CN114787879A - 使用神经网络进行训练和推理以预测图像中对象的方向 - Google Patents
使用神经网络进行训练和推理以预测图像中对象的方向 Download PDFInfo
- Publication number
- CN114787879A CN114787879A CN202080078653.5A CN202080078653A CN114787879A CN 114787879 A CN114787879 A CN 114787879A CN 202080078653 A CN202080078653 A CN 202080078653A CN 114787879 A CN114787879 A CN 114787879A
- Authority
- CN
- China
- Prior art keywords
- image
- viewpoint
- images
- neural networks
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 406
- 238000012549 training Methods 0.000 title claims description 400
- 238000000034 method Methods 0.000 claims abstract description 353
- 230000015654 memory Effects 0.000 claims description 443
- 230000006870 function Effects 0.000 claims description 217
- 239000002131 composite material Substances 0.000 claims description 101
- 230000009466 transformation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 description 307
- 230000008569 process Effects 0.000 description 230
- 238000010586 diagram Methods 0.000 description 86
- 238000003860 storage Methods 0.000 description 68
- 210000002569 neuron Anatomy 0.000 description 66
- 238000007667 floating Methods 0.000 description 64
- 230000001133 acceleration Effects 0.000 description 58
- 238000004891 communication Methods 0.000 description 54
- 238000005192 partition Methods 0.000 description 49
- 238000010801 machine learning Methods 0.000 description 45
- 238000005227 gel permeation chromatography Methods 0.000 description 43
- 238000007726 management method Methods 0.000 description 43
- 239000000872 buffer Substances 0.000 description 41
- 238000013135 deep learning Methods 0.000 description 33
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 30
- 229920002451 polyvinyl alcohol Polymers 0.000 description 30
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 29
- 230000002093 peripheral effect Effects 0.000 description 29
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000001514 detection method Methods 0.000 description 27
- 230000000875 corresponding effect Effects 0.000 description 26
- 239000013598 vector Substances 0.000 description 24
- 239000012634 fragment Substances 0.000 description 23
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 22
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 22
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 22
- 238000013500 data storage Methods 0.000 description 21
- 238000013519 translation Methods 0.000 description 20
- 230000014616 translation Effects 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 19
- 210000000225 synapse Anatomy 0.000 description 17
- 238000004590 computer program Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000001052 transient effect Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 238000001994 activation Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 12
- 238000009877 rendering Methods 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 8
- 239000012528 membrane Substances 0.000 description 8
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000002156 mixing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 229920001690 polydopamine Polymers 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012884 algebraic function Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001242 postsynaptic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000005215 presynaptic neuron Anatomy 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 241000492493 Oxymeris Species 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 101100285899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SSE2 gene Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 229920005994 diacetyl cellulose Polymers 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 229920000747 poly(lactic acid) Polymers 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06V10/70—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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
用于识别图像中对象的方向的装置、系统和技术。在至少一个实施例中,一个或更多个神经网络被训练以至少部分地基于除了一个或更多个对象的方向之外的该对象的一个或更多个特征来识别该对象的方向。
Description
相关申请的交叉引用
本申请要求于2019年11月20日提交的名称为“使用神经网络进行训练和推理以预测图像中对象的方向(TRAINING AND INFERENCING USING A NEURAL NETWORK TO PREDICTORIENTATIONS OF OBJECTS IN IMAGES)”的美国专利申请号16/690,015的优先权,其全部内容通过引用整体并入本文并用于所有目的。
技术领域
至少一个实施例涉及用于训练神经网络以预测图像中对象的视点的处理资源。例如,至少一个实施例涉及用于根据本文描述的各种新技术训练神经网络的处理器或计算系统。
背景技术
训练神经网络会使用大量的内存、时间或计算资源。训练需要真值注释的神经网络可能比训练不需要一些或全部训练数据使用真值进行注释的神经网络更具挑战性,至少因为真值注释可能并不总是可用和/或可能难以获得。可以改进用于训练神经网络的内存、时间和/或计算资源的量。
附图说明
图1示出了根据至少一个实施例的描绘使用以自监督方式训练的神经网络来预测对象的视点的图;
图2示出了根据至少一个实施例的描绘损失函数的图;
图3示出了根据至少一个实施例的描绘生成性对抗网络的图;
图4示出了根据至少一个实施例的描绘鉴别器更新的图;
图5示出了根据至少一个实施例的描绘鉴别器更新的图;
图6示出了根据至少一个实施例的描绘生成器更新的图;
图7示出了根据至少一个实施例的描绘生成器更新的图;
图8示出了根据至少一个实施例的描绘对称性损失的图;
图9示出了根据至少一个实施例的描绘最近邻居损失和最远邻居损失的图;
图10示出了根据至少一个实施例的描绘解耦损失的图;
图11示出了根据至少一个实施例的描绘校准神经网络的图;
图12示出了根据至少一个实施例的描绘推理的图;
图13示出了根据至少一个实施例的训练神经网络以预测图像内对象的视点的过程的说明性示例;
图14示出了根据至少一个实施例的训练神经网络以预测图像内对象的视点的过程的说明性示例;
图15A示出了根据至少一个实施例的计算生成性一致性损失的过程的说明性示例;
图15B示出了根据至少一个实施例的计算视点一致性损失的过程的说明性示例;
图16A示出了根据至少一个实施例的计算对称性损失的过程的说明性示例;
图16B示出了根据至少一个实施例的计算对称性损失的过程的说明性示例;
图17示出了根据至少一个实施例的计算最近邻居损失和最远邻居损失的过程的说明性示例;
图18A示出了根据至少一个实施例的推理和/或训练逻辑;
图18B示出了根据至少一个实施例的推理和/或训练逻辑;
图19示出了根据至少一个实施例的神经网络的训练和部署;
