 一种分析图像的方法及装置 |
GB201522893D0 (en) * | 2014-12-23 | 2016-02-10 | Intel Corp | Method and apparatus for a high throughput |
Non-Patent Citations (1)
Title |
---|
杨国庆,葛洪纬: "基于逻辑神经网络的图象处理方法", 《航空学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109643395B (zh) | 2024-03-05 |
WO2017201676A1 (en) | 2017-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109154990A (zh) | 卷积神经网络中的查找卷积层 | |
CN109993277A (zh) | 用于深度神经网络的计算优化机制 | |
CN109961392A (zh) | 在稀疏值映射到非零值的情况下针对深度学习的压缩 | |
CN108734640A (zh) | 利用多种分辨率进行显示器带宽降低 | |
CN108694690A (zh) | 频域中的子图和对gpu上的卷积实现的动态选择 | |
CN108734272A (zh) | 卷积神经网络优化机构 | |
CN109478310A (zh) | 在计算环境中使用纹素着色器的多分辨率延迟着色 | |
CN109643395A (zh) | 自适应窗口机制 | |
CN110023962A (zh) | 人类体验到机器人和其他自主机器的高效传递 | |
CN110384925A (zh) | 自主运载工具在混合现实环境中的现实和虚拟无碰撞移动 | |
CN109923519A (zh) | 用于加速多核计算架构中的图形工作负荷的机制 | |
CN109564700A (zh) | 用于取决于纹理的丢弃操作的分级式Z剔除(HiZ)优化 | |
CN109564695A (zh) | 用于高效3d图形流水线的装置和方法 | |
CN109983507A (zh) | 经由二维地图进行基于大规模cnn回归的定位 | |
CN109313606A (zh) | 用于共享虚拟存储器在异构处理系统中管理数据一致性的方法和装置 | |
US11446571B2 (en) | Cloud gaming adaptive synchronization mechanism | |
CN108694684A (zh) | 共享本地存储器分块机制 | |
CN108734649A (zh) | 神经网络训练机构 | |
CN108694081A (zh) | 用于机器学习的快速数据操作和有限状态机 | |
CN109564699A (zh) | 用于经优化光线追踪的装置和方法 | |
CN109313557A (zh) | 用于优化gpu线程共享本地存储器访问的装置 | |
CN109313550A (zh) | 在光线遍历期间减少存储器访问等待时间 | |
CN110389783A (zh) | 用于具有累加的收缩点积的指令和逻辑 | |
CN110390625A (zh) | 在计算机环境中对视觉场景中的对象的智能点云重构 | |
DE102019117495A1 (de) | System und verfahren zur 3d-blob-klassifizierung und -übertragung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |