CN111950693A - 使用衰减参数进行神经网络推理 - Google Patents
使用衰减参数进行神经网络推理 Download PDFInfo
- Publication number
- CN111950693A CN111950693A CN202010400986.7A CN202010400986A CN111950693A CN 111950693 A CN111950693 A CN 111950693A CN 202010400986 A CN202010400986 A CN 202010400986A CN 111950693 A CN111950693 A CN 111950693A
- Authority
- CN
- China
- Prior art keywords
- data
- neural networks
- training
- processor
- state information
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 claims abstract description 134
- 230000015654 memory Effects 0.000 claims description 328
- 230000006870 function Effects 0.000 claims description 163
- 230000008569 process Effects 0.000 claims description 87
- 238000005457 optimization Methods 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000002829 reductive effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 description 343
- 238000012545 processing Methods 0.000 description 249
- 238000010801 machine learning Methods 0.000 description 74
- 210000002569 neuron Anatomy 0.000 description 71
- 238000003860 storage Methods 0.000 description 55
- 238000007667 floating Methods 0.000 description 54
- 238000004422 calculation algorithm Methods 0.000 description 45
- 238000005192 partition Methods 0.000 description 45
- 238000004891 communication Methods 0.000 description 43
- 238000001514 detection method Methods 0.000 description 43
- 238000005227 gel permeation chromatography Methods 0.000 description 42
- 238000013135 deep learning Methods 0.000 description 39
- 239000000872 buffer Substances 0.000 description 30
- 238000013527 convolutional neural network Methods 0.000 description 30
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 30
- 229920002451 polyvinyl alcohol Polymers 0.000 description 30
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 30
- 238000007726 management method Methods 0.000 description 26
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 22
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 22
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 22
- 230000002093 peripheral effect Effects 0.000 description 22
- 239000012634 fragment Substances 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 21
- 239000013598 vector Substances 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 18
- 210000000225 synapse Anatomy 0.000 description 17
- 230000004913 activation Effects 0.000 description 16
- 238000001994 activation Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 16
- 238000013459 approach Methods 0.000 description 15
- 230000001133 acceleration Effects 0.000 description 14
- 238000010200 validation analysis Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000013519 translation Methods 0.000 description 13
- 230000014616 translation Effects 0.000 description 13
- 238000012546 transfer Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 235000019800 disodium phosphate Nutrition 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 239000003550 marker Substances 0.000 description 8
- 239000012528 membrane Substances 0.000 description 8
- 238000009877 rendering Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000002156 mixing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 4
- 230000010076 replication Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 230000008093 supporting effect Effects 0.000 description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 229920001690 polydopamine Polymers 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000012884 algebraic function Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001242 postsynaptic effect Effects 0.000 description 2
- 210000005215 presynaptic neuron Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 102100036848 C-C motif chemokine 20 Human genes 0.000 description 1
- 206010008263 Cervical dysplasia Diseases 0.000 description 1
- 101000713099 Homo sapiens C-C motif chemokine 20 Proteins 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000492493 Oxymeris Species 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 101100285899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SSE2 gene Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000009125 cardiac resynchronization therapy Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920000747 poly(lactic acid) Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
公开了使用衰减参数进行神经网络推理。用于识别图像中的对象的装置、系统和技术。在至少一个实施例中，使用一个或更多个神经网络在图像中识别对象，其中使用一个或更多个衰减参数训练一个或更多个神经网络。
Description
背景技术
机器学习正被越来越多的行业和应用所利用，并被用于处理越来越 多的输入数据。在某些情况下，此输入可能对应于数据流，例如来自至少 一个相机的实况视频馈送。在这种情况下，可能需要使用序列机器学习模 型，以便利用视频馈送中相邻帧的相似性。但是，为了使用常规方法训练 这种序列模型，必须对输入的训练数据进行标记，这可能非常昂贵且耗时。 为了降低成本，可以仅标记一部分视频帧，但是这种稀疏的数据可能会导 致难以训练相关模型。
附图说明
将参考附图描述根据本公开的各个实施例，其中：
图1A和图1B示出了根据至少一个实施例的要被处理以用于车辆的 路径规划的数据输入的示例集合；
图2示出了根据至少一个实施例的可以被利用的示例视频序列；
图3示出了根据至少一个实施例的示例指数衰减函数，其可以用于 确定最大值导航选项；
图4示出了根据至少一个实施例的可以利用的示例训练图和推理图；
图5示出了根据至少一个实施例的用于训练可以利用的神经网络的 示例过程；
图6示出了根据至少一个实施例的用于使用可以利用的经训练的神 经网络来生成推理的示例过程；
图7示出了可以在其中实现各个实施例的各方面的示例环境；
图8示出了根据至少一个实施例的用于训练可以利用的图像合成网 络的示例系统；
图9示出了根据至少一个实施例的可以利用的示例统计模型的各层；
图10A示出了根据至少一个实施例的推理和/或训练逻辑；
图10B示出了根据至少一个实施例的推理和/或训练逻辑；
图11示出了根据至少一个实施例的神经网络的训练和部署；
图12示出了根据至少一个实施例的示例数据中心系统；
图13A示出了根据至少一个实施例的自主车辆的示例；
图13B示出了根据至少一个实施例的图13A的自主车辆的相机位置 和视野的示例；
图13C是示出根据至少一个实施例的图13A的自主车辆的示例系统 架构的框图；
图13D是示出根据至少一个实施例的一个或更多个基于云的服务器 与图13A的自主车辆之间进行通信的系统的图；
图14是示出根据至少一个实施例的计算机系统的框图；
图15是示出根据至少一个实施例的计算机系统的框图；
图16示出了根据至少一个实施例的计算机系统；
图17示出了根据至少一个实施例的计算机系统；
图18示出了根据本文所述的各个实施例的示例性集成电路和相关 的图形处理器，其可以使用一个或更多个IP核心来制造。
图19A-图19B示出了根据本文所述的各个实施例的示例性集成电路 和相关联的图形处理器，其可以使用一个或更多个IP核心来制造。
图20A-图20B示出了根据本文所述实施例的附加的示例性图形处理 器逻辑；
图21示出了根据至少一个实施例的计算机系统；
图22示出了根据至少一个实施例的并行处理器；
图23示出了根据至少一个实施例的分区单元；
图24示出了根据至少一个实施例的处理集群；
图25示出了根据至少一个实施例的图形多处理器；
图26是示出根据至少一个实施例的用于处理器的处理器微架构的 框图；
图27示出了根据至少一个实施例的深度学习应用处理器；
图28是示出根据至少一个实施例的示例神经形态处理器的框图；
图29示出了根据一个或更多个实施例的图形处理器的至少部分；
图30是根据至少一个实施例的图形处理器核心的至少部分的框图；
图31A和图31B示出了根据至少一个实施例的线程执行逻辑；
图32示出了根据至少一个实施例的并行处理单元(“PPU”)；
图33示出了根据至少一个实施例的通用处理集群(“GPC”)；
图34示出了根据至少一个实施例的并行处理单元(“PPU”)的内存 分区单元；以及
图35示出了根据至少一个实施例的流式多处理器。
具体实施方式
在以下描述中，将描述各个实施例。为了说明的目的，阐述了具体 的配置和细节以便提供对实施例的透彻理解。然而，对于本领域的技术人 员来说显而易见的是，可以在没有具体细节的情况下实践实施例。此外， 可以省略或简化众所周知的特征，以免使所描述的实施例不清楚。
根据各个实施例的方法提供了机器学习的训练，例如可涉及一个或 更多个循环神经网络(RNN)，用于诸如对长数据序列(例如，连续的视 频流)执行递归对象检测和/或帧分割之类的任务。当使用稀疏标记的训练 数据进行训练时，这些方法特别有用。可以保留长数据序列的帧之间的状 态信息，以提高精度。在一些实施例中，在训练期间状态信息使用每个块 之前的短块来重置。状态信息可以被存储，并且在推理期间永远不重置， 以进行泄漏(leakage)超优化。为了防止较旧的状态数据不适当地影响当 前帧的训练，可以在推理时将泄漏应用于状态数据。这种泄漏可以采取可 应用于状态数据的衰减(decay)形式(例如指数衰减)，从而使先前状态 数据的权重或影响随着时间而降低，从而导致网络推理中较新的状态信息 的权重更高。
各种其他功能可以在各个实施例中实现，以及在本文其他地方讨论 和建议。
存在各种情况，其中可以使用受监督的机器学习来推理有关环境的 信息或从数据输入流预测有用的信号，以及其他此类选择。一种这样的情 况或用例涉及自主(或半自主)驾驶，其中需要根据输入实时确定静态对 象和动态对象，并需要精确估计这些对象的坐标，以便确定车辆的一个或 更多个适当可驾驶路径。例如，在图1A的俯视图100中，示出了车辆沿 三车道的道路108行驶。沿该道路有许多其他的汽车104、106。至少，自 主导航系统需要能够确定车辆的导航路径，以使自主车辆102能够沿着道 路行驶而不会与任何其他车辆以及任何其他对象(例如行人或自行车等) 相撞。
为了推理出这样的导航路径，车辆通常会从车辆上的至少一个相机 (或其他传感器)捕获视频数据流。视频数据流可以包括一系列帧或图像 部分，其包括车辆在其中导航的环境的一部分的表示。图1B示出了一个 这样的图像或视频帧150，其可以从这种车辆的前部的相机捕获。如图所 示，视频帧内有许多不同类型的对象，并且在至少一些系统中可能有必要 识别各种类型的对象并确定它们相对于车辆的相对位置或与车辆的距离。 这些对象可以包括例如道路上或附近的其他车辆154、156和行人160，以 及潜在的危险或障碍物，例如坑洞162等。在一些实施例中，需要对车辆 和行人进行分类，以便确定这些障碍物可以并且很可能随着时间的推移以 不同的速率移动，从而可以确定一条路径来避开这些对象，即使它们具有 潜在的未来运动。可以将其他对象(诸如道路标志158)识别为要避开的 静止对象，并且可以将背景对象(诸如遥远的山脉164)识别为背景的一 部分，这些当前可能与导航目的无关。为了确定适当的可导航路径，还必 须分析图像以确定道路152的位置，以及道路的车道和那些车道上的交通 流的方向。
各种基于计算机视觉的方法可用于识别图像帧中的各种对象。这些 方法中的至少一些可以利用机器学习来推理图像中表示的各种类型的对象， 以及它们的相对位置或坐标(至少相对于车辆或参考对象)。但是，如上所 述，对于诸如实时导航之类的任务，必须实时进行确定，这可能需要使用 例如每秒捕获30或60帧的视频流来执行确定。
为了实时执行这种推理，自动驾驶中的许多对象和路径检测器都基 于前馈深度神经网络(DNN)。这些检测器逐帧进行操作，独立地针对每 个帧执行推理，而无需使用来自其他最近处理的帧的任何信息。另一方面， 序列模型有可能利用序列的连续帧之间的相似性。序列模型可以采用例如 基于DNN的特征提取器的形式，该特征提取器由基于循环神经网络(RNN) 的时间处理器进行了增强。序列模型可以通过在时间步长之间保持状态信 息来在时间上积累其预测的证据，其中状态信息可以包括视频输入中相关 特征的动态的内部表示。
如上所述，为此目的训练序列模型所需的大量成本和精力涉及对输 入训练数据(例如一个或更多个视频流或文件)的标记。在一些常规方法 中，仅标记视频帧的子集以减少相关的成本，这可能导致使用稀疏标记的 数据进行训练。例如，人类标记人员可能每秒为数据流中存在的不同类别 的对象标记各种类型的对象的包围盒，但是在那一秒捕获的其他帧将保留 未标记的序列数据。如本文所指，稀疏标记的数据是序列数据的一种形式，其中给定序列中只有一小部分数据点具有用于受监督训练的标签。对于30 帧每秒(fps)的视频文件，这可能是每秒一帧或数据的1/30，以及其他此 类选项、值或方法。在这种方法中，一秒钟的视频记录中仅大约一帧会传 递给标记人员，他们会生成地面实况(groundtruth)以用于训练深度学习 算法。对于非序列(逐帧)模型，这种低标记频率有助于输入帧的多样性。 但是，在训练序列模型(例如RNN)时，低标记频率也带来了重大挑战。 使用稀疏标记的数据时，以有状态的方式从头开始训练循环神经网络 (RNN)是不切实际的。使用常规方法，将需要处理成本函数的每个样本 的确定数量的帧，其中确定数量可以对应于所有帧与标记帧(labeled frame) 的比率。由于长序列长度和可用数据量，这种方法的内存要求非常高。此 外，网络的成本函数也将被非常稀疏地采样。
降低成本和复杂性的一种方法是使用几个连续帧的较小块进行训练， 这可以提供合理的欠采样以实现更快的训练。但是，这样的方法可能破坏 处理序列中的帧的连续性。块内RNN的初始状态无法反映连续视频中的 进度或对象状态的变化。当这样训练的RNN用于推理并在实际应用中以 连续的帧流呈现时，其递归状态更新会偏离训练条件，并且对象检测精度 会急剧下降。
因此，根据各个实施例的方法可以为任务(诸如递归对象检测和/ 或长数据序列(诸如连续视频流)的帧分割)提供神经网络的训练。当使 用稀疏标记的训练数据进行训练时，这些方法特别有用。可以保留长数据 序列的帧之间的状态信息，以提高精度。然而，为了防止较旧的状态数据 不适当地影响当前帧的推理，可以将泄漏应用于状态数据。这种泄漏可以 采取可应用于状态数据的衰减形式(例如指数衰减)，从而使先前状态数据 的权重或影响随着时间而降低，从而导致网络决定中较新的状态信息的权 重更高。
根据各个实施例的方法利用许多不同的训练和/或优化阶段。在一个 实施例中，第一阶段涉及使用小的、分离的帧序列来训练网络(例如，RNN)， 其中在每个序列中标记至少一个帧。因此，在至少一些实施例中，可以在 数据已被标记的那些帧周围生成训练序列。可以将有关网络状态的信息保 留在给定的序列内，以反映该序列内的进度。在该实施例中，不维护或在 序列之间传送关于网络状态的信息。因此，每个序列都充当一个单独且独立的训练示例。在此阶段中，整个帧的梯度范围或反向传播-穿过-时间 (BPTT)步骤涵盖了整个序列示例。换句话说，该示例中的BPTT步骤数 等于相应的序列长度。然后可以使用标记帧确定成本函数。
继续该示例，第二阶段可以涉及使用更长的序列对网络进行微调。 在该示例中，如图2的示例输入数据200中所示，给定序列202(长度为 M)的数目为N个初始帧204作为输入被提供给网络，以使网络被置于现 实状态(realistic state)或以现实状态进行操作。换句话说，初始帧用于帮 助网络确定视频数据的哪些部分可能对应于背景对象，以及“校准”输入 图像数据的亮度、调色板和其他方面，以便更好地识别对象、位置和环境 状态的变化以及其他方面。然后可以将帧206的其余部分(编号为M-N) 用于两个目的。首先，可以将这些帧作为输入单独提供，以推理有关数据 中表示的对象的信息。其次，这些帧可用于更新网络的状态信息，因为接 收到的每个帧都代表“当前”状态，允许消耗一些实际时间以进行图像捕 获和分析等。因此，这些剩余的帧可以用于计算反向梯度，仅使用帧206 的其余子集执行BPTT。在这种示例中，如果序列长度给出为M，则将在 最后帧使用成本函数针对最后的M-N帧来计算梯度流。前N个帧仅用于 前向传递，以便将网络设置为现实状态。
在该示例的第三阶段中，可以有状态地利用模型(例如，从第一阶 段和第二阶段得到的模型)，以对连续数据源(例如视频文件或数据流)进 行递归推理。在至少一些实施例中，有状态的方法可以利用推理时状态泄 漏，以便使得最近状态数据比旧状态信息对推理决策的影响更大。如前所 述，与当前帧相似的相关帧可以帮助积极地影响当前帧的对象检测推理， 但不够相似的旧帧不应影响检测。可能会引入不同类型的状态泄漏，例如 通过泄漏函数或泄漏参数。在一些实施例中，可以使用指数衰减函数来引 入泄漏，例如图3所示。可以使用第一函数300来选择指数衰减，该第一 函数使最近状态信息在初始时间段内被高度加权，然后随着时间的流逝而 更快地下降。在所示的示例300中，该图在第一秒显示几乎完全加权(在 0至1的范围上接近1的值)，然后下降得更快，直到在三秒钟后状态信息几乎没有加权为止。在所示的其他示例延迟函数350中，可以选择该函数， 使得状态信息仅在非常短的时间段内被高度加权，其中加权非常迅速地下 降，然后随着加权接近三秒的点而趋于平稳。在各个实施例的范围内，也 可以使用各种其他这样的衰减函数、参数或权重。在至少一些实施例中， 在该阶段以及BPTT中关闭所有其他参数的训练(以防止网络对引入的泄 漏进行补偿)。
在一个实施例中，在连续的时间内，状态泄漏作为网络状态的指数 衰减可以由下式给出：
在某些实施例中，可以应用离散时间指数衰减，如由下式给出：
ht←mτht-1,
其中ht是网络状态，τ和mτ是衰减常数，可以通过评估在mτ[0,1]的各个值 下的检测精度来优化mτ。
在这样的过程中，可以在训练期间使用第一阶段来产生网络，该网 络可以例如对序列输入执行对象检测(或推理)，例如对如上所讨论的自主 车辆有用的。这样的过程可以节省时间和内存，因为它使用了具有标记帧 的连续帧的小块。然而，这种方法在推理时被限于相似数量的输入帧。如 果提供的序列长度长于用于训练的序列长度，则仅使用第一阶段的过程进 行训练的网络将无法准确检测对象。第二阶段使用几个未标记的样本，例 如连续帧流中的帧来模拟真实的网络状态，并使用若干更多的帧作为梯度 计算的输入，以教导网络从该现实状态开始检测对象。第二阶段用于训练 网络，以使用比第一阶段中训练网络所采用的更长的序列来推理对象。第 三阶段或超优化阶段可用于确定最佳泄漏。这是在隔离(和之后)训练其 余网络参数时发生的。如前所述，BPTT已关闭，并且网络在此阶段未进 行训练。第三阶段还可以尝试删除状态信息历史悠久的任何伪像。第二阶 段的结果可以对长序列长度产生良好精度，但是无限的历史(或递归的) 检测精度仍然会降低。第三阶段通过确定适当的泄漏量(即正确的泄漏参 数)来帮助解决该问题，该泄漏量可以使历史记录中的远距离输入随着时 间的流逝而被忘记。在至少一些实施例中，在网络状态中实现为指数衰减 的泄漏可以帮助确保网络及时忘记远处的输入，并确保这些输入对对象检 测的影响微不足道。
根据各个实施例的方法也可以利用削减循环回路(recurrent loop cutting)的优势。在推理时，可以将经训练的RNN部署到优化的环境中以 进行实时推理。RNN中的循环回路可以中断，从而使网络成为有向无环图 (DAG)。RNN的状态可以由运行时环境在外部维护，并在每个推理时间 步长分别馈送到网络。这在图4的示例中示出。在训练图部分400中，示 出了输入图像(或视频帧)被馈送到网络，然后网络使用循环时间状态生 成推理结果402。推理图部分450示出了利用削减循环回路的情况，其中 输入图像456仍被馈送到网络454以产生推理结果452，但是时间状态的 循环性质被破坏。相反，先前状态458(例如，在时间T-1处的时间状态) 被提供给网络454作为附加输入。然后，网络可以产生推理结果452，以 及下一个或当前状态460(例如，在时间T处的时间状态)作为附加输出。 这种方法可以帮助将过程部署到不一定支持网络内循环的环境。
这种方法可以为稀疏标记数据下的应用(例如对象检测)提供递归 推理RNN的有效训练。这种方法允许进行帧块训练，以在有限的长度序 列上执行非递归推理，以及进行微调以扩展推理序列长度。用输入序列部 分和梯度范围(extent)部分进行训练可以导致针对比训练序列长得多的序 列长度的精确检测。此类方法还提供了推理时间泄漏及其超优化，用于对 无限长序列(例如连续视频流)的递归有状态推理。如上所述，在超优化 期间，使用了不同的泄漏参数，并对网络的性能进行了分析以确定最佳泄 漏参数。削减循环回路可以帮助形成适合于实时推理的前馈网络。
此外，使用这种方法使得能够使用稀疏标签训练循环神经网络(RNN)，而该模型仍然能够应用于对连续视频流的递归有状态推理。相 对于使用常规方法训练的那些而言，此类方法不仅可以确保序列模型的精 度获益，还允许在不损失精度获益的情况下对经训练的模型进行在线递归 推理。根据各个实施例的方法可以为诸如近实时地检测连续视频流中的各 种类别的对象之类的情况(诸如自主车辆或移动机器人上的情况)提高精 度和/或质量，精度高于逐帧方法。对于来自视频流的图像上的逐像素估计 数值和逐像素分类(例如语义图像分割)也可以提高精度。网络可以在视 频帧上定位属于目标类别的图像区域，例如路径、车道、车道标记和可自 由驾驶的空间。应当注意，这样的处理还可以应用于离线数据或视频文件 以及其他这样的选项。
图5示出了根据各个实施例的用于训练可以使用的神经网络的示例 过程500。应当理解，对于本文讨论的该过程和其他过程，除非另有说明， 否则在各个实施例的范围内可以有以相似顺序或替代顺序或并行执行的附 加、替代或更少的步骤。此外，该示例讨论了使用视频数据训练循环神经 网络(RNN)，但是如本文其他地方所讨论的，在各个实施例的范围内， 可以存在使用各种不同类型的数据训练的各种类型的模型。在该示例中， 接收502采用稀疏帧标记的视频流(或其他视频文件或内容)。在这种情况 下，稀疏帧标记是指这样的事实：标记少数帧，例如每三十或六十帧标记 一帧以及其他这样的选项。标签可以识别视频帧中表示的对象的类型，例 如车辆、人、动物、自行车、建筑物等。对象在帧中的位置可以由包围盒、 坐标、边缘边界等来表示。在至少一些实施例中，标签是由人类用户确定的，但是在各个实施例的范围内也可以使用计算机视觉或其他自动化(或 半自动化)技术。可以将流分离504为多个视频序列，该视频序列可以具 有相同的长度或达到最大长度，其中每个序列将包括至少一个标记帧。
可以选择506视频序列以用于训练循环神经网络(RNN)或其他这 样的网络、模型、算法或过程。在该示例中，可以利用508当前序列的初 始帧集来模拟网络的状态信息。初始集可以包括序列中确定数目的帧。该 信息可以用于确定当前状态或参考点，其可以帮助提高序列的对象确定的 精度。模拟状态可以包括与所表示的对象的类型有关的信息、这些对象的 一般位置、与背景有关的信息、与对比度和亮度水平有关的视觉信息等。 根据本文包含的教导和建议，可以确定各种其他类型的状态信息，并且对 于本领域的普通技术人员来说将是显而易见的。在该示例中，来自序列的 帧的剩余子集可以用于两个目的。首先，可以与模拟状态信息一起利用510 剩余子集，以更新当前状态，例如更新位置或对象检测信息，以及在此讨 论和建议的其他状态信息，以表示与正在分析的当前帧或当前序列相对应 的状态。此外，至少剩余的子集，包括标记帧，可以被利用512以执行针 对序列的对象检测。初始子集提供状态模拟，因此也影响检测。该对象检 测可以利用当前状态信息以提高精度。以这种方式，应用反向传播，并且 使用剩余的，使用序列中包括标记帧的帧的剩余子集来确定成本函数相对 于网络的可学习参数的梯度。然后可以部分地基于对序列的成本函数的评 估来更新514相关网络参数。在一些实施例中，可以使用标记帧的标签和 帧的第二子集来计算成本函数。如果确定516存在用于训练的更多序列和/ 或尚未满足训练终止标准，例如通过满足收敛标准或满足最大训练传递数 目，则该过程可以用视频流的另一个序列继续。否则，如本文所讨论的， 可以提供518经训练的网络用于推理。
图6示出了一种这样的示例过程600，其用于使用可以根据各个实 施例来利用的经训练的神经网络进行推理。在该示例中，接收602视频数 据流以进行分析。这可以是来自自主车辆的相机数据流或其他此类数据流， 并且可以以不同于数据流的形式到来，也在各个实施例的范围内。在该示 例中，流可以包括连续的帧序列，其中提供604当前帧或最近接收到的帧 以用于由经训练的RNN或其他这样的网络进行处理。在一些实施例中， 不是每个帧都将被分析，并且在一些实施例中，可能会有一些缓冲，使得 被分析的帧并非总是(或永远是)流上最近接收到的帧。使用该帧，可以 使用经训练的RNN和所维护的网络的状态数据来执行606循环推理。如 本文所讨论的，状态数据可以随着时间而确定、维护和更新，以提高推理 的精度。状态信息也可以使用输入帧来更新610。为了避免由过去的过时 状态信息引起的不准确，可以根据所确定的泄漏函数或参数使610该先前 状态数据的影响随时间衰减。因此，当使用来自当前帧的信息来更新状态 信息时，网络还可以改变应用于过去状态信息的权重，使得较旧的状态信 息对当前确定的影响较小。如上所述，在一些实施例中，可以使用超优化 过程来确定最佳泄漏参数或函数。一旦确定，就可以提供612当前帧的对 象相关推理，作为来自经训练的RNN的输出。如上所述，推论可涉及诸 如对象类型、位置、坐标等方面。对于该流的随后接收到的视频帧，该过 程可以继续。
如上所述，越来越多的行业和应用正在利用机器学习。例如，在处 理器上开发的深度神经网络(DNN)已用于各种用例，从无人驾驶汽车到 更快的药物开发，从用于安全系统的自动图像分析到视频聊天应用中的智 能实时语言翻译。深度学习是一种建模人脑的神经学习过程，不断学习， 不断变得更聪明并随着时间的推移更快地提供更准确的结果的技术。最初， 成年人教孩子正确识别和分类各种形状，最终无需任何指导即能够识别形状。类似地，将需要对被设计为完成类似任务的深度学习或神经学习系统 进行训练，以使其在识别基本对象、被遮挡对象等方面变得更聪明、更高 效，同时还为这些对象分配上下文。
在最简单的级别上，人脑中的神经元查看接收到的各种输入，将重 要性级别分配给这些输入中的每一个，然后将输出传递给其他神经元以对 其进行操作。人工神经元或感知器是神经网络的最基本模型。在一个示例 中，感知器可以接收表示该感知器正被训练以识别和分类的对象的各种特 征的一个或更多个输入，并且基于在定义对象的形状中的特征的重要性为 这些特征中的每一个分配某一权重。
深度神经网络(DNN)模型包括许多连接的感知器(例如，节点) 的多个层，可以用大量的输入数据对其进行训练，从而以高精度快速解决 复杂的问题。在一个示例中，DNN模型的第一层将汽车的输入图像分解为 各个部分，并寻找诸如线条和角之类的基本图案。第二层组装线条以寻找 更高级别的图案，例如车轮、挡风玻璃和后视镜。下一层识别车辆的类型， 最后几层为输入图像生成标签，识别特定汽车品牌的模型。一旦训练了 DNN，就可以部署DNN并将其用于在称为推理的过程中识别和分类对象 或图案。推理的示例(DNN从给定输入中提取有用信息的过程)包括识别 存入ATM机的支票上的手写数字，识别照片中朋友的图像，提供电影推 荐，在无人驾驶汽车中识别和分类不同类型的汽车、行人以及道路危险， 或近乎实时地翻译人类语音。
在训练过程中，数据在前向传播阶段流经DNN，直到产生表示对应 于输入的标签的预测为止。如果神经网络没有正确标记输入，则将分析正 确标签和预测标签之间的误差，并在反向传播阶段调整每个特征的权重， 直到DNN正确标记输入和训练数据集中的其他输入。训练复杂的神经网 络需要大量的并行计算性能，包括所支持的浮点乘法和加法。推理比训练 计算量要少，这是一个对延迟敏感的过程，其中将经训练的神经网络应用 于以前从未见过的新输入，以对图像进行分类，翻译语音并通常推理出新 信息。
神经网络在很大程度上依赖于矩阵数学运算，而复杂的多层网络需 要大量的浮点性能和带宽以提高效率和速度。具有数千个处理核心，针对 矩阵数学运算进行了优化，并提供数十至数百TFLOPS的性能，计算平台 可以提供基于深度神经网络的人工智能和机器学习应用所需的性能。
图7示出了根据各个实施例的可用于训练和利用机器学习的示例系 统700的组件。如将要讨论的，可以由可以在单个实体或多个实体的控制 下的计算设备和资源或单个计算系统的各种组合来提供各种组件。此外， 可以由不同实体触发、发起或请求各个方面。例如，在一些实施例中，可 以由与供应商环境706相关联的供应商来指导对神经网络的训练，而在其 他实施例中，可以由能够通过客户端设备702或其他此类资源访问供应商 环境的顾客或其他用户来请求训练神经网络。训练数据(或要由经训练的 神经网络分析的数据)可以由供应商、用户或第三方内容供应商724等提 供。在一些实施例中，客户端设备702可以是车辆或对象，可以代表用户 进行导航，例如，该用户可以提交请求和/或接收有助于设备导航的指令。
在该示例中，能够通过至少一个网络704提交请求以将其接收至供 应商环境706。客户端设备可以是使用户能够生成和发送这样的请求的任 何适当的电子和/或计算设备，如可以包括台式计算机、笔记本计算机、计 算机服务器、智能手机、平板电脑、游戏机(便携式或其他方式)、计算机 处理器、计算逻辑和机顶盒等。一个或更多个网络704可以包括用于发送 请求或其他这样的数据的任何适当的网络，例如可以包括因特网、内联网、 以太网、蜂窝网络、局域网(LAN)、在节点之间进行直接无线连接的网络 等等。
可以将请求接收至接口层708，在该示例中，该接口层可以将数据 转发到训练和推理管理器710。在至少一些实施例中，该管理器可以是包 括用于管理与数据或内容相一致的服务和请求的硬件和软件的系统或服务。 该管理器可以接收训练神经网络的请求，并且可以将请求的数据提供给训 练管理器712。如果请求未指定，则训练管理器712可以选择要使用的适 当模型或网络，并可以使用相关的训练数据来训练模型。在一些实施例中， 训练数据可以是从客户端设备702接收的或从第三方供应商724获得的等 存储到训练数据存储库714的一批数据。训练管理器712可以负责训练数 据，例如通过使用本文讨论的基于LARC的方法。网络可以是任何适当的 网络，例如递归神经网络(RNN)或卷积神经网络(CNN)等。一旦训练 了网络并成功评估了网络，就可以将经训练的网络存储到模型存储库716，例如，其可以存储用于用户、应用程序或服务等的不同模型或网络。如上 所述，在一些实施例中，针对单个应用程序或实体可能存在多个模型，如 可以基于多个不同因素来利用多个模型。
在随后的时间点，可以从客户端设备702(或另一个这样的设备) 接收对至少部分地受经训练的神经网络确定或影响的内容(例如，路径确 定)或数据的请求。该请求可以包括例如要使用神经网络处理的输入数据， 以获得一个或更多个推理或其他输出值、分类或预测。尽管在各个实施例 中也可以使用不同的系统或服务，但是输入数据可以被接收至接口层708 并且被引导到推理模块718。如果尚未本地存储到推理模块718，则推理模 块718可以从模型存储库716中获得适当的训练网络，例如本文所述的训 练深度神经网络(DNN)。推理模块718可以将数据作为输入提供给训练 网络，然后可以生成一个或更多个推理作为输出。例如，这可以包括输入 数据实例的分类。然后可以将推理发送到客户端设备702以向用户显示或 与用户进行其他通信。用户的环境数据也可以存储到用户环境数据存储库722，该数据库可以包括关于用户的数据，该数据可以用作生成推理或确定 获得实例后返回给用户的数据的网络输入等。包括输入或推理数据中的至 少一部分的相关数据也可以被存储到本地数据库720以用于处理将来的请 求。在一些实施例中，用户可以使用帐户或其他信息来访问供应商环境的 资源或功能。如果允许和可用，还可以收集用户数据并将其用于进一步训 练模型，以便为将来的请求提供更准确的推理。在一些实施例中，可以通 过用户界面接收对在客户端设备702上执行的机器学习应用726的请求， 并通过相同的界面显示结果。客户端设备可以包括资源，诸如用于生成请 求和处理结果或响应的处理器728和内存730，以及用于存储用于机器学 习应用726的数据的至少一个数据存储元件732。
在各个实施例中，处理器728(或训练管理器712或推理模块718 的处理器)将是中央处理单元(CPU)。但是，如上所述，此类环境中的资 源可以利用GPU来处理用于至少某些类型的请求的数据。GPU具有数千 个核心，旨在处理大量的并行工作负载，因此在用于训练神经网络和生成 预测的深度学习中变得很流行。虽然使用GPU进行离线构建可以更快地训练更大、更复杂的模型，但离线生成预测意味着无法使用请求-时间输入特 征，或者必须针对所有特征排列生成预测并将其存储在查找表中以进行服 务实时请求。如果深度学习框架支持CPU模式，并且模型足够小且简单以 至可以合理的延迟在CPU上执行前馈，则CPU实例上的服务可以托管模 型。在这种情况下，可以在GPU上离线进行训练，并在CPU上实时进行 推理。如果CPU方法不是可行的选项，则服务可以在GPU实例上运行。 但是，由于GPU具有与CPU不同的性能和成本特征，因此运行将运行时 算法卸载到GPU的服务可能要求将其设计成与基于CPU的服务不同。
图8示出了根据各个实施例的可用于对数据进行分类或生成推理的 示例系统800。根据本文所包含的教导和建议，应当显而易见的是，也可 以针对输入数据生成各种类型的预测、标签或其他输出。此外，可以在本 文讨论的各个实施例中使用有监督训练和无监督训练。在该示例中，提供 一组训练数据802(例如，分类或标记的数据)作为输入，以用作训练数 据。训练数据可以包括针对其要训练神经网络的至少一种类型的对象的实 例，以及识别该类型的对象的信息。例如，训练数据可能包括一组图像， 每个图像都包含对象类型的表示，其中每个图像还包含标签、元数据、分 类或其他识别在各自的图像中表示的对象类型的信息或与之相关联。各种 其他类型的数据也可以用作训练数据，并且可以包括文本数据、音频数据、 视频数据等。在此示例中，训练数据802作为训练输入提供给训练管理器 804。训练管理器804可以是包括硬件和软件的系统或服务，例如执行训练 应用程序的一个或更多个计算设备，用于训练神经网络(或其他模型或算 法等)。在该示例中，训练管理器804接收指示要用于训练的模型的类型的 指令或请求。模型可以是可用于此类目的的任何适当的统计模型、网络或 算法，例如可以包括人工神经网络、深度学习算法、学习分类器、贝叶斯 网络等。训练管理器804可以从适当的存储库806中选择初始模型或其他 未经训练的模型，并利用训练数据802来训练模型生成可以用于对相似类 型的数据进行分类的经训练的模型808(例如，经训练的深度神经网络)， 或生成其他此类推理。在不使用训练数据的一些实施例中，仍然可以根据 训练管理器804选择适当的初始模型来对输入数据进行训练。