图20示出了根据至少一个实施例的示例数据中心系统;
图21A示出了根据至少一个实施例的自主车辆的示例;
图21B示出了根据至少一个实施例的图21A的自主车辆的相机位置和视野的示例;
图21C是根据至少一个实施例的示出图21A的自主车辆的示例系统架构的框图;
图21D是根据至少一个实施例的示出用于一个或更多个基于云的服务器与图21A的自主车辆之间进行通信的系统的图;
图22是根据至少一个实施例的示出计算机系统的框图;
图23是根据至少一个实施例的示出计算机系统的框图;
图24示出了根据至少一个实施例的计算机系统;
图25示出了根据至少一个实施例的计算机系统;
图26A示出了根据至少一个实施例的计算机系统;
图26B示出了根据至少一个实施例的计算机系统;
图26C示出了根据至少一个实施例的计算机系统;
图26D示出了根据至少一个实施例的计算机系统;
图26E和图26F示出了根据至少一个实施例的共享编程模型;
图27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28A和图28B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器。
图29A和图29B示出了根据至少一个实施例的附加的示例性图形处理器逻辑;
图30示出了根据至少一个实施例的计算机系统;
图31A示出了根据至少一个实施例的并行处理器;
图31B示出了根据至少一个实施例的分区单元;
图31C示出了根据至少一个实施例的处理集群;
图31D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是根据至少一个实施例的示出用于处理器的处理器微架构的框图;
图35示出了根据至少一个实施例的深度学习应用程序处理器;
图36是根据至少一个实施例的示出了示例神经形态处理器的框图;
图37示出了根据一个或更多个实施例的图形处理器的至少部分;
图38示出了根据一个或更多个实施例的图形处理器的至少部分;
图39示出了根据一个或更多个实施例的图形处理器的至少部分;
图40是根据至少一个实施例的示出了图形处理器的图形处理引擎4010的框图;
图41是根据至少一个实施例的示出了图形处理器核心的至少部分的框图;
图42A和图42B示出了根据至少一个实施例的线程执行逻辑4200,其包括图形处理器核心的处理元件的阵列。
图43示出了根据至少一个实施例的并行处理单元(“PPU”);
图44示出了根据至少一个实施例的通用处理集群(“GPC”);
图45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;以及
图46示出了根据至少一个实施例的流式多处理器。
具体实施方式
在至少一个实施例中,神经网络被训练以在图像集合上以自监督方式识别图像内对象的方向,例如在本公开其他地方描述的那些图像。在至少一个实施例中,至少通过作为评估训练集(例如,图像集合)中图像的一个或更多个特征的训练的一部分而计算一个或更多个损失函数,来以自监督方式训练神经网络以识别图像内对象的方向。在至少一个实施例中,在缺乏真值注释或真值注释以其他方式不可用的图像集合上训练神经网络(例如,在训练期间从神经网络中保留此类数据)。在至少一个实施例中,神经网络被训练以从具有预测的方向的第一图像内的对象生成具有相同方向的第二图像。在至少一个实施例中,预测的方向或视点被编码为方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,一个或更多个神经网络以自监督方式在与要推理的图像的对象相同类别的不同对象的图像集合上进行训练。在至少一个实施例中,同一类别的不同对象可以指不同的图像,这些图像可以是第一汽车在一个或更多个方向上的一个或更多个图像,不同的第二汽车在一个或更多个方向上的一个或更多个图像,等等。在至少一个实施例中,要推理的对象的图像被包括在用于训练一个或更多个神经网络至推理方向的图像集合中。在至少一个实施例中,通过至少使用损失函数集来评估图像内对象的一个或更多个特征(characteristic),以自监督方式训练一个或更多个神经网络。在至少一个实施例中,对象的一个或更多个特征是指可以用于推理方向的对象的属性。在至少一个实施例中,以自监督方式训练神经网络以生成具有特定方向的对象的合成图像,该特定方向可以是与输入图像的预测方向相同的方向。在至少一个实施例中,使用诸如变分自动编码器(VAE)、可微分渲染器或生成性对抗网络(GAN)之类的深度生成性模型或通过渲染器创建合成图像。在至少一个实施例中,要推理其方向的对象可以是车辆、飞机、无人机、人类、(例如,人或动物的)面部等等。
在至少一个实施例中,自监督学习(例如,训练)是指一种学习形式,其中在训练集上训练神经网络,其中所述训练集的数据不包括任何真值注释,但所述训练集的数据被部分标记(例如,半监督学习)。在至少一个实施例中,以自监督方式训练神经网络以识别图像内对象的方向利用训练图像集进行训练,其中所述训练集中的图像不包括表示所述图像内对象的方向的真值注释,而不包括标签或以其他方式标识所述图像中的各个对象的其他信息(例如,所述图像中的一个图像包括标签或以其他方式标识所述图像中的对象的其他信息,但不包括表示所述对象的方向的任何注释)。
在至少一个实施例中,半监督学习是指一种学习形式,其中在训练集上训练神经网络,其中所述训练集的仅一部分数据包括真值注释。在至少一个实施例中,完全监督学习是指一种学习形式,其中神经网络在训练集上进行训练,其中所述训练集的所有数据都包括真值注释。在至少一个实施例中,无监督学习是指一种学习形式,其中神经网络在训练集上进行训练,其中所述训练集的数据都不包括真值注释。
图1示出了图示根据至少一个实施例的使用以自监督方式训练的神经网络来预测对象的视点的图100。在至少一个实施例中,图100由一个或更多个系统实现,例如图18-46中描述的系统。在至少一个实施例中,图100包括与鉴别器106相关联的一个或更多个神经网络,鉴别器106使用自监督学习在一个类别的图像集合上进行训练,以推理该类别的其他图像内的对象的视点。在至少一个实施例中,提供图像作为神经网络的输入以检测某类别对象的方向。在至少一个实施例中,输入图像被提供给使用本文描述的自监督学习技术训练的多个神经网络,以识别所述输入图像中不同对象的方向或视点。
在至少一个实施例中,图像的视点是指对象在图像内的方向,其指的是在二维图像内捕获的对象的三维方向。在至少一个实施例中,使用相机来捕获真实世界对象(例如汽车)的二维图像,该对象相对于相机处于特定方向。在至少一个实施例中,对象的方向(例如,视点)被编码在参数集上,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,图像内对象的方向被编码为一组三个向量,这些向量定义了所述对象相对于规范(canonical)x、y和z轴的方向。
在至少一个实施例中,获得图像集合102。在至少一个实施例中,图像集合102是一种类型的对象的一个或更多个图像的集合。在至少一个实施例中,图像集合102用于训练一个或更多个神经网络以识别图像内对象的方向。在至少一个实施例中,图像集合102被分类或标记为每个显示相同类型或类别的对象。在至少一个实施例中,图像集合102是汽车图像的集合,其可以包括处于不同方向、不同天气、不同照明等的不同类型的汽车。在至少一个实施例中,图像集合102包括相同汽车或相同类型汽车在不同方向的图像。在至少一个实施例中,图像集合102的至少一部分缺少指定此类训练图像内的对象的方向的真值注释。在至少一个实施例中,图像集合102中的所有图像都缺少指定集合中图像内的对象的方位角、仰角和倾斜度的真值注释。在至少一个实施例中,真值注释是指,对于被配置为确定图像的一个或更多个特征的一个或更多个神经网络(其中在训练图像集上训练一个或更多个神经网络),所述训练图像集中的图像可以包括的注释指示所述图像的预期的一个或更多个特征。在至少一个实施例中,图像集合102包括一个或更多个合成图像,例如从变分自动编码器(VAE)、生成性对抗网络(GAN)或渲染器创建的图像。在至少一个实施例中,图像集合102中的所有图像都是真实图像,与从诸如变分自动编码器(VAE)、渲染器或生成性对抗网络之类的生成性模型合成或创建的图像相反。在至少一个实施例中,图像集合102是从按类别对图像进行分类的网站收集和聚合的。
在至少一个实施例中,鉴别器106被训练以至少部分地基于所述对象的一个或更多个特征而不是所述对象的方向来识别图像104内的对象的方向。在至少一个实施例中,鉴别器106是一个或更多个神经网络内的分类器。在至少一个实施例中,鉴别器106是一个或更多个神经网络的组件,并且包括其他神经网络、分类器和各种其他机器学习组件。在至少一个实施例中,鉴别器106是生成性对抗网络的鉴别网络。在至少一个实施例中,鉴别器106是一个或更多个神经网络的一部分并且被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,鉴别器106在一个类别(例如,汽车)的图像集合上被训练以推理在其他图像中捕获的相同类别的其他对象的方向。在至少一个实施例中,鉴别器106以自监督方式在图像集合102上进行训练。在至少一个实施例中,鉴别器106被训练,以至少通过作为评估训练集(例如,图像集合102)中的图像的一个或更多个特征的训练的一部分而计算一个或更多个损失函数来以自监督方式识别图像104内的对象的方向。在至少一个实施例中,至少部分地基于计算生成性一致性损失、对称性损失、最近邻居损失和最远邻居损失以及解耦损失来训练与鉴别器106相关联的神经网络。在至少一个实施例中,可以根据结合图2-10描述的技术来训练识别对象的方向的神经网络。在至少一个实施例中,鉴别器106在缺乏真值注释或真值注释以其他方式不可用的图像集合上进行训练(例如,在训练期间保留这样的数据)。
在至少一个实施例中,为鉴别器106获得图像104。在至少一个实施例中,图像104内的对象与用于训练一个或更多个神经网络的图像集合102中的图像内的对象属于相同类型。在至少一个实施例中,图像104被提供给神经网络用于推理以预测方向。在至少一个实施例中,第一系统训练一个或更多个神经网络并且第二不同系统使用那些一个或更多个神经网络来执行推理以识别图像内对象的方向。在至少一个实施例中,鉴别器106在特定类别的对象的图像集合102上以自监督方式被训练,以推理所述类别的其他对象(例如,图像104中的对象)的方向。在至少一个实施例中,与鉴别器106相关联的一个或更多个神经网络在汽车图像的集合上进行训练,并用于推理由附接到车辆的相机或其他合适的视频/图像捕获设备实时捕获的汽车的方向。在至少一个实施例中,鉴别器106在图像集合102上以自监督方式被训练以确定图像104中描绘的对象的方向108。在至少一个实施例中,鉴别器106确定图像104中描绘的汽车的方向108。
图2示出了根据至少一个实施例的描绘损失函数的图200。在至少一个实施例中,图200由一个或更多个系统实现,例如图18-46中描述的系统。在至少一个实施例中,鉴别器204与一个或更多个神经网络相关联并且使用真实图像生成性一致性损失208、最近和最远邻居损失210、对称损失212和真/假分类损失214中的至少一种来训练。在至少一个实施例中,鉴别器204是一个或更多个神经网络的一部分,该神经网络被训练以从输入图像推理视点,所述一个或更多个神经网络包括与所述一个或更多个神经网络的一个或更多个过程相关联的各种参数,并且至少部分地基于真实图像生成性一致性损失208、最近和最远邻居损失210和对称损失212来更新。
在至少一个实施例中,为鉴别器204获得一种类型对象的对象图像集合202。在至少一个实施例中,对象图像集合202包括全部包括相同类型对象的图像。在至少一个实施例中,对象图像集合202包括图像,该图像包括处于不同方向、不同天气、不同照明下等的汽车。在至少一个实施例中,系统根据本公开中别处描述的技术(例如图13)获得对象图像集合202。
