CN112749618A - 使用一个或更多个神经网络确定注视 - Google Patents

使用一个或更多个神经网络确定注视 Download PDF

Info

Publication number
CN112749618A
CN112749618A CN202011205600.3A CN202011205600A CN112749618A CN 112749618 A CN112749618 A CN 112749618A CN 202011205600 A CN202011205600 A CN 202011205600A CN 112749618 A CN112749618 A CN 112749618A
Authority
CN
China
Prior art keywords
gaze
processor
data
memory
graphics
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
Application number
CN202011205600.3A
Other languages
English (en)
Inventor
J·金
J·斯普尤特
L·佛罗西奥
O·加洛
E·普拉什纳尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nvidia Corp
Original Assignee
Nvidia Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US16/669,863 external-priority patent/US20210132688A1/en
Application filed by Nvidia Corp filed Critical Nvidia Corp
Publication of CN112749618A publication Critical patent/CN112749618A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • 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
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/54—Controlling the output signals based on the game progress involving acoustic signals, e.g. for simulating revolutions per minute [RPM] dependent engine sounds in a driving game or reverberation against a virtual wall
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及使用一个或更多个神经网络确定注视，提出了用于预测观察者注视的设备、系统和技术。在至少一个实施例中，训练网络以至少部分地基于与一个或更多个用户并不总是可见的对象相对应的一个或更多个注视来预测所述一个或更多个用户的注视。

Description

使用一个或更多个神经网络确定注视
技术领域
至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至 少一个实施例涉及用于根据本文描述的各种新颖技术来训练神经网络的处 理器或计算系统。
背景技术
各个行业正在提供越来越多的辅助和自动化。对于这些应用中的至少 一些，这可能涉及确定何时以及如何协助用户或调整体验。不幸的是，确 定或预测用户的动作或关注点会证明具有挑战性，这可能会对这种辅助的 质量或这些确定的准确性产生负面影响。
附图说明
将参考附图描述根据本公开的各种实施例，其中：
图1A和图1B示出了根据至少一个实施例的可用作训练一个或更多个 神经网络的训练数据的图像；
图2A、图2B和图2C示出了根据至少一个实施例的视频数据帧的显 著性图和关注区域；
图3示出了根据至少一个实施例的网络训练系统。
图4示出了根据至少一个实施例的视频压缩管线；
图5示出了根据至少一个实施例的用于训练注视确定模型的过程。
图6示出了根据至少一个实施例的环境；
图7A、图7B和图7C示出了根据至少一个实施例的视频帧；
图8A和8B示出了根据至少一个实施例的用于确定注视的过程；
图9示出了根据至少一个实施例的推理和/或训练逻辑；
图10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数据中心系统；
图12示出了根据至少一个实施例的计算机系统；
图13示出了根据至少一个实施例的计算机系统；
图14示出了根据至少一个实施例的计算机系统；
图15示出了根据至少一个实施例的计算机系统；
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示出了根据至少一个实施例的计算机系统；
图19示出了根据至少一个实施例的计算机系统；
图20和图21示出了根据至少一个实施例的共享编程模型；
图22示出了根据至少一个实施例的示例性集成电路和相关的图形处 理器；
图23-图24示出了根据至少一个实施例的示例性集成电路和相关的图 形处理器；
图25-图26示出了根据至少一个实施例的另外的示例性图形处理器逻 辑；
图27示出了根据至少一个实施例的计算机系统；
图28示出了根据至少一个实施例的并行处理器；
图29示出了根据至少一个实施例的分区单元；
图30示出了根据至少一个实施例的处理集群；
图31示出了根据至少一个实施例的图形多处理器；
图32示出了根据至少一个实施例的多图形处理单元(GPU)系统；
图33示出了根据至少一个实施例的图形处理器；
图34示出了根据至少一个实施例的处理器的微架构；
图35示出了根据至少一个实施例的深度学习应用处理器；
图36示出了根据至少一个实施例的示例性神经形态处理器；
图37和图38示出了根据至少一个实施例的图形处理器的至少一部分；
图39示出了根据至少一个实施例的图形处理器核心的至少一部分；
图40-41示出了根据至少一个实施例的图形处理器核心的至少一部分；
图42示出了根据至少一个实施例的并行处理单元(“PPU”)；
图43示出了根据至少一个实施例的通用处理集群(“GPC”)；
图44示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器 分区单元；
图45示出根据至少一个实施例的流传输多处理器；
图46是根据至少一个实施例的用于高级计算管线的示例数据流程图；
图47是根据至少一个实施例的用于在高级计算管线中训练、调整、 实例化和部署机器学习模型的示例系统的系统图；
图48A示出了根据至少一个实施例的用于训练机器学习模型的过程 的数据流程图；
图48B是根据至少一个实施例的用于利用预训练的注释模型来增强 注释工具的客户端-服务器架构的示例图示；
图49A示出了根据至少一个实施例的自动驾驶车辆的示例；
图49B示出了根据至少一个实施例的图49A的自动驾驶车辆的相机位 置和视野的示例；
图49C示出了根据至少一个实施例的图49A的自动驾驶车辆的示例系 统架构；和
图49D示出了根据至少一个实施例的用于基于云的服务器与图49A 的自动驾驶车辆之间通信的系统。
具体实施例
在至少一个实施例中，用于一个或更多个观看者的注视数据可以用于 训练一个或更多个神经网络以推断注视位置。在至少一个实施例中，视频 数据可被显示给观看者，诸如视频游戏的玩家，正在玩的视频游戏的观察 者或视频文件的观看者。在至少一个实施例中，对于所显示视频数据的帧102的至少子集，可以捕获观看者的至少一部分的图像110，诸如可以包含 观看者的脸和眼睛的表示，如在图1A的图像100中所示。在至少一个实 施例中，可以分析该图像110以确定用户相对于显示的视频帧102的注视 方向或位置。在至少一个实施例中，注视跟踪系统可以生成与针对使用捕 获的图像110的视频帧102的观看者确定的注视相对应的注视数据112。
在至少一个实施例中，视频帧102中可能存在观看者可能感兴趣的各 种对象或事件，或者可能吸引观看者的注意力，使得该观看者的注视方向 将与视频帧102的显示相交在特定位置。在至少一个实施例中，观看者可 能对在该帧中显示的可玩角色的化身、高尔夫球杆104、高尔夫球106或 游戏数据108感兴趣。在至少一个实施例中，玩家可能将注意力吸引到一 系列帧上发生的动作或发生，例如高尔夫球杆104的挥杆、高尔夫球106 的运动或游戏数据108的更新。在至少一个实施例中，还可以分析音频数 据，例如在其中产生与高尔夫球杆104击打高尔夫球106相对应的声音， 这可以将观看者的注视或注意力吸引到所显示视频的特定位置或区域。在 至少一个实施例中，至少出于这种目的，该音频将被提供给观察者。
在至少一个实施例中，观看者还可以对视频数据中显示的内容具有某 些可检测的反应。在至少一个实施例中，这可以包括惊奇、兴奋、悲伤或 失望。在至少一个实施例中，可检测到的反应还可以包括某些类型的运动， 例如跳跃、后坐、头部或眼睛的晃动等。在至少一个实施例中，也可以在 音频数据中捕获可检测到的反应，例如观众喘着粗气、尖叫、欢呼、诅咒 或发出其他类似的声音或话语。在至少一个实施例中，出于预测要显示或 呈现的视频中的一个或更多个关注位置或注视位置的目的，可以对该信息 中的任何信息进行分析并将其用作训练数据。在至少一个实施例中，情感 分析还可以用于参考时间显著性而不是空间显著性来确定特定帧序列相对 于整个视频是否重要。
在至少一个实施例中，可以针对不同类型的内容来训练不同的神经网 络，因为在该内容中可能存在不同类型的事件、发现或对象。在至少一个 实施例中，除了用于图1A的图像150中表示的高尔夫游戏，单独的神经 网络可以用于图1B所示的赛车游戏。在至少一个实施例中，用于该游戏 的视频帧152可以包括诸如主要车辆154的对象，以及诸如建筑物、对手 车辆、行人和导航地图的其他对象。在至少一个实施例中，出于训练一个 或更多个神经网络的目的，可以获取观看者的图像156并将其用于生成注 视跟踪数据158。在至少一个实施例中，可以为该游戏的玩家和该游戏的 观看者训练单独的模型或网络，因为玩家可以专注于与观看者不同的对象 或事件。在至少一个实施例中，玩家可能更有可能注视预期的动作，而观 看者可能在他们的注视或注意力方面反应更大。在至少一个实施例中，用于玩家和观察者的单独的模型也可以用于不同的目的，诸如其中使用玩家 的预期注视来呈现游戏视频，而要流传输的该游戏玩法的视频可以使用模 型来引起观看者的注意和使用该注视信息来修改要流式传输的视频数据。
在至少一个实施例中，不同的深度神经网络(DNN)可以用于不同的 游戏，例如在需要过拟合以最大化准确性的地方。在至少一个实施例中， 可以针对不同类型的视频来训练DNN，并且可以使用首先将视频分类为子 类的分类器DNN，使得可以选择特定的DNN来分析注视。
在至少一个实施例中，使用自动编码器或一个或更多个编码器和解码 器可以在服务器端或主机上提供编码，然后在客户端侧进行解码，同时仅 提供该解码器给这个客户。在至少一个实施例中，然后可以针对特定游戏 训练编码器，而将单个解码器用于各种类型的游戏。在至少一个实施例中， 这可以帮助最小化客户端上的空间需求。在至少一个实施例中，在主机上 使用单个编码器可以帮助最小化该主机上的空间使用，并且不同的解码器 可以与不同的游戏一起使用。
在至少一个实施例中，参照图1A和图1B描述的数据可以被分析以 在推理时为给定视频帧生成一个或更多个显著性图(saliency map)。在至 少一个实施例中，可以将用于会话的游戏数据的一个或更多个帧200(例 如，一系列帧)作为输入提供给使用如上所述的过程训练的神经网络。在 至少一个实施例中，该神经网络的输出可以是如图2B所示的显著性图240。 在至少一个实施例中，显著性图可以包括一个或更多个区域242，其被推 断为观看者可以指导他或她的注视或注意力的区域。在至少一个实施例中， 显著性图可以包括针对每个显著性区域242的峰值，其对应于最可能的注 视位置，并由较低可能性区域围绕。在至少一个实施例中，这些显著性区 域242可以用于修改如何呈现、压缩或显示视频数据。在至少一个实施例 中，这些显著性图可以用于确定视频帧280中的关注区域280，如图2C所示。在至少一个实施例中，关注区域可以包括一个或多个显著区域以及一 些缓冲量。在至少一个实施例中，缓冲量可以取决于要应用的修改的类型， 例如压缩或分辨率的差异，使得观看者不会因图像质量的明显差异而分心。
在至少一个实施例中，要呈现的视频内容在关注区域280中可以具有 比外部关注区域280更高的分辨率。在至少一个实施例中，这允许观看者 可能观看的区域具有足够高的分辨率和视频质量，而不太可能被观看的区 域可以较低的分辨率呈现，从而在不显著影响观看者的观看体验的同时， 减小了视频数据的整体大小。在至少一个实施例中，可以将类似的方法用 于压缩，其中可以将更高级别的视频压缩应用于关注区域280外部的区域，以便在不显著影响观看体验的同时减小视频数据大小。还可以利用各种其 他图像处理方法，包括可以使用跨颜色块的不同位深度进行编码，或者对 颜色使用更高的位深度，对于那些区域使用更高的更新率，例如使用更多 频率帧更新。
在至少一个实施例中，可以修改要渲染的视频内容，以使某些项目或 对象引起观看者的注意。在至少一个实施例中，这可以包括在关注区域280 内移动广告，使得该广告更可能被观看者观看或注意到。在至少一个实施 例中，可以将广告放置在远离特定注视位置或显著区域的位置，以便避免 无意中使感兴趣的内容模糊。在至少一个实施例中，游戏开发者或电影制 片厂可以使用有关关注区域的信息来确定将对象放置在何处，例如将可收集的游戏物品放置在可能被注意到的物品上，或者将重要的电影物品放置 到观众可能会注意到此项目的地方。在至少一个实施例中，游戏开发商或 电影制片人也可以将这些物品放置在关注区域之外，以使这些物品更难以 察觉或检测。
在至少一个实施例中，经训练的DNN的输出可用于推断关于要渲染 的图像的区域的先验信息。在至少一个实施例中，如果用户戴着头戴式耳 机，则该用户的当前注视位置可能是可用的但是嘈杂的。在至少一个实施 例中，受过训练的DNN的输出可以用于使该位置正规化。在至少一个实 施例中，如果用户眨眼，则DNN仍然可以使用例如贝叶斯方法(Bayesian approach)来提供注视估计。在至少一个实施例中，代替给出p(注视|观 察)，一种方法可以提供p(注视)＝p(注视|观察)*p(观察)/p(注 视)，其中p(观察)为训练后的DNN的输出，p(注视|观察)为注视追 踪器的输出。
在至少一个实施例中，可以如图3所示使用网络训练系统300。在至 少一个实施例中，可以使用诸如电视或计算机监视器的显示器306来显示 视频数据。在至少一个实施例中，该视频数据可以包括在客户端设备308 上渲染的游戏视频或例如从远程服务器接收到客户端设备308的视频数据。 在至少一个实施例中，一个或更多个相机304可以被定位成捕获观看者302 相对于显示器306的图像数据。在至少一个实施例中，观看者302将被定 位在相对于显示器306的已知位置以便提供准确的地面真实数据。在至少 一个实施例中，麦克风或其他传感器也可以用于在该视频内容的显示期间 捕获关于观看者302的数据。
在至少一个实施例中，由相机304捕获的图像数据可以被馈送到注视 跟踪器310，该注视跟踪器310能够从该捕获的图像数据中确定用户302 的注视方向。在至少一个实施例中，知道观看者302相对于显示器306的 相对位置和取向使得能够确定显示器306上的注视位置，其中该注视方向 与显示器306相交。在至少一个实施例中，知道显示器306上显示的内容 使得该注视位置能够与所显示内容的位置(例如像素位置)相关联。在至 少一个实施例中，该注视位置数据和该内容可以作为训练数据被馈送到训 练模型312。在至少一个实施例中，其他信息也可以被用作训练数据。在 至少一个实施例中，由观看者302的相机304捕获的图像数据(或视频数 据流)可以被馈送到情绪分析器320，以确定在显示特定视频帧或帧序列 期间观看者302的情绪。在至少一个实施例中，可以执行面部表情分析以 确定观看者的当前情绪。在至少一个实施例中，观看者的情绪(例如兴奋， 惊奇或关注)也可以指示关注区域，例如观看者对爆炸感到惊讶的地方更 可能迅速注视该爆炸，或者在对话场景中感到悲伤的观众可能更愿意注视 当前正在讲话的人。在至少一个实施例中，当注视信息由于诸如障碍物或 眩光的因素而无法获得时，也可以跟踪头戴式耳机的位置以用作替代。
在至少一个实施例中，该信息可以被馈送到训练模块312，以训练一 个或更多个神经网络。在至少一个实施例中，也可以利用诸如观看者302 的音频或生物统计数据之类的其他数据。在至少一个实施例中，可以为单 个视频文件的多个观看者捕获训练数据，并且还可以为不同类型的观看者 捕获训练数据。在至少一个实施例中，可以使用该训练数据和其他训练数 据316来选择和训练基础模型318，以便生成一个或更多个训练后的机器 学习模型314，该模型可以用于推断图像、视频或其他此类内容的注视或 注意力位置或区域。
在至少一个实施例中，从这种训练后的模型输出的注视或注意力数据 可以用于修改视频内容。在至少一个实施例中，可以使用如图4的系统400 中所示的压缩管线404来压缩内容。在至少一个实施例中，可以将视频数 据的原始(或未修改的)帧402(或帧序列)提供给压缩管线404。在至少 一个实施例中，从训练后的神经网络输出的注视推断数据416也可以被提 供为压缩管线404的输入。在至少一个实施例中，这样的管线可以包括用 于客户端和主机的单独的编码器和解码器，如本文其他地方所讨论的。在 至少一个实施例中，该视频数据可以通过压缩管线404的组件，例如编码 器406、解码器408、代码转换器412和重采样模块410。在至少一个实施 例中，可以以不同的压缩级别执行该压缩，以用于不同区域，例如给定视 频帧在确定的关注区域之外的较高压缩级别。在至少一个实施例中，编码器可以为视频帧或图像中的像素获取显著性图，并确定要压缩多少和在哪 里压缩，或要渲染到哪种程度和在哪里渲染。在至少一个实施例中，压缩 级别也可以取决于其他因素，例如可用带宽或显示分辨率。在至少一个实 施例中，从压缩管线404输出的视频帧414于是可以具有目标压缩，其中 可以在推断的感兴趣区域或潜在观看者的注视位置之外使用更高级别的压 缩。在至少一个实施例中，可以使用类似的过程来渲染具有目标分辨率的 视频内容，该视频内容在关注区域中的分辨率高于该关注区域之外的分辨 率。
在至少一个实施例中，如图5所示，可以执行用于训练至少一个模型 以推断视频或图像内容中的注意力或注视位置的过程500。在至少一个实 施例中，将视频数据显示502给观看者，其中该观看者可以是多种类型的 观看者中的任何一种，例如游戏的玩家、游戏视频的观察者或其他媒体内 容的观看者。在至少一个实施例中，在视频数据的显示期间捕获504该观 看者的图像，其中那些图像包括该观看者的至少一部分的表示，诸如观看 者的至少脸部和眼睛。在至少一个实施例中，对这些图像进行分析506以 确定该观看者相对于显示的视频内容的注视位置，以及该观看者在这段时 间内的情绪数据。在至少一个实施例中，该注视位置、情绪和视频数据可 以被提供508作为用于训练神经网络的输入。在至少一个实施例中，该神 经网络将为该视频内容的帧生成显著性图，其中该显著性图表示该观看者 的推断注视位置。在至少一个实施例中，可以将该显著性图与注视数据的 地面实况进行比较，例如该用户对于该视频内容帧的实际注视位置。在至 少一个实施例中，从该比较确定512一个或更多个损耗值，并且调整514 一个或更多个网络参数，以试图最小化该损耗。可以确定516是否满足了 结束条件或标准，例如已经达到最大数量的训练通过或满足了收敛标准。 在至少一个实施例中，如果已经满足结束条件，则可以提供518这些训练 的模型以进行推理。
图6示出了在至少一个实施例中的可用于训练和利用机器学习的系统 600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，方 面可以由不同实体触发、发起或请求。在至少一个实施例中，可以由与供 应商环境606相关联的供应商来指导神经网络的训练，而在至少一个实施 例中，可以由能够通过客户端设备602或其他此类资源访问供应商环境的顾客或其他用户请求训练。在至少一个实施例中，可以由供应商、用户或 第三方内容提供者624提供训练数据(或要由训练的神经网络分析的数据)。 在至少一个实施例中，客户端设备602可以是代表用户导航的车辆或物体， 例如其可以提交请求和/或接收有助于设备导航的指令。
在至少一个实施例中，能够通过至少一个网络604提交要被接收到供 应商环境606的请求。在至少一个实施例中，客户端设备可以是任何能使 用户生成并发送此类请求的电子和/或计算设备，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)， 计算机处理器、计算逻辑和机顶盒。网络604可以包括用于传输请求或其 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)、对等点之间的直接无线连接的网络，等等。
在至少一个实施例中，可以将请求接收到接口层608，在该示例中， 该接口层可以将数据转发给训练和推理管理器610。该管理器可以是包括 用于管理请求并服务于相应数据或内容的硬件和软件的系统或服务。在至 少一个实施例中，该管理器可以接收训练神经网络的请求，并且可以将针 对请求的数据提供给训练管理器612。在至少一个实施例中，训练管理器 612可以选择要使用的适当模型或网络，如果请求未指定，则可以使用相 关的训练数据来训练模型。在至少一个实施例中，训练数据可以是从客户 端设备602接收或从第三方提供商624获得的存储到训练数据存储库614 的一批数据。在至少一个实施例中，训练管理器612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)。一旦训练了网络并 成功评估了网络，就可以将训练后的网络存储到例如模型存储库616，该 模型存储库可以存储用于用户、应用程序或服务等的不同模型或网络。在 至少一个实施例中，基于多个不同因素可以使用用于单个应用程序或实体 的多个模型。
在至少一个实施例中，在随后的时间点，可以从客户端设备602(或 另一个这样的设备)接收对由经训练的神经网络至少部分地确定或影响的 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。在至少一个实施例中，尽管也可以使用不同的系统或服务，但是输入 数据可以被接收到接口层608并且被引导到推理模块618。在至少一个实 施例中，如果模型存储库616还没有本地存储在推理模块618中，则推理 模块618可以从模型存储库616获得合适的训练网络，例如本文所讨论的 经训练的深度神经网络(DNN)。推理模块618可以提供数据，作为训练 网络的输入，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。在至少一个实施例中，然后可以将推理发送到客 户端设备602以用于向用户显示或与用户进行其他通信。在至少一个实施 例中，用于用户的上下文数据也可以被存储到用户上下文数据存储库622， 该用户上下文数据存储库622可以包括关于用户的数据，该数据包括关于 用户的数据，这些数据可以用作生成推理或在获取示例后确定返回给用户 时对网络的输入。在至少一个实施例中，可以包括输入或推理数据中的至 少一些的相关数据也可以被存储到本地数据库620以用于处理将来的请求。 在至少一个实施例中，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。在至少一个实施例中，如果允许和可用，则还可以收集用户 数据并将其用于进一步的训练模型，以便为将来的请求提供更准确的推断。 在至少一个实施例中，可以通过用户界面接收对在客户端设备602上执行 的机器学习应用626的请求，并通过相同的界面显示结果。客户端设备可 以包括诸如用于生成请求和处理结果或响应的处理器628和存储器630之 类的资源，以及至少一个用于存储用于机器学习应用程序626的数据的数 据存储元件632。
在至少一个实施例中，处理器628(或训练管理器612的处理器或推 理模块618)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来处理至少某些类型的请求的数据。GPU具有数以千 计的内核，旨在处理大量的并行工作负载，因此在深度学习中变得很流行， 用于训练神经网络和生成预测。尽管使用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输入功能， 或者必须为所有功能排列生成预测并将其存储在查找表中才能使用实时请 求。如果深度学习框架支持CPU模式，并且模型又小又简单，足以以合理 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，而在CPU上实时进行推理。如果 CPU方法不可行，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 务可能要求其设计与基于CPU的服务不同。
在至少一个实施例中，可以使用单个网络或单独的网络来确定注视的 空间位置和观察者的情绪的预测。在至少一个实施例中，可以使用分离的 网络，其中对于不同的应用可能需要不同的输出，并且对于这些方面中的 至少一个可能需要更高的精度。在至少一个实施例中，情感预测可以用于 构建视频的摘要，而注视预测可以用于压缩视频。在至少一个实施例中， 这些可以一起使用以产生压缩摘要。
在至少一个实施例中，可以在推理时间使用一种过程来推理注视位置。 在至少一个实施例中，视频数据被接收并且被提供为训练模型的输入。在 至少一个实施例中，该模型可以通过推理来确定该视频数据中的一个或更 多个注视或注意力位置。在至少一个实施例中，该确定至少部分地基于在 该视频数据中检测到的对象。
在至少一个实施例中，可以利用深度神经网络(DNN)，该神经网络 可以输出视频内容的时间显著性图，该时间显著性图可以用于在回放期间 优化该视频内容的不同方面。在至少一个实施例中，可以利用具有长期短 时记忆(LSTM)的递归神经网络(RNN)。在至少一个实施例中，从该 DNN输出的推断的注视数据可以用于调整视频编码器/解码器对的参数， 以便优化重要部分中的图像质量，识别观看者烦人的压缩伪像并将重要信 息放置在观看者可能会观察到的位置中。在至少一个实施例中，时间显著 性可以用于确定帧序列是否重要，或者单个对象在不同的时间点是否可以 具有不同的重要性值。
在至少一个实施例中，训练管线可以利用要显示给观察者的被一个或 更多个压缩伪像破坏的图像。在至少一个实施例中，可以至少部分地基于 一种或更多种特定类型的伪像的存在来训练DNN以预测注视位置。在至 少一个实施例中，至少在初始时间段内，显著伪像的存在可以吸引注意力 或观察者的注视。在至少一个实施例中，干净图像的注视图和损坏的图像 的注视图可以显著不同，指示该伪像清晰可见并且正在改变观察者的注视。在至少一个实施例中，这可以用于建立压缩参数，使得该注视图不改变。 在至少一个实施例中，压缩伪像可以包括模糊、颜色量化、块边界量化和 像素化。
在至少一个实施例中，注意力数据可以用于解决与游戏体验的最佳实 现有关的若干问题。在至少一个实施例中，可以通过去除可能在流传输时 间压缩期间发生的对最终用户讨厌的伪像来改善视频质量。在至少一个实 施例中，显著性模型可以用于识别视频游戏中应当以最大质量为特征的重 要对象或时刻。在至少一个实施例中，可以使用损坏的视频中的伪像来训 练模型，以便更好地识别引起观看者注意的伪像，从而模型可以用于开发基于感知的视频质量度量。在至少一个实施例中，注意力数据可以被用来 确保重要内容在适当的时间被呈现在可能被注意到的位置。在至少一个实 施例中，该内容可以与游戏相关或无关，例如必须在视频游戏中显示广告。 在至少一个实施例中，注意力信息还可以通过提供关于玩家在玩时的注视 和情绪的统计信息来帮助游戏设计者设计和改进游戏。在至少一个实施例 中，注意力信息还可以例如通过确定玩家何时注意不正确的物体或事件来帮助指导玩家，或者可以受益于在游戏中转移注意力。
在至少一个实施例中，这样的内容修改过程可以用于实时地优化流传 输，例如通过使用来自NVidia Corporation的GeForce
Figure BDA0002756949330000131
或离线使 用视频质量度量来识别可见和烦人的伪像。在至少一个实施例中，它可以 用于通过提供情绪统计来帮助游戏设计者，并且可以被广告公司用来在视 频游戏中添加内容。在至少一个实施例中，注视和其他数据可以用作该内 容的观看者的注意的代理。在至少一个实施例中，用于偏向渲染的贝叶斯 模型可以用于在关注区域之外渲染具有不同图像质量的内容，但是该渲染 将基于推理的关注而不是实时图像跟踪。在至少一个实施例中，注意力数 据还可以为观看者提供总体注意力或交互作用的度量，从而使设计者能够 修改内容，以便尝试保持较高的注意力或针对游戏或视频中某些点的某些 兴奋程度进行优化。
在至少一个实施例中，注视确定可以用于诸如导航辅助和机器人技术 的应用，以及用于本文讨论的游戏和其他应用。在至少一个实施例中，车 辆可以具有至少一个前置摄像头，该摄像头可以捕获在该车辆前方的前向 方向上的图像或视频。在至少一个实施例中，这样的图像或视频帧700可 以包含各种类型的对象，这些对象可以引起观察者例如驾驶员或乘客的注 意或注视，如图7A所示。在至少一个实施例中，出于诸如路线确定和避 免碰撞的目的，这些类型的物体可以包括位于该车辆前方的另一车辆702， 或者沿着车辆的路径的点704。在至少一个实施例中，可以训练注视网络 以确定在该帧700中可见的这些类型的对象中的每一个的相对重要性。在 至少一个实施例中，这些重要性值将具有一定的可解释性，因为它们与可 能通过训练学习到并可能在训练数据中表示以进行损失确定的特定对象类 型相关。
然而，在至少一个实施例中，仅基于帧中当前可见或以其他方式可确 定的已知对象类型来确定注意力可能是不够的。在至少一个实施例中，在 该框架中可能存在建筑物706的拐角，其本身可能不足以引起观察者的注 意或注视。然而，在至少一个实施例中，在该建筑物后面可能存在可以隐 藏或掩盖物体的空间，使得与该物体相对应的事件可能发生而没有事先通 知。在至少一个实施例中，这可以包括从该建筑物后面驶出的汽车，闯入该街道的自行车或行人，或另一种此类事件。在至少一个实施例中，有经 验的驾驶员可以学习预测可能发生某些类型的事件的位置，这些事件对于 该观察者至少具有某些重要性，从而该观察者可以将他或她的注视移到那 些位置至少一小段时间。在至少一个实施例中，可能存在其他物体708， 例如灌木、树木或标志，这些物体可能遮挡可能在该车辆前方伸出的人或 动物。在至少一个实施例中，虽然给定的灌木丛可能没有太大的重要性， 但是在道路或行人过路道的给定距离内具有一定大小和不透明度的灌木丛 可能会引起该用户的至少一些关注，以期待关于这个灌木丛可能发生的事 件。
在至少一个实施例中，可以至少部分地基于潜在事件以及可检测对象， 训练网络来确定注视或其他值，例如显著性或重要性。在至少一个实施例 中，这可以包括确定潜在事件的类型以及该事件在一个或更多个特定位置 处发生的概率。在至少一个实施例中，除了可以基于该事件的类型和相对 于该用户的位置之外，还可以确定事件的类型的重要性。在至少一个实施 例中，然后可以通过该事件发生的概率来修改事件类型的重要性。在至少一个实施例中，并且作为特定示例，发生概率高但是重要性低的事件，例 如人从街道的对面的人行道上走出门，可能不被预测能够引起观察者的注 视。在至少一个实施例中，从该门驶出并进入该街道并在该车辆前面的人 具有非常高的重要性，但是可能性很小，因此可能无法确定该门可能吸引 用户的目光。因此，在至少一个实施例中，诸如门之类的对象可以具有多 个确定的潜在事件类型，并且可以出于确定该对象的整体重要性的目的来 汇总那些事件类型。
在至少一个实施例中，如图7B所示，可以捕获后续帧720。在至少 一个实施例中，可以确定车辆722从该建筑物后面退出，并且行人724从 该灌木丛后面进入该道路。在至少一个实施例中，只有在这些对象的足够 部分在该视图中可见并且可确定之后，这些对象才被确定为引起观察者的 注意，以及该观察者的一些反应时间。在至少一个实施例中，取而代之的 是能够分配可能发生的事件的重要性可以提供对观察者的注意力和注视的 更准确的确定，观察者实际上可以预料到这些事件可能发生并且可以相应 地转移注视。在至少一个实施例中，更准确的确定可以基于更准确的预测 和推论来帮助更好地辅助观察者，例如驾驶员。
在至少一个实施例中，这种方法可以应用于游戏和其他应用，如图7C 的捕获帧740所示。在至少一个实施例中，注视确定网络可以确定可检测 对象的重要性或注意力值，所述可检测对象例如是玩家武器742，沿着路 径的门道744或用户性能信息746。在至少一个实施例中，模型可以被训 练以基于从一个或更多个帧(例如，当前帧或过去帧的序列)中可检测到 的事件学习可能发生的事件的重要性。在至少一个实施例中，事件与对象 不同至少是因为事件本质上可以是暂时的。在至少一个实施例中，在相对 侧上具有空间的建筑物的拐角可能潜在地隐藏了敌人750，该敌人可能在 游戏玩法的某个将来点攻击该用户。在至少一个实施例中，建筑物拐角本 身可能不足以引起注意，但是在相对于该玩家化身的某个位置上某个类型 的拐角可能足以引起用户的注意。在至少一个实施例中，可以将这种类型 的事件的概率与这种类型的事件的重要性相结合以注视重要性。在至少一 个实施例中，该事件类型也可以用于解释为什么当地面真相数据中没有用 于解释的特定对象时，特定位置确定注视的原因。在至少一个实施例中， 这可以对应于一个或更多个生成模型，例如基于生成对抗网络(GAN)的 系统中的变型自动编码器或生成器以生成该解释。在至少一个实施例中， 对于空间、位置、水平线或帧中对象可能未定位但可能发生事件的其他区域，这可能是正确的。在至少一个实施例中，如果建筑物可能爆炸，则这 可能为建筑物对象提供事件或重要性，而对于其他游戏，这些建筑物可能 不重要。在至少一个实施例中，对于某些应用程序来说，提供游戏或应用 程序特定的训练可能具有一定的价值，因为事件概率在游戏和应用程序之 间可能会大大不同，除非可以训练网络来考虑这种差异。
在至少一个实施例中，可以端对端地训练用于深度学习的系统，由此 可以提供图像或视频帧作为输入，并且可以训练一个或更多个深度神经网 络以准确地推理观察者的注视、位置重要性、显著性或其他此类信息。在 至少一个实施例中，还可以训练该网络以为每个注视决定提供至少某种程 度的可解释性。在至少一个实施例中，可以训练第一神经网络以提取图像 或对象特征，如本文其他地方所讨论的。在至少一个实施例中，深度神经 网络(DNN)可以利用那些特征来尝试预测注视。在至少一个实施例中， 该DNN可以尝试合并、聚集或聚类那些特征以确定与具有某些重要性或 以其他方式引起用户注意的注视有关的特征。在至少一个实施例中，该注 视信息然后可以用于修改或确定要采取的动作，例如，调整驾驶员辅助系 统中提供的控制的类型。
在至少一个实施例中，捕获的图像或视频帧可以在该帧中具有多个可 见的或可检测的对象。在至少一个实施例中，这可以包括车辆和交叉路口。 在至少一个实施例中，这两个对象对于观察者都可能具有重要性。在至少 一个实施例中，可以通过向少量观察者显示针对该位置的视频来生成针对 该位置的训练数据，因为产生大量观察者的数据可能非常耗时且昂贵。在 至少一个实施例中，对于该视频训练数据的第一帧，所有这些观察者可以 注视该车辆。在至少一个实施例中，对于第二帧，除了这些观察者中的一 个以外，所有观察者都可以注视该车辆，而另一观察者可以注视该交叉路 口。在至少一个实施例中，该有限的数据集将仅在这些视频帧中为这两个 对象提供地面真实重要性数据，即使可能存在可能吸引其他观察者注视或 注意的其他对象。在至少一个实施例中，使用有限的数据集可能会陷入局 部最小问题，在该最小问题中，对于该第一帧，网络可能以100％输出该 车辆的注视概率，这对于所有情况下的所有观察者来说都不准确。在至少 一个实施例中，注视确定方法可以尝试最小化各个帧在注视预测中的重要 性，这可能导致训练期间的误报。在至少一个实施例中，可能允许这些误 报，但是提供至少一定量的可解释性。
在至少一个实施例中，诸如行人或其他车辆的物体可能出现在地平线 上或特定位置中。在至少一个实施例中，可能存在地平线，但是对于推理 时间决定而言，没有这样的物体可见。在至少一个实施例中，即使不存在 感兴趣的对象，注视预测模型也可能对该视域放上至少一些重要性。在至 少一个实施例中，预测网络可以提供对潜在事件的解释而不是对象，以为 该推理提供解释性。在至少一个实施例中，期望确保这些附加概率被包括 在该推理过程中，因为这些概率提高了准确性，这对于诸如车辆中的驾驶 员辅助之类的应用可能是重要的。
在至少一个实施例中，注视确定模块可以包括一个或更多个自动编码 器。在至少一个实施例中，特征检测模型可以识别输入图像或视频数据中 的特征，并且可以将这些特征提供给这些一个或更多个自动编码器以尝试 重建该输入。在至少一个实施例中，在输入图像和重建图像之间将存在一 些误差。在至少一个实施例中，可以将自动编码器设计为包括至少一个附 加属性，该附加属性可以解决训练中的误报。在至少一个实施例中，可以 根据这些图像特征在本地描述给定的图像帧。在至少一个实施例中，由于 在地面真实数据中捕获的有限数量的观察，这些特征中的仅一些可以与地 面真实数据中的注视相关联。在至少一个实施例中，注视网络可以输出对 于与其他特征相对应的其他对象的注视预测的重要性，并且该附加属性可 以帮助提供对于在该地面真实数据中未表示的该附加重要性的可解释性。 在至少一个实施例中，这样的网络可以最大化与不能从该地面真实数据解 释的事物有关的组件，并且根据该训练数据呈现出假阳性。在至少一个实 施例中，使用生成模型的图像再生将包括相对于该地面真实图像可能被认 为是错误的，但是如本文所述，希望保留这些差异。在至少一个实施例中， 这可以包括通过使在很少关注的一个或更多个位置处的输出最大化来使该 网络产生幻觉，然后对该信号进行反投影以使特征激活最大化。在至少一 个实施例中，由于在那个位置的潜在事件可能触发注意力或吸引观察者的 视线，这使得注意力能够被分配给诸如地平线的位置。在至少一个实施例 中，即使在该帧中没有可见事件的证据，这种方法也可以基于在图像或视 频帧中某个位置可能发生的事件的类型来提供可解释性。
在至少一个实施例中，注视确定网络可以被设计和训练为包括在其推 断中时间维度，该时间维度除了可以提供图像或视频数据中可见的特定对 象之外，还可以提供事件方面的可解释性。在至少一个实施例中，该时间 分量可以考虑在图像或帧的序列上的移动或改变，并且不限于单个图像或 帧。在至少一个实施例中，可以识别出可以引起观察者注意的事件。在至 少一个实施例中，DNN可以用于提取相关特征，并且可以尝试将这些特征聚类或分类为特定类型的事件。在至少一个实施例中，所确定的事件J可 能具有P(J)的概率，其中J运行从1→n。在至少一个实施例中，网络还 可以获悉该事件的重要性，如可以由K(J)给出的。在至少一个实施例中， K(J)可以被认为是该事件捕获观察者注视的概率，而P(J)是该事件发 生的概率。在至少一个实施例中，对于空间中的每个像素，应该通过概率之和乘以相关重要性来给出注意度k。在至少一个实施例中，像素的注意 度可以由下式给出：
K(像素)＝K(1)*P(1)+K(2)*P(2)+...+K(n)*P(n)
然而，在至少一个实施例中，K可以提供事件的绝对值的量度。在至 少一个实施例中，K的这些值可以用来提供可能事件的绝对排名。在至少 一个实施例中，则不是概率，而是某种度量单位中提供这些事件的相对重 要性的值。在至少一个实施例中，事件对于整个场景的相关重要性可以不 同于该事件对于单个帧的相对重要性。在至少一个实施例中，K不是使用 线性函数来确定的，而是可以取决于多种不同因素或上下文而变得复杂得 多。
在至少一个实施例中，注视确定仍可以分析局部特征。在至少一个实 施例中，可以将输入图像或视频帧划分成由单元阵列组成的网格。在至少 一个实施例中，可以存在与给定单元相关联的特征。在至少一个实施例中， 可以通过将给定事件的概率乘以对于可能与该单元中的像素相关联的每个 事件的重要性来确定重要性。在至少一个实施例中，这可以提供其事件可 能出现在该单元中的所有事件的加权和。在至少一个实施例中，不需要为特定帧确定事件重要性，而是可以从整个数据集中确定事件重要性。在至 少一个实施例中，这可以防止网络不正确地将所有重要性分配给单个对象， 因为如果查看局部最大值，则该单个对象由于在单个帧中的出现而受到偏 向。在至少一个实施例中，可以在整个数据集上估计K(J)。
在至少一个实施例中，可以使用自动编码器来分析输入图像数据并提 取相关特征。在至少一个实施例中，这些特征可以被提供作为第二神经网 络的输入，该第二神经网络不需要是自动编码器，但是能够接受局部特征。 在至少一个实施例中，可以使用分类算法来尝试将特征空间中相似的特征 分组或聚类为一个或更多个类别或聚类，从而可以将相似的特征分配给具 有确定的重要性的相似分类。在至少一个实施例中，两个对象具有在特征 空间上相似的特征，因此它们应属于同一对象或事件类。在至少一个实施 例中，如果在图像中可见两堵墙，每堵墙都可能隐藏有汽车，则可以将这 些墙放置在同一簇中并进行类似处理。在至少一个实施例中，这可以帮助 解释为什么看这些墙很重要。在至少一个实施例中，该聚类算法可以是任 何适当的聚类算法，例如k均值聚类算法。在至少一个实施例中，这样的 算法可以基于最小熵并且可以使用无监督学习来训练。
在至少一个实施例中，可以至少部分地基于注视数据来执行聚类。在 至少一个实施例中，可以尝试优化聚类，使得推理的注视图或显著性图的 重构是最优的。在至少一个实施例中，这种方法将不会不受监督。在至少 一个实施例中，重构中的错误将被投影回到该网络中，以便相对于注视图 重构来调整聚类以减少该错误。在至少一个实施例中，这种方法将分析从 事件的特征转移到事件的分类，并且可以将概率分配给那些事件以预测注视。在至少一个实施例中，可以利用不惩罚误报的损失函数。在至少一个 实施例中，这种方法可以帮助解释该神经网络的输出中以其他方式无法解 释的误报。
在至少一个实施例中，可以使用本文讨论的DNN来处理地面真实数 据中的缺失观测值，但是要采用循环实施方式。在至少一个实施例中，这 样的循环实施和适当的训练可以用于填充丢失的数据。在至少一个实施例 中，可以有有限数量的观察者，例如五个观察者。在至少一个实施例中， 可以训练网络以基于处理后的观察者数据来预测下一观察者的注视。在至 少一个实施例中，图像数据可以以零观察者注视数据输入到DNN，并且输 出将对应于第一观察者的注视。在至少一个实施例中，该注视数据再次输 入到该DNN，并且预测这前两个观察者的注视。在至少一个实施例中，这 可以迭代地执行，直到观察者的目标数量。在至少一个实施例中，在测试 时，受过五位观察者训练的DNN受训者可以预测最多六位观察者的注视， 依此类推。在至少一个实施例中，这样的方法可以推断出超出其地面真实数据可用的多个观察者。在至少一个实施例中，这是循环神经网络，其中 数据可以被重用。在至少一个实施例中，第一遍可以识别具有最高重要性 的第一对象。在至少一个实施例中，对于随后的迭代，随着其他对象和事 件的出现，重要性值可以降低。在至少一个实施例中，这种方法可以帮助 按顺序学习对象和事件的重要性。在至少一个实施例中，可以将DNN训 练为递归神经网络，当该网络能够提供注视确定的解释时，训练结束。在 至少一个实施例中，这种方法不仅可以帮助估计对象的重要性，而且可以 至少部分地基于重要性的排序来在场景中添加重要对象。
在至少一个实施例中，这种注视确定可以用于预测诸如车辆驾驶员的 观察者的注视。在至少一个实施例中，能够准确地预测驾驶员的视线可以 帮助驾驶员辅助系统更好地根据需要提供辅助。在至少一个实施例中，这 可以包括当预测驾驶员的视线处于远离重要的意外事件的方向时，例如在 道路上意外出现物体或树木掉落时，对车辆进行更多控制。在至少一个实 施例中，这可以使车辆控制系统采取行动来操纵该车辆或以其他方式改变 该车辆的操作，以避免碰撞或至少使冲击最小化。在至少一个实施例中， 如果例如通过使用平视显示器或音频命令预测用户被注视在不同的方向上， 则车辆辅助系统还可以或者将注意力吸引到物体或事件上。在至少一个实 施例中，基于周围事件的重要性，这种方法也可以用于训练驾驶员关于驾 驶员在驾驶时应该注视的位置。在至少一个实施例中，本文讨论的方法还 可以提供关于当在那个位置当前没有物体可见时驾驶员为什么应该注视特 定方向的解释性。
在至少一个实施例中，这种重要性确定也可以在机器人技术中使用。 在至少一个实施例中，这些确定可以用于向机器人指示发生有趣的事情以 及可能发生某些事件的地方，使得该机器人可以是主动的而不是被动的。 在至少一个实施例中，这种方法还可以用于以更有效的操作方法来训练机 器人，其中可以更好地训练该机器人以预期某些事件，从而避免必须停止 或采取回避动作，以及根据可能影响操作的各种类型事件的概率，简单地确定最佳行动方案。
在至少一个实施例中，如图8A所示，可以利用用于确定注视的过程 800。在至少一个实施例中，接收视频帧802，该视频帧802包括观察者可 以看见的一个或更多个对象。在至少一个实施例中，在任何期望的预处理 之后，可以用第一神经网络对该视频帧进行处理804，以提取图像特征， 诸如可以表示所捕获的该视频帧所在的场景或环境中的感兴趣对象。在至 少一个实施例中，可以提供806这些提取的特征作为第二神经网络的输入。 在至少一个实施例中，该网络可以尝试将相似特征分组808为与特定类型 的对象或事件相对应的一组簇。在至少一个实施例中，第二网络可以尝试 将这些特征分类为一组事件簇，其中对象的出现被认为是事件的类型。在 至少一个实施例中，可以确定810这些集群中的事件或对象的重要性，如 在训练期间由该网络通过分析整个训练数据集中的这些事件或对象的重要 性数据来确定的那样。在至少一个实施例中，可以使用所确定的各种事件 的发生概率来修改812这些重要性值。在至少一个实施例中，物体出现可 以被认为是具有100％概率的事件。在至少一个实施例中，然后可以将这 些概率修改的重要性值分配给该图像的各个像素。在至少一个实施例中， 然后可以使用各个像素位置处的这些重要性值来针对该输入视频帧生成注 视预测，例如显著性图。在至少一个实施例中，具有高显著性或重要性值的区域图可以对应于不存在感兴趣对象的位置，但是可以对应于具有确定 的重要概率的事件类型。在至少一个实施例中，该事件概率可以为这些确 定提供解释性。
在至少一个实施例中，如图8B所示，可以利用用于预测注视的过程 850。在至少一个实施例中，接收852场景的图像。在至少一个实施例中， 可以从捕获场景图像的相机接收该图像，或者可以在视频数据流上接收该 图像。在至少一个实施例中，可以使用一个或更多个神经网络来分析854 该图像，以至少部分地基于与这些一个或更多个用户并不总是可见的对象 相对应的注视来预测一个或更多个用户的注视。
在至少一个实施例中，这种注意力模型可以对图像或视频中的事件进 行分类，这有助于提供观察者的注视或注意力的可解释且粗略的估计。在 至少一个实施例中，当事件引起关注而不是图像中的单个对象时，可以训 练这种模型来确定具有发生概率的事件。在至少一个实施例中，这种方法 可以帮助处理丢失的地面事实数据，例如在事件可能发生但没有以地面真 实表示的情况中。
推理和训练逻辑
图9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915。本文结合图9和/或图10提供关于推理和/ 或训练逻辑915的细节。
在至少一个实施例中，推理和/或训练逻辑915可以包括但不限于代码 和/或数据存储901，用于存储前向和/或输出权重和/或输入/输出数据、和/ 或其他参数以配置在一个或更多个实施例中的被训练和/或被用于推理的 神经网络的神经元或层。在至少一个实施例中，训练逻辑915可以包括或 耦合到代码和/或数据存储器901以存储图形代码或其他软件以控制定时和 /或顺序，其中权重和/或其他参数信息将被加载以配置包括整数和/或浮点 单元(统称为算术逻辑单元(ALU))的逻辑。在至少一个实施例中，诸如 图形代码的代码基于代码所对应的神经网络的架构将权重或其他参数信息 加载到处理器ALU中。在至少一个实施例中，数据存储901存储在使用一 个或更多个实施例的方面进行推理和/或训练期间输入/输出数据和/或权重 参数的正向传播期间与一个或更多个实施例结合训练或使用的神经网络的 每一层的权重参数和/或输入/输出数据。在至少一个实施例中，代码和/或 数据存储901的任何部分可以与其他片上或片外数据存储(包括处理器的 L1、L2或L3高速缓存或系统存储器)一起被包括。
在至少一个实施例中，代码和/或数据存储901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，代码和/或数据存储901可以是高速缓存存储器、动态随机可寻 址存储器(“DRAM”)、静态随机可寻址存储器(“SRAM”)、非易失性存 储器(例如闪存)或其他存储装置。在至少一个实施例中，代码和/或数据 存储901是处理器的内部还是外部的选择，例如，是由DRAM、SRAM、 闪存还是由其他类型的存储器组成，取决于片上可用存储、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。
在至少一个实施例中，推理和/或训练逻辑915可以包括但不限于代 码和/或数据存储905，以存储与在一个或更多个实施例的方面中被训练和/ 或用于推理的神经网络或神经网络的层相对应的向后和/或输出权重和/或 输入/输出数据。在至少一个实施例中，代码和/或数据存储905存储在使用 一个或更多个实施例的方面的训练和/或推理期间在向后传播输入/输出数 据和/或权重参数期间，与一个或更多个实施例一起训练或结合使用的神经 网络的每一层的权重参数和/或输入/输出数据。在至少一个实施例中，训练 逻辑915可以包括或耦合到代码和/或数据存储器905以存储图形代码或其 他软件以控制定时和/或顺序，在该定时和/或顺序中加载权重和/或其他参 数信息以配置包括整数和/或浮点单元(统称为算术逻辑单元(ALU))的 逻辑。在至少一个实施例中，诸如图形代码的代码基于代码所对应的神经 网络的架构将权重或其他参数信息加载到处理器ALU中。在至少一个实施 例中，代码和/或数据存储905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高速缓存或系统存储器。在至少 一个实施例中，代码和/或数据存储905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，代 码和/或数据存储905可以是高速缓存存储器、DRAM、SRAM、非易失性 存储器(例如，闪存)或其他存储器。在至少一个实施例中，代码和/或数 据存储905是处理器的内部还是外部的选择，例如，是由DRAM、SRAM、 闪存还是其他存储类型组成的，取决于片上可用存储、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。
在至少一个实施例中，代码和/或数据存储901和代码和/或数据存储 905可以是分开的存储结构。在至少一个实施例中，代码和/或数据存储901 和代码和/或数据存储905可以是相同的存储结构。在至少一个实施例中， 代码和/或数据存储901和代码和/或数据存储905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，代码和/或数据存储901 和代码和/或数据存储905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高速缓存或系统存储器。
在至少一个实施例中，推理和/或训练逻辑1015可以包括但不限于包 括整数和/或浮点单元的一个或更多个算术逻辑单元(“ALU”)1010，以至 少部分地基于训练和/或推理代码(例如图形代码)或由其指示执行逻辑和 /或算术操作，其结果可以产生存储在激活存储1020中的作为储在代码和/ 或数据存储1001和/或代码和/或数据存储1005中输入/输出和/或权重参数 数据功能的激活(例如，来自神经网络内的层或神经元的输出值)。在至少 一个实施例中，存储在激活存储1020中的激活是根据由ALU 1010响应于 执行指令或其他代码执行的线性代数和/或基于矩阵的数学生成的，其中将 存储在代码和/或数据存储1005的权重值和/或代码和/或数据1001与其他 值(例如偏置值、梯度信息、动量值或其他参数或超参数)一起用作操作 数，这些值中的任意或者全部可以存储在代码和/或数据存储1005或代码 和/或数据存储1001或其他片上或片下存储器。
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可以在使用它们的处理器或其他硬件逻辑设备或电路(例如，协处理 器)的外部。在至少一个实施例中，ALU1010可以被包括在处理器的执行 单元之内，或者以其他方式被包括在处理器的执行单元可以访问的一套 ALU中，该套ALU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，中央处理器、图形处理单元、固定功能单元等)。在至少一 个实施例中，代码和/或数据存储1001，代码和/或数据存储1005和激活存 储1020可以在同一处理器或其他硬件逻辑装置或电路上，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装置或电路中，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中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高速缓存或系统存储器。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可以是高速缓存存储器、DRAM、 SRAM、非易失性存储器(例如，闪存)或其他存储器。在至少一个实施 例中，激活存储1020可以完全或部分在一个或更多个处理器或其他逻辑电 路之内或之外。在至少一个实施例中，激活存储1020是处理器的内部还是 外部的选择，例如，或者是由DRAM、SRAM、闪存或某种其他存储类型 组成的，取决于片上可用存储、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。在 至少一个实施例中，图9中所示的推理和/或训练逻辑1015可以与专用集 成电路(“ASIC”)(例如来自谷歌的
Figure BDA0002756949330000241
处理单元，来自GraphcoreTM的推理处理单元(IPU)或来自因特尔公司的
Figure BDA0002756949330000242
(例如“Lake Crest”) 处理器)结合使用。在至少一个实施例中，图9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。
图10示出了根据至少一个实施例的各种推理和/或训练逻辑1015。在 至少一个或更多个实施例中，推论和/或训练逻辑1015可以包括但不限于 硬件逻辑，其中计算资源是专用的或以其他方式专用地与对应于神经网络 内的一层或更多层神经元的权重值或其他信息结合使用。在至少一个实施 例中，图10中所示的推理和/或训练逻辑1015可以与专用集成电路(ASIC) (例如Google的
Figure BDA0002756949330000251
处理单元、GraphcoreTM的推理处理单元(IPU) 或来自因特尔公司的
Figure BDA0002756949330000252
(例如“Lake Crest”)处理器)结合使用。 在至少一个实施例中，图10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包括但不限于代码和/或数据存储1001和代码和/或数据存储 1005，其可以用于存储代码(例如图形代码)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10中所 示的至少一个实施例中，数据存储1001和数据存储1005中的每一个都分 别与专用的计算资源(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，一个或更多个ALU仅对分别存储在数据存储1001和代码 和/或数据存储1005中的信息执行数学功能(例如线性代数函数)，其结果 存储在激活存储1020中。
在至少一个实施例中，代码和/或数据存储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，从而提 供产生来自数代码和/或数据存储1001和计算硬件1002的一个“存储/计算 对1001/1002”的激活作为对下一个代码和/或数据存储1005和计算硬件 1006的“存储/计算对1005/1006”的输入，以镜像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)。
数据中心
图11示出了示例数据中心1100，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1100包括数据中心基础设施层1110、框架 层1120、软件层1130和应用层1140。
在至少一个实施例中，如图11所示，数据中心基础设施层1110可以 包括资源协调器1112、分组的计算资源1114和节点计算资源(“节点C.R.”) 1116(1)-1116(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.1116(1)-1116(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)、存储设备(例如，动态只读存储器)、存储器 设备(例如，固态或磁盘驱动器)、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.1116(1)-1116(N)中的一个或更多个节点C.R.可以是具 有上述计算资源的一个或更多个的服务器。
在至少一个实施例中，分组的计算资源1114可以包括容纳在一个或 更多个机架(未示出)中的节点C.R.的单独分组，或者容纳在各个地理位 置(也未示出)的数据中心中的许多机架的单独分组。分组的计算资源1114 内的节点C.R.的单独分组可以包括可以配置成或分配为支持一个或更多个 工作负载的分组的计算、网络、存储器或存储资源。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的 任意组合。
在至少一个实施例中，资源协调器1112可以配置成或以其他防水工 会控制一个或更多个节点C.R.1116(1)-1116(N)和/或分组的计算资源 1114。在至少一个实施例中，资源协调器1112可以包括用于数据中心1100 的软件设计基础设施(“SDI”)管理实体。在至少一个实施例中，资源编 排器可以包括硬件、软件或其某种组合。
在至少一个实施例中，如图11所示，框架层1120包括作业调度器 1132、配置管理器1134、资源管理器1136和分布式文件系统1138。在至 少一个实施例中，框架层1120可以包括用于支持软件层1130的软件1132 和/或应用程序层1140的一个或更多个应用程序1142的框架。在至少一个 实施例中，软件1132或应用程序1142可分别包括基于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1120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 1138用于大型扩展数据处理(例如“大数据”)的Apache Spark TM(以下 称为“Spark”)。在至少一个实施例中，作业调度器1132可以包括Spark 驱动器，以促进对数据中心1100的各个层所支持的工作负荷的调度。在至 少一个实施例中，配置管理器1134可以能够配置不同的层(例如包括Spark 的软件层1130和框架层1120)和用于支持大规模数据处理的分布式文件 系统1138。在至少一个实施例中，资源管理器1136能够管理映射到或分 配用于支持分布式文件系统1138和作业调度器1132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在数据中心基础 设施层1110处的分组计算资源1114。在至少一个实施例中，资源管理器 1136可以与资源协调器1112协调以管理这些映射或分配的计算资源。
在至少一个实施例中，包括在软件层1130中的软件1132可以包括由 节点C.R.1116(1)-1116(N)、分组计算资源1114和/或框架层1120的分 布式文件系统1138的至少一部分使用的软件。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1140中包括的应用程序1142可以包括 由节点C.R.1116(1)-1116(N)的至少一部分、分组的计算资源1114和 /或框架层1120的分布式文件系统1138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1134、资源管理器1136和资源协 调器1112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1100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1100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1100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1100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。本文结合图9和/或图10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11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。 在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个或更 多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的注视 视。
计算机系统
图12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1200，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1200可以包括但不限于组件，例如处理器1202，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1200 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
Figure BDA0002756949330000281
处理器家族、 XeonTM、
Figure BDA0002756949330000282
XScaleTM和/或StrongARMTM，
Figure BDA0002756949330000283
CoreTM或
Figure BDA0002756949330000284
Figure BDA0002756949330000285
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1200 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1200可包括但不限于处理器1202， 该处理器1202可包括但不限于一个或更多个执行单元1208，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1200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1200可以是多处理器系统。在至少一个实施例中，处理器1202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1202可以耦合到处理器总线1210，该处理器总线1210 可以在处理器1202与计算机系统1200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1202可以包括但不限于1级(“L1”) 内部高速缓存存储器(“cache”)1204。在至少一个实施例中，处理器1202 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 缓存存储器可以驻留在处理器1202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1206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1208，其也位于处理器1202中。在至少一个实施例中，处理器1202 还可以包括微码(“ucode”)只读存储器(“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1208可以包括用于处理封装指 令集1209的逻辑。在至少一个实施例中，通过将封装指令集1209包括在 通用处理器1202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1202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1208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1200可以包括但不限于存储器1220。在至少一个实施例中， 存储器1220可以被实现为动态随机存取存储器(“DRAM”)设备、静态随 机存取存储器(“SRAM”)设备、闪存设备或其他存储设备。在至少一个 实施例中，存储器1220可以存储由处理器1202可以执行的由数据信号表 示的指令1219和/或数据1221。
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1210和 存储器1220。在至少一个实施例中，系统逻辑芯片可以包括但不限于存储 器控制器集线器(“MCH”)1216，并且处理器1202可以经由处理器总线 1210与MCH 1216通信。在至少一个实施例中，MCH 1216可以提供到存 储器1220的高带宽存储器路径1218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 1216可以在处理 器1202、存储器1220和计算机系统1200中的其他组件之间启动数据信号， 并且在处理器总线1210、存储器1220和系统I/O 1222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 1216可以通过高带宽存储器路径1218 耦合到存储器1220，并且图形/视频卡1212可以通过加速图形端口(Accelerated Graphics Port)(“AGP”)互连1214耦合到MCH 1216。
在至少一个实施例中，计算机系统1200可以使用系统I/O 1222作为 专有集线器接口总线来将MCH 1216耦合到I/O控制器集线器(“ICH”)1230。 在至少一个实施例中，ICH1230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存储器1220、芯片组和处理器1202的高速I/O总线。 示例可以包括但不限于音频控制器1229、固件集线器(“快闪BIOS”)1228、 无线收发器1226、数据存储1224、包含用户输入的传统I/O控制器1223 和键盘接口、串行扩展端口1227(例如通用串行总线(USB))和网络控 制器1234。数据存储1224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12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12可以示出示例性片上系统(“SoC”)。在 至少一个实施例中，图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，计算机系统1200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。本文结合图9和/或图10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，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 至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的注视。
图13是示出根据至少一个实施例的用于利用处理器1310的电子设备 1300的框图。在至少一个实施例中，电子设备1300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1300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1310。在至少 一个实施例中，处理器1310使用总线或接口耦合，诸如1℃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13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13可以示出示例性片上系统(“SoC”)。在至 少一个实施例中，图13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13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13可以包括显示器1324、触摸屏1325、触 摸板1330、近场通信单元(“NFC”)1345、传感器集线器1340、热传感器 1346、快速芯片组(“EC”)1335、可信平台模块(“TPM”)1338、BIOS/ 固件/闪存(“BIOS，FW Flash”)1322、DSP1360、驱动器1320(例如固态 磁盘(“SSD”)或硬盘驱动器(“HDD”))、无线局域网单元(“WLAN”) 1350、蓝牙单元1352、无线广域网单元(“WWAN”)1356、全球定位系统 (GPS)1355、相机(“USB 3.0相机”)1354(例如USB 3.0相机)和/或 实现在例如LPDDR3标准低功耗双倍数据速率(“LPDDR”)存储单元 (“LPDDR3”)1315。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1310。在至少一个实施例中，加速度计1341、环境光传感器(“ALS”) 1342、罗盘1343和陀螺仪1344可以可通信地耦合到传感器集线器1340。 在至少一个实施例中，热传感器1339、风扇1337、键盘1346和触摸板1330 可以通信地耦合到EC 1335。在至少一个实施例中，扬声器1363、耳机1364 和麦克风(“mic”)1365可以通信地耦合到音频单元(“音频编解码器和D 类放大器”)1364，其又可以通信地耦合到DSP 1360。在至少一个实施例 中，音频单元1364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”)1357可以通信地 耦合到WWAN单元1356。在至少一个实施例中，组件(诸如WLAN单 元1350和蓝牙单元1352以及WWAN单元1356)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。本文结合图9和/或图10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13 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图14示出了根据至少一个实施例的计算机系统1400。在至少一个实 施例中，计算机系统1400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1400包括但不限于至少一个中央 处理单元(“CPU”)1402，该中央处理单元(“CPU”)1402连接到使用任 何合适协议实现的通信总线1410，诸如PCI(“外围组件互连”)、外围组 件快速互连(“PCI-Express”)、AGP(“加速图形端口”)、超传输或任何 其他总线或一个或更多个点对点通信协议。在至少一个实施例中，计算机 系统1400包括但不限于主存储器1404和控制逻辑(例如，实现为硬件、 软件或其组合)，并且数据被存储在主存储器1404(其可以采取随机存取 存储器(“RAM”)的形式)中。在至少一个实施例中，网络接口子系统(“网 络接口”)1422提供到其他计算设备和网络的接口，用于从计算机系统1400 之外的其他系统接收数据以及将数据发送到其他系统。
在至少一个实施例中，计算机系统1400在至少一个实施例中包括但 不限于输入设备1408、并行处理系统1412和显示设备1406，显示设备1406 可以使用常规的阴极射线管(“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1408(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。本文结合图9和/或图10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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图15示出了根据至少一个实施例的计算机系统1500。在至少一个实 施例中，计算机系统1500包括但不限于计算机1510和USB棒1520。在 至少一个实施例中，计算机1510可以包括但不限于任何数量和类型的处理 器(未示出)和存储器(未示出)。在至少一个实施例中，计算机1510 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棒1520包括但不限于处理单元1530、 USB接口1540和USB接口逻辑1550。在至少一个实施例中，处理单元 1530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1530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1530包括应用程序专用集成电路(“ASIC”)，该应用程序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1530 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1530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1540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1540是用于数据 和电力的USB 3.0Type-C插座。在至少一个实施例中，USB接口1540是 USB 3.0Type-A连接器。在至少一个实施例中，USB接口逻辑1550可以 包括使处理单元1530能够经由USB连接器1540与设备(例如计算机1510) 相接合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。本文结合图9和/或图10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13 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图16示出了示例性架构，其中多个GPU 1610-1613通过高速链路1640-1643(例如，总线、点对点互连等)通信地耦合到多个多核处理器 1605-1606。在一个实施例中，高速链路1640-1643支持4GB/s、30GB/s、 80GB/s或更高的通信吞吐量。可以使用各种互连协议，包括但不限于PCIe 4.0或5.0和NVLink 2.0。
另外，在一个实施例中，GPU 1610-1613中的两个或更多个通过高速 链路1629-1630互连，可以使用与用于高速链路1640-1643的协议/链路相 同或不同的协议/链路来实现。类似地，两个或更多个多核处理器1605-1606 可以通过高速链路1628连接，该高速链路可以是以20GB/s、30GB/s、120 GB/s或更高速度运行的对称多处理器(SMP)总线。可替代地，以使用相 同的协议/链路(例如，通过公共互连结构)来完成图16中所示的各种系 统组件之间的所有通信。
在一个实施例中，每个多核处理器1605-1606分别经由存储器互连 1626-1627通信地耦合至处理器存储器1601-1602，并且每个GPU 1610-1613通过GPU存储器互连1650-1653通信地耦合至GPU存储器 1620-1623。存储器互连1626-1627和1650-1653可以利用相同或不同的存 储器访问技术。作为示例而非限制，处理器存储器1601-1602和GPU存储 器1620-1623可以是易失性存储器，诸如动态随机存取存储器(DRAM) (包括堆叠的DRAM)、图形DDR SDRAM(GDDR)(例如，GDDR5、 GDDR6)或高带宽内存(HBM)和/或可以是非易失性存储器(例如3D XPoint或Nano-Ram)。在一个实施例中，处理器存储器1601-1602的某些 部分可以是易失性存储器，而另一部分可以是非易失性存储器(例如，使 用两级存储器(2LM)层次结构)。
如下文所述，尽管各种处理器1605-1606和GPU 1610-1613可以分别 物理地耦合到特定的存储器1601-1602、1620-1623，但是可以实现统一的 存储器架构，其中相同的虚拟系统地址空间(也称为“有效地址”空间) 分布在各种物理存储器之间。例如，处理器存储器1601-1602每个可以包 括64GB的系统存储器地址空间，并且GPU存储器1620-1623每个可以包 括32GB的系统存储器地址空间(在该示例中导致总共256GB的可寻址存 储器)。
图17示出了根据一个示例性实施例的用于多核处理器1607和图形加 速模块1646之间的互连的附加细节。图形加速模块1646可以包括集成在 通过高速链路1640耦合到处理器1607的线卡上的一个或更多个GPU芯片。 可替代地，图形加速模块1646可以与处理器1607集成在同一封装或芯片 上。
在至少一个实施例中，所示的处理器1607包括多个核心 1660A-1660D，每个核心具有转换后备缓冲器1661A-1661D和一个或更多 个高速缓存1662A-1662D。在至少一个实施例中，核心1660A-1660D可以 包括用于执行未示出的指令和处理数据的各种其他组件。高速缓存 1662A-1662D可以包括1级(L1)和2级(L2)高速缓存。另外，一个或 更多个共享高速缓存1656可以被包括在高速缓存1662A-1662D中，并且 由一组核心1660A-1660D共享。例如，处理器1607的一个实施例包括24 个核心，每个核心具有其自己的L1高速缓存、十二个共享的L2高速缓存 和十二个共享的L3高速缓存。在该实施例中，两个相邻核心共享一个或更多个L2和L3高速缓存。处理器1607和图形加速模块1646与系统存储 器1614连接，系统存储器1614可以包括图16的处理器存储器1601-1602。
经由一致性总线1664上的核心间通信，保持存储在各种高速缓存 1662A-1662D、1656和系统存储器1614中的数据和指令的一致性。例如， 每个高速缓存可具有与其相关联的高速缓存一致性逻辑/电路，该高速缓存 一致性逻辑和电路响应于检测到的对特定高速缓存线的读取或写入，在一 致性总线1664上进行通信。在一种实现中，在一致性总线1664上实现了 缓存监听协议，以监听缓存访问。
在一个实施例中，代理电路1625将图形加速模块1646通信地耦合到 一致性总线1664，从而允许图形加速模块1646作为核心1660A-1660D的 对等方参与高速缓存一致性协议。特别地，接口1635通过高速链路1640 (例如，PCIe总线、NVLink等)提供到代理电路1625的连接，并且接口 1637将图形加速模块1646连接到链路1640。
在一个实施方式中，加速器集成电路1636代表图形加速模块1646 的多个图形处理引擎1631、1632、N，提供缓存管理、存储器访问、上下 文管理和中断管理服务。图形处理引擎1631、1632、N，可以各自包括单 独的图形处理单元(GPU)。可选地，图形处理引擎1631、1632、N可包 括GPU内的不同类型的图形处理引擎，诸如图形执行单元、媒体处理引擎 (例如，视频编码器/解码器)、采样器和双轨引擎。在至少一个实施例中， 图形加速模块1646可以是具有多个图形处理引擎1631-1632、N的GPU 或图形处理引擎1631-1632、N可以是集成在普通封装、线卡或芯片上的单 独的GPU。
在一个实施例中，加速器集成电路1636包括存储器管理单元(MMU) 1639，用于执行各种存储器管理功能，例如虚拟到物理存储器转换(也称 为有效到实际存储器转换)和用于访问系统存储器1614的存储器访问协议。 MMU 1639还可以包括转换后备缓冲器(TLB)(未示出)，用于将虚拟/ 有效地址转换为物理/实际地址。在一种实施方式中，高速缓存1638存储 命令和数据，以供图形处理引擎1631-1632(N)有效访问。在一个实施例 中，存储在高速缓存1638和图形存储器1633-1634、M中的数据与核心高 速缓存1662A-1662D、1656和系统存储器1614保持一致。如上所述，这 可以经由代表高速缓存1638和存储器1633-1634、M的代理电路1625(例 如，将更新发送到与处理器高速缓存1662A-1662D、1656上的高速缓存线 的修改/访问有关的高速缓存1638并从高速缓存1638接收更新)来完成。
一组寄存器1645存储上下文数据用于由图形处理引擎1631-1632、N 执行的线程，并且上下文管理电路1648管理线程上下文。例如，上下文管 理电路1648可以执行保存和还原操作以在上下文切换期间保存和还原各 个线程的上下文(例如，其中保存第一线程并且存储第二线程，使得第二 线程可以由图形处理引擎执行)。例如，在上下文切换上，上下文管理电 路1648可以将当前寄存器值存储到存储器中的指定区域(例如，由上下文 指针标识)。然后，当返回上下文时，它可以恢复寄存器值。在一个实施 例中，中断管理电路1647接收并处理从系统设备接收的中断。
在一个实现中，MMU 1639将来自图形处理引擎1631的虚拟/有效地 址转换为系统存储器1614中的实际/物理地址。加速器集成电路1636的一 个实施例支持多个(例如4、8、16)图形加速器模块1646和/或其他加速 器设备。图形加速器模块1646可以专用于在处理器1607上执行的单个应 用程序，或者可以在多个应用程序之间共享。在一个实施例中，提出了一 种虚拟化图形执行环境，其中图形处理引擎1631-1632、N的资源与多个应 用程序或虚拟机(VM)共享。在至少一个实施例中，可以基于与VM和/ 或应用程序相关联的处理要求和优先级，将资源细分为“切片”，将其分 配给不同的VM和/或应用程序。
在至少一个实施例中，加速器集成电路1636充当用于图形加速模块 1646的系统的桥梁，并提供地址转换和系统存储器高速缓存服务。另外， 加速器集成电路1636可以为主机处理器提供虚拟化设施，以管理图形处理 引擎1631-1632的虚拟化，中断和存储器管理。
因为图形处理引擎1631-1632、N的硬件资源被显式映射到主机处理 器1607看到的真实地址空间，所以任何主机处理器都可以使用有效地址值 直接寻址这些资源。在一个实施例中，加速器集成电路1636的一个功能是 图形处理引擎1631-1632、N的物理分隔，使得它们在系统中表现为独立 的单元。
在至少一个实施例中，一个或更多个图形存储器1633-1634、M分别 耦合到图形处理引擎1631-1632、N中的每一个。图形存储器1633-1634、 M存储由每个图形处理引擎1631-1632、N处理的指令和数据。图形存储 器1633-1634、M可以是易失性存储器，例如DRAM(包括堆叠的DRAM)、 GDDR存储器(例如，GDDR5、GDDR6)或HBM，和/或可以是非易失性 存储器(例如3D XPoint或Nano-Ram)。
在一个实施例中，为了减少链路1640上的数据流量，使用偏置技术 以确保存储在图形存储器1633-1634、M中的数据将是图形处理引擎 1631-1632、N和30最频繁使用和核心1660A-1660D最好不要使用(至少 不经常使用)的数据。类似地，偏置机制尝试将核心(最好不是图形处理 引擎1631-1632、N)所需的数据保持在核心和系统存储器1614的高速缓 存1662A-1662D、1656中。
图18示出了另一示例性实施例，其中加速集成电路1636被集成在处 理器1607内。在该实施例中，图形处理引擎1631-1632、N经由接口1637 和接口1635通过高速链路1640直接与加速器集成电路1636通信(再次， 可以利用任何形式的总线或接口协议)。加速器集成电路1636可以执行与 关于图17描述的操作相同的操作，但是鉴于其紧密靠近一致性总线1664 和高速缓存1662A-1662D、1656，可能具有更高的吞吐量。一个实施例支 持不同的编程模型，包括专用-处理编程模型(无图形加速模块虚拟化)和 共享编程模型(具有虚拟化)，其可以包括由加速器集成电路1636控制的 编程模型和由图形加速模块1646控制的编程模型。
在至少一个实施例中，图形处理引擎1631-1632、N专用于单个操作 系统下的单个应用程序或处理。在至少一个实施例中，单个应用程序可以 将其他应用程序请求集中到图形处理引擎1631-1632、N，从而在VM/分 区内提供虚拟化。
在至少一个实施例中，图形处理引擎1631-1632、N可以被多个VM/ 应用程序分区共享。在至少一个实施例中，共享模型可以使用系统管理程 序来虚拟化图形处理引擎1631-1632、N以允许每个操作系统的访问。对于 没有管理程序的单个分区系统，操作系统拥有图形处理引擎1631-1632、N。 在至少一个实施例中，操作系统可以虚拟化图形处理引擎1631-1632、N 以提供对每个进程或应用程序的访问。
在至少一个实施例中，图形加速模块1646或单独的图形处理引擎 1631-1632、N使用进程句柄来选择处理元件。在一个实施例中，处理元件 被存储在系统存储器1614中，并且可使用本文所述的有效地址到真实地址 转换技术来寻址。在至少一个实施例中，进行句柄可以是在向图形处理引 擎1631-1632、N注册其上下文时向主机进程提供的特定于实现的值(即， 调用系统软件以将处理元件添加到处理元件链表)。在至少一个实施例中， 进程句柄的低16位可以是进程元件在链表中的偏移量。
图19示出了示例性加速器集成片1690。如本文中所使用的，“片” 包括加速集成电路1636的处理资源的指定部分。系统存储器1614内的应 用程序有效地址空间1682存储处理元件1683。在一个实施例中，处理元 件1683响应于处理器1607上执行的应用程序1680的GPU调用1681来存 储。处理元件1683包含对应应用程序1680的处理状态。处理元件1683 中包含的工作描述符(WD)1684可以是应用程序请求的单个作业或可能 包含指向作业队列的指针。在至少一个实施例中，WD 1684是指向应用程 序地址空间1682中的作业请求队列的指针。
图形加速模块1646和/或单个图形处理引擎1631-1632、N可以由系 统中的全部或部分进程共享。在至少一个实施例中，可以包括用于设置进 程状态并将WD 1684发送到图形加速模块1646以在虚拟化环境中开始作 业的基础设施。
在至少一个实施例中，专用进程编程模型是特定于实现的。在该模型 中，单个进程拥有图形加速模块1646或单个图形处理引擎1631。由于图 形加速模块1646由单个进程拥有，因此在分配图形加速模块1646时，管 理程序为拥有的分区初始化加速器集成电路1636，以及操作系统为拥有进 程初始化加速器集成电路1636。
在操作中，加速器集成片1690中的WD获取单元1691获取下一个 WD 1684，其中包括要由图形加速模块1646的一个或更多个图形处理引擎 完成的工作的指示。来自WD 1684的数据可以存储在寄存器1645中和被MMU 1639、中断管理电路1647和/或上下文管理电路1648使用，如图所 示。例如，MMU 1639的一个实施例包括用于访问OS虚拟地址空间1685 内的片段/页面表1686的片段/页面漫游电路。中断管理电路1647可以处理 从图形加速接收的中断事件1692。当执行图形操作时，由图形处理引擎 1631-1632、N生成的有效地址1693被MMU 1639转换为实际地址。
在一个实施例中，为每个图形处理引擎1631-1632、N和/或图形加速 模块1646复制相同的寄存器组1645，并且可以由系统管理程序或操作系 统来初始化。这些重复的寄存器中的每一个都可以包括在加速器集成片 1690中。表1中显示了可由管理程序初始化的示例性寄存器。
表1–管理程序初始化的寄存器
1 片控制寄存器
2 真实地址(RA)计划进程区指针
3 授权掩码覆盖寄存器
4 中断向量表输入偏移
5 中断向量表入口限制
6 状态寄存器
7 逻辑分区ID
8 真实地址(RA)管理程序加速器利用率记录指正
9 存储器描述寄存器
表2中示出了由操作系统初始化的示例性寄存器
表2–操作系统初始化的寄存器
1 进程和线程识别
2 有效地址(EA)上下文保存/还原指针
3 虚拟地址(VA)加速器利用率记录指针
4 虚拟地址(VA)存储器段表指针
5 授权掩码
6 工作描述符
在一个实施例中，每个WD 1684特定于特定的图形加速模块1646和 /或图形处理引擎1631-1632、N。它包含图形处理引擎1631-1632、N进行 工作所需的所有信息，或者它可以是一个指向存储器位置的指针，在该位 置应用程序已经建立了要完成的工作的命令队列。
图20示出了共享模型的一个示例性实施例的附加细节。该实施例包 括管理程序真实地址空间1698，其中存储了处理元件列表1699。可通过管 理程序1696访问管理程序实际地址空间1698，管理程序1696虚拟化用于 操作系统1695的图形加速模块引擎。
在至少一个实施例中，共享编程模型允许来自系统中所有分区或分区 的子集的全部进程或进程子集使用图形加速模块1646。存在由多个进程和 分区(时间切片共享和图形定向共享)共享图形加速模块1646的两个编程 模型。
在此模型中，系统管理程序1696拥有图形加速模块1646，并且其功 能可用于所有操作系统1695。为了使图形加速模块1646支持系统管理程 序1696进行虚拟化，图形加速模块1646可以遵循以下条件：1)应用程序 的作业请求必须是自主的(即，不需要在作业之间保持状态)，否则图形 加速模块1646必须提供上下文保存和还原机制。2)图形加速模块1646 保证应用程序的作业请求在指定的时间内完成，包括任何翻译错误，或者 图形加速模块1646提供了抢占作业处理的能力。3)当在定向共享编程模 型中操作时，必须确保图形加速模块1646在进程之间的公平性。
在至少一个实施例中，需要应用程序1680进行具有图形加速模块 1646类型、工作描述符(WD)、权限掩码寄存器(AMR)值和上下文保 存/恢复区域指针(CSRP)的操作系统1695系统调用。在至少一个实施例 中，图形加速模块1646类型描述了用于系统调用的目标加速功能。在至少 一个实施例中，图形加速模块1646类型可以是特定于系统的值。在至少一 个实施例中，WD是专门针对图形加速模块1646格式化的，并且可以是以 下形式：图形加速模块1646命令、指向用户定义结构的有效地址指针、指 向命令队列的有效地址指针、或任何其他数据结构以描述要由图形加速模 块1646完成的工作。在一个实施例中，AMR值是要用于当前进程的AMR 状态。在至少一个实施例中，传递给操作系统的值类似于设置AMR的应 用程序。如果加速集成电路1636和图形加速模块1646实现不支持用户授 权掩码覆盖寄存器(UAMOR)，则操作系统可以在管理程序调用中传递 AMR之前将当前UAMOR值应用于AMR值。系统管理程序1696可以在 将AMR放入处理元件1683之前，可选地应用当前的授权掩码覆盖寄存器 (AMOR)值。在至少一个实施例中，CSRP是寄存器1645之一，其中包 含应用程序地址空间1682中某个区域的有效地址，以用于图形加速模块1646保存和恢复上下文状态。如果不需要在作业之间保存状态或抢占作业， 则此指针是可选的。在至少一个实施例中，上下文保存/恢复区域可以是固 定的系统存储器。
在接收到系统调用后，操作系统1695可以验证应用程序1680已注册 并被授权使用图形加速模块1646。然后，操作系统1695使用表3中所示 的信息调用管理程序1696。
表3–OS调用信息调用管理程序
1 工作描述符(WD)
2 授权掩码寄存器(AMR)值(可能被屏蔽)
3 有效地址(EA)上下文保存/还原区域指针(CSRP)
4 进程ID(PID)和可选线程ID(TID)
5 虚拟地址(VA)加速器利用率记录指针(AURP)
6 存储段表指针的虚拟地址(SSTP)
7 逻辑中断服务号码(LISN)
在接收到管理程序调用之后，管理程序1696验证操作系统1695已注 册并被授权使用图形加速模块1646。管理程序1696然后将处理元件1683 放入对应的图形加速模块1646类型的处理元件链接列表中。处理元件可能 包含表4中所示的信息。
表4–处理元件信息
1 工作描述符(WD)
2 授权掩码寄存器(AMR)值(可能被屏蔽)
3 有效地址(EA)上下文保存/还原区域指针(CSRP)
4 进程ID(PID)和可选线程ID(TID)
5 虚拟地址(VA)加速器利用率记录指针(AURP)
6 存储段表指针的虚拟地址(SSTP)
7 逻辑中断服务号码(LISN)
8 中断向量表，从管理程序调用参数派生
9 状态寄存器(SR)值
10 逻辑分区ID(LPID)
11 真实地址(RA)虚拟机管理程序加速器利用率记录指针
12 存储器描述符寄存器(SDR)
在至少一个实施例中，管理程序初始化多个加速器集成片1690寄存 器1645。
如图21中所示，在至少一个实施例中，使用统一存储器，该统一存 储器可通过用于访问物理处理器存储器1601-1602和GPU存储器 1620-1623的公共虚拟存储器地址空间来寻址。在该实现中，在GPU 1610-1613上执行的操作利用相同的虚拟/有效存储器地址空间来访问处理 器存储器1601-1602，反之亦然，从而简化了可编程性。在一个实施例中， 虚拟/有效地址空间的第一部分被分配给处理器存储器1601、第二部分被分 配给第二处理器存储器1602、第三部分被分配给GPU存储器1620，等等。 在至少一个实施例中，整个虚拟/有效存储器空间(有时称为有效地址空间) 由此分布在处理器存储器1601-1602和GPU存储器1620-1623中的每一个 上，从而允许任何处理器或GPU访问具有映射到该内存的虚拟地址的任何 物理存储器。
在一个实施例中，一个或更多个MMU 1639A-1639E内的偏置/一致 性管理电路1694A-1694E确保一个或更多个主机处理器(例如1605)和 GPU 1610-1613的缓存之间的缓存一致性，并实施指示在其中应存储某些 类型的数据的物理存储器的偏置技术。尽管在图21中示出了偏置/一致性 管理电路1694A-1694E的多个实例，可以在一个或更多个主机处理器1605 的MMU内和/或在加速器集成电路1636内实现偏置/一致性电路。
一个实施例允许附接到GPU的存储器1620-1623被映射为系统存储 器的一部分，并使用共享虚拟存储器(SVM)技术进行访问，但不会遭受 与完整系统高速缓存一致性相关的性能缺陷。在至少一个实施例中，将附 接到GPU的存储器1620-1623作为系统存储器来访问而没有繁重的高速缓 存一致性开销的能力为GPU卸载提供了有益的操作环境。这种安排允许主 机处理器1605软件设置操作数并访问计算结果，而不会产生传统I/O DMA 数据副本的开销。此类传统副本涉及驱动程序调用，中断和内存映射的I/O (MMIO)访问，这些访问相对于简单的内存访问而言效率低下。在至少 一个实施例中，在没有高速缓存一致性开销的情况下访问附接到GPU的存 储器1620-1623的能力对于卸载的计算的执行时间是关键的。例如，在具 有大量流传输写入存储器流量的情况下，缓存一致性开销会大大降低GPU1610-1613看到的有效写入带宽。在至少一个实施例中，操作数设置的效 率，结果访问的效率以及GPU计算的效率可以在确定GPU卸载的效率中 起作用。
在至少一个实施例中，GPU偏置和主处理器偏置的选择由偏差追踪 器数据结构驱动。例如，可以使用偏置表，该偏置表可以是页面粒度结构 (即，以存储器页面的粒度来控制)，每个附接到GPU的存储器页面包括 1或2位。在至少一个实施例中，可以在一个或更多个附接到GPU的存储 器1620-1623的被盗存储器范围中实现偏置表，在GPU 1610-1613中具有 或不具有偏差高速缓存(例如，以高速缓存频繁/最近使用的偏置表的条目)。 可选地，可以在GPU内维护整个偏置表。
在至少一个实施例中，在实际访问GPU存储器之前访问与对附接到 GPU的存储器1620-1623的每次访问相关联的偏置表条目，从而引起以下 操作。首先，来自GPU 1610-1613的本地请求(在GPU偏置中找到其页 面)被直接转发到相应的GPU存储器1620-1623。来自GPU的在主机偏 置中找到其页面的本地请求被转发到处理器1605(例如，如上所述，通过高速链路)。在一个实施例中，来自处理器1605的在主机处理器偏置中找 到所请求的页面请求完成了与普通存储器读取类似的请求。可选地，可以 将针对GPU偏置的页面的请求转发给GPU 1610-1613。在至少一个实施例 中，如果GPU当前不使用页面，则GPU可以将页面转换为主机处理器偏 置。在至少一个实施例中，页面的偏置状态可以通过基于软件的机制，通 过硬件辅助的基于软件的机制或者在有限的情况下，可以纯粹通过基于硬 件的机制来改变。
一种用于改变偏置状态的机制采用API调用(例如OpenCL)，该调 用反过来又调用GPU的设备驱动程序，该设备驱动程序反过来又将消息 (或排队命令描述符)发送给GPU，以指导其进行更改偏置状态，并且对 于某些过渡，在主机中执行高速缓存刷新操作。在至少一个实施例中，高 速缓存刷新操作用于从主机处理器1605偏置到GPU偏置的转变，但是不用于相反的转变。
在一个实施例中，通过暂时使主机处理器1605无法缓存GPU偏置的 页面，来保持缓存一致性。为了访问这些页面，处理器1605可以请求GPU 1610进行访问，该访问可以立即或可以不立即授权。因此，为了减少处理 器1605与GPU 1610之间的通信，确保GPU偏置的页面是GPU所需的页 面而不是主机处理器1605所需要的页面是有益的，反之亦然。
推理和/或训练逻辑1015用于执行一个或更多个实施例。在此结合图9和/或图10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用于基于一组极端点的分割。
图22示出了根据本文所述的各种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。除了图示的之外， 在至少一个实施例中还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22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2200上的示例性系统的框图。在至少一个实施例中，集成 电路2200包括一个或更多个应用处理器2205(例如，CPU)、至少一个 图形处理器2210，并且可以另外包括图像处理器2215和/或视频处理器 2220，其中任意一个可以是模块化IP核心。在至少一个实施例中，集成电 路2200包括外围或总线逻辑，其包括USB控制器2225、UART控制器2230、 SPI/SDIO控制器2235和I2S/I2C控制器2240。在至少一个实施例中，集成 电路2200可以包括显示设备2245，其耦合到高清多媒体接口(HDMI)控 制器2250和移动工业处理器接口(MIPI)显示接口2255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2260提供，其包括闪存 和闪存控制器。在至少一个实施例中，可以经由存储器控制器2265提供存 储器接口以用于访问SDRAM或SRAM存储器设备。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2270。
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。本文结合图9和/或图10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2200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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一 个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者 的注视。
图23-图24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 的之外，在至少一个实施例中还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23-图24是示出根据本文描述的实施例的用于在SoC内使用的示 例性图形处理器的框图。图23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2310，其可以使用一个或更多个IP核心 来制造。图24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2340，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23的图形处理器2310是低功耗图形处理器核心。在至少一 个实施例中，图24的图形处理器2340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2310、2340可以是图22的图形处理 器2210的变体。
在至少一个实施例中，图形处理器2310包括顶点处理器2305和一个 或更多个片段处理器2315A-2315N(例如2315A、2315B、2315C、2315D 至2315N-1和2315N)。在至少一个实施例中，图形处理器2310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2305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2315A-2315N执 行针对片段的片段(例如，像素)着色操作或像素着色器程序。在至少一 个实施例中，顶点处理器2305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 2315A-2315N使用由顶点处理器2305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2315A-2315N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2310附加地包括一个或更多个内 存管理单元(MMU)2320A-2320B、高速缓存2325A-2325B和电路互连 2330A-2330B。在至少一个实施例中，一个或更多个MMU 2320A-2320B 提供用于图形处理器2310的虚拟到物理地址的映射，包括用于顶点处理器 2305和/或片段处理器2315A-2315N的，除了存储在一个或更多个高速缓 存2325A-2325B中的顶点或图像/纹理数据之外，其还可以引用存储在存储 器中的顶点或图像/纹理数据。在至少一个实施例中，一个或更多个MMU 2320A-2320B可以与系统内的其他MMU同步，包括与图22的一个或更多 个应用处理器2205、图像处理器2215和/或视频处理器2220相关联的一个 或更多个MMU，使得每个处理器2205-2220可以参与共享或统一虚拟存 储器系统。在至少一个实施例中，一个或更多个电路互连2330A-2330B使 图形处理器2310能够经由SoC的内部总线或经由直接连接与SoC内的其 他IP核心相接合。
在至少一个实施例中，图形处理器2340包括图23的图形处理器2310 的一个或更多个MMU 2320A-2320B、高速缓存2325A-2325B和电路互连 2330A-2330B。在至少一个实施例中，图形处理器2340包括一个或更多个 着色器核心2355A-2355N(例如，2355A、2355B、2355C、2355D、2355E、 2355F、直到2355N-1和2355N)，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2340包括核心间任务管理器2345，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2355A-2355N和分块单元2358，以加 速基于图块的渲染的分块操作，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来优化内部高速缓存的使用。
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。本文结合图9和/或图10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23 和/或图24的集成电路中使用，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。在至少一个实施例中，推断和/或训练逻辑1015可以用 于基于与一个或更多个观察者并不总是可见的事件或对象相对应的注视来 预测观察者的注视。
图25-图26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25示出了可以包括在图22的图形处理 器2210内的图形核心2500，在至少一个实施例中，其可以是图24中的统 一着色器核心2355A-2355N。图26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2530。
在至少一个实施例中，图形核心2500包括共享指令高速缓存2502、 纹理单元2518和高速缓存/共享存储器2520，它们是图形核心2500内的执 行资源所共有的。在至少一个实施例中，图形核心2500可以包括多个切片 2501A-2501N或用于每个核心的分区，图形处理器可以包括图形核心2500 的多个实例。切片2501A-2501N可以包括支持逻辑，该支持逻辑包括本地 指令高速缓存2504A-2504N、线程调度器2506A-2506N、线程分派器 2508A-2508N和一组寄存器2510A-2510N。在至少一个实施例中，切片 2501A-2501N可以包括一组附加功能单元(AFU 2512A-2512N)、浮点单 元(FPU 2514A-2514N)、整数算术逻辑单元(ALU2516-2516N)、地址 计算单元(ACU 2513A-2513N)、双精度浮点单元(DPFPU 2515A-2515N)和矩阵处理单元(MPU 2517A-2517N)。
在至少一个实施例中，FPU 2514A-2514N可以执行单精度(32位) 和半精度(16位)浮点运算，而DPFPU 2515A-2515N可以执行双精度(64 位)浮点运算。在至少一个实施例中，ALU 2516A-2516N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。 在至少一个实施例中，MPU 2517A-2517N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。在至少一个实施例中，MPU 2517A-2517N可以执行各种矩阵运算，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)。在至少一个实施例中， AFU 2512A-2512N可以执行浮点单元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。本文结合图9和/或图10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2500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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一 个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者 的注视。
图26示出了在至少一个实施例中的通用处理单元(GPGPU)2530， 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，GPGPU2530可以直接链接到GPGPU 2530的其他 实例，以创建多GPU集群，以提高深度神经网络的训练速度。在至少一个 实施例中，GPGPU 2530包括主机接口2532，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2532是PCI Express接口。在至少一个实 施例中，主机接口2532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，GPGPU 2530从主机处理器接收命令，并使用全局调度器2534 将与那些命令相关联的执行线程分发给一组计算集群2536A-2536H。在至 少一个实施例中，计算集群2536A-2536H共享高速缓存存储器2538。在至 少一个实施例中，高速缓存存储器2538可以用作计算集群2536A-2536H 内的高速缓存存储器的高级高速缓存。
在至少一个实施例中，GPGPU 2530包括经由一组存储器控制器 2542A-2542B与计算集群2536A-2536H耦合的存储器2544A-2544B。在至 少一个实施例中，存储器2544A-2544B可以包括各种类型的存储器设备， 包括动态随机存取存储器(DRAM)或图形随机存取存储器，例如同步图 形随机存取存储器(SGRAM)，包括图形双倍数据速率(GDDR)存储器。
在至少一个实施例中，计算集群2536A-2536H各自包括一组图形核 心，诸如图25的图形核心2500，其可以包括多种类型的整数和浮点逻辑 单元，其可以以包括适用于机器学习计算的精度范围执行计算操作。例如， 在至少一个实施例中，每个计算集群2536A-2536H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，而浮点单元的不同子集可 以配置为执行64位浮点运算。
在至少一个实施例中，GPGPU 2530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2536A-2536H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 2530的多 个实例通过主机接口2532进行通信。在至少一个实施例中，GPGPU 2530 包括I/O集线器2539，其将GPGPU 2530与GPU链路2540耦合，其实现 了至GPGPU 2530的其他实例的直接连接。在至少一个实施例中，GPU链 路2540耦合到专用GPU到GPU桥，其使得能够在GPGPU 2530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2540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 2530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2532访问的网络设备进行通信。在至少一个实施例中，GPU 链路2540可被配置为使得能够连接到主机处理器，附加或替代主机接口 2532。
在至少一个实施例中，GPGPU 2530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 2530。在其中使用GPGPU 2530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2536A-2536H。在至少一个实施例中， 与存储器2544A-2544B相关联的存储器技术可以在推理和训练配置之间有 所不同，其中更高带宽的存储器技术专用于训练配置。在至少一个实施例 中，GPGPU 2530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。本文结合图9和/或图10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 2530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。 在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的注视。
图27是示出根据至少一个实施例的计算系统2700的框图。在至少一 个实施例中，计算系统2700包括处理子系统2701，其具有一个或更多个 处理器2702和经由互连路径通信的系统存储器2704，互连路径可以包括 存储器集线器2705。在至少一个实施例中，存储器集线器2705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2702内。在至 少一个实施例中，存储器集线器2705经由通信链路2706与I/O子系统2711 耦合。在至少一个实施例中，I/O子系统2711包括I/O集线器2707，其可 以使计算系统2700能够接收来自一个或更多个输入设备2708的输入。在 至少一个实施例中，I/O集线器2707可以使能显示控制器，其可以包括在 一个或更多个处理器2702中，用于向一个或更多个显示设备2710A提供 输出。在至少一个实施例中，与I/O集线器2707耦合的一个或更多个显示 设备2710A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2701包括经由总线或其他通信链 路2713耦合到存储器集线器2705的一个或更多个并行处理器2712。在至 少一个实施例中，通信链路2713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快速，或者可以是供应商特定的通信接口 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2712形成计 算集中的并行或向量处理系统，其可以包括大量的处理核心和/或处理集群， 例如集成多核心(MIC)处理器。在至少一个实施例中，一个或更多个并 行处理器2712形成可以将像素输出到经由I/O集线器2707耦合的一个或 更多个显示设备2710A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2712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2710B。
在至少一个实施例中，系统存储单元2714可以连接到I/O集线器2707， 以提供用于计算系统2700的存储机制。在至少一个实施例中，I/O开关2716 可以用于提供接口机制，以实现I/O集线器2707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2718和/或无线网络适配器2719，以 及可以经由一个或更多个附加设备2720添加的各种其他设备。在至少一个 实施例中，网络适配器2718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2719可以包括Wi-Fi、蓝牙、近场 通信(NFC)中的一个或更多个或包括一个或更多个无线电的其他网络设 备。
在至少一个实施例中，计算系统2700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2707。在至少一个实施例中，对图27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-快速)，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2712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2712包括针 对通用处理而优化的电路。在至少一个实施例中，计算系统2700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2712、存储器集线器2705、处理器2702和I/O集线器2707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2700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2700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。本文结合图9和/或图10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2700 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
处理器
图28示出了根据至少一个实施例的并行处理器2800。在至少一个实 施例中，并行处理器2800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2800是根据示例性 实施例的图27所示的一个或更多个并行处理器2712的变体。
在至少一个实施例中，并行处理器2800包括并行处理单元2802。在 至少一个实施例中，并行处理单元2802包括I/O单元2804，其使得能够 与其他设备进行通信，包括并行处理单元2802的其他实例。在至少一个实 施例中，I/O单元2804可以直接连接到其他设备。在至少一个实施例中， I/O单元2804通过使用集线器或交换机接口(例如，存储器集线器2705) 与其他设备连接。在至少一个实施例中，存储器集线器2705与I/O单元 2804之间的连接形成通信链路2713。在至少一个实施例中，I/O单元2804 与主机接口2806和存储器交叉开关2816连接，其中主机接口2806接收用 于执行处理操作的命令，而存储器交叉开关2816接收用于执行存储器操作 的命令。
在至少一个实施例中，当主机接口2806经由I/O单元2804接收命令 缓冲区时，主机接口2806可以引导工作操作以执行那些命令到前端2808。 在至少一个实施例中，前端2808与调度器2810耦合，调度器2810配置成 将命令或其他工作项分配给处理集群阵列2812。在至少一个实施例中，调 度器2810确保在将任务分配给处理集群阵列2812之前，处理集群阵列 2812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2810 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2810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2812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2812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2810的微控制器内的调度器2810逻辑在处理 阵列2812上自动分配。
在至少一个实施例中，处理集群阵列2812可以包括多达“N”个处 理集群(例如，集群2814A、集群2814B到集群2814N)。在至少一个实 施例中，处理集群阵列2812的每个集群2814A-2814N可以执行大量并发 线程。在至少一个实施例中，调度器2810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2812的集群2814A-2814N，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2810动态地处理，或者可以在配置为由处理集群阵列2812 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2812的不同的集群2814A-2814N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2812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2812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2812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2812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2812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 2812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2802可以经由I/O单元2804从系统存储器传送数据以进行 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 存储到片上存储器(例如，并行处理器存储器2822)，然后将其写回到系 统存储器。
在至少一个实施例中，当并行处理单元2802用于执行图形处理时， 调度器2810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2812的多个集群2814A-2814N。 在至少一个实施例中，处理集群阵列2812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2814A-2814N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2814A-2814N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2812可以经由调度器2810接收 要执行的处理任务，该调度器2810从前端2808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2810可以配置成获取与任务相对应的索引，或者可以从前端2808 接收索引。在至少一个实施例中，前端2808可以配置成确保在启动由传入 命令缓冲区(例如，批处理缓冲区、推入缓冲区等)指定的工作负载之前， 处理集群阵列2812配置成有效状态。
在至少一个实施例中，并行处理单元2802的一个或更多个实例中的 每一个可以与并行处理器存储器2822耦合。在至少一个实施例中，可以经 由存储器交叉开关2816访问并行处理器存储器2822，所述存储器交叉开 关2816可以接收来自处理集群阵列2812以及I/O单元2804的存储器请求。 在至少一个实施例中，存储器交叉开关2816可以经由存储器接口2818访 问并行处理器存储器2822。在至少一个实施例中，存储器接口2818可以 包括多个分区单元(例如，分区单元2820A、分区单元2820B到分区单元 2820N)，其可各自耦合至并行处理器存储器2822的一部分(例如，存储 单元)。在至少一个实施例中，多个分区单元2820A-2820N为配置为等于 存储单元的数量，使得第一分区单元2820A具有对应的第一存储器单元 2824A，第二分区单元2820B具有对应的存储单元2824B，第N分区单元 2820N具有对应的第N存储器单元2824N。在至少一个实施例中，分区单 元2820A-2820N的数量可以不等于存储设备的数量。
在至少一个实施例中，存储器单元2824A-2824N可以包括各种类型 的存储器设备，包括动态随机存取存储器(DRAM)或图形随机存取存储 器，例如同步图形随机存取存储器(SGRAM)，包括图形双倍数据速率 (GDDR)存储器。在至少一个实施例中，存储器单元2824A-2824N还可 包括3D堆叠存储器，包括但不限于高带宽存储器(HBM)。在至少一个 实施例中，可以跨存储器单元2824A-2824N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2820A-2820N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存储器2822的可用带宽。在至少一个实 施例中，可以排除并行处理器存储器2822的本地实例，以有利于利用系统 存储器与本地高速缓存存储器结合的统一存储器设计。
在至少一个实施例中，处理集群阵列2812的集群2814A-2814N中的 任何一个都可以处理将被写入并行处理器存储器2822内的任何存储器单 元2824A-2824N中的数据。在至少一个实施例中，存储器交叉开关2816 可以配置为将每个集群2814A-2814N的输出传输到任何分区单元 2820A-2820N或另一个集群2814A-2814N，集群2814A-2814N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2814A-2814N可以通 过存储器交叉开关2816与存储器接口2818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，存储器交叉开关 2816具有到存储器接口2818的连接以与I/O单元2804通信，以及到并行 处理器存储器2822的本地实例的连接，从而使不同处理集群2814A-2814N内的处理单元与系统存储器或不是并行处理单元2802本地的其他存储器 进行通信。在至少一个实施例中，存储器交叉开关2816可以使用虚拟通道 来分离集群2814A-2814N和分区单元2820A-2820N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2802 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2802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存储器和/或其他配置差异。例如， 在至少一个实施例中，并行处理单元2802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2802或并行处理器2800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29是根据至少一个实施例的分区单元2820的框图。在至少一个实 施例中，分区单元2820是图28的分区单元2820A-2820N之一的实例。在 至少一个实施例中，分区单元2820包括L2高速缓存2821、帧缓冲区接口 2825和光栅操作单元(“ROP”)2826。L2高速缓存2821是读/写高速缓 存，其配置成执行从存储器交叉开关2816和ROP 2826接收的加载和存储 操作。在至少一个实施例中，L2高速缓存2821将读取未命中和紧急回写 请求输出到帧缓冲区接口2825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2825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2825与并行处理器存储器中的存储器单元(诸如图 28的存储器单元2824A-2824N(例如，在并行处理器存储器2822内)) 之一相互作用。
在至少一个实施例中，ROP 2826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 2826然后输出存 储在图形存储器中的处理后的图形数据。在至少一个实施例中，ROP 2826 包括压缩逻辑以压缩被写入存储器的深度或颜色数据并解压缩从存储器读 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 2826执行的压缩逻辑可以 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 2826包括在每个处理集群内(例如，图 28的集群2814A-2814N)，而不是在分区单元2820内。在至少一个实施 例中，通过存储器交叉开关2816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27的一个或更多个显示设备2710之一)显示，由处理器2702 路由以供进一步处理，或者由图28的并行处理器2800内的处理实体之一 路由以供进一步处理。
图30是根据至少一个实施例的并行处理单元内的处理集群2814的框 图。在至少一个实施例中，处理集群是图28的处理集群2814A-2814N之 一的实例。在至少一个实施例中，一个或更多个处理集群2814中的一个或 更多个可以配置成并行执行许多线程，其中“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2832来控制处理集群2814的操作。在至少一个实施例中， 管线管理器2832从图28的调度器2810接收指令，通过图形多处理器2834 和/或纹理单元2836管理这些指令的执行。在至少一个实施例中，图形多 处理器2834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2814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2814内可以包括图形多处理器2834的 一个或更多个实例。在至少一个实施例中，图形多处理器2834可以处理数 据，并且数据交叉开关2840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2832 可以通过指定要针对数据交叉开关2840分配的处理数据的目的地来促进处理数据的分配。
在至少一个实施例中，处理集群2814内的每个图形多处理器2834 可以包括相同的一组功能执行逻辑(例如，算术逻辑单元、负载存储单元 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2814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2834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2834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2834 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2834内的处理引擎更多的线程时，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2834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2834包括内部高速缓存存储器， 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2834可以放 弃内部高速缓存并使用处理集群2814内的高速缓存存储器(例如，L1高 速缓存2848)。在至少一个实施例中，每个图形多处理器2834还可以访 问分区单元(例如，图28的分区单元2820A-2820N)内的L2高速缓存， 这些分区单元在所有处理集群2814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2834还可以访问片外全局存 储器，其可以包括本地并行处理器存储器和/或系统存储器中的一个或更多 个。在至少一个实施例中，并行处理单元2802外部的任何存储器都可以用 作全局存储器。在至少一个实施例中，处理集群2814包括图形多处理器 2834的多个实例，它们可以共享可以存储在L1高速缓存2848中的公共指 令和数据。
在至少一个实施例中，每个处理集群2814可以包括配置成将虚拟地 址映射为物理地址的存储器管理单元(“MMU”)2845。在至少一个实施 例中，MMU 2845的一个或更多个实例可以驻留在图28的存储器接口2818 内。在至少一个实施例中，MMU 2845包括一组页表条目(PTE)，其用 于将虚拟地址映射到图块的物理地址以及可选地映射到高速缓存存储器行。 在至少一个实施例中，MMU 2845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2834或L1高速缓存或处理集群2814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行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2814，使得每个图形多处 理器2834耦合到纹理单元2836，以执行纹理映射操作，例如，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2834内的L1 高速缓存中读取纹理数据，并从L2高速缓存、本地并行处理器存储器或系统存储器中获取纹理数据。在至少一个实施例中，每个图形多处理器 2834将处理后的任务输出到数据交叉开关2840，以将处理后的任务提供给 另一处理集群2814以进行进一步处理或将处理后的任务存储在L2高速缓 存、本地并行处理器存储器、或经由存储器交叉开关2816的系统存储器中。 在至少一个实施例中，preROP 2842(光栅前操作单元)配置成从图形多处 理器2834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28的分区单元2820A-2820N)一起定位。在至少 一个实施例中，PreROP 2842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。本文结合图9和/或图10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2814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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于 与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观 察者的注视。
图31示出了根据至少一个实施例的图形多处理器2834。在至少一个 实施例中，图形多处理器2834与处理集群2814的管线管理器2832耦合。 在至少一个实施例中，图形多处理器2834具有执行管线，该执行管线包括 但不限于指令高速缓存2852、指令单元2854、地址映射单元2856、寄存 器文件2858、一个或更多个通用图形处理单元(GPGPU)核心2862和一 个或更多个加载/存储单元2866。GPGPU核心2862和加载/存储单元2866 与高速缓存存储器2872和共享存储器2870通过存储器和高速缓存互连 2868耦合。
在至少一个实施例中，指令高速缓存2852从管线管理器2832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 2852中并将其分派以供指令单元2854执行。在一个实施例中，指令单元 2854可以分派指令作为线程组(例如，线程束)，将每个线程组分配给 GPGPU核心2862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2856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2866访问的不同的存储器地址。
在至少一个实施例中，寄存器文件2858为图形多处理器2834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2858为连接到 图形多处理器2834的功能单元(例如，GPGPU核心2862、加载/存储单元 2866)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2858，使得为每个功能单元分配寄存器文 件2858的专用部分。在至少一个实施例中，寄存器文件2858在图形多处 理器2834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2862可以各自包括用于执行图形 多处理器2834的指令的浮点单元(FPU)和/或整数算术逻辑单元(ALU)。 GPGPU核心2862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2862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 754-2808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2834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2862包括能够对多组数据执行单 个指令的SIMD逻辑。在至少一个实施例中，GPGPU核心2862可以物理 地执行SIMD4、SIMD8和SIMD16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，存储器和高速缓存互连2868是将图形多处理 器2834的每个功能单元连接到寄存器文件2858和共享存储器2870的互连 网络。在至少一个实施例中，存储器和高速缓存互连2868是交叉开关互连， 其允许加载/存储单元2866在共享存储器2870和寄存器文件2858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2858可以以与 GPGPU核心2862相同的频率操作，从而在GPGPU核心2862和寄存器文 件2858之间进行数据传输的延迟非常低。在至少一个实施例中，共享存储 器2870可以用于启用在图形多处理器2834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，高速缓存存储器2872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2836之间通信的纹理数据。 在至少一个实施例中，共享存储器2870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存储器2872中的自动高速缓存 的数据之外，在GPGPU核心2862上执行的线程还可以以编程方式将数据 存储在共享存储器中。
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(例如，封装或芯片内部的)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。本文结合图9和/或图10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2834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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于 与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观 察者的注视。
图32示出了根据至少一个实施例的多GPU计算系统3200。在至少 一个实施例中，多GPU计算系统3200可以包括经由主机接口开关3204 耦合到多个通用图形处理单元(GPGPU)3206A-D的处理器3202。在至少 一个实施例中，主机接口开关3204是将处理器3202耦合到PCI快速 (express)总线的PCI快速交换设备，处理器3202可以通过PCI快速总 线与GPGPU 3206A-D通信。GPGPU 3206A-D可以经由一组高速点对点 GPU到GPU链路3216互连。在至少一个实施例中，GPU到GPU链路3216 经由专用GPU链路连接到每个GPGPU 3206A-D。在至少一个实施例中， P2P GPU链路3216使得能够在每个GPGPU 3206A-D之间进行直接通信，而无需通过处理器3202所连接的主机接口总线3204进行通信。在至少一 个实施例中，在GPU到GPU业务被定向到P2P GPU链路3216的情况下， 主机接口总线3204保持可用于系统存储器访问或例如经由一个或更多个 网络设备与多GPU计算系统3200的其他实例通信。尽管在至少一个实施 例中，GPGPU 3206A-D经由主机接口开关3204连接到处理器3202，但是 在至少一个实施例中，处理器3202包括对P2P GPU链接3216的直接支持， 并且可以直接连接到GPGPU 3206A-D。
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。本文结合图9和/或图10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可以在多GPU 计算系统3200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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于 与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观 察者的注视。
图33是根据至少一个实施例的图形处理器3300的框图。在至少一个 实施例中，图形处理器3300包括环形互连3302、管线前端3304、媒体引 擎3337和图形核心3380A-3380N。在至少一个实施例中，环形互连3302 将图形处理器3300耦合到其他处理单元，包括其他图形处理器或一个或更 多个通用处理器核心。在至少一个实施例中，图形处理器3300是集成在多 核处理系统内的许多处理器之一。
在至少一个实施例中，图形处理器3300经由环形互连3302接收数批 命令。在至少一个实施例中，输入命令由管线前端3304中的命令流传输器 3303解释。在至少一个实施例中，图形处理器3300包括可扩展执行逻辑， 以经由图形核心3380A-3380N执行3D几何处理和媒体处理。在至少一个 实施例中，对于3D几何处理命令，命令流化器3303将命令提供给几何管 线3336。在至少一个实施例中，对于至少一些媒体处理命令，命令流化器 3303将命令提供给视频前端3334，其耦合有媒体引擎3337。在至少一个 实施例中，媒体引擎3337包括用于视频和图像后处理的视频质量引擎 (VQE)3330，以及用于提供硬件加速媒体数据编码和解码的多格式编码/ 解码(MFX)3333引擎。在至少一个实施例中，几何管线3336和媒体引 擎3337各自生成用于由至少一个图形核心3380A提供的线程执行资源的 执行线程。
在至少一个实施例中，图形处理器3300包括在模块化核心 3380A-3380N(有时称为核心片)中起重要作用的可伸缩线程执行资源， 每个模块化核心具有多个子核心3350A-550N，3360A-3360N(有时称为核 心子片)。在至少一个实施例中，图形处理器3300可以具有任意数量的图 形核心3380A至3380N。在至少一个实施例中，图形处理器3300包括具 有至少第一子核心3350A和第二子核心3360A的图形核心3380A。在至少 一个实施例中，图形处理器3300是具有单个子核心(例如3350A)的低功 率处理器。在至少一个实施例中，图形处理器3300包括多个图形核心 3380A-3380N，每个图形核心包括一组第一子核心3350A-3350N和一组第 二子核心3360A-3360N。在至少一个实施例中，第一子核心3350A-3350N 中的每个子核心至少包括第一组执行单元3352A-3352N和媒体/纹理采样 器3354A-3354N。在至少一个实施例中，第二子核心3360A-3360N中的每 个子核心至少包括第二组执行单元3362A-3362N和采样器3364A-3364N。 在至少一个实施例中，每个子核心3350A-3350N，3360A-3360N共享一组 共享资源3370A-3370N。在至少一个实施例中，共享资源包括共享高速缓 冲存储器和像素操作逻辑。
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。本文结合图9和/或图10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 处理器3000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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与 一个或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察 者的注视。
图34是示出根据至少一个实施例的用于处理器3400的微架构的框图， 该处理器3400可以包括执行指令的逻辑电路。在至少一个实施例中，处理 器3400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3400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3400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3400包括有序前端(“前端”)3401， 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3401可以包括几个单元。在至少一个实施例中，指令预取 器3426从存储器中获取指令并将指令提供给指令解码器3428，指令解码 器3428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3428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3428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，追踪高速缓存3430可以将解码的微指令组装成微指令队列3434 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3430遇到复杂指令时，微码ROM 3432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3428可以访问微码 ROM 3432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3428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 3432中。在至少一 个实施例中，追踪高速缓存器3430参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 3432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 3432完成对指令的微操作排序之后，机器的前端3401可以恢复从追踪高 速缓存3430获取微操作。
在至少一个实施例中，乱序执行引擎(“乱序引擎”)3403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。在至少一个实施例中，乱序执行引擎3403包括但不限于分配器/寄存 器重命名器3440、存储器微指令队列3442、整数/浮点微指令队列3444、 存储器调度器3446、快速调度器3402、慢速/通用浮点调度器(“慢速/通 用FP调度器”)3404和简单浮点调度器(“简单FP调度器”)3406。在 至少一个实施例中，快速调度器3402、慢速/通用浮点调度器3404和简单 浮点调度器3406也统称为“微指令调度器3402、3404、3406”。在至少 一个实施例中，分配器/寄存器重命名器3440分配每个微指令按顺序执行 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3440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3440还为两个微指令队列之一中的每个微指令分 配条目，存储器微指令队列3442用于存储器操作和整数/浮点微指令队列 3444用于非存储器操作，在存储器调度器3446和微指令调度器3402、3404、 3406的前面。在至少一个实施例中，微指令调度器3402、3404、3406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3402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3404和简单浮点调度器3406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3402、3404、3406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3408、浮点寄存器文件/支路网络(“FP寄存器文件/支路网络”) 3410、地址生成单元(“AGU”)3412和3414、快速算术逻辑单元(“快 速ALU”)3416和3418、慢速算术逻辑单元(“慢速ALU”)3420、浮 点ALU(“FP”)3422和浮点移动单元(“FP移动”)3424。在至少一 个实施例中，整数寄存器文件/支路网络3408和浮点寄存器文件/旁路网络 3410在本文中也称为“寄存器文件3408、3410”。在至少一个实施例中， AGU 3412和3414、快速ALU 3416和3418、慢速ALU3420、浮点ALU 3422 和浮点移动单元3424在本文中也称为“执行单元3412、3414、3416、3418、 3420、3422和3424”。在至少一个实施例中，执行块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3408、3410可以布置在微指令调 度器3402、3404、3406与执行单元3412、3414、3416、3418、3420、3422 和3424之间。在至少一个实施例中，整数寄存器文件/支路网络3408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3410执行浮 点操作。在至少一个实施例中，寄存器文件3408、3410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 3408、3410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3408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3410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3412、3414、3416、3418、3420、 3422、3424可以执行指令。在至少一个实施例中，寄存器文件3408、3410 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3400可以包括但不限于任何数量的执行单元3412、3414、3416、 3418、3420、3422、3424及其组合。在至少一个实施例中，浮点ALU 3422和浮点移动单元3424，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 3422 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 3416、3418。在 至少一个实施例中，快速ALUS 3416、3418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 3420，因为慢速ALU 3420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，存储器加载/存储操作可以由AGUS 3412、3414执行。在至少一 个实施例中，快速ALU 3416、快速ALU 3418和慢速ALU 3420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 3416、快速ALU 3418和慢速ALU 3420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 3422和浮点移 动单元3424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 3422和浮点移动单元3424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3402、3404、3406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3400 中推测性地调度和执行微指令，处理器3400还可以包括用于处理存储器未 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。本文结合图9和/或图10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3411以及示出或未示出的其他存储器或寄存器。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块3411 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存储器和/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3411 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于 基于与一个或更多个观察者并不总是可见的事件或对象相对应的注视来预 测观察者的注视。
图35示出了根据至少一个实施例的深度学习应用处理器3500。在至 少一个实施例中，深度学习应用处理器3500使用指令，如果由深度学习应 用处理器3500执行，则指令使深度学习应用处理器3500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3500是专用集成电路(ASIC)。在至少一个实施例中，应用处理器3500 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3500包括但不 限于处理集群3510(1)-3510(12)、芯片间链路(“ICL”)3520(1) -3520(12)、芯片间控制器(“ICC”)3530(1)-3530(2)、存储器控 制器(“Mem Ctrlrs”)3542(1)-3542(4)、高带宽存储器物理层(“HBMPHY”)3544(1)-3544(4)、管理控制器中央处理单元(“管理控制 器CPU”)3550、外围组件互连快速控制器和直接存储器访问块(“PCIe 控制器和DMA”)3570、以及十六通道外围组件互连快速端口(“PCI Express x 16”)3580。
在至少一个实施例中，处理集群3510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3510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3500可以包括任何数量和类型的处理集群3500。在至少一个实施例中， 芯片间链路3520是双向的。在至少一个实施例中，芯片间链路3520和芯 片间控制器3530使多个深度学习应用处理器3500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3500可以包括任意 数量(包括零)和类型的ICL 3520和ICC 3530。
在至少一个实施例中，HBM2 3540提供总共32GB的存储器。HBM2 3540(i)与存储器控制器3542(i)和HBM PHY 3544(i)都相关联。在 至少一个实施例中，任何数量的HBM23540可以提供任何类型和总量的高 带宽存储器，并且可以与任何数量(包括零)和类型的存储器控制器3542 和HBM PHY 3544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 3560、PCIe控制器和DMA 3570和/或PCIe3580， 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。本文结合图9和/或图10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3500 的信息。在至少一个实施例中，深度学习应用处理器3500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3500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3500可以用于执行本文所述的一个或更多个神经网络用例。
图36是根据至少一个实施例的神经形态处理器3600的框图。在至少 一个实施例中，神经形态处理器3600可以从神经形态处理器3600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3600内的一个或更多个神经元3602。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3602及其组件。在至少一个实施例中，神经形态处理器3600可 以包括但不限于成千上万个神经元3602的实例，但是可以使用任何合适数 量的神经元3602。在至少一个实施例中，神经元3602的每个实例可以包 括神经元输入3604和神经元输出3606。在至少一个实施例中，神经元3602 可以生成可以传输到神经元3602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3604和神经元输出3606可以经由突触3608互连。
在至少一个实施例中，神经元3602和突触3608可以互连，使得神经 形态处理器3600操作以处理或分析由神经形态处理器3600接收的信息。 在至少一个实施例中，当通过神经元输入3604接收到的输入超过阈值时， 神经元3602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3602可以对在神经元输入3604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3602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 3602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3604 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3604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3602 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3602可以包括但不 限于当将传递函数应用于神经元输入3604的结果超过阈值时在神经元输 出3606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3602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3602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3602可以通过突触3608互连。在至少 一个实施例中，突触3608可以操作以将从第一神经元3602的输出的信号 传输到第二神经元3602的输入。在至少一个实施例中，神经元3602可以 在一个以上的突触3608实例上传输信息。在至少一个实施例中，神经元输 出3606的一个或更多个实例可以通过突触3608的实例连接到同一神经元 3602中神经元输入3604的实例。在至少一个实施例中，相对于突触3608 的那个实例，神经元3602的实例产生要在突触3608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3608 的实例，神经元3602的实例接收通过突触3608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3608的各种实例， 因为神经元3602的实例可以接收来自一个或更多个突触3608实例的输入，并且还可以通过一个或更多个突触3608实例传输输出，因此神经元3602 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3602可以被组织成一层或更多层。神 经元3602的每个实例可以具有一个神经元输出3606，该神经元输出3606 可以通过一个或更多个突触3608扇出到一个或更多个神经元输入3604。 在至少一个实施例中，第一层3610中的神经元3602的神经元输出3606 可以连接到第二层3612中的神经元3602的神经元输入3604。在至少一个 实施例中，层3610可以被称为“前馈层”。在至少一个实施例中，在第一 层3610的实例中神经元3602的每个实例可以扇出到第二层3612中的神经 元3602的每个实例。在至少一个实施例中，第一层3610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3612的每个实例中的 神经元3602的每个实例扇出到少于在第三层3614中的神经元3602的所有 实例。在至少一个实施例中，第二层3612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3612中的神经元3602可以扇出到多个其他 层中的神经元3602，包括(相同)第二层3612中的神经元3602。在至少 一个实施例中，第二层3612可以被称为“循环层”。在至少一个实施例中， 神经形态处理器3600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3600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3608连接到神经元3602。 在至少一个实施例中，神经形态处理器3600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3602。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3608连接到神经元3602。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。在至少一个实 施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图37是根据至少一个实施例的处理系统的框图。在至少一个实施例 中，系统3700包括一个或更多个处理器3702和一个或更多个图形处理器 3708，并且可以是单处理器台式机系统，多处理器工作站系统或具有大量 处理器3702或处理器核心3707的服务器系统。在至少一个实施例中，系 统3700是结合在片上系统(SoC)集成电路内的处理平台，用于在移动、 手持或嵌入式设备中使用。
在至少一个实施例中，系统3700可以包括或结合在基于服务器的游 戏平台中，包括游戏和媒体控制台、移动游戏控制台、手持游戏控制台或 在线游戏控制台的游戏控制台。在至少一个实施例中，系统3700是移动电 话、智能电话、平板计算设备或移动互联网设备。在至少一个实施例中， 处理系统3700还可包括可穿戴设备，与可穿戴设备耦合或集成在可穿戴设 备中，可穿戴设备例如智能手表可穿戴设备、智能眼镜设备、增强现实设 备或虚拟现实设备。在至少一个实施例中，处理系统3700是电视或机顶盒 设备，其具有一个或更多个处理器3702以及由一个或更多个图形处理器 3708生成的图形界面。
在至少一个实施例中，一个或更多个处理器3702各自包括一个或更 多个处理器核心3707，以处理指令，这些指令在被执行时执行针对系统和 用户软件的操作。在至少一个实施例中，一个或更多个处理器核心3707 中的每一个被配置为处理特定指令集3709。在至少一个实施例中，指令集 3709可以促进复杂指令集计算(CISC)、精简指令集计算(RISC)、或 通过超长指令字(VLIW)进行计算。在至少一个实施例中，处理器核心 3707每个可以处理不同的指令集3709，该指令集3709可以包括促进对其 他指令集进行仿真的指令。在至少一个实施例中，处理器核心3707还可以 包括其他处理设备，例如数字信号处理器(DSP)。
在至少一个实施例中，处理器3702包括高速缓冲存储器3704。在至 少一个实施例中，处理器3702可以具有单个内部高速缓存或多个级别的内 部高速缓存。在至少一个实施例中，高速缓冲存储器在处理器3702的各个 组件之间共享。在至少一个实施例中，处理器3702还使用外部高速缓存(例 如，三级(L3)高速缓存或最后一级高速缓存(LLC))(未示出)，外 部高速缓存可以使用已知的高速缓存一致性技术在处理器内核3707之间 共享该处理器。在至少一个实施例中，寄存器文件3706另外包括在处理器 3702中，该处理器文件可以包括用于存储不同类型的数据的不同类型的寄 存器(例如，整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器)。 在至少一个实施例中，寄存器堆3706可以包括通用寄存器或其他寄存器。
在至少一个实施例中，一个或更多个处理器3702与一个或更多个接 口总线3710耦合，以在处理器3702与系统3700中的其他组件之间传输通 信信号，例如地址、数据或控制信号。在至少一个实施例中，接口总线3710 可以是处理器总线，例如直接媒体接口(DMI)总线的版本。在至少一个 实施例中，接口3710不限于DMI总线，并且可以包括一个或更多个外围 组件互连总线(例如，PCI、PCI快速)、存储器总线或其他类型的接口总 线。在至少一个实施例中，处理器3702包括集成存储器控制器3716和平 台控制器集线器3730。在至少一个实施例中，存储器控制器3716促进存 储器设备与系统3700的其他组件之间的通信，而平台控制器集线器(PCH) 3730通过本地I/O总线提供到I/O设备的连接。
在至少一个实施例中，存储器设备3720可以是动态随机存取存储器 (DRAM)设备、静态随机存取存储器(SRAM)设备、闪存设备、相变 存储器设备或具有适当的性能的一切其他存储器设备以用作进程存储器。 在至少一个实施例中，存储器设备3720可以用作系统3700的系统存储器， 以存储在一个或多个处理器3702执行应用或处理时使用的数据3722和指 令3721。在至少一个实施例中，存储器控制器3716还与可选的外部图形 处理器3712耦合，该外部图形处理器3712可以与处理器3702中的一个或 更多个图形处理器3708通信以执行图形和媒体操作。在至少一个实施例中， 显示设备3711可以连接至处理器3702。在至少一个实施例中，显示设备 3711可以包括例如在移动电子设备或膝上型计算机设备或便携式计算机 中的内部显示设备或通过显示接口(例如DisplayPort等)连接的外部显示设备中的一个或更多个。在至少一个实施例中，显示设备3711可以包括头 戴式显示器(HMD)，诸如用于虚拟现实(VR)应用或增强现实(AR) 应用的立体显示设备。
在至少一个实施例中，平台控制器集线器3730使外围设备能够通过 高速I/O总线连接到存储设备3720和处理器3702。在至少一个实施例中， I/O外围设备包括但不限于音频控制器3746、网络控制器3734、固件接口 3728、无线收发器3726、触摸传感器3725、数据存储设备3724(例如， 硬盘驱动器、闪存等)。在至少一个实施例中，数据存储设备3724可以经 由存储接口(例如，SATA)或经由诸如外围部件互连总线(例如，PCI， PCI快速)的外围总线来连接。在至少一个实施例中，触摸传感器3725 可以包括触摸屏传感器、压力传感器或指纹传感器。在至少一个实施例中， 无线收发器3726可以是Wi-Fi收发器、蓝牙收发器或诸如3G、4G或长期 演进(LTE)收发器的移动网络收发器。在至少一个实施例中，固件接口3728使能与系统固件的通信，并且可以是例如统一的可扩展固件接口 (UEFI)。在至少一个实施例中，网络控制器3734可以启用到有线网络 的网络连接。在至少一个实施例中，高性能网络控制器(未示出)与接口 总线3710耦合。在至少一个实施例中，音频控制器3746是多通道高清晰 度音频控制器。在至少一个实施例中，系统3700包括可选的传统I/O控制 器3740，用于将传统(例如，个人系统2(PS/2))设备耦合到系统。在 至少一个实施例中，平台控制器集线器3730还可以连接到一个或更多个通 用串行总线(USB)控制器3742，一个或更多个通用串行总线(USB)控 制器3742连接输入设备，诸如键盘和鼠标3743组合、相机3744或其他 USB输入设备。
在至少一个实施例中，可以将存储器控制器3716和平台控制器集线 器3730的实例集成到分立的外部图形处理器中，例如外部图形处理器3712。 在至少一个实施例中，平台控制器集线器3730和/或存储控制器3716可以 在一个或更多个处理器3702的外部。例如，在至少一个实施例中，系统 3700可以包括外部存储控制器3716和平台控制器集线器3730，其可以被 配置为存储控制器集线器和与处理器3702通信的系统芯片组内的外围控制器集线器。
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。在此结合图9和/或图10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3700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体现在3D管线3712中的一个或更多个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 用除了图10或图10所示的逻辑之外的逻辑来完成。在至少一个实施例中， 权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中， 所述存储器和/或寄存器配置图形处理器3700的ALU以执行本文描述的一 种或更多种机器学习算法、神经网络架构、用例或训练技术。在至少一个 实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图38是根据至少一个实施例的具有一个或多个处理器核心 3802A-3802N，集成存储器控制器3814和集成图形处理器3808的处理器 3800的框图。在至少一个实施例中，处理器3800可包括相当于和包括由 虚线框表示的附加核心3802N的附加核心。在至少一个实施例中，处理器 核心3802A-3802N中的每一个包括一个或更多个内部高速缓存单元 3804A-3804N。在至少一个实施例中，每个处理器核心还可以访问一个或 更多个共享高速缓存的单元3806。
在至少一个实施例中，内部高速缓存单元3804A-3804N和共享高速 缓存单元3806表示处理器3800内的高速缓存存储器层次结构。在至少一 个实施例中，高速缓存存储器单元3804A-3804N可以包括至少一级指令和 每个处理器核心和一个或更多个共享中级缓存级别中的数据缓存，例如级 别2(L2)、级别3(L3)、级别4(L4)或其他级别的缓存，其中在外部存储器之前的最高级别缓冲为归类为LLC。在至少一个实施例中，高速 缓存一致性逻辑维持各种高速缓存单元3806和3804A-3804N之间的一致 性。
在至少一个实施例中，处理器3800还可包括一组一个或更多个总线 控制器单元3816和系统代理核心3810。在至少一个实施例中，一个或更 多个总线控制器单元3816管理一组外围总线，例如一个或更多个PCI或 PCI快速总线。在至少一个实施例中，系统代理核心3810为各种处理器组 件提供管理功能。在至少一个实施例中，系统代理核心3810包括一个或更 多个集成存储器控制器3814，以管理对各种外部存储器设备(未示出)的 访问。
在至少一个实施例中，一个或更多个处理器核心3802A-3802N包括 对同时多线程的支持。在至少一个实施例中，系统代理核心3810包括用于 在多线程处理期间协调和操作核心3802A-3802N的组件。在至少一个实施 例中，系统代理核心3810可以另外包括功率控制单元(PCU)，该功率控 制单元包括逻辑和组件以调节处理器核心3802A-3802N和图形处理器 3808的一个或更多个功率状态。
在至少一个实施例中，处理器3800另外包括图形处理器3808以执行 图形处理操作。在至少一个实施例中，图形处理器3808与共享高速缓存单 元3806和包括一个或更多个集成存储器控制器3814的系统代理核心3810 耦合。在至少一个实施例中，系统代理核心3810还包括用于驱动图形处理 器输出到一个或多个耦合的显示器的显示控制器3811。在至少一个实施例 中，显示控制器3811也可以是经由至少一个互连与图形处理器3808耦合的独立模块，或者可以集成在图形处理器3808内。
在至少一个实施例中，基于环的互连单元3812用于耦合处理器3800 的内部组件。在至少一个实施例中，可以使用替代性互连单元，例如点对 点互连、交换互连或其他技术。在至少一个实施例中，图形处理器3808 经由I/O链路3813与环形互连3812耦合。
在至少一个实施例中，I/O链路3813代表多种I/O互连中的至少一种， 包括便于各种处理器组件与高性能嵌入式存储器模块3818(例如eDRAM 模块)之间的通信的封装上I/O互连。在至少一个实施例中，处理器核心 3802A-3802N和图形处理器3808中的每一个使用嵌入式存储器模块3818 作为共享的最后一级高速缓存。
在至少一个实施例中，处理器核心3802A-3802N是执行公共指令集 架构的同质核心。在至少一个实施例中，处理器核心3802A-3802N在指令 集架构(ISA)方面是异构的，其中一个或更多个处理器核心3802A-3802N 执行一个公共指令集，而一个或更多个其他处理器核心3802A-38-02N执 行公共指令集或不同指令集的子集。在至少一个实施例中，就微架构而言， 处理器核心3802A-3802N是异构的，其中具有相对较高功耗的一个或更多 个核心与具有较低功耗的一个或更多个功率核心耦合。在至少一个实施例 中，处理器3800可以被实现在一个或更多个芯片上或被实现为SoC集成 电路。
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。在此结合图9和/或图10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，推论和/或训练逻辑1015的部分或全 部可以被并入图形处理器3800中。例如，在至少一个实施例中，本文描述 的训练和/或推论技术可以使用体现在图形处理器3712、图形核心3802A-3802N或图38中的其他组件中。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9或图10所示的逻辑之外的逻辑 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存储器和/ 或寄存器(示出或未示出)中，所述寄存器和/或寄存器配置图形处理器3800 的ALU以执行本文介绍的一种或更多种机器学习算法、神经网络架构、用 例或训练技术。在至少一个实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图39是根据本文所述的至少一个实施例的图形处理器核心3900的硬 件逻辑的框图。在至少一个实施例中，图形处理器核心3900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3900(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3900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3900可以包括与多个子核心 3901A-3901F耦合的固定功能块3930，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3930包括几何/固定功能管线3936， 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3936可以由图形处理器3900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3936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。
在至少一个实施例中，固定功能块3930还包括图形SoC接口3937、 图形微控制器3938和媒体管线3939。在固定的至少一个实施例中，图形 SoC接口3937提供了图形核心3900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3938是可编程子 处理器，其可配置为管理图形处理器3900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3939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3939经由对子核心3901-3901F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3937使图形核心3900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，包括存储器层 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3937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3900和SoC内部的CPU之间共享的全局存 储器原子。在至少一个实施例中，SoC接口3937还可以实现用于图形核心 3900的电源管理控制，并且启用图形核心3900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3937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3939，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3936、几何形状和固定功能管线3914)。
在至少一个实施例中，图形微控制器3938可以配置为对图形核心 3900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3938 可以在子核心3901A-3901F中的执行单元(EU)阵列3902A-3902F、 3904A-3904F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3900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3938还可以促进图形核心3900 的低功率或空闲状态，从而为图形核心3900提供在图形核心3900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3900可以具有比所示的子核心 3901A-3901F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3900还可以包括共享功能逻辑3910、共享和/或 高速缓存存储器3912、几何/固定功能管线3914以及附加的固定功能逻辑 3916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3910可以包括可由图形核心3900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)。在至少一个实施例中，固 定、共享和/或缓存存储器3912可以是图形核心3900内的N个子核心 3901A-3901F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 的共享存储器。在至少一个实施例中，可以包括几何/固定功能管线3914来代替固定功能块3930内的几何/固定功能管线3936，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3900包括附加的固定功能逻辑3916， 其可以包括供图形核心3900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3916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3916、3936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3916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3916 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3916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3901A-3901F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3901A-3901F 包括多个EU阵列3902A-3902F、3904A-3904F，线程分派和线程间通信 (TD/IC)逻辑3903A-3903F，3D(例如，纹理)采样器3905A-3905F，媒体采样器3906A-3906F，着色器处理器3907A-3907F和共享本地存储器(SLM)3908A-3908F。EU阵列3902A-3902F、3904A-3904F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3903A-3903F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 3905A-3905F可以将与纹理或其他3D图形相关的数据读取到存储器中。 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3906A-3906F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3901A-3901F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 3901A-3901F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 地存储器3908A-3908F，以使在线程组内执行的线程能够使用片上存储器 的公共池来执行。
推理和/或训练逻辑915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。本文结合图9和/或图10提供关于推理和/或训练逻辑 915的细节。在至少一个实施例中，推理和/或训练逻辑915的部分或全部 可以被合并到图形处理器3910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3910、图形微控制器3938、几何和 固定功能管线3914和3936或图35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9或图10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存储器和/或寄存器(示出或未示出)中，所 述权重参数配置图形处理器3900的ALU以执行本文介绍的一种或更多种 机器学习算法、神经网络架构、用例或训练技术。在至少一个实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图40-图41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4000。图40示出了至少一个实施例，其中 使用了线程执行逻辑4000。图41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40中所示，在至少一个实施例中，线程执行逻辑4000包括着色 器处理器4002、线程分派器4004、指令高速缓存4006、包括多个执行单 元4008A-4008N的可缩放执行单元阵列、采样器4010、数据高速缓存4012 和数据端口4014。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4008A、4008B、4008C、4008D、到4008N-1和4008N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4000 包括通过指令高速缓存4006、数据端口4014、采样器4010和执行单元 4008A-4008N中的一个或更多个到存储器(诸如系统存储器或高速缓存存 储器)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 4008A)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4008A-4008N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4008A-4008N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4002可以处理各种着色器程序 并经由线程分派器4004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4004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4008A-4008N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4004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4008A-4008N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4008A-4008N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 更高的延迟存储器访问。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，在等待来自存储器或共享功能之一的数据时， 执行单元4008A-4008N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4008A-4008N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4008A-4008N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(4007A-4007N)的融合执行单元 4009A-4009N。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组中的每个EU可以配置为执行单独的 SIMD硬件线程。融合的EU组中的EU的数量可以根据各种实施例而变化。 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4009A-4009N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4009A包括第一EU4008A、第二EU4008B以及第一EU4008A和第二EU4008B共有的线程控制逻辑4007A。在至少一个实施例中，线程 控制逻辑4007A控制在融合图形执行单元4009A上执行的线程，从而允许 融合执行单元4009A-4009N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4006) 被包括在线程执行逻辑4000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4012)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4010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4010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4000。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 4002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4002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4002经由线程分派器4004将线程分派到 执行单元(例如4008A)。在至少一个实施例中，着色器处理器4002使用采样器4010中的纹理采样逻辑来访问存储在存储器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4014提供了一种用于线程执行逻辑 4000的存储器访问机制，以将处理后的数据输出到存储器以在图形处理器 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4014包括或 耦合到一个或更多个高速缓存存储器(例如，数据高速缓存4012)以高速 缓存数据以便经由数据端口进行存储器访问。
如图41所示，在至少一个实施例中，图形执行单元4008可以包括指 令获取单元4037、通用寄存器文件阵列(GRF)4024、架构寄存器文件阵 列(ARF)4026、线程仲裁器4022、发送单元4030、分支单元4032、一 组SIMD浮点单元(FPU)4034，以及在至少一个实施例中，一组专用整 数SIMD ALU4035。在至少一个实施例中，GRF4024和ARF4026包括一 组与可以在图形执行单元4008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ARF4026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GRF4024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ARF4026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4008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4008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 4008的线程仲裁器4022可以将指令分派到发送单元4030、分支单元4042 或SIMD FPU 4034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 4024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 4024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 4024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4030执行的“发送” 指令来调度存储器操作、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4032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4008包括一个或更多个SIMD 浮点单元(FPU)4034，以执行浮点操作。在至少一个实施例中，FPU 4034 还支持整数计算。在至少一个实施例中，FPU 4034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，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 4035，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4008的多个实例的阵列。在至少一个实施例中，执行单 元4008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4008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。本文结合图9和/或图10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4000中。此外，在至少一个实施例中，可以使用 除了图9或图10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存储器和/ 或寄存器(示出或未示出)中，其配置执行逻辑4000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。在 至少一个实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图42示出了根据至少一个实施例的并行处理单元(“PPU”)4200。 在至少一个实施例中，PPU 4200配置有机器可读代码，该机器可读代码如 果由PPU 4200执行，则使得PPU4200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，PPU4200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 4200执行的一组指令的实例。在至少一个实施例中，PPU 4200 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道，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，PPU 4200用于执行计算，诸如线性代数运算和机器学习运算。图 42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 4200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 4200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 4200包括但不限于输入/输出(“I/O”) 单元4206、前端单元4210、调度器单元4212、工作分配单元4214、集线 器4216、交叉开关(“Xbar”)4220、一个或更多个通用处理集群(“GPC”) 4218和一个或更多个分区单元(“内存分区单元”)4222。在至少一个实 施例中，PPU 4200通过一个或更多个高速GPU互连(“GPU互连”)4208 连接到主机处理器或其他PPU 4200。在至少一个实施例中，PPU 4200通 过互连4202连接到主机处理器或其他外围设备。在一实施例中，PPU 4200 连接到包括一个或更多个存储器设备(“存储器”)4204的本地存储器。 在至少一个实施例中，存储器设备4204包括但不限于一个或更多个动态随 机存取存储器(“DRAM”)设备。在至少一个实施例中，一个或更多个 DRAM设备配置和/或可配置为高带宽存储器(“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4208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PPU4200(“CPU”)，支持PPU 4200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4208 通过集线器4216将数据和/或命令传输到PPU 4200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42 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4206配置为通过系统总线4202从主 机处理器(图42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4206直接通过系统总线4202或通过一个或更 多个中间设备(例如存储器桥)与主机处理器通信。在至少一个实施例中，I/O单元4206可以经由系统总线4202与一个或更多个其他处理器(例如一个或更多个PPU 4200)通信。在至少一个实施例中，I/O单元4206实现 外围组件互连快速(“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4206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4206对经由系统总线4202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 4200执行各种操作的命令。在至少一个实施例中，I/O单元4206如命令所 指定的那样将解码的命令发送到PPU 4200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4210和/或被发送到集线器4216或PPU 4200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42中未明确示出)。在至少一个实施例中，I/O单元 4206配置为在PPU 4200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 4200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PPU4200两者访问(例如，读/写) 的存储器中的区域—主机接口单元可以配置为访问经由I/O单元4206通过 系统总线4202传输的存储器请求连接到系统总线4202的系统存储器中的缓冲区。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 4200，使得前端单元4210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 4200的各个单元。
在至少一个实施例中，前端单元4210耦合到调度器单元4212，该调 度器单元4212配置各种GPC 4218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4212配置为追踪与调度器单元4212 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 4218，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4212管理在一个或更多个GPC 4218上 执行的多个任务。