可以以多种不同方式训练模型，这可能部分取决于所选模型的类型。 例如，在一个实施例中，可以向机器学习算法提供一组训练数据，其中模 型是通过训练过程创建的模型伪像。训练数据的每个实例包含正确答案(例 如，分类)，其可以被称为目标或目标属性。学习算法在训练数据中找到将 输入数据属性映射到目标的模式，要预测的答案，并输出捕获这些模式的 机器学习模型。然后可以使用机器学习模型来获得对未指定目标的新数据的预测。
在一个示例中，训练管理器804可以从一组机器学习模型中进行选 择，所述机器学习模型包括二进制分类、多分类和回归模型。要使用的模 型的类型可以至少部分取决于要预测的目标的类型。用于二进制分类问题 的机器学习模型可预测二进制结果，例如两个可能的类之一。学习算法(诸 如逻辑回归)可用于训练二进制分类模型。针对多类别分类问题的机器学 习模型允许针对多个类别生成预测，例如预测两个以上结果中的一个。多 项式逻辑回归对于训练多类模型可能很有用。回归问题的机器学习模型可 预测数值。线性回归对于训练回归模型很有用。
为了训练根据一个实施例的机器学习模型，训练管理器必须确定输 入训练数据源以及其他信息，例如包含要预测的目标的数据属性的名称、 所需的数据转换指令，以及训练参数以控制学习算法。在训练过程中，在 一些实施例中训练管理器804可以基于训练数据源中指定的目标类型自动 选择适当的学习算法。机器学习算法可以接受用于控制训练过程和所得机 器学习模型的某些属性的参数。这些在本文中称为训练参数。如果未指定任何训练参数，则训练管理器可以利用已知的默认值来很好地处理大范围 的机器学习任务。可以为其指定值的训练参数的示例包括最大模型大小、 通过训练数据的最多次数、随机播放类型、正则化类型、学习率和正则化 量。可以指定默认设置，具有用于调整值以微调性能的选项。
最大模型大小是在训练模型期间创建的模式的总大小(以字节为单 位)。默认情况下，可以创建指定大小的模型，例如100MB的模型。如果 训练管理器无法确定足够的图案来填充模型大小，则可以创建较小的模型。 如果训练管理器发现图案数量超出了指定大小所能容纳的数量，则可以通 过修整对学习模型的质量影响最小的图案来强制实施最大截止。选择模型 大小可以对模型的预测质量和使用成本之间的权衡进行控制。较小的模型可能会导致训练管理器移除许多模式以适应最大大小限制，从而影响预测 的质量。另一方面，较大的模型查询实时预测的成本可能更高。较大的输 入数据集不一定会导致较大的模型，因为模型存储图案而不是输入数据。 如果模式少且简单，则生成的模型将很小。具有大量原始属性(输入列) 或派生特征(数据转换的输出)的输入数据可能会在训练过程中找到并存 储更多图案。
在一些实施例中，训练管理器804可以对训练数据进行多次通过或 迭代以尝试发现图案。可以存在默认的通过次数，例如十次，而在一些实 施例中，可以设置最大通过次数，例如高达一百次通过。在一些实施例中， 可能没有最大集合，或者可能存在会触发训练过程结束的收敛准则或其他 因素集合。在一些实施例中，训练管理器804可以在训练期间监视图案的 质量(即，模型收敛)，并且当没有更多的数据点或图案需要发现时可以自 动停止训练。仅具有少量观察结果的数据集可能需要更多的数据遍历才能 获得足够高的模型质量。较大的数据集可能包含许多相似的数据点，这可 以减少对大量通过的需求。选择更多通过数据的潜在影响是，模型训练可 能需要更长的时间，并且在资源和系统利用率方面会花费更多。
在一些实施例中，在训练之前或在训练的传递之间混洗(shuffle) 训练数据。在许多实施例中，混洗是一种随机或伪随机混洗，用于生成真 正的随机排序，尽管可能存在一些约束条件以确保不对某些类型的数据进 行分组，或者如果存在这种分组，则可以对混洗的数据进行重新混洗等。 混洗改变了将数据用于训练的序列或安排，以使训练算法不会遇到相似类 型的数据的分组或连续太多观察的单一类型数据。例如，可以训练模型来 预测对象。上传之前，数据可能会按对象类型排序。然后，算法可以按对 象类型按字母序列处理数据，首先仅遇到特定对象类型的数据。模型将开 始学习该类型对象的图案。然后，模型将仅遇到用于第二种对象类型的数 据，并将尝试调整模型以适合该对象类型，这可能会使适合第一种对象类 型的图案退化。对象类型之间的这种突然切换可能会产生无法学习如何准 确预测对象类型的模型。在将训练数据集划分为训练子集和评估子集之前， 在一些实施例中，可以执行混洗，从而对于两个阶段都利用相对均匀的数 据类型分布。在一些实施例中，训练管理器804可以使用例如伪随机混洗 技术来自动混洗数据。
在一些实施例中，当创建机器学习模型时，训练管理器804可以使 用户能够指定设置或应用定制选项。例如，用户可以指定一个或更多个评 估设置，以指示用于评估机器学习模型的预测质量的输入数据的要保留的 一部分。用户可以指定策略，其指示哪些属性和属性转换可用于模型训练。 用户还可以指定控制训练过程和所得模型的某些属性的各种训练参数。
一旦训练管理者确定完成了模型的训练，例如通过使用本文讨论的 至少一个最终标准，就可以提供训练的模型808，以供分类器814用于分 类(或以其他方式生成推理)验证数据812。如图所示，这涉及模型的训 练模式和模型的推理模式之间的逻辑转换。然而，在许多实施例中，经训 练的模型808将首先被传递到评估器810，该评估器可以包括在用于评估 经训练的模型的质量(或其他方面)的至少一个计算资源(例如，至少一 个服务器的CPU或GPU)上执行的应用程序、过程或服务。对模型进行 评估，以确定该模型在预测新数据和未来数据的目标时是否至少会提供性 能的最低的可接受或阈值水平。如果否，则训练管理器804可以继续训练 该模型。由于将来的数据实例通常将具有未知的目标值，因此可能希望在 已知目标答案的数据上检查机器学习的精度度量，并将该评估用作未来数 据的预测精度的代理。
在一些实施例中，使用被提供用于训练的训练数据802的子集来评 估模型。可以使用如上所述的混洗和拆分方法来确定该子集。此评估数据 子集将标有目标，因此可以充当评估地面实况的资源。使用用于训练的相 同数据来评估机器学习模型的预测精度是没有用的，因为对于记住训练数 据而不是对其进行概括的模型可能会产生肯定的评估。一旦训练完成，则 使用经训练的模型808来处理评估数据子集，并且评估器810可以通过将 地面实况数据与该模型的相应输出(或预测/观察)进行比较来确定该模型 的精度。在一些实施例中，评估器810可以提供摘要或性能度量，其指示 预测值和真实值的匹配程度。如果经训练的模型不满足至少最小性能标准 或其他这样的精度阈值，则可以指示训练管理器804进行进一步的训练， 或者在某些情况下，尝试训练新的或不同的模型等。如果经训练的模型808 满足相关标准，则可以提供经训练的模型以供分类器814使用。
当创建和训练机器学习模型时，在至少一些实施例中，可期望指定 将导致能够进行最准确预测的模型的模型设置或训练参数。示例参数包括 要执行(前向和/或反向)的传递数、正则化、模型大小和混洗类型。但是， 如上所述，选择对评估数据产生最佳预测性能的模型参数设置可能会导致 模型过度拟合。当模型存储了训练和评估数据源中出现的图案，但未能概 括数据中的图案时，就会发生过度拟合。当训练数据包括评估中使用的所 有数据时，经常会发生过度拟合。过度拟合的模型在评估期间可能会表现 良好，但可能无法对新数据或其他验证数据做出准确的预测。为了避免选 择过度拟合的模型作为最佳模型，训练管理器可以保留额外的数据以验证 模型的性能。例如，训练数据集可分为60％用于训练，40％用于评估或验 证，其可分为两个或更多阶段。在选择了最适合评估数据的模型参数，导 致收敛于验证数据的子集(例如该验证数据的一半)之后，可以使用其余 的验证数据执行第二次验证，以确保该模型的性能。如果此模型符合验证 数据的期望，则此模型不会过度拟合数据。可选地，可以将测试集或保留 集用于测试参数。使用第二个验证或测试步骤有助于选择适当的模型参数 以防止过度拟合。但是，从训练过程中拿出更多数据进行验证会使可用于 训练的数据更少。对于较小的数据集，这可能会出现问题，因为可能没有足够的数据可用于训练。在这种情况下的一种方法是执行交叉验证，如本 文其他地方所述。
有许多度量或洞察可用于审查和评估给定模型的预测精度。一个示 例评估结果包含用于报告模型总体成功的预测精度度量，以及帮助探索模 型的精度超出预测精度度量的可视化。结果还可以提供查看设置得分阈值 (如二进制分类)的影响的能力，并可以生成有关用以检查评估的有效性 的标准的警报。度量和可视化的选择可以至少部分取决于要评估的模型的 类型。
经过令人满意的训练和评估后，可以使用经训练的机器学习模型来 构建或支持机器学习应用程序。在一个实施例中，构建机器学习应用程序 是涉及一系列步骤的迭代过程。核心机器学习问题可以根据观察到的内容 以及模型要预测的答案来构建。然后可以收集、清理和准备数据，以使其 适合于通过机器学习模型训练算法使用的数据。可以对这些数据进行可视 化和分析，以进行完整性检查，以验证数据质量和理解数据。这可能是原 始数据(例如输入变量)和答案数据(例如目标)没有以可用于训练高度 预测模型的方式表示的情况。因此，可能希望从原始变量构建更具预测性 的输入表示或特征。可以将结果特征输入到学习算法中，以构建模型并根 据从模型构建中保留的数据评估模型的质量。然后可以使用模型为新数据 实例生成目标答案的预测。
在图8的示例性系统800中，在提供评估之后，将经训练的模型810 提供给分类器814或使其可用，该分类器能够使用经训练的模型来处理验 证数据。例如，这可能包括从用户或未分类的第三方接收到的数据，例如 正在查询有关这些图像中所表示内容的信息的查询图像。验证数据可以由 分类器使用经训练的模型进行处理，并且可以将产生的结果816(即，分 类或预测)发送回相应的来源，或者进行其他处理或存储。在一些实施例 中，并且在允许这种使用的情况下，可以将这些目前分类的数据实例存储 到训练数据存储库，可以由训练管理器将其用于经训练的模型808的进一 步训练。在一些实施例中，将在新数据可用时对模型进行连续训练，但是 在其他实施例中，将根据诸如数据集的大小或模型复杂度等因素，定期对 这些模型进行训练，例如每天或每周一次。
分类器814可以包括适当的硬件和软件，用于使用经训练的模型来 处理验证数据812。在某些情况下，分类器将包括一个或更多个计算机服 务器，每个服务器具有一个或更多个能够处理数据的图形处理单元(GPU)。GPU的配置和设计可能使它们比CPU或其他此类组件更适合用于处理机 器学习数据。在一些实施例中，可以将经训练的模型加载到GPU内存中， 并且将接收到的数据实例提供给GPU以进行处理。GPU可以具有比CPU 多得多的核心，并且GPU核心可以更不复杂。因此，给定的GPU可能能 够通过不同的硬件线程同时处理数千个数据实例。GPU也可以配置为最大 化浮点吞吐量，这可以为大型数据集提供明显的额外处理优势。
即使在使用GPU、加速器和其他此类硬件来加速诸如模型训练或使 用此类模型进行数据分类之类的任务时，此类任务仍可能需要大量时间、 资源分配和成本。例如，如果要使用800次通过来训练机器学习模型，并 且数据集包括要用于训练的1,000,000个数据实例，则每次通过都需要处理 所有百万个实例。架构的不同部分也可以由不同类型的设备支持。例如， 可以在逻辑上集中的位置处使用一组服务器来执行训练，如可以作为服务 提供的那样，而原始数据的分类可以由这种服务或在客户端设备上以及其 他这样的选项来执行。在各个实施例中，这些设备也可以由同一实体或多 个实体拥有、操作或控制。
图9示出了根据各个实施例的可以被训练或以其他方式利用的示例 神经网络900。在该示例中，统计模型是人工神经网络(ANN)，其包括多 个节点层，包括输入层902、输出层906和中间节点的多个层904，通常称 为“隐藏”层，因为内部层和节点通常在常规神经网络中不可见或不可访问。 尽管仅出于解释目的示出了几个中间层，但是应当理解，对可以利用的中 间层的数量没有限制，并且对层的任何限制通常将是使用模型处理所需的 资源或时间的因素。如本文其他地方所讨论的，除了其他这样的选项之外， 还可以使用其他类型的模型、网络、算法或过程，其可以包括节点和层的 其他数量或选择。验证数据可以由网络的各层处理以生成一组推理或推理 分数，然后可以将其馈送到损失函数908。
在该示例网络900中，给定层的所有节点互连到相邻层的所有节点。 如图所示，中间层的节点然后将分别连接到两个相邻层的节点。在某些模 型中，节点也称为神经元或连接的单元，节点之间的连接称为边缘。每个 节点都可以为接收到的输入执行一个功能，例如通过使用指定的功能。节 点和边缘可以在训练过程中获得不同的权重，并且节点的各个层可以对接 收到的输入执行特定类型的转换，在训练过程中还可以学习或调整这些转换。学习可以是有监督的学习，也可以是无监督的学习，这可能至少部分 取决于训练数据集中包含的信息类型。可以利用各种类型的神经网络，例 如可以包括卷积神经网络(CNN)，所述卷积神经网络(CNN)包括许多 卷积层和一组池化层，并已被证明对诸如图像识别的应用程序是有益的。 由于要确定的参数数量相对较少，因此CNN比其他网络也更易于训练。
在一些实施例中，可以使用各种调整参数来训练这种复杂的机器学 习模型。选择参数、拟合模型和评估模型是模型调整过程的一部分，通常 称为超参数优化。在至少一些实施例中，这种调整可以包括对基础模型或 数据进行内省。在训练或生产设置中，稳健的工作流程对于避免超参数的 过度拟合非常重要，如本文其他地方所述。交叉验证和向训练数据集添加 高斯噪声是避免对任何一个数据集过度拟合的有用技术。对于超参数优化，在一些实施例中，可能需要保持训练集和验证集固定。在一些实施例中， 可以在某些类别中调整超参数，例如可以包括数据预处理(即，将单词转 换为向量)，CNN架构定义(例如，过滤器尺寸、过滤器数量)，随机梯度 下降(SGD)参数(例如学习率)，正则化(例如丢弃概率)以及其他此类 选项。
在示例预处理步骤中，可以将数据集的实例嵌入到特定大小的较低 维空间中。该空间的大小是要调整的参数。CNN的架构包含许多可调参数。 过滤器尺寸的参数可以表示信息的解释，该信息与将要分析的实例的大小 相对应。在计算语言学中，这称为n-gram大小。示例CNN使用三种不同 的过滤器尺寸，它们代表了可能不同的n-gram大小。每个过滤器尺寸的过 滤器数量可以对应于过滤器的深度。每个过滤器都尝试学习与实例结构不 同的内容，例如文本数据的句子结构。在卷积层中，激活函数可以是整流 线性单位，并且池类型设置为最大池。然后可以将结果串联到一维向量中， 最后一层完全连接到二维输出上。这对应于可以应用优化功能的二进制分 类。一种这样的功能是梯度下降的均方根(RMS)传播方法的实现，其中 示例超参数可以包括学习率、批大小、最大梯度法线和历元。神经网络、正则化可能是一个非常重要的考虑因素。如所述，在一些实施例中，输入 数据可以是相对稀疏的。在这种情况下，主要的超参数在倒数第二层处可 以被丢弃，这表示一定比例的节点在每个训练周期不会“触发”。示例训练 过程可以基于对先前配置的性能的反馈来建议不同的超参数配置。可以使 用建议的配置来训练该模型，可以在指定的验证集上进行评估，并可以进 行性能报告。可以重复此过程，例如权衡探索(了解更多有关不同配置的 信息)和开发(利用先前的知识以获得更好的结果)。
由于训练CNN可以并行化并且可以利用GPU支持的计算资源，因 此可以针对不同场景尝试多种优化策略。复杂的场景允许调整模型架构和 预处理以及随机梯度下降参数。这扩展了模型配置空间。在基本情况下， 仅调整预处理和随机梯度下降参数。与基本方案相比，在复杂方案中可以 有更多的配置参数。可以使用线性或指数步数执行关节空间的调整，并通 过模型的优化循环进行迭代。这样的调整过程的成本可以大大低于诸如随 机搜索和网格搜索之类的调整过程，而不会造成任何明显的性能损失。
一些实施例可以使用反向传播来计算用于确定神经网络的权重的梯 度。反向传播是微分的一种形式，如上所述，可以使用梯度下降优化算法 来调整应用于各种节点或神经元的权重。在一些实施例中，可以使用相关 损失函数的梯度来确定权重。反向传播可以利用损失函数对统计模型生成 的输出的导数。如上所述，各个节点可以具有定义各个节点的输出的关联 激活功能。可以适当地使用各种激活函数，如可以包括径向基函数(RBF) 和Sigmoid函数，它们可以被各种支持向量机(SVM)用于数据转换。节 点的中间层的激活函数在本文中被称为内部积核心。这些函数可以包括， 例如，识别函数、阶梯函数、Sigmoid函数、斜坡函数等等。激活函数也 可以是线性的或非线性的，以及其他此类选项。
推理和训练逻辑
图10示出了用于执行与一个或更多个实施例相关联的推理和/或训 练操作的推理和/或训练逻辑1015。下面结合图10A和/或图10B提供关于 推理和/或训练逻辑1015的细节。
在至少一个实施例中，推理和/或训练逻辑1015可以包括但不限于 数据存储1001，以存储对应于在一个或更多个实施例的方面中被训练为和 /或用于推理的神经网络的神经元或层的前向和/或输出权重和/或输入/输 出数据。在至少一个实施例中，数据存储1001存储在使用一个或更多个实 施例的方面训练和/或推理期间的输入/输出数据和/或权重参数的前向传播 期间结合一个或更多个实施例训练或使用的神经网络的每个层的权重参数 和/或输入/输出数据。在至少一个实施例中，数据存储1001的任何部分都 可以包括在其他片上或片外数据存储内，包括处理器的L1、L2或L3高速 缓存或系统内存。
在至少一个实施例中，数据存储1001的任何部分可以在一个或更多 个处理器或其他硬件逻辑设备或电路的内部或外部。在至少一个实施例中， 数据存储1001可以是高速缓存内存、动态随机可寻址内存(“DRAM”)、 静态随机可寻址内存(“SRAM”)、非易失性内存(例如闪存)或其他存储。 在至少一个实施例中，对数据存储1001是在处理器的内部还是外部的选择， 例如，或者由DRAM、SRAM、闪存或某种其他存储类型组成，可以取决 于存储片上或片外的可用存储空间，正在执行训练和/或推理功能的延迟要 求，在神经网络的推理和/或训练中使用的数据批量大小或这些因素的某种 组合。
在至少一个实施例中，推理和/或训练逻辑1015可以包括但不限于 数据存储1005，以存储与在一个或更多个实施例的方面中被训练为和/或用 于推理的神经网络的神经元或层相对应的反向和/或输出权重和/或输入/输 出数据神经网络。在至少一个实施例中，在使用一个或更多个实施例的方 面训练和/或推理期间，数据存储1005存储在输入/输出数据和/或权重参数 的反向传播期间结合一个或更多个实施例训练或使用的神经网络的每个层 的权重参数和/或输入/输出数据。在至少一个实施例中，数据存储1005的 任何部分可以与其他片上或片外数据存储一起包括，包括处理器的L1、L2 或L3高速缓存或系统内存。在至少一个实施例中，数据存储1005的任何 部分可以在一个或更多个处理器或其他硬件逻辑设备或电路上的内部或外 部。在至少一个实施例中，数据存储1005可以是高速缓存内存、DRAM、 SRAM、非易失性内存(例如闪存)或其他存储。在至少一个实施例中， 数据存储1005是在处理器的内部还是外部的选择，例如，是由DRAM、 SRAM、闪存还是其他某种存储类型组成，取决于可用存储是片上还是片 外，正在执行的训练和/或推理功能的延迟要求，在神经网络的推理和/或训 练中使用的数据批量大小或这些因素的某种组合。
在至少一个实施例中，数据存储1001以及数据存储1005可以是分 开的存储结构。在至少一个实施例中，数据存储1001以及数据存储1005 可以是相同的存储结构。在至少一个实施例中，数据存储1001以及数据存 储1005可以是部分相同的存储结构和部分分离的存储结构。在至少一个实 施例中，数据存储1001和数据存储1005的任何部分可以与其他片上或片 外数据存储包括在一起，包括处理器的L1、L2或L3高速缓存或系统内存。
在至少一个实施例中，推理和/或训练逻辑1015可以包括但不限于 一个或更多个算术逻辑单元(“ALU”)1010，用于至少部分地基于训练和/ 或推理代码或由其指示来执行逻辑和/或数学运算，其结果可能会导致(例 如，来自神经网络内部的层或神经元的输出值)存储在激活存储1020中的 激活，其是存储在数据存储1001和/或数据存储1005中的输入/输出和/或 权重参数数据的函数。在至少一个实施例中，激活响应于执行指令或其他代码，由ALU 1010执行的线性代数和/或基于矩阵的数学生成在激活存储 1020中存储的激活，其中存储在数据存储1005中和/或数据存储1001中的 权重值用作具有其他值的操作数，例如偏置值、梯度信息、动量值或其他 参数或超参数，可以将任何或所有这些存储在数据存储1005和/或数据存 储1001或其他片上或片外存储中。在至少一个实施例中，一个或更多个处 理器或其他硬件逻辑设备或电路中包括一个或更多个ALU 1010，而在另一 实施例中，一个或更多个ALU 1010可以在处理器或其他硬件逻辑设备或 使用它们(例如协处理器)的电路外。在至少一个实施例中，可以将一个 或更多个ALU 1010包括在处理器的执行单元之内，或者以其他方式包括 在由处理器的执行单元可访问的ALU组中，该处理器的执行单元可以在同 一处理器内或者分布在不同类型的不同处理器之间(例如，中央处理单元、 图形处理单元、固定功能单元等)。在至少一个实施例中，数据存储1001、 数据存储1005以及激活存储1020可以在同一处理器或其他硬件逻辑设备 或电路上，而在另一实施例中，它们可以在不同的处理器或其他硬件逻辑 设备或电路或相同和不同处理器或其他硬件逻辑设备或电路的某种组合中。 在至少一个实施例中，激活存储1020的任何部分可以与其他片上或片外数 据存储包括在一起，包括处理器的L1、L2或L3高速缓存或系统内存。此 外，推理和/或训练代码可以与处理器或其他硬件逻辑或电路可访问的其他 代码一起存储，并可以使用处理器的提取、解码、调度、执行、退出和/ 或其他逻辑电路来提取和/或处理。
在至少一个实施例中，激活存储1020可以是高速缓存内存、DRAM、 SRAM、非易失性内存(例如，闪存)或其他存储。在至少一个实施例中， 激活存储1020可以完全地或部分地在一个或更多个处理器或其他逻辑电 路内部或外部。在至少一个实施例中，可以取决于片上或片外可用的存储， 进行训练和/或推理功能的延迟要求，在推理和/或训练神经网络中使用的数 据的批量大小或这些因素的某种组合，选择激活存储1020是处理器的内部 还是外部，例如，或者包含DRAM、SRAM、闪存或其他存储类型。在至 少一个实施例中，图10A中所示的推理和/或训练逻辑1015可以与专用集 成电路(“ASIC”)结合使用，例如来自Google的
处理单元、 来自GraphcoreTM的推理处理单元(IPU)或来自Intel Corp的
(例 如“Lake Crest”)处理器。在至少一个实施例中，图10A所示的推理和/或训练逻辑1015可与中央处理单元(“CPU”)硬件，图形处理单元(“GPU”) 硬件或其他硬件(例如现场可编程门阵列(“FPGA”))结合使用。
图10B示出了根据至少一个各种实施例的推理和/或训练逻辑1015。 在至少一个实施例中，推理和/或训练逻辑1015可以包括但不限于硬件逻 辑，其中计算资源被专用或以其他方式唯一地连同对应于神经网络内的一 层或更多层神经元的权重值或其他信息一起使用。在至少一个实施例中， 图10B中所示的推理和/或训练逻辑1015可以与专用集成电路(ASIC)结 合使用，例如来自Google的
处理单元，来自GraphcoreTM的推理处理单元(IPU)或来自Intel Corp的
(例如“Lake Crest”)处 理器。在至少一个实施例中，图10B中所示的推理和/或训练逻辑1015可 以与中央处理单元(CPU)硬件、图形处理单元(GPU)硬件或其他硬件 (例如现场可编程门阵列(FPGA))结合使用。在至少一个实施例中，推 理和/或训练逻辑1015包括但不限于数据存储1001以及数据存储1005，其可以用于存储权重值和/或其他信息，包括偏置值、梯度信息、动量值和/ 或其他参数或超参数信息。在图10B中所示的至少一个实施例中，数据存 储1001以及数据存储1005中的每一个都分别与专用计算资源(例如计算 硬件1002和计算硬件1006)相关联。在至少一个实施例中，计算硬件1002 和计算硬件1006中的每一个包括一个或更多个ALU，这些ALU仅分别对 存储在数据存储1001和数据存储1005中的信息执行数学函数(例如线性 代数函数)，执行函数的结果被存储在激活存储1020中。
在至少一个实施例中，数据存储1001和1005以及相应的计算硬件 1002和1006中的每一个分别对应于神经网络的不同层，使得从数据存储 1001和计算硬件1002的一个“存储/计算对1001/1002”得到的激活提供作为 数据存储1005和计算硬件1006的下一个“存储/计算对1005/1006”的输入， 以便反映神经网络的概念组织。在至少一个实施例中，每个存储/计算对 1001/1002和1005/1006可以对应于一个以上的神经网络层。在至少一个实施例中，在推理和/或训练逻辑1015中可以包括在存储计算对1001/1002 和1005/1006之后或与之并行的附加存储/计算对(未示出)。
神经网络训练和部署
图11示出了根据至少一个实施例的深度神经网络的训练和部署。在 至少一个实施例中，使用训练数据集1102来训练未经训练的神经网络1106。 在至少一个实施例中，训练框架1104是PyTorch框架，而在其他实施例中， 训练框架1104是Tensorflow，Boost，Caffe，Microsoft Cognitive Toolkit/CNTK，MXNet，Chainer，Keras，Deeplearning4j或其他训练框架。 在至少一个实施例中，训练框架1104训练未经训练的神经网络1106，并 使它能够使用本文所述的处理资源来训练，以生成经训练的神经网络1108。 在至少一个实施例中，权重可以被随机选择或通过使用深度信念网络预训 练。在至少一个实施例中，可以以有监督、部分有监督或无监督的方式执 行训练。
在至少一个实施例中，使用有监督学习来训练未经训练的神经网络 1106，其中训练数据集1102包括与用于输入的期望输出配对的输入，或者 其中训练数据集1102包括具有已知输出的输入和神经网络是手动分级的 输出。在至少一个实施例中，以有监督的方式来训练未经训练的神经网络 1106，以处理来自训练数据集1102的输入，并将结果输出与一组期望或想 要的输出进行比较。在至少一个实施例中，然后通过未经训练的神经网络1106将误差传播回去。在至少一个实施例中，训练框架1104调整控制未 经训练的神经网络1106的权重。在至少一个实施例中，训练框架1104包 括用于监视未经训练的神经网络1106向模型(例如，经训练的神经网络 1108)收敛的程度的工具，适于基于已知输入数据(例如新数据1112)生 成正确答案(例如结果1114)的模型。在至少一个实施例中，训练框架1104反复训练未经训练的神经网络1106，同时调整权重以使用损失函数和调整 算法(例如随机梯度下降)来改善未经训练的神经网络1106的输出。在至 少一个实施例中，训练框架1104训练未经训练的神经网络1106，直到未 经训练的神经网络1106达到期望的精度为止。在至少一个实施例中，然后 可以部署经训练的神经网络1108以实现任何数量的机器学习操作。
在至少一个实施例中，使用无监督学习来训练未经训练的神经网络 1106，其中未经训练的神经网络1106尝试使用未标记的数据来训练自己。 在至少一个实施例中，无监督学习训练数据集1102将包括输入数据，而没 有任何关联的输出数据或“地面实况”数据。在至少一个实施例中，未经 训练的神经网络1106可以学习训练数据集1102内的分组，并且可以确定 各个输入如何与未经训练的数据集1102相关。在至少一个实施例中，可以 使用无监督训练来生成自组织图，其是一种类型的经训练的神经网络1108， 能够执行对减少新数据1112的维度有用的操作。在至少一个实施例中，无 监督训练也可以用于执行异常检测，这允许识别新数据集1112中偏离新数 据集1112的正常模式的数据点。
在至少一个实施例中，可以使用半监督学习，这是一种技术，其中 在训练数据集1102中包括标记数据和未标记数据的混合。在至少一个实施 例中，训练框架1104可以用于例如通过转移的学习技术来执行递增学习。 在至少一个实施例中，递增学习使得经训练的神经网络1108能够适应新数 据1112，而不会忘记在初始训练期间注入到网络内的知识。
数据中心
图12示出了示例数据中心1200，其中可以使用至少一个实施例。 在至少一个实施例中，数据中心1200包括数据中心基础设施层1210、框 架层1220、软件层1230和应用层1240。
在至少一个实施例中，如图12所示，数据中心基础设施层1210可 以包括资源协调器1212、分组的计算资源1214和节点计算资源(“节点 C.R.”)1216(1)-1216(N)，其中“N”代表任何完整的正整数。在至少一 个实施例中，节点C.R.1216(1)-1216(N)可以包括但不限于任何数量 的中央处理单元(“CPU”)或其他处理器(包括加速器、现场可编程门阵 列(FPGA)、图形处理器等)，内存设备(例如动态只读内存)，存储设备 (例如固态硬盘或磁盘驱动器)，网络输入/输出(“NW I/O”)设备，网络 交换机，虚拟机(“VM”)，电源模块和冷却模块等。在至少一个实施例中， 节点C.R.1216(1)-1216(N)中的一个或更多个节点C.R.可以是具有一 个或更多个上述计算资源的服务器。
在至少一个实施例中，分组的计算资源1214可以包括容纳在一个或 更多个机架内的节点C.R.的单独分组(未示出)，或者容纳在各个地理位 置的数据中心内的许多机架(也未示出)。分组的计算资源1214内的节点 C.R.的单独分组可以包括可以被配置或分配为支持一个或更多个工作负载 的分组的计算、网络、内存或存储资源。在至少一个实施例中，可以将包 括CPU或处理器的几个节点C.R.分组在一个或更多个机架内，以提供计算 资源来支持一个或更多个工作负载。在至少一个实施例中，一个或更多个 机架还可以包括任何数量的电源模块、冷却模块和网络交换机，以任意组 合。
在至少一个实施例中，资源协调器1222可以配置或以其他方式控制 一个或更多个节点C.R.1216(1)-1216(N)和/或分组的计算资源1214。 在至少一个实施例中，资源协调器1222可以包括用于数据中心1200的软 件设计基础结构(“SDI”)管理实体。在至少一个实施例中，资源协调器可 以包括硬件、软件或其某种组合。
在至少一个实施例中，如图12所示，框架层1220包括作业调度器 1232、配置管理器1234、资源管理器1236和分布式文件系统1238。在至 少一个实施例中，框架层1220可以包括支持软件层1230的软件1232和/ 或应用程序层1240的一个或更多个应用程序1242的框架。在至少一个实 施例中，软件1232或应用程序1242可以分别包括基于Web的服务软件或 应用程序，例如由Amazon Web Services，Google Cloud和Microsoft Azure 提供的服务或应用程序。在至少一个实施例中，框架层1220可以是但不限 于一种免费和开放源软件网络应用框架，例如可以利用分布式文件系统 1238来进行大范围数据处理(例如“大数据”)的Apache SparkTM(以下称 为“Spark”)。在至少一个实施例中，作业调度器1232可以包括Spark驱动 器，以促进对数据中心1200的各个层所支持的工作负载进行调度。在至少 一个实施例中，配置管理器1234可以能够配置不同的层，例如软件层1230 和包括Spark和用于支持大规模数据处理的分布式文件系统1238的框架层 1220。在至少一个实施例中，资源管理器1236能够管理映射到或分配用于 支持分布式文件系统1238和作业调度器1232的集群或分组计算资源。在 至少一个实施例中，集群或分组计算资源可以包括数据中心基础设施层 1210上的分组的计算资源1214。在至少一个实施例中，资源管理器1236 可以与资源协调器1212协调以管理这些映射的或分配的计算资源。
在至少一个实施例中，包括在软件层1230中的软件1232可以包括 由节点C.R.1216(1)-1216(N)的至少一部分，分组计算资源1214和/ 或框架层1220的分布式文件系统1238使用的软件。一种或更多种类型的 软件可以包括但不限于Internet网页搜索软件、电子邮件病毒扫描软件、 数据库软件和流视频内容软件。
在至少一个实施例中，应用层1240中包括的一个或更多个应用程序 1242可以包括由节点C.R.1216(1)-1216(N)的至少一部分、分组的计 算资源1214和/或框架层1220的分布式文件系统1238使用的一种或更多 种类型的应用程序。一种或更多种类型的应用程序可以包括但不限于任何 数量的基因组学应用程序，认知计算和机器学习应用程序，包括训练或推 理软件，机器学习框架软件(例如PyTorch、TensorFlow、Caffe等)或其 他与一个或更多个实施例结合使用的机器学习应用程序。
在至少一个实施例中，配置管理器1234、资源管理器1236和资源 协调器1212中的任何一个可以基于以任何技术上可行的方式获取的任何 数量和类型的数据来实现任何数量和类型的自我修改动作。在至少一个实 施例中，自我修改动作可以减轻数据中心1200的数据中心操作员做出可能 不好的配置决定并且可以避免数据中心的未充分利用和/或执行差的部分。
在至少一个实施例中，数据中心1200可以包括工具、服务、软件或 其他资源，以根据本文所述的一个或更多个实施例来训练一个或更多个机 器学习模型或者使用一个或更多个机器学习模型来预测或推理信息。例如， 在至少一个实施例中，可以通过使用上文关于数据中心1200描述的软件和 计算资源，根据神经网络架构通过计算权重参数来训练机器学习模型。在 至少一个实施例中，通过使用通过本文所述的一种或更多种训练技术计算出的权重参数，可以使用上面与关于数据中心1200所描述的资源，使用对 应于一个或更多个神经网络的经训练的机器学习模型来推理或预测信息。
在至少一个实施例中，数据中心可以使用CPU、专用集成电路 (ASIC)、GPU、FPGA或其他硬件来使用上述资源来执行训练和/或推理。 此外，上述的一个或更多个软件和/或硬件资源可以配置成一种服务，以允 许用户训练或执行信息推理，例如图像识别、语音识别或其他人工智能服 务。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图12中使用，至少部分地基于使用神经网络训练操作、神经网络功能 和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操 作。
根据至少一个实施例，数据中心基础设施1210可以接收视频流或其 他内容，并且为了如本文所述的训练和/或推理的目的，使该流被定向到应 用层1240和软件层1230的相应组件。
自主车辆
图13A示出了根据至少一个实施例的自主车辆1300的示例。在至 少一个实施例中，自主车辆1300(在本文中可替代地称为“车辆1300”)可 以是但不限于客运车辆，例如汽车、卡车、公共汽车和/或可容纳一个或更 多个乘客的另一种类型的车辆。在至少一个实施例中，车辆1300可以是用 于拖运货物的半牵引车-拖车。在至少一个实施例中，车辆1300可以是飞 机、机器人车辆或其他类型的车辆。
可以根据由美国运输部下属的国家公路交通安全管理局(“NHTSA”) 和汽车工程师学会(“SAE”)“与用于道路机动车辆的驾驶自动化系统有关 的术语(Taxonomy andDefinitions for Terms Related to Driving Automation Systems for On-Road MotorVehicles)”(例如，于2018年6月15日发布 的标准号J3016-201806，于2016年9月30日发布的标准号J3016-201609， 以及该版本的以前和将来的版本此标准)定义的自动化级别来描述自动驾 驶汽车。在一个或更多个实施例中，车辆1300可能能够根据自动驾驶级别 的级别1至级别5中的一个或更多个来进行功能。例如，在至少一个实施 例中，根据实施例，车辆1300可能能够进行条件自动化(级别3)、高度 自动化(级别4)和/或全自动(级别5)。
在至少一个实施例中，车辆1300可以包括但不限于组件，诸如底盘、 车身、车轮(例如2、4、6、8、18等)、轮胎、车轴和车辆的其他组件。 在至少一个实施例中，车辆1300可以包括但不限于推进系统1350，例如 内燃机、混合动力装置、全电动发动机和/或另一种推进系统类型。在至少 一个实施例中，推进系统1350可以连接至车辆1300的传动系，其可以包括但不限于变速器，以使得能够对车辆1300进行推进。在至少一个实施例 中，可以响应于从油门/加速器1352接收信号以控制推进系统1350。
在至少一个实施例中，当推进系统1350正在运行时(例如，当车辆 行驶时)，转向系统1354(其可以包括但不限于方向盘)用于使车辆1300 转向(例如，沿着期望的路径或路线)。在至少一个实施例中，转向系统 1354可以从转向致动器1356接收信号。方向盘对于全自动化(级别5)功 能可以是可选的。在至少一个实施例中，制动传感器系统1346可以用于响 应于从制动致动器1348和/或制动传感器接收到的信号来操作车辆制动器。
在至少一个实施例中，控制器1336可以包括但不限于一个或更多个 片上系统(“SoC”)(图13A中未示出)和/或图形处理单元(“GPU”)向车 辆1300的一个或更多个组件和/或系统提供信号(例如，代表命令)。例如， 在至少一个实施例中，控制器1336可以发送信号以通过制动致动器1348 操作车辆制动，通过一个或更多个转向致动器1356操作转向系统1354， 通过一个或更多个油门(throttle)/加速器1352操作推进系统1350。一个 或更多个控制器1336可以包括一个或更多个机载(例如，集成)计算设备 (例如，超级计算机)，其处理传感器信号并输出操作命令(例如，表示命 令的信号)以实现自动驾驶和/或协助驾驶员驾驶车辆1300。在至少一个实 施例中，一个或更多个控制器1336可以包括用于自动驾驶功能的第一控制 器1336，用于功能安全功能的第二控制器1336，用于人工智能功能(例如 计算机视觉)的第三控制器1336，用于信息娱乐功能的第四控制器1336， 用于紧急情况下的冗余的第五控制器1336和/或其他控制器。在至少一个 实施例中，单个控制器1336可以处理上述功能中的两个或更多个，两个或 更多控制器1336可以处理单个功能和/或其任何组合。
在至少一个实施例中，一个或更多个控制器1336响应于从一个或更 多个传感器(例如，传感器输入)接收到的传感器数据，提供用于控制车 辆1300的一个或更多个组件和/或系统的信号。在至少一个实施例中，传 感器数据可以从传感器接收，传感器类型例如但不限于一个或更多个全球 导航卫星系统(“GNSS”)传感器1358(例如，一个或更多个全球定位系 统传感器)、一个或更多个RADAR传感器1360、一个或更多个超声波传 感器1362、一个或更多个LIDAR传感器1364、一个或更多个惯性测量单 元(IMU)传感器1366(例如，一个或更多个加速度计、一个或更多个陀 螺仪、一个或更多个磁罗盘、一个或更多个磁力计等)、一个或更多个麦克 风1396、一个或更多个立体声相机1368、一个或更多个广角相机1370(例 如鱼眼相机)、一个或更多个红外相机1372、一个或更多个环绕相机1374 (例如，360度相机)、远程相机(图13A中未示出)、中程相机(图13A 中未示出)、一个或更多个速度传感器1344(例如，用于测量车辆1300的 速度)、一个或更多个振动传感器1342、一个或更多个转向传感器1340、 一个或更多个制动传感器(例如，作为制动传感器系统1346的一部分)和 /或其他传感器类型接收。
在至少一个实施例中，一个或更多个控制器1336可以从车辆1300 的仪表板1332接收输入(例如，由输入数据表示)并通过人机界面(“HMI”) 显示器1334、声音信号器、扬声器和/或车辆1300的其他组件提供输出(例 如，由输出数据、显示数据等表示)。在至少一个实施例中，输出可包括信 息，诸如车速、速度、时间、地图数据(例如，高清晰度地图(图13A中 未显示)、位置数据(例如，车辆1300的位置，例如在地图上)、方向、其 他车辆的位置(例如，占用光栅)、关于对象的信息以及由一个或更多个控 制器1336感知到的对象的状态等。例如，在至少一个实施例中，HMI显 示器1334可以显示关于一个或更多个对象的存在的信息(例如，路牌、警 告标志、交通信号灯变更等)和/或有关驾驶操作车辆已经、正在或将要制 造的信息(例如，现在改变车道、在两英里内驶出34B出口等)。
在至少一个实施例中，车辆1300进一步包括网络接口1324，其可 以使用一个或更多个无线天线1326和/或一个或更多个调制解调器通过一 个或更多个网络进行通信。例如，在至少一个实施例中，网络接口1324 可能能够通过长期演进(“LTE”)、宽带码分多址(“WCDMA”)、通用移动 电信系统(“UMTS”)、全球移动通信系统(“GSM”)、IMT-CDMA多载波(“CDMA2000”)等进行通信。在至少一个实施例中，一个或更多个无线 天线1326还可以使用一个或更多个局域网(例如Bluetooth、Bluetooth Low Energy(LE)、Z-Wave、ZigBee等)和/或一个或更多个低功耗广域网(以 下简称“LPWAN”)(例如LoRaWAN、SigFox等)，使环境中的对象(例如， 车辆、移动设备)之间进行通信。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图13A中用于至少部分地基于使用神经网络训练操作\神经网络功能 和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操 作。
根据至少一个实施例，出于诸如对象检测的目的，可以使用经训练 的RNN来捕获和分析从各种相机中的任何一个捕获的视频数据，包括在 此讨论的状态泄漏。
图13B示出了根据至少一个实施例的图13A的自主车辆1300的相 机位置和视野的示例。在至少一个实施例中，相机和各自的视野是一个示 例实施例，并且不旨在进行限制。例如，在至少一个实施例中，可以包括 附加的和/或替代的相机和/或相机可以位于车辆1300上的不同位置。
在至少一个实施例中，用于相机的相机类型可以包括但不限于可以 适于与车辆1300的组件和/或系统一起使用的数字相机。一种或更多种相 机可以以汽车安全完整性等级(“ASIL”)B和/或其他ASIL进行操作。在 至少一个实施例中，根据实施例，相机类型可以具有任何图像捕获速率， 例如60帧每秒(fps)、1220fps、240fps等。在至少一个实施例中，相机可 以能够使用滚动快门、全局快门、另一种类型的快门或其组合。在至少一 个实施例中，滤色器阵列可以包括红色透明透明(“RCCC”)滤色器阵列、 红色透明透明蓝色(“RCCB”)滤色器阵列、红色蓝色绿色透明(“RBGC”) 滤色器阵列、Foveon X3滤色器阵列、拜耳(Bayer)传感器(“RGGB”) 滤色器阵列、单色传感器滤色器阵列和/或其他类型的滤色器阵列。在至少 一个实施例中，可以使用透明像素相机，例如具有RCCC、RCCB和/或 RBGC滤色器阵列的相机，以努力提高光敏性。
在至少一个实施例中，一个或更多个相机可以用于执行先进驾驶员 辅助系统(“ADAS”)功能(例如，作为冗余或故障安全设计的一部分)。 例如，在至少一个实施例中，可以安装多功能单声道相机以提供包括车道 偏离警告、交通标志辅助和智能大灯控制的功能。在至少一个实施例中， 一个或更多个相机(例如，所有相机)可以同时记录并提供图像数据(例 如，视频)。
在至少一个实施例中，可以将一个或更多个相机安装在安装组件中， 例如定制设计的(三维(“3D”)打印的)组件，以便切出杂散光和来自在 汽车内的反光(例如，仪表板的反射在挡风玻璃镜中反光)，其可能会干扰 相机的图像数据捕获能力。关于后视镜安装组件，在至少一个实施例中， 后视镜组件可以是3D打印定制的，使得相机安装板匹配后视镜的形状。 在至少一个实施例中，一个或更多个相机可以被集成到后视镜中。对于侧 视相机，在至少一个实施例中，一个或更多个相机也可以集成在舱室的每 个角落的四个支柱内。
在至少一个实施例中，具有包括车辆1300前面的环境的部分的视野 的相机(例如，前向相机)可以用于环视，以及在一个或更多个控制器1336 和/或控制SoC的帮助下帮助识别向前的路径和障碍物，，从而提供对于生 成占用网格和/或确定优选的车辆路径至关重要的信息。在至少一个实施例 中，前向相机可以用于执行许多与LIDAR相同的ADAS功能，包括但不 限于紧急制动、行人检测和避免碰撞。在至少一个实施例中，前向相机也 可以用于ADAS功能和系统，包括但不限于车道偏离警告(“LDW”)、自 动巡航控制(“ACC”)和/或其他功能(例如交通标志识别)。
在至少一个实施例中，各种相机可以用于前向配置，包括例如包括 CMOS(“互补金属氧化物半导体”)彩色成像器的单目相机平台。在至少 一个实施例中，广角相机1370可以用于感知从外围进入的对象(例如，行 人、过马路或自行车)。尽管在图13B中仅示出了一个广角相机1370，但 是，在其他实施例中，车辆1300上可以有任何数量(包括零)的广角相机1370。在至少一个实施例中，任何数量的远程相机1398(例如，远程立体 相机对)可用于基于深度的对象检测，尤其是对于尚未训练神经网络的对 象。在至少一个实施例中，远程相机1398也可以用于对象检测和分类以及 基本对象跟踪。
在至少一个实施例中，任何数量的立体声相机1368也可以包括在前 向配置中。在至少一个实施例中，一个或更多个立体声相机1368可以包括 集成控制单元，该集成控制单元包括可缩放处理单元，该可缩放处理单元 可以提供可编程逻辑(“FPGA”)和具有单个芯片上集成的控制器局域网 (“CAN”)或以太网接口的多核心微处理器。在至少一个实施例中，这样 的单元可以用于生成车辆1300的环境的3D地图，包括对图像中所有点的 距离估计。在至少一个实施例中，一个或更多个立体相机1368可以包括但 不限于紧凑型立体视觉传感器，其可以包括但不限于两个相机镜头(左右 分别一个)和一个图像处理芯片，其可以测量从车辆1300到目标对象的距 离并使用所生成的信息(例如，元数据)来激活自主紧急制动和车道偏离 警告功能。在至少一个实施例中，除了本文所述的那些之外，还可以使用其他类型的立体相机1368。
在至少一个实施例中，具有包括车辆1300侧面的环境的一部分的视 野的相机(例如，侧视相机)可以用于环绕查看，从而提供用于创建和更 新占据网格的信息，以及产生侧面碰撞警告。例如，在至少一个实施例中， 环绕相机1374(例如，如图13B所示的四个环绕相机1374)可以定位在 车辆1300上。一个或更多个环绕相机1374可以包括但不限于，一个或更 多个广角相机1370、一个或更多个鱼目镜头、一个或更多个360度相机和 /或类似物的任意数量和组合。例如，在至少一个实施例中，四个鱼目镜头 相机可以位于车辆1300的前、后和侧面。在至少一个实施例中，车辆1300 可以使用三个环绕相机1374(例如，左、右和后面)，并且可以利用一个 或更多个其他相机(例如，前向相机)作为第四个环视相机。
在至少一个实施例中，具有包括车辆1300后方的环境的一部分的视 野的相机(例如，后视相机)可以用于停车辅助、环视、后方碰撞警告、 以及创建和更新占用光栅。在至少一个实施例中，可以使用各种各样的相 机，包括但不限于还适合作为一个或更多个前向相机的相机(例如，远程 相机1398和/或一个或更多个中程相机1376、一个或更多个立体相机1368、 一个或更多个红外相机1372等)，如本文所述。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关的推 理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练逻 辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以用于 图13B的系统中，以至少部分地基于使用本文所述的神经网络训练操作、 神经网络功能和/或架构、或神经网络用例计算出的权重参数来推理或预测 操作。
图13C示出了根据至少一个实施例的图13A的自主车辆1300的示 例系统架构的框图。在至少一个实施例中，图13C中的车辆1300的一个 或更多个组件、一个或更多个特征和一个或更多个系统中的每一个都示出 为经由总线1302连接。在至少一个实施例中，总线1302可包括但不限于 CAN数据接口(在本文中可替代地称为“CAN总线”)。在至少一个实施例 中，CAN可以是车辆1300内部的网络，用于帮助控制车辆1300的各种特 征和功能，例如制动器的致动、加速、制动、转向、雨刷等。在一个实施 例中，总线1302可以配置成具有数十个甚至数百个节点，每个节点具有其 自己的唯一识别符(例如，CAN ID)。在至少一个实施例中，可以读取总 线1302以找到方向盘角度、地面速度、发动机每分钟转动次数(“RPM”)、按钮位置和/或其他车辆状态指示器。在至少一个实施例中，总线1302可 以是符合ASIL B的CAN总线。
在至少一个实施例中，除了CAN之外或来自CAN，可使用FlexRay 和/或以太网(Ethernet)。在至少一个实施例中，可以有任意数量的总线1302， 其可以包括但不限于零或更多的CAN总线，零或更多的FlexRay总线，零 或更多的以太网总线，和/或零或更多的使用其他协议的其他类型的总线。 在至少一个实施例中，两个或更多个总线1302可以用于执行不同的功能， 和/或可以用于冗余。例如，第一总线1302可以用于碰撞避免功能，并且 第二总线1302可以用于致动控制。在至少一个实施例中，每个总线1302 可以与车辆1300的任何组件通信，并且两个或更多个总线1302可以与相 同的组件通信。在至少一个实施例中，任何数量的片上系统(“SoC”)1304 中的每一个，一个或更多个控制器1336中的每一个和/或车辆内的每个计 算机都可以访问相同的输入数据(例如，来自车辆1300的传感器的输入)， 并且可以连接到公共总线，例如CAN总线。
在至少一个实施例中，车辆1300可以包括一个或更多个控制器1336， 诸如本文关于图13A所描述的那些。控制器1336可以用于多种功能。在 至少一个实施例中，控制器1336可以耦合到车辆1300的各种其他组件和 系统中的任何一个，并且可以用于控制车辆1300、车辆1300的人工智能、 车辆1300的信息娱乐等。
在至少一个实施例中，车辆1300可以包括任何数量的SoC 1304。 SoC 1304中的每一个可以包括但不限于中央处理单元(“一个或更多个 CPU”)1306、图形处理单元(“一个或更多个GPU”)1308、一个或更多个 处理器1310、一个或更多个高速缓存1312、一个或更多个加速器1314、 一个或更多个数据存储1316和/或其他未显示的组件和特征。在至少一个 实施例中，一个或更多个SoC 1304可以用于在各种平台和系统中控制车辆 1300。例如，在至少一个实施例中，一个或更多个SoC 1304可以与高清晰 度(“HD”)地图1322在系统(例如，车辆1300的系统)中组合，该高清 晰度地图1322可以经由网络接口1324从一个或更多个服务器(图13C中 未示出)获得地图刷新和/或更新。
在至少一个实施例中，一个或更多个CPU 1306可以包括CPU集群 或CPU复合体(在本文中可替代地称为“CCPLEX”)。在至少一个实施例 中，一个或更多CPU 1306可以包括多个核心和/或二级(“L2”)高速缓存。 例如，在至少一个实施例中，一个或更多CPU 1306可以在相互耦合的多 处理器配置中包括八个核心。在至少一个实施例中，一个或更多CPU 1306可以包括四个双核心集群，其中每个集群具有专用的L2高速缓存(例如， 2MB L2高速缓存)。在至少一个实施例中，一个或更多CPU 1306(例如， CCPLEX)可以配置成支持同时的集群操作，使得一个或更多CPU 1306 的集群的任何组合在任何给定的时间都可以是活跃的。
在至少一个实施例中，一个或更多个CPU 1306可以实现电源管理 功能，这些功能包括但不限于以下特征中的一个或更多个：空闲时可以自 动对各个硬件模块进行时钟门控以节省动态功率；当核心由于执行等待中 断(“WFI”)/事件等待(“WFE”)指令而未主动执行指令时，可以对每个 核心时钟进行门控；每个核心都可以独立供电；当所有核心都被时钟门控 或功率门控时，每个核心集群可以被独立地时钟门控；以及/或当所有核心 都被功率门控时，每个核心集群可以被独立地功率门控。在至少一个实施 例中，一个或更多CPU1306可以进一步实现用于管理功率状态的增强算 法，其中指定了允许的功率状态和预期的唤醒时间，并且硬件/微码确定了 针对核心、集群和CCPLEX输入的最佳功率状态。在至少一个实施例中， 处理核心可以在软件中支持简化的功率状态输入序列，其中工作被分担给微码。
在至少一个实施例中，一个或更多个GPU 1308可以包括集成的GPU (在本文中或者称为“iGPU”)。在至少一个实施例中，一个或更多个GPU 1308可以是可编程的，并且对于并行工作负载可以是有效的。在至少一个 实施例中，一个或更多个GPU 1308，在至少一个实施例中，可以使用增强 的张量指令集。在一个实施例中，一个或更多个GPU 1308可以包括一个 或更多个流式微处理器，其中每个流式微处理器可以包括一级(“L1”)高 速缓存(例如，具有至少96KB的存储容量的L1高速缓存)，以及两个或 更多个流式微处理器可以共享L2高速缓存(例如，具有512KB存储容量 的L2高速缓存)。在至少一个实施例中，一个或更多个GPU 1308可以包 括至少八个流式微处理器。在至少一个实施例中，一个或更多个GPU1308 可以使用计算应用程序编程接口(API)。在至少一个实施例中，一个或更 多GPU 1308可以使用一个或更多个并行计算平台和/或编程模型(例如， NVIDIA的CUDA)。
在至少一个实施例中，一个或更多个GPU 1308可以经功耗优化以 在汽车和嵌入式用例中获得最佳性能。例如，在一个实施例中，可以在鳍 式场效应晶体管(“FinFET”)上制造一个或更多个GPU 1308。在至少一个 实施例中，每个流式微处理器可以包含多个划分为多个块的混合精度处理 核心，。例如但不限于，可以将64个PF32核心和32个PF64核心划分为 四个处理块。在至少一个实施例中，可以为每个处理块分配16个FP32核 心、8个FP64核心、16个INT32核心、两个用于深度学习矩阵算术的混 合精度NVIDIA TENSOR CORE、零级(“L0”)指令缓存、线程束调度器、 分派单元和/或64KB寄存器文件。在至少一个实施例中，流式微处理器可 以包括独立的并行整数和浮点数据路径来提供混合了计算和寻址运算的工 作量的有效执行。在至少一个实施例中，流式微处理器可以包括独立的线 程调度能力，以实现更细粒度的同步和并行线程之间的协作。在至少一个 实施例中，流式微处理器可以包括组合的L1数据高速缓存和共享内存单 元，以便在简化编程的同时提高性能。
在至少一个实施例中，一个或更多个GPU 1308可以包括高带宽内 存(“HBM”)和/或16GB HBM2内存子系统，以在一些示例中提供约900GB /秒的峰值存储带宽。在至少一个实施例中，除了或替代于HBM内存，可 以使用同步图形随机存取内存(“SGRAM”)，例如图形双倍数据速率类型 的五同步随机存取内存(“GDDR5”)。
在至少一个实施例中，一个或更多个GPU 1308可以包括统一内存 技术。在至少一个实施例中，地址转换服务(“ATS”)支持可以用于允许 一个或更多个GPU 1308直接访问一个或更多个CPU 1306页表。在至少一 个实施例中，当一个或更多个GPU 1308内存管理单元(“MMU”)经历未 命中时，可以将地址转换请求发送到一个或更多个CPU 1306。作为响应，在至少一个实施例中，一个或更多个CPU 1306可以在其页面表中查找地 址的虚拟-物理的映射并将转换传送回一个或更多个GPU 1308。在至少一 个实施例中，统一内存技术可以允许单个统一虚拟地址空间用于一个或更 多个CPU 1306和一个或更多个GPU 1308两者的内存，从而简化了一个或 更多个GPU 1308的编程以及将应用程序移植到一个或更多个GPU1308。
在至少一个实施例中，一个或更多个GPU 1308可以包括任意数量 的访问计数器，其可以跟踪一个或更多个GPU 1308对其他处理器的内存 的访问频率。在至少一个实施例中，一个或更多个访问计数器可以帮助确 保将内存页面移动到最频繁访问页面的处理器的物理内存中，从而提高处 理器之间共享的内存范围的效率。
在至少一个实施例中，一个或更多个SoC 1304可以包括任何数量的 高速缓存1312，包括本文所述的那些。例如，在至少一个实施例中，一个 或更多个高速缓存1312可以包括可用于一个或更多个CPU 1306和一个或 更多个GPU 1308(例如，连接CPU 1306和GPU1308两者)的三级(“L3”) 高速缓存。在至少一个实施例中，一个或更多个高速缓存1312可以包括回 写式高速缓存，该回写式高速缓存可以例如通过使用高速缓存相干协议(例 如，MEI、MESI、MSI等)来跟踪线的状态。在至少一个实施例中，尽管 可以使用较小的高速缓存大小，根据实施例，L3高速缓存可以包括4MB 或更多。
在至少一个实施例中，一个或更多个SoC 1304可以包括一个或更多 个加速器1314(例如，硬件加速器、软件加速器或其组合)。在至少一个 实施例中，一个或更多个SoC1304可以包括硬件加速集群，其可以包括优 化的硬件加速器和/或大的片上内存。在至少一个实施例中，大的片上内存 (例如4MB的SRAM)可以使硬件加速集群能够加速神经网络和其他计 算。在至少一个实施例中，硬件加速集群可以用于补充一个或更多个GPU 1308并且卸载一个或更多个GPU 1308的一些任务(例如，释放一个或更 多个GPU 1308的更多周期以执行其他任务)。在至少一个实施例中，一个 或更多个加速器1314可以用于足够稳定以经得起加速检验的目标工作负 载(例如，感知、卷积神经网络(“CNN”)、递归神经网络(“RNN”)等)。 在至少一个实施例中，CNN可以包括基于区域或区域卷积神经网络 (“RCNN”)和快速RCNN(例如，如用于对象检测)或其他类型的CNN。
在至少一个实施例中，一个或更多个加速器1314(例如，硬件加速 集群)可以包括一个或更多个深度学习加速器(“DLA”)。一个或更多个 DLA可以包括但不限于一个或更多个Tensor处理单元(“TPU”)，其可以 配置成每秒提供额外的10万亿次操作用于深度学习应用程序和推理。在至 少一个实施例中，TPU可以是配置成并被优化用于执行图像处理功能(例 如，用于CNN、RCNN等)的加速器。可以针对神经网络类型和浮点运算 以及推理的特定集合进一步优化一个或更多个DLA。在至少一个实施例中， 一个或更多个DLA的设计可以提供比典型的通用GPU更高的每毫米性能， 并且通常大大超过CPU的性能。在至少一个实施例中，一个或更多个TPU 可执行若干功能，包括支持例如INT8、INT16和FP16数据类型以用于特 征和权重的单实例卷积功能以及后处理器功能的。在至少一个实施例中， 一个或更多个DLA可以针对各种功能中的任何功能，在处理或未处理的数 据上快速且有效地执行神经网络，尤其是CNN，包括例如但不限于：用于 使用来自相机传感器的数据进行对象识别和检测的CNN；用于使用来自相 机传感器的数据进行距离估算的CNN；用于使用来自麦克风1396的数据 进行紧急车辆检测以及识别和检测的CNN；用于使用来自相机传感器的数 据进行人脸识别和车主识别的CNN；以及/或用于安全和/或安全相关事件 的CNN。
在至少一个实施例中，DLA可以执行一个或更多个GPU 1308的任 何功能，并且通过使用推理加速器，例如，设计者可以将一个或更多个DLA 或一个或更多个GPU 1308作为目标用于任何功能。例如，在至少一个实 施例中，设计者可以将CNN的处理和浮点运算集中在一个或更多个DLA 上，并将其他功能留给一个或更多个GPU 1308和/或一个或更多个其他加 速器1314。
在至少一个实施例中，一个或更多个加速器1314(例如，硬件加速 集群)可以包括一个或更多个可编程视觉加速器(“PVA”)，其在本文中可 以可替代地称为计算机视觉加速器。在至少一个实施例中，一个或更多个 PVA可以设计和配置为加速用于高级驾驶员辅助系统(“ADAS”)1338、 自动驾驶、增强现实(“AR”)应用程序和/或虚拟现实(“VR”)应用程序的计算机视觉算法。一个或更多个PVA可以在性能和灵活性之间取得平衡。 例如，在至少一个实施例中，一个或更多个PVA中的每一个可以包括例如 但不限于任何数量的精简指令集计算机(“RISC”)核心、直接内存访问 (“DMA”)和/或任意数量的向量处理器。
在至少一个实施例中，RISC核心可以与图像传感器(例如，本文描 述的任意相机的图像传感器)、图像信号处理器等交互。在至少一个实施例 中，每个RISC核心可以包括任意数量的内存。在至少一个实施例中，根 据实施例，RISC核心可以使用多种协议中的任意一种。在至少一个实施例 中，RISC核心可以执行实时操作系统(“RTOS”)。在至少一个实施例中， 可以使用一个或更多个集成电路设备、专用集成电路(“ASIC”)和/或存储 设备来实现RISC核心。例如，在至少一个实施例中，RISC核心可以包括 指令高速缓存和/或紧密耦合的RAM。
在至少一个实施例中，DMA可以使一个或更多个PVA的组件能够 独立于一个或更多个CPU 1306访问系统内存。在至少一个实施例中，DMA 可以支持用于向PVA提供优化的任何数量的特征，包括但不限于，支持多 维寻址和/或循环寻址。在至少一个实施例中，DMA可以支持多达六个或 更多个寻址的维度，其可以包括但不限于块宽度、块高度、块深度、水平块步进、垂直块步进和/或深度步进。
在至少一个实施例中，向量处理器可以是可编程处理器，其可以设 计为有效且灵活地执行用于计算机视觉算法并提供信号处理能力的编程。 在至少一个实施例中，PVA可以包括PVA核心和两个向量处理子系统分区。 在至少一个实施例中，PVA核心可以包括处理器子系统、DMA引擎(例 如，两个DMA引擎)和/或其他外围设备。在至少一个实施例中，向量处 理子系统可以用作PVA的主要处理引擎，并且可以包括向量处理单元 (“VPU”)、指令高速缓存和/或向量内存(例如“VMEM”)。在至少一个实 施例中，VPU核心可以包括数字信号处理器，例如，单指令多数据(“SIMD”)、 超长指令字(“VLIW”)数字信号处理器。在至少一个实施例中，SIMD和 VLIW的组合可以提高吞吐量和速度。
在至少一个实施例中，每个向量处理器可以包括指令高速缓存并且 可以耦合到专用内存。结果，在至少一个实施例中，每个向量处理器可以 配置为独立于其他向量处理器执行。在至少一个实施例中，特定PVA中包 括的向量处理器可以配置为采用数据并行性。例如，在至少一个实施例中， 单个PVA中包括的多个向量处理器可以执行相同的计算机视觉算法，除了 在图像的不同区域上之外。在至少一个实施例中，包括在特定PVA中的向 量处理器可以在同一图像上同时执行不同的计算机视觉算法，或者甚至在 序列图像或部分图像上执行不同的算法。在至少一个实施例中，除其他外， 在硬件加速集群中可以包括任何数量的PVA，并且在每个PVA中可以包括 任何数量的向量处理器。在至少一个实施例中，PVA可以包括附加的纠错 码(“ECC”)内存，以增强整体系统安全性。
在至少一个实施例中，一个或更多个加速器1314(例如，硬件加速 集群)可以包括片上计算机视觉网络和静态随机存取内存(“SRAM”)，用 于为一个或更多个加速器1314提供高带宽，低延迟SRAM。在至少一个 实施例中，片上内存可以包括至少4MB SRAM，其包括例如但不限于八个 现场可配置的内存块，PVA和DLA均可以对其进行访问。在至少一个实 施例中，每对存储块可以包括高级外围总线(“APB”)接口、配置电路、 控制器和多路复用器。在至少一个实施例中，可以使用任何类型的内存。 在至少一个实施例中，PVA和DLA可以经由为PVA和DLA提供对内存 的高速访问的主干网来访问内存。在至少一个实施例中，主干网可以包括 片上计算机视觉网络，其将PVA和DLA互连到内存(例如，使用APB)。
在至少一个实施例中，片上计算机视觉网络可以包括接口，该接口 在传输任何控制信号/地址/数据之前确定PVA和DLA均提供就绪和有效信 号。在至少一个实施例中，接口可以提供用于发送控制信号/地址/数据的单 独的相位和单独的信道，以及用于连续数据传输的突发型通信。在至少一 个实施例中，尽管可以使用其他标准和协议，但是接口可以符合国际标准 化组织(“ISO”)26262或国际电工委员会(“IEC”)61508标准。
在至少一个实施例中，一个或更多个SoC 1304可以包括实时视线追 踪硬件加速器。在至少一个实施例中，实时视线追踪硬件加速器可以用于 快速且有效地确定对象的位置和范围(例如，在世界模型内)，以生成实时 可视化模拟，以用于RADAR信号解释，用于声音传播合成和/或分析，用 于SONAR系统的模拟，用于一般的波传播模拟，与用于定位和/或其他功 能的LIDAR数据进行比较，和/或用于其他用途。
在至少一个实施例中，一个或更多个加速器1314(例如，硬件加速 器集群)具有用于自动驾驶的广泛用途。在至少一个实施例中，PVA可以 是可编程视觉加速器，其可以用于ADAS和自动驾驶汽车中的关键处理阶 段。在至少一个实施例中，在低功耗和低延迟下PVA的能力与需要可预测 的处理的算法域良好匹配。换句话说，PVA在半密集或密集的常规计算中 表现出色，即使在小型数据集上也是如此，这些数据集需要具有低延迟和 低功耗的可预测的运行时间。在至少一个实施例中，诸如自主车辆(车辆 1300)PVA被设计为运行经典的计算机视觉算法，因为它们在对象检测和 整数数学运算方面是有效的。
例如，根据技术的至少一个实施例，PVA被用于执行计算机立体视 觉。在至少一个实施例中，可以在一些示例中使用基于半全局匹配的算法， 尽管这并不意味着限制性。在至少一个实施例中，用于3-5级自动驾驶的 应用程序在运行中使用动态的估计/立体匹配(例如，从运动中恢复结构、 行人识别、车道检测等)。在至少一个实施例中，PVA可以对来自两个单 目相机的输入执行计算机立体视觉功能。
在至少一个实施例中，PVA可以用于执行密集的光流。例如，在至 少一个实施例中，PVA可以处理原始RADAR数据(例如，使用4D快速 傅立叶变换)以提供处理后的RADAR数据。在至少一个实施例中，例如， 通过处理原始飞行时间数据以提供处理后的飞行时间数据，将PVA用于飞 行时间深度处理。
在至少一个实施例中，DLA可用于运行任何类型的网络以增强控制 和驾驶安全性，包括例如但不限于神经网络，其输出用于每个对象检测的 置信度。在至少一个实施例中，可以将置信度表示或解释为概率，或者表 示为提供每个检测相对于其他检测的相对“权重”。在至少一个实施例中， 置信度使系统能够做出进一步的决定，即关于哪些检测应当被认为是真正 的阳性检测而不是假阳性检测。例如，在至少一个实施例中，系统可以为置信度设置阈值，并且仅将超过阈值的检测视为真阳性检测。在使用自动 紧急制动(“AEB”)系统的实施例中，假阳性检测将导致车辆自动执行紧 急制动，这显然是不希望的。在至少一个实施例中，高度自信的检测可以 被认为是AEB的触发。在至少一个实施例中，DLA可以运行用于回归置 信度值的神经网络。在至少一个实施例中，神经网络可以将参数的至少一 些子集作为其输入，例如包围盒尺寸，获得的地平面估计(例如，从另一 子系统)，与从神经网络和/或其他传感器(例如，一个或更多个LIDAR传 感器1364或一个或更多个RADAR传感器1360)等获得的对象的车辆1300 方向、距离、3D位置估计相关的一个或更多个IMU传感器1366的输出。
在至少一个实施例中，一个或更多个SoC 1304可以包括一个或更多 个数据存储装置1316(例如，内存)。在至少一个实施例中，一个或更多 个数据存储1316可以是一个或更多个SoC 1304的片上内存，其可以存储 要在一个或更多个GPU 1308和/或DLA上执行的神经网络。在至少一个 实施例中，一个或更多个数据存储1316可以具有足够大的容量以存储神经 网络的多个实例以用于冗余和安全。在至少一个实施例中，一个或更多个 数据存储1312可以包括L2或L3高速缓存。
在至少一个实施例中，一个或更多个SoC 1304可以包括任何数量的 处理器1310(例如，嵌入式处理器)。一个或更多个处理器1310可以包括 启动和电源管理处理器，该启动和电源管理处理器可以是专用处理器和子 系统，以处理启动电源和管理功能以及相关的安全实施。在至少一个实施 例中，启动和电源管理处理器可以是一个或更多个SoC 1304启动序列的一 部分，并且可以提供运行时电源管理服务。在至少一个实施例中，启动功 率和管理处理器可以提供时钟和电压编程，辅助系统低功率状态转换，一 个或更多个SoC1304热和温度传感器管理和/或一个或更多个SoC 1304功 率状态管理。在至少一个实施例中，每个温度传感器可以实现为其输出频 率与温度成比例的环形振荡器，并且一个或更多个SoC 1304可以使用环形 振荡器来检测一个或更多个CPU 1306，一个或更多个GPU1308和/或一个 或更多个加速器1314的温度。在至少一个实施例中，如果确定温度超过阈 值，则启动和电源管理处理器可以进入温度故障例程，并将一个或更多个 SoC 1304置于较低功耗状态和/或将车辆1300置于司机的安全停车图案 (例如，使车辆1300安全停车)。
在至少一个实施例中，一个或更多个处理器1310可以进一步包括一 组嵌入式处理器，其可以用作音频处理引擎。在至少一个实施例中，音频 处理引擎可以是音频子系统，其能够通过多个接口以及广泛且灵活范围的 音频I/O接口为硬件提供对多通道音频的完全硬件支持。在至少一个实施 例中，音频处理引擎是专用处理器核心，其具有带专用RAM的数字信号 处理器。
在至少一个实施例中，一个或更多个处理器1310可以进一步包括始 终在线的处理器引擎，该引擎可以提供必要的硬件特征以支持低功率传感 器管理和唤醒用例。在至少一个实施例中，始终在线的处理器引擎上的处 理器可以包括但不限于处理器核心、紧密耦合的RAM、支持外围设备(例 如，定时器和中断控制器)、各种I/O控制器外围设备以及路由逻辑。
在至少一个实施例中，一个或更多个处理器1310可以进一步包括安 全集群引擎，该安全集群引擎包括但不限于用于处理汽车应用程序的安全 管理的专用处理器子系统。在至少一个实施例中，安全集群引擎可以包括 但不限于两个或更多个处理器核心、紧密耦合的RAM、支持外围设备(例 如，定时器、中断控制器等)和/或路由逻辑。在安全模式下，在至少一个 实施例中，两个或更多个核心可以以锁步模式操作，并且可以用作具有用 以检测其操作之间的任何差异的比较逻辑的单个核心。在至少一个实施例 中，一个或更多个处理器1310可以进一步包括实时相机引擎，该实时相机 引擎可以包括但不限于用于处理实时相机管理的专用处理器子系统。在至 少一个实施例中，一个或更多个处理器1310可以进一步包括高动态范围信 号处理器，该高动态范围信号处理器可以包括但不限于图像信号处理器， 该图像信号处理器是作为相机处理管线的一部分的硬件引擎。
在至少一个实施例中，一个或更多个处理器1310可以包括视频图像 合成器，该视频图像合成器可以是处理块(例如，在微处理器上实现)，该 处理块实现视频回放应用产生最终的视频所需要的视频后处理功能，以产 生用于播放器窗口的最终图像。在至少一个实施例中，视频图像合成器可 以在一个或更多个广角相机1370、一个或更多个环绕相机1374和/或一个 或更多个舱内监控相机传感器上执行透镜畸变校正。在至少一个实施例中， 优选地，由在SoC 1304的另一实例上运行的神经网络来监控舱室内监控相 机传感器，该神经网络被配置为识别舱室事件并相应地做出响应。在至少 一个实施例中，舱室内系统可以执行但不限于唇读以激活蜂窝服务和拨打 电话、指示电子邮件、改变车辆的目的地、激活或改变车辆的信息娱乐系 统和设置、或者提供语音激活的网上冲浪。在至少一个实施例中，当车辆 以自主模式运行时，某些功能对于驾驶员是可用的，否则将其禁用。
在至少一个实施例中，视频图像合成器可以包括用于同时空间和时 间降噪的增强的时间降噪。例如，在至少一个实施例中，在运动发生在视 频中的情况下，降噪适当地对空间信息加权，从而减小由相邻帧提供的信 息的权重。在至少一个实施例中，在图像或图像的一部分不包括运动的情 况下，由视频图像合成器执行的时间降噪可以使用来自先前图像的信息来 降低当前图像中的噪声。
在至少一个实施例中，视频图像合成器还可以配置为对输入的立体 透镜帧执行立体校正。在至少一个实施例中，当使用操作系统桌面时，视 频图像合成器还可以用于用户界面合成，并且不需要一个或更多个GPU 1308来连续渲染新表面。在至少一个实施例中，当对一个或更多个GPU 1308供电并使其活跃地进行3D渲染时，视频图像合成器可以被用于卸载 一个或更多个GPU 1308以改善性能和响应性。
在至少一个实施例中，一个或更多个SoC 1304可以进一步包括用于 从相机接收视频和输入的移动工业处理器接口(“MIPI”)相机串行接口、 高速接口和/或可用于相机和相关像素输入功能的视频输入块。在至少一个 实施例中，一个或更多个SoC 1304可以进一步包括输入/输出控制器，该 输入/输出控制器可以由软件控制并且可以被用于接收未提交给特定角色 的I/O信号。
在至少一个实施例中，一个或更多个SoC 1304可以进一步包括广泛 的外围接口，以使得能够与外围设备、音频编码器/解码器(“编解码器”)， 电源管理和/或其他设备通信。一个或更多个SoC 1304可用于处理来自(例 如，通过千兆位多媒体串行链路和以太网连接的)相机、传感器(例如， 一个或更多个LIDAR传感器1364，一个或更多个RADAR传感器1360等， 其可以通过以太网连接)的数据，来自总线1302的数据(例如，车辆1300 的速度、方向盘位置等)，来自一个或更多个GNSS传感器1358的数据(例 如，通过以太网或CAN总线连接)等。在至少一个实施例中，一个或更 多个SoC 1304可以进一步包括专用高性能海量存储控制器，其可以包括它 们自己的DMA引擎，并且可以用于使一个或更多个CPU 1306摆脱常规数 据管理任务。
在至少一个实施例中，一个或更多个SoC 1304可以是具有灵活架构 的端到端平台，其跨越自动化级别3-5级，从而提供利用并有效使用计算 机视觉和ADAS技术来实现多样性和冗余的综合的功能安全架构，其提供 了可提供灵活、可靠的驾驶软件堆栈以及深度学习工具的平台。在至少一 个实施例中，一个或更多个SoC 1304可以比常规系统更快、更可靠，并且 甚至在能量效率和空间效率上也更高。例如，在至少一个实施例中，一个 或更多个加速器1314当与一个或更多个CPU 1306、一个或更多个GPU 1308以及一个或更多个数据存储装置1316结合时，可以提供用于3-5级 自主车辆的快速、有效的平台。
在至少一个实施例中，计算机视觉算法可以在CPU上执行，CPU 可以使用高级编程语言(例如C编程语言)配置为在多种视觉数据上执行 多种处理算法。然而，在至少一个实施例中，CPU通常不能满足许多计算 机视觉应用的性能要求，例如与执行时间和功耗有关的性能要求。在至少 一个实施例中，许多CPU不能实时执行复杂的对象检测算法，该算法被用 于车载ADAS应用和实际3-5级自主车辆中。
本文所述的实施例允许同时和/或序列地执行多个神经网络，并且允 许将结果结合在一起以实现3-5级自动驾驶功能。例如，在至少一个实施 例中，在DLA或离散GPU(例如，一个或更多个GPU 1320)上执行的 CNN可包括文本和单词识别，从而允许超级计算机读取和理解交通标志， 包括神经网络尚未被专门训练的标志。在至少一个实施例中，DLA还可包括神经网络，该神经网络能够识别、解释并提供符号的语义理解，并将该 语义理解传递给在CPU Complex上运行的路径规划模块。
在至少一个实施例中，对于3、4或5级的驱动，可以同时运行多个 神经网络。例如，在至少一个实施例中，由“警告：闪烁的灯指示结冰状况 (Caution:flashing lightsindicate icy conditions)”连通电灯一起组成的警告 标志可以由多个神经网络独立地或共同地解释。在至少一个实施例中，可 以通过第一部署的神经网络(例如，已经训练的神经网络)将标志本身识 别为交通标志，可以通过第二部署的神经网络来解释文本“闪烁的灯指示结 冰状况(flashing lights indicate icy conditions)”，其通知车辆的路径规划软 件(最好在CPU Complex上执行)：当检测到闪烁的灯光时，就会存在结 冰状况。在至少一个实施例中，可以通过在多个帧上操作第三部署的神经 网络来识别闪烁的灯，向车辆的路径规划软件通知存在(或不存在)闪烁 的灯。在至少一个实施例中，所有三个神经网络可以同时运行，例如在DLA 内和/或在一个或更多个GPU 1308上。
在至少一个实施例中，用于面部识别和车辆所有者识别的CNN可以 使用来自相机传感器的数据来识别授权驾驶员和/或车辆1300的所有者的 存在。在至少一个实施例中，当所有者接近驾驶员门并打开灯时，常开传 感器处理器引擎可用于解锁车辆，并且，在安全模式下，当所有者离开车 辆时，可用于禁用车辆。以此方式，一个或更多个SoC 1304提供防止盗窃 和/或劫车的保障。
在至少一个实施例中，用于紧急车辆检测和识别的CNN可以使用来 自麦克风1396的数据来检测和识别紧急车辆警报器。在至少一个实施例中， 一个或更多个SoC 1304使用CNN来对环境和城市声音进行分类，以及对 视觉数据进行分类。在至少一个实施例中，训练在DLA上运行的CNN以 识别紧急车辆的相对接近速度(例如，通过使用多普勒效应)。在至少一个 实施例中，还可以训练CNN来识别针对车辆正在运行的区域的紧急车辆， 如一个或更多个GNSS传感器1358所识别。在至少一个实施例中，当在欧 洲运行时，CNN将寻求检测欧洲警报器，而在美国时，CNN将寻求仅识 别北美警报器。在至少一个实施例中，一旦检测到紧急车辆，就可以在一 个或更多个超声波传感器1362的辅助下使用控制程序来执行紧急车辆安 全例程、减速车辆、将车辆驶至路边、停车、和/或使车辆闲置，直到一个 或更多个紧急车辆通过。
在至少一个实施例中，车辆1300可以包括一个或更多个CPU 1318 (例如，一个或更多个离散CPU或一个或更多个dCPU)，其可以经由高 速互连(例如PCIe)耦合到一个或更多个SoC 1304。在至少一个实施例中， 一个或更多个CPU 1318可以包括X86处理器，例如一个或更多个CPU 1318可用于执行各种功能中的任何功能，例如包括在ADAS传感器和一个或更多个SoC 1304之间潜在的仲裁不一致的结果，和/或一个或更多个监 控控制器1336的状态和健康和/或片上信息系统(“信息SoC”)1330。