在至少一个实施例中,选择对象图像集合202的图像作为鉴别器204的输入图像。在至少一个实施例中,以任何合适的方式选择集合中的图像用于学习,其可以从训练集中随机或伪随机采样。在至少一个实施例中,鉴别器204预测输入图像的视点206。在至少一个实施例中,输入图像的视点206由鉴别器204通过涉及一个或更多个神经网络的一个或更多个过程进行推理,该神经网络包括一个或更多个输入参数,这些输入参数指示涉及所述一个或更多个神经网络的一个或更多个过程。在至少一个实施例中,视点206是基于作为对象图像集合202的至少一部分的训练的一部分而提供的真值注释来确定的。在至少一个实施例中,视点206与对输入到鉴别器204的图像内的对象的方向的预测相对应。在至少一个实施例中,对象的方向(例如,视点)被编码在参数集上,该参数集包括方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,为鉴别器204计算生成性一致性损失208。在至少一个实施例中,生成性一致性损失208至少部分地基于将所选图像与由深度生成性模型生成的图像进行比较的图像一致性损失以及将输入视点与生成性模型及其由鉴别器预测的值进行比较的视点一致性损失来计算。在至少一个实施例中,生成性一致性损失208是使用本公开其他地方描述的技术来计算的,例如结合图4-7讨论的那些。在至少一个实施例中,生成性一致性损失208包括至少两个组成部分:合成图像视点一致性损失和真实图像一致性损失。在至少一个实施例中,视点一致性损失可以表示为方向一致性损失。在至少一个实施例中,生成性一致性损失被应用于真实图像(例如,来自对象图像集合202的图像),而不是由生成器创建的合成图像。在至少一个实施例中,视点一致性损失和图像一致性损失用于确定生成性一致性损失。在至少一个实施例中,生成性一致性损失是视点一致性损失和图像一致性损失的组合。在至少一个实施例中,生成性一致性损失由以下符号数学方程确定:
Lgc=Lvc+Lic
其中Lgc对应生成性一致性损失,Lvc对应视点一致性损失,Lic对应图像一致性损失。
在至少一个实施例中,至少部分地基于输入到鉴别器204的对象图像集合202中的图像来计算图像一致性损失,鉴别器204从所述输入图像确定至少两个属性:视点206和外观参数集。在至少一个实施例中,视点206和外观参数集被提供给生成器以创建合成图像。在至少一个实施例中,生成性对抗网络(GAN)接收视点206和外观参数集,并根据视点206和外观参数集生成合成(例如,假的)图像。在至少一个实施例中,比较合成图像和输入图像以确定图像一致性损失。在至少一个实施例中,比较输入图像和合成图像之间的余弦距离以确定特征相似性,其中更接近的相似性与更低的损失相对应。在至少一个实施例中,L1距离、L2距离或余弦距离用于确定两个图像之间的图像一致性损失。
在至少一个实施例中,至少部分地基于输入图像的视点(例如,视点206)来计算视点一致性损失。在至少一个实施例中,生成器用于从由鉴别器204根据输入图像预测的视点206创建合成图像。在至少一个实施例中,从视点206生成的合成图像被提供给鉴别器204,鉴别器204确定所述合成图像的第二视点。在至少一个实施例中,将视点206与至少部分地基于视点206生成的合成图像的第二视点进行比较。在至少一个实施例中,视点206与合成图像的第二视点之间的距离用于计算视点一致性损失,其中更近的视点与更低的损失相对应。在至少一个实施例中,根据结合图15描述的技术计算生成性一致性损失。
在至少一个实施例中,真/假分类损失214是基于鉴别器204是否能够正确预测鉴别器204的输入图像是真实图像还是合成图像来计算的。在至少一个实施例中,真/假分类损失214是基于鉴别器204是否能够正确预测输入图像集是真还是假来计算的,其中鉴别器204可以被提供真实图像或假(例如,合成的)图像,并且用于预测这些图像是真的还是假的。作为训练鉴别器204的一部分,关于提供给鉴别器204的图像是真的还是假的真值可用作训练的一部分(例如,用于计算损失)。
在至少一个实施例中,至少通过将输入图像与该输入图像的变换版本进行比较来计算对称损失212。在至少一个实施例中,从对象图像集合202中选择输入图像。在至少一个实施例中,将变换应用于输入图像以生成变换图像。在至少一个实施例中,输入图像被水平翻转以生成经变换图像。在至少一个实施例中,鉴别器204用于预测输入图像的视点206和经变换图像的第二视点。在至少一个实施例中,预测输入图像的视点206并且预测该输入图像的水平翻转版本的第二视点。在至少一个实施例中,基于某些属性是否成立来计算损失。在至少一个实施例中,将变换或其逆变换应用于输入图像的变换版本的预测视点。在至少一个实施例中,如果将输入图像旋转(Φ,θ,ψ)角度以生成经变换图像,则该经变换图像的推理的视点可以反向旋转(-Φ,-θ,-ψ)角度。在至少一个实施例中,通过将输入图像的视点206的方位角、仰角和倾斜的量值与经变换图像的第二视点进行比较来计算损失,其中当每个方向参数的量值相等时产生零损失。在至少一个实施例中,根据本公开中其他地方描述的技术计算对称损失,例如结合图8和图16讨论的那些。在至少一个实施例中,通过确定鉴别器204为图像预测的第一外观参数集与鉴别器204为该图像的变换版本预测的第二外观参数集有多匹配来计算损失。
在至少一个实施例中,至少通过至少部分地基于对象图像集合202的视点图将对象图像集合202中的输入图像与其最近和最远邻居进行比较来计算最近邻居损失和最远邻居损失210。在至少一个实施例中,最近邻居和最远邻居损失210是根据结合图4、图9和图17描述的技术来计算的。在至少一个实施例中,对象图像集合202用于生成视点图,其中这种图的节点与图像相对应并且边与它们的视点等变距离(例如,余弦距离)相对应。在至少一个实施例中,余弦距离是使用卷积神经网络(CNN)基于图像对的特征相似性计算的。在至少一个实施例中,从对象图像集合202中选择锚图像。在至少一个实施例中,从视点图定位锚图像并且基于边权重选择最近邻居和最远邻居。在至少一个实施例中,最近邻居具有连接到锚图像的最短边。在至少一个实施例中,最远邻居具有连接到锚图像的最远边。在至少一个实施例中,鉴别器204预测锚图像的第一视点(例如,为所述锚图像预测的视点206)并预测最近邻居图像的第二视点(例如,为所述最近邻居图像预测的视点206),并且计算损失,使得这些视点之间更近的距离与较小的损失相对应。在至少一个实施例中,鉴别器204的神经网络预测锚图像的第一视点并且预测最远邻居图像的第三视点(例如,所述最远邻居图像的视点206)并且计算损失,使得那些视点之间的较长距离与较小的损失相对应。
在至少一个实施例中,所计算的损失(例如,生成性一致性损失208、最近和最远邻居损失210、对称损失212和真/假分类损失214)用于更新与在对象图像集合202上训练的鉴别器204相关联的一个或更多个神经网络的参数。在至少一个实施例中,实现图200的系统包括用于连续更新与鉴别器204相关联的一个或更多个神经网络的参数的可执行代码,使得所述一个或更多个神经网络和鉴别器204被训练以推理输入图像的视点和其他特征。在至少一个实施例中,根据任何合适的技术执行训练,并且可以包括选择和利用对象图像集合202中的各个附加图像来计算损失并为被训练以推理视点的一个或更多个神经网络细化参数。在至少一个实施例中,一旦完成训练,就使经训练的神经网络可用(例如,神经网络或其参数被转移到不同的系统)以用于推理。
图3示出了根据至少一个实施例的描绘生成性对抗网络的图300。在至少一个实施例中,图300由一个或更多个系统实现,例如图18-46中描述的系统。在至少一个实施例中,图300包括生成器306,其利用输入视点302和输入外观参数集304、合成图像308。在至少一个实施例中,图300示出了鉴别器310,其利用输入图像318并输出输出视点312、输出确定314和输出外观参数集316。在至少一个实施例中,使用结合图4-7描述的技术来选择生成器306和/或鉴别器310的参数。
在至少一个实施例中,输入视点302对应于图像内对象的方向,其指的是在二维图像内捕获的对象的三维方向。在至少一个实施例中,对象的方向(例如,视点)被编码在参数集上,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,输入视点302与对象的特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,输入视点302指示对象的3D旋转(例如,输入视点302可以指定对象在指定轴上旋转指定度数及其变体)。在至少一个实施例中,输入外观参数集304是定义对象外观的参数。在至少一个实施例中,对象包括车辆、飞机、无人机、人、(例如,人或动物的)脸等。在至少一个实施例中,输入外观参数集304与汽车的外观参数相对应,例如颜色、尺寸、车轮类型和定义汽车外观的各种其他参数。
在至少一个实施例中,输入视点302和输入外观参数集304被提供给生成器306以创建图像308。在至少一个实施例中,生成器306和鉴别器310是生成性对抗网络(GAN)的一部分。在至少一个实施例中,生成器306是生成性对抗网络中的生成网络。在至少一个实施例中,生成器306是一个或更多个神经网络的一部分并且被训练以基于输入视点和输入外观参数集来生成图像。在至少一个实施例中,生成器306接收输入视点302和输入外观参数集304并生成图像308,其是根据输入视点302和输入外观参数集304的合成(例如,假的)图像。在至少一个实施例中,生成器接受用于创建图像308的两个单独的(例如,独立的)参数——输入视点302,其指示将用其生成图像308的特定视点(例如,经编码的方位角、仰角和倾斜参数),以及编码图像308的外观属性(例如,对于汽车,此类属性可包括颜色、品牌、型号、制造年份等)的外观参数304。在至少一个实施例中,生成器306生成图像308,其包括根据输入外观参数集304生成的对象,该对象根据输入视点302进行定向。在至少一个实施例中,图像308是包括汽车的合成图像,其中所述汽车的外观与输入外观参数集304相对应,并且所述汽车的方向与输入视点302相对应。
在至少一个实施例中,生成性对抗网络(GAN)包括鉴别器310。在至少一个实施例中,鉴别器310接受输入图像318并生成输出视点312、输出确定314和输出外观参数集316。在至少一个实施例中,输入图像318可以是真实图像或合成图像。在至少一个实施例中,输入图像318是从一个或更多个其他源中检索的,例如图像数据库、一个或更多个相机和/或其变体。在至少一个实施例中,鉴别器310处理图像308。在至少一个实施例中,鉴别器310包括各种神经网络和机器学习过程。在至少一个实施例中,鉴别器310根据本公开中其他地方描述的那些来实现,例如结合图2讨论的那些。在至少一个实施例中,鉴别器310与一个或更多个神经网络相关联,该神经网络被训练以推理视点以及输入图像的其他特征。在至少一个实施例中,鉴别器310通过涉及计算各种损失函数的各种过程被细化,这些损失函数用于更新与鉴别器310相关联的各种参数。
在至少一个实施例中,鉴别器310接收输入图像318并生成输出视点312、输出确定314和输出外观参数集316。在至少一个实施例中,输出视点312是由鉴别器310的一个或更多个过程生成的输入图像318的预测视点。在至少一个实施例中,输出确定314是由鉴别器310的一个或更多个过程生成的确定,其指示输入图像318是真实图像还是合成(例如,假的)图像。在至少一个实施例中,确定314是二进制输出(例如,鉴别器310相信输入图像318是真实图像还是合成图像的真/假指示符)。在至少一个实施例中,确定314是0和1之间的数值(包括或不包括一个或两个端点),其对鉴别器310认为输入图像318是真的还是假的置信度值进行编码(例如,0.5表示图像是真的或假的可能性相同;0表示图像是假的可能性高)的。在至少一个实施例中,输出外观参数集316是由鉴别器310的一个或更多个过程生成的输入图像318的预测的外观参数集。