在至少一个实施例中，调度器单元4212耦合到工作分配单元4214， 该工作分配单元4214配置为分派任务以在GPC 4218上执行。在至少一个 实施例中，工作分配单元4214追踪从调度器单元4212接收到的多个调度 任务并且工作分配单元4214管理每个GPC 4218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 4218处理的任务；活跃任务池可包 括用于由GPC 4218主动处理的任务的多个时隙(例如4个时隙)，以使 随着GPC 4218中的一个完成任务的执行，该任务将从GPC 4218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 4218上执行。在至少一个实施例中，如果活跃任务在GPC 4218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 4218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 4218上执行。
在至少一个实施例中，工作分配单元4214经由XBar 4220与一个或 更多个GPC4218通信。在至少一个实施例中，XBar 4220是互连网络，其 将PPU 4200的许多单元耦合到PPU 4200的其他单元，并且可以配置为将 工作分配单元4214耦合到特定的GPC 4218。在至少一个实施例中，一个 或更多个PPU 4200的其他单元也可以通过集线器4216连接到XBar4220。
在至少一个实施例中，任务由调度器单元4212管理，并由工作分配 单元4214分配给GPC 4218之一。GPC 4218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 4218中的其他任务消耗，通过XBar 4220路由到不同的GPC 4218或存储在存储器4204中。在至少一个实施例 中，结果可以通过分区单元4222写到存储器4204中，其实现了用于向存 储器4204写入数据或从存储器4204读取数据的存储器接口。在至少一个 实施例中，结果可以经由高速GPU互连4208传输到另一PPU 4204或CPU。 在至少一个实施例中，PPU4200包括但不限于U个分区单元4222，其等 于耦合到PPU 4200的分离且不同的存储设备4204的数量。在至少一个实 施例中，下面结合图44更详细地描述分区单元4222。
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 4200上执行。在一 个实施例中，多个计算应用由PPU 4200同时执行，并且PPU 4200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 4200执行，并且驱动器 核心将任务输出至由PPU 4200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存储器交换数据的指令。在至少一个实施例中，结 合图44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。本文结合图9和/或图10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 4200的信息。在至 少一个实施例中，PPU 4200用于基于已由另一处理器或系统或PPU 4200 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 4200可用于执行本文所述的一个或更多个神经网 络用例。在至少一个实施例中，推理和/或训练逻辑1015用于基于极限点 执行分割。
图43示出了根据至少一个实施例的通用处理集群(“GPC”)4300。 在至少一个实施例中，GPC 4300是图40的GPC 4018。在至少一个实施例 中，每个GPC 4300包括但不限于用于处理任务的多个硬件单元，并且每 个GPC 4300包括但不限于管线管理器4302、预光栅操作单元(“PROP”) 4304、光栅引擎4308、工作分配交叉开关(“WDX”)4316、存储器管 理单元(“MMU”)4318、一个或更多个数据处理集群(“DPC”)4306， 以及部件的任何合适组合。
在至少一个实施例中，GPC 4300的操作由管线管理器4302控制。在 至少一个实施例中，管线管理器4302管理一个或更多个DPC 4306的配置， 以处理分配给GPC 4300的任务。在至少一个实施例中，管线管理器4302 配置一个或更多个DPC 4306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 4306配置为在可编程流式多处理器 (“SM”)4314上执行顶点着色器程序。在至少一个实施例中，管线管 理器4302配置为将从工作分配单元接收的数据包路由到GPC 4300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 4304和/或光栅引擎4308中的固定功能硬件单元，而可以将其他数据包路 由到DPC 4306以由图元引擎4312或SM 4314进行处理。在至少一个实施 例中，管线管理器4302配置DPC 4306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4304配置为在至少一个实施例中 将由光栅引擎4308和DPC 4306生成的数据路由到上面结合图42更详细 地描述的分区单元4222中的光栅操作(“ROP”)单元。在至少一个实施 例中，PROP单元4304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4308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4308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 4308的输出包括将由任何适当的实体(例如，由在DPC 4306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 4300中的每个DPC 4306包括但 不限于M管道控制器(“MPC”)4310；图元引擎4312；一个或更多个 SM 4314；及其任何合适的组合。在至少一个实施例中，MPC 4310控制 DPC 4306的操作，将从管线管理器4302接收的分组路由到DPC4306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4312，图元引擎4312配置为从存储器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 4314。
在至少一个实施例中，SM 4314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 4314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，SM4314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SM 4314的至少一个实施例。
在至少一个实施例中，MMU 4318在GPC 4300和内存分区单元(例 如，图42的分区单元4222)之间提供接口，并且MMU 4318提供虚拟地 址到物理地址的转换、存储器保护以及存储器请求的仲裁。在至少一个实 施例中，MMU 4318提供一个或更多个转换后备缓冲区(“TLB”)，用 于执行虚拟地址到存储器中的物理地址的转换。
推理和/或训练逻辑1515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。本文结合图9和/或图10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 4300的信息。在至 少一个实施例中，GPC 4300用于基于已由另一处理器或系统或GPC 4300 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 4300可用于执行本文所述的一个或更多个神经网络用例。 在至少一个实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。 在至少一个实施例中，推理和/或训练逻辑1015用于基于极限点执行分割。
图44示出了根据一个实施例的并行处理单元(“PPU”)的内存分区 单元4400。在至少一个实施例中，内存分区单元4400包括但不限于光栅 操作(“ROP”)单元4402；二级(“L2”)高速缓存4404；存储器接口4406； 及其任何合适的组合。在至少一个实施例中，存储器接口4406耦合到存储 器。在至少一个实施例中，存储器接口4406可以实现32、64、128、1024 位数据总线或类似的实现，用于高速数据传输。在至少一个实施例中，PPU 包括U个存储器接口4406、每对分区单元4400一个存储器接口4406，其 中每对分区单元4400连接到相应的存储器设备。例如，在至少一个实施例 中，PPU最多可以连接到Y个存储设备，例如高带宽存储堆栈或图形双数 据速率、版本5、同步动态随机存取存储器(“GDDR5 SDRAM”)。
在一个实施例中，存储器接口4406实现了高带宽存储器二代 (“HBM2”)存储器接口，并且Y等于U的一半。在至少一个实施例中， HBM2存储器堆栈与PPU位于同一物理封装上，与传统的GDDR5 SDRAM 系统相比，节省了大量的功率和面积。在一个实施例中，每个HBM2堆栈 包括四个存储器管芯，并且Y等于4，而HBM2堆栈包括每个管芯两个128 位通道，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， 存储器支持单错误校正双错误检测(“SECDED”)错误校正码(“ECC”) 以保护数据。在至少一个实施例中，ECC为对数据损坏敏感的计算应用程 序提供了更高的可靠性。
在至少一个实施例中，PPU实现多级存储器层次结构。在至少一个 实施例中，内存分区单元4400支持统一存储器以为CPU和PPU存储器提 供单个统一虚拟地址空间，从而实现虚拟存储器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存储器的访问频率， 以确保将存储器页面移动到更频繁地访问页面的PPU的物理存储器。在一 个实施例中，高速GPU互连4008支持地址转换服务，该地址转换服务允 许PPU直接访问CPU的页表并提供由PPU对CPU存储器的完全访问。
在一个实施例中，复制引擎在多个PPU之间或在PPU与CPU之间 传送数据。在一个实施例中，复制引擎可以为未被映射到页面表中的地址 生成页面错误，并且内存分区单元4400然后为页面错误提供服务，将地址 映射到页面表中，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)存储器，从而实质 上减少了可用存储器。在一个实施例中，由于硬件页面故障，可以将地址 传递给复制引擎，而不必考虑存储页面是否驻留，并且复制过程是透明的。
根据至少一个实施例，来自图44的存储器4404或其他系统存储器的 数据由内存分区单元4400提取并存储在L2高速缓存4404中，该L2高速 缓存4404位于芯片上并且在各种GPC之间共享。在一个实施例中，每个 内存分区单元4400包括与对应的存储器设备相关联的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。在一个实施例中，每个SM 4314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 4314的私有存储器，并且获取来自L2 高速缓存4404的数据并将其存储在每个L1高速缓存用于在SM 4314的功 能单元中进行处理。在一个实施例中，L2高速缓存4404耦合到存储器接 口4406和XBar 4420。
在一个实施例中，ROP单元4402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。在一个实施例中，ROP单元4402与光 栅引擎4308一起实施深度测试，从光栅引擎4308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，为针对与片段相关 联的样本位置，在深度缓冲区中针对相应深度进行了深度测试。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4402 更新深度缓冲器，并将深度测试的结果发送至栅格光栅引擎4308。将理解 的是，分区单元4400的数量可以与GPC的数量不同，因此，在至少一个 实施例中，每个ROP单元4402可以耦合到每个GPC。在至少一个实施例 中，ROP单元4402追踪从不同GPC接收到的分组，并确定通过Xbar2820 将ROP单元4402生成的结果路由到哪个GPC。
图45示出了根据一个实施例的流传输多处理器(“SM”)4500。在 至少一个实施例中，SM 4500是图43的SM4313。在至少一个实施例中， SM 4500包括但不限于，指令缓存4502；一个或更多个调度器单元4504； 寄存器文件4508；一个或更多个处理核心(“核心”)4510；一个或更多 个特殊功能单元(“SFU”)4512；一个或更多个加载/存储单元(“LSU”)4514；互连网络4516；共享存储器/一级(“L1”)高速缓存4518；和任 何它们的适当组合。在至少一个实施例中，工作分配单元分派任务以在并 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内的特定数据处理集群(“DPC”)，以及，如果该任 务与着色器程序相关联，则该任务被分配给SM 4500。在一个实施例中， 调度器单元4504从工作分配单元接收任务，并管理分配给SM 4500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4504 调度线程块以作为并行线程的线程束进行执行，其中每个线程块至少分配 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4504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将来自多个不同的协作组的指令分配给各个 功能单元(例如，核心4510、SFU 4512和LSU 4514)。
在至少一个实施例中，协作组可以指用于组织通信线程的组的编程模 型，该编程模型允许开发人员表达正在通信的线程的粒度，从而使表达更 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 用程序提供了用于同步协作线程的单个简单构造：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，编程 人员经常想以小于线程块粒度的大小来定义线程组，并在定义的组内进行 同步，从而以集体范围内的功能接口的形式实现更高的性能、设计灵活性 和软件重用。在至少一个实施例中，协作组使编程人员定义明确位于子块 (例如，小到单个线程)和多块粒度上的线程组，并在协作组中对线程执 行集体操作，例如同步。编程模型支持跨软件边界的清除合成，因此库和 实用功能可以在其本地上下文中安全地同步，而不必对收敛进行假设。在 至少一个实施例中，协作组基元启用了新的合作并行模式，包括生产者- 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4506配置成将指令发送到一个或更 多个功能单元，并且调度器单元4504包括但不限于两个调度单元4506， 该两个调度单元4506使得来自同一线程束的两个不同指令能够在每个时 钟周期内被调度。在至少一个实施例中，每个调度器单元4504包括单个调 度单元4506或附加调度单元4506。
在至少一个实施例中，每个SM 4500包括寄存器文件4508，其为SM 4500的功能单元提供一组寄存器。在至少一个实施例中，寄存器文件4508 在每个功能单元之间划分，使得每个功能单元被分配寄存器文件4508的专 用部分。在至少一个实施例中，寄存器文件4508被SM 4500执行的不同 线程束划分，以及寄存器文件4508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 4500包括数量为L的处理 核新心4510。在至少一个实施例中，SM 4500包括大量但不限于(例如， 128个或更多个)不同的处理核心4510。在至少一个实施例中，每个核心 4510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，处理 单元包括但不限于浮点运算逻辑单元(“ALU”)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施IEEE 754-2008标准用于浮 点算术。在至少一个实施例中，处理核心4510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，张量核心配置成为执行矩阵运算。在至少一实 施例中，核心4510中包括一个或更多个张量核心。在至少一实施例中，张 量核心配置成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位浮点乘法需要64次运算，并产生全精度乘积，全精度乘积然后 使用32位浮点加法与其他用于4×4×4矩阵的中间乘积累加。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，诸如CUDA 9C++API之类的 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ClJDA-C++程序的张量核心。在至少一个实施例中，在CUDA 级别，线程束级别接口假设16×16大小的矩阵跨线程束的所有32个线程。
在至少一个实施例中，每个SM 4500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 4512。在至少一个实施例中， SFU 4512包括但不限于配置成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 4512包括但不限于配置成执行纹理图过滤操作的纹理 单元。在至少一个实施例中，纹理单元配置成从存储器加载纹理图(例如， 像素的2D阵列)并且对纹理图进行采样以产生采样的纹理值以供在由SM 4500执行的着色器程序中使用。在至少一个实施例中，纹理图存储在共享 存储器/L1高速缓存4518中。在至少一个实施例中，纹理单元实施纹理操 作，例如使用mip-maps(例如，细节水平变化的纹理图)进行滤波操作。 在至少一个实施例中，每个SM 4500包括但不限于两个纹理单元。
在至少一个实施例中，每个SM 4500包括但不限于N个LSU 4514， 这些LSU 4514实现共享存储器/Ll高速缓存4518和寄存器文件4508之间 的加载和存储操作。在至少一个实施例中，每个SM 4500包括但不限于互 连网络4516，互连网络4516将每个功能单元连接到寄存器文件4508和将LSU 4514连接到寄存器文件4508和共享存储器/L1高速缓存4518。在至 少一个实施例中，互连网络4516是可配置为将任何功能单元连接到寄存器 堆4508中的任何寄存器并将LSU 4514连接到寄存器文件4508和共享存 储器/L1高速缓存4518中的存储器位置的交叉开关。
在至少一个实施例中，共享存储器/Ll高速缓存4518是片上存储器 的阵列，其在一个实施例中允许SM 4500与原始引擎之间以及SM 4500中 的线程之间的数据存储和通信。在至少一个实施例中，共享存储器/LI高 速缓存4518包括但不限于128KB的存储容量，并且位于从SM 4500到分 区单元的路径中。在至少一个实施例中，共享存储器/L1高速缓存4518用 于高速缓存读取和写入。共享存储器/L1高速缓存4518、L2高速缓存和存 储器中的一个或更多个是后备存储器。
在至少一个实施例中，将数据高速缓存和共享存储器功能组合到单个 存储器块中，为两种类型的存储器访问提供了改进的性能。在至少一个实 施例中，该容量被不使用共享存储器的程序使用或用作高速缓存，例如， 如果将共享存储器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，在共享存储器/L1高速缓存4518内的集 成使共享存储器/L1高速缓存4518能够用作用于流传输数据的高吞吐量管 道，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，固定功能图形处理单元被绕过，从而创建了 更简单的编程模型。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来确保每个线程生成 唯一的结果，使用SM 4500执行程序并执行计算，使用共享存储器/L1高 速缓存4518在线程之间进行通信，以及LSU 4514通过共享存储器/L1高 速缓存4518和内存分区单元来读写全局存储器。在至少一个实施例中，当 被配置用于通用并行计算时，SM 4500写入调度器单元4504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被包括在或耦合到台式计算机、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、存储器、精简指令集计算机(“RISC”)CPU，一个或更 多个存储器管理单元(“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。在至少一个实施例中，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。本文结合图9和/或图10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 4500的信息。在至少一个 实施例中，SM 4500用于基于已由另一处理器或系统或由SM4500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，SM4500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，推理和/或训练逻辑1015用于基于极限点执行分割。
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，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被存储在主存储器1404和/或辅助存储器中。如果 由一个或多个处理器执行，则计算机程序使系统2100能够执行根据至少一 个实施例的各种功能。在至少一个实施例中，存储器1404、存储器和/或任 何其他存储器是计算机可读介质的可能示例。在至少一个实施例中，辅助 存储器可以指代任何合适的存储设备或系统，例如硬盘驱动器和/或可移动 存储驱动器，代表软盘驱动器、磁带驱动器、光盘驱动器、数字通用磁盘 (“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，在CPU 1402、并行处理系统1412、具有至少两个CPU 1402的能力的一部分的集成电路、并行处理系统1412、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背景中实现了各种先前附图的架构和/或功能。
训练和推理
参见图46，图46是根据至少一个实施例的用于生成和部署图像处理 和推理管线的过程4600的示例数据流程图。在至少一个实施例中，过程 4600可以被部署用于在一个或更多个设施4602(例如，医疗设施、医院、 医疗机构、诊所、研究或诊断实验室等)处的成像设备、处理设备、基因 设备、基因序列设备、放射线设备和/或其他设备等。在至少一个实施例中， 过程4600可以被部署以对测序数据进行基因组分析和推断。可以使用本文 所述的系统和过程进行的基因组分析的实例包括但不限于变体调用、突变 检测和基因表达定量。过程4600可以在训练系统4604和/或部署系统4606 内执行。在至少一个实施例中，训练系统4604可以用于执行在部署系统 4606中使用的机器学习模型的训练，部署和实现(例如，神经网络、对象 检测算法、计算机视觉算法等)。在至少一个实施例中，部署系统4606 可配置为在分布式计算环境中卸载处理和计算资源以减少设施4602上的 基础设施需求。在至少一个实施例中，部署系统4606可以提供用于选择、 定制和实现与成像设备(例如，MRI、CT扫描、X-射线、超声等)一起 使用的虚拟仪器或在设施4602处对设备进行排序的简化平台。在至少一个 实施例中，虚拟仪器可以包括软件定义的应用程序，用于执行关于由成像 设备、测序设备、放射线设备和/或其他设备类型生成的成像数据的分类的 一个或更多个处理操作的。在至少一个实施例中，管线中的一个或更多个 应用可以在应用的执行期间使用或调用部署系统4606的服务(例如，推理、 可视化、计算、AI等)。
在至少一个实施例中，在高级处理和推理管线中使用的一些应用程序 可以使用机器学习模型或其他AI来执行一个或更多个处理步骤。在至少一 个实施例中，可以使用在设施4602处生成(并且存储在设施4602处的一 个或更多个图片归档和通信系统(PACS)服务器上)的数据4608(例如 成像数据)在设施4602处训练机器学习模型。使用来自另一个设施或多个 设施(例如，不同的医院、实验室、诊所等)或其组合的成像或测序数据 4608进行训练。在至少一个实施例中，训练系统4604可以用于提供应用 程序、服务和/或其他资源，以生成用于部署系统4606的工作的、可部署 的机器学习模型。
在至少一个实施例中，模型注册表4624可以由对象存储支持，该对 象存储可以支持版本控制和对象元数据。在至少一个实施例中，可以通过 例如来自云平台内的云存储(例如，图47的云4726)兼容的应用程序编 程接口(API)来访问对象存储。在至少一个实施例中，模型注册表4624 中的机器学习模型可以由与API交互的系统的开发者或合作伙伴上载、列 出、修改或删除。在至少一个实施例中，API可以提供对方法的访问，该 方法允许具有适当证书的用户将模型与应用程序相关联，使得可以将模型 作为应用程序的容器化实例的执行的一部分来执行
在至少一个实施例中，训练管线4704(图47)可以包括以下情形： 设施4602正在训练他们自己的机器学习模型，或者具有需要优化或更新的 现有机器学习模型。在至少一个实施例中，可以接收由成像设备、测序设 备和/或其他设备类型生成的成像数据4608。在至少一个实施例中，一旦接 收到成像数据4608，AI辅助注释4610就可以用于帮助生成与成像数据 4608相对应的注释，以用作机器学习模型的地面实况数据。在至少一个实 施例中，AI辅助注释4610可以包括一个或更多个机器学习模型(例如， 卷积神经网络(CNN))，可以对机器学习模型进行训练以生成对应于某 些类型的成像数据4608(例如，来自某些设备)和/或成像数据4608中某 些类型的异常的注释。在至少一个实施例中，然后可以直接使用AI辅助注 释4610，或者可以使用注释工具(例如，由研究人员、临床医生、医生、 科学家等)调整或精调，以生成地面实况数据。在至少一个实施例中，在 一些示例中，标记的临床数据4612(例如，由临床医生、医生、科学家、 技术人员等提供的注释)可以用作用于训练机器学习模型的地面实况数据。 在至少一个实施例中，AI辅助注释4610、标记的临床数据4612或其组合 可以用作训练机器学习模型的地面实况数据。在至少一个实施例中，训练 的机器学习模型可以被称为输出模型4616，并且可以由部署系统4606使 用，如本文所述。
在至少一个实施例中，训练管线4604(图47)可以包括以下场景： 设施4602需要机器学习模型以用于为部署系统4606中的一个或更多个应 用程序执行一个或更多个处理任务，但是设施4602当前可能没有这样的机 器学习模型(或者可能没有为此目的而优化、高效或有效的模型)。在至 少一个实施例中，可以从模型注册表4624中选择现有的机器学习模型。在 至少一个实施例中，模型注册表4624可以包括经训练以对成像数据执行各 种不同的推理任务的机器学习模型。在至少一个实施例中，可以在来自不 同于设施4602的设施(例如，位于远程的设施)的成像数据上训练模型注 册表4624中的机器学习模型。在至少一个实施例中，机器学习模型可能已 经在来自一个位置、两个位置或任何数量的位置的成像数据上进行训练。 在至少一个实施例中，当从特定位置对成像数据进行训练时，可以在该位 置进行训练，或者至少以保护成像数据的机密性或限制来自备用设备 (off-premises)转移的成像数据的方式进行训练(例如，遵守HIPAA法规、 隐私法规等)。在至少一个实施例中，一旦在一个位置上训练了模型或部 分地训练了模型，就可以将机器学习模型添加到模型注册表4624中。在至 少一个实施例中，然后可以在任何数量的其他设施上对机器学习模型进行 重新训练或更新，可以在模型注册表4624中使用经过重新训练或更新的模 型。在至少一个实施例中，然后可以从模型注册表4624中选择机器学习模 型，并称为输出模型4616，并且可以在部署系统4606中使用机器学习模 型来为部署系统的一个或更多个应用程序执行一个或更多个处理任务。
在至少一个实施例中，可以在包括设施4602的场景中使用训练管线 4704(图47)，该设施需要机器学习模型以用于对部署系统4606中的一 个或更多个应用程序执行一个或更多个处理任务，但是设施4602当前可能 没有这样的机器学习模型(或者可能没有为此目的而优化、高效或有效的 模型)。在至少一个实施例中，由于群体差异、基因变异，用于训练机器 学习模型的训练数据的鲁棒性、训练数据异常的多样性和/或训练数据的其 他问题，从模型注册表4624中选择的机器学习模型可能不会针对设施4602 处生成的成像数据4608进行微调或优化。在至少一个实施例中，AI辅助 注释4610可以用于帮助生成与成像数据4608相对应的注释，以将其用作 地面实况数据以用于重新训练或更新机器学习模型。在至少一个实施例中， 标记的临床数据4612(例如，由临床医生、医生、科学家等提供的注释)可以用作训练机器学习模型的地面实况数据。在至少一个实施例中，重新 训练或更新机器学习模型可以称为模型训练4614。在至少一个实施例中， 模型训练4614-例如，AI辅助注释4610、标记的临床数据4612或其组合- 可以用作训练或更新机器学习模型的地面实况数据。在至少一个实施例中， 训练的机器学习模型可以被称为输出模型4616，并且可以由部署系统4606 使用，如本文所述。
在至少一个实施例中，部署系统4606可以包括软件4618、服务4620、 硬件4622和/或其他组件、特征和功能。在至少一个实施例中，部署系统 4606可以包括软件“堆栈”，使得软件4618可以建立在服务4620的顶部 并且可以使用服务4620来执行一些或全部处理任务，并且服务4620和软 件4618可以构建在硬件4622之上，并使用硬件4622执行部署系统4606 的处理、存储和/或其他计算任务。在至少一个实施例中，软件4618可以 包括任何数量的不同容器，其中每个容器可以执行应用程序的实例化。在 至少一个实施例中，每个应用程序可以在高级处理和推理管线中执行一个 或更多个处理任务(例如，推理、对象检测、特征检测、分割、图像增强、 校准等)。在至少一个实施例中，对于每种类型的成像设备(例如，CT、 MRI、X射线、超声、超声检查、超声心动图等)、测序设备、放射学设 备、基因组学设备等，可以存在可以针对由设备生成的成像数据4608(或 其他数据类型，例如本文所述的那些数据)执行数据处理任务的任何数量 的容器。在至少一个实施例中，除了接收和配置成像图像以供每个容器使 用和/或设施4602在通过管线处理后使用(例如，将输出转换回可用的数 据类型，例如医学数字成像和通信(DICOM)数据、放射信息系统(RIS) 数据、临床信息系统(CIS)数据、远程过程调用(RPC)数据、基本符合 表示状态传输(REST)接口的数据、基本符合基于文件的接口的数据和/ 或原始数据，以便在设施4602进行存储和显示)的容器之外，还可以基于 对处理成像数据4608期望或要求的不同容器的选择来定义高级处理和推 理管线。在至少一个实施例中，软件4618(例如，组成管线)内的容器的 组合可以被称为虚拟仪器(如本文中更详细描述的)，并且虚拟仪器可以 利用服务4620和硬件4622执行在容器中实例化的应用程序的部分或全部 处理任务。
在至少一个实施例中，数据处理管线可以响应于推断请求(例如，来 自部署系统4606的用户的请求，例如临床医生、医生、放射线医生等)而 以DICOM、RIS、CIS、REST兼容、RPC、原始和/或其他格式接收输入数 据(例如，成像数据4608)。在至少一个实施例中，输入数据可以代表由 一个或更多个成像设备、测序设备、放射学设备、基因组设备和/或其他设备类型生成的一个或多个图像、视频和/或其他数据表示。在至少一个实施 例中，数据可以作为数据处理管线的一部分进行预处理，以准备数据以供 一个或更多个应用程序处理。在至少一个实施例中，可以对管线的一个或 更多个推理任务或其他处理任务的输出执行后处理，以为下一应用程序准 备输出数据和/或准备输出数据用于传送和/或由用户使用(例如，作为推理 请求的响应)。在至少一个实施例中，推理任务可以由一个或更多个机器 学习模型来执行，例如训练或部署的神经网络，其可以包括训练系统4604 的输出模型4616。
在至少一个实施例中，数据处理管线的任务可以封装在一个或更多个 容器中，每个容器表示能够引用机器学习模型的应用程序和虚拟化计算环 境的离散的、全功能的实例化。在至少一个实施例中，容器或应用程序可 以被发布到容器注册表的私有(例如，有限访问)区域中(在此更详细地 描述)，并且训练或部署的模型可以被存储在模型注册表4624中并且与一 个或更多个应用程序相关联。在至少一个实施例中，应用程序的图像(例 如，容器图像)可以在容器注册表中可用，并且一旦被用户从容器注册表 中选择以部署在管线中，则可以使用图像来生成容器以用于对由用户系统 使用的应用程序进行实例化。
在至少一个实施例中，开发人员(例如，软件开发人员、临床医师、 医生等)可以开发、发布和存储用于对所提供的数据执行图像处理和/或推 理的应用程序(例如，作为容器)。在至少一个实施例中，可以使用与系 统相关联的软件开发套件(SDK)来执行开发、发布和/或存储(例如，以 确保开发的应用程序和/或容器与系统兼容或相匹配)。在至少一个实施例 中，可以使用可以支持至少一些服务4620作为系统(例如，图47的系统 4700)的SDK在本地(例如，在第一设施处，在来自第一设施的数据上) 测试开发的应用程序。在至少一个实施例中，因为DICOM对象可以包含 一到数百个图像或其他数据类型的任何地方，并且由于数据的变化，所以 开发人员可以负责管理(例如，设置构造，将预处理构建为应用程序等) 提取和准备传入的DICOM数据。在至少一个实施例中，一旦通过系统4700 的验证(例如，准确性、安全性、患者隐私等)，应用程序就可以在容器 注册表中用于用户(例如，医院、诊所、实验室、医疗保健提供者等)以 针对用户设施(例如第二设施)上的数据执行一个或更多个处理任务。
在至少一个实施例中，开发人员然后可以通过网络共享应用程序或容 器，以供系统(例如，图47的系统4700)的用户访问和使用。在至少一 个实施例中，可以将完成并经过验证的应用程序或容器存储在容器注册表 中，并且可以将相关的机器学习模型存储在模型注册表4624中。在至少一 个实施例中，请求实体(例如，医疗机构中的用户)(提供推理或图像处 理请求的人)可以浏览容器注册表和/或模型注册表4624以查找应用程序、 容器、数据集、机器学习模型等，选择所需的元素组合以包含在数据处理 管线中，并提交成像处理请求。在至少一个实施例中，请求可以包括执行 请求所必需的输入数据(以及在一些示例中，与患者相关的数据)，和/ 或可以包括选择对应用程序和/或机器学习模型以在处理请求时执行。在至 少一个实施例中，然后可以将请求传递到部署系统4606的一个或更多个组 件(例如，云)以执行数据处理管线的处理。在至少一个实施例中，由部 署系统4606进行的处理可以包括从容器注册表和/或模型注册表4624中引 用所选择的元素(例如，应用、容器、模型等)。在至少一个实施例中， 一旦由在管线生成结果，结果可以返回给用户以供参考(例如，用于在本 地，本地部署(on-premises)工作站或终端上执行的查看应用程序套件中 进行查看)。在至少一个实施例中，放射线医师可以从包括任何数量的应 用程序和/或容器的数据处理管线接收结果，其中结果可以包括X射线、 CT扫描、MRI等的异常检测。
在至少一个实施例中，为了帮助处理或执行管线中的应用程序或容器， 可以利用服务4620。在至少一个实施例中，服务4620可以包括计算服务、 人工智能(AI)服务、可视化服务和/或其他服务类型。在至少一个实施例 中，服务4620可以提供软件4618中的一个或更多个应用所共有的功能， 因此可以将功能抽象为可以被应用程序调用或利用的服务。在至少一个实 施例中，由服务4620提供的功能可以动态且更有效地运行，同时还通过允 许应用程序并行处理数据(例如，使用并行计算平台4730(图47))来很 好地缩放。在至少一个实施例中，不是要求共享服务4620所提供的相同功 能的每个应用程序具有服务4620的相应实例，而是可以在各种应用程序之 间共享服务4620。在至少一个实施例中，作为非限制性示例，服务可以包 括可以用于执行检测或分割任务的推理服务器或引擎。在至少一个实施例 中，可以包括模型训练服务，其可以提供机器学习模型训练和/或再训练能 力。在至少一个实施例中，可以进一步包括数据增强服务，其可以提供GPU 加速的数据(例如，DICOM、RIS、CIS、REST兼容、RPC、原始等)， 提取、调整大小、缩放和/或其他增强。在至少一个实施例中，可以使用可 视化服务，该可视化服务可以添加图像渲染效果(例如，射线追踪、光栅 化、去噪、锐化等)，以向二维(2D)和/或三维(3D)模型添加真实感。 在至少一个实施例中，可以包括虚拟仪器服务，其为虚拟仪器的管线内的 其他应用程序提供波束形成、分段、推理、成像和/或支持。
在至少一个实施例中，在服务4620包括AI服务(例如，推理服务) 的情况下，与用于异常检测(例如，肿瘤、生长异常、瘢痕形成等)的应 用程序相关联的一个或更多个机器学习模型可以通过调用(例如，作为API 调用)推理服务(例如，推理服务器)以执行机器学习模型或其处理，作 为应用程序执行的一部分来执行。在至少一个实施例中，在另一应用程序 包括用于分割任务的一个或更多个机器学习模型的情况下，应用程序可以 调用推理服务来执行用于执行与分割任务相关联的一个或更多个处理操作 的机器学习模型。在至少一个实施例中，可以使实现包括分段应用程序和 异常检测应用程序的高级处理和推理管线的软件4618成流线型，因为每个 应用程序可以调用相同的推理服务来执行一个或更多个推理任务。
在至少一个实施例中，硬件4622可以包括GPU、CPU、图形卡、AI /深度学习系统(例如，AI超级计算机、例如NVIDIA的DGX超级计算机 系统)、云平台或其组合。在至少一个实施例中，可以使用不同类型的硬 件4622为部署系统4606中的软件4618和服务4620提供有效的、特定目 的的支持。在至少一个实施例中，可以实现GPU处理的使用以进行本地处 理(例如在设施4602)，在AI/深度学习系统中、在云系统中和/或在部署 系统4606的其他处理组件中，以提高图像处理、图像重建、分割、MRI 检查、中风或心脏病发作检测(例如实时)、渲染中的图像质量等的效率、 准确性和功效。在至少一个实施例中，设施可以包括成像设备、基因组设 备、测序设备和/或可以利用GPU生成代表受试者解剖结构的成像数据其 他本地部署设备类型。在至少一个实施例中，作为非限制性示例，可以针 对深度学习、机器学习和/或高性能计算针来优化软件4618和/或服务4620 以用于GPU处理。在至少一个实施例中，部署系统4606和/或训练系统4604 的计算环境中的至少一些可以在数据中心中执行具有GPU优化的软件(例 如，NVIDIA的DGX系统的硬件和软件的组合)的一个或多个超级计算机 或高性能计算系统。在至少一个实施例中，数据中心可以符合HIPAA的规 定，使得针对患者数据的隐私性安全地处理接收、处理和传输成像数据和/ 或其他患者数据。在至少一个实施例中，硬件4622可包括可被调用以并行 执行数据处理的任意数量的GPU，如本文所述。在至少一个实施例中，云 平台还可包括用于深度学习任务、机器学习任务或其他计算任务的GPU优 化执行的GPU处理。在至少一个实施例中，云平台(例如，NVIDIA的NGC)可以使用作为硬件抽象和缩放平台AI/深度学习超级计算机和/或 GPU优化的软件(例如，如在NVIDIA的DGX系统上提供的)来执行。 在至少一个实施例中，云平台可以在多个GPU上集成应用程序容器集群系 统或编排系统(例如，KUBERNETES)，以实现无缝缩放和负载平衡。
图47是根据至少一个实施例的用于生成和部署成像部署管线的示例 系统4700的系统图。在至少一个实施例中，系统4700可以用于实现图46 的过程4600和/或其他过程，包括高级处理和推理管线。在至少一个实施 例中，系统4700可以包括训练系统4604和部署系统4606。在至少一个实 施例中，可以使用软件4618、服务4620和/或硬件4622来实现训练系统 4604和部署系统4606。
在至少一个实施例中，系统4700(例如，训练系统4604和/或部署系 统4606)可以在云计算环境中(例如，使用云4726)实现。在至少一个实 施例中，系统4700可以针对医疗服务设施在本地实现，或者作为云和本地 计算资源的组合来实现。在至少一个实施例中，在实施云计算实现的实施 例中，患者数据可以与系统4700的一个或更多个组件分离或不被系统4700 的一个或更多个组件处理，这将使得处理不符合HIPAA和/或其他数据处 理和隐私法规或法律。在至少一个实施例中，可以通过制定的安全措施或 协议将对云4726中的API的访问限制为授权用户。在至少一个实施例中， 安全协议可以包括可以由认证服务(例如，AuthN，AuthZ，Gluecon等) 签名的网络令牌，并且可以携带适当的授权。在至少一个实施例中，虚拟 仪器的API(在此描述)或系统4700的其他实例可以被限制到已经被审核 或被授权用于交互的一组公共IP。
在至少一个实施例中，系统4700的各个组件可以使用各种不同的网 络类型(包括但不限于局域网(LAN)和/或广域网(WAN))中的任何 一种经由线和/或无线通信协议在彼此之间进行通信。在至少一个实施例中， 系统4700的设施和组件之间的通信(例如，用于发送推理请求，用于接收 推理请求的结果等)可以通过一条或多条数据总线、无线数据协议(Wi-Fi)、 有线数据协议(例如以太网)等进行通信。
在至少一个实施例中，训练系统4604可以执行训练管线4704，类似 于本文中相对于图46所描述的那些。在至少一个实施例中，其中部署系统 4606将在部署管线4710中使用一个或更多个机器学习模型，训练管线4704 可用于训练或再训练一个或更多个(例如，预训练的)模型，和/或实现一 个或多个预训练模型4706(例如，无需重新训练或更新)。在至少一个实 施例中，作为训练管线4704的结果，可以生成输出模型4616。在至少一 个实施例中，训练管线4704可以包括任何数量的处理步骤，诸如但不限于 成像数据(或其他输入数据)的转换或适应(例如，使用DICOM适配器 4702A将DICOM图像转换为适合于通过相应的机器学习模型进行处理， 例如神经影像信息技术计划(NIfTI)格式，AI辅助注释4610、成像数据 的标签或注释4608以生成标记的临床数据4612，从模型注册表中选择模 型，模型训练4614，训练、再训练或更新模型和/或其他处理步骤。在至少 一个实施例中，对于由部署系统4606使用的不同的机器学习模型，可以使 用不同的训练管线4704。在至少一个实施例中，类似于关于图46描述的 第一示例的训练管线4704可以被用于第一机器学习模型，类似于关于图 46描述的第二示例的训练管线4704可以被用于第二机器学习模型，类似 于关于图46描述的第三示例的训练管线4704可以被用于第三机器学习模 型。在至少一个实施例中，可以根据每个相应的机器学习模型的要求来使 用训练系统4604内的任务的任何组合。在至少一个实施例中，机器学习模 型中的一个或更多个可以已经被训练并且准备好部署，因此机器学习模型 可以不由训练系统4604进行任何处理，并且可以由部署系统4606来实现。
在至少一个实施例中，取决于实施方式或实施例，输出模型4616和/ 或预训练模型4706可以包括任何类型的机器学习模型。在至少一个实施例 中，但不限于，系统4700使用的机器学习模型可以包括使用线性回归、逻 辑回归、决策树、支持向量机(SVM)、朴素贝叶斯、k最近邻(Knn)、 K表示聚类、随机森林、降维算法、梯度提升算法、神经网络(例如，自动编码器、卷积、递归、感知器、长期/短期记忆(LSTM)、Hopfield、 Boltzmann、深层信念、反卷积、生成对抗、液体状态机等)和/或其他类 型的机器学习模型。
在至少一个实施例中，训练管线4704可以包括AI辅助注释，如本文 相对于至少图48B更详细地描述的。在至少一个实施例中，可以通过许多 技术来生成标记的临床数据4612(例如，传统注释)。在至少一个实施例 中，可以在绘图程序(例如，注释程序)、计算机辅助设计(CAD)程序、 标记程序、适合于为地面实况生成注释或标签的另一种类型的程序内生成 标签或其他注释，和/或在一些示例中，标签或其他注释可以是手绘的。在 至少一个实施例中，地面实况数据可以是合成产生的(例如，从计算机模 型或渲染产生的)、真实产生的(例如，从真实世界的数据设计和产生的)、 机器自动化的(例如，使用特征分析和学习以从数据中提取特征，然后生 成标签)、人工注释(例如，贴标机或注释专家，定义标签的位置)和/ 或其组合。在至少一个实施例中，对于成像数据4608(或机器学习模型使 用的其他数据类型)的每个实例，可以存在由训练系统4604生成的相应的 地面实况数据。在至少一个实施例中，可以使用AI辅助注释作为部署管线 4710的一部分执行；或者补充或代替训练管线4704中包括的AI辅助注释。 在至少一个实施例中，系统4700可以包括多层平台，该多层平台可以包括 执行一项或更多项医学成像和诊断功能的诊断应用程序(或其他应用程序 类型)的软件层(例如，软件4618)。在至少一个实施例中，系统4700 可以(例如，经由加密的链路)通信地耦合到一个或更多个设施的PACS 服务器网络。在至少一个实施例中，系统4700可以被配置为从PACS服务 器(例如，DICOM数据、RIS数据、原始数据、CIS数据、符合REST 的数据、RPC数据、原始数据等)访问和引用数据(例如，通过DICOM 适配器4702或其他数据类型(例如RIS、CIS、REST兼容、RPC，原始等) 适配器)执行操作，例如训练机器学习模型、部署机器学习模型、图像处 理、推理和/或其他操作。
在至少一个实施例中，软件层可以被实现为安全、加密和/或认证的 API，通过该API可以从外部环境(例如，设施4602)唤醒(例如，调用) 应用程序或容器。在至少一个实施例中，应用程序然后可以调用或执行一 个或更多个服务4620以执行与各个应用程序相关联的计算、AI或可视化 任务，并且软件4618和/或服务4620可以利用硬件4622来以有效和高效 的方式执行处理任务。
在至少一个实施例中，部署系统4606可以执行部署管线4710。在至 少一个实施例中，部署管线4710可以包括可以顺序地、非顺序地或以其他 方式应用于由成像设备，测序设备，基因组设备等生成的成像数据(包括 如上所述的AI辅助注释)的任何数量的应用程序(和/或其他数据类型)。 在至少一个实施例中，如本文所述，用于单个设备的部署管线4710可以被 称为用于设备的虚拟仪器(例如，虚拟超声仪器、虚拟CT扫描仪器、虚 拟测序仪器等)。在至少一个实施例中，对于单个设备，取决于从设备生 成数据期望的信息，可以有一个以上的部署管线4710。在至少一个实施例 中，在期望从MRI机器检测到异常的情况下，可以存在第一部署管线4710， 并且在期望从MRI机器的输出进行图像增强的地方，可以存在第二部署管 线4710。
在至少一个实施例中，可用于部署管线4710的应用程序可包括可用 于对来自设备的成像数据或其他数据执行处理任务的任何应用程序。在至 少一个实施例中，不同的应用程序可以负责图像增强、分割、重建、异常 检测、物体检测、特征检测、治疗计划、剂量测定、射束计划(或其他放 射治疗程序)和/或其他分析、图像处理或推断任务。在至少一个实施例中， 部署系统4606可以为每个应用程序定义构造，使得部署系统4606的用户 (例如，医疗设施、实验室、诊所等)可以理解构造并且使应用程序适于 在其各自设施内的实施。在至少一个实施例中，可以选择用于图像重建的 应用程序以包括在部署管线4710中，但是由成像设备生成的数据类型可以 与在应用程序内使用的数据类型不同。在至少一个实施例中，可以在部署 管线4710内使用DICOM适配器4702B(和/或DICOM读取器)或另一数 据类型(例如，RIS、CIS、REST兼容、RPC、原始等)适配器或读取器， 以将数据转换到部署系统4606内的应用程序可使用的形式。在至少一个实 施例中，可以累积和预处理对DICOM、RIS、CIS、REST兼容、RPC、原 始和/或其他数据类型库的访问，包括解码、提取和/或执行任何卷积、颜色 校正、清晰度、伽玛和/或其他对数据的增强。在至少一个实施例中，DICOM、 RIS、CIS、符合REST的RPC、和/或原始数据可以是无序的，并且可以执 行预通过以组织或对所收集的数据进行分类。在至少一个实施例中，因为 各种应用程序可以共享共同的图像操作，所以在一些实施例中，可以使用 数据增强库(例如，作为服务4620之一)来加速这些操作。在至少一个实 施例中，为了避免依赖于CPU处理的常规处理方法的瓶颈，并行计算平台 4730可以用于这些处理任务的GPU加速。
在至少一个实施例中，图像重建应用程序可以包括包括使用机器学习 模型的处理任务。在至少一个实施例中，用户可能希望使用他们自己的机 器学习模型，或者从模型注册表4624中选择机器学习模型。在至少一个实 施例中，用户可以实现他们自己的机器学习模型或选择机器学习模型用于 包含在执行处理任务的应用程序中。在至少一个实施例中，应用程序可以 是可选的和可定制的，并且通过定义应用程序的构造，针对特定用户的应 用程序的部署和实现被呈现为更加无缝的用户体验。在至少一个实施例中， 通过利用系统4700的其他特征，例如服务4620和硬件4622，部署管线4710 可以对用户更加友好、提供更容易的集成、并产生更准确、有效和及时的 结果。
在至少一个实施例中，部署系统4606可以包括用户界面4714(例如， 图形用户界面、网络界面等)，该用户界面可以被用于选择要包括在部署 管线4710中的应用程序，在设置和/或部署期间，布置应用程序，修改或 改变应用程序或参数或其构造，在设置和/或部署期间使用部署管线4710 并与之交互，和/或以其他方式与部署系统4606交互。对于训练系统4604 (未示出)，用户界面4714(或不同的用户界面)可用于选择在部署系统 4606中使用的模型，在训练系统4604中选择用于训练或再训练的模型， 和/或用于以其他方式与训练系统4604交互。
在至少一个实施例中，除了应用程序编排系统4728之外，还可以使 用管线管理器4712来管理部署管线4710的应用程序或容器与服务4620 和/或硬件4622之间的交互。在至少一个实施例中，管线管理器4712可以 被配置为促进从应用程序到应用程序，从应用程序到服务4620和/或从应 用程序或服务到硬件4622的交互。在至少一个实施例中，尽管被示为包括 在软件4618中，这并不意味着限制，并且在一些示例中，管线管理器4712 可以包括在服务4620中。在至少一个实施例中，应用程序编排系统4728 (例如，Kubernetes、DOCKER等)可以被包括可能包括容器编排系统， 该系统可以将应用程序分组为多个容器，作为逻辑单元进行协调、管理、 扩展和部署。在至少一个实施例中，通过将来自部署管线4710的应用程序 (例如，重建应用程序、分段应用程序等)与各个容器相关联，每个应用 程序可以在自包含的环境中(例如，在内核级别下)执行以提高速度和效 率。
在至少一个实施例中，每个应用程序和/或容器(或其映像)可以单 独开发、修改和部署(例如，第一用户或开发人员可以开发、修改和部署 第一应用程序和第二用户或开发人员可以开发、修改和部署与第一用户或 开发人员分开的第二应用程序)，这可以使专注于并关注单个应用程序和/ 或容器的任务，而不会受到阻碍另一个应用程序或容器的任务。在至少一 个实施例中，管线管理器4712和应用编排系统4728可以辅助不同容器或 应用程序之间的通信和协作。在至少一个实施例中，只要每个容器或应用 程序的预期输入和/或输出是为系统(例如，基于应用程序或容器的构造) 所已知的，应用程序编排系统4728和/或管线管理器4712可以促进每个应 用程序或容器之中和之间的通信以及资源共享。在至少一个实施例中，由 于部署管线4710中的一个或更多个应用程序或容器可以共享相同的服务 和资源，因此应用程序编排系统4728可以协调、负载平衡并确定各种应用 程序之间或容器之间的服务或资源的共享。在至少一个实施例中，调度器 可以用于跟踪应用程序或容器的资源需求，这些资源的当前使用或计划使 用以及资源可用性。因此，在至少一个实施例中，调度器可以鉴于系统的 需求和可用性而将资源分配给不同的应用程序，并且在应用程序之中以及 应用程序之间分配资源。在一些示例中，调度器(和/或应用编排系统4728 的其他组件)可以基于施加在系统上的约束(例如，用户约束)，例如服 务质量(QoS)、用于数据输出的需求的紧迫性(例如，确定是执行实时 处理还是延迟处理)等，来确定资源可用性和分配。
在至少一个实施例中，由部署系统4606中的应用程序或容器利用并 由其共享的服务4620可以包括计算服务4716、AI服务4718、可视化服务 4720和/或其他服务类型。在至少一个实施例中，应用程序可以调用(例如， 执行)服务4620中的一个或更多个以执行针对应用程序的处理操作。在至 少一个实施例中，应用程序可以利用计算服务4716来执行超级计算或其他 高性能计算(HPC)任务。在至少一个实施例中，可以利用计算服务4716 来执行并行处理(例如，使用并行计算平台4730)，以通过一个或更多个 应用程序和/或单个应用程序的一个或更多个任务来基本同时地处理数据。 在至少一个实施例中，并行计算平台4730(例如，NVIDIA的CUDA)可 以实现在GPU(GPGPU)(例如，GPU 4722)上的通用计算。在至少一 个实施例中，并行计算平台4730的软件层可以提供对GPU的虚拟指令集 和并行计算元件的访问，以执行计算内核。在至少一个实施例中，并行计 算平台4730可以包括存储器，并且在一些实施例中，可以在多个容器之间 和之中，和/或在单个容器内的不同处理任务之间和之中共享存储器。在至 少一个实施例中，可以为多个容器和/或容器内的多个过程生成进程间通信 (IPC)调用，以使用来自并行计算平台4730的共享存储器段的相同数据(例如，其中一个应用程序或多个应用程序的多个不同阶段正在处理相同 的信息)。在至少一个实施例中，不是复制数据并将数据移动到存储器中 的不同位置(例如，读/写操作)，而是可以将存储器相同位置中的相同数 据用于任何数量的处理任务(例如，在同一时间，在不同时间等)。在至 少一个实施例中，由于数据被用作处理的结果来生成新数据，因此可以在 各种应用程序之间存储和共享数据的新位置的信息。在至少一个实施例中， 数据的位置以及更新或修改的数据的位置可以是容器中如何理解有效载荷 的定义的一部分。
在至少一个实施例中，可以利用AI服务4718来执行推理服务，以执 行与应用程序相关联的机器学习模型(例如，被赋予执行应用程序的一个 或更多个处理任务的任务)。在至少一个实施例中，AI服务4718可以利 用AI系统4724来执行机器学习模型(例如，诸如CNN的神经网络)以 用于分割、重构、对象检测、特征检测、分类和/或其他推理任务。在至少 一个实施例中，部署管线4710的应用程序可以使用来自训练系统4604的 输出模型4616中的一个或更多个和/或其他应用程序的模型来对成像数据 (例如，DICOM数据、RIS数据、CIS数据、REST兼容的数据、RPC数 据，原始数据等)进行推理。在至少一个实施例中，使用应用编排系统4728 (例如，调度器)进行推理的两个或更多个示例可以是可用的。在至少一 个实施例中，第一类别可以包括可以实现更高服务水平协议的高优先级/ 低等待时间路径，例如用于在紧急情况下对紧急请求执行推理，或者在诊 断期间提供给放射线医生。在至少一个实施例中，第二类别可以包括标准 优先级路径，该标准优先级路径可以用于可能不紧急的请求或者可以在稍 后的时间执行分析的请求。在至少一个实施例中，应用协调系统4728可以 基于用于AI服务4718的不同推理任务的优先级路径来分配资源(例如， 服务4620和/或硬件4622)。
在至少一个实施例中，共享存储可以被安装到系统4700内的AI服务 4718。在至少一个实施例中，共享存储可以用作高速缓存(或其他存储设 备类型)，并且可以用于处理来自应用程序的推理请求。在至少一个实施 例中，当提交推理请求时，部署系统4606的一组API实例可以接收到请 求，并且可以选择一个或更多个实例(例如，用于最佳配合，用于负载平 衡等)以处理请求。在至少一个实施例中，为了处理请求，可以将请求输 入数据库中，可以从模型注册表4624中找到机器学习模型(如果尚未在缓 存中)，验证步骤可以确保将适当的机器学习模型加载到高速缓存(例如， 共享存储)和/或模型的副本可以保存到高速缓存中。在至少一个实施例中， 如果应用程序还没有运行或者没有足够的应用程序的实例，则可以使用调 度器(例如，管线管理器4712的调度器)来启动在请求中引用的应用程序。 在至少一个实施例中，如果尚未启动推理服务器以执行模型，则可以启动 推理服务器。每个模型可以启动任何数量的推理服务器。在至少一个实施 例中，在其中推理服务器被集群化的拉模型中，只要负载平衡是有利的， 就可以缓存模型。在至少一个实施例中，推断服务器可以被静态地加载在 对应的分布式服务器中。
在至少一个实施例中，可以使用在容器中运行的推理服务器来执行推 理。在至少一个实施例中，推理服务器的实例可以与模型(以及可选地模 型的多个版本)相关联。在至少一个实施例中，如果当接收到对模型执行 推理的请求时推理服务器的实例不存在，则可以加载新实例。在至少一个 实施例中，当启动推理服务器时，可以将模型传递到推理服务器，使得可 以使用相同的容器来服务于不同的模型，只要推理服务器作为不同的实例 运行即可。
在至少一个实施例中，在应用程序执行期间，可以接收针对给定应用 程序的推理请求，并且可以加载容器(例如，托管推理服务器的实例)(如 果尚未加载)，以及启动程序可能会被调用。在至少一个实施例中，容器 中的预处理逻辑可以对传入的数据进行加载、解码和/或执行任何附加的预 处理(例如，使用一个或多个CPU和/或一个或多个GPU)。在至少一个 实施例中，一旦准备好数据进行推理，容器就可以根据需要对数据进行推 理。在至少一个实施例中，这可以包括对一个图像(例如，手X射线)的 单个推理调用，或者可以要求对数百个图像(例如，胸部CT)进行推理。 在至少一个实施例中，应用可以在完成之前总结结果，其可以包括但不限 于单个置信度得分、像素水平分割、体素水平分割、生成可视化或生成文 本以总结发现。在至少一个实施例中，可以为不同的模型或应用分配不同 的优先级。例如，某些模型可能具有实时(TAT<1min)优先级，而其他 模型可能具有较低的优先级(例如，TAT<10min)。在至少一个实施例中， 可以从请求机构或实体测量模型执行时间，并且该模型执行时间可以包括 伙伴网络遍历时间以及在推理服务上的执行。
在至少一个实施例中，服务4620与推理应用程序之间的请求传输可 以被隐藏在软件开发工具包(SDK)的后面，并且可以通过队列来提供健 壮的传输。在至少一个实施例中，将经由用于单个应用程序/租户ID组合 的API的请求放置在队列中，并且SDK将从队列中拉出请求并将请求提 供给应用程序。在至少一个实施例中，可以在SDK从中拾取队列的环境中 提供队列的名称。在至少一个实施例中，通过队列的异步通信可能是有用 的，因为它可以允许应用程序的任何实例在可用时拾取工作。可以通过队 列将结果传送回去，以确保没有数据丢失。在至少一个实施例中，队列还 可以提供对工作进行分段的能力，因为最高优先级的工作可以进入与应用 程序的大多数实例连接的队列，而最低优先级的工作可以进入与单个实例 连接的按收到的顺序处理任务的队列。在至少一个实施例中，应用可以在 云4726中生成的GPU加速的实例上运行，并且推理服务可以在GPU上执 行推理。
在至少一个实施例中，可视化服务4720可被利用来生成可视化以查 看应用程序和/或部署管线4710的输出。在至少一个实施例中，可视化服 务4720可利用GPU 4722来生成可视化。在至少一个实施例中，可视化服 务4720可以实现诸如射线追踪之类的渲染效果，以生成更高质量的可视化。 在至少一个实施例中，可视化可以包括但不限于2D图像渲染、3D体积渲 染、3D体积重建、2D断层摄影切片、虚拟现实显示、增强现实显示等。 在至少一个实施例中，可以使用虚拟化环境，生成虚拟交互式显示器或环 境(例如虚拟环境)，以供系统用户(例如医生、护士、放射科医生等) 进行交互。在至少一个实施例中，可视化服务4720可以包括内部可视化器、 电影和/或其他渲染或图像处理能力或功能(例如，射线追踪、光栅化、内 部光学器件等)。
在至少一个实施例中，硬件4622可以包括GPU 4722、AI系统4724、 云4726和/或用于执行训练系统4604和/或部署系统4606的任何其他硬件。 在至少一个实施例中，GPU4722(例如NVIDIA的TESLA和/或QUADRO GPU)可以包括任意数量的GPU，这些GPU可用于执行计算服务4716、 AI服务4718、可视化服务4720、其他服务和/或任何功能或特性的处理任务软件4618。例如，关于AI服务4718，GPU 4722可用于对成像数据(或 机器学习模型使用的其他数据类型)执行预处理，对机器学习模型的输出 进行后处理和/或执行推理(例如执行机器学习模型)。在至少一个实施例 中，云4726、AI系统4724和/或系统4700的其他组件可以使用GPU4722。 在至少一个实施例中，云4726可以包括用于深度学习任务的GPU优化平台。在至少一个实施例中，AI系统4724可以使用GPU，并且可以使用一 个或更多个AI系统4724来执行云4726(或至少一部分负责深度学习或推 理的任务)。同样，尽管硬件4622被示出为离散的组件，这并不旨在限制 本发明，并且硬件4622的任何组件可以与硬件4622的任何其他组件组合 或由其利用。
在至少一个实施例中，AI系统4724可以包括被配置用于推理、深度 学习、机器学习和/或其他人工智能任务的专用计算系统(例如，超级计算 机或HPC)。在至少一个实施例中，除了CPU、RAM、存储器和/或其他 组件、功能部件或功能之外，AI系统4724(例如，NVIDIA的DGX)可 以包括可以使用多个GPU 4722执行的GPU优化的软件(例如，软件堆栈)。 在至少一个实施例中，可以在云4726中(例如，在数据中心中)实现一个 或更多个AI系统4724，以执行系统4700的一些或全部基于AI的处理任 务。
在至少一个实施例中，云4726可以包括GPU加速的基础设施(例如， NVIDIA的NGC)，其可以提供用于执行系统4700的处理任务的GPU优 化的平台。在至少一个实施例中，云4726可以包括AI系统4724，用于执 行系统4700的一个或更多个基于AI的任务(例如，作为硬件抽象和缩放 平台)。在至少一个实施例中，云4726可以与利用多个GPU的应用编排系统4728集成，以实现应用和服务4620之间和之中的无缝缩放和负载平 衡。在至少一个实施例中，如本文所述，云4726可以承担执行系统4700 的至少一些服务4620的任务，系统4700包括计算服务4716、AI服务4718 和/或可视化服务4720。在至少一个实施例中，云4726可以执行小批量和 大批量推断(例如，执行NVIDIA的TENSOR RT)，提供加速的并行计 算API和平台4730(例如，NVIDIA的CUDA)，执行应用编排系统4728 (例如，KUBERNETES)，提供图形渲染API和平台(例如，用于光线 追踪、2D图形、3D图形和/或其他渲染技术以产生更高质量的电影效果)， 和/或可以为系统4700提供其他功能。
在至少一个实施例中，为了保护患者机密性(例如，在备用设备使用 患者数据或记录的地方)，云4726可以包括注册表-诸如深度学习容器注 册表。在至少一个实施例中，注册表可以存储用于对可以对患者数据执行 预处理、后处理或其他处理任务的应用的容器进行实例化。在至少一个实 施例中，云4726可以接收包括患者数据以及容器中的传感器数据的数据， 仅对那些容器中的传感器数据执行所请求的处理，然后将结果输出和/或可视化转发给适当的参与者和/或设备(例如用于可视化或诊断的本地部署医 疗设备)，而无需提取、存储或访问患者数据。在至少一个实施例中，根 据HIPAA和/或其他数据法规来保留患者数据的机密性。
图48A示出了根据至少一个实施例的用于训练、再训练或更新机器 学习模型的过程4800的数据流程图。在至少一个实施例中，可以使用作为 非限制性示例的图47的系统4700来执行过程4800。在至少一个实施例中， 过程4800可以利用本文所描述的系统4700的服务4620和/或硬件4622。 在至少一个实施例中，由过程4800生成的改进的模型4812可以由部署系 统4606针对部署管线4710中的一个或更多个容器化应用程序执行。
在至少一个实施例中，模型训练4614可以包括使用新的训练数据(例 如，新的输入数据，诸如客户数据集4806和/或与输入数据相关联的新的 地面实况数据)对初始模型4804(例如，预训练模型)进行再训练或更新)。 在至少一个实施例中，为了重新训练或更新初始模型4804，可以重置或删 除初始模型4804的输出或损失层，和/或用更新的或新的输出或损失层代 替。在至少一个实施例中，初始模型4804可以具有从先前训练中保留的先前精细调整的参数(例如权重和/或偏差)，因此训练或再训练4614可能 不需要花费与训练模型从头开始一样长的时间或不需要那么多的处理。。 在至少一个实施例中，在模型训练4614期间，通过重置或替换初始模型 4804的输出或损失层，可以基于与输出的准确性相关联的损失计算或生成 关于新的客户数据集4806(例如，图46的图像数据4608)的预测时的损 失层来为新数据集更新和重新调整参数。