在至少一个实施例中，车辆1300可以包括一个或更多个GPU 1320 (例如，一个或更多个离散GPU或一个或更多个dGPU)，其可以经由高 速互连(例如NVIDIA的NVLINK)耦合到一个或更多个SoC 1304。在至 少一个实施例中，一个或更多个GPU 1320可以提供附加的人工智能功能， 例如通过执行冗余和/或不同的神经网络，并且可以至少部分地基于来自车 辆1300的传感器的输入(例如，传感器数据)来用于训练和/或更新神经 网络。
在至少一个实施例中，车辆1300可以进一步包括网络接口1324， 其可以包括但不限于一个或更多个无线天线1326(例如，用于不同通信协 议的一个或更多个无线天线1326，诸如蜂窝天线、蓝牙天线等)。在至少 一个实施例中，网络接口1324可以用于使通过互联网与云(例如，服务器 和/或其他网络设备)、其他车辆和/或计算设备(例如乘客的客户端设备) 无线连接。在至少一个实施例中，为了与其他车辆通信，可以在车辆130 和其他车辆之间建立直接链路和/或可以建立间接链路(例如，通过网络和 互联网)。在至少一个实施例中，可以使用车辆到车辆的通信链路来提供直 接链路。车辆到车辆的通信链路可以向车辆1300提供关于车辆1300附近 的车辆的信息(例如，车辆1300前面、侧面和/或后面的车辆)。在至少一 个实施例中，前述功能可以是车辆1300的协作自适应巡航控制功能的一部 分。
在至少一个实施例中，网络接口1324可以包括SoC，其提供调制和 解调功能并使一个或更多个控制器1336能够通过无线网络进行通信。在至 少一个实施例中，网络接口1324可以包括射频前端，用于从基带到射频的 上转换以及从射频到基带的下转换。在至少一个实施例中，可以以任何技 术上可行的方式执行频率转换。例如，可以通过公知的过程和/或使用超外 差过程来执行频率转换。在至少一个实施例中，射频前端功能可以由单独的芯片提供。在至少一个实施例中，网络接口可以包括用于通过LTE、 WCDMA、UMTS、GSM、CDMA2000、蓝牙、蓝牙LE、Wi-Fi、Z-Wave、 ZigBee、LoRaWAN和/或其他无线协议进行通信的无线功能。
在至少一个实施例中，车辆1300可以进一步包括一个或更多个数据 存储1328，其可以包括但不限于片外(例如，一个或更多个SoC 1304)存 储。在至少一个实施例中，一个或更多个数据存储1328可以包括但不限于 一个或更多个存储元件，包括RAM、SRAM、动态随机存取内存(“DRAM”)、 视频随机存取内存(“VRAM”)、闪存、硬盘和/或其他组件和/或可以存储 至少一位数据的设备。
在至少一个实施例中，车辆1300可以进一步包括一个或更多个 GNSS传感器1358(例如，GPS和/或辅助GPS传感器)，以辅助地图绘制、 感知、占用光栅生成和/或路径规划功能。在至少一个实施例中，可以使用 任何数量的GNSS传感器1358，包括例如但不限于使用具有以太网的USB 连接器连接到串行接口(例如RS-232)桥的GPS。
在至少一个实施例中，车辆1300可以进一步包括一个或更多个 RADAR传感器1360。一个或更多个RADAR传感器1360可以由车辆1300 用于远程车辆检测，即使在黑暗和/或恶劣天气条件下。在至少一个实施例 中，RADAR功能安全等级可以是ASIL B。一个或更多个RADAR传感器 1360可以使用CAN和/或总线1302(例如，以传输由一个或更多个RADAR 传感器1360生成的数据)来进行控制和访问对象跟踪数据，在某些示例中 可以访问以太网以访问原始数据。在至少一个实施例中，可以使用各种各 样的RADAR传感器类型。例如但不限于，一个或更多个RADAR传感器 1360可适合于前、后和侧面RADAR使用。在至少一个实施例中，一个或 更多个RADAR传感器1360是一个或更多个脉冲多普勒RADAR传感器。
在至少一个实施例中，一个或更多个RADAR传感器1360可以包括 不同的配置，例如具有窄视野的远程、具有宽事业的近程、近程侧面覆盖 等。在至少一个实施例中，远程RADAR可以用于自适应巡航控制功能。 在至少一个实施例中，远程RADAR系统可以提供通过两次或更多次独立 扫描(例如在250m范围内)实现的宽广的视野。在至少一个实施例中，一个或更多个RADAR传感器1360可以帮助在静态对象和运动对象之间区 分，并且可以被ADAS系统1338用于紧急制动辅助和向前碰撞警告。包 括在远程RADAR系统中的一个或更多个传感器1360可以包括但不限于具 有多个(例如六个或更多个)固定RADAR天线以及高速CAN和FlexRay 接口的单基地多模式RADAR。在至少一个实施例中，具有六个天线、中 央四个天线可以创建聚焦的波束图，该波束图设计为以较高的速度记录车 辆1300的周围环境，而相邻车道的交通干扰最小。在至少一个实施例中， 其他两个天线可以扩大视野，从而可以快速检测进入或离开车辆1300的车 道的车辆。
在至少一个实施例中，作为示例，中程RADAR系统可包括例如高 达160m(前)或80m(后)的范围，以及高达42度(前)或150度(后) 的视野。在至少一个实施例中，短程RADAR系统可以包括但不限于设计 成安装在后保险杠的两端的任意数量的RADAR传感器1360。当安装在后 保险杠的两端时，在至少一个实施例中，RADAR传感器系统可以产生两 个光束，该两个光束不断地监测车辆后部和附近的盲点。在至少一个实施 例中，短程RADAR系统可以在ADAS系统1338中用于盲点检测和/或车 道改变辅助。
在至少一个实施例中，车辆1300可以进一步包括一个或更多个超声 传感器1362。可以定位在车辆1300的前、后和/或侧面的一个或更多个超 声传感器1362可以用于停车辅助和/或创建和更新占用光栅。在至少一个 实施例中，可以使用各种各样的超声传感器1362，并且可以将不同的超声 传感器1362用于不同的检测范围(例如2.5m、4m)。在至少一个实施例中， 超声传感器1362可以在ASIL B的功能安全等级下操作。
在至少一个实施例中，车辆1300可以包括一个或更多个LIDAR传 感器1364。一个或更多个LIDAR传感器1364可以用于对象和行人检测、 紧急制动、避免碰撞和/或其他功能。在至少一个实施例中，一个或更多个 LIDAR传感器1364可以是功能安全等级ASIL B。在至少一个实施例中， 车辆1300可以包括可以使用以太网的多个(例如，两个、四个、六个等)LIDAR传感器1364(例如，将数据提供给千兆以太网交换机)。
在至少一个实施例中，一个或更多个LIDAR传感器1364可能能够 提供针对360度视野的对象及其距离的列表。在至少一个实施例中，市售 的一个或更多个LIDAR传感器1364例如可以具有大约100m的广告范围， 具有2cm-3cm的精度，并且支持100Mbps的以太网连接。在至少一个实施 例中，可以使用一个或更多个非突出的LIDAR传感器1364。在这样的实 施例中，可以将一个或更多个LIDAR传感器1364实现为可以嵌入到车辆 1300的前、后、侧面和/或拐角中的小型设备。在至少一个实施例中，一个 或更多个LIDAR传感器1364，在这样的实施例中，即使对于低反射率的 对象，也可以提供高达120度的水平视野和35度的垂直视野，并且具有 200m的范围。在至少一个实施例中，可将前向一个或更多个LIDAR传感器1364配置为用于45度至135度之间的水平视野。
在至少一个实施例中，也可以使用LIDAR技术(诸如3D闪光 LIDAR)。3D闪光LIDAR使用激光闪光作为传输源，以照亮车辆1300周 围大约200m。在至少一个实施例中，闪光LIDAR单元包括但不限于接收 器，该接收器记录激光脉冲传播时间和每个像素上的反射光，该像素又对 应于从车辆1300到对象的范围。在至少一个实施例中，闪光LIDAR可以 允许利用每个激光闪光来生成周围环境的高度准确且无失真的图像。在至 少一个实施例中，可以部署四个闪光LIDAR传感器，在车辆1300的每一 侧部署一个传感器。在至少一个实施例中，3D闪光LIDAR系统包括但不 限于除了风扇(例如非扫描LIDAR设备)以外没有移动部件的固态3D视 线阵列LIDAR相机。在至少一个实施例中，闪光LIDAR设备可以每帧使 用5纳秒的I类(人眼安全)激光脉冲，并且可以捕获3D测距点云和共同 登记的强度数据形式的反射激光。
在至少一个实施例中，车辆还可包括一个或更多个IMU传感器1366。 在至少一个实施例中，一个或更多个IMU传感器1366可位于车辆1300 的后轴中心，在至少一个实施例中。在至少一个实施例中，一个或更多个 IMU传感器1366可以包括，例如但不限于，一个或更多个加速度计、一 个或更多个磁力计、一个或更多个陀螺仪、一个或更多个磁罗经和/或其他 传感器类型。在至少一个实施例中，例如在六轴应用中，一个或更多个IMU 传感器1366可以包括但不限于加速度计和陀螺仪。在至少一个实施例中， 例如在九轴应用中，一个或更多个IMU传感器1366可以包括但不限于加 速度计、陀螺仪和磁力计。
在至少一个实施例中，一个或更多个IMU传感器1366可以实现为 结合了微机电系统(“MEMS”)惯性传感器，高灵敏度GPS接收器和先进 的卡尔曼滤波算法的微型高性能GPS辅助惯性导航系统(“GPS/INS”)，以 提供位置、速度和姿态的估算；在至少一个实施例中，一个或更多个IMU 传感器1366可使车辆1300估算航向而无需来自磁传感器通过直接观察和 关联从GPS到一个或更多个IMU传感器1366的速度变化来实现的输入。 在至少一个实施例中，一个或更多个IMU传感器1366和一个或更多个 GNSS传感器1358可以组合在单个集成单元中。
在至少一个实施例中，车辆1300可以包括放置在车辆1300内和/ 或周围的一个或更多个麦克风1396。在至少一个实施例中，此外，一个或 更多个麦克风1396可以用于紧急车辆检测和识别。
在至少一个实施例中，车辆1300可以进一步包括任何数量的相机类 型，包括一个或更多个立体相机1368、一个或更多个广角相机1370、一个 或更多个红外相机1372、一个或更多个环绕相机1374、一个或更多个远程 相机1398、一个或更多个中程相机1376和/或其他相机类型。在至少一个 实施例中，相机可用于捕获车辆1300的整个外围周围的图像数据。在至少 一个实施例中，所使用的相机的类型取决于车辆1300。在至少一个实施例 中，相机类型的任何组合可以是用于在车辆1300周围提供必要覆盖范围。 在至少一个实施例中，相机的数量可以根据实施例而不同。例如，在至少 一个实施例中，车辆1300可以包括六个相机、七个相机、十个相机、十二 个相机或其他数量的相机。相机可以作为示例但不限于支持千兆位多媒体 串行链路(“GMSL”)和/或千兆位以太网。在至少一个实施例中，本文先前参照图13A和图13B更详细地描述了每个相机。
在至少一个实施例中，车辆1300可以进一步包括一个或更多个振动 传感器1342。一个或更多个振动传感器1342可以测量车辆1300的部件(例 如，轴)的振动。例如，在至少一个实施例中，振动的变化可以指示路面 的变化。在至少一个实施例中，当使用两个或更多个振动传感器1342时， 振动之间的差异可以用于确定路面的摩擦或打滑(例如，当在动力驱动轴 和自由旋转轴之间存在振动差异时)。
在至少一个实施例中，车辆1300可以包括ADAS系统1338。在一 些示例中，ADAS系统1338可以包括但不限于SoC。在至少一个实施例中， ADAS系统1338可以包括但不限于任何数量的自主/自适应/自动巡航控制 (“ACC”)系统、协作自适应巡航控制(“CACC”)系统、前撞警告(“FCW”) 系统、自动紧急制动(“AEB”)系统、车道偏离警告(“LDW”)系统、车 道保持辅助(“LKA”)系统、盲区警告(“BSW”)系统、后方交叉交通警 告(“RCTW”)系统、碰撞警告(“CW”)系统、车道对中(“LC”)系统和 /或其他系统、特征和/或功能及其组合。
在至少一个实施例中，ACC系统可以使用一个或更多个RADAR传 感器1360、一个或更多个LIDAR传感器1364和/或任何数量的相机。在 至少一个实施例中，ACC系统可以包括纵向ACC系统和/或横向ACC系 统。在至少一个实施例中，纵向ACC系统监控并控制到紧邻车辆1300的 车辆的距离，并自动调节车辆1300的速度以保持与前方车辆的安全距离。 在至少一个实施例中，横向ACC系统执行距离保持，并在需要时建议车辆 1300改变车道。在至少一个实施例中，横向ACC与其他ADAS应用有关， 例如LC和CW。
在至少一个实施例中，CACC系统使用来自其他车辆的信息，该信 息可以经由网络接口1324和/或一个或更多个无线天线1326从其他车辆接 收经由无线链路或者间接经由网络连接(例如，经由互联网)接收。在至 少一个实施例中，直接链路可以由车辆到车辆(“V2V”)的通信链路提供， 而间接链路可以由基础设施到车辆(“I2V”)的通信链路提供。通常，V2V 通信概念提供关于紧接在前的车辆(例如，紧接在车辆1300之前并与之在 同一车道上的车辆)的信息，而I2V通信概念提供关于更前方交通的信息。 在至少一个实施例中，CACC系统可以包括I2V和V2V信息源之一或两者。 在至少一个实施例中，在给定车辆1300之前的车辆的信息的情况下，CACC 系统可以更可靠，并且具有改善交通流的平滑度并减少道路拥堵的潜力。
在至少一个实施例中，FCW系统被设计成警告驾驶员危险，以便驾 驶员可以采取纠正措施。在至少一个实施例中，FCW系统使用前向相机和 /或一个或更多个RADAR传感器1360，其耦合至专用处理器、DSP、FPGA 和/或ASIC，其电耦合至驾驶员反馈，例如显示器、扬声器和/或振动组件。 在至少一个实施例中，FCW系统可以提供警告，例如以声音、视觉警告， 振动和/或快速制动脉冲的形式。
在至少一个实施例中，AEB系统检测到与另一车辆或其他对象的即 将发生的向前碰撞，并且如果驾驶员在指定的时间或距离参数内未采取纠 正措施，则可以自动施加制动。在至少一个实施例中，AEB系统可以使用 耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个前向相机和/ 或一个或更多个RADAR传感器1360。在至少一个实施例中，当AEB系 统检测到危险时，AEB系统通常首先警告驾驶员采取纠正措施以避免碰撞， 并且，如果驾驶员没有采取纠正措施，则AEB系统可以自动施加制动器以 试图防止或至少减轻预测碰撞的影响。在至少一个实施例中，AEB系统可 以包括诸如动态制动器支持和/或即将发生碰撞的制动的技术。
在至少一个实施例中，当车辆1300越过车道标记时，LDW系统提 供视觉、听觉和/或触觉警告，例如方向盘或座椅振动，以警告驾驶员。在 至少一个实施例中，当驾驶员通过激活转向信号灯指示有意的车道偏离时， LDW系统不活跃。在至少一个实施例中，LDW系统可以使用耦合到专用 处理器、DSP、FPGA和/或ASIC的面向正面的相机，其电耦合至诸如显示器、扬声器和/或振动组件。在至少一个实施例中，LKA系统是LDW系 统的一种变型。如果车辆1300开始离开车道，则LKA系统提供转向输入 或制动以校正车辆1300。
在至少一个实施例中，BSW系统检测并警告汽车盲区中的车辆驾驶 员。在至少一个实施例中，BSW系统可以提供视觉、听觉和/或触觉警报， 以指示合并或改变车道是不安全的。在至少一个实施例中，当驾驶员使用 转向灯时，BSW系统可以提供附加警告。在至少一个实施例中，BSW系 统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个朝后侧的相机和/或一个或更多个RADAR传感器1360，其电耦合到驾驶员 反馈，例如显示器、扬声器和/或振动组件。
在至少一个实施例中，当在车辆1300倒车时在后相机范围之外检测 到对象时，RCTW系统可以提供视觉、听觉和/或触觉通知。在至少一个实 施例中，RCTW系统包括AEB系统，以确保应用车辆制动器以避免碰撞。 在至少一个实施例中，RCTW系统可以使用一个或更多个面向后方的 RADAR传感器1360，其耦合到专用处理器、DSP、FPGA和/或ASIC，其 电耦合到驾驶员反馈，诸如显示器、扬声器和/或振动组件。
在至少一个实施例中，常规的ADAS系统可能易于产生误报结果， 这可能使驾驶员烦恼和分散注意力，但通常不是灾难性的，因为常规的 ADAS系统会警告驾驶员并允许驾驶员决定安全状况是否真正存在并采取 相应行动。在至少一个实施例中，在结果冲突的情况下，车辆1300本身决 定是否听从主计算机或副计算机(例如，第一控制器1336或第二控制器 1336)的结果。例如，在至少一个实施例中，ADAS系统1338可以是用于 将感知信息提供给备份计算机合理性模块的备用和/或辅助计算机。在至少 一个实施例中，备用计算机合理性监控器可以在硬件组件上运行冗余的各 种软件，以检测感知和动态驾驶任务中的故障。在至少一个实施例中，可 以将来自ADAS系统1338的输出提供给监控MCU。在至少一个实施例中， 如果来自主计算机和辅助计算机的输出冲突，则监督MCU决定如何协调 冲突以确保安全操作。
在至少一个实施例中，主计算机可以配置为向监督MCU提供置信 度分数，以指示主计算机对所选结果的置信度。在至少一个实施例中，如 果置信度得分超过阈值，则监督MCU可以遵循主计算机的指示，而不管 辅助计算机是否提供冲突或不一致的结果。在至少一个实施例中，在置信 度得分不满足相关阈值的情况下，并且在主计算机和辅助计算机指示不同 的结果(例如，冲突)的情况下，监督MCU可以在计算机之间仲裁以确 定适当的结果。
在至少一个实施例中，监督MCU可以配置为运行神经网络，该神 经网络被训练和配置为至少部分地基于来自主计算机和辅助计算机的输出 来确定辅助计算机提供错误警报的条件。在至少一个实施例中，监督MCU 中的神经网络可以学习何时可以信任辅助计算机的输出，以及何时不能信 任。例如，在至少一个实施例中，当辅助计算机是基于RADAR的FCW 系统时，监督MCU中的神经网络可以学习FCW系统何时识别实际上不是 危险的金属对象，例如会触发警报的排水格栅或井盖。在至少一个实施例 中，当辅助计算机是基于相机的LDW系统时，当存在骑自行车的人或行 人并且实际上车道偏离是最安全的操作时，监督MCU中的神经网络可以 学会覆盖LDW。在至少一个实施例中，监督MCU可以包括适合于运行具 有相关联的内存的神经网络的DLA或GPU中的至少一个。在至少一个实 施例中，监督MCU可以包括和/或被包括为一个或更多个SoC 1304的组件。
在至少一个实施例中，ADAS系统1338可以包括使用传统的计算机 视觉规则执行ADAS功能的辅助计算机。在至少一个实施例中，辅助计算 机可以使用经典计算机视觉规则(如果-则)，并且监督MCU中的神经网 络的存在可以提高可靠性、安全性和性能。例如，在至少一个实施例中， 多样化的实现方式和有意的非同一性使得整个系统更加容错，尤其是对于 由软件(或软件-硬件接口)功能引起的故障。例如，在至少一个实施例中， 如果在主计算机上运行的软件中存在软件漏洞或错误，并且在辅助计算机 上运行的不相同的软件代码提供了相同的总体结果，则监督MCU可以更 有把握地认为总体结果是正确，并且主计算机上的软件或硬件中的漏洞不 会导致重大错误。
在至少一个实施例中，可以将ADAS系统1338的输出输入到主计 算机的感知模块和/或主计算机的动态驾驶任务模块中。例如，在至少一个 实施例中，如果ADAS系统1338由于正前方的对象而指示向前碰撞警告， 则感知块可以在识别对象时使用该信息。在至少一个实施例中，如本文所 述，辅助计算机可以具有其自己的神经网络，该神经网络经过训练从而降 低了误报的风险。
在至少一个实施例中，车辆1300可以进一步包括信息娱乐SoC 1330 (例如，车载信息娱乐系统(IVI))。尽管被示出和描述为SoC，但是在至 少一个实施例中，信息娱乐系统1330可以不是SoC，并且可以包括但不限 于两个或更多个分立组件。在至少一个实施例中，信息娱乐SoC 1330可以 包括但不限于硬件和软件的组合，其可以用于提供音频(例如，音乐、个 人数字助理、导航指令、新闻、广播等)、视频(例如，电视、电影、流媒 体等)、电话(例如，免提通话)、网络连接(例如，LTE、Wi-Fi等)和/ 或信息服务(例如，导航系统、后停车辅助、无线电数据系统、与车辆相 关的信息，例如燃油水平、总覆盖距离、制动燃油水平、油位、车门打开/ 关闭、空气滤清器信息等)到车辆1300。例如，信息娱乐SoC 1330可以 包括收音机、磁盘播放器、导航系统、视频播放器、USB和蓝牙连接、汽 车、车载娱乐系统、Wi-Fi、方向盘音频控制、免提语音控制、抬头显示器 (“HUD”)、HMI显示器1334、远程信息处理设备、控制面板(例如，用 于控制各种组件、特征和/或系统和/或与之交互)和/或其他组件。在至少 一个实施例中，信息娱乐SoC 1330可以进一步用于向车辆的用户提供信息 (例如，视觉和/或听觉的)，诸如来自ADAS系统1338的信息、自动驾驶 信息(诸如计划的车辆操纵)、轨迹、周围环境信息(例如，交叉路口信息、 车辆信息、道路信息等)和/或其他信息。
在至少一个实施例中，信息娱乐SoC 1330可以包括任何数量和类型 的GPU功能。在至少一个实施例中，信息娱乐SoC 1330可以通过总线1302 (例如，CAN总线、以太网等)与车辆1300的其他设备、系统和/或组件 通信。在至少一个实施例中，信息娱乐SoC 1330可以是耦合到监控MCU， 使得信息娱乐系统的GPU可以在主控制器1336(例如，车辆1300的主计算机和/或备用计算机)发生故障的情况下执行一些自动驾驶功能。在至少 一个实施例中，信息娱乐SoC 1330可以使车辆1300进入司机到安全停止 模式，如本文所述。
在至少一个实施例中，车辆1300可以进一步包括仪表板1332(例 如，数字仪表板、电子仪表板、数字仪表操纵板等)。仪表板1332可以包 括但不限于控制器和/或超级计算机(例如，离散控制器或超级计算机)。 在至少一个实施例中，仪表板1332可以包括但不限于一组仪表的任何数量 和组合，例如车速表、燃料水平、油压、转速表、里程表、转弯指示器、换档位置指示器、一个或更多个安全带警告灯、一个或更多个驻车制动警 告灯、一个或更多个发动机故障灯、辅助约束系统(例如安全气囊)信息、 照明控件、安全系统控件、导航信息等。在某些示例中，信息可能是在信 息娱乐SoC 1330和仪表板1332之间显示和/或共享。在至少一个实施例中， 仪表板1332可以被包括作为信息娱乐SoC 1330的一部分，反之亦然。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图13C中使用，以至少部分地基于使用神经网络训练操作、神经网络 功能和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预 测操作。
图13D是根据至少一个实施例的在基于云的服务器与图13A的自主 车辆1300之间进行通信的系统1376的图。在至少一个实施例中，系统1376 可以包括但不限于一个或更多个服务器1378、一个或更多个网络1390以 及任何数量和类型的车辆，包括车辆1300。一个或更多个服务器1378可 以包括但不限于，多个GPU 1384(A)-1384(H)(在本文中统称为GPU1384)、 PCIe开关1382(A)-1382(H)(在本文中统称为PCIe开关1382)，和/ 或CPU 1380(A)-1380(B)(在本文中统称为CPU 1380)、GPU 1384、 CPU 1380和PCIe开关1382可以与高速连接线互连，例如但不限于，由 NVIDIA开发的NVLink接口1388和/或PCIe连接1386。在至少一个实施 例中，GPU 1384通过NVLink和/或NVSwitchSoC连接，GPU 1384和PCIe 开关1382通过PCIe互连连接。在至少一个实施例中，尽管示出了八个GPU 1384、两个CPU 1380和四个PCIe开关1382，但这并不旨在进行限制。在 至少一个实施例中，一个或更多个服务器1378中的每一个可以包括但不限 于任意数量的GPU 1384、CPU 1380和/或PCIe开关1382的任何组合。例 如，在至少一个实施例中，一个或更多个服务器1378可各自包括八个、十 六个、三十二个和/或更多个GPU 1384。
在至少一个实施例中，一个或更多个服务器1378可以通过一个或更 多个网络1390并从车辆接收表示图像的图像数据，该图像示出了意外的或 改变的道路状况，例如最近开始的道路工程。在至少一个实施例中，一个 或更多个服务器1378可以通过一个或更多个网络1390并且向车辆传输神 经网络1392、更新的神经网络1392和/或地图信息1394，包括但不限于关 于交通和道路状况的信息。在至少一个实施例中，对地图信息1394的更新可以包括但不限于对HD地图1322的更新，例如关于建筑工地、坑洼、便 道、洪水和/或其他障碍物的信息。在至少一个实施例中，神经网络1392、 更新的神经网络1392和/或地图信息1394可能是由从环境中的任何数量的 车辆接收的数据中表示的新训练和/或经验产生的，和/或至少基于在数据中 心执行的训练(例如，使用一个或更多个服务器1378和/或其他服务器)。
在至少一个实施例中，一个或更多个服务器1378可以用于至少部分 地基于训练数据来训练机器学习模型(例如，神经网络)。训练数据可以由 车辆产生，和/或可以在模拟中产生(例如，使用游戏引擎)。在至少一个 实施例中，标记任何数量的训练数据(例如，在相关的神经网络受益于监 督学习的情况下)和/或经历其他预处理。在至少一个实施例中，没有对任 何数量的训练数据进行标记和/或预处理(例如，在相关联的神经网络不需 要监督学习的情况下)。在至少一个实施例中，一旦机器学习模型被训练， 机器学习模型就可以被车辆使用(例如，通过一个或更多个网络1390传输 到车辆，和/或机器学习模型可以被一个或更多个服务器1378使用以远程 监控车辆。
在至少一个实施例中，一个或更多个服务器1378可以从车辆接收数 据并且将数据应用于最新的实时神经网络以用于实时智能推理。在至少一 个实施例中，一个或更多个服务器1378可以包括由一个或更多个GPU 1384供电的深度学习超级计算机和/或专用AI计算机，例如由NVIDIA开 发的DGX和DGX Station机器。然而，在至少一个实施例中，一个或更多 个服务器1378可以包括使用CPU供电的数据中心的深度学习基础设施。
在至少一个实施例中，一个或更多个服务器1378的深度学习基础结 构可能能够进行快速、实时的推理，并且可以使用该能力来评估和验证车 辆1300中处理器、软件和/或相关硬件的健康。例如，在至少一个实施例 中，深度学习基础设施可以从车辆1300接收周期性更新，例如车辆1300 在该图像序列中所定位的图像序列和/或对象(例如，通过计算机视觉和/ 或其他机器学习对象分类技术)。在至少一个实施例中，深度学习基础设施 可以运行其自己的神经网络以识别对象并将它们与车辆1300所识别的对 象进行比较，并且，如果结果不匹配和深度学习基础设施断定车辆1300 中的AI正在发生故障，则一个或更多个服务器1378可以将信号发送到车 辆1300，以指示车辆1300的故障安全计算机采取控制、通知乘客并完成 安全停车操作。
在至少一个实施例中，一个或更多个服务器1378可以包括一个或更 多个GPU1384和一个或更多个可编程推理加速器(例如NVIDIA的 TensorRT 3)。在至少一个实施例中，GPU驱动的服务器和推理加速的组合 可以使实时响应成为可能。在至少一个实施例中，例如在性能不太关键的 情况下，可以将由CPU、FPGA和其他处理器驱动的服务器用于推理。在 至少一个实施例中，硬件结构1015用于执行一个或更多个实施例。下面结 合图10A和/或图10B提供关于硬件结构1015的细节。
计算机系统
图14是示出根据至少一个实施例示例性计算机系统的框图，该示例 性计算机系统可以是具有互连的设备和组件的系统，片上系统(SOC)或 它们的某种形成有处理器的组合1400，该处理器可以包括执行单元以执行 指令。在至少一个实施例中，根据本公开，例如本文所述的实施例，计算 机系统1400可以包括但不限于组件，例如处理器1402，其执行单元包括 逻辑以执行用于过程数据的算法。在至少一个实施例中，计算机系统1400 可以包括处理器，例如可从加利福尼亚圣塔克拉拉的英特尔公司(Intel Corporation of SantaClara,California)获得的
处理器家族、 XeonTM、
XScaleTM和/或StrongARMTM，
CoreTM或
NervanaTM微处理器，尽管也可以使用其他系统(包括具有其他微处理器 的PC、工程工作站、机顶盒等)。在至少一个实施例中，计算机系统1400 可以执行可从华盛顿州雷蒙德市的微软公司(Microsoft Corporation of Redmond,Wash.)获得的WINDOWS操作系统版本，尽管其他操作系统(例 如UNIX和Linux)、嵌入式软件和/或图形用户界面也可以使用。
实施例可以用在其他设备中，例如手持设备和嵌入式应用。手持设 备的一些示例包括蜂窝电话、互联网协议(Internet Protocol)设备、数码 相机、个人数字助理(“PDA”)和手持PC。在至少一个实施例中，嵌入式 应用可以包括微控制器、数字信号处理器(“DSP”)、片上系统、网络计算 机(“NetPC”)、机顶盒、网络集线器、广域网(“WAN”)交换机，或根据 至少一个实施例可以执行一个或更多个指令的任何其他系统。
在至少一个实施例中，计算机系统1400可包括但不限于处理器1402， 该处理器1402可包括但不限于一个或更多个执行单元1408，以根据本文 描述的技术执行机器学习模型训练和/或推理。在至少一个实施例中，计算 机系统14A是单处理器台式机或服务器系统，但是在另一实施例中，计算 机系统14A可以是多处理器系统。在至少一个实施例中，处理器1402可 以包括但不限于复杂指令集计算机(“CISC”)微处理器、精简指令集计算(“RISC”)微处理器、超长指令字(“VLIW”)微处理器、实现指令集组 合的处理器，或任何其他处理器设备，例如数字信号处理器。在至少一个 实施例中，处理器1402可以耦合到处理器总线1410，该处理器总线1410 可以在处理器1402与计算机系统1400中的其他组件之间传输数据信号。
在至少一个实施例中，处理器1402可以包括但不限于1级(“L1”) 内部高速缓存内存(“cache”)1404。在至少一个实施例中，处理器1402 可以具有单个内部高速缓存或多级内部缓存。在至少一个实施例中，高速 缓存内存可以驻留在处理器1402的外部。根据特定的实现和需求，其他实 施例也可以包括内部和外部高速缓存的组合。在至少一个实施例中，寄存 器文件1406可以在各种寄存器中存储不同类型的数据，包括但不限于整数 寄存器、浮点寄存器、状态寄存器和指令指针寄存器。
在至少一个实施例中，包括但不限于执行整数和浮点运算的逻辑的 执行单元1408，其也位于处理器1402中。处理器1402还可以包括微码 (“ucode”)只读内存(“ROM”)，用于存储某些宏指令的微代码。在至少 一个实施例中，执行单元1408可以包括用于处理封装指令集1409的逻辑。 在至少一个实施例中，通过将封装指令集1409包括在通用处理器1402的 指令集中，以及要执行指令的相关电路，可以使用通用处理器1402中的封 装数据来执行许多多媒体应用程序使用的操作。在一个或更多个实施例中， 可以通过使用处理器的数据总线的全宽度来在封装的数据上执行操作来加 速和更有效地执行许多多媒体应用程序，这可能不需要在处理器的数据总 线上传输较小的数据单元来一次执行一个数据元素的一个或更多个操作。
在至少一个实施例中，执行单元1408也可以用在微控制器、嵌入式 处理器、图形设备、DSP和其他类型的逻辑电路中。在至少一个实施例中， 计算机系统1400可以包括但不限于内存1420。在至少一个实施例中，内 存1420可以被实现为动态随机存取内存(“DRAM”)设备、静态随机存取 内存(“SRAM”)设备、闪存设备或其他存储设备。内存1420可以存储由处理器1402可以执行的由数据信号表示的指令1419和/或数据1421。
在至少一个实施例中，系统逻辑芯片可以耦合到处理器总线1410和 内存1420。在至少一个实施例中，系统逻辑芯片可以包括但不限于内存控 制器集线器(“MCH”)1416，并且处理器1402可以经由处理器总线1410 与MCH 1416通信。在至少一个实施例中，MCH 1416可以提供到内存1420 的高带宽内存路径1418以用于指令和数据存储以及用于图形命令、数据和 纹理的存储。在至少一个实施例中，MCH 1416可以在处理器1402、内存 1420和计算机系统1400中的其他组件之间启动数据信号，并且在处理器 总线1410、内存1420和系统I/O 1422之间桥接数据信号。在至少一个实 施例中，系统逻辑芯片可以提供用于耦合到图形控制器的图形端口。在至 少一个实施例中，MCH 1416可以通过高带宽内存路径1418耦合到内存 1420，并且图形/视频卡1412可以通过加速图形端口(Accelerated Graphics Port)(“AGP”)互连1414耦合到MCH 1416。
在至少一个实施例中，计算机系统1400可以使用系统I/O 1422作为 专有集线器接口总线来将MCH 1416耦合到I/O控制器集线器(“ICH”)1430。 在至少一个实施例中，ICH1430可以通过本地I/O总线提供与某些I/O设 备的直接连接。在至少一个实施例中，本地I/O总线可以包括但不限于用 于将外围设备连接到内存1420、芯片组和处理器1402的高速I/O总线。 示例可以包括但不限于音频控制器1429、固件集线器(“Flash BIOS”)1428、 无线收发器1426、数据存储1424、包含用户输入的传统I/O控制器1423 和键盘接口、串行扩展端口1427(例如通用串行总线(USB))和网络控 制器1434。数据存储1424可以包括硬盘驱动器、软盘驱动器、CD-ROM 设备、闪存设备或其他大容量存储设备。
在至少一个实施例中，图14示出了包括互连的硬件设备或“芯片” 的系统，而在其他实施例中，图14可以示出示例性片上系统(“SoC”)。 在至少一个实施例中，图14中示出的设备可以与专有互连、标准化互连(例 如，PCIe)或其某种组合互连。在至少一个实施例中，系统1400的一个或 更多个组件使用计算快速链路(CXL)互连来互连。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关的推 理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练逻 辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在图 14的系统中使用，用于至少部分地基于使用神经网络训练操作、神经网络 功能和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测 操作。
在一些实施例中，例如，可以通过扩展端口1427或无线收发器1426 接收视频数据流，然后将其定向到处理器1402和/或视频图形卡1412以进 行处理。根据这些组件是设备(诸如自主车辆)的一部分还是单独的设备， 然后输出可以经由I/O到达控制系统或经由无线收发器传输到车辆，以及 其他这样的选择。
图15是示出根据至少一个实施例的用于利用处理器1510的电子设 备1500的框图。在至少一个实施例中，电子设备1500可以是，例如但不 限于，笔记本电脑、塔式服务器、机架服务器、刀片服务器、膝上型计算 机、台式机、平板电脑、移动设备、电话、嵌入式计算机或任何其他合适 的电子设备。
在至少一个实施例中，系统1500可以包括但不限于通信地耦合到任 何合适数量或种类的组件、外围设备、模块或设备的处理器1510。在至少 一个实施例中，处理器1510使用总线或接口耦合，诸如
总线、系统管 理总线(“SMBus”)、低引脚数(LPC)总线、串行外围接口(“SPI”)、高 清音频(“HDA”)总线、串行高级技术附件(“SATA”)总线、通用串行总 线(“USB”)(1、2、3版)或通用异步接收器/发送器(“UART”)总线。 在至少一个实施例中，图15示出了系统，该系统包括互连的硬件设备或“芯 片”，而在其他实施例中，图15可以示出示例性片上系统(“SoC”)。在至 少一个实施例中，图15中所示的设备可以与专有互连线、标准化互连(例 如，PCIe)或其某种组合互连。在至少一个实施例中，图15的一个或更多 个组件使用计算快速链路(CXL)互连线来互连。
在至少一个实施例中，图15可以包括显示器1524、触摸屏1525、 触摸板1530、近场通信单元(“NFC”)1545、传感器集线器1540、热传感 器1546、快速芯片组(“EC”)1535、可信平台模块(“TPM”)1538、BIOS /固件/闪存(“BIOS，FW Flash”)1522、DSP1560、驱动器(“SSD”或“HDD”) 1520(例如固态磁盘(“SSD”)或硬盘驱动器(“HDD”))、无线局域网单 元(“WLAN”)1550、蓝牙单元1552、无线广域网单元(“WWAN”)1556、 全球定位系统(GPS)1555、相机(“USB3.0相机”)1554(例如USB 3.0 相机)或以例如LPDDR3标准实现的低功耗双倍数据速率(“LPDDR”)内 存单元(“LPDDR3”)1515。这些组件可以各自以任何合适的方式实现。
在至少一个实施例中，其他组件可以通过以上讨论的组件通信地耦 合到处理器1510。在至少一个实施例中，加速度计1541、环境光传感器 (“ALS”)1542、罗盘1543和陀螺仪1544可以可通信地耦合到传感器集 线器1540。在至少一个实施例中，热传感器1539、风扇1537、键盘1546 和触摸板1530可以通信地耦合到EC1535。在至少一个实施例中，扬声器1563、耳机1564和麦克风(“mic”)1565可以通信地耦合到音频单元(“音 频编解码器和D类放大器”)1564，其又可以通信地耦合到DSP1560。在 至少一个实施例中，音频单元1564可以包括例如但不限于音频编码器/解 码器(“编解码器”)和D类放大器。在至少一个实施例中，SIM卡(“SIM”) 1557可以通信地耦合到WWAN单元1556。在至少一个实施例中，组件(诸 如WLAN单元1550和蓝牙单元1552以及WWAN单元1556)可以被实现 为下一代形式因素(NGFF)。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图15中使用，用于至少部分地基于使用神经网络训练操作、神经网络 功能和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测 操作。
图16示出了根据至少一个实施例的计算机系统1600。在至少一个 实施例中，计算机系统1600配置为实现贯穿本公开描述的各种过程和方法。
在至少一个实施例中，计算机系统1600包括但不限于至少一个中央 处理单元(“CPU”)1602，该中央处理单元(“CPU”)1602连接到使用任 何合适协议实现的通信总线1610，诸如PCI(“外围设备互联”)、外围组件 互连Express(“PCI-Express”)、AGP(“加速图形端口”)、超传输或任何其 他总线或点对点通信协议。在至少一个实施例中，计算机系统1600包括但 不限于主内存1604和控制逻辑(例如，实现为硬件、软件或其组合)，并 且数据可以采取随机存取内存(“RAM”)的形式存储在主内存1604中。 在至少一个实施例中，网络接口子系统(“网络接口”)1622提供到其他计 算设备和网络的接口，用于从计算机系统1600接收数据并将数据传输到其 他系统。