在至少一个实施例中,如果鉴别器310被准确地校准(例如,鉴别器310被训练到期望的准确度,或期望的可接受损失度)并且图像308由生成器306生成,则输出确定314指示图像308是假的,并且输出视点312和输出外观参数集316分别与输入视点302和输入外观参数集304完全相同。在至少一个实施例中,如果鉴别器310没有被准确地校准(例如,鉴别器310没有被完全训练到期望的准确度,或者期望的可接受损失度)并且图像308是由生成器306生成的,则输出确定314指示不正确的确定(例如,如果图像308是合成的,则输出确定314将指示图像308是真的),并且输出视点312和输出外观参数集316分别不同于输入视点302和输入外观参数集304。在至少一个实施例中,输出视点312和输出外观参数集316以及输入视点302和输入外观参数集304之间的比较分别用于评估和进一步处理、训练和/或校准鉴别器310和生成器306。
图4示出了根据至少一个实施例的描绘鉴别器更新的图400。在至少一个实施例中,损失函数被计算并用于更新鉴别器404的参数,鉴别器404用于预测来自输入图像的各种输出。在至少一个实施例中,图4示出了输入图像402;鉴别器404;预测视点406;输入图像402是真还是假的预测确定408;外观参数集410;生成器412;生成的图像414;真/假分类损失416;图像一致性损失418;最近和最远邻居损失420;和对称损失422。在至少一个实施例中,图4示出了使用真实图像(例如,不是由生成器合成的图像)的鉴别器更新。在至少一个实施例中,结合图4描述的技术与结合图5-7描述的用于训练生成器和/或鉴别器的技术具有相同的扩展性。
在至少一个实施例中,鉴别器404处理输入图像402。在至少一个实施例中,鉴别器404与一个或更多个神经网络相关联,该神经网络被训练以推理输入图像的视点以及其他特征。在至少一个实施例中,鉴别器404接收输入图像402并生成预测视点406、输入图像402是真的还是假的确定408以及外观参数集410。在至少一个实施例中,视点406是由鉴别器404的一个或更多个过程确定的输入图像402的预测视点。在至少一个实施例中,视点406与图像内对象的预测特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,视点406指示对象的3D旋转(例如,视点406可以指定对象在指定轴上旋转指定度数及其变体)。在至少一个实施例中,视点406包括输入图像402中描绘的汽车的预测方向。在至少一个实施例中,确定408是确定输入图像402是真实图像还是假图像。在至少一个实施例中,假图像是指由生成性对抗网络创建的合成图像。在至少一个实施例中,确定408是二进制值(例如,指示输入图像402是真的还是假的预测的真/假值)。在至少一个实施例中,确定408是指示输入图像402是真的还是假的置信度的非二进制值。在至少一个实施例中,外观参数集410是由鉴别器404的一个或更多个过程生成的输入图像402的预测的外观参数集。在至少一个实施例中,外观参数集410是定义输入图像402中描绘的对象的外观的预测参数。在至少一个实施例中,外观参数集410对应于输入图像402中描绘的汽车的预测的外观参数集,例如预测的颜色、尺寸、车轮类型和定义输入图像402中描绘的汽车外观的各种其他参数。
在至少一个实施例中,视点406和外观参数集410被提供给生成器412以生成生成的图像414。在至少一个实施例中,生成器412创建合成图像。在至少一个实施例中,生成器412是生成性对抗网络(GAN)的一部分。在至少一个实施例中,生成器412接收视点406和外观参数集410并生成生成的图像414,其是根据视点406和外观参数集410的合成(例如,假的)图像。在至少一个实施例中,生成器412生成生成的图像414,其包括根据外观参数集410生成并根据视点406定向的对象。在至少一个实施例中,生成的图像414是包括汽车的合成图像,其中所述汽车的外观与外观参数集410相对应并且所述汽车的方向与视点406相对应。
在至少一个实施例中,确定408用于确定分类损失,例如真/假分类损失416。在至少一个实施例中,真/假分类损失416基于鉴别器404是否能够正确预测鉴别器404的输入图像是真实图像还是合成图像来计算。在至少一个实施例中,真/假分类损失416是基于鉴别器404是否能够正确预测输入图像集是真还是假来计算,其中鉴别器404可以被提供真的或假的(例如,合成的)图像,并且用于预测那些图像是真的还是假的。作为训练鉴别器404的一部分,关于提供给鉴别器404的图像是真的还是假的真值可用作训练的一部分(例如,以计算损失)。
在至少一个实施例中,比较生成的图像414和输入图像402以确定图像一致性损失418。在至少一个实施例中,比较输入图像402和生成的图像414之间的余弦距离以确定特征相似性,其中更接近的相似性与更低的损失相对应。在至少一个实施例中,L1、L2或余弦距离中的至少一个用于确定输入图像402和生成的图像414之间的图像一致性损失418。在至少一个实施例中,L1距离由以下符号数学方程确定:
L1Distance=Iin-Igen
其中Iin对应输入图像的表示,Igen对应生成的图像的表示。
在至少一个实施例中,L2距离由以下符号数学方程确定:
其中Iin对应输入图像的表示,Igen对应生成的图像的表示。
在至少一个实施例中,余弦距离由以下符号数学方程确定:
Cosine Distance=fin-fgen
其中fin对应输入图像的特征的表示,fgen对应生成的图像的特征的表示。
在至少一个实施例中,作为结合图4描述的鉴别器更新的一部分而计算附加损失函数。在至少一个实施例中,计算最近和最远邻居损失420。在至少一个实施例中,计算对称损失422。在至少一个实施例中,最近和最远邻居损失420和/或对称损失422是根据其他地方描述的技术计算的,例如结合图8-10讨论的那些。在至少一个实施例中,计算的损失(例如,图4中所示的那些)用于计算梯度并更新鉴别器410的参数,同时使用任何合适的技术(例如梯度下降)保持生成器412的参数恒定。
图5示出了根据至少一个实施例的描绘鉴别器更新的图500。在至少一个实施例中,损失函数被计算并用于更新鉴别器504的参数,鉴别器504用于从输入图像预测各种输出。在至少一个实施例中,图5示出了视点502;外观参数集504;生成器506;生成的图像508;鉴别器510;预测视点512;生成的图像508是真还是假的预测确定514;预测的外观参数集516;视点一致性损失518;Z重建损失520;和真/假分类损失522。在至少一个实施例中,图5图示了使用合成图像(例如,由生成性对抗网络创建的图像)的鉴别器更新。在至少一个实施例中,结合图5描述的技术与结合图4、图6和图7描述的用于训练生成器和/或鉴别器的技术具有相同的扩展性。
在至少一个实施例中,以任何合适的方式选择视点502和外观参数集504,这可以包括参数值的随机选择、加权随机选择等。在至少一个实施例中,视点502和外观参数集504是可以独立选择的解耦参数。在至少一个实施例中,生成器506接受视点502和外观参数集504作为输入并创建生成的图像508。在至少一个实施例中,生成的图像508是具有基于外观参数集504生成并根据视点502定向的外观的合成图像。
在至少一个实施例中,将图像集(例如,生成的图像508)作为输入提供给鉴别器510,并且鉴别器预测该图像集的各种属性。在至少一个实施例中,鉴别器510接收生成的图像508并产生预测的视点512;生成的图像508是真还是假的预测确定514;以及预测的外观参数集516。在至少一个实施例中,鉴别器无法访问用于创建生成的图像508的视点502和外观参数集504(例如,在预测期间对鉴别器510隐瞒此类信息)。在至少一个实施例中,鉴别器510的输出用于计算损失。在至少一个实施例中,损失函数用于计算梯度(例如,使用梯度下降)并更新鉴别器510的参数,同时将生成器506的参数固定为恒定的。
在至少一个实施例中,计算视点一致性损失518。在至少一个实施例中,视点一致性损失指的是基于鉴别器510在预测视点时的准确程度计算的损失函数。在至少一个实施例中,视点一致性损失518被计算为输入视点502和预测视点512之间的差或距离。在至少一个实施例中,视点一致性损失是生成性一致性损失的组成部分。在至少一个实施例中,输入视点502和预测视点512之间的距离(例如,L1距离、L2距离、余弦距离和/或其变体)用于计算视点一致性损失518,其中更近的视点(例如,彼此之间距离更短的视点)与更低的损失相对应。
在至少一个实施例中,计算Z重建损失520。在至少一个实施例中,Z重建损失是指输入外观参数集504和预测外观参数集516之间的差或距离。在至少一个实施例中,Z重建损失是指基于鉴别器510在预测图像的外观参数或外观特性方面的准确程度而计算的损失函数。
在至少一个实施例中,确定514用于确定分类损失,例如真/假分类损失522。在至少一个实施例中,真/假分类损失522基于鉴别器514是否能够正确预测提交给鉴别器510的生成的图像508是真实图像还是合成图像来计算。在至少一个实施例中,真/假分类损失522是基于鉴别器510是否能够正确预测输入图像集是真的还是假的来计算的,其中鉴别器510可以被提供真的或假的(例如,合成的)图像,并且用于预测那些图像是真的还是假的。
图6示出了根据至少一个实施例的描绘生成器更新的图600。在至少一个实施例中,计算损失函数并将其用于更新用于创建合成图像的生成器的参数。在至少一个实施例中,图6示出了输入图像602;鉴别器604;预测视点606;输入图像602是真还是假的预测确定608;预测的外观参数集610;生成器612;生成的图像614;图像一致性损失616;和真/假分类损失618。在至少一个实施例中,图6图示了使用真实图像(例如,不是由生成性对抗网络创建的图像)的生成器更新。在至少一个实施例中,结合图6描述的技术与结合图4、图5和图7描述的用于训练生成器和/或鉴别器的技术具有相同的扩展性。
在至少一个实施例中,输入图像602被输入到鉴别器604。在至少一个实施例中,输入图像602是从训练数据集中选择的真实图像。在至少一个实施例中,输入图像602选自对象图像集合,例如结合图2描述的那些。
在至少一个实施例中,鉴别器604处理输入图像602。在至少一个实施例中,鉴别器604接收输入图像602并生成预测视点606、输入图像602是真实图像还是假图像的预测确定、以及预测的外观参数集608。在至少一个实施例中,视点606是由鉴别器604的一个或更多个过程确定的输入图像602的预测视点。在至少一个实施例中,确定608是对输入图像602是真实图像还是假图像(例如,由生成性对抗网络创建的合成图像)的预测。在至少一个实施例中,确定608是二进制值或非二进制范围(例如,0-100)上的置信度值。在至少一个实施例中,外观参数集610是由鉴别器604的一个或更多个过程生成的输入图像602的预测外观参数集。在至少一个实施例中,外观参数集610是定义输入图像602中描绘的对象的外观的预测参数。
在至少一个实施例中,视点606和外观参数集610作为输入被提供给生成器612以产生生成的图像614。在至少一个实施例中,生成的图像614是由生成器612创建的合成(例如,假的)图像,其具有根据视点606和外观参数集610的方向和外观,如图6所示,视点606和外观参数集610也是输入图像602的预测的视点和外观。
在至少一个实施例中,至少部分地基于输入图像602计算图像一致性损失616,该输入图像602被提供给鉴别器604,鉴别器604用于从输入图像602分解至少两个属性:预测的视点606和预测的外观参数集610。在至少一个实施例中,预测的视点606和预测的外观参数集610被提供给生成器612以创建生成的图像614。在至少一个实施例中,生成性对抗网络(GAN)接收视点和外观参数集,并根据所提供的任何视点和外观参数集中的任何一个生成合成(例如,假的)图像。在至少一个实施例中,比较输入图像602和生成的图像614以确定图像一致性损失616。在至少一个实施例中,比较输入图像和合成图像之间的余弦距离以确定特征相似性,其中更接近的相似性与更低的损失相对应。在至少一个实施例中,L1、L2或余弦距离用于确定两个图像之间的图像一致性损失616。