在至少一个实施例中，可以将预训练的模型4706存储在数据存储或 注册表中(例如，图46的模型注册表4624)。在至少一个实施例中，预 训练模型4706可能已经至少部分地在除设施执行过程4800之外的一个或 多个设施处训练。在至少一个实施例中，为了保护患者、受试者、或不同 设施的客户，预训练的模型4706可能已经本地部署使用在本地部署生成的 客户或患者数据进行了训练。在至少一个实施例中，可以使用云4726和/ 或其他硬件4622来训练预训练的模型4706，但是机密的、受隐私保护的 患者数据可以不被传送到云4726的任何组件、不由云4726的任何组件使 用或云4726的任何组件(其他非本地硬件)不可访问。在至少一个实施例 中，在使用来自一个以上设施的患者数据来训练预训练模型4706的情况下， 在对来自另一设施的患者或客户数据进行训练之前，可以针对每个设施分别对预训练模型4706进行训练。在至少一个实施例中，例如在客户或患者 数据已发布隐私问题(例如，通过放弃、用于实验用途等)，或客户或患 者数据包含在公共数据集中的情况下，来自任何数量的设施的客户或患者 数据可以用于在例如数据中心或其他云计算基础设施中的本地部署和/或 备用设备情况下训练预先训练的模型4706。
在至少一个实施例中，当选择用于在部署管线4710中使用的应用程 序时，用户还可以选择要用于特定应用程序的机器学习模型。在至少一个 实施例中，用户可能不具有要模型以供使用，因此用户可以选择要与应用 程序一起使用的预训练模型4706。在至少一个实施例中，对未优化预训练 模型4706进行优化以在用户设施的客户数据集4806上生成准确结果(例 如，基于患者多样性、人口统计学、所使用的医学成像设备的类型等)。 在至少一个实施例中，在将预训练的模型4706部署到部署管线4710中以 与一个或更多个应用程序一起使用之前，可以对预训练的模型4706进行更 新、重新训练和/或微调以用于相应的设施。。
在至少一个实施例中，用户可以选择要被更新、重新训练和/或微调 的预训练模型4706，并且预训练模型4706可以被称为用于处理4800中的 训练系统4604的初始模型4804数据。在至少一个实施例中，客户数据集 4806(例如，成像数据、基因组数据、测序数据或由设施中的设备生成的 其他数据类型)可以用于在初始模型4804上执行模型训练4614(其可以 包括，但不限于，转移学习)以生成细化模型4812。在至少一个实施例中， 可以由训练系统4604生成对应于客户数据集4806的地面实况数据。在至 少一个实施例中，可以至少部分地由临床医生、科学家、医生、从业人员 在设施中生成地面实况数据。(例如，如图46中标记的临床数据4612)。
在至少一个实施例中，在一些示例中可以使用AI辅助注释4610来生 成地面实况数据。在至少一个实施例中，AI辅助注释4610(例如，使用 AI辅助注释SDK实现)可以利用机器学习模型(例如，神经网络)来生 成针对客户数据集的建议或预测的地面实况数据。在至少一个实施例中， 用户4810可以在计算设备4808上的用户界面(图形用户界面(GUI)内 使用注释工具。
在至少一个实施例中，用户4810可以经由计算设备4808与GUI交 互以编辑或微调注释或自动注释。在至少一个实施例中，多边形编辑特征 可以用于将多边形的顶点移动到更精确或微调的位置。
在至少一个实施例中，一旦客户数据集4806具有相关联的地面实况 数据，则地面实况数据(例如，来自AI辅助注释、手动标记等)可以在模 型训练4614期间用于生成精炼模型4812。在至少一个实施例中，客户数 据集4806可以被多次应用到初始模型4804，并且地面实况数据可以被用 于更新初始模型4804的参数，直到对于细化模型4812达到可接受的精度 水平。在至少一个实施例中，一旦生成了细化模型4812，就可以在用于执 行关于医学成像数据的一个或更多个处理任务的设施处的一个或更多个部 署管线4710内部署细化模型4812。
在至少一个实施例中，可以将细化模型4812上传到模型注册表4624 中的预训练模型4706，以由另一设施选择。在至少一个实施例中，他的过 程可以在任意数量的设施处完成，使得可以在新数据集上任意次数地进一 步完善细化模型4812，以生成更通用的模型。
图48B是根据至少一个实施例的，利用预训练的注释模型来增强注 释工具的客户端-服务器架构4832的示例说明。在至少一个实施例中，可 以基于客户端-服务器架构4832来实例化AI辅助的注释工具4836。在至 少一个实施例中，成像应用程序中的注释工具4836可以帮助放射线医生， 例如，识别器官和异常。在至少一个实施例中，成像应用程序可以包括软 件工具，作为非限制性示例，该软件工具帮助用户4810识别原始图像4834 (例如，在3D MRI或CT扫描中)的特定感兴趣器官上的一些极端点， 并接收特定器官的所有2D切片的自动注释结果。在至少一个实施例中， 结果可以作为训练数据4838被存储在数据存储器中，并且被用作(例如但 不限于)用于训练的地面实况数据。在至少一个实施例中，当计算设备4808 发送用于AI辅助注释4610的极限点时，深度学习模型例如可以接收该数 据作为输入并返回分割器官或异常的推断结果。在至少一个实施例中，预 先实例化的注释工具(例如图48中的AI辅助注释工具4836B)，可以通 过对诸如注释辅助服务器4840之类的服务器进行API调用(例如，API 调用4844)来增强，例如，注释辅助服务器4840可以包括存储在注释模 型注册表中的一组预训练模型4842。在至少一个实施例中，注释模型注册 表可以存储预训练的模型4842(例如，机器学习模型，诸如深度学习模型)， 其被预训练以对特定器官或异常执行AI辅助注释。可以通过使用训练管线 4704来进一步更新这些模型。在至少一个实施例中，随着添加新的标记的 临床数据4612，可以随时间改善预安装的注释工具。
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。在此结合图9和/或图10提供关于推理和/或训练逻辑 1015的细节。
自动驾驶车辆
图49A示出了根据至少一个实施例的自动驾驶车辆4900的示例。在 至少一个实施例中，自动驾驶车辆4900(在本文中可替代地称为“车辆 4900”)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 4900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4900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 驶车辆。在一个或更多个实施例中，车辆4900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4900可能能够进行条件自动化(等级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4900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4900可以包括但不限于推进系统4950，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4950可以连接至车辆4900的传动系，其可以包括但不限于变速器，以使得能够对车辆4900进行推进。在至少一个实施例 中，可以响应于从油门/加速器4952接收信号以控制推进系统4950。
在至少一个实施例中，当推进系统4950正在运行时(例如，当车辆 行驶时)，转向系统4954(其可以包括但不限于方向盘)用于使车辆4900 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 4954可以从转向致动器4956接收信号。在至少一个实施例中，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4946可以用于响应于从制动致动器4948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4936可以包括但不限于一个或更多个 片上系统(“SoC”)(图49A中未示出)和/或图形处理单元(“GPU”)向 车辆4900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4936可以发送信号以通过制动致动器 4948操作车辆制动，通过转向致动器4956操作转向系统4954，和/或通过 节气门/加速器4952操作推进系统4950。在至少一个实施例中，控制器4936 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4900。控制器4936可以包括用于自动驾驶 功能的第一控制器，用于功能安全功能的第二控制器，用于人工智能功能 (例如计算机视觉)的第三控制器，用于信息娱乐功能的第四控制器，用于紧急情况下的冗余的第五控制器和/或其他控制器。在至少一个实施例中， 单个控制器可以处理上述功能中的两个或更多个，两个或更多控制器可以 处理单个功能和/或其任何组合。
在至少一个实施例中，控制器4936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4900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全球导航卫星系统(“GNSS”)传感器 4958(例如，全球定位系统传感器)、RADAR传感器4960、超声波传感器 4962、LIDAR传感器4964、惯性测量单元(IMU)传感器4966(例如， 加速度计、陀螺仪、磁罗盘、磁力计等)、麦克风4996、立体声相机4968、 广角相机4970(例如鱼眼相机)、红外相机4972、环绕相机4974(例如， 360度相机)、远程相机(图49A中未示出)、中程相机(图49A中未示出)、 速度传感器4944(例如，用于测量车辆4900的速度)、振动传感器4942、 转向传感器4940、制动传感器(例如，作为制动传感器系统4946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4936可以从车辆4900 的仪表板4932接收输入(例如，由输入数据表示)并通过人机界面(“HMI”) 显示器4934、声音信号器、扬声器和/或车辆4900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49A中 未显示)、位置数据(例如，车辆4900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控制器4936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4934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4900进一步包括网络接口4924，其可以 使用无线天线4926和/或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4924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”)网络等进行通 信。在至少一个实施例中，无线天线4926还可以使用局域网(例如Bluetooth、 Bluetooth LowEnergy(LE)、Z-Wave、ZigBee等)和/或低功耗广域网(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9和/或图10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49A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。
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。本文结合图9和/或图10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13 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图49B示出了根据至少一个实施例的图49A的自主车辆4900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4900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4900的组件和/或系统一起使用的数字相机。在至少一个实施例 中，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)、120fps、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的透明 (“RCCC”)滤色器阵列、红色透明的透明蓝色(“RCCB”)滤色器阵列、 红色蓝色绿色透明(“RBGC”)滤色器阵列、FoveonX3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 车辆4900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，相机可以被集成到后视镜中。在至少一个实 施例中，对于侧视相机，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4900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4936 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4970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49B中仅示出了一个广角相机4970，但 是，在其他实施例中，车辆4900上可以有任何数量(包括零)的广角相机4970。在至少一个实施例中，任何数量的远程相机4998(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4998也可以用于对象检测和分类以及 基本对象追踪。
在至少一个实施例中，任何数量的立体声相机4968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4968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4900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4968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4900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4968。
在至少一个实施例中，具有包括车辆4900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4974(例如，如图49B所示的四个环绕相机)可以定位在车辆 4900上。在至少一个实施例中，环绕相机4974可以包括但不限于，广角相机、鱼目镜头、360度相机和/或相似相机的任意数量和组合。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4900的前、后和侧面。 在至少一个实施例中，车辆4900可以使用三个环绕相机4974(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4900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前向相机的相机(例如，远程相机4998和/ 或中程相机4976、立体相机4968、红外相机4972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。本文结合图9和/或图10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49B 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。
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。本文结合图9和/或图10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13 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图49C示出了根据至少一个实施例的图49A的自动驾驶车辆4900的 示例系统架构的框图。在至少一个实施例中，图49C中的车辆4900的组 件、特征和系统中的每一个都示出为经由总线4902连接。在至少一个实施 例中，总线4902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总线可以是车辆4900内部的 网络，用于帮助控制车辆4900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4902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标识符(例如，CAN ID)。 在至少一个实施例中，可以读取总线4902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4902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形 成总线4902，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4902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4902可以用于碰 撞避免功能，并且第二总线4902可以用于致动控制。在至少一个实施例中， 总线4902中的每一个可以与车辆4900的任何组件通信，并且总线4902 中的两个或更多个总线可以与相应的组件通信。在至少一个实施例中，任 何数量的片上系统(“SoC”)4904(如SoC4904(A)和SoC4904(B))中 的每一个，控制器4936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4900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4900可以包括一个或更多个控制器4936， 诸如本文关于图49A所描述的那些。控制器4936可以耦合到车辆4900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4900、车辆 4900的人工智能、车辆4900的信息娱乐和/或其他功能等。
在至少一个实施例中，车辆4900可以包括任何数量的SoC 4904。SoC 4904中的每一个可以包括但不限于中央处理单元(“CPU”)4906、图形处 理单元(“GPU”)4908、处理器4910、高速缓存4912、加速器4914、数 据存储4916和/或其他未显示的组件和特征。在至少一个实施例中，SoC 4904可以用于在各种平台和系统中控制车辆4900。例如，在至少一个实施 例中，SoC 4904可以与高清晰度(“HD”)地图4922在系统(例如，车辆 4900的系统)中组合，该高清晰度地图4922可以经由网络接口4924从一 个或更多个服务器(图49C中未示出)获得地图刷新和/或更新。
在至少一个实施例中，CPU 4906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，CPU 4906 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，CPU 4906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，CPU 4906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，2兆字节MB L2高速缓存)。在至少一个实施例中， CPU 4906(例如，CCPLEX)可以配置成支持同时的集群操作，使得CPU 4906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 4906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；和/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， CPU 4906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，GPU 4908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，GPU 4908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，GPU 4908可以 使用增强的张量指令集。在至少一个实施例中，GPU 4908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，GPU 4908可以包括至少八个流 式微处理器。在至少一个实施例中，GPU 4908可以使用计算应用程序编程 接口(API)。在至少一个实施例中，GPU 4908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模型)。
在至少一个实施例中，一个或更多个GPU 4908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GPU 4908。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存储器单元，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 4908可以包括高带宽存储 器(“HBM”)和/或16GB HBM2存储器子系统，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存 储器，可以使用同步图形随机存取存储器(“SGRAM”)，例如图形双倍数 据速率类型的五同步随机存取存储器(“GDDR5”)。
在至少一个实施例中，GPU 4908可以包括统一存储器技术。在至少 一个实施例中，地址转换服务(“ATS”)支持可以用于允许GPU 4908直接 访问CPU 4906页表。在至少一个实施例中，当GPU 4908中的CPU存储 器管理单元(“MMU”)经历未命中时，可以将地址转换请求发送到CPU 4906。作为响应，在至少一个实施例中，CPU 4906中的两个CPU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GPU 4908。在至 少一个实施例中，统一存储器技术可以允许单个统一虚拟地址空间用于 CPU 4906和GPU 4908存储器，从而简化了GPU 4908的编程以及将应用 程序移植到GPU 4908。
在至少一个实施例中，GPU 4908可以包括任意数量的访问计数器， 其可以追踪GPU 4908对其他处理器的存储器的访问频率。在至少一个实 施例中，访问计数器可以帮助确保将存储器页面移动到最频繁访问页面的 处理器的物理存储器中，从而提高处理器之间共享的存储器范围的效率。
在至少一个实施例中，一个或更多个SoC 4904可以包括任何数量的 高速缓存4912，包括本文所述的那些。例如，在至少一个实施例中，高速 缓存4912可以包括可用于CPU4906和GPU4908(例如，连接两个CPU4906 和GPU 4908)的三级(“L3”)高速缓存。在至少一个实施例中，高速缓 存4912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)来追踪线的状态。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 4904可以包括一个或更多 个加速器4914(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，SoC 4904可以包括硬件加速集群，其可以包括优化的硬件加速 器和/或大的片上存储器。在至少一个实施例中，大的片上存储器(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GPU4908并且卸载GPU 4908的 一些任务(例如，释放GPU 4908的更多周期以执行其他任务)。在至少一 个实施例中，加速器4914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，加速器4914(例如，硬件加速集群)可以包 括深度学习加速器(“DLA”)。在至少一个实施例中，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DLA。在至少一个实施例中，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，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，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4996 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GPU 4908的任何功能，并且通 过使用推理加速器，例如，设计者可以将DLA或GPU 4908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DLA上，并将其他功能留给GPU 4908和/或加速器4914。
在至少一个实施例中，加速器4914(例如，硬件加速集群)可以包 括可编程视觉加速器(“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，PVA可以设计和配置为加速用于高级驾驶 员辅助系统(“ADAS”)4938、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。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，每个PVA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、直接存储器访问 (“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存储器。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PVA的组件能够独立于CPU 4906 访问系统存储器。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/或向量存储器(例如“VMEM”)。在至少一 个实施例中，VPU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 以耦合到专用存储器。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 顺序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”)存储器，以增强整体系统安全性。
在至少一个实施例中，加速器4914(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存储器(“SRAM”)，用于为加速器 4914提供高带宽，低延迟SRAM。在至少一个实施例中，片上存储器可以 包括至少4MB SRAM，其包括例如但不限于八个现场可配置的存储器块， 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存储器。在至少一个实施例中， PVA和DLA可以经由为PVA和DLA提供对存储器的高速访问的主干网 来访问存储器。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互连到存储器(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 4904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，加速器4914(例如，硬件加速集群)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，这些数据集可能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，自主车辆，诸如车辆4900，PVA 可以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。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”)系统的一个实施例中，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，LIDAR传感器4964或RADAR传感器4960)等获得的对象的车辆4900方向、距离、3D位置估 计相关的IMU传感器4966的输出。
在至少一个实施例中，一个或更多个SoC 4904可以包括数据存储器 4916(例如，存储器)。在至少一个实施例中，数据存储器4916可以是SoC 4904的片上存储器，其可以存储要在GPU 4908和/或DLA上执行的神经 网络。在至少一个实施例中，数据存储器4916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，数据存 储器4916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 4904可以包括任何数量的 处理器4910(例如，嵌入式处理器)。在至少一个实施例中，处理器4910 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SoC 4904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，SoC 4904 热和温度传感器管理和/或SoC 4904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 SoC 4904可以使用环形振荡器来检测CPU 4906，GPU 4908和/或加速器 4914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SoC 4904置于较低功耗状态和 /或将车辆4900置于司机的安全停车图案(例如，使车辆4900安全停车)。
在至少一个实施例中，一个或更多个处理器4910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，处理器4910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，处理器4910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，处理器 4910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，处理器 4910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，处理器4910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广角相机 4970、环绕相机4974和/或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 4904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GPU 4908来连续渲染 新表面。在至少一个实施例中，当对GPU4908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GPU 4908以改善性能和响应性。
在至少一个实施例中，SoC 4904中的一个或更多个SoC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，SoC 4904中的一个或更多个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，SoC 4904中的一个或更多个SoC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。SoC 4904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)相机、传感器(例如，LIDAR 传感器4964，RADAR传感器4960等，其可以通过以太网连接)的数据， 来自总线4902的数据(例如，车辆4900的速度、方向盘位置等)，来自 GNSS传感器4958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SoC4904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CPU 4906摆脱常规数据管理任务。
在至少一个实施例中，SoC 4904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，SoC 4904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，加速器4914当与CPU 4906、GPU 4908 以及数据存储器4916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/或顺序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，GPU 4920)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CPUComplex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)”组成的警告标志，连 通电灯一起，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)将警 告标志本身识别为交通标志，并且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GPU 4908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4900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，SoC 4904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4996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， SoC 4904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GNSS传 感器4958所标识。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，而在北美时，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，就可以在超声波传感器4962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，直到紧急车辆通过。
在至少一个实施例中，车辆4900可以包括CPU 4918(例如，离散 CPU或dCPU)，其可以经由高速互连(例如PCIe)耦合到SoC 4904。在 至少一个实施例中，CPU 4918可以包括X86处理器，例如CPU 4918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SoC 4904之 间潜在的仲裁不一致的结果，和/或监控控制器4936的状态和健康和/或片 上信息系统(“信息SoC”)4930。
在至少一个实施例中，车辆4900可以包括GPU 4920(例如，离散 GPU或dGPU)，其可以经由高速互连(例如NVIDIA的NVLINK通道) 耦合到SoC 4904。在至少一个实施例中，GPU4920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4900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4900可以进一步包括网络接口4924，其 可以包括但不限于无线天线4926(例如，用于不同通信协议的一个或更多 个无线天线，诸如蜂窝天线、蓝牙天线等)。在至少一个实施例中，网络接 口4924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4900和另一个车辆之间建立 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。在至少一 个实施例中，车辆到车辆的通信链路可以向车辆4900提供关于车辆4900 附近的车辆的信息(例如，车辆4900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4900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4924可以包括SoC，其提供调制和 解调功能并使控制器4936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4924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4900可以进一步包括数据存储器4928， 其可以包括但不限于片外(例如，片外SoC 4904)存储器。在至少一个实 施例中，数据存储器4928可以包括但不限于一个或更多个存储元件，包括 RAM、SRAM、动态随机存取存储器(“DRAM”)、视频随机存取存储器 (“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4900可以进一步包括GNSS传感器4958 (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4958，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4900可以进一步包括一个或更多个 RADAR传感器4960。RADAR传感器4960可以由车辆4900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。在至少一个实施例中，RADAR传感器4960 可以使用CAN和/或总线4902(例如，以传输由RADAR传感器4960生 成的数据)来进行控制和访问对象追踪数据，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，RADAR传感器4960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4960 是脉冲多普勒RADAR传感器。
在至少一个实施例中，RADAR传感器4960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(米)范围内)实现的宽广的视野。RADAR传感器4960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4938用于紧急制 动辅助和向前碰撞警告。在至少一个实施例中，包括在远程RADAR系统 中的传感器4960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4900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4900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4960。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4938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4900可以进一步包括一个或更多个超声 传感器4962。可以定位在车辆4900的前、后和/或侧面位置的超声传感器 4962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4962，并且可以将不同的超声传感器4962 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4962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4900可以包括一个或更多个LIDAR传感 器4964。LIDAR传感器4964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，LIDAR传感器4964可以以 功能安全等级ASILB操作。在至少一个实施例中，车辆4900可以包括可 以使用以太网信道的多个(例如，两个、四个、六个等)LIDAR传感器4964(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，LIDAR传感器4964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LIDAR传感 器4964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4964。在这样的实施例中，可以将LIDAR传感器4964包括嵌入到车辆4900的前、后、侧面和/或拐角中的小型设备。在 至少一个实施例中，LIDAR传感器4964，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LIDAR传感器 4964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4900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4900 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4900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IMU传感器4966。在至少一个 实施例中，IMU传感器4966可位于车辆4900的后轴中心，在至少一个实 施例中。在至少一个实施例中，IMU传感器4966可以包括，例如但不限 于，加速度计、磁力计、陀螺仪、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，IMU传感器4966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，IMU传感器 4966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，IMU传感器4966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，IMU传感器4966可使车辆4900 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IMU传感器4966的速度变化来实现的输入。在至少一个实施例中，IMU传感器4966 和GNSS传感器4958可以组合在单个集成单元中。
在至少一个实施例中，车辆4900可以包括放置在车辆4900内和/或 周围的麦克风4996。在至少一个实施例中，此外，麦克风4996可以用于 紧急车辆检测和识别。
在至少一个实施例中，车辆4900可以进一步包括任何数量的相机类 型，包括立体相机4968、广角相机4970、红外相机4972、环绕相机4974、 远程相机4998、中程相机4976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4900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4900。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4900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4900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 49A和图49B更详细地描述了每个相机。
在至少一个实施例中，车辆4900可以进一步包括振动传感器4942。 在至少一个实施例中，振动传感器4942可以测量车辆4900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4942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4900可以包括ADAS系统4938。ADAS 系统4938可以包括但不限于SoC。在至少一个实施例中，ADAS系统4938 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RADAR传感器4960、 LIDAR传感器4964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4900的车辆的距离，并自动调节车辆 4900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4900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4924和/或无线天线4926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通信提供关于 紧接在前的车辆(例如，紧接在车辆4900之前并与之在同一车道上的车辆) 的信息，而I2V通信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4900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RADAR传感器4960，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的前向相机和/或RADAR传 感器4960。在至少一个实施例中，当AEB系统检测到危险时，AEB系统将通常首先警告驾驶员采取纠正措施以避免碰撞，并且，如果那一驾驶员 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4900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，当驾驶员例如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。LKA系统是LDW系统的一种变型。在 至少一个实施例中，如果车辆4900开始离开车道，则LKA系统提供转向 输入或制动以校正车辆4900。
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的朝后侧的相机和/或RADAR传感器4960，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4900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4960，其耦合到专用处理器、DSP、FPGA和/或ASIC，其 电耦合以提供驾驶员反馈，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4900本身决 定是否听从主计算机或副计算机(例如，第一控制器或第二控制器)的结 果。例如，在至少一个实施例中，ADAS系统4938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4938的输出提供给监控MCU。在至少一个实施例中，如果来 自主计算机的输出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的输出和辅助计算机的 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 有相关联的存储器的神经网络的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SoC 4904的组件。
在至少一个实施例中，ADAS系统4938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4938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4938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4900可以进一步包括信息娱乐SoC 4930 (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4930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 4930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、WiFi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4900。例如，信息娱乐SoC4930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、WiFi、方向盘音频控制、免提语音控制、抬头显示器 (“HUD”)、HMI显示器4934、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 4930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4938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 4930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 4930可以通过总线4902 (例如，CAN总线、以太网等)与车辆4900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 4930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4936(例如，车辆4900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 4930可以使车辆4900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4900可以进一步包括仪表板4932(例如， 数字仪表板、电子仪表板、数字仪表操纵板等)。在至少一个实施例中，仪 表板4932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4932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、安全带警告灯、驻车制动警告灯、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 4930和仪 表板4932之间显示和/或共享。在至少一个实施例中，仪表板4932可以被 包括作为信息娱乐SoC 4930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。本文结合图9和/或图10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49C中使用，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。
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。本文结合图9和/或图10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13 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。在至少一个实施例中，推断和/或训练逻辑1015可以用于基于与一个 或更多个观察者并不总是可见的事件或对象相对应的注视来预测观察者的 注视。
图49D是根据至少一个实施例的在基于云的服务器与图49A的自主 车辆4900之间进行通信的系统4976的图。在至少一个实施例中，系统4976 可以包括但不限于服务器4978、网络4990以及任何数量和类型的车辆， 包括车辆4900。在至少一个实施例中，服务器4978可以包括但不限于， 多个GPU 4984(A)-4984(H)(在本文中统称为GPU 4984)、PCIe交换 机4982(A)-4982(D)(在本文中统称为PCIe开关4982)，和/或CPU 4980 (A)-4980(B)(在本文中统称为CPU 4980)、GPU 4984、CPU 4980和 PCIe开关4982可以与高速连接线互连，例如但不限于，由NVIDIA开发 的NVLink接口4988和/或PCIe连接4986。GPU 4984通过NVLink和/或 NVSwitchSoC连接，GPU 4984和PCIe开关4982通过PCIe互连连接。在 至少一个实施例中，尽管示出了八个GPU 4984、两个CPU 4980和四个PCIe 开关4982，但这并不旨在进行限制。在至少一个实施例中，服务器4978 中的每一个可以包括但不限于任意数量的GPU4984、CPU 4980和/或PCIe 开关4982的任何组合。例如，在至少一个实施例中，服务器4978可各自 包括八个、十六个、三十二个和/或更多个GPU 4984。
在至少一个实施例中，服务器4978可以通过网络4990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，服务器4978可以通过网络4990 并且向车辆传输神经网络4992、更新后的神经网络4992和/或地图信息 4994，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4994的更新可以包括但不限于对HD地图4922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4992、更新后的神经网络4992和/或地图信息4994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，使用服务器4978和/ 或其他服务器)。
在至少一个实施例中，服务器4978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)。在至少一个实施例中，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，通过网络4990传输到车 辆，和/或机器学习模型可以被服务器4978使用以远程监控车辆。
在至少一个实施例中，服务器4978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， 服务器4978可以包括由GPU4984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DGXStation机器。然而，在 至少一个实施例中，服务器4978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，服务器4978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4900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4900接收周期性更新，例如车辆4900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4900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4900中的AI正在发生故障， 则服务器4978可以将信号发送到车辆4900，以指示车辆4900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，服务器4978可以包括GPU 4984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，推理和/或训 练逻辑1015用于执行一个或更多个实施例。本文结合图9和/或图10提供 关于推理和/或训练逻辑815的细节。
其他变型在本公开的精神内。因此，尽管所公开的技术易于进行各种 变构和替代构造，但是某些示出的实施例由此在附图中示出并且已经在上 面进行了详细描述。然而，应当理解，无意将本发明限制为所公开的特定 形式或形式，相反，其意图是涵盖落入本发明的精神和范围内的所有修改、 替代构造和等同形式，如所附权利要求所定义的。
在描述所公开的实施例的上下文中(特别是在所附权利要求的上下文 中)术语“一”、“一个”和“所述”以及类似指代的使用应被解释为涵盖 单数和复数并且不作为术语的定义，除非本文另有说明或与上下文明显矛 盾。除非另外指出，否则术语“包括”、“具有”、“包含”和“含有”应解 释为开放式术语(即，意思是“包括但不限于”)。术语“连接”(未经修改 且指的是物理连接)，应理解为完全或部分地包含在，附加到或连接在一起， 即使有某物介入。本文中数值范围的引用仅旨在用作一种简写方法，除非 本文另有说明，否则分别指代落入该范围内的每个单独值，并且每个单独 值都被并入说明书中，就如同在此单独引用一样。术语“集合”(例如，“项 目的集合)”或“子集”的使用，除非上下文另有说明或与之矛盾，否则应 解释为包含一个或更多个成员的非空集合。此外，除非上下文另有说明或 与之矛盾，否则相应集合的术语“子集”不是必需表示相应集合的适当子 集，但是该子集和相应集合可以相等。
连接的语言，例如“A、B和C中的至少一个”或“A、B和C至少 一个”形式的短语，除非另有明确说明或与上下文明显矛盾否则，否则可 以作为通常使用与上下文一起理解以呈现项目、条款等，可以是是A或B 或C，也可以是A和B以及C的集合的任何非空子集。例如，在具有三个 成员的集合的示例性示例中，连接短语“A、B和C中的至少一个”和“A， B和C中的至少一个”是指以下任意集合：{A}、{B}、{C}、{A，B}、{A， C}、{B，C}、{A，B，C}。因此，这种连接语言通常并不旨在暗示某些实 施例需要至少一个A、至少一个B和至少一个C，他们每一个用于呈现。 另外，除非另有说明或与上下文矛盾，否则术语“多个”表示复数的状态 (例如，“多个项目”表示复数个项目)。“多个”中项目的数量的至少是两 个，但是当明确地或通过上下文指示时可以是更多。此外，除非另有说明 或从上下文中另外可知，否则短语“基于”是指“至少部分基于”而不是 “仅基于”。
可以以任何合适的顺序来执行本文描述的过程的操作，除非本文另有 指示或与上下文明显矛盾。在一个实施例中，诸如本文描述的那些过程(或 其变型和/或组合)的过程在一个或更多个计算机系统中的一个控制下通过 硬件或其组合执行，一个或更多个计算机系统配置有可执行指令并且被实 现为在一个或更多个处理器上共同执行的代码(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)。在一个实施例中，代码以 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的计算机程序。在一个实施例中，计 算机可读存储介质是非暂时性计算机刻度存储介质，其不包括暂时信号(例 如，传播的瞬态电或电磁传输)但包括瞬时信号的收发器内的非暂时性数 据存储电路(例如，缓冲器、高速缓存和队列)。在一个实施例中，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(或其他存储 器以存储可执行指令)的一组一个或更多个非暂时性计算机可读存储介质 上，该可执行指令在被计算机系统的一个或更多个处理器执行时(例如， 作为被执行的结果)，使计算机系统执行本文所述的操作。在一个实施例中， 该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， 以及多个非暂时性计算机可读存储介质中的一个或更多个单独的非暂时性 存储介质缺少全部代码，而多个非暂时性计算机可读存储介质共同存储所 有代码。在一个实施例中，可执行指令被执行，使得不同的指令被不同的 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CPU 执行一些指令，而图形处理器单元执行其他指令。在一个实施例中，计算 机系统的不同组件具有独立处理器，以及不同处理器执行指令的不同子集。
因此，在一个实施例中，计算机系统配置成实现单独或共同执行本文 所述的过程的操作的一个或更能多个服务，并且这样的计算机系统配置有 能够使操作的执行的适用的硬件和/或软件。此外，实现本公开的实施例的 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，使得该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。
除非另外要求，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发明的实施例，而不对本发明的范围构成 限制。本说明书中的语言不应解释为表示任何未要求保护的要素对于实施 本发明是必不可少的。
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，其程度如同每个参考文献被单独且具体地指示以引用方 式并入本文一样，并在此全文进行阐述。
在说明书和权利要求书中，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多个元素彼此不直接接触，但 仍彼此协作或交互。
除非另有说明，否则应理解，在整个说明书中，诸如“处理”、“计算 处理”、“计算”、“确定”等术语均指计算机或计算系统或类似的电子计算 设备的动作和/或过程，这些电子设备将在计算系统的寄存器和/或存储器中 表示为物理量(例如电子)的数据(例如电子)操作和/或转换为类似地表 示为计算系统的存储器、寄存器或其他此类信息存储器、传输或显示设备 中的物理量的其他数据。
在类似的方式中，术语“处理器”可以指处理来自寄存器和/或存储 器的电子数据并将该电子数据转换成可以存储在寄存器和/或存储器中的 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” 可以是中央处理单元(CPU)或图形处理单元(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。同样， 每个过程可以指代多个过程，以依次或并行，连续或间歇地执行指令。术 语“系统”和“方法”在本文中可互换使用，以达到一种该系统可以体现 一种或更多种方法并且该方法可以被认为是系统的程度。
在本文档中，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。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。在另一个实施方式中，获得、获取、接收或输入模拟或数字数据的 过程可以通过经由计算机网络将数据从提供实体转移到获取实体来完成。 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 的参数进行传输来完成。
尽管以上讨论阐述了所描述的技术的示例实施方式，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职责分配，但是根据情况，各种功能和职责 可能以不同的方式分配和划分。
此外，尽管已经以结构特征和/或方法动作专用的语言描述了主题， 但应理解，所附权利要求书中定义的主题不必限于所描述的特定特征或动 作。而是，将特定特征和动作公开为实现权利要求的示例性形式。