在至少一个实施例中，计算机系统1600在至少一个实施例中包括但 不限于输入设备1608、并行处理系统1612和显示设备1606，它们可以使 用常规的阴极视线管(“CRT”)、液晶显示器(“LCD”)、发光二极管(“LED”)、 等离子显示器或其他合适的显示技术实现。在至少一个实施例中，从输入 设备1608(诸如键盘、鼠标、触摸板、麦克风等)接收用户输入。在至少 一个实施例中，前述模块中的每一个可以位于单个半导体平台上以形成处 理系统。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图16中使用，以至少部分地基于使用神经网络训练操作、神经网络功 能和/或架构或本文所述的神经网络用例计算出的权重参数来进行推理或 预测操作。
图17示出了根据至少一个实施例的计算机系统1700。在至少一个 实施例中，计算机系统1700包括但不限于计算机1710和USB盘1720。 在至少一个实施例中，计算机1710可以包括但不限于任何数量和类型的处 理器(未示出)和内存(未示出)。在至少一个实施例中，计算机1710包 括但不限于服务器、云实例、膝上型计算机和台式计算机。
在至少一个实施例中，USB盘1720包括但不限于处理单元1730、USB接口1740和USB接口逻辑1750。在至少一个实施例中，处理单元 1730可以是任何指令执行系统、装置或能够执行指令的设备。在至少一个 实施例中，处理单元1730可以包括但不限于任何数量和类型的处理核心 (未示出)。在至少一个实施例中，处理核心1730包括专用集成电路(“ASIC”)，该专用集成电路被优化为执行与机器学习相关联的任何数量 和类型的操作。例如，在至少一个实施例中，处理核心1730是张量处理单 元(“TPC”)，其被优化以执行机器学习推理操作。在至少一个实施例中， 处理核心1730是视觉处理单元(“VPU”)，其被优化以执行机器视觉和机 器学习推理操作。
在至少一个实施例中，USB接口1740可以是任何类型的USB连接 器或USB插座。例如，在至少一个实施例中，USB接口1740是用于数据 和电源的USB 3.0Type-C插座。在至少一个实施例中，USB接口1740是 USB 3.0Type-A连接器。在至少一个实施例中，USB接口逻辑1750可以 包括使处理单元1730能够经由USB连接器1740与设备(例如计算机1710) 相连接的任何数量和类型的逻辑。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 系统图17中使用，至少部分地基于使用神经网络训练操作、神经网络功能 和/或架构或本文所述的神经网络用例计算出的权重参数来推理或预测操 作。
图18示出了根据本文所述的各个实施例的示例性集成电路和相关 联的图形处理器，其可以使用一个或更多个IP核心来制造。除了图示之外， 在至少一个实施例中可以包括其他逻辑和电路，包括附加的图形处理器/ 核心、外围接口控制器或通用处理器核心。
图18是示出根据至少一个实施例的可使用一个或更多个IP核心制 造的芯片集成电路1800上的示例性系统的框图。在至少一个实施例中，集 成电路1800包括一个或更多个应用处理器1805(例如，CPU)、至少一个 图形处理器1810，并且可以另外包括图像处理器1815和/或视频处理器 1820，其中任意一个可能是模块化IP核心。在至少一个实施例中，集成电 路1800包括外围或总线逻辑，其包括USB控制器1825、UART控制器1830、 SPI/SDIO控制器1835和I.sup.2S/I.sup.2C控制器1840。在至少一个实施例 中，集成电路1800可以包括显示设备1845耦合到高清多媒体接口(HDMI) 控制器1850和移动工业处理器接口(MIPI)显示接口1855中的一个或更 多个。在至少一个实施例中，存储可以由闪存子系统1860提供，包括闪存 和闪存控制器。在至少一个实施例中，可以经由内存控制器1865提供内存 接口以用于访问SDRAM或SRAM内存设备。在至少一个实施例中，一些 集成电路还包括嵌入式安全引擎1870。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 集成电路1800中用于至少部分地基于使用神经网络训练操作、神经网络功 能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操 作。
例如，推理和/或训练逻辑1015可以接受输入视频流，并为视频流 中表示的对象生成推理，如本文所述。在至少一些实施例中，图像处理器 1815可以用于在接收到视频帧时对其进行处理。
图19A-19B示出了根据本文所述的各个实施例的示例性集成电路和 相关联的图形处理器，其可以使用一个或更多个IP核心来制造。除了图示 之外，在至少一个实施例中可以包括其他逻辑和电路，包括附加的图形处 理器/核心、外围接口控制器或通用处理器核心。
图19A-19B是示出根据本文描述的实施例的在SoC内使用的示例性 图形处理器的框图。图19A示出了根据至少一个实施例的芯片集成电路上 系统的示例性图形处理器1910，其可以使用一个或更多个IP核心来制造。 图19B示出了根据至少一个实施例的芯片集成电路上系统的另外示例性图 形处理器1940，其可以使用一个或更多个IP核心来制造。在至少一个实 施例中，图19A的图形处理器1910是低功耗图形处理器核心。在至少一 个实施例中，图19B的图形处理器1940是更高性能的图形处理器核心。 在至少一个实施例中，每个图形处理器1910、1940可以是图18的图形处 理器1810的变体。
在至少一个实施例中，图形处理器1910包括顶点处理器1905和一 个或更多个片段处理器1915A-1915N(例如1915A、1915B、1915C、1915D 至1915N-1和1915N)。在至少一个实施例中，图形处理器1910可以经由 单独的逻辑来执行不同的着色器程序，使得顶点处理器1905被优化以执行 针对顶点着色器程序的操作，而一个或更多个片段处理器1915A-1915N执 行片段(例如，像素)着色操作用于片段或像素或着色器程序。在至少一 个实施例中，顶点处理器1905执行3D图形管线的顶点处理阶段并生成图 元和顶点数据。在至少一个实施例中，一个或更多个片段处理器 1915A-1915N使用由顶点处理器1905生成的图元和顶点数据来生成在显 示设备上显示的帧缓冲区。在至少一个实施例中，一个或更多个片段处理 器1915A-1915N被优化以执行如在OpenGL API中所提供的片段着色器程 序，其可以用于执行与在Direct 3D API中所提供的像素着色器程序类似的 操作。
在至少一个实施例中，图形处理器1910附加地包括一个或更多个内 存管理单元(MMU)1920A-1920B、一个或更多个高速缓存1925A-1925B 和一个或更多个电路互连1930A-1930B。在至少一个实施例中，一个或更 多个MMU 1920A-1920B提供用于图形处理器1910的虚拟到物理地址的映 射，包括用于顶点处理器1905和/或片段处理器1915A-1915N，其可以引 用存储在内存中的顶点或图像/纹理数据，除了存储在一个或更多个高速缓 存1925A-1925B中的顶点或图像/纹理数据之外。在至少一个实施例中，一 个或更多个MMU 1920A-1920B可以与系统内的其他MMU同步，包括与 图18的一个或更多个应用处理器1805、图像处理器1815和/或视频处理器 1820相关联的一个或更多个MMU，使得每个处理器1805-1820可以参与 共享或统一的虚拟内存系统。在至少一个实施例中，一个或更多个电路互 连1930A-1930B使图形处理器1910能够经由SoC的内部总线或经由直接 连接与SoC内的其他IP核心相连接。
在至少一个实施例中，图形处理器1940包括图19A的图形处理器 1910的一个或更多个MMU 1920A-1920B、高速缓存1925A-1925B和电路 互连1930A-1930B。在至少一个实施例中，图形处理器1940包括一个或更 多个着色器核心1955A-1955N(例如，1955A、1955B、1955C、1955D、1955E、1955F到1955N-1和1955N)，其提供了统一的着色器核心架构， 其中单个核心或类型或核心可以执行所有类型的可编程着色器代码，包括 用于实现顶点着色器、片段着色器和/或计算着色器的着色器程序代码。在 至少一个实施例中，多个着色器核心可以变化。在至少一个实施例中，图 形处理器1940包括核心间任务管理器1945，其充当线程分派器以将执行 线程分派给一个或更多个着色器核心1955A-1955N和分块单元1958，以加 速基于图块渲染的分块操作，其中在图像空间中细分了场景的渲染操作， 例如，以利用场景内的局部空间相干或优化内部缓存的使用。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 集成电路图19A和/或图19B中用于至少部分地基于使用神经网络训练操 作、神经网络功能或架构，或本文所述的神经网络用例计算的权重参数来 进行推理或预测操作。例如，推理和/或训练逻辑1015可以接受输入视频 流，并为视频流中表示的对象生成推理，如本文讨论的。
图20A-20B示出了根据本文描述的实施例的附加的示例性图形处理 器逻辑。在至少一个实施例中，图20A示出了可以包括在图18的图形处 理器1810内的图形核心2000，在至少一个实施例中，可以是图19B中统 一的着色器核心1955A-1955N。图20B示出了在至少一个实施例中的适用 于在多芯片模块上部署的高度并行的通用图形处理单元2030。
在一个实施例中，图形核心2000包括共享指令高速缓存2002、纹 理单元2018和高速缓存/共享内存2020，它们是图形核心2000内的执行资 源所共有的。在至少一个实施例中，图形核心2000可以包括多个切片(slice) 2001A-2001N或每个核心的分区，图形处理器可以包括图形核心2000的多 个实例。切片2001A-2001N可以包括支持逻辑，该支持逻辑包括本地指令 高速缓存2004A-2004N、线程调度器2006A-2006N、线程分派器 2008A-2008N和一组寄存器2010A-2010N。在至少一个实施例中，切片 2001A-2001N可以包括一组附加功能单元(AFU 2012A-2012N)、浮点单元 (FPU 2014A-2014N)、整数算术逻辑单元(ALU 2016A-2016N)、地址计 算单元(ACU 2013A-2013N)、双精度浮点单元(DPFPU 2015A-2015N) 和矩阵处理单元(MPU 2017A-2017N)。
在一个实施例中，FPU 2014A-2014N可以执行单精度(32位)和半 精度(16位)浮点运算，而DPFPU 2015A-2015N可以执行双精度(64位) 浮点运算点操作。在一个实施例中，ALU 2016A-2016N可以以8位、16 位和32位精度执行可变精度整数运算，并且可以被配置用于混合精度运算。 在一个实施例中，MPU 2017A-2017N还可被配置用于混合精度矩阵运算，包括半精度浮点运算和8位整数运算。在一个实施例中，MPU 2017A-2017N 可以执行各种矩阵操作以加速机器学习应用框架，包括使得能够支持加速 的通用矩阵到矩阵乘法(GEMM)。在一个实施例中，AFU 2012A-2012N 可以执行浮点数或整数单元不支持的附加逻辑运算，包括三角运算(例如， Sine、Cosine等)。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 图形核心2000中用于至少部分地基于使用神经网络训练操作、神经网络功 能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操 作。
图20B示出了在至少一个实施例中的通用处理单元(GPGPU)2030， 其可以被配置为使得高度并行的计算操作能够由图形处理单元阵列来执行。 在至少一个实施例中，GPGPU 2030可以直接链路到GPGPU 2030的其他 实例，以创建多GPU集群以提高用于深度神经网络的训练速度。在至少一 个实施例中，GPGPU 2030包括主机接口2032以实现与主机处理器的连接。 在至少一个实施例中，主机接口2032是PCI Express接口。在至少一个实 施例中，主机接口2032可以是厂商专用的通信接口或通信结构。在至少一 个实施例中，GPGPU2030从主机处理器接收命令，并使用全局调度器2034 将与那些命令相关联的执行线程分派给一组计算集群2036A-2036H。在至 少一个实施例中，计算集群2036A-2036H共享高速缓存内存2038。在至少 一个实施例中，高速缓存内存2038可以用作计算集群2036A-2036H内的 高速缓存内存的高级高速缓存。
在至少一个实施例中，GPGPU 2030包括经由一组内存控制器2042A-2042B与计算集群2036A-2036H耦合的内存2044A-2044B。在至少 一个实施例中，内存2044A-2044B可以包括各种类型的内存设备，包括动 态随机存取内存(DRAM)或图形随机存取内存，例如同步图形随机存取 内存(SGRAM)，包括图形双倍数据速率(GDDR)内存。
在至少一个实施例中，计算集群2036A-2036H各自包括一组图形核 心，诸如图20A的图形核心2000，其可以包括多种类型的整数和浮点逻辑 单元，其可以以包括用于在适用于机器学习计算的精度范围内执行计算操 作。例如，在至少一个实施例中，每个计算集群2036A-2036H中的浮点单 元的至少一个子集可以配置为执行16位或32位浮点运算，而不同的浮点 单元的子集可以配置为执行64位浮点运算。
在至少一个实施例中，GPGPU 2030的多个实例可以被配置为操作 为计算集群。在至少一个实施例中，计算集群2036A-2036H用于同步和数 据交换的通信在实施例之间变化。在至少一个实施例中，GPGPU 2030的 多个实例通过主机接口2032进行通信。在至少一个实施例中，GPGPU 2030 包括I/O集线器2039，其将GPGPU 2030与GPU链路2040耦合，使得能 够直接连接至GPGPU 2030的其他的实例。在至少一个实施例中，GPU链 路2040耦合到专用GPU到GPU桥接器，其使得能够在GPGPU 2030的多 个实例之间进行通信和同步。在至少一个实施例中，GPU链路2040与高 速互连耦合，以向其他GPGPU或并行处理器发送和接收数据。在至少一 个实施例中，GPGPU 2030的多个实例位于单独的数据处理系统中，并经 由可经由主机接口2032访问的网络设备进行通信。在至少一个实施例中， GPU链路2040可被配置为能够连接到主机处理器，附加或替代主机接口 2032。
在至少一个实施例中，GPGPU 2030可以配置为训练神经网络。在 至少一个实施例中，可以在推理平台内使用GPGPU 2030。在其中使用 GPGPU 2030进行推理的至少一个实施例中，相对于当使用GPGPU训练神 经网络时，GPGPU可以包括更少的计算集群2036A-2036H。在至少一个实 施例中，与内存2044A-2044B相关联的内存技术可以在推理和训练配置之间有所不同，其中更高带宽的内存技术专用于训练配置。在至少一个实施 例中，GPGPU2030的推理配置可以支持推理特定指令。例如，在至少一 个实施例中，推理配置可以提供对一个或更多个8位整数点积指令的支持， 该指令可以在部署的神经网络的推理操作期间使用。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 GPGPU 2030中用于至少部分地基于本文描述的使用神经网络训练操作、 神经网络功能和/或架构或神经网络用例计算的权重参数来推理或预测操 作。
图21是示出根据至少一个实施例的计算系统2100的框图。在至少 一个实施例中，计算系统2100包括具有一个或更多个处理器2102的处理 子系统2101和经由可以包括内存集线器2105的互连路径通信的系统内存 2104。在至少一个实施例中，内存集线器2105可以是芯片组组件内的单独 组件，也可以集成在一个或更多个处理器2102内。在至少一个实施例中， 内存集线器2105通过通信链路2106与I/O子系统2111耦合。在一实施例 中，I/O子系统2111包括I/O集线器2107，其可以使计算系统2100能够 接收来自一个或更多个输入设备2108的输入。在至少一个实施例中，I/O 集线器2107可以使能显示控制器，其包括在一个或更多个处理器2102中， 用于向一个或更多个显示设备2110A提供输出。在至少一个实施例中，与 I/O集线器2107耦合的一个或更多个显示设备2110A可以包括本地、内部 或嵌入式显示设备。
在至少一个实施例中，处理子系统2101包括经由总线或其他通信链 路2113耦合到内存集线器2105的一个或更多个并行处理器2112。在至少 一个实施例中，通信链路2113可以是许多基于标准的通信链路技术或协议 中的一种，例如但不限于PCI Express，或者可以是针对供应商的通信接口 或通信结构。在至少一个实施例中，一个或更多个并行处理器2112形成计 算集中的并行或向量处理系统，该系统可以包括大量的处理核心和/或处理集群，例如多集成核心(MIC)处理器。在至少一个实施例中，一个或更 多个并行处理器2112形成可以将像素输出到经由I/O集线器2107耦合的 一个或更多个显示设备2110A之一的图形处理子系统。在至少一个实施例 中，一个或更多个并行处理器2112还可以包括显示控制器和显示接口(未 示出)，以使得能够直接连接到一个或更多个显示设备2110B。
在至少一个实施例中，系统存储单元2114可以连接到I/O集线器 2107，以提供用于计算系统2100的存储机制。在至少一个实施例中，I/O 开关2116可以用于提供接口机制，以实现I/O集线器2107与其他组件之 间的连接，例如可以集成到平台中的网络适配器2118和/或无线网络适配 器2119，以及可以通过一个或更多个附加设备2120添加的各种其他设备。 在至少一个实施例中，网络适配器2118可以是以太网适配器或另一有线网 络适配器。在至少一个实施例中，无线网络适配器2119可以包括Wi-Fi、 蓝牙、近场通信(NFC)的一个或更多个或其他包括一个或更多个无线电 的网络设备。
在至少一个实施例中，计算系统2100可以包括未明确示出的其他组 件，包括USB或其他端口连接、光存储驱动器、视频捕获设备等，也可以 连接到I/O集线器2107。在至少一个实施例中，对图21中的各个组件进 行互连的通信路径可以使用任何合适的协议来实现，诸如基于PCI(外围 组件互连)的协议(例如，PCI-Express)，或其他总线或点对点通信接口和 /或协议(例如，NV-链路高速互连或互连协议)。
在至少一个实施例中，一个或更多个并行处理器2112包括针对图形 和视频处理而优化的电路(包括例如视频输出电路)，并构成图形处理单元 (GPU)。在至少一个实施例中，一个或更多个并行处理器2112包括针对 通用处理而优化的电路。在至少实施例中，计算系统2100的组件可以与单 个集成电路上的一个或更多个其他系统元件集成。例如，在至少一个实施 例中，一个或更多个并行处理器2112、内存集线器2105、一个或更多个处 理器2102和I/O集线器2107可以被集成到片上系统(SoC)集成电路中。 在至少一个实施例中，计算系统2100的组件可以被集成到单个封装中以形 成系统级封装(SIP)配置。在至少一个实施例中，计算系统2100的组件 的至少一部分可以被集成到多芯片模块(MCM)中，该多芯片模块可以与 其他多芯片模块互连到模块化计算系统中。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 图21的系统2100中使用，用于至少部分地基于使用神经网络训练操作、 神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来 推理或预测操作。
处理器
图22示出了根据至少一个实施例的并行处理器2200。在至少一个 实施例中，并行处理器2200的各种组件可以使用一个或更多个集成电路设 备来实现，例如可编程处理器、专用集成电路(ASIC)或现场可编程门阵 列(FPGA)。在至少一个实施例中，所示的并行处理器2200是根据示例性 实施例的图21所示的一个或更多个并行处理器2112的变体。
在至少一个实施例中，并行处理器2200包括并行处理单元2202。 在至少一个实施例中，并行处理单元2202包括I/O单元2204，其使得能 够与其他设备进行通信，包括并行处理单元2202的其他实例。在至少一个 实施例中，I/O单元2204可以直接连接到其他设备。在至少一个实施例中， I/O单元2204通过使用集线器或交换机接口(例如，内存集线器2105)与 其他设备连接。在至少一个实施例中，内存集线器2105与I/O单元2204 之间的连接形成通信链路2113。在至少一个实施例中，I/O单元2204与主 机接口2206和内存交叉开关2216连接，其中主机接口2206接收用于执行 处理操作的命令，而内存交叉开关2216接收用于执行内存操作的命令。
在至少一个实施例中，当主机接口2206经由I/O单元2204接收命 令缓冲区时，主机接口2206可以引导工作操作以执行那些命令到前端2208。 在至少一个实施例中，前端2208与调度器2210耦合，调度器2210配置成 将命令或其他工作项分配给处理集群阵列2212。在至少一个实施例中，调 度器2210确保在将任务分配给处理集群阵列2212中的处理集群阵列2212 之前，处理集群阵列2212被正确地配置并且处于有效状态。在至少一个实施例中，调度器2210通过在微控制器上执行的固件逻辑来实现。在至少一 个实施例中，微控制器实现的调度器2210可配置成以粗粒度和细粒度执行 复杂的调度和工作分配操作，从而实现对在处理阵列2212上执行的线程的 快速抢占和环境切换。在至少一个实施例中，主机软件可以证明用于通过 多个图形处理门铃之一在处理阵列2212上进行调度的工作负载。在至少一 个实施例中，工作负载然后可以由包括调度器2210的微控制器内的调度器2210逻辑在处理阵列2212上自动分配。
在至少一个实施例中，处理集群阵列2212可以包括多达“N”个处理 集群(例如，集群2214A、集群2214B到集群2214N)。在至少一个实施 例中，处理集群阵列2212的每个集群2214A-2214N可以执行大量并发线 程。在至少一个实施例中，调度器2210可以使用各种调度和/或工作分配 算法将工作分配给处理集群阵列2212的集群2214A-2214N，其可以根据每 种程序或计算类型产生的工作负载而变化。在至少一个实施例中，调度可 以由调度器2210动态地处理，或者可以在配置为由处理集群阵列2212执 行的程序逻辑的编译期间部分地由编译器逻辑来辅助。在至少一个实施例 中，可将处理集群阵列2212的不同的集群2214A-2214N分配用于处理不 同类型的程序或用于执行不同类型的计算。
在至少一个实施例中，处理集群阵列2212可以配置成执行各种类型 的并行处理操作。在至少一个实施例中，处理集群阵列2212配置成执行通 用并行计算操作。例如，在至少一个实施例中，处理集群阵列2212可以包 括执行处理任务的逻辑，该处理任务包括对视频和/或音频数据的过滤，执 行建模操作，包括物理操作以及执行数据转换。
在至少一个实施例中，处理集群阵列2212配置成执行并行图形处理 操作。在至少一个实施例中，处理集群阵列2212可以包括附加逻辑以支持 这种图形处理操作的执行，包括但不限于执行纹理操作的纹理采样逻辑， 以及镶嵌逻辑和其他顶点处理逻辑。在至少一个实施例中，处理集群阵列 2212可以配置成执行与图形处理有关的着色器程序，例如但不限于顶点着 色器、曲面细分着色器、几何着色器和像素着色器。在至少一个实施例中， 并行处理单元2202可以经由I/O单元2204从系统内存传送数据以进行处 理。在至少一个实施例中，在处理期间，可以在处理期间将传送的数据存 储到片上内存(例如，并行处理器内存2222)，然后将其写回到系统内存。
在至少一个实施例中，当并行处理单元2202用于执行图形处理时， 调度器2210可以配置成将处理工作负载划分为近似相等大小的任务，以更 好地将图形处理操作分配给处理集群阵列2212的多个集群2214A-2214N。 在至少一个实施例中，处理集群阵列2212的部分可以配置成执行不同类型 的处理。例如，在至少一个实施例中，第一部分可以配置成执行顶点着色 和拓扑生成，第二部分可以配置成执行镶嵌和几何着色，并且第三部分可以配置成执行像素着色或其他屏幕空间操作，以生成用于显示的渲染图像。 在至少一个实施例中，可以将由集群2214A-2214N中的一个或更多个产生 的中间数据存储在缓冲区中，以允许在集群2214A-2214N之间传输中间数 据以进行进一步处理。
在至少一个实施例中，处理集群阵列2212可以经由调度器2210接 收要执行的处理任务，该调度器2210从前端2208接收定义处理任务的命 令。在至少一个实施例中，处理任务可以包括要被处理的数据的索引，例 如可以包括表面(补丁)数据、原始数据、顶点数据和/或像素数据，以及 状态参数和定义如何处理数据的命令(例如，要执行什么程序)。在至少一 个实施例中，调度器2210可以配置成获取与任务相对应的索引，或者可以 从前端2208接收索引。在至少一个实施例中，前端2208可以配置成确保 在启动由传入命令缓冲区(例如，批缓冲区(batch-buffer)、推送缓冲区等) 指定的工作负载之前，处理集群阵列2212配置成有效状态。
在至少一个实施例中，并行处理单元2202的一个或更多个实例中的 每一个可以与并行处理器内存2222耦合。在至少一个实施例中，可以经由 内存交叉开关2216访问并行处理器内存2222，所述内存交叉开关2216可 以接收来自处理集群阵列2212以及I/O单元2204的内存请求。在至少一 个实施例中，内存交叉开关2216可以经由内存接口2218访问并行处理器 内存2222。在至少一个实施例中，内存接口2218可以包括多个分区单元 (例如，分区单元2220A、分区单元2220B到分区单元2220N)，其可各 自耦合至并行处理器内存2222的一部分(例如，内存单元)。在至少一个 实施例中，多个分区单元2220A-2220N为配置为等于内存单元的数量，使 得第一分区单元2220A具有对应的第一内存单元2224A，第二分区单元 2220B具有对应的内存单元2224B，第N分区单元2220N具有对应的第N 内存单元2224N。在至少一个实施例中，分区单元2220A-2220N的数量可 以不等于内存设备的数量。
在至少一个实施例中，内存单元2224A-2224N可以包括各种类型的 内存设备，包括动态随机存取内存(DRAM)或图形随机存取内存，例如 同步图形随机存取内存(SGRAM)，包括图形双倍数据速率(GDDR)内 存。在至少一个实施例中，内存单元2224A-2224N还可包括3D堆叠内存， 包括但不限于高带宽内存(HBM)。在至少一个实施例中，可以跨内存单 元2224A-2224N来存储诸如帧缓冲区或纹理映射的渲染目标，从而允许分 区单元2220A-2220N并行地写入每个渲染目标的部分，以有效地使用并行 处理器内存2222的可用带宽。在至少一个实施例中，可以排除并行处理器 内存2222的本地实例，以有利于利用系统内存与本地高速缓存内存结合的 统一内存设计。
在至少一个实施例中，处理集群阵列2212的集群2214A-2214N中 的任何一个都可以处理将被写入并行处理器内存2222内的任何内存单元 2224A-2224N中的数据。在至少一个实施例中，内存交叉开关2216可以配 置为将每个集群2214A-2214N的输出传输到任何分区单元2220A-2220N 或另一个集群2214A-2214N，集群2214A-2214N可以对输出执行其他处理 操作。在至少一个实施例中，每个集群2214A-2214N可以通过内存交叉开 关2216与内存接口2218通信，以从各种外部存储设备读取或写入各种外 部存储设备。在至少一个实施例中，内存交叉开关2216具有到内存接口 2218的连接以与I/O单元2204通信，以及到并行处理器内存2222的本地 实例的连接，从而使不同处理集群2214A-2214N内的处理单元与系统内存 或不是并行处理单元2202本地的其他内存进行通信。在至少一个实施例中， 内存交叉开关2216可以使用虚拟通道来分离集群2214A-2214N和分区单 元2220A-2220N之间的业务流。
在至少一个实施例中，可以在单个插入卡上提供并行处理单元2202 的多个实例，或者可以将多个插入卡互连。在至少一个实施例中，并行处 理单元2202的不同实例可以配置成相互操作，即使不同实例具有不同数量 的处理核心，不同数量的本地并行处理器内存和/或其他配置差异。例如， 在至少一个实施例中，并行处理单元2202的一些实例可以包括相对于其他 实例而言更高精度的浮点单元。在至少一个实施例中，结合并行处理单元2202或并行处理器2200的一个或更多个实例的系统可以以各种配置和形 式因素来实现，包括但不限于台式机、膝上型计算机或手持式个人计算机、 服务器、工作站、游戏机和/或嵌入式系统。
图23是根据至少一个实施例的分区单元2320的框图。在至少一个 实施例中，分区单元2320是图22的分区单元2220A-2220N之一的实例。 在至少一个实施例中，分区单元2320包括L2高速缓存2321、帧缓冲区接 口2325和ROP 2326(光栅操作单元)。L2高速缓存2321是读/写高速缓存， 其配置成执行从内存交叉开关2316和ROP 2326接收的加载和存储操作。 在至少一个实施例中，L2高速缓存2321将读取未命中和紧急回写请求输 出到帧缓冲区接口2325以进行处理。在至少一个实施例中，还可以经由帧 缓冲区接口2325将更新发送到帧缓冲区以进行处理。在至少一个实施例中， 帧缓冲区接口2325与并行处理器内存中的内存单元(诸如图22的内存单 元2224A-2224N(例如，在并行处理器内存2322内))之一相互作用。
在至少一个实施例中，ROP 2326是一种处理单元，其执行光栅操作， 诸如模版、z测试、混合等。在至少一个实施例中，ROP 2326然后输出存 储在图形内存中的处理后的图形数据。在至少一个实施例中，ROP 2326包 括压缩逻辑以压缩被写入内存的深度或颜色数据并解压缩从内存读取的深 度或颜色数据。在至少一个实施例中，压缩逻辑可以是利用多种压缩算法 中的一种或更多种的无损压缩逻辑。ROP 2326执行的压缩的类型可以基于 要压缩的数据的统计特性而变化。例如，在至少一个实施例中，基于每图 块基础上的深度和颜色数据执行增量颜色压缩。
在至少一个实施例中，ROP 2326包括在每个处理集群内(例如，图 22的集群2214A-2214N)，而不是在分区单元2320内。在至少一个实施例 中，通过内存交叉开关2316而不是像素片段数据传输对像素数据的读取和 写入请求。在至少一个实施例中，经处理的图形数据可以在显示设备上(诸 如图21的一个或更多个显示设备2110之一)显示，由处理器2102路由以 供进一步处理，或者由图22的并行处理器2200内的处理实体之一路由以 供进一步处理。
图24是根据至少一个实施例的并行处理单元内的处理集群2414的 框图。在至少一个实施例中，处理集群是图22的处理集群2214A-2214N 之一的实例。在至少一个实施例中，处理集群2414可以配置成并行执行许 多线程，其中术语“线程”是指在特定的一组输入数据上执行的特定程序的 实例。在至少一个实施例中，单指令多数据(SIMD)指令发布技术用于支 持大量线程的并行执行而无需提供多个独立的指令单元。在至少一个实施 例中，使用单指令多线程(SIMT)技术来支持并行执行大量一般同步的线 程，这使用了公共指令单元，该公共指令单元配置成向每个处理集群内的 一组处理引擎发出指令。
在至少一个实施例中，可以通过将处理任务分配给SIMT并行处理 器的管线管理器2432来控制处理集群2414的操作。在至少一个实施例中， 管线管理器2432从图22的调度器2210接收指令，通过图形多处理器2434 和/或纹理单元2236管理这些指令的执行。在至少一个实施例中，图形多 处理器2434是SIMT并行处理器的示例性实例。然而，在至少一个实施例 中，处理集群2414内可以包括不同架构的各种类型的SIMT并行处理器。 在至少一个实施例中，在处理集群2414内可以包括图形多处理器2434的 一个或更多个实例。在至少一个实施例中，图形多处理器2434可以处理数 据，并且数据交叉开关2240可以用于将处理后的数据分发到多个可能的目 的(包括其他着色器单元)地之一。在至少一个实施例中，管线管理器2432 可以通过指定要经由数据交叉开关2240分配的处理后的数据的目的地来促进处理后的数据的分配。
在至少一个实施例中，处理集群2414内的每个图形多处理器2434 可以包括相同的一组功能执行逻辑(例如，算术逻辑单元、加载存储单元 等)。在至少一个实施例中，可以以管线方式配置功能执行逻辑，其中可以 在先前的指令完成之前发出新的指令。在至少一个实施例中，功能执行逻 辑支持多种操作，包括整数和浮点算术、比较操作、布尔运算、移位和各 种代数函数的计算。在至少一个实施例中，可以利用相同的功能单元硬件 来执行不同的操作，并且可以存在功能单元的任何组合。
在至少一个实施例中，传送到处理集群2414的指令构成线程。在至 少一个实施例中，跨一组并行处理引擎执行的一组线程是线程组。在至少 一个实施例中，线程组在不同的输入数据上执行程序。在至少一个实施例 中，线程组内的每个线程可被分配给图形多处理器2434内的不同处理引擎。 在至少一个实施例中，线程组可包括比图形多处理器2434内的多个处理引 擎更少的线程。在至少一个实施例中，当线程组包括的线程数少于处理引擎的数量时，一个或更多个处理引擎在正在处理该线程组的循环期间可能 是空闲的。在至少一个实施例中，线程组还可以包括比图形多处理器2434 内的多个处理引擎更多的线程。在至少一个实施例中，当线程组包括比图 形多处理器2434内的处理引擎的数量更多的线程时，可以在连续的时钟周 期内执行处理。在至少一个实施例中，可以在图形多处理器2434上同时执 行多个线程组。
在至少一个实施例中，图形多处理器2434包括内部高速缓存内存， 以执行加载和存储操作。在至少一个实施例中，图形多处理器2434可以放 弃内部高速缓存并使用处理集群2214内的高速缓存内存(例如，L1高速 缓存2248)。在至少一个实施例中，每个图形多处理器2434还可以访问分 区单元(例如，图22的分区单元2220A-2220N)内的L2高速缓存，这些 分区单元在所有处理集群2414之间共享并且可以用于在线程之间传输数 据。在至少一个实施例中，图形多处理器2434还可以访问片外全局内存， 其可以包括本地并行处理器内存和/或系统内存中的一个或更多个。在至少 一个实施例中，并行处理单元外部的任何内存都可以用作全局内存。在至 少一个实施例中，处理集群2414包括图形多处理器2434的多个实例，它 们可以共享可以存储在L1高速缓存2448中的公共指令和数据。
在至少一个实施例中，每个处理集群2414可以包括配置成将虚拟地 址映射为物理地址的内存管理单元(“MMU”)2445。在至少一个实施例中， MMU 2445的一个或更多个实例可以驻留在图22的内存接口2218内。在 至少一个实施例中，MMU 2245包括一组页表条目(PTE)，其用于将虚拟 地址映射到图块(谈论有关图块的更多信息)的物理地址以及可选地映射 到高速缓存行索引。在至少一个实施例中，MMU 2445可以包括地址转换 后备缓冲区(TLB)或可以驻留在图形多处理器2434或L1高速缓存或处 理集群2414内的高速缓存。在至少一个实施例中，处理物理地址以分配表 面数据访问局部性，以便在分区单元之间进行有效的请求交织。在至少一 个实施例中，高速缓存行索引可以用于确定对高速缓存线的请求是命中还 是未命中。
在至少一个实施例中，可以配置处理集群2414，使得每个图形多处 理器2434耦合到纹理单元2436，以执行纹理映射操作，例如，可以涉及 确定纹理样本位置、读取纹理数据以及过滤纹理数据。在至少一个实施例 中，根据需要从内部纹理L1高速缓存(未示出)或从图形多处理器2434 内的L1高速缓存中读取纹理数据，并从L2高速缓存、本地并行处理器内存或系统内存中获取纹理数据。在至少一个实施例中，每个图形多处理器 2434将处理后的任务输出到数据交叉开关2440，以将处理后的任务提供给 另一处理集群2414以进行进一步处理或将处理后的任务存储在L2高速缓 存、本地并行处理器内存、或经由内存交叉开关2416的系统内存中。在至 少一个实施例中，preROP 2442(光栅前操作单元)配置成从图形多处理器 2434接收数据，将数据引导至ROP单元，该ROP单元可以与本文所述的 分区单元(例如，图22的分区单元2220A-2220N)一起定位。在至少一个 实施例中，PreROP 2442单元可以执行用于颜色混合的优化、组织像素颜 色数据以及执行地址转换。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 图形处理集群2214中用于至少部分地基于使用本文描述的神经网络训练 操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理 或预测操作。
图25示出了根据至少一个实施例的图形多处理器2534。在至少一 个实施例中，图形多处理器2534与处理集群2514的管线管理器2532耦合。 在至少一个实施例中，图形多处理器2534具有执行管线，该执行管线包括 但不限于指令高速缓存2552、指令单元2554、地址映射单元2556、寄存 器文件2558、一个或更多个通用图形处理单元(GPGPU)核心2562和一 个或更多个加载/存储单元2566。GPGPU核心2562和加载/存储单元2566 与高速缓存内存2572和共享内存2570通过内存和高速缓存互连2568耦合。
在至少一个实施例中，指令高速缓存2552从管线管理器2532接收 要执行的指令流。在至少一个实施例中，将指令高速缓存在指令高速缓存 2552中并将其分派以供指令单元2554执行。在一个实施例中，指令单元 2554可以分派指令作为线程组(例如，线程束)，将线程组的每个线程分 配给GPGPU核心2562内的不同执行单元。在至少一个实施例中，指令可 以通过在统一地址空间内指定地址来访问任何本地、共享或全局地址空间。 在至少一个实施例中，地址映射单元2556可以用于将统一地址空间中的地 址转换成可以由加载/存储单元2566访问的不同的内存地址。
在至少一个实施例中，寄存器文件2558为图形多处理器2534的功 能单元提供了一组寄存器。在至少一个实施例中，寄存器文件2558为连接 到图形多处理器2534的功能单元(例如，GPGPU核心2562、加载/存储单 元2566)的数据路径的操作数提供了临时存储。在至少一个实施例中，在 每个功能单元之间划分寄存器文件2558，使得为每个功能单元分配寄存器 文件2558的专用部分。在至少一个实施例中，寄存器文件2558在图形多 处理器2534正在执行的不同线程束之间划分。
在至少一个实施例中，GPGPU核心2562可以各自包括用于执行图 形多处理器2534的指令的浮点单元(FPU)和/或整数算术逻辑单元(ALU)。 GPGPU核心2562在架构上可以相似或架构可能有所不同。在至少一个实 施例中，GPGPU核心2562的第一部分包括单精度FPU和整数ALU，而 GPGPU核心的第二部分包括双精度FPU。在至少一个实施例中，FPU可 以实现用于浮点算法的IEEE 754-2008标准或启用可变精度浮点算法。在 至少一个实施例中，图形多处理器2534可以另外包括一个或更多个固定功 能或特殊功能单元，以执行特定功能，诸如复制矩形或像素混合操作。在 至少一个实施例中，GPGPU核心中的一个或更多个也可以包括固定或特殊 功能逻辑。