在至少一个实施例中,确定608用于确定分类损失,例如真/假分类损失618。在至少一个实施例中,基于鉴别器604是否能够正确预测提交给鉴别器604的输入图像602是真实图像还是合成图像来计算真/假分类损失618。在至少一个实施例中,真/假分类损失618基于鉴别器604是否能够正确预测输入图像集是真还是假的来计算,其中鉴别器604可以被提供真的或假的(例如,合成的)图像,并且用于预测这些图像是真的还是假的。在至少一个实施例中,计算一个或更多个损失函数。在至少一个实施例中,生成器612的参数至少通过计算梯度(例如,执行随机梯度下降)同时固定鉴别器参数来更新。
图7示出了根据至少一个实施例的描绘生成器更新的图700。在至少一个实施例中,计算损失函数并将其用于更新用于创建合成图像的生成器的参数。在至少一个实施例中,图7示出了第一视点702;外观参数集704;发生器706;第一生成图像708;鉴别器710;预测的第一视点712;生成的图像708是真还是假的预测确定714;预测的第一外观参数集716;视点一致性损失718;Z重建损失720;真/假分类损失722;第二视点724;第二生成的图像726;预测的第二视点728;预测的第二外观参数集730;视点一致性损失732;Z重建损失734;和对称损失736。在至少一个实施例中,图6示出了使用假图像(例如,由生成性对抗网络创建的合成图像或生成的图像)的生成器更新。在至少一个实施例中,结合图7描述的技术与结合图4-6描述的用于训练生成器和/或鉴别器的技术具有相同的扩展性在至少一个实施例中,第一视点702和外观参数集704是可以独立选择的解耦参数。在至少一个实施例中,生成器706接受第一视点702和外观参数集704作为输入并创建第一生成图像708。在至少一个实施例中,第一生成图像708是合成图像,其外观基于外观参数集704生成并且根据第一视点702定向。生成器706可以根据本公开其他地方描述的那些,例如结合图2讨论的那些。
在至少一个实施例中,将图像集(例如,第一生成图像708)作为输入提供给鉴别器710,并且鉴别器预测该图像集的各种属性。在至少一个实施例中,鉴别器710接收第一生成图像708并产生预测的第一视点712;生成的图像708是真还是假的预测确定714;以及预测的第一外观参数集716。在至少一个实施例中,鉴别器710无法访问用于创建第一生成图像708的第一视点702和外观参数集704(例如,在预测期间对鉴别器710隐瞒此类信息)。在至少一个实施例中,鉴别器710的输出用于计算损失。在至少一个实施例中,损失函数用于计算梯度(例如,使用梯度下降)并更新鉴别器710的参数,同时将生成器706的参数固定为恒定的。
在至少一个实施例中,计算视点一致性损失718。在至少一个实施例中,视点一致性损失是指基于鉴别器710在预测视点时的准确程度计算的损失函数。在至少一个实施例中,视点一致性损失718被计算为第一视点702和预测的第一视点712之间的差或距离。在至少一个实施例中,视点一致性损失是生成性一致性损失的组成部分。在至少一个实施例中,第一视点702和预测的第一视点712之间的距离(例如,L1距离、L2距离、余弦距离和/或其变体)用于计算视点一致性损失718,其中更近的视点(例如,彼此之间距离更短的视点)与更低的损失相对应。
在至少一个实施例中,计算Z重建损失720。在至少一个实施例中,Z重建损失是指外观参数集704与预测的第一外观参数集716之间的差或距离。在至少一个实施例中,Z重建损失是指基于鉴别器710在预测图像的外观参数或外观属性方面的准确程度而计算的损失函数。
在至少一个实施例中,确定714用于确定分类损失,例如真/假分类损失722。在至少一个实施例中,基于鉴别器714是否能够正确地预测提交给鉴别器710的第一生成图像708是真实图像还是合成图像来计算真/假分类损失722。在至少一个实施例中,真/假分类损失722基于鉴别器710是否能够正确预测输入图像集是真还是假的来计算,其中鉴别器710可以被提供真的或假的(例如,合成的)图像,并且用于预测那些图像是真的还是假的。
在至少一个实施例中,第二视点724是第一视点702的变换。在至少一个实施例中,第一视点702被水平翻转以产生第二视点724。在至少一个实施例中,第一视点702上的方位角、倾斜和仰角参数的任何合适的变换产生第二视点724。在至少一个实施例中,第二视点724是根据本公开中其他地方描述的技术来确定的,例如结合图8讨论的那些。在至少一个实施例中,如果第一视点702的方位角、仰角和倾斜参数分别为Φ,θ,ψ,则第二视点724的方位角、仰角和倾斜参数为-Φ,θ,-ψ。
在至少一个实施例中,外观参数集704用于生成第二图像。在至少一个实施例中,第二视点724和外观参数集704作为输入被提供给生成器706以创建第二生成图像726。在至少一个实施例中,如果第二生成图像726被水平翻转,则它产生第一生成图像708。
在至少一个实施例中,基于第一生成图像708和第二生成图像726计算对称损失736。在至少一个实施例中,通过比较生成的图像708的预测的第一视点712的方位角、仰角和倾斜的量值与第二生成图像726的预测的第二视点728的量值来计算对称损失736,其中当每个视点参数的量值相等时产生零损失,并且随着每个视点参数的量值之间的差增加,损失增加。在至少一个实施例中,对称损失736是根据本公开其他地方描述的技术计算的,例如结合图8讨论的那些。在至少一个实施例中,在图7的上下文中应用解耦损失。在至少一个实施例中,选择视点V1和外观参数集Z1并将其提供给生成器以产生第一合成图像I1。在至少一个实施例中,通过保持视点恒定(例如,使用V1)并通过使用不同于用于生成第一图像I1的Z1的第二外观参数集Z2扰动外观参数来生成第二图像I2。在至少一个实施例中,第三图像I3通过相对于图像I1保持外观参数恒定(例如,使用Z1)并且通过使用不同于视点V1的第二视点V2扰动视点以生成第三图像I3来生成。在至少一个实施例中,将使用特定视点I1和外观参数集Z1生成的合成图像I1与使用视点V1和第二外观参数集Z2生成的合成图像I2和/或使用第二视点V2和外观参数集Z1生成的合成图像I3进行比较。根据至少一个实施例,结合图10描述的技术可以适用于结合图7描述的耦合损失。
图8示出了根据至少一个实施例的描述计算对称损失的图800。在至少一个实施例中,利用对称损失来训练与诸如鉴别器806之类的鉴别器相关联的一个或更多个神经网络。在至少一个实施例中,对称损失与一个或更多个其他损失函数一起使用以细化与鉴别器相关联的参数。
在至少一个实施例中,图800包括输入图像802。在至少一个实施例中,输入图像802是一种类型对象的一个或更多个图像的集合的一部分。
在至少一个实施例中,输入图像802是描绘处于特定方向(包括特定外观特征)的汽车的图像。在至少一个实施例中,输入图像802选自一个或更多个图像的集合。在至少一个实施例中,以任何合适的方式选择集合中的图像用于学习,其可以从训练集中随机或伪随机地采样。
在至少一个实施例中,对输入图像802应用变换以生成经变换图像804。在至少一个实施例中,水平翻转输入图像802以生成经变换图像804。在至少一个实施例中,由与鉴别器806相关联的一个或更多个系统应用变换。在至少一个实施例中,鉴别器806将一种或更多种图像处理技术应用于输入图像802以生成经变换图像804。在至少一个实施例中,当输入图像802被翻转和/或变换以生成经变换图像804时,输入图像802内的对象的视点的方位角和倾斜角(在图800中描绘为“az”和“ti”)被反转,而仰角(在图800中描绘为“el”)在输入图像802和经变换图像804之间保持相同。在至少一个实施例中,通过对输入图像802应用一个或更多个图像变换来生成经变换图像804。在至少一个实施例中,至少通过水平翻转输入图像802、水平翻转输入图像802、根据指定的轴翻转输入图像802、将输入图像802旋转指定的度数和/或应用于输入图像802的各种其他2D变换来生成经变换图像804。
在至少一个实施例中,鉴别器806处理输入图像802。在至少一个实施例中,鉴别器806与一个或更多个神经网络相关联,该神经网络被训练以推理输入图像的视点以及其他特征。在至少一个实施例中,鉴别器806接收输入图像802并生成第一预测808。在至少一个实施例中,第一预测808与图像内对象的预测的特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,第一预测808包括输入图像802的第一预测视点V1和第一预测外观参数集Z1。在至少一个实施例中,第一预测808包括输入图像802中描绘的汽车的预测方向。在至少一个实施例中,鉴别器806处理经变换图像804。在至少一个实施例中,鉴别器806接收经变换图像804并生成第二预测810。在至少一个实施例中,第二预测810与图像内对象的预测的特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,第二预测810包括经变换图像804的第二预测视点V2和第二预测外观参数集Z2。在至少一个实施例中,第二预测810包括经变换图像804中描绘的汽车的预测方向。
在至少一个实施例中,针对输入图像802预测第一预测808并且针对经变换图像804预测第二预测810,经变换图像804是输入图像802的水平翻转版本。在至少一个实施例中,基于某些属性是否保持为真来计算损失。在至少一个实施例中,将变换或其逆变换应用于第二预测810。在至少一个实施例中,如果输入图像802被旋转(Φ,θ,ψ)角以产生经变换图像804,则第二预测810可以被反向旋转(-Φ,-θ,-ψ)角。在至少一个实施例中,通过将输入图像802的第一预测808的方位角、仰角和倾斜的量值与经变换图像804的第二预测810进行比较来计算对称损失,其中当每个视点参数的幅值都相等和/或为输入图像802预测的外观参数与为经变换图像804预测的外观参数匹配时,产生零损失。在至少一个实施例中,损失随着每个视点参数的幅值之间的差的增加而增加。在至少一个实施例中,根据本公开中其他地方描述的技术计算对称损失,例如结合图16讨论的那些。在至少一个实施例中,至少部分地基于针对输入图像802的预测外观参数与针对经变换图像804预测的外观参数的匹配程度来计算对称损失。在至少一个实施例中,鉴别器806的权重和参数被训练以预测输入图像802的外观参数与针对输入图像802的变换版本(例如,经变换图像804)预测的外观参数是否匹配。
在至少一个实施例中,鉴别器806预测输入图像802的第一外观参数集并预测经变换图像804的第二外观参数集。在至少一个实施例中,基于为输入图像802预测的第一外观参数集与为经变换图像804预测的第二外观参数集的相似程度来计算损失函数。在至少一个实施例中,鉴别器806被训练以预测输入图像802和经变换图像804的参数是等价的。
图9示出了根据至少一个实施例的描绘视点图的图900。在至少一个实施例中,视点图908用于确定最近邻居和最远邻居损失,其与一个或更多个其他损失函数一起使用以细化与鉴别器相关联的参数。在至少一个实施例中,视点图908通过与鉴别器相关联的一个或更多个过程和系统来构建。在至少一个实施例中,视点图908是基于一种类型对象的一个或更多个图像的集合生成的。在至少一个实施例中,第一图像902和第二图像904是一种类型对象的一个或更多个图像的集合的一部分。在至少一个实施例中,第一图像902和第二图像904是包括汽车的一个或更多个图像的集合的一部分。在至少一个实施例中,第一图像902和第二图像904是描绘特定方向的汽车的图像。
在至少一个实施例中,视点图908是基于图像集合中的图像之间的视点等变距离(例如,余弦距离)生成的。在至少一个实施例中,余弦距离是余弦相似度的数学补充(例如,余弦距离=1-余弦相似度)。在至少一个实施例中,余弦相似度是两个向量之间的相似性度量,这两个向量可以基于它们之间角度的余弦来表示图像、文本、数据和/或其变体。在至少一个实施例中,当两个图像包括与具有相似视点的对象相对应的特征时,为所述图像计算的余弦距离为低。在至少一个实施例中,当两个图像包括与具有不同视点的对象相对应的特征时,为所述图像计算的余弦距离为高。