Claims (40)

1.一种处理器，包括：
一个或更多个电路，用于使用一个或更多个神经网络至少部分地基于与一个或更多个用户并不总是可见的对象相对应的先前注视，来预测所述一个或更多个用户的注视。
2.根据权利要求1所述的处理器，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
3.根据权利要求2所述的处理器，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定所述一个或更多个用户的注视。
4.根据权利要求3所述的处理器，其中将单个事件类型的事件聚类以确定那些事件的重要性。
5.根据权利要求3所述的处理器，其中使用一个或更多个视频帧来预测所述注视，其中将视频帧的像素布置到网格的单元中，其中为每个单元分配使用所述单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
6.根据权利要求1所述的处理器，其中，针对当前视频的图像特征来预测所述注视，并且其中，针对至少第二视频来确定所述先前注视。
7.一种系统，包括：
一个或更多个处理器，用于使用一个或更多个神经网络至少部分地基于与一个或更多个用户并不总是可见的对象相对应的先前注视，来预测所述一个或多个用户的注视。
8.根据权利要求7所述的系统，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
9.根据权利要求8所述的系统，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定所述一个或更多个用户的注视。
10.根据权利要求9所述的系统，其中，将单个事件类型的事件聚类以确定那些事件的所述重要性。
11.根据权利要求9所述的系统，其中，使用视频帧来预测所述注视，其中，将所述视频帧的像素布置到网格的单元中，其中，为每个单元分配使用该单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
12.根据权利要求7所述的系统，其中，针对当前视频的图像特征来预测所述注视，并且其中，针对至少第二视频来确定所述先前注视。
13.一种方法，包括：
使用一个或更多个神经网络至少部分地基于与一个或更多个用户并不总是可见的对象相对应的先前注视，来预测所述一个或更多个用户的注视。
14.根据权利要求13所述的方法，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
15.根据权利要求14所述的方法，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定一个或更多个用户的所述注视。
16.根据权利要求15所述的方法，其中将单个事件类型的事件聚类以确定那些事件的所述重要性。
17.根据权利要求15所述的方法，还包括：
使用视频帧来预测所述注视，其中将所述视频帧的像素布置到网格的单元中，其中为每个单元分配使用该单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
18.根据权利要求13所述的方法，还包括：
针对当前视频的图像特征来预测所述注视，并且其中针对至少第二视频来确定所述先前注视。
19.一种机器可读介质，其上存储有一组指令，如果由一个或更多个处理器执行，则使所述一个或更多个处理器至少：
使用一个或更多个神经网络至少部分地基于与一个或更多个用户并不总是可见的对象相对应的先前注视，来预测所述一个或更多个用户的注视。
20.根据权利要求19所述的机器可读介质，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
21.根据权利要求20所述的机器可读介质，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定所述一个或更多个用户的注视。
22.根据权利要求21所述的机器可读介质，其中，将单个事件类型的事件聚类以确定那些事件的重要性。
23.根据权利要求21所述的机器可读介质，其中，使用视频帧来预测所述注视，其中，将所述视频帧的像素布置到网格的单元中，其中，为每个单元分配使用该单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
24.根据权利要求19所述的机器可读介质，其中，针对当前视频的图像特征来预测所述注视，并且其中针对至少第二视频来确定所述先前注视。
25.一种处理器，包括：
一个或更多个电路，用以训练一个或更多个神经网络，以使用与一个或更多个用户并不总是可见的对象相对应的先前注视来预测所述一个或多个用户的注视。
26.根据权利要求25所述的处理器，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
27.根据权利要求26所述的处理器，其中，所述事件还具有各自的重要性，并且其中使用所述事件的所述发生概率和所述重要性来确定所述一个或更多个用户的注视。
28.根据权利要求27所述的处理器，其中，将单个事件类型的事件聚类以确定那些事件的重要性。
29.根据权利要求27所述的处理器，其中使用视频帧来预测所述注视，其中，将所述视频帧的像素布置到网格的单元中，其中，为每个单元分配使用该单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
30.根据权利要求25所述的处理器，其中针对当前视频的图像特征来预测所以注视，并且其中，针对至少第二视频来确定所述先前注视。
31.一种系统，包括：
一个或更多个处理器，用以训练一个或更多个神经网络，以使用与一个或更多个用户并不总是可见的对象相对应的先前注视来预测所述一个或更多个用户的注视。
32.根据权利要求31所述的系统，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
33.根据权利要求32所述的系统，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定所述一个或更多个用户的注视。
34.根据权利要求33所述的系统，其中将单个事件类型的事件聚类以确定那些事件的所述重要性。
35.根据权利要求33所述的系统，其中，使用视频帧来预测所述注视，其中，将所述视频帧的像素布置到网格的单元中，其中，为每个单元分配使用该单元的像素的事件概率之和乘以一个或更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
36.一种方法，包括：
使用与一个或更多个用户并不总是可见的对象相对应的先前注视，来训练一个或更多个神经网络以预测所述一个或更多个用户的注视。
37.根据权利要求36所述的方法，其中，所述对象对应于至少部分基于所述先前注视而具有确定的发生概率的事件。
38.根据权利要求37所述的方法，其中，所述事件还具有各自的重要性，并且其中，使用所述事件的所述发生概率和所述重要性来确定一个或更多个用户的注视。
39.根据权利要求38所述的方法，其中，将单个事件类型的事件聚类以确定那些事件的所述重要性。
40.根据权利要求38所述的方法，其中，使用视频帧来预测所述注视，其中，将所述视频帧的像素布置到网格的单元中，其中，为每个单元分配使用该单元的像素的事件概率之和乘以一个或给更多个重要性值确定的关注值，并且其中所述关注值用于预测所述注视。
CN202011205600.3A 2019-10-31 2020-11-02 使用一个或更多个神经网络确定注视 Pending CN112749618A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US16/669,863 2019-10-31
US16/669,863 US20210132688A1 (en) 2019-10-31 2019-10-31 Gaze determination using one or more neural networks
US202016841447A 2020-04-06 2020-04-06
US16/841,447 2020-04-06