在至少一个实施例中，GPGPU核心2562包括能够对多组数据执行 单个指令的SIMD逻辑。在一个实施例中，GPGPU核心2562可以物理地 执行SIMD4、SIMD8和SIMD9指令，并且在逻辑上执行SIMD1、SIMD2 和SIMD32指令。在至少一个实施例中，用于GPGPU核心的SIMD指令可以在编译时由着色器编译器生成，或者在执行针对单程序多数据(SPMD) 或SIMT架构编写和编译的程序时自动生成。在至少一个实施例中，可以 通过单个SIMD指令来执行为SIMT执行模型配置的程序的多个线程。例 如，在至少一个实施例中，可以通过单个SIMD8逻辑单元并行执行执行相 同或相似操作的八个SIMT线程。
在至少一个实施例中，内存和高速缓存互连2568是将图形多处理器 2534的每个功能单元连接到寄存器文件2558和共享内存2570的互连网络。 在至少一个实施例中，内存和高速缓存互连2568是交叉开关互连，其允许 加载/存储单元2566在共享内存2570和寄存器文件2558之间实现加载和 存储操作。在至少一个实施例中，寄存器文件2558可以以与GPGPU核心 2562相同的频率操作，从而在GPGPU核心2562和寄存器文件2558之间 进行数据传输的延迟非常低。在至少一个实施例中，共享内存2570可以用 于启用在图形多处理器2534内的功能单元上执行的线程之间的通信。在至 少一个实施例中，高速缓存内存2572可以用作例如数据高速缓存，以高速 缓存在功能单元和纹理单元2536之间通信的纹理数据。在至少一个实施例 中，共享内存2570也可以用作程序管理的高速缓存。在至少一个实施例中， 除了存储在高速缓存内存2572中的自动高速缓存的数据之外，在GPGPU 核心2562上执行的线程还可以以编程方式将数据存储在共享内存中。
在至少一个实施例中，如本文所述的并行处理器或GPGPU通信地 耦合到主机/处理器核心，以加速图形操作、机器学习操作、图案分析操作 以及各种通用GPU(GPGPU)功能。在至少一个实施例中，GPU可以通 过总线或其他互连(例如，诸如PCIe或NVLink的高速互连)通信地耦合 到主机处理器/核心。在至少一个实施例中，GPU可以与核心集成在相同的封装或芯片上，并通过内部处理器总线/互连(即，封装或芯片的内部)通 信地耦合到核心。在至少一个实施例中，不管GPU连接的方式如何，处理 器核心可以以工作描述符中包含的命令/指令序列的形式向GPU分配工作。 在至少一个实施例中，GPU然后使用专用电路/逻辑来有效地处理这些命令 /指令。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015可以在 图形多处理器2234中用于至少部分地基于使用本文描述的神经网络训练 操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理 或预测操作，。
图26是根据至少一个实施例的说明用于处理器2600的微架构的框 图，该处理器2600可以包括用于执行指令的逻辑电路。在至少一个实施例 中，处理器2600可以执行指令，包括x86指令、ARM指令、用于专用集 成电路(ASIC)的专用指令等。在至少一个实施例中，处理器2610可以 包括用于存储封装数据的寄存器，例如作为加利福尼亚州圣克拉拉市英特 尔公司采用MMX技术启用的微处理器中的64位宽MMXTM寄存器。在至 少一个实施例中，整数和浮点数形式可用的MMX寄存器可以与封装的数 据元素一起运行，所述封装的数据元素伴随单指令多数据(“SIMD”)和流 式SIMD扩展(“SSE”)指令。在至少一个实施例中，与SSE2、SSE3、SSE4、 AVX或更高版本(一般称为“SSEx”)技术有关的128位宽XMM寄存器 可以保存此类封装数据操作数。在至少一个实施例中，处理器2610可以执 行指令以加速机器学习或深度学习算法、训练或推理。
在至少一个实施例中，处理器2600包括有序前端(“前端”)2601， 以提取要执行的指令并准备稍后在处理器管线中使用的指令。在至少一个 实施例中，前端2601可以包括几个单元。在至少一个实施例中，指令预取 器2626从内存中获取指令并将指令提供给指令解码器2628，指令解码器 2628又对指令进行解码或解释。例如，在至少一个实施例中，指令解码器 2628将接收到的指令解码为机器可执行的所谓的“微指令”或“微操作”(也 称为“微操作”或“微指令”)的一个或更多个操作。在至少一个实施例中， 指令解码器2628将指令解析为操作码以及相应的数据和控制字段，其可以 由微架构用来使用以根据至少一个实施例来执行操作。在至少一个实施例 中，跟踪高速缓存2630可以将解码的微指令组装成微指令队列2634中的 程序排序的序列或追踪以供执行。在至少一个实施例中，当追踪高速缓存2630遇到复杂指令时，微码ROM 2632提供完成操作所需的微指令。
在至少一个实施例中，可以将一些指令转换成单个微操作，而另一 些指令则需要几个微操作来完成全部操作。在至少一个实施例中，如果需 要多于四个的微指令来完成一条指令，则指令解码器2628可以访问微码 ROM 2632以执行指令。在至少一个实施例中，可以将指令解码为少量的 微指令以在指令解码器2628处进行处理。在至少一个实施例中，如果需要 多个微指令完成操作，则可以将指令存储在微码ROM 2632中。在至少一 个实施例中，追踪高速缓存器2630参考入口点可编程逻辑阵列(“PLA”) 以确定正确的微指令指针，用于根据至少一个实施例从微码ROM 2632读 取微码序列以完成一个或更多个指令。在至少一个实施例中，在微码ROM 2632完成对指令的微操作排序之后，机器的前端2601可以恢复从追踪高 速缓存2630获取微操作。
在至少一个实施例中，乱序执行引擎(“乱序引擎”)2603可以准备 用于执行的指令。在至少一个实施例中，乱序执行逻辑具有多个缓冲区， 以使指令流平滑并重新排序，以在指令沿管线下降并被调度执行时优化性 能。乱序执行引擎2603包括但不限于分配器/寄存器重命名器2640、内存 微指令队列2642、整数/浮点微指令队列2644、内存调度器2646、快速调 度器2602、慢速/通用浮点调度器(“慢速/通用FP调度器”)2604和简单浮 点调度器(“简单FP调度器”)2606。在至少一个实施例中，快速调度器 2602、慢速/通用浮点调度器2604和简单浮点调度器2606也统称为“微指 令调度器2602、2604、2606”。分配器/寄存器重命名器2640分配每个微指 令按序列执行所需要的机器缓冲区和资源。在至少一个实施例中，分配器/ 寄存器重命名器2640将逻辑寄存器重命名为寄存器文件中的条目。在至少 一个实施例中，分配器/寄存器重命名器2640还为两个微指令队列之一中 的每个微指令分配条目，内存微指令队列2642用于内存操作和整数/浮点 微指令队列2644用于非内存操作，在内存调度器2646和微指令调度器 2602、2604、2606的前面。在至少一个实施例中，微指令调度器2602、2604、 2606基于它们的从属输入寄存器操作数源的就绪性和需要完成的执行资 源微指令的可用性来确定何时准备好执行微指令。在至少一个实施例中， 至少一个实施例的快速调度器2602可以在主时钟周期的每个一半上调度， 而慢速/通用浮点调度器2604和简单浮点调度器2606可以在每个主处理器 时钟周期调度一次。在至少一个实施例中，微指令调度器2602、2604、2606 对调度端口进行仲裁，以调度用于执行的微指令。
在至少一个实施例中，执行块b11包括但不限于整数寄存器文件/支 路网络2608、浮点寄存器文件/支路网络(“FP寄存器文件/支路网络”)2610、 地址生成单元(“AGU”)2612和2614、快速算术逻辑单元(“快速ALU”) 2616和2618、慢速算术逻辑单元(“慢速ALU”)2620、浮点ALU(“FP”) 2622和浮点移动单元(“FP移动”)2624。在至少一个实施例中，整数寄存 器文件/支路网络2608和浮点寄存器文件/旁路网络2610在本文中也称为 “寄存器文件2608、2610”。在至少一个实施例中，AGU 2612和2614、快 速ALU 2616和2618、慢速ALU2620、浮点ALU 2622和浮点移动单元2624在本文中也称为“执行单元2612、2614、2616、2618、2620、2622和 2624”。在至少一个实施例中，执行框b11可以包括但不限于任意数量(包 括零)和类型的寄存器文件、支路网络、地址生成单元和执行单元(以任 何组合)。
在至少一个实施例中，寄存器文件2608、2610可以布置在微指令调 度器2602、2604、2606与执行单元2612、2614、2616、2618、2620、2622 和2624之间。在至少一个实施例中，整数寄存器文件/支路网络2608执行 整数运算。在至少一个实施例中，浮点寄存器文件/支路网络2610执行浮 点操作。在至少一个实施例中，寄存器文件2608、2610中的每一个可以包 括但不限于支路网络，该支路网络可以绕过或转发尚未写入寄存器文件中 的刚刚完成的结果到新的从属对象。在至少一个实施例中，寄存器文件 2608、2610可以彼此通信数据。在至少一个实施例中，整数寄存器文件/ 支路网络2608可以包括但不限于两个单独的寄存器文件、一个寄存器文件 用于低阶32位数据，第二寄存器文件用于高阶32位数据。在至少一个实 施例中，浮点寄存器文件/支路网络2610可以包括但不限于128位宽的条目，因为浮点指令通常具有宽度为64至128位的操作数。
在至少一个实施例中，执行单元2612、2614、2616、2618、2620、 2622、2624可以执行指令。在至少一个实施例中，寄存器文件2608、2610 存储微指令需要执行的整数和浮点数据操作数值。在至少一个实施例中， 处理器2600可以包括但不限于任何数量的执行单元2612、2614、2616、 2618、2620、2622、2624及其组合。在至少一个实施例中，浮点ALU 2622和浮点移动单元2624，可以执行浮点、MMX、SIMD、AVX和SSE或其 他操作，包括专门的机器学习指令。在至少一个实施例中，浮点ALU 2622 可以包括但不限于64位乘64位浮点除法器，以执行除法、平方根和余数 微操作。在至少一个实施例中，可以用浮点硬件来处理涉及浮点值的指令。 在至少一个实施例中，可以将ALU操作传递给快速ALU 2616、2618。在 至少一个实施例中，快速ALUS 2616、2618可以以半个时钟周期的有效延 迟执行快速操作。在至少一个实施例中，大多数复杂的整数运算进入慢速 ALU 2620，因为慢速ALU 2620可以包括但不限于用于长延迟类型操作的 整数执行硬件，例如乘法器、移位、标志逻辑和分支处理。在至少一个实 施例中，内存加载/存储操作可以由AGUS 2612、2614执行。在至少一个 实施例中，快速ALU 2616、快速ALU 2618和慢速ALU 2620可以对64 位数据操作数执行整数运算。在至少一个实施例中，可以实现快速ALU 2616、快速ALU 2618和慢速ALU 2620以支持包括十六、三十二、128、 256等的各种数据位大小。在至少一个实施例中，浮点ALU 2622和浮点移 动单元2624可以实现为支持具有各种宽度的位的一定范围的操作数。在至 少一个实施例中，浮点ALU 2622和浮点移动单元2624可以结合SIMD和 多媒体指令对128位宽封装数据操作数进行操作。
在至少一个实施例中，微指令调度器2602、2604、2606在父加载完 成执行之前调度从属操作。在至少一个实施例中，由于可以在处理器2600 中推测性地调度和执行微指令，处理器2600还可以包括用于处理内存未命 中的逻辑。在至少一个实施例中，如果数据高速缓存中的数据加载未命中， 则可能存在在管线中正在运行的从属操作，其使调度器暂时没有正确的数 据。在至少一个实施例中，一种重放机制追踪踪并重新执行使用不正确数据的指令。在至少一个实施例中，可能需要重放从属操作并且可以允许完 成独立操作。在至少一个实施例中，处理器的至少一个实施例的调度器和 重放机制也可以设计为捕获用于文本串比较操作的指令序列。
在至少一个实施例中，术语“寄存器”可以指代可以用作识别操作数 的指令的一部分的机载处理器存储位置。在至少一个实施例中，寄存器可 以是那些可以从处理器外部使用的寄存器(从程序员的角度来看)。在至少 一个实施例中，寄存器可能不限于特定类型的电路。相反，在至少一个实 施例中，寄存器可以存储数据、提供数据并执行本文描述的功能。在至少 一个实施例中，本文描述的寄存器可以通过处理器内的电路使用多种不同 技术来实现，例如专用物理寄存器、使用寄存器重命名动态分配的物理寄 存器、专用和动态分配的物理寄存器的组合等。在至少一个实施例中，整 数寄存器存储32位整数数据。至少一个实施例的寄存器文件还包含八个用 于封装数据的多媒体SIMD寄存器。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，可以将推理和/或训练逻辑1015 的部分或全部并入执行块2611以及示出或未示出的其他内存或寄存器。例 如，在至少一个实施例中，本文描述的训练和/或推理技术可以使用执行框 2611中示出的一个或更多个ALU。此外，权重参数可以存储在片上或片外 内存和/或寄存器(示出或未示出)中，该寄存器和/或寄存器配置执行块 2611的ALU以执行一种或更多种本文所述的机器学习算法、神经网络架 构、用例或训练技术。
图27示出了根据至少一个实施例的深度学习应用处理器2700。在 至少一个实施例中，深度学习应用处理器2700使用指令，如果由深度学习 应用处理器2700执行，则指令使深度学习应用处理器2700执行贯穿本公 开描述的一些或全部过程和技术。在至少一个实施例中，深度学习应用处 理器2700是专用集成电路(ASIC)。在至少一个实施例中，应用处理器2700 执行矩阵乘法运算或者“硬连线”到硬件中，作为执行一个或更多个指令或 两者的结果。在至少一个实施例中，深度学习应用处理器2700包括但不限 于处理集群2710(1)-2710(12)、芯片间链路(“ICL”)2720(1)-2720 (12)、芯片间控制器(“ICC”)2730(1)-2730(2)、第二代高带宽内存 (“HBM2”)2740(1)-2740(4)、内存控制器(“Mem Ctrlr”)2742(1) -2742(4)、高带宽内存物理层(“HBM PHY”)2744(1)-2744(4)、管 理控制器中央处理单元(“管理控制器CPU”)2750、串行外围设备接口、 内部集成电路和通用输入/输出块(“SPI、I2C、GPIO”)2760，外围组件互 连快速控制器和直接内存访问块(“PCIe控制器和DMA”)2770、以及十 六通道外围组件互连快速端口(“PCI Express x 16”)2780。
在至少一个实施例中，处理集群2710可以执行深度学习操作，包括 基于一种或更多种训练技术计算的权重参数的推理或预测操作，包括本文 所述的那些技术。在至少一个实施例中，每个处理集群2710可以包括但不 限于任何数量和类型的处理器。在至少一个实施例中，深度学习应用处理 器2700可以包括任何数量和类型的处理集群2700。在至少一个实施例中， 芯片间链路2720是双向的。在至少一个实施例中，芯片间链路2720和芯 片间控制器2730使多个深度学习应用处理器2700能够交换信息，包括从 执行一个或更多个神经网络中体现的一种或更多种机器学习算法而产生的 激活信息。在至少一个实施例中，深度学习应用处理器2700可以包括任意 数量(包括零)和类型的ICL 2720和ICC 2730。
在至少一个实施例中，HBM2 2740提供总共32GB的内存。HBM2 2740(i)与内存控制器2742(i)和HBM PHY 2744(i)都相关联。在至 少一个实施例中，任何数量的HBM2 2740可以提供任何类型和总量的高带 宽内存，并且可以与任何数量(包括零)和类型的内存控制器2742和HBM PHY 2744相关联。在至少一个实施例中，可以用任何数量和类型的块替换SPI、I2C、GPIO 3360、PCIe控制器2760和DMA 2770和/或PCIe2780， 以任何技术上可行的方式实现任何数量和类型的通信标准。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，深度学习应用处理器用于训练机 器学习模型(例如神经网络)，以预测或推理提供给深度学习应用处理器 2700的信息。在至少一个实施例中，深度学习应用处理器2700用于基于 已经由另一处理器或系统或由深度学习应用处理器2700训练的经训练的 机器学习模型(例如，神经网络)来推理或预测信息。在至少一个实施例 中，处理器2700可以用于执行本文所述的一个或更多个神经网络用例。
图28是根据至少一个实施例的神经形态处理器2800的框图。在至 少一个实施例中，神经形态处理器2800可以从神经形态处理器2800外部 的源接收一个或更多个输入。在至少一个实施例中，这些输入可以被传输 到神经形态处理器2800内的一个或更多个神经元2802。在至少一个实施 例中，可以使用包括一个或更多个算术逻辑单元(ALU)的电路或逻辑来 实现神经元2802及其组件。在至少一个实施例中，神经形态处理器2800 可以包括但不限于成千上万个神经元2802的实例，但是可以使用任何合适 数量的神经元2802。在至少一个实施例中，神经元2802的每个实例可以 包括神经元输入2804和神经元输出2806。在至少一个实施例中，神经元 2802可以生成可以传输到神经元2802的其他实例的输入的输出。在至少 一个实施例中，神经元输入2804和神经元输出2806可以经由突触2808 互连。
在至少一个实施例中，神经元2802和突触2808可以互连，使得神 经形态处理器2800操作以处理或分析由神经形态处理器2800接收的信息。 在至少一个实施例中，当通过神经元输入2804接收到的输入超过阈值时， 神经元2802可以发送输出脉冲(或“触发”或“峰值”)。在至少一个实施例 中，神经元2802可以对在神经元输入2804处接收到的信号进行求和或积 分。例如，在至少一个实施例中，神经元2802可以实现为有泄漏的积分- 触发神经元，其中如果求和(称为“膜电位”)超过阈值，则神经元2802可 以使用诸如sigmoid或阈值函数的传递函数来产生输出(或“触发”)。在至 少一个实施例中，泄漏的积分-触发神经元可以将在神经元输入2804处接 收到的信号求和成膜电位，并且可以应用衰减因子(或泄漏)以减小膜电 位。在至少一个实施例中，如果在神经元输入2804处接收到足够快以超过 阈值的多个输入信号(即，在膜电势衰减得太低而不能触发之前)，则泄漏 的积分-触发神经元可能会触发。在至少一个实施例中，神经元2802可以 使用接收输入、将输入积分到膜电位、并衰减膜电位的电路或逻辑来实现。 在至少一个实施例中，可以对输入求平均，或者可以使用任何其他合适的 传递函数。此外，在至少一个实施例中，神经元2802可以包括但不限于当 将传递函数应用于神经元输入2804的结果超过阈值时在神经元输出2806 处产生输出尖峰的比较器电路或逻辑。在至少一个实施例中，一旦神经元 2802触发，它可以通过例如将膜电位复位为0或另一合适的默认值来忽略 先前接收的输入信息。在至少一个实施例中，一旦膜电位被重置为0，则 神经元2802可以在合适的时间段(或修复期)之后恢复正常操作。
在至少一个实施例中，神经元2802可以通过突触2808互连。在至 少一个实施例中，突触2808可以操作以将从第一神经元2802的输出的信 号传输到第二神经元2802的输入。在至少一个实施例中，神经元2802可 以在一个以上的突触2808实例上传输信息。在至少一个实施例中，神经元 输出2806的一个或更多个实例可以通过突触2808的实例连接到同一神经 元2802中神经元输入2804的实例。在至少一个实施例中，相对于突触2808 的那个实例，神经元2802的实例产生要在突触2808的实例上传输的输出 可以被称为“突触前神经元”。在至少一个实施例中，相对于突触2808的实 例，神经元2802的实例接收通过突触2808的实例传输的输入可以被称为 “突触后神经元”。在至少一个实施例中，关于突触2808的各种实例，因为 神经元2802的实例可以接收来自一个或更多个突触2808实例的输入，并且还可以通过一个或更多个突触2808实例传输输出，因此神经元2802的 单个实例可以既是“突触前神经元”又是“突触后神经元”。
在至少一个实施例中，神经元2802可以被组织成一层或更多层。神 经元2802的每个实例可以具有一个神经元输出2806，该神经元输出2806 可以通过一个或更多个突触2808扇出到一个或更多个神经元输入2804。 在至少一个实施例中，第一层2810中的神经元2802的神经元输出2806 可以连接到第二层2812中的神经元2802的神经元输入2804。在至少一个 实施例中，层2810可以被称为“前馈层”。在至少一个实施例中，在第一层 2810的实例中神经元2802的每个实例可以扇出到第二层2812中的神经元 2802的每个实例。在至少一个实施例中，第一层2810可以被称为“完全连 接的前馈层”。在至少一个实施例中，在第二层2812的每个实例中的神经 元2802的每个实例扇出到少于在第三层2814中的神经元2802的所有实例。 在至少一个实施例中，第二层2812可以被称为“稀疏连接的前馈层”。在至 少一个实施例中，第二层2812中的神经元2802可以扇出到多个其他层中 的神经元2802，包括(相同)第二层2812中的神经元2802。在至少一个 实施例中，第二层2812可以被称为“循环层”。神经形态处理器2800可以 包括但不限于循环层和前馈层的任何合适的组合，包括但不限于稀疏连接 的前馈层和完全连接的前馈层。
在至少一个实施例中，神经形态处理器2800可以包括但不限于可重 新配置的互连架构或专用硬连线互连，以将突触2808连接到神经元2802。 在至少一个实施例中，神经形态处理器2800可以包括但不限于电路或逻辑， 其根据神经网络拓扑结构和神经元扇入/扇出，允许根据需要将突触分配给 不同神经元2802。例如，在至少一个实施例中，可以使用互连结构(诸如 片上网络)或通过专用连接将突触2808连接到神经元2802。在至少一个 实施例中，可以使用电路或逻辑来实现突触互连及其组件。
图29是图形处理器2900的框图，该图形处理器2900可以是分立的 图形处理单元，或者可以是与多个处理核心集成的图形处理器。在至少一 个实施例中，图形处理器2900经由内存映射的I/O接口与图形处理器2900 上的寄存器以及放置在内存中的命令进行通信。在至少一个实施例中，图 形处理器2900包括用于访问内存的内存接口2914。在至少一个实施例中， 内存接口2914是到本地内存、一个或更多个内部高速缓存、一个或更多个 共享的外部高速缓存和/或到系统内存的接口。
在至少一个实施例中，图形处理器2900还包括用于将显示输出数据 驱动到显示设备2920的显示控制器2902。在至少一个实施例中，显示控 制器2902包括用于显示设备2920的一个或更多个覆盖平面的硬件以及多 层视频或用户界面元素的组合。在至少一个实施例中，显示设备2920可以 是内部或外部显示设备。在至少一个实施例中，显示设备2920是头戴式显 示设备，例如虚拟现实(VR)显示设备或增强现实(AR)显示设备。在 至少一个实施例中，图形处理器2900包括视频编解码器引擎2906，以将 媒体编码、解码或转码为一种或更多种媒体编码格式，从一种或更多种媒 体编码格式编码、解码或转码，或在一种或更多种媒体编码格式之间进行 编码、解码或转码，所述媒体编码格式包括但不限于运动图像专家组 (MPEG)格式(例如MPEG-2)，高级视频编码(AVC)格式(例如 H.264/MPEG-4AVC，以及美国电影电视工程师协会(SMPTE)421M/VC-1) 和联合图像专家组(JPEG)格式(例如JPEG)和Motion JPEG(MJPEG) 格式。
在至少一个实施例中，图形处理器2900包括块图像传送(BLIT) 引擎2904，以执行二维(2D)光栅化器操作，包括例如位边界块传送。但 是，在至少一个实施例中，使用图形处理引擎(GPE)2910的一个或更多 个组件来执行2D图形操作。在至少一个实施例中，GPE2910是用于执行 图形操作(包括三维(3D)图形操作和媒体操作)的计算引擎。
在至少一个实施例中，GPE 2910包括用于执行3D操作的3D管线 2912，例如使用对3D图元形状(例如，矩形、三角形等)进行操作的处 理功能来渲染三维图像和场景。3D管线2912包括执行各种任务和/或产生 到3D/媒体子系统2915的执行线程的可编程和固定功能元件。虽然3D管 线2912可用于执行媒体操作，但是在至少一个实施例中，GPE 2910还包 括媒体管线2916，其用于执行媒体操作，诸如视频后处理和图像增强。
在至少一个实施例中，媒体管线2916包括固定功能或可编程逻辑单 元，用于执行一种或更多种专门的媒体操作，例如视频解码加速，视频去 隔行和视频编码加速，代替或代表视频编解码器引擎2906。在至少一个实 施例中，媒体管线2916还包括线程产生单元，用于产生线程以在3D/媒体 子系统2915上执行。在至少一个实施例中，产生的线程在3D/媒体子系统 2915中包含的一个或更多个图形执行单元上执行媒体操作的计算。
在至少一个实施例中，3D/媒体子系统2915包括用于执行3D管线 2912和媒体管线2916产生的线程的逻辑。在至少一个实施例中，3D管线 2912和媒体管线2916将线程执行请求发送到3D/媒体子系统2915，其包 括用于仲裁各种请求并将其分派给可用线程执行资源的线程分派逻辑。在 至少一个实施例中，执行资源包括用于处理3D和媒体线程的图形执行单 元的阵列。在至少一个实施例中，3D/媒体子系统2915包括用于线程指令 和数据的一个或更多个内部高速缓存。在至少一个实施例中，子系统2915 还包括共享内存，其包括寄存器和可寻址内存，以在线程之间共享数据并 存储输出数据。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，可以将推理和/或训练逻辑1015 的部分或全部合并到处理器2900中。例如，在至少一个实施例中，本文描 述的训练和/或推理技术可以使用3D管线2912中包含的一个或更多个 ALU。此外，在至少一个实施例中，本文描述的推理和/或训练操作可以使 用除图10A或图10B所示的逻辑以外的逻辑来完成。在至少一个实施例中， 权重参数可以存储在片上或片外内存和/或寄存器(示出或未示出)中，其 配置图形处理器2900的ALU以执行一种或更多种机器学习算法、神经网 络架构、用例或本文介绍的训练技术。
图30是根据本文所述的至少一个实施例的图形处理器核心3000的 硬件逻辑的框图。在至少一个实施例中，图形处理器核心3000被包括在图 形核心阵列内。在至少一个实施例中，图形处理器核心3000(有时称为核 心切片)可以是模块化图形处理器内的一个或更多个图形核心。在至少一 个实施例中，图形处理器核心3000是一个图形核心切片的示例，并且本文 所述的图形处理器可以基于目标功率和性能包络线包括多个图形核心切片。在至少一个实施例中，每个图形核心3000可以包括与多个子核心 3001A-3001F耦合的固定功能块3030，也称为子切片，其包括通用和固定 功能逻辑的模块块。
在至少一个实施例中，固定功能块3030包括几何/固定功能管线 3036，例如，在较低性能和/或较低功率的图形处理器实施方式中，该几何 /固定功能管线3036可以由图形处理器3000中的所有子核心共享。在至少 一个实施例中，几何/固定功能管线3036包括3D固定功能管线、视频前端 单元，线程产生器和线程分派器以及管理统一返回缓冲区的统一返回缓冲 区管理器。
在固定的至少一个实施例中，功能块3030还包括图形SoC接口3037、 图形微控制器3038和媒体管线3039。图形SoC接口3037提供了图形核心 3000以及片上集成电路系统中的其他处理器核心之间的接口。在至少一个 实施例中，图形微控制器3038是可编程子处理器，其可配置为管理图形处 理器3000的各种功能，包括线程分派、调度和抢占。在至少一个实施例中， 媒体管线3039包括有助于对包括图像和视频数据的多媒体数据进行解码、 编码、预处理和/或后处理的逻辑。在至少一个实施例中，媒体管线3039 经由对子核心3001-3001F内的计算或采样逻辑的请求来实现媒体操作。
在至少一个实施例中，SoC接口3037使图形核心3000能够与通用 应用处理器核心(例如，CPU)和/或SoC内的其他组件通信，包括内存层 次结构元素，诸如共享的最后一级高速缓存、系统RAM和/或嵌入式片上 或封装DRAM。在至少一个实施例中，SoC接口3037还可以使得能够与 SoC内的固定功能设备(例如，相机成像管线)进行通信，并且使得能够 使用和/或实现可以在图形核心3000和SoC内部的CPU之间共享的全局内 存原子。在至少一个实施例中，SoC接口3037还可以实现用于图形核心 3000的电源管理控制，并且启用图形核心3000的时钟域与SoC内的其他 时钟域之间的接口。在至少一个实施例中，SoC接口3037使得能够从命令 流转化器和全局线程分派器接收命令缓冲区，其配置为向图形处理器内的 一个或更多个图形核心中的每一个提供命令和指令。在至少一个实施例中， 当要执行媒体操作时，可以将命令和指令分派给媒体管线3039，或者当要 执行图形处理操作时，可以将其分配给几何形状和固定功能管线(例如， 几何形状和固定功能管线3036、几何形状和固定功能管线3014)。
在至少一个实施例中，图形微控制器3038可以配置为对图形核心3000执行各种调度和管理任务。在至少一个实施例中，图形微控制器3038 可以在子核心3001A-3001F中的执行单元(EU)阵列3002A-3002F、 3004A-3004F内的各种图形并行引擎上执行图形和/或计算工作负载调度。 在至少一个实施例中，在包括图形核心3000的SoC的CPU核心上执行的主机软件可以提交多个图形处理器门铃之一的工作负载，其调用适当的图 形引擎上的调度操作。在至少一个实施例中，调度操作包括确定接下来要 运行哪个工作负载、将工作负载提交给命令流转化器、抢先在引擎上运行 的现有工作负载、监控工作负载的进度以及在工作负载完成时通知主机软 件。在至少一个实施例中，图形微控制器3038还可以促进图形核心3000 的低功率或空闲状态，从而为图形核心3000提供在图形核心3000内独立 于操作系统和/或系统上的图形驱动程序软件的跨低功率状态转换的保存 和恢复寄存器的能力。
在至少一个实施例中，图形核心3000可以具有比所示的子核心 3001A-3001F多或少达N个模块化子核心。对于每组N个子核心，在至少 一个实施例中，图形核心3000还可以包括共享功能逻辑3010、共享和/或 高速缓存内存3012、几何/固定功能管线3014以及附加的固定功能逻辑 3016以加速各种图形和计算处理操作。在至少一个实施例中，共享功能逻辑3010可以包括可由图形核心3000内的每个N个子核心共享的逻辑单元 (例如，采样器、数学和/或线程间通信逻辑)。共享和/或高速缓存内存3012 可以是图形核心3000内的N个子核心3001A-3001F的最后一级高速缓存， 并且还可以用作可由多个子核心访问的共享内存。在至少一个实施例中， 可以包括几何/固定功能管线3014来代替固定功能块3030内的几何/固定功 能管线3036，并且可以包括相同或相似的逻辑单元。
在至少一个实施例中，图形核心3000包括附加的固定功能逻辑3016， 其可以包括供图形核心3000使用的各种固定功能加速逻辑。在至少一个实 施例中，附加的固定功能逻辑3016包括用于仅位置着色中使用的附加的几 何管线。在仅位置着色中，存在至少两个几何管线，而在几何/固定功能管 线3016、3036内的完整几何管线和剔除管线中，其是可以包括在附加的固 定功能逻辑3016中的附加几何管线。在至少一个实施例中，剔除管线是完整几何管线的修整版。在至少一个实施例中，完整管线和剔除管线可以执 行应用程序的不同实例，每个实例具有单独的环境。在至少一个实施例中， 仅位置着色可以隐藏被丢弃的三角形的长剔除运行，从而在某些情况下可 以更早地完成着色。例如，在至少一个实施例中，附加固定功能逻辑3016 中的剔除管线逻辑可以与主应用程序并行执行位置着色器，并且通常比完 整管线更快地生成关键结果，因为剔除管线获取并遮蔽顶点的位置属性， 无需执行光栅化和将像素渲染到帧缓冲区。在至少一个实施例中，剔除管 线可以使用生成的临界结果来计算所有三角形的可见性信息，而与这些三 角形是否被剔除无关。在至少一个实施例中，完整管线(在这种情况下可 以称为重播管线)可以消耗可见性信息来跳过剔除的三角形以仅遮盖最终 传递到光栅化阶段的可见三角形。
在至少一个实施例中，附加的固定功能逻辑3016还可包括机器学习 加速逻辑，例如固定功能矩阵乘法逻辑，用于实现包括用于机器学习训练 或推理的优化。
在至少一个实施例中，在每个图形子核心3001A-3001F内包括一组 执行资源，其可用于响应于图形管线、媒体管线或着色器程序的请求来执 行图形、媒体和计算操作。在至少一个实施例中，图形子核心3001A-3001F 包括多个EU阵列3002A-3002F、3004A-3004F，线程分派和线程间通信 (TD/IC)逻辑3003A-3003F，3D(例如，纹理)采样器3005A-3005F，媒体采样器3006A-3006F，着色器处理器3007A-3007F和共享本地内存(SLM) 3008A-3008F。EU阵列3002A-3002F、3004A-3004F每个都包含多个执行 单元，这些执行单元是通用图形处理单元，能够为图形、媒体或计算操作 提供服务，执行浮点和整数/定点逻辑运算，包括图形、媒体或计算着色器 程序。在至少一个实施例中，TD/IC逻辑3003A-3003F为子核心内的执行单元执行本地线程分派和线程控制操作，并促进在子核心的执行单元上执 行的线程之间的通信。在至少一个实施例中，3D采样器3005A-3005F可 以将与纹理或其他3D图形相关的数据读取到内存中。在至少一个实施例 中，3D采样器可以基于与给定纹理相关联的配置的采样状态和纹理格式来 不同地读取纹理数据。在至少一个实施例中，媒体采样器3006A-3006F可 以基于与媒体数据相关联的类型和格式来执行类似的读取操作。在至少一 个实施例中，每个图形子核心3001A-3001F可以可替代地包括统一的3D 和媒体采样器。在至少一个实施例中，在每个子核心3001A-3001F内的执 行单元上执行的线程可以利用每个子核心内的共享本地内存3008A-3008F， 以使在线程组内执行的线程能够使用片上内存的公共池来执行。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015的部分 或全部可以被合并到图形处理器3010中。例如，在至少一个实施例中，本 文描述的训练和/或推理技术可以使用在3D管线3010、图形微控制器3038、 几何和固定功能管线3014和3036或图30中的其他逻辑中体现的一个或更 多个ALU。此外，在至少一个实施例中，本文描述的推理和/或训练操作 可以使用除图10A或图10B所示的逻辑以外的逻辑来完成。在至少一个实 施例中，权重参数可以存储在片上或片外内存和/或寄存器(示出或未示出) 中，所述寄存器配置图形处理器3000的ALU以执行一种或更多种本文介 绍的机器学习算法、神经网络架构、用例或训练技术。
图31A-31B示出了根据至少一个实施例的包括图形处理器核心的处 理元件的阵列的线程执行逻辑3100。图31A示出了至少一个实施例，其中 使用了线程执行逻辑3100。图31B示出了根据至少一个实施例的执行单元 的示例性内部细节。
如图31A中所示，在至少一个实施例中，线程执行逻辑3100包括 着色器处理器3102、线程分派器3104、指令高速缓存3106、包括多个执 行单元3108A-3108N的可缩放执行单元阵列、采样器3110、数据高速缓存 3112和数据端口3114。在至少一个实施例中，可缩放执行单元阵列可以例 如基于工作负载的计算要求，通过启用或禁用一个或更多个执行单元(例 如，执行单元3108A、3108B、3108C、3108D到3108N-1和3108N中的任 何一个)来动态缩放。在至少一个实施例中，可缩放执行单元通过链路到 每个执行单元的互连结构互连。在至少一个实施例中，线程执行逻辑3100 包括通过指令高速缓存3106、数据端口3114、采样器3110和执行单元 3108A-3108N中的一个或更多个到内存(诸如系统内存或高速缓存内存) 的一个或更多个连接。在至少一个实施例中，每个执行单元(例如3108A) 是独立的可编程通用计算单元，其能够执行多个同时的硬件线程，同时针 对每个线程并行处理多个数据元素。在至少一个实施例中，执行单元 3108A-3108N的阵列可缩放以包括任意数量的单独执行单元。
在至少一个实施例中，执行单元3108A-3108N主要用于执行着色器 程序。在至少一个实施例中，着色器处理器3102可以处理各种着色器程序 并经由线程分派器3104来分派与着色器程序相关联的执行线程。在至少一 个实施例中，线程分派器3104包括用于仲裁来自图形和媒体管线的线程初 始化庆祝以及在执行单元3108A-3108N中的一个或更多个执行单元上实例 化请求的线程的逻辑。例如，在至少一个实施例中，几何管线可以将顶点、镶嵌或几何着色器分派到线程执行逻辑以进行处理。在至少一个实施例中， 线程分派器3104还可以处理来自执行着色器程序的运行时线程产生请求。
在至少一个实施例中，执行单元3108A-3108N支持一种指令集，该 指令集包括对许多标准3D图形着色器指令的本机支持，从而使图形库(例 如Direct 3D和OpenGL)中的着色器程序只需最少的翻译即可执行。在至 少一个实施例中，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)和通用 处理(例如，计算和媒体着色器)。在至少一个实施例中，每个执行单元 3108A-3108N包括一个或更多个算术逻辑单元(ALU)，能够执行多发出 单指令多数据(SIMD)，并且多线程操作实现了高效的执行环境尽管有更 高的延迟内存访问。在至少一个实施例中，每个执行单元内的每个硬件线 程具有专用的高带宽寄存器文件和相关的独立线程状态。在至少一个实施 例中，执行是每个时钟到管线的多次发出，管线能够进行整数、单精度和 双精度浮点运算、SIMD分支功能、逻辑运算、先验运算和其他其他运算。 在至少一个实施例中，在等待来自内存或一个或更多个共享功能的数据时， 执行单元3108A-3108N内的依赖性逻辑使等待线程休眠直到返回了所请求 的数据。在至少一个实施例中，当等待线程正在休眠时，硬件资源可以专 用于处理其他线程。例如，在至少一个实施例中，在与顶点着色器操作相关联的延迟期间，执行单元可以对像素着色器、片段着色器或另一类型的 着色器程序(包括不同的顶点着色器)执行操作。
在至少一个实施例中，执行单元3108A-3108N中的每一个执行单元 在数据元素的阵列上进行操作。在至少一个实施例中，多个数据元素是“执 行大小”或指令的通道数。在至少一个实施例中，执行通道是用于指令内的 数据元素访问、屏蔽和流控制的执行的逻辑单元。在至少一个实施例中， 多个通道可以独立于用于特定图形处理器的多个物理算术逻辑单元(ALU) 或浮点单元(FPU)。在至少一个实施例中，执行单元3108A-3108N支持 整数和浮点数据类型。