在至少一个实施例中,图像的集合用于生成视点图908,其中视点图908的节点与图像相对应并且边与它们的余弦距离相对应。在至少一个实施例中,使用卷积神经网络基于图像对的特征相似性计算余弦距离。在至少一个实施例中,视点图908的边被加权,使得两个图像之间的较粗边与所述两个图像之间的较高相似度相对应,并且两个图像之间的较细边与所述两个图像之间的较低相似度相对应。在至少一个实施例中,计算第一图像902和第二图像904之间的余弦距离910。在至少一个实施例中,第一图像902和第二图像904用作视点图908的一部分,并且和与计算的余弦距离910相对应的边连接。在至少一个实施例中,第一图像902和第二图像904包括以相似方向和/或视点定向的汽车,并且在视点图908内第一图像902和第二图像904之间使用的粗边反映了这种相似性。
图9示出了根据至少一个实施例的描绘计算最近邻居和最远邻居损失的图900。在至少一个实施例中,最近邻居和最远邻居损失用于训练与诸如鉴别器912之类的鉴别器相关联的一个或更多个神经网络。在至少一个实施例中,最近邻居和最远邻居损失与一个或更多个其他损失函数一起使用以细化与鉴别器相关联的参数。在至少一个实施例中,最近和最远邻居损失可以被视为一种类型的视点等变损失。在至少一个实施例中,本文描述的应用于最近和最远邻居损失的技术(例如,结合图9和其他地方描述的)也适用于视点等变损失。
在至少一个实施例中,视点图908是通过与鉴别器912相关联的一个或更多个过程和系统来构建的。在至少一个实施例中,视点图908是基于一种类型对象的一个或更多个图像的集合而生成的。在至少一个实施例中,图像902-906是一种类型对象的一个或更多个图像的集合的一部分。在至少一个实施例中,图像902-906是包括汽车的一个或更多个图像的集合的一部分。在至少一个实施例中,图像902-906是描绘处于特定方向的汽车的图像。
在至少一个实施例中,鉴别器912处理图像902-906。在至少一个实施例中,鉴别器912与一个或更多个神经网络相关联,该神经网络被训练以推理视点以及输入图像的其他特征。在至少一个实施例中,鉴别器912接收图像902并生成视点914。在至少一个实施例中,鉴别器912接收图像904并生成视点916。在至少一个实施例中,鉴别器912接收图像906并生成视点918。在至少一个实施例中,视点914-918与图像902-906中描绘的对象的预测的特定方向相对应,并且包括用于包括方位角参数、仰角参数和倾斜参数的参数集的特定值。在至少一个实施例中,视点914-918分别包括图像902-906中描绘的汽车的预测方向。
在至少一个实施例中,最近邻居和最远邻居损失是至少通过至少部分地基于图像集合的视点图908将所选图像与其最近和最远邻居进行比较来计算的。在至少一个实施例中,最近邻居和最远邻居损失包括最近邻居损失和最远邻居损失。在至少一个实施例中,从训练图像的集合中选择锚图像。在至少一个实施例中,选择图像902作为锚图像。在至少一个实施例中,图像902从视点图908定位,并且基于边权重选择最近邻居和最远邻居。在至少一个实施例中,最近邻居(诸如图像904)具有连接到图像902的最短边。在至少一个实施例中,最远邻居(诸如图像906)具有连接到图像902的最远边。
在至少一个实施例中,图像904被确定为图像902的最近邻居。在至少一个实施例中,在视点914和视点916之间计算最近邻居损失。在至少一个实施例中,计算最近邻居损失,以使得视点914和视点916之间的较高相似性与较小的损失相对应。在至少一个实施例中,最近邻居损失是基于以下符号数学方程计算的:
在至少一个实施例中,图像906被确定为图像902的最远邻居。在至少一个实施例中,计算视点914和视点916之间的最远邻居损失。在至少一个实施例中,计算最远邻居损失,以使得视点914和视点918之间的较低相似性与较小的损失相对应。在至少一个实施例中,最远邻居损失是基于以下符号数学方程计算的:
其中Lfn是最远邻居损失,是锚图像的视点,是最远邻居图像的视点,min()是确定两个值之间的最小值的函数,是确定视点之间的距离(例如,L1距离、L2距离、余弦距离和/或其变体)或差的函数,并且t是由一个或更多个过程确定的最小阈值。在至少一个实施例中,t由鉴别器、与鉴别器相关联的一个或更多个系统和/或其变体确定。在至少一个实施例中,t是在训练开始之前通过一个或更多个过程设置的参数,并且是其最远邻居损失被认为没有损失的阈值。
在至少一个实施例中,非确定性地选择最近和/或最远邻居。在至少一个实施例中,将概率分配给要被选为锚图像的最近和/或最远邻居的每个边。在至少一个实施例中,最近邻居的概率与边权重成反比(例如,连接到锚图像的具有最低边权重的节点具有最高的被选择概率)。在至少一个实施例中,最远邻居的概率与边权重成正比(例如,连接到锚图像的具有最高边权重的节点具有最高的被选择概率)。
图10示出了根据至少一个实施例的描绘解耦损失的图1000。在至少一个实施例中,解耦损失用于训练与诸如生成器1002之类的生成器相关联的一个或更多个神经网络。在至少一个实施例中,解耦损失与一个或更多个其他损失函数一起使用以细化与生成器1002相关联的参数。在至少一个实施例中,解耦损失在更新生成器参数时运行。在至少一个实施例中,解耦损失在生成器更新阶段运行。
在至少一个实施例中,生成器1002与生成性模型相关联,例如变分自动编码器(VAE)、可微分的渲染器、生成性对抗网络或渲染器。在至少一个实施例中,生成器1002是一个或更多个神经网络的一部分,该神经网络被训练以基于输入视点和输入外观参数集生成图像,并且所述一个或更多个神经网络包括与所述一个或更多个神经网络的一个或更多个过程相关联的各种参数。在至少一个实施例中,鉴别器1004是一个或更多个神经网络的一部分,该神经网络被训练以从输入图像推理视点和外观属性集,并且所述一个或更多个神经网络包括与所述一个或更多个神经网络的一个或更多个过程相关联的各种参数。
在至少一个实施例中,获得第一视点1006A和第一外观属性集1008A。在至少一个实施例中,第一视点1006A和第一外观属性集1008A是随机生成的。在至少一个实施例中,第一视点1006A和第一外观属性集1008A是从与生成器1002和鉴别器1004相关联的一个或更多个过程获得的。在至少一个实施例中,生成器1002基于第一视点1006A和第一外观属性集1008A生成图像1010A。在至少一个实施例中,图像1010A被输入到鉴别器1004。在至少一个实施例中,鉴别器1004执行一个或更多个处理并基于输入图像1010A确定第一预测视点1012A和第一预测外观属性集1012B。
在至少一个实施例中,获得第二外观属性集1008B。在至少一个实施例中,第二外观属性集1008B是随机生成的。在至少一个实施例中,第二外观属性集1008B是从与生成器1002和鉴别器1004相关联的一个或更多个过程获得的。在至少一个实施例中,生成器1002基于第一视点1006A和第二外观属性集1008B生成图像1010B。在至少一个实施例中,图像1010B被输入到鉴别器1004。在至少一个实施例中,鉴别器1004执行一个或更多个过程并基于输入图像1010B确定第二预测视点1014A和第二预测外观属性集1014B。
在至少一个实施例中,获得第二视点1006B。在至少一个实施例中,第二视点1006B是随机生成的。在至少一个实施例中,第二视点1006B是从与生成器1002和鉴别器1004相关联的一个或更多个过程获得的。在至少一个实施例中,生成器1002基于第二视点1006B和第一外观属性集1008A生成图像1010C。在至少一个实施例中,图像1010C被输入到鉴别器1004。在至少一个实施例中,鉴别器1004执行一个或更多个过程并基于输入图像1010C确定第三预测视点1016A和第三预测外观属性集1016B。
在至少一个实施例中,解耦损失包括z重建损失和视点重建损失。在至少一个实施例中,z重建损失通过将由诸如鉴别器1004之类的鉴别器生成的图像的外观参数集的预测与由生成器(例如生成器1002)生成的用于生成所述图像的输入外观参数集进行比较来计算,其中当所述外观参数集的预测与所述输入外观参数集更相似时,产生较低的损失,而当所述外观参数集的预测与所述输入外观参数集不太相似时,产生较高的损失。在至少一个实施例中,视点重建损失通过将图像的视点的预测(其由诸如鉴别器1004之类的鉴别器生成),与由诸如生成器1002之类的生成器生成的用于生成所述图像的输入视点进行比较来计算,其中当所述视点的预测和所述输入视点更相似时,产生较低的损失,而当所述视点的预测和所述输入视点不太相似时,产生较高的损失。
在至少一个实施例中,为每个预测视点集和外观属性(例如,基于输入图像1010A的第一预测视点1012A和第一预测外观属性集1012B,基于输入图像1010B的第二预测视点1014A和第二预测外观属性集1014B,以及基于输入图像1010C的第三预测视点1016A和第三预测外观属性集1016B)计算z重建损失和视点重建损失。在至少一个实施例中,z重建损失和视点重建损失用于确定解耦损失。在至少一个实施例中,附加的损失函数也被计算为解耦损失的一部分。在至少一个实施例中,解耦损失是基于以下符号数学方程计算的:
Disentanglement Loss
=∑viewpoint reconstruction loss+z reconstruction loss+other lossfunctions
在至少一个实施例中,解耦损失用于细化与生成器1002相关联的一个或更多个参数。在至少一个实施例中,更新生成器1002的参数,以使得来自至少解耦损失的损失最小化。
图11示出了根据至少一个实施例的描绘校准神经网络的图1100。在至少一个实施例中,鉴别器在图像集上被训练,并且在所述图像集的包括真值注释的部分上被校准。在至少一个实施例中,鉴别器1104是一个或更多个神经网络的一部分,该神经网络被训练以至少部分地基于所述对象的一个或更多个特征而不是所述对象的方向来识别图像内的对象的方向。在至少一个实施例中,鉴别器1106对图像集合进行训练以推理在其他图像中捕获的相同类别的其他对象的方向。
在至少一个实施例中,鉴别器1104被训练以在图像集合上以自监督方式识别图像内对象的视点,例如在本公开其他地方描述的那些。在至少一个实施例中,鉴别器1104被训练以至少通过作为评估训练集中的图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数来以自监督方式识别图像内的对象的方向。在至少一个实施例中,鉴别器1106至少部分地基于计算损失来训练,所述损失诸如以下中的一项或更多项:生成性一致性损失、对称损失、最近邻居和最远邻居损失以及解耦损失,其可以与结合图4-10描述的那些一致。在至少一个实施例中,鉴别器1104在缺乏真值注释或真值注释以其他方式不可用的图像集合上进行训练。
在至少一个实施例中,获得对象图像集合1102以校准鉴别器1104。在至少一个实施例中,对象图像集合1102包括具有真值注释的图像。在至少一个实施例中,对象图像集合1102包括描绘对象的图像,鉴别器1104被训练以分析和确定该图像的视点。在至少一个实施例中,对象图像集合1102是用于训练鉴别器1104的图像集合的一部分。在至少一个实施例中,鉴别器1104在不同于对象图像集合1102的图像集合上进行训练。在至少一个实施例中,鉴别器1104获得对象图像集合1102中的图像,并确定所述图像的视点1106。在至少一个实施例中,尽管鉴别器1104被训练,但视点1106与对象图像集合1102中的图像的真值视点不匹配。在至少一个实施例中,视点1106是在一个或更多个维度上平移的对象图像集合1102中的图像的正确视点。
在至少一个实施例中,确定线性模型1108,该线性模型1108将由鉴别器1104确定的用于对象图像集合1102中的图像的视点转换到它们各自的由真值注释指示的正确位置。在至少一个实施例中,线性模型1108是线性函数,其通过将鉴别器1104针对对象图像集合1102中的图像生成的视点与针对对象图像集合1102中的所述图像的视点的真值注释进行比较来确定。在至少一个实施例中,线性模型1108通过一个或更多个过程来确定,例如各种回归算法、数学过程和/或其变体。在至少一个实施例中,线性模型1108被确定为使得由鉴别器1104确定的图像的视点可以被转换和/或校正以匹配所述图像的真值视点。在至少一个实施例中,线性模型1108将由鉴别器1104确定的图像的视点校准到所述图像的真值视点的坐标系中。在至少一个实施例中,线性模型1108将由鉴别器1104确定的图像的视点的零位置转换为所述图像的真值视点的零位置。