Publications (1)

Publication Number Publication Date
CN112749618A true CN112749618A (zh) 2021-05-04

Family

ID=73005422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011205600.3A Pending CN112749618A (zh) 2019-10-31 2020-11-02 使用一个或更多个神经网络确定注视

Country Status (2)

Country Link
EP (1) EP3816853A1 (zh)
CN (1) CN112749618A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298830A (zh) * 2021-06-22 2021-08-24 西南大学 一种基于自监督的急性颅内ich区域图像分割方法
CN114584850A (zh) * 2022-03-09 2022-06-03 合肥工业大学 一种面向点云视频流媒体传输的用户视角预测方法
US20230249074A1 (en) * 2022-02-08 2023-08-10 Sony Group Corporation Artificial intelligence for driving lines in racing games

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2599900B (en) * 2020-10-09 2023-01-11 Sony Interactive Entertainment Inc Data processing system and method for image enhancement
CN113298038B (zh) * 2021-06-21 2023-09-19 东北大学 用于辅助诊断ad的多频脑网络区分子网络对的构建方法
CN114861654A (zh) * 2022-03-31 2022-08-05 重庆邮电大学 一种中文文本中基于词性融合的对抗训练的防御方法
CN114648805B (zh) * 2022-05-18 2022-09-02 华中科技大学 课程视频视线修正系统及其训练方法、视线落点估计方法
CN117233723B (zh) * 2023-11-14 2024-01-30 中国电子科技集团公司第二十九研究所 一种基于cnn类激活图的雷达跟踪包络提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202340A1 (en) * 2008-10-29 2011-08-18 Ariyaeeinia Aladdin M Speaker verification
US20150339589A1 (en) * 2014-05-21 2015-11-26 Brain Corporation Apparatus and methods for training robots utilizing gaze-based saliency maps
CN109313490A (zh) * 2016-06-28 2019-02-05 谷歌有限责任公司 使用神经网络的眼睛注视跟踪
US20190080474A1 (en) * 2016-06-28 2019-03-14 Google Llc Eye gaze tracking using neural networks
WO2019147677A1 (en) * 2018-01-24 2019-08-01 Kaban Technologies Llc Event camera-based gaze tracking using neural networks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9830529B2 (en) * 2016-04-26 2017-11-28 Xerox Corporation End-to-end saliency mapping via probability distribution prediction
US10473788B2 (en) * 2017-12-13 2019-11-12 Luminar Technologies, Inc. Adjusting area of focus of vehicle sensors by controlling spatial distributions of scan lines
US11392131B2 (en) * 2018-02-27 2022-07-19 Nauto, Inc. Method for determining driving policy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202340A1 (en) * 2008-10-29 2011-08-18 Ariyaeeinia Aladdin M Speaker verification
US20150339589A1 (en) * 2014-05-21 2015-11-26 Brain Corporation Apparatus and methods for training robots utilizing gaze-based saliency maps
CN109313490A (zh) * 2016-06-28 2019-02-05 谷歌有限责任公司 使用神经网络的眼睛注视跟踪
US20190080474A1 (en) * 2016-06-28 2019-03-14 Google Llc Eye gaze tracking using neural networks
WO2019147677A1 (en) * 2018-01-24 2019-08-01 Kaban Technologies Llc Event camera-based gaze tracking using neural networks

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298830A (zh) * 2021-06-22 2021-08-24 西南大学 一种基于自监督的急性颅内ich区域图像分割方法
US20230249074A1 (en) * 2022-02-08 2023-08-10 Sony Group Corporation Artificial intelligence for driving lines in racing games
CN114584850A (zh) * 2022-03-09 2022-06-03 合肥工业大学 一种面向点云视频流媒体传输的用户视角预测方法
CN114584850B (zh) * 2022-03-09 2023-08-25 合肥工业大学 一种面向点云视频流媒体传输的用户视角预测方法

Also Published As

Publication number Publication date
EP3816853A1 (en) 2021-05-05

Similar Documents

Publication Publication Date Title
US20220035684A1 (en) Dynamic load balancing of operations for real-time deep learning analytics
CN113269299A (zh) 使用深度学习的机器人控制
CN116569211A (zh) 使用变换训练神经网络的技术
US20220153262A1 (en) Object detection and collision avoidance using a neural network
CN112824061A (zh) 引导不确定性-意识策略优化：结合无模型和基于模型的策略用于有效采样学习
CN114330637A (zh) 使用鲁棒的时序组合的神经网络训练
US20210329306A1 (en) Video compression using neural networks
US20210334645A1 (en) Notifications determined using one or more neural networks
US20220012596A1 (en) Attribute-aware image generation using neural networks
CN113379819A (zh) 使用神经网络来扩展图像的技术
CN114139698A (zh) 用于神经网络的全球联合训练
US11748845B2 (en) Machine learning techniques for enhancing video conferencing applications
EP3816853A1 (en) Gaze determination using one or more neural networks
CN114600113A (zh) 选择用于使用神经网络训练图像的注释
US20210342686A1 (en) Content management using one or more neural networks
CN115004197A (zh) 使用神经网络和带注释的图像的图像标签生成
CN114611658A (zh) 神经网络调度器
CN115136147A (zh) 用于神经网络模型的加速训练
CN115081611A (zh) 修剪神经网络
CN115049040A (zh) 神经网络训练技术
CN115812222A (zh) 边界框的生成
CN115438783A (zh) 神经网络的分类技术
CN115904693A (zh) 利用衍生神经网络优化并行人工智能处理
CN116090539A (zh) 训练神经网络的新颖方法
CN117677956A (zh) 修改神经网络的性能

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