在至少一个实施例中，执行单元指令集包括SIMD指令。在至少一 个实施例中，各种数据元素可以作为封装数据类型存储在寄存器中，并且 执行单元将基于那些元素的数据大小来处理各种元素。例如，在至少一个 实施例中，当对256位宽的向量进行操作时，将向量的256位存储在寄存 器中，并且执行单元对向量进行操作，作为四个单独的64位封装数据元素 (四字(QW)大小数据元素)、八个单独的32位封装数据元素(双字(DW) 大小数据元素)、十六个单独的16位封装数据元素(单词(W)大小数据 元素)或三十二个单独的8位数据元素(字节(B)大小的数据元素)。然 而，在至少一个实施例中，不同的向量宽度和寄存器大小是可能的。
在至少一个实施例中，一个或更多个执行单元可以被组合成具有执 行对于融合EU的线程控制逻辑(3107A-3107N)的融合执行单元 3109A-3109N。在至少一个实施例中，可以将多个EU合并成一个EU组。 在至少一个实施例中，融合EU组中的EU的数量可以配置为执行单独的 SIMD硬件线程。融合的EU组中的EU的数量可以根据各个实施例而变化。 在至少一个实施例中，每个EU可以执行各种SIMD宽度，包括但不限于 SIMD8、SIMD16和SIMD32。在至少一个实施例中，每个融合图形执行单 元3109A-3109N包括至少两个执行单元。例如，在至少一个实施例中，融 合执行单元3109A包括第一EU 3108A、第二EU 3108B以及第一EU3108A 和第二EU 3108B共有的线程控制逻辑3107A。在至少一个实施例中，线 程控制逻辑3107A控制在融合图形执行单元3109A上执行的线程，从而允 许融合执行单元3109A-3109N内的每个EU使用公共指令指针寄存器来执 行。
在至少一个实施例中，一个或更多个内部指令高速缓存(例如3106) 被包括在线程执行逻辑3100中以高速缓存用于执行单元的线程指令。在至 少一个实施例中，包括一个或更多个数据高速缓存(例如3112)以在线程 执行期间高速缓存线程数据。在至少一个实施例中，包括采样器3110以提 供用于3D操作的纹理采样和用于媒体操作的媒体采样。在至少一个实施 例中，采样器3110包括专门的纹理或媒体采样功能，以在将采样数据提供 给执行单元之前在采样过程中处理纹理或媒体数据。
在执行期间，在至少一个实施例中，图形和媒体管线通过线程产生 和分派逻辑将线程发起请求发送到线程执行逻辑3100。在至少一个实施例 中，一旦一组几何对象已经被处理并光栅化成像素数据，则在着色器处理 器3102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) 被调用以进一步计算输出信息并且导致将结果写入输出表面(例如，颜色 缓冲区、深度缓冲区、模板缓冲区等)。在至少一个实施例中，像素着色器 或片段着色器计算要在光栅化对象上插值的各种顶点属性的值。在至少一 个实施例中，着色器处理器3102内的像素处理器逻辑然后执行应用程序接 口(API)提供的像素或片段着色器程序。在至少一个实施例中，为了执 行着色器程序，着色器处理器3102经由线程分派器3104将线程分派到执 行单元(例如3108A)。在至少一个实施例中，着色器处理器3102使用采 样器3110中的纹理采样逻辑来访问存储在内存中的纹理贴图中的纹理数 据。在至少一个实施例中，对纹理数据和输入几何数据的算术运算为每个 几何片段计算像素颜色数据，或者丢弃一个或更多个像素以进行进一步处 理。
在至少一个实施例中，数据端口3114提供了一种用于线程执行逻辑 3100的内存访问机制，以将处理后的数据输出到内存以在图形处理器输出 管线上进行进一步处理。在至少一个实施例中，数据端口3114包括或耦合 到一个或更多个高速缓存内存(例如，数据高速缓存3112)以高速缓存数 据以便经由数据端口进行内存访问。
如图31B所示，在至少一个实施例中，图形执行单元3108可以包 括指令获取单元3137、通用寄存器文件阵列(GRF)3124、架构寄存器文 件阵列(ARF)3126、线程仲裁器3122、发送单元3130、分支单元3132、 一组SIMD浮点单元(FPU)3134，以及在至少一个实施例中，一组专用 整数SIMD ALU 3135。在至少一个实施例中，GRF 3124和ARF 3126包括 一组与可以在图形执行单元3108中活跃的每个同时硬件线程相关联的通 用寄存器文件和架构寄存器文件。在至少一个实施例中，在ARF 3126中 维护每个线程架构状态，而在线程执行期间使用的数据存储在GRF 3124 中。在至少一个实施例中，每个线程的执行状态，包括每个线程的指令指 针，可以被保存在ARF 3126中的线程专用寄存器中。
在至少一个实施例中，图形执行单元3108具有一种架构，该架构是 同时多线程(SMT)和细粒度交错多线程(IMT)的组合。在至少一个实 施例中，架构具有模块化配置，该模块化配置可以在设计时基于同时线程 的目标数量和每个执行单元的寄存器数量来进行微调，其中执行单元资源 在用于执行多个同时线程的逻辑上分配。
在至少一个实施例中，图形执行单元3108可以共同发布多个指令， 每个指令可以是不同的指令。在至少一个实施例中，图形执行单元线程 3108的线程仲裁器3122可以将指令分派到发送单元3130、分支单元3142 或SIMD FPU 3134之一以供执行。在至少一个实施例中，每个执行线程可 以访问GRF 3124中的128个通用寄存器，其中每个寄存器可以存储32个 字节，可以作为32位数据元素的SIMD 8元素向量进行访问。在至少一个 实施例中，每个执行单元线程可以访问GRF 3124中的4KB，尽管实施例 不限于此，并且在其他实施例中可以提供更多或更少的寄存器资源。在至 少一个实施例中，尽管每个执行单元的线程数量也可以根据实施例而变化， 但是最多可以同时执行七个线程。在其中七个线程可以访问4KB的至少 一个实施例中，GRF 3124可以存储总共28KB。在至少一个实施例中，灵 活的寻址模式可以允许将寄存器一起寻址以有效地建立更宽的寄存器或表 示跨步的矩形块数据结构。
在至少一个实施例中，经由由消息传递发送单元3130执行的“发送” 指令来调度内存操作、采样器操作和其他更长延迟的系统通信。在至少一 个实施例中，将分支指令分派到专用分支单元3132促进SIMD发散和最终 收敛。
在至少一个实施例中，图形执行单元3108包括一个或更多个SIMD 浮点单元(FPU)3134，以执行浮点操作。在至少一个实施例中，一个或 更多个FPU 3134还支持整数计算。在至少一个实施例中，一个或更多个 FPU 3134可以SIMD执行多达M个32位浮点(或整数)运算，或者SIMD 执行多达2M个16位整数或16位浮点运算。在至少一个实施例中，一个 或更多个FPU中的至少一个提供扩展的数学能力以支持高吞吐量的先验 数学函数和双精度64位浮点。在至少一个实施例中，还存在一组8位整数 SIMD ALU 3135，并且可以被专门优化以执行与机器学习计算相关的操作。
在至少一个实施例中，可以在图形子核心分组(例如，子切片)中 实例化图形执行单元3108的多个实例的阵列。在至少一个实施例中，执行 单元3108可以跨多个执行通道执行指令。在至少一个实施例中，在图形执 行单元3108上执行的每个线程在不同的通道上执行。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，推理和/或训练逻辑1015的部分 或全部可以被结合到执行逻辑3100中。此外，在至少一个实施例中，可以 使用除了图10A或图10B中所示的逻辑之外的逻辑来完成在此描述的推理 和/或训练操作。在至少一个实施例中，权重参数可以存储在片上或片外内 存和/或寄存器(示出或未示出)中，其配置执行逻辑3100的ALU以执行 一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练技术。
图32示出了根据至少一个实施例的并行处理单元(“PPU”)3200。 在至少一个实施例中，PPU 3200配置有机器可读代码，该机器可读代码如 果由PPU 3200执行，则使得PPU3200执行贯穿本公开描述的一些或全部 过程和技术。在至少一个实施例中，PPU 3200是在一个或更多个集成电路 设备上实现的多线程处理器，并且利用多线程作为被设计为处理在多个线 程上并行执行的计算机可读指令(也称为机器可读指令或简单的指令)的 延迟隐藏技术。在至少一个实施例中，线程是指执行线程，并且是被配置 为由PPU 3200执行的一组指令的实例。在至少一个实施例中，PPU 3200 是图形处理单元(“GPU”)，图形处理单元配置为实现用于处理三维(“3D”) 图形数据的图形渲染管线，以便生成用于在显示设备(诸如液晶显示器 (“LCD”)设备)上显示的二维(“2D”)图像数据。在至少一个实施例中， PPU3200用于执行计算，诸如线性代数运算和机器学习运算。图32仅出 于说明性目的示出了示例并行处理器，并且应被解释为在本公开的范围内 设想的处理器架构的非限制性示例，并且可以采用任何适当的处理器来对 其进行补充和/或替代。
在至少一个实施例中，一个或更多个PPU 3200配置成加速高性能计 算(“HPC”)、数据中心和机器学习应用程序。在至少一个实施例中，PPU 3200配置成加速深度学习系统和应用程序，包括以下非限制性示例：自动 驾驶汽车平台、深度学习、高精度语音、图像、文本识别系统、智能视频 分析、分子模拟、药物发现、疾病诊断、天气预报、大数据分析、天文学、 分子动力学模拟、财务建模、机器人技术、工厂自动化、实时语言翻译、 在线搜索优化以及个性化用户推荐等。
在至少一个实施例中，PPU 3200包括但不限于输入/输出(“I/O”) 单元3206、前端单元3210、调度器单元3212、工作分配单元3214、集线 器3216、交叉开关(“Xbar”)3220、一个或更多个通用处理集群(“GPC”) 3218和一个或更多个分区单元(“内存分区单元”)3222。在至少一个实施 例中，PPU 3200通过一个或更多个高速GPU互连(“GPU互连”)3208连 接到主机处理器或其他PPU 3200。在至少一个实施例中，PPU 3200通过 互连3202连接到主机处理器或其他外围设备。在一实施例中，PPU 3200 连接到包括一个或更多个内存设备(“内存”)3204的本地内存。在至少一 个实施例中，内存设备3204包括但不限于一个或更多个动态随机存取内存 (“DRAM”)设备。在至少一个实施例中，一个或更多个DRAM设备配置 和/或可配置为高带宽内存(“HBM”)子系统，并且在每个设备内堆叠有多 个DRAM管芯。
在至少一个实施例中，高速GPU互连3208可以指代系统使用其来 进行缩放的基于线的多通道通信链路，并包括与一个或更多个中央处理单 元结合的一个或更多个PPU3200(“CPU”)，支持PPU 3200和CPU之间 的缓存相干以及CPU主控。在至少一个实施例中，高速GPU互连3208 通过集线器3216将数据和/或命令传输到PPU 3200的其他单元，例如一个或更多个复制引擎、视频编码器、视频解码器、电源管理单元和/或在图32 中可能未明确示出的其他组件。
在至少一个实施例中，I/O单元3206配置为通过系统总线3202从主 机处理器(图32中未示出)发送和接收通信(例如，命令、数据)。在至 少一个实施例中，I/O单元3206直接通过系统总线3202或通过一个或更 多个中间设备(例如内存桥)与主机处理器通信。在至少一个实施例中， I/O单元3206可以经由系统总线3202与一个或更多个其他处理器(例如一个或更多个PPU 3200)通信。在至少一个实施例中，I/O单元3206实现 外围组件互连Express(“PCIe”)接口，用于通过PCIe总线进行通信。在 至少一个实施例中，I/O单元3206实现用于与外部设备通信的接口。
在至少一个实施例中，I/O单元3206对经由系统总线3202接收的分 组进行解码。在至少一个实施例中，至少一些分组表示被配置为使PPU 3200执行各种操作的命令。在至少一个实施例中，I/O单元3206如命令所 指定的那样将解码的命令发送到PPU 3200的各种其他单元。在至少一个 实施例中，命令被发送到前端单元3210和/或被发送到集线器3216或PPU 3200的其他单元，例如一个或更多个复制引擎、视频编码器、视频解码器、 电源管理单元等(图32中未明确示出)。在至少一个实施例中，I/O单元 3206配置为在PPU 3200的各种逻辑单元之间路由通信。
在至少一个实施例中，由主机处理器执行的程序在缓冲区中对命令 流进行编码，该缓冲区将工作负载提供给PPU 3200以进行处理。在至少 一个实施例中，工作负载包括指令和要由那些指令处理的数据。在至少一 个实施例中，缓冲区是可由主机处理器和PPU3200两者访问(例如，读/ 写)的内存中的区域—主机接口单元可以配置为访问经由I/O单元3206通 过系统总线3202传输的内存请求连接到系统总线3202的系统内存中的缓 冲区。在至少一个实施例中，主机处理器将命令流写入缓冲区，然后将指 示命令流开始的指针发送给PPU 3200，使得前端单元3210接收指向一个 或更多个命令流指针并管理一个或更多个命令流，从命令流中读取命令并 将命令转发到PPU 3200的各个单元。
在至少一个实施例中，前端单元3210耦合到调度器单元3212，该 调度器单元3212配置各种GPC 3218以处理由一个或更多个命令流定义的 任务。在至少一个实施例中，调度器单元3212配置为跟踪与调度器单元 3212管理的各种任务有关的状态信息，其中状态信息可以指示任务被分配 给哪个GPC 3218，任务是活跃的还是非活跃的，与任务相关联的优先级等 等。在至少一个实施例中，调度器单元3212管理在一个或更多个GPC 3218 上执行的多个任务。
在至少一个实施例中，调度器单元3212耦合到工作分配单元3214， 该工作分配单元3214配置为分派任务以在GPC 3218上执行。在至少一个 实施例中，工作分配单元3214跟踪从调度器单元3212接收到的多个调度 任务并且工作分配单元3214管理每个GPC 3218的待处理任务池和活跃任 务池。在至少一个实施例中，待处理任务池包括多个时隙(例如32个时隙)， 这些时隙包含分配给要由特定的GPC 3218处理的任务；活跃任务池可包 括用于由GPC 3218主动处理的任务的多个时隙(例如4个时隙)，以使随 着GPC 3218中的一个完成任务的执行，该任务将从GPC 3218的活动任务 池中逐出，并且从待处理任务池中选择其他任务之一，并安排其在GPC 3218上执行。在至少一个实施例中，如果活跃任务在GPC 3218上处于空 闲状态，例如在等待数据依赖性解决时，则活跃任务从GPC 3218中驱逐 并返回到待处理任务池，同时选择了待处理任务池中的另一个任务并调度 在GPC 3218上执行。
在至少一个实施例中，工作分配单元3214经由XBar3220与一个或 更多个GPC3218通信。在至少一个实施例中，XBar3220是互连网络，其 将PPU 3200的许多单元耦合到PPU 3200的其他单元，并且可以配置为将 工作分配单元3214耦合到特定的GPC3218。在至少一个实施例中，一个 或更多个PPU 3200的其他单元也可以通过集线器3216连接到XBar3220。
在至少一个实施例中，任务由调度器单元3212管理，并由工作分配 单元3214分配给GPC 3218之一。GPC 3218配置为处理任务并产生结果。 在至少一个实施例中，结果可以由GPC 3218中的其他任务消耗，通过 XBar3220路由到不同的GPC 3218或存储在内存3204中。在至少一个实 施例中，结果可以通过分区单元3222写到内存3204中，其实现了用于向内存3204写入数据或从内存3204读取数据的内存接口。在至少一个实施 例中，结果可以经由高速GPU互连3208传输到另一PPU 3204或CPU。 在至少一个实施例中，PPU 3200包括但不限于U个分区单元3222，其等 于耦合到PPU 3200的分离且不同的存储设备3204的数量。在至少一个实 施例中，下面结合图34更详细地描述分区单元3222。
在至少一个实施例中，主机处理器执行驱动器核心，该驱动程序核 心实现应用程序编程接口(API)，该应用程序编程接口使在主机处理器上 执行的一个或更多个应用程序能够调度操作以在PPU 3200上执行。在一 个实施例中，多个计算应用由PPU 3200同时执行，并且PPU 3200为多个 计算应用程序提供隔离、服务质量(“QoS”)和独立的地址空间。在至少 一个实施例中，应用程序生成指令(例如，以API调用的形式)，该指令 使驱动器核心生成一个或更多个任务以供PPU 3200执行，并且驱动器核 心将任务输出至由PPU 3200处理的一个或更多个流。在至少一个实施例 中，每个任务包括一个或更多个相关线程组，其可以被称为线程束(warp)。 在至少一个实施例中，线程束包括可以并行执行的多个相关线程(例如32 个线程)。在至少一个实施例中，协作线程可以指代多个线程，包括用于执 行任务并且通过共享内存交换数据的指令。在至少一个实施例中，结合图 34根据至少一个实施例更详细地描述了线程和协作线程。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，深度学习应用处理器用于训练机 器学习模型(诸如神经网络)，以预测或推理提供给PPU 3200的信息。在 至少一个实施例中，深度学习应用处理器3200用于基于已由另一处理器或 系统或PPU 3200训练过的训练过的机器学习模型(例如，神经网络)推 理或预测信息。在至少一个实施例中，PPU 3200可用于执行本文所述的一 个或更多个神经网络用例。
图33示出了根据至少一个实施例的通用处理集群(“GPC”)3300。 在至少一个实施例中，GPC 3300是图32的GPC 3218。在至少一个实施例 中，每个GPC 3300包括但不限于用于处理任务的多个硬件单元，并且每 个GPC 3300包括但不限于管线管理器3302、预光栅操作单元(“PROP”) 3304、光栅引擎3308、工作分配交叉开关(“WDX”)3316、内存管理单元(“MMU”)3318、一个或更多个数据处理集群(“DPC”)3306，以及部件 的任何合适组合。
在至少一个实施例中，GPC 3300的操作由管线管理器3302控制。 在至少一个实施例中，管线管理器3302管理一个或更多个DPC 3306的配 置，以处理分配给GPC 3300的任务。在至少一个实施例中，管线管理器 3302配置一个或更多个DPC 3306中的至少一个以实现图形渲染管线的至 少一部分。在至少一个实施例中，DPC 3306配置为在可编程流式多处理器 (“SM”)3314上执行顶点着色器程序。在至少一个实施例中，管线管理 器3302配置为将从工作分配单元接收的数据包路由到GPC 3300内的适当 逻辑单元，以及在至少一个实施例中，可以将一些数据包路由到PROP 3304 和/或光栅引擎3308中的固定功能硬件单元，而可以将其他数据包路由到 DPC 3306以由原始引擎3312或SM3314进行处理。在至少一个实施例中， 管线管理器3302配置DPC 3306中的至少一个以实现神经网络模型和/或计 算管线。
在至少一个实施例中，PROP单元3304配置为在至少一个实施例中 将由光栅引擎3308和DPC 3306生成的数据路由到分区单元3222中的光 栅操作(“ROP”)单元，上面结合图32更详细地描述。在至少一个实施例 中，PROP单元3304配置为执行用于颜色混合的优化、组织像素数据、执 行地址转换等等。在至少一个实施例中，光栅引擎3308包括但不限于配置 为执行各种光栅操作的多个固定功能硬件单元，并且在至少一个实施例中， 光栅引擎3308包括但不限于设置引擎、粗光栅引擎、剔除引擎、裁剪引擎、 精细光栅引擎、图块聚合引擎及其任意合适的组合。在至少一个实施例中， 设置引擎接收变换后的顶点并生成与由顶点定义的几何图元相关联的平面 方程；平面方程式被传送到粗光栅引擎以生成基本图元的覆盖信息(例如， 图块的x、y覆盖范围掩码)；粗光栅引擎的输出将传输到剔除引擎，在剔 除引擎中与z测试失败的图元相关联的片段将被剔除，并传输到剪切引擎， 在剪切引擎中剪切位于视锥范围之外的片段。在至少一个实施例中，将经 过裁剪和剔除的片段传递给精细光栅引擎，以基于设置引擎生成的平面方 程式生成像素片段的属性。在至少一个实施例中，光栅引擎3308的输出包 括将由任何适当的实体(例如，由在DPC 3306内实现的片段着色器)处 理的片段。
在至少一个实施例中，包括在GPC 3300中的每个DPC 3306包括但 不限于M管线控制器(“MPC”)3310；图元引擎3312；一个或更多个SM 3314；及其任何合适的组合。在至少一个实施例中，MPC 3310控制DPC 3306的操作，将从管线管理器3302接收的分组路由到DPC3306中的适当 单元。在至少一个实施例中，将与顶点相关联的分组路由到图元引擎3312，图元引擎3312配置为从内存中获取与顶点关联的顶点属性；相反，可以将 与着色器程序相关联的数据包发送到SM 3314。
在至少一个实施例中，SM 3314包括但不限于可编程流式处理器， 其配置为处理由多个线程表示的任务。在至少一个实施例中，SM 3314是 多线程的并且配置为同时执行来自特定线程组的多个线程(例如32个线 程)，并且实现单指令、多数据(“SIMD”)架构，其中将一组线程(例如， 线程束)中的每个线程配置为基于相同的指令集来处理不同的数据集。在 至少一个实施例中，线程组中的所有线程执行相同的指令。在至少一个实 施例中，SM 3314实施单指令、多线程(“SIMT”)架构，其中一组线程中 的每个线程配置为基于相同的指令集来处理不同的数据集，但是其中线程 组中的各个线程允许在执行期间发散。在至少一个实施例中，为每个线程 束维护程序计数器、调用栈和执行状态，从而当线程束中的线程发散时， 实现线程束和线程束内的串行执行之间的并发性。在另一个实施例中，为 每个单独的线程维护程序计数器、调用栈和执行状态，从而使得在线程束 内和线程束之间的所有线程之间具有相等的并发性。在至少一个实施例中， 为每个单独的线程维持执行状态，并且可以收敛并并行地执行执行相同指 令的线程以提高效率。下面更详细地描述SM3314的至少一个实施例。
在至少一个实施例中，MMU 3318在GPC 3300和内存分区单元(例 如，图32的分区单元3222)之间提供接口，并且MMU 3318提供虚拟地 址到物理地址的转换、内存保护以及内存请求的仲裁。在至少一个实施例 中，MMU 3318提供一个或更多个转换后备缓冲区(“TLB”)，用于执行虚 拟地址到内存中的物理地址的转换。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关联的 推理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练 逻辑1015的细节。在至少一个实施例中，深度学习应用处理器用于训练机 器学习模型(诸如神经网络)，以预测或推理提供给GPC 3300的信息。在 至少一个实施例中，GPC 3300用于基于已由另一处理器或系统或GPC 3300训练过的机器学习模型(例如，神经网络)推理或预测信息。在至少 一个实施例中，GPC 3300可用于执行本文所述的一个或更多个神经网络用 例。
图34示出了根据至少一个实施例的并行处理单元(“PPU”)的内存 分区单元3400。在至少一个实施例中，内存分区单元3400包括但不限于 光栅操作(“ROP”)单元3402；二级(“L2”)高速缓存3404；内存接口 3406；及其任何合适的组合。内存接口3406耦合到内存。内存接口3406 可以实现32、64、128、1024位数据总线，或者类似的实现方式用于高速 数据传输。在至少一个实施例中，PPU包括U个内存接口3406，每对分区 单元3400一个内存接口3406，其中每对分区单元3400连接到对应的内存 设备。例如，在至少一个实施例中，PPU可以连接至多达Y个内存设备， 例如高带宽内存堆栈或图形双数据速率版本5同步动态随机存取内存 (“GDDR5 SDRAM”)。
在至少一个实施例中，内存接口3406实现高带宽内存第二代 (“HBM2”)内存接口，并且Y等于U的一半。在至少一个实施例中，HBM2 内存堆栈与PPU位于同一物理封装上，与传统的GDDR5 SDRAM系统相 比，可提供大量功率并节省面积。在至少一个实施例中，每个HBM2堆栈 包括但不限于四个内存管芯，且Y等于4，每个HBM2堆栈包括每个管芯 两个128位通道，用于总共8个通道和1024位的数据总线宽度。在至少一 个实施例中，内存支持单错误校正双错误检测(“SECDED”)错误校正码 (“ECC”)以保护数据。ECC为对数据损坏敏感的计算应用提供更高的可 靠性。
在至少一个实施例中，PPU实现了多级内存层次结构。在至少一个 实施例中，内存分区单元3400支持统一内存以为中央处理单元(“CPU”) 和PPU内存提供单个统一虚拟地址空间，从而实现虚拟内存系统之间的数 据共享。在至少一个实施例中，追踪PPU对位于其他处理器上的内存的访 问频率，以确保将内存页面移动到更频繁地访问页面的PPU的物理内存。 在至少一个实施例中，高速GPU互连3208支持地址转换服务，其允许PPU 直接访问CPU的页表，并通过PPU提供对CPU内存的完全访问。
在至少一个实施例中，复制引擎在多个PPU之间或PPU与CPU之 间传输数据。在至少一个实施例中，复制引擎可以为未被映射到页表中的 地址生成页面错误，并且内存分区单元3400然后为页面错误提供服务，将 地址映射到页表中，之后复制引擎执行传输。在至少一个实施例中，为多 个处理器之间的多个复制引擎操作固定(即不可分页)内存，从而实质上 减少了可用内存。在至少一个实施例中，在硬件页面故障的情况下，可以 将地址传递给复制引擎，而无需考虑是否驻留内存页面，并且复制过程是 透明的。
根据至少一个实施例，来自图32的内存3204或其他系统内存的数 据由内存分区单元3400获取，并将其存储在L2高速缓存3404中，L2高 速缓存3404位于芯片上并且在各种GPC之间共享。在至少一个实施例中， 每个内存分区单元3400包括但不限于与对应的内存设备相关联的L2高速 缓存的至少一部分。在至少一个实施例中，在GPC内的各个单元中实现较 低级别的高速缓存。在至少一个实施例中，每个SM 3314可以实现一级 (“L1”)高速缓存，其中L1高速缓存是专用于特定SM 3314的私有内存， 并且从L2高速缓存3404中获取数据并将其存储在每个L1高速缓存中， 用于在SM 3314的功能单元中进行处理。在至少一个实施例中，L2高速缓 存3404耦合到内存接口3406和XBar 3220。
在至少一个实施例中，ROP单元3402执行与像素颜色有关的图形 光栅操作，诸如颜色压缩、像素混合等。在至少一个实施例中，ROP单元 3402结合光栅引擎3308实施深度测试，从光栅引擎3308的剔除引擎接收 与像素片段相关联的样本位置的深度。在至少一个实施例中，针对在与片 段关联的样本位置的深度缓冲区中的相应深度测试深度。在至少一个实施 例中，如果片段通过了针对样本位置的深度测试，则ROP单元3402更新 深度缓冲区，并将深度测试的结果发送给光栅引擎3308。将意识到，分区 单元3400的数量可以不同于GPC的数量，因此，可以在至少一个实施例 中将每个ROP单元3402耦合到每个GPC。在至少一个实施例中，ROP单 元3402追踪从不同GPC接收到的分组，并确定通过XBar3220将ROP单 元3402产生的结果路由到哪个。
图35示出了根据至少一个实施例的流式多处理器(“SM”)3500。 在至少一个实施例中，SM 3500是图33的SM。在至少一个实施例中，SM 3500包括但不限于指令高速缓存3502；一个或更多个调度器单元3504； 寄存器文件3508；一个或更多个处理核心(“核心”)3510；一个或更多个 特殊功能单元(“SFU”)3512；一个或更多个加载/存储单元(“LSU”)3514； 互连网络3516；共享内存/一级(“L1”)高速缓存3518；及其任何合适的 组合。在至少一个实施例中，工作分配单元调度任务以在并行处理单元 (“PPU”)的通用处理集群(“GPC”)上执行，并且每个任务被分配给GPC 内部的特定数据处理集群(“DPC”)，并且如果任务与着色器程序相关联， 则将任务分配给SM 3500之一。在至少一个实施例中，调度器单元3504 从工作分配单元接收任务并管理分配给SM 3500的一个或更多个线程块的 指令调度。在至少一个实施例中，调度器单元3504调度线程块以作为并行 线程的线程束来执行，其中，每个线程块被分配至少一个线程束。在至少 一个实施例中，每个线程束执行线程。在至少一个实施例中，调度器单元 3504管理多个不同的线程块，将线程束分配给不同的线程块，然后在每个 时钟周期内将来自多个不同的协作组的指令分派给各种功能单元(例如，处理核心3510、SFU 3512和LSU 3514)。
在至少一个实施例中，合作组可以指用于组织通信线程组的编程模 型，其允许开发人员表达线程正在通信的粒度，从而能够表达更丰富、更 有效的并行分解。在至少一个实施例中，协作启动API支持线程块之间的 同步以执行并行算法。在至少一个实施例中，常规编程模型的应用提供了 用于同步协作线程的单一、简单的构造：跨线程块的所有线程的屏障(例 如，syncthreads()函数)。但是，在至少一个实施例中，程序员可以在小 于线程块粒度的情形下来定义线程组，并在所定义的组内进行同步，以实 现更高的性能、设计灵活性以及以集合组范围功能接口的形式实现软件重 用。在至少一个实施例中，协作组使程序员能够以子块(即，小到单个线 程)和多块粒度明确定义线程组，并执行集合操作，例如对协作组中的线 程进行同步。编程模型支持跨软件边界的干净组合，从而库和实用程序功能可以在其本地环境中安全地同步，而不必进行关于收敛的假设。在至少 一个实施例中，协作组图元使协作并行的新图案成为可能，包括但不限于 生产者-消费者并行，机会主义并行以及整个线程块网格上的全局同步。
在至少一个实施例中，调度单元3506配置为将指令发送到功能单元 中的一个或更多个，并且调度器单元3504包括但不限于两个调度单元3506， 该两个调度单元3506使得来自相同线程束的两个不同指令能够在每个时 钟周期被调度。在至少一个实施例中，每个调度器单元3504包括单个调度 单元3506或附加调度单元3506。
在至少一个实施例中，每个SM 3500在至少一个实施例中包括但不 限于寄存器文件3508，该寄存器文件3508为SM 3500的功能单元提供了 一组寄存器。在至少一个实施例中，寄存器文件3508在每个功能单元之间 划分，从而为每个功能单元分配寄存器文件3508的专用部分。在至少一个 实施例中，寄存器文件3508在由SM 3500执行的不同线程束之间划分， 并且寄存器文件3508为连接到功能单元的数据路径的操作数提供临时存 储。在至少一个实施例中，每个SM 3500包括但不限于多个L个处理核心 3510。在至少一个实施例中，SM 3500包括但不限于大量(例如128个或 更多)不同的处理核心3510。在至少一个实施例中，每个处理核心3510 在至少一个实施例中包括但不限于全管线、单精度、双精度和/或混合精度 处理单元，其包括但不限于浮点算术逻辑单元和整数算术逻辑单元。在至 少一个实施例中，浮点算术逻辑单元实现用于浮点算术的IEEE 754-2008 标准。在至少一个实施例中，处理核心3510包括但不限于64个单精度(32 位)浮点核心、64个整数核心、32个双精度(64位)浮点核心和8个张 量核心。
根据至少一个实施例，张量核心配置为执行矩阵运算。在至少一个 实施例中，一个或更多个张量核心包括在处理核心3510中。在至少一个实 施例中，张量核心配置为执行深度学习矩阵算术，例如用于神经网络训练 和推理的卷积运算。在至少一个实施例中，每个张量核心在4×4矩阵上操 作并且执行矩阵乘法和累加运算D＝A×B+C，其中A、B、C和D是4×4 矩阵。
在至少一个实施例中，矩阵乘法输入A和B是16位浮点矩阵，并 且累加矩阵C和D是16位浮点或32位浮点矩阵。在至少一个实施例中， 张量核心对16位浮点输入数据进行32位浮点累加运算。在至少一个实施 例中，16位浮点乘法使用64个运算，并得到全精度乘积，然后使用32位 浮点加法与其他中间乘积累加起来，以进行4x4x4矩阵乘法。在至少一个 实施例中，张量核心用于执行由这些较小的元件构成的更大的二维或更高 维度的矩阵运算。在至少一个实施例中，，API(诸如CUDA 9C++API) 公开专门的矩阵加载、矩阵乘法和累加以及矩阵存储操作，以有效地使用 来自CUDA-C++程序的张量核心。在至少一个实施例中，在CUDA级别， 线程束级别接口假定跨越所有32个线程束线程的16×16大小的矩阵。
在至少一个实施例中，每个SM 3500包括但不限于执行特殊功能(例 如，属性评估、倒数平方根等)的M个SFU 3512。在至少一个实施例中， SFU 3512包括但不限于配置为遍历分层树数据结构的树遍历单元。在至少 一个实施例中，SFU 3512包括但不限于配置为执行纹理映射过滤操作的纹 理单元。在至少一个实施例中，纹理单元配置为从内存中加载纹理映射(例 如，纹理像素的2D阵列)和采样纹理映射，以产生采样的纹理值以供由 SM3500执行的着色器程序使用。在至少一个实施例中，将纹理映射存储 在共享内存/L1高速缓存3518中。在至少一个实施例中，根据至少一个实 施例，纹理单元使用mip映射(mip-maps)(例如，细节级别不同的纹理映 射)来实现纹理操作(诸如过滤操作)。在至少一个实施例中，每个SM 3500 包括但不限于两个纹理单元。
在至少一个实施例中，每个SM 3500包括但不限于实现共享内存/L1 高速缓存3518与寄存器文件3508之间的加载和存储操作的N个LSU 3514。 在至少一个实施例中，每个SM 3500包括但不限于互连网络3516，互连网 络3516将每个功能单元连接到寄存器文件3508，并且LSU 3514连接到寄 存器文件3508和共享内存/L1高速缓存3518。在至少一个实施例中，互 连网络3516是交叉开关，其可以配置为将任何功能单元连接到寄存器文件3508中的任何寄存器，并且将LSU 3514连接到寄存器文件3508和共享内 存/L1高速缓存3518中的内存位置。
在至少一个实施例中，共享内存/L1高速缓存3518是片上内存的阵 列，其在至少一个实施例中允许SM 3500与图元引擎之间以及SM 3500中 的线程之间的数据存储和通信。在至少一个实施例中，共享内存/L1高速 缓存3518包括但不限于128KB的存储容量，并且位于从SM 3500到分区 单元的路径中。在至少一个实施例中，共享内存/L1高速缓存3518在至少 一个实施例中用于高速缓存读取和写入。在至少一个实施例中，共享内存/ L1高速缓存3518、L2高速缓存和内存中的一个或更多个是后备存储。
在至少一个实施例中，将数据高速缓存和共享内存功能组合到单个 内存块中，为两种类型的内存访问提供了改进的性能。在至少一个实施例 中，容量由不使用共享内存的程序使用或将其用作高速缓存，例如如果共 享内存配置为使用一半容量，则纹理和加载/存储操作可以使用剩余容量。 根据至少一个实施例，在共享内存/L1高速缓存3518内的集成使共享内存 /L1高速缓存3518能够用作用于流传输数据的高吞吐量管线，同时提供对频繁重用的数据的高带宽和低延迟访问。在至少一个实施例中，当配置用 于通用并行计算时，与图形处理相比，可以使用更简单的配置。在至少一 个实施例中，绕过固定功能图形处理单元，从而创建了更加简单的编程模 型。在至少一个实施例中，在通用并行计算配置中，工作分配单元直接将 线程的块分配和分布给DPC。在至少一个实施例中，块中的线程执行相同 的程序，在计算中使用唯一的线程ID以确保每个线程生成唯一的结果，使 用SM 3500执行程序并执行计算，使用共享内存/L1高速缓存3518在线 程之间进行通信，以及使用LSU3514通过共享内存/L1高速缓存3518和 内存分区单元来读写全局内存。在至少一个实施例中，当被配置用于通用 并行计算时，SM 3500向调度器单元3504写入可以用来在DPC上启动新 工作的命令。
在至少一个实施例中，PPU被包括在台式计算机、膝上型计算机、 平板电脑、服务器、超级计算机、智能电话(例如，无线、手持设备)、个 人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备 等中或与之耦合。在至少一个实施例中，PPU被实现在单个半导体衬底上。 在至少一个实施例中，PPU与一个或更多个其他设备(例如附加的PPU、内存、精简指令集计算机(“RISC”)CPU，一个或更多个内存管理单元 (“MMU”)、数模转换器(“DAC”)等)一起被包括在片上系统(“SoC”) 中。
在至少一个实施例中，PPU可以被包括在包括一个或更多个存储设 备的图形卡上。图形卡可以配置为与台式计算机主板上的PCIe插槽相连接。 在至少一个实施例中，PPU可以是包括在主板的芯片组中的集成图形处理 单元(“iGPU”)。
推理和/或训练逻辑1015用于执行与一个或更多个实施例相关的推 理和/或训练操作。下面结合图10A和/或图10B提供关于推理和/或训练逻 辑1015的细节。在至少一个实施例中，深度学习应用处理器用于训练机器 学习模型(诸如神经网络)，以预测或推理提供给SM 3500的信息。在至 少一个实施例中，SM 3500用于基于已由另一处理器或系统或由SM3500 训练过的机器学习模型(例如，神经网络)推理或预测信息。在至少一个 实施例中，SM3500可用于执行一个或更多个本文所述的神经网络用例。
在至少一个实施例中，单个半导体平台可以指唯一的单一的基于半 导体的集成电路或芯片。在至少一个实施例中，可以使用具有增加的连接 性的多芯片模块，其模拟芯片上的操作，并且相对于利用传统的中央处理 单元(“CPU”)和总线实施方式进行了实质性的改进。在至少一个实施例 中，根据用户的需求，各种模块也可以分开放置或以半导体平台的各种组 合放置。
在至少一个实施例中，将以机器可读的可执行代码或计算机控制逻 辑算法的形式的计算机程序存储在主内存1604和/或辅助存储中。根据至 少一个实施例，如果由一个或更多个处理器执行，则计算机程序使系统 1600能够执行各种功能。在至少一个实施例中，内存1604、存储和/或任 何其他存储是计算机可读介质的可能示例。在至少一个实施例中，辅助存 储可以指代任何合适的存储设备或系统，例如硬盘驱动器和/或可移除存储 驱动器，代表软盘驱动器、磁带驱动器、光盘驱动器、数字多功能盘(“DVD”) 驱动器、记录设备、通用串行总线(“USB”)闪存等。在至少一个实施例 中，各种先前附图的架构和/或功能是在CPU 1602；并行处理系统1612； 能够具有至少两个CPU 1602的能力的至少一部分的集成电路；并行处理 系统1612；芯片组(例如，一组设计成工作并作为执行相关功能的单元出售的集成电路等)；以及集成电路的任何适当组合的环境中实现的。
在至少一个实施例中，各种先前附图的架构和/或功能在通用计算机 系统、电路板系统、专用于娱乐目的的游戏控制台系统、专用系统等的环 境中实现。在至少一个实施例中，计算机系统1600可以采取台式计算机、 膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如，无线，、 手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、 手持式电子设备、移动电话设备、电视、工作站、游戏机、嵌入式系统和/ 或任何其他类型的逻辑的形式。