在至少一个实施例中,线性模型1108用于校准或以其他方式校正视点1106以生成经校正的视点1110。在至少一个实施例中,经校正的视点1110是已被转换以匹配真值视点的视点1106。在至少一个实施例中,线性模型1108用于校准或以其他方式校正由鉴别器1104为对象图像集合1102中的图像确定/生成的视点,以匹配对象图像集合1102中的所述图像的视点的真值注释。
图12示出了根据至少一个实施例的描绘推理的图1200。在至少一个实施例中,作为与机动车辆的安全系统相关联的一个或更多个系统的一部分,鉴别器被训练以推理从与所述机动车辆相关联的相机捕获的其他机动车辆的图像的视点,使得所述推理的视点用于执行与所述机动车辆相关的一个或更多个操作,例如制动所述机动车辆以避开另一机动车辆,或转向所述机动车辆以避开另一机动车辆。在至少一个实施例中,鉴别器1204在图像集合上以自监督方式被训练以识别图像内对象的视点,例如在本公开的其他地方描述的那些。在至少一个实施例中,鉴别器1204被训练以至少通过作为评估训练集中的图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数,来以自监督方式识别图像内的对象的方向。在至少一个实施例中,鉴别器1204至少部分地基于计算生成性一致性损失、对称损失、最近邻居和最远邻居损失以及解耦损失来训练,这些损失可以是根据结合图4-10描述的那些。在至少一个实施例中,鉴别器1204在汽车图像的集合上进行训练。在至少一个实施例中,鉴别器1204被训练以识别图像内的汽车的视点。
在至少一个实施例中,鉴别器1204是机动车辆1210的一个或更多个系统的一部分。在至少一个实施例中,机动车辆1210是自主车辆。在至少一个实施例中,机动车辆1210是由操作员操作的车辆。在至少一个实施例中,机动车辆1210包括实现鉴别器1204的一个或更多个系统。在至少一个实施例中,机动车辆1210包括与鉴别器1204相关联的一个或更多个系统。在至少一个实施例中,机动车辆1210包括使机动车辆1210能够远程访问和利用鉴别器1204的一个或更多个系统,鉴别器1204可以在各种远程和/或本地系统上实现。
在至少一个实施例中,机动车辆1210包括多个相机。在至少一个实施例中,相机1202位于机动车辆1210上。在至少一个实施例中,相机1202是机动车辆1210可远程访问的相机。在至少一个实施例中,相机1202捕获或以其他方式获得图像1202A。在至少一个实施例中,机动车辆1210是在包括其他机动车辆的环境中运行的车辆,机动车辆1210必须执行与其他机动车辆相关的一个或更多个动作(例如,允许机动车辆通过、超车、为迎面而来的机动车辆制动、转向以避开迎面而来的车辆和/或其变体)。在至少一个实施例中,图像1202A是机动车辆1210必须与之交互的另一机动车辆的图像。在至少一个实施例中,图像1202A是当机动车辆1210在环境中运行时从机动车辆1210的车载相机捕获的图像。
在至少一个实施例中,图像1202A被输入到鉴别器1204,鉴别器1204确定图像1202A的视点1206。在至少一个实施例中,视点1206是图像1202A中描绘的汽车的视点。在至少一个实施例中,安全系统1208是机动车辆1210的一部分。在至少一个实施例中,安全系统1208包括被配置为向机动车辆1210提供辅助的一个或更多个系统。在至少一个实施例中,安全系统1208包括一个或更多个系统,该系统被配置为操作机动车辆1210的一个或更多个系统,例如制动致动器1208A和转向致动器1208B,它们是被配置为分别操作机动车辆1210的制动器和机动车辆1210的转向的部件。在至少一个实施例中,制动致动器1208A和转向致动器1208B分别与制动致动器2148和转向致动器2156相同。在至少一个实施例中,机动车辆1210可以根据本文其他地方描述的技术实现,例如图21。
在至少一个实施例中,安全系统1208获得视点1206。在至少一个实施例中,安全系统1208基于视点1206确定图像1202A中描绘的汽车的行驶方向。在至少一个实施例中,安全系统1208基于视点1206确定是使用制动致动器1208A还是转向致动器1208B。在至少一个实施例中,如果安全系统1208确定图像1202A中描绘的汽车在相对于机动车辆1210的需要机动车辆1210制动的方向上行驶,则安全系统1208激活制动致动器1208A以制动机动车辆1210,使得机动车辆1210避免由图像1202A中描绘的所述汽车的所述行驶导致的任何潜在安全问题。在至少一个实施例中,如果安全系统1208确定图像1202A中描绘的汽车正在相对于机动车辆1210的需要机动车辆1210转向的方向上行驶,则安全系统1208激活转向致动器1208B以使机动车辆1210转向,使得机动车辆1210避免由图像1202A中描绘的所述汽车的所述行驶导致的任何潜在安全问题。
图13示出了根据至少一个实施例的用于训练神经网络以预测图像内对象的视点的过程1300的说明性示例。在至少一个实施例中,过程1300(或本文描述的任何其他过程,或其变体和/或组合)中的一些或全部在配置有计算机可执行指令的一个或更多个计算机系统的控制下执行,并且可以通过硬件、软件或其组合实现为在一个或更多个处理器上共同执行的代码(例如,计算机可执行指令、一个或更多个计算机程序或一个或更多个应用程序)。在至少一个实施例中,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计算机可读指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读介质。在至少一个实施例中,可用于执行过程1300的至少一些计算机可读指令不是仅使用瞬态信号(例如,传播的瞬态电或电磁传输)来存储的。非暂时性计算机可读介质不一定包括暂时性信号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)。在至少一个实施例中,过程1300至少部分地在诸如本公开其他地方描述的那些之类的计算机系统上执行。在至少一个实施例中,第一计算机系统训练一个或更多个神经网络,并且第二计算机系统使用所述一个或更多个神经网络进行推理(例如,预测图像内对象的视点)。在至少一个实施例中,结合图1、图12和图14描述的技术适用于过程1300。
在至少一个实施例中,执行过程1300的至少一部分的系统包括用于获得1302一种类型的对象的一个或更多个图像的集合的可执行代码。在至少一个实施例中,一个或更多个图像的集合用于训练一个或更多个神经网络以识别图像内对象的方向。在至少一个实施例中,图像集合被分类或标记为每个显示相同类型或类别的对象。在至少一个实施例中,图像集合是汽车图像的集合,其可以包括在不同方向、在不同天气、在不同照明下的不同类型的汽车。在至少一个实施例中,汽车集合包括同一汽车或同一类型汽车在不同方向的图像。在至少一个实施例中,训练图像集合的至少一部分缺少指定此类训练图像内对象的方向的真值注释。在至少一个实施例中,图像集合中的所有图像都缺少指定集合中图像内对象的方位角、仰角和倾斜角的真值注释。在至少一个实施例中,图像集合包括一个或更多个合成图像,例如从生成性对抗网络(GAN)创建的图像。在至少一个实施例中,图像集合中的所有图像都是真实图像,而不是那些从生成性模型(例如变分自动编码器(VAE)、可微分渲染器、生成性对抗网络(GAN)或渲染器)合成或创建的图像。在至少一个实施例中,从按类别对图像进行分类的网站收集和聚合图像集合。
在至少一个实施例中,图像内对象的方向是指在二维图像内捕获的对象的三维方向。在至少一个实施例中,使用相机来捕获现实世界汽车的二维图像,该汽车相对于相机处于特定方向。在至少一个实施例中,对象的方向(例如,视点)被编码在参数集上,该参数集包括方位角参数、仰角参数和倾斜参数。在至少一个实施例中,对象的方向被编码为一组三个向量,这些向量定义对象相对于x、y和z轴的方向。
在至少一个实施例中,执行过程1300的至少一部分的系统包括用于训练1304一个或更多个神经网络以至少部分地基于所述对象的一个或更多个特征而不是所述对象的方向来识别图像内对象的方向的可执行代码。
在至少一个实施例中,过程1300在处理器上实现,该处理器包括:一个或更多个电路,用于帮助训练一个或更多个神经网络以至少部分地基于所述对象的一个或更多个特征而不是所述对象的方向来识别图像内对象的方向。在至少一个实施例中,一个或更多个神经网络在图像集合上被训练以推理在其他图像中捕获的相同类别的其他对象的方向。在至少一个实施例中,神经网络在飞机图像的集合上被训练,并且一旦被训练,就被用于推理其他飞机在其他图像中的方向。
在至少一个实施例中,神经网络被训练以在图像集合上以自监督方式识别图像内对象的方向,例如在本公开其他地方描述的那些。在至少一个实施例中,至少通过作为评估训练集(例如,图像的集合)中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数,来以自监督方式训练神经网络以识别图像内对象的方向。在至少一个实施例中,至少部分地基于计算生成性一致性损失、对称损失、最近邻居和最远邻居损失以及解耦损失来训练神经网络,其可以是根据结合图4-10描述的那些。在至少一个实施例中,在缺乏真值注释或真值注释以其他方式不可用的图像集合上训练神经网络(例如,在训练期间对神经网络隐瞒此类数据)。在至少一个实施例中,神经网络被训练以从具有预测方向的第一图像内的对象生成具有相同方向的第二图像。
在至少一个实施例中,实现过程1300的系统包括一个或更多个处理器,用于计算参数以帮助训练一个或更多个神经网络以至少部分地基于所述对象的一个或更多个特征而不是所述对象的方向来识别图像内对象的方向;以及用于存储所述参数的一个或更多个存储器。在至少一个实施例中,训练一个或更多个神经网络以使用与所述对象相同类别的不同对象的图像集合来识别图像内对象的方向(例如,用于推理车辆视点的神经网络在标记为车辆的图像集合上进行训练)。
在至少一个实施例中,一个或更多个神经网络以自监督方式在与要推理的图像的对象相同类别的不同对象的图像集合上进行训练。在至少一个实施例中,同一类别的不同对象可以指代不同的图像,这些图像可以是第一汽车在一个或更多个方向上的一个或更多个图像、不同的第二汽车在一个或更多个方向上的一个或更多个图像等等。在至少一个实施例中,要推理的对象的图像被包括在用于训练一个或更多个神经网络以推理方向的图像集合中。在至少一个实施例中,至少通过使用损失函数集评估图像内对象的一个或更多个特征,来以自监督方式训练一个或更多个神经网络。在至少一个实施例中,对象的一个或更多个特征是指可以用于推理方向的对象的属性。在至少一个实施例中,通过计算以下中的一项或更多项来训练神经网络:生成性一致性损失;对称损失;最近邻居和最远邻居损失;和解耦损失。在至少一个实施例中,以自监督方式训练的神经网络被训练以生成具有特定方向的对象的合成图像,该特定方向可以是与输入图像的预测方向相同的方向。在至少一个实施例中,使用诸如变分自动编码器(VAE)、可微分渲染器、生成性对抗网络(GAN)或渲染器之类的深度生成性模型来创建合成图像。在至少一个实施例中,要推理其方向的对象可以是车辆、飞机、无人机、人类、(例如,人或动物的)面部等等。
在至少一个实施例中,执行过程1300的至少一部分的系统包括用于获得1306第二图像的可执行代码。在至少一个实施例中,第二图像内的第二对象与用于训练一个或更多个神经网络的图像集合属于相同类型。在至少一个实施例中,将第二图像提供给神经网络用于推理以预测第二方向。在至少一个实施例中,从捕获静止图像和/或组成以可变或固定速率捕获的多个帧的视频的相机获得图像。在至少一个实施例中,视频包括多个帧(例如,图像)。在至少一个实施例中,第一系统训练一个或更多个神经网络并且第二不同系统使用那些一个或更多个神经网络来执行推理以识别图像内对象的方向。