在至少一个实施例中，并行处理系统1612包括但不限于多个并行处 理单元(“PPU”)1614和相关联的内存1616。在至少一个实施例中，PPU 1614 通过互连1618和交换机1620或多路复用器连接到主机处理器或其他外围 设备。在至少一个实施例中，并行处理系统1612在可并行化的PPU 1614 上分配计算任务，例如，作为跨多个图形处理单元(“GPU”)线程块的计 算任务分布的一部分。在至少一个实施例中，在PPU 1614中的一些或全 部之间共享和访问内存(例如，用于读取和/或写入访问)，尽管这种共享 内存可能引发相对于使用本地内存和驻留在PPU1614上的寄存器的性能 损失。在至少一个实施例中，通过使用命令(诸如__syncthreads())来同 步PPU 1614的操作，其中块中的所有线程(例如，跨多个PPU 1614执行) 在进行之前到达某个代码执行点。
其他变型在本公开的精神内。因此，尽管公开的技术易于进行各种 修改和替代构造，但是其某些示出的实施例在附图中示出并且已经在上面 进行了详细描述。但是，应当理解，无意将公开内容限制为所公开的一种 或更多种特定形式，而是相反，其意图是涵盖落入如所附权利要求书所定 义的公开内容的精神和范围内的所有修改、替代构造和等同物。
除非另有说明，除非另有说明或显然与上下文明显矛盾，否则在描 述所公开的实施例的环境中(特别是在所附权利要求的环境中)对术语“一”， “一个”和“该”以及类似指代的使用应解释为涵盖单数和复数。术语“包含”， “具有”，“包括”和“内含”应解释为开放式术语(意思是“包括但不限于”)。 术语“连接”在未经修改时指的是物理连接，应理解为部分或全部包含在， 连接到或连接在一起的部分或全部，即使有任何介入。除非在此另外指出， 否则本文中数值范围的引用仅旨在用作分别指代落入该范围内的每个单独 值的速记方法，并且每个单独值都被并入说明书中，就如同其在本文中被 单独叙述一样。除非环境另外指出或矛盾，否则术语“组”(例如“一组项目”) 或“子集”的使用应解释为包括一个或更多个成员的非空集合。此外，除非 环境另外指出或矛盾，否则相应集合的术语“子集”不一定表示相应集合的 适当子集，而是子集和相应集合可以相等。
除非以其他方式明确指出或与环境明显矛盾，否则诸如“A、B和C 中的至少一个”或“A、B和C的至少一个”形式的词组等联合语言在环境中 理解为通常用来表示项目，术语等可以是A或B或C，也可以是A和B 和C集合的任何非空子集。例如，在具有三个成员，连接短语“A、B和C 中的至少一个”和“A、B和C的至少一个”是指以下任意集合：{A}，{B}， {C}，{A，B}，{A，C}，{B，C}，{A，B，C}。因此，这种联合语言通 常不意图暗示某些实施例要求存在A中的至少一个、B中的至少一个和C 中的至少一个。另外，除非另有说明或与环境矛盾，否则术语“多个”表示 复数的状态(例如，“多个项目”表示多个项目)。复数中项目的数量是至少两个，但是当明确地或通过环境指示时可以是多个。此外，除非另有说明 或从环境中清楚得知，否则短语“基于”是指“至少部分基于”而不是“仅基 于”。
除非本文另外指出或与环境明显矛盾，否则本文描述的过程的操作 可以任何合适的序列执行。在至少一个实施例中，诸如本文所述的那些过 程(或其变形和/或其组合)的过程在配置有可执行指令的一个或更多个计 算机系统的控制下执行，并且被实现为代码(例如，可执行指令、一个或 更多个计算机程序或一个或更多个应用程序)通过硬件或其组合在一个或 更多个处理器上共同执行。在至少一个实施例中，代码例如以计算机程序的形式存储在计算机可读存储介质上，该计算机程序包括可由一个或更多 个处理器执行的多个指令。在至少一个实施例中，计算机可读存储介质是 非暂时性计算机可读存储介质，其不包括暂时性信号(例如，传播的瞬态 电或电磁传输)，但包括暂时性信号的收发器中的非暂时性数据存储电路 (例如，缓冲区、高速缓存和队列)。在至少一个实施例中，代码(例如， 可执行代码或源代码)被存储在其上存储有可执行指令的一组一个或更多 个非暂时性计算机可读存储介质(或用于存储可执行指令的其他内存)上， 当由计算机系统的一个或更多个处理器执行(即，由于被执行)而导致的 计算机系统执行本文所述的操作。在至少一个实施例中，一组非暂时性计 算机可读存储介质包括多个非暂时性计算机可读存储介质以及缺少所有代 码的多个非暂时性计算机可读存储介质的一个或更多个单个非暂时性存储 介质，而多个非暂时性计算机可读存储介质共同存储所有代码。在至少一 个实施例中，执行可执行指令，使得不同的指令由不同的处理器执行，例 如，非暂时性计算机可读存储介质存储指令，并且主中央处理单元(“CPU”) 执行一些指令，而图形处理单元(“GPU”)执行其他指令。在至少一个实 施例中，计算机系统的不同组件具有单独的处理器，并且不同的处理器执 行指令的不同子集。
因此，在至少一个实施例中，计算机系统被配置为实现单独地或共 同地执行本文所描述的过程的操作的一个或更多个服务，并且这样的计算 机系统配置有能够实现操作的适用的硬件和/或软件。此外，实现本公开的 至少一个实施例的计算机系统是单个设备，并且在另一实施例中，是一种 分布式计算机系统，其包括以不同方式操作的多个设备，使得分布式计算 机系统执行本文所述的操作，并且使得单个设备不执行所有操作。
本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使用 仅旨在更好地阐明本公开的实施例，并且不对公开的范围构成限制，除非 另有声明。说明书中的任何语言都不应被解释为表示对于实施公开必不可 少的任何未要求保护的要素。
本文引用的所有参考文献，包括出版物、专利申请和专利，均以引 用的方式并入本文，如同每个参考文献被单独且具体地指出以引用的方式 并入本文一样。
在描述和权利要求中，可以使用术语“耦合”和“连接”及其派生词。 应当理解，这些术语可能不旨在作为彼此的同义词。相反，在特定示例中， “连接”或“耦合”可用于指示两个或更多个元件彼此直接或间接物理或电接 触。“耦合”也可能意味着两个或更多个元素彼此不直接接触，但仍彼此协 作或交互。
除非另外特别说明，否则可以理解，在整个说明书中，诸如“处理”、 “计算”、“运算”、“确定”等，是指计算机或计算系统的动作和/或过程。或 类似的电子计算设备，将计算系统的寄存器和/或内存中表示为物理量(例 如电子)的数据处理和/或转换为类似表示为计算系统的内存、寄存器或其 他此类信息存储、传输或显示设备中的物理量的其他数据。
以类似的方式，术语“处理器”可以指处理来自寄存器和/或内存的电 子数据并将该电子数据转换成可以存储在寄存器和/或内存中的其他电子 数据的任何设备或设备的一部分。作为非限制性示例，“处理器”可以是CPU 或GPU。“计算平台”可以包括一个或更多个处理器。如本文所使用的，“软 件”过程可以包括例如随时间执行工作的软件和/或硬件实体，诸如任务、 线程和智能代理。而且，每个过程可以指代多个过程，以连续地或间歇地序列地或并行地执行指令。因为系统可以体现一种或更多种方法并且方法 可以被认为是系统，术语“系统”和“方法”在本文中可互换使用。
在本文件中，可以参考获得、获取、接收或将模拟或数字数据输入 子系统、计算机系统或计算机实现的机器中。可以以多种方式来完成获得、 获取、接收或输入模拟和数字数据的过程，例如通过接收作为函数调用或 对应用程序接口的调用的参数的数据。在一些实施方式中，获得、获取、 接收或输入模拟或数字数据的过程可以通过经由串行或并行接口传输数据 来完成。在另一实施方式中，可以通过经由计算机网络将数据从提供实体 传输到获取实体来完成获得、获取、接收或输入模拟或数字数据的过程。 也可以参考提供、输出、传输、发送或呈现模拟或数字数据。在各种示例 中，提供、输出、传输、发送或呈现模拟或数字数据的过程可以通过将数 据作为函数调用的输入或输出参数，应用程序编程接口或进程间通信机制 的参数进行传输来实现。
尽管上面的讨论阐述了所描述的技术的示例实现，但是其他架构可 以用于实现所描述的功能，并且意图在本公开的范围内。此外，尽管出于 讨论目的在上面定义了具体的责任分配，但是根据情况，可以以不同的方 式分配和划分各种功能和职责。
此外，尽管已经用针对结构特征和/或方法动作的语言描述了主题， 但是应该理解，所附权利要求书所要求保护的主题不必限于所描述的特定 特征或动作。而是，公开了特定的特征和动作作为实现权利要求的示例性 形式。
Claims (35)
1.一种处理器，包括：
一个或更多个算术逻辑单元(ALU)，其被配置为至少部分地基于使用一个或更多个衰减参数训练的一个或更多个神经网络，来识别一个或更多个对象的一个或更多个数字表示。
2.根据权利要求1所述的处理器，其中所述一个或更多个ALU还被配置为：
将所述一个或更多个衰减参数应用于为所述一个或更多个神经网络维护的并用于识别所述一个或更多个对象的先前状态信息，所述先前状态信息的权重根据所述一个或更多个衰减参数来减小。
3.根据权利要求2所述的处理器，其中所述一个或更多个ALU还被配置为：
存储所述一个或更多个神经网络外部的状态信息，并针对所述一个或更多个神经网络的每组输入向所述一个或更多个神经网络提供所述状态信息。
4.根据权利要求2所述的处理器，其中所述一个或更多个ALU还被配置为：
获得视频数据的连续流；以及
将所述视频数据的各个帧提供给所述一个或更多个神经网络，以用于识别所述一个或更多个数字表示并更新所述状态信息。
5.根据权利要求1所述的处理器，其中所述一个或更多个ALU还被配置为：
使用超优化过程和选定的衰减函数确定所述一个或更多个衰减参数。
6.根据权利要求1所述的处理器，其中所述一个或更多个神经网络使用稀疏视频数据的序列来训练，各个序列包括至少一个标记的视频帧，并且其中视频帧的第一子集用于模拟状态信息，视频帧的第二子集用于更新所述状态信息以及识别在所述各个视频序列中表示的一个或更多个对象的一个或更多个数字表示。
7.根据权利要求1所述的处理器，其中所述一个或更多个神经网络包括至少一个循环神经网络(RNN)，并且所述一个或更多个衰减参数根据指数衰减函数来确定。
8.一种系统，包括：
一个或更多个处理器，其被配置为至少部分地基于使用一个或更多个衰减参数训练的一个或更多个神经网络，来识别一个或更多个对象的一个或更多个数字表示；以及
一个或更多个内存，用于存储所述一个或更多个神经网络。
9.根据权利要求8所述的系统，其中所述一个或更多个处理器还被配置为：
将所述一个或更多个衰减参数应用于为所述一个或更多个神经网络维护的并用于识别所述一个或更多个数字表示的先前状态信息，所述先前状态信息的权重根据所述一个或更多个衰减参数来减小。
10.根据权利要求9所述的系统，其中所述一个或更多个处理器还被配置为：
存储所述一个或更多个神经网络外部的状态信息，并针对所述一个或更多个神经网络的每组输入向所述一个或更多个神经网络提供所述状态信息。
11.根据权利要求9所述的系统，其中所述一个或更多个处理器还被配置为：
获得视频数据的连续流；以及
将所述视频数据的各个帧提供给所述一个或更多个神经网络，以用于识别所述一个或更多个数字表示并更新所述状态信息。
12.根据权利要求8所述的系统，其中所述一个或更多个处理器还被配置为：
使用超优化过程和选定的衰减函数确定所述一个或更多个衰减参数。
13.根据权利要求8所述的系统，其中所述一个或更多个神经网络使用稀疏视频数据的序列来训练，各个序列包括至少一个标记的视频帧，并且其中视频帧的第一子集用于模拟状态信息，视频帧的第二子集用于更新所述状态信息并识别在所述各个视频序列中表示的一个或更多个对象的一个或更多个数字表示。
14.根据权利要求8所述的系统，其中所述一个或更多个神经网络包括至少一个循环神经网络(RNN)，并且所述一个或更多个衰减参数根据指数衰减函数来确定。
15.一种处理器，包括：
一个或更多个算术逻辑单元(ALU)，用于训练一个或更多个神经网络，以至少部分地使用一个或更多个衰减参数来识别一个或更多个对象的一个或更多个数字表示。
16.根据权利要求15所述的处理器，其中所述一个或更多个ALU还被配置为：
将所述一个或更多个衰减参数应用于为所述一个或更多个神经网络维护的并用于识别所述一个或更多个数字表示的先前状态信息，所述先前状态信息的权重根据所述一个或更多个衰减参数来减小。
17.根据权利要求16所述的处理器，其中所述一个或更多个ALU还被配置为：
存储所述一个或更多个神经网络外部的状态信息，并针对所述一个或更多个神经网络的每组输入向所述一个或更多个神经网络提供所述状态信息。
18.根据权利要求16所述的处理器，其中所述一个或更多个ALU还被配置为：
获得视频数据的连续流；以及
将所述视频数据的各个帧提供给所述一个或更多个神经网络，以用于识别所述一个或更多个数字表示并更新所述状态信息。
19.根据权利要求15所述的处理器，其中所述一个或更多个ALU还被配置为：
使用超优化过程和选定的衰减函数确定所述一个或更多个衰减参数。
20.根据权利要求15所述的处理器，其中所述一个或更多个神经网络使用稀疏视频数据的序列来训练，各个序列包括至少一个标记的视频帧，并且其中视频帧的第一子集用于模拟状态信息，视频帧的第二子集用于更新所述状态信息并识别在所述各个视频序列中表示的一个或更多个对象的一个或更多个数字表示。
21.根据权利要求15所述的处理器，其中所述一个或更多个神经网络包括至少一个循环神经网络(RNN)，并且所述一个或更多个衰减参数根据指数衰减函数来确定。
22.一种系统，包括：
一个或更多个处理器，用于至少部分地使用一个或更多个衰减参数来计算与一个或更多个神经网络相对应的参数；以及
一个或更多个内存，用于存储所述参数。
23.根据权利要求22所述的系统，其中所述一个或更多个处理器还被配置为：
将所述一个或更多个衰减参数应用于为所述一个或更多个神经网络维护的先前状态信息，所述先前状态信息的权重根据所述一个或更多个衰减参数来减小。
24.根据权利要求23所述的系统，其中所述一个或更多个处理器还被配置为：
存储所述一个或更多个神经网络外部的状态信息，并针对所述一个或更多个神经网络的每组输入向所述一个或更多个神经网络提供所述状态信息。
25.根据权利要求23所述的系统，其中所述一个或更多个处理器还被配置为：
获得视频数据的连续流；以及
将所述视频数据的各个帧提供给所述一个或更多个神经网络，以用于识别一个或更多个对象的一个或更多个数字表示，以及用于更新所述状态信息。
26.根据权利要求22所述的系统，其中所述一个或更多个处理器还被配置为：
使用超优化过程和选定的衰减函数确定所述一个或更多个衰减参数。
27.根据权利要求22所述的系统，其中所述一个或更多个神经网络使用稀疏视频数据的序列来训练，各个序列包括至少一个标记的视频帧，并且其中视频帧的第一子集用于模拟状态信息，视频帧的第二子集用于更新所述状态信息并识别在所述各个视频序列中表示的一个或更多个对象的一个或更多个数字表示。
28.根据权利要求22所述的系统，其中所述一个或更多个神经网络包括至少一个循环神经网络(RNN)，并且所述一个或更多个衰减参数根据指数衰减函数来确定。
29.一种车辆，包括：
相机；
驱动组件，其被配置为操纵所述车辆；以及
导航系统，其被配置为向所述驱动组件提供导航指令，所述导航系统将所述相机捕获的视频数据提供给处理器，所述处理器包括一个或更多个算术逻辑单元(ALU)，其被配置为至少部分地基于使用一个或更多个衰减参数训练的一个或更多个神经网络，识别接近所述车辆的一个或更多个对象的一个或更多个数字表示。
30.根据权利要求29所述的车辆，其中所述导航系统的所述一个或更多个处理器还被配置为：
将所述一个或更多个衰减参数应用于为所述一个或更多个神经网络维护的并用于识别所述一个或更多个数字表示的先前状态信息，所述先前状态信息的权重根据所述一个或更多个衰减参数来减小。
31.根据权利要求30所述的车辆，其中所述导航系统的所述一个或更多个处理器还被配置为：
存储所述一个或更多个神经网络外部的状态信息，并针对所述一个或更多个神经网络的每组输入向所述一个或更多个神经网络提供所述状态信息。
32.根据权利要求30所述的车辆，其中所述导航系统的所述一个或更多个处理器还被配置为：
获得视频数据的连续流；以及
将所述视频数据的各个帧提供给所述一个或更多个神经网络，以用于识别所述一个或更多个数字表示并更新所述状态信息。
33.根据权利要求29所述的车辆，其中所述导航系统的所述一个或更多个处理器还被配置为：
使用超优化过程和选定的衰减函数确定所述一个或更多个衰减参数。
34.根据权利要求29所述的车辆，其中所述一个或更多个神经网络使用稀疏视频数据的序列来训练，各个序列包括至少一个标记的视频帧，并且其中视频帧的第一子集用于模拟状态信息，视频帧的第二子集用于更新所述状态信息并识别在所述各个视频序列中表示的一个或更多个对象的一个或更多个数字表示。
35.根据权利要求29所述的车辆，其中所述一个或更多个神经网络包括至少一个循环神经网络(RNN)，并且所述一个或更多个衰减参数根据指数衰减函数来确定。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/412,122 | 2019-05-14 | ||
| US16/412,122 US20200364508A1 (en) | 2019-05-14 | 2019-05-14 | Using decay parameters for inferencing with neural networks |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950693A true CN111950693A (zh) | 2020-11-17 |
Family
ID=70008318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400986.7A Pending CN111950693A (zh) | 2019-05-14 | 2020-05-13 | 使用衰减参数进行神经网络推理 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20200364508A1 (zh) |
| EP (1) | EP3739523A1 (zh) |
| CN (1) | CN111950693A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686901A (zh) * | 2021-03-11 | 2021-04-20 | 北京小白世纪网络科技有限公司 | 基于深度神经网络的us-ct图像分割方法及装置 |
| CN113985890A (zh) * | 2021-11-12 | 2022-01-28 | 杭州电子科技大学 | 一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| WO2023001110A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信（杭州）有限公司 | 神经网络训练方法、装置及电子设备 |
Families Citing this family (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180077689A1 (en) * | 2016-09-15 | 2018-03-15 | Qualcomm Incorporated | Multiple bandwidth operation |
| WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
| US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
| US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
| US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
| US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
| US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
| US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
| US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
| US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
| US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
| CN113039556B (zh) | 2018-10-11 | 2022-10-21 | 特斯拉公司 | 用于使用增广数据训练机器模型的系统和方法 |
| US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
| US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
| US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
| US11200438B2 (en) | 2018-12-07 | 2021-12-14 | Dus Operating Inc. | Sequential training method for heterogeneous convolutional neural network |
| US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
| US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
| US11068069B2 (en) * | 2019-02-04 | 2021-07-20 | Dus Operating Inc. | Vehicle control with facial and gesture recognition using a convolutional neural network |
| US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
| US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
| US11455527B2 (en) * | 2019-06-14 | 2022-09-27 | International Business Machines Corporation | Classification of sparsely labeled text documents while preserving semantics |
| US11138751B2 (en) * | 2019-07-06 | 2021-10-05 | Toyota Research Institute, Inc. | Systems and methods for semi-supervised training using reprojected distance loss |
| US11615266B2 (en) * | 2019-11-02 | 2023-03-28 | Perceptive Automata, Inc. | Adaptive sampling of stimuli for training of machine learning based models for predicting hidden context of traffic entities for navigating autonomous vehicles |
| US11693415B2 (en) * | 2019-11-06 | 2023-07-04 | Waymo Llc | Predicting cut-in probabilities of surrounding agents |
| US20210142168A1 (en) * | 2019-11-07 | 2021-05-13 | Nokia Technologies Oy | Methods and apparatuses for training neural networks |
| KR20210060779A (ko) * | 2019-11-19 | 2021-05-27 | 현대자동차주식회사 | 차량센서의 이상 진단 장치 및 그 방법 |
| US11868136B2 (en) * | 2019-12-19 | 2024-01-09 | Woven By Toyota, U.S., Inc. | Geolocalized models for perception, prediction, or planning |
| US11908317B2 (en) * | 2020-01-10 | 2024-02-20 | University Of Central Florida Research Foundation, Inc. | Real-time traffic safety management system |
| CN111241398B (zh) * | 2020-01-10 | 2023-07-25 | 百度在线网络技术（北京）有限公司 | 数据预取方法、装置、电子设备及计算机可读存储介质 |
| US11556342B1 (en) * | 2020-09-24 | 2023-01-17 | Amazon Technologies, Inc. | Configurable delay insertion in compiled instructions |
| US20220129315A1 (en) * | 2020-10-22 | 2022-04-28 | Hewlett Packard Enterprise Development Lp | Deep learning autotuning task optimization |
| US20220129436A1 (en) * | 2020-10-22 | 2022-04-28 | International Business Machines Corporation | Symbolic validation of neuromorphic hardware |
| US20220138903A1 (en) * | 2020-11-04 | 2022-05-05 | Nvidia Corporation | Upsampling an image using one or more neural networks |
| CN112580485A (zh) * | 2020-12-14 | 2021-03-30 | 珠海零边界集成电路有限公司 | 图像的读写方法和装置、电子设备和存储介质 |
| WO2022212916A1 (en) * | 2021-04-01 | 2022-10-06 | Giant.Ai, Inc. | Hybrid computing architectures with specialized processors to encode/decode latent representations for controlling dynamic mechanical systems |
| CN113095482B (zh) * | 2021-04-06 | 2024-01-12 | 西安邮电大学 | 基于bp神经网络的拉曼放大器增益值计算方法及系统 |
| CN113868808B (zh) * | 2021-08-18 | 2022-06-03 | 北京邮电大学 | 一种道路网络临近检测时延优化方法、装置和系统 |
| US11763496B2 (en) * | 2021-09-30 | 2023-09-19 | Lemon Inc. | Social networking based on asset items |
| CN114362881B (zh) * | 2021-12-16 | 2023-06-06 | 中国人民解放军战略支援部队信息工程大学 | 基于空时相关矩阵的空时分组码盲识别方法及系统 |
| CN114221886B (zh) * | 2021-12-21 | 2023-05-12 | 杭州米络星科技(集团)有限公司 | 一种数据传输方法、装置、流媒体服务器及发送客户端 |
| CN114779780B (zh) * | 2022-04-26 | 2023-05-12 | 四川大学 | 一种随机环境下路径规划方法及系统 |
| CN115759260B (zh) * | 2022-11-17 | 2023-10-03 | 北京百度网讯科技有限公司 | 深度学习模型的推理方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016156236A1 (en) * | 2015-03-31 | 2016-10-06 | Sony Corporation | Method and electronic device |
| CN108734649A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络训练机构 |
| US20180322391A1 (en) * | 2017-05-05 | 2018-11-08 | Nvidia Corporation | Loss-scaling for deep neural network training with reduced precision |
| WO2019040091A1 (en) * | 2017-08-21 | 2019-02-28 | Landmark Graphics Corporation | NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180003123A (ko) * | 2016-06-30 | 2018-01-09 | 삼성전자주식회사 | 메모리 셀 유닛 및 메모리 셀 유닛들을 포함하는 순환 신경망 |
| US11574164B2 (en) * | 2017-03-20 | 2023-02-07 | International Business Machines Corporation | Neural network cooperation |
| US11941719B2 (en) * | 2018-01-23 | 2024-03-26 | Nvidia Corporation | Learning robotic tasks using one or more neural networks |
| US11370423B2 (en) * | 2018-06-15 | 2022-06-28 | Uatc, Llc | Multi-task machine-learned models for object intention determination in autonomous driving |
| US20190392333A1 (en) * | 2018-06-22 | 2019-12-26 | International Business Machines Corporation | Adaptive multi-agent cooperative computation and inference |
| US11657124B2 (en) * | 2018-12-10 | 2023-05-23 | Apple Inc. | Integrating binary inference engines and model data for efficiency of inference tasks |
| US10937186B2 (en) * | 2018-12-19 | 2021-03-02 | Fca Us Llc | Techniques for precisely locating landmarks in monocular camera images with deep learning |
| US11669431B2 (en) * | 2019-01-11 | 2023-06-06 | Google Llc | Analytics personalization framework |
| US11704542B2 (en) * | 2019-01-29 | 2023-07-18 | International Business Machines Corporation | Convolutional dynamic Boltzmann Machine for temporal event sequence |
-
2019
- 2019-05-14 US US16/412,122 patent/US20200364508A1/en active Pending
-
2020
- 2020-03-25 EP EP20165566.9A patent/EP3739523A1/en active Pending
- 2020-05-13 CN CN202010400986.7A patent/CN111950693A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016156236A1 (en) * | 2015-03-31 | 2016-10-06 | Sony Corporation | Method and electronic device |
| CN108734649A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 神经网络训练机构 |
| US20180322391A1 (en) * | 2017-05-05 | 2018-11-08 | Nvidia Corporation | Loss-scaling for deep neural network training with reduced precision |
| WO2019040091A1 (en) * | 2017-08-21 | 2019-02-28 | Landmark Graphics Corporation | NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686901A (zh) * | 2021-03-11 | 2021-04-20 | 北京小白世纪网络科技有限公司 | 基于深度神经网络的us-ct图像分割方法及装置 |
| CN112686901B (zh) * | 2021-03-11 | 2021-08-24 | 北京小白世纪网络科技有限公司 | 基于深度神经网络的us-ct图像分割方法及装置 |
| WO2023001110A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信（杭州）有限公司 | 神经网络训练方法、装置及电子设备 |
| CN113985890A (zh) * | 2021-11-12 | 2022-01-28 | 杭州电子科技大学 | 一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法 |
| CN113985890B (zh) * | 2021-11-12 | 2024-04-12 | 杭州电子科技大学 | 一种基于神经网络的轮式机器人自适应轨迹跟踪控制方法 |
| CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
| CN114352947B (zh) * | 2021-12-08 | 2024-03-12 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3739523A1 (en) | 2020-11-18 |
| US20200364508A1 (en) | 2020-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3739523A1 (en) | Using decay parameters for inferencing with neural networks | |
| US11803759B2 (en) | Gaze detection using one or more neural networks | |
| EP3745318A1 (en) | Training a neural network using selective weight updates | |
| US20210073612A1 (en) | Machine-learning-based architecture search method for a neural network | |
| US20210150757A1 (en) | Training and inferencing using a neural network to predict orientations of objects in images | |
| US20210142160A1 (en) | Processor and system to identify out-of-distribution input data in neural networks | |
| CN114586043A (zh) | 使用强化学习的训练策略搜索 | |
| CN114845842A (zh) | 触觉抓取策略的强化学习 | |
| CN114902292A (zh) | 利用机器学习从图像确定对象取向 | |
| US20220398456A1 (en) | Identification of multi-scale features using a neural network | |
| CN114365154A (zh) | 在神经网络中执行矩阵运算 | |
| CN112749729A (zh) | 基于比较模型参数的精度训练机器学习模型的处理器和系统 | |
| CN114556372A (zh) | 用于在机器学习中转换张量运算的处理器和系统 | |
| CN114631102A (zh) | 神经网络的反向传播的分布式权重更新 | |
| CN114766034A (zh) | 基于机器学习的对象检测系统 | |
| CN114868114A (zh) | 用于深度学习的主变换架构 | |
| US20210133990A1 (en) | Image aligning neural network | |
| CN114556376A (zh) | 在并行计算架构上执行加扰和/或解扰 | |
| CN115039066A (zh) | 在计算中操纵浮点和整数值的处理器和系统 | |
| CN114556823A (zh) | 图像处理单元上并行crc实现 | |
| US20210183088A1 (en) | Depth estimation using a neural network | |
| CN114764611A (zh) | 并行执行非极大值抑制 | |
| CN114588636A (zh) | 用于使用神经网络检测作弊的图形处理单元 | |
| CN114519415A (zh) | 计算数据压缩参数 | |
| CN114730323A (zh) | 利用光线追踪的空间搜索 |
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 |