在至少一个实施例中,执行过程1300的至少一部分的系统包括可执行代码,用于使用1308以用于一个或更多个神经网络(例如,如数字1304中描述的那样训练)以识别所述第二图像内的所述第二对象的第二方向。在至少一个实施例中,系统使用在特定类别的对象的图像集合上以自监督方式训练的鉴别器来推理所述类别的其他对象的方向。在至少一个实施例中,一个或更多个神经网络在汽车图像的集合上进行训练,并用于推理由附接到车辆的相机或其他合适的视频/图像捕获设备实时捕获的汽车的方向。
在至少一个实施例中,第一神经网络使用自监督学习在第一类别的第一图像集合上进行训练,以推理该第一类别的对象的视点,而第二神经网络使用类似/相同的自监督学习技术在第二类别的第二图像集合上进行训练。在至少一个实施例中,图像作为输入被提供给第一神经网络以检测第一类别的第一对象的第一方向,并且还作为输入提供给第二神经网络以检测第二类别的第二对象的第二方向。在至少一个实施例中,输入图像被提供给使用本文描述的自监督学习技术训练的多个神经网络,以识别所述输入图像中不同对象的方向。
图14示出了根据至少一个实施例的用于训练神经网络以预测图像内对象的视点的过程1400的说明性示例。在至少一个实施例中,过程1400(或本文描述的任何其他过程,或其变体和/或组合)中的一些或全部在配置有计算机可执行指令的一个或更多个计算机系统的控制下执行,并且可以通过硬件、软件或其组合实现为在一个或更多个处理器上共同执行的代码(例如,计算机可执行指令、一个或更多个计算机程序或一个或更多个应用程序)。在至少一个实施例中,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计算机可读指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读介质。在至少一个实施例中,可用于执行过程1300的至少一些计算机可读指令不是仅使用瞬态信号(例如,传播的瞬态电或电磁传输)来存储的。非暂时性计算机可读介质不一定包括瞬态信号收发器内的非瞬态数据存储电路(例如,缓冲器、高速缓存和队列)。在至少一个实施例中,过程1400至少部分地在诸如本公开其他地方描述的那些之类的计算机系统上执行。在至少一个实施例中,第一计算机系统训练一个或更多个神经网络,并且第二计算机系统使用所述一个或更多个神经网络进行推理(例如,预测图像内对象的视点)。在至少一个实施例中,结合图1、图12和图13描述的技术适用于过程1400。
在至少一个实施例中,执行过程1400的至少一部分的系统包括可执行代码,用于获得1402一种类型对象的一个或更多个图像的集合。在至少一个实施例中,图像类型可以意味着图像集合中的所有图像都是包括汽车的图像。在至少一个实施例中,系统根据本公开中别处描述的技术(例如图13)获得一个或更多幅个的集合。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于选择1404图像集合中的第一图像的可执行代码。在至少一个实施例中,以任何合适的方式选择集合中的图像用于学习,其可以从训练集中随机或伪随机地采样。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于至少部分地基于将所选图像与由深度生成性模型生成的图像进行比较来计算1406生成性一致性损失的可执行代码。在至少一个实施例中,使用在本公开的别处描述的技术来计算生成性一致性损失,例如结合图4-7讨论的那些。在至少一个实施例中,生成性一致性损失包括至少两个组成部分:视点一致性损失和图像一致性损失。在至少一个实施例中,根据结合图15描述的技术计算生成性一致性损失。
在至少一个实施例中,至少部分地基于所选图像(例如,输入图像)计算图像一致性损失,该所选图像被提供给用于从所述图像分解至少两个属性的鉴别器:预测的视点和外观参数集。在至少一个实施例中,预测的视点和外观参数集被提供给生成器以创建合成图像。在至少一个实施例中,生成性对抗网络(GAN)接收视点和外观参数集,并根据提供任何视点和外观参数集中的任一个生成合成(例如,假的)图像。在至少一个实施例中,比较合成图像和输入图像以确定图像一致性损失。在至少一个实施例中,比较输入图像和合成图像之间的余弦距离以确定特征相似性,其中更接近的相似性与更低的损失相对应。在至少一个实施例中,L1、L2或余弦距离用于确定两个图像之间的图像一致性损失。
在至少一个实施例中,至少部分地基于输入图像的视点来计算视点(例如,方向)一致性损失。在至少一个实施例中,输入图像的视点由鉴别器推理。在至少一个实施例中,输入图像的视点基于作为训练的一部分而提供的用于训练图像集合的至少一部分的真值注释来确定。在至少一个实施例中,生成器用于创建具有与输入图像相同的视点的合成图像。在至少一个实施例中,将从输入图像的视点生成的合成图像提供给确定所述合成图像的第二视点的鉴别器。在至少一个实施例中,将输入图像的第一视点与至少部分地基于所述输入图像生成的合成图像的第二视点进行比较。在至少一个实施例中,输入图像的第一视点和合成图像的第二视点之间的距离用于计算视点一致性损失,其中更近的视点与更低的损失相对应。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于至少通过将所选图像与该所选图像的变换版本进行比较来计算1408对称损失的可执行代码。在至少一个实施例中,根据结合图15描述的技术计算对称损失。在至少一个实施例中,输入图像是从训练图像集合中选择的。在至少一个实施例中,对输入图像应用变换以生成经变换图像。在至少一个实施例中,水平翻转输入图像以生成翻转图像。在至少一个实施例中,一个或更多个神经网络用于预测输入图像的第一方向和经变换图像的第二方向。在至少一个实施例中,为输入图像预测第一方向并且为该输入图像的水平翻转版本预测第二方向。在至少一个实施例中,基于某些属性是否成立来计算损失。在至少一个实施例中,将变换或其逆变换应用于输入图像的变换版本的预测方向。在至少一个实施例中,如果将输入图像旋转(Φ,θ,ψ)角度以产生经变换图像,则推理的该经变换图像的方向可以反向旋转(-Φ,-θ,-ψ)角度。在至少一个实施例中,通过将输入图像的第一方向的方位角、仰角和倾斜的幅度与经变换图像的第二方向进行比较来计算损失,其中当每个方向参数的幅度相等时产生零损失。在至少一个实施例中,当为输入图像预测的外观参数与该输入图像的经变换版本匹配时,产生零损失。在至少一个实施例中,根据本公开中其他地方描述的技术计算对称损失,例如结合图16讨论的那些。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于至少通过至少部分地基于图像集合的视点图将所选图像与其最近和最远邻居进行比较来计算1410最近邻居和最远邻居损失的可执行代码。在至少一个实施例中,最近邻居和最远邻居损失是根据结合图17描述的技术计算的。在至少一个实施例中,图像的集合用于生成视点图,其中该图的节点与图像相对应并且边与它们的视点等变距离相对应。在至少一个实施例中,使用卷积神经网络(CNN)基于图像对的特征相似性来计算视点等变距离。在至少一个实施例中,从训练图像集合中选择锚图像。在至少一个实施例中,从视点图定位锚图像并且基于边权重选择最近邻居和最远邻居。在至少一个实施例中,最近邻居具有连接到锚图像的最短边。在至少一个实施例中,最远邻居具有连接到锚图像的最远边。在至少一个实施例中,神经网络预测锚图像的第一视点并且预测最近邻居图像的第二视点并且计算损失,使得那些视点之间的更近的距离对应于更小的损失。在至少一个实施例中,神经网络预测锚图像的第一视点并且预测最远邻居图像的第三视点并且计算损失,使得那些视点之间的更长距离对应于更小损失。
在至少一个实施例中,最近和/或最远邻居是非确定性地选择的。在至少一个实施例中,将概率分配给要被选为锚图像的最近和/或最远邻居的每个边。在至少一个实施例中,最近邻居的概率与边权重成反比(例如,连接到锚图像的具有最低边权重的节点具有最高的被选择概率)。在至少一个实施例中,最远邻居的概率与边权重成正比(例如,连接到锚图像的具有最高边权重的节点具有最高的被选择概率)。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于使用1412计算的损失(例如,从数字1406-1410)来更新在图像集合中被训练的一个或更多个神经网络的参数的可执行代码。在至少一个实施例中,针对对称损失、视点一致性损失、真/假分类损失、解耦损失或其任意组合对生成器进行训练。在至少一个实施例中,结合图4-7描述的技术用于根据过程1400训练网络。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于确定是否1410更多地进行训练的可执行代码。在至少一个实施例中,根据任何合适的技术执行训练,并且可以包括选择第二图像并使用第二选择的图像来执行步骤1406-1412,以计算损失并细化被训练以推理视点的一个或更多个神经网络的参数。一旦完成训练,就可以使经训练的神经网络(例如,神经网络或其参数转移到不同的系统)可用于推理。
在至少一个实施例中,执行过程1400的至少一部分的系统包括用于接收1416与用于训练一个或更多个神经网络的图像集合相同类型的图像的可执行代码。在至少一个实施例中,从相机或其他类型的捕获设备接收图像,该捕获设备正在捕获系统的周围或环境的图像。在至少一个实施例中,执行过程1400的至少一部分的系统包括用于使用1418经训练的神经网络来推理图像中对象的视点的可执行代码。在至少一个实施例中,车辆包括捕获图像并将该图像提供给在汽车图像集合上训练的神经网络的相机,以确定捕获的图像是否包括汽车和/或捕获的图像中包含的任何汽车的方向。
图15A示出了根据至少一个实施例的计算图像一致性损失的过程1500A的说明性示例。在至少一个实施例中,过程1500A(或本文描述的任何其他过程,或其变体和/或组合)中的一些或全部在配置有计算机可执行指令的一个或更多个计算机系统的控制下执行,并且可以通过硬件、软件或其组合实现为在一个或更多个处理器上共同执行的代码(例如,计算机可执行指令、一个或更多个计算机程序或一个或更多个应用程序)。在至少一个实施例中,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计算机可读指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读介质。在至少一个实施例中,可用于执行过程1500A的至少一些计算机可读指令不是仅使用瞬态信号(例如,传播的瞬态电或电磁传输)来存储的。非暂时性计算机可读介质不一定包括临暂性信号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)。在至少一个实施例中,过程1500A至少部分在计算机系统上执行,例如在本公开的其他地方描述的那些。在至少一个实施例中,第一计算机系统计算生成性一致性损失。在至少一个实施例中,结合图4-7描述的技术适用于过程1500A。在至少一个实施例中,过程1500A描述了计算一个或更多个损失(例如,图像一致性损失)的过程,该损失可用于作为训练过程的一部分而更新鉴别器的参数。
在至少一个实施例中,执行过程1500A的至少一部分的系统包括用于获得1502一种类型对象的一个或更多个图像的集合的输入图像的可执行代码。在至少一个实施例中,一种类型的对象可以意味着图像集合中的所有图像都是包括汽车的图像。在至少一个实施例中,输入图像描绘了处于特定方向的对象,包括特定外观特征(例如,属性)。在至少一个实施例中,输入图像是根据结合图4描述的那些获得的真实图像(例如,与合成图像相反)。
在至少一个实施例中,执行过程1500A的至少一部分的系统包括用于使用1504鉴别器来预测输入图像的外观属性集、确定输入图像是真的还是假的以及视点的可执行代码。在至少一个实施例中,鉴别器与一个或更多个神经网络相关联,这些神经网络被训练以从输入图像推理视点以及其他特征。在至少一个实施例中,视点是输入图像的预测视点,并且与所述输入图像中描绘的对象的预测特定方向相对应,包括用于包括方位角参数、仰角参数和倾斜参数的参数集的特定值。在至少一个实施例中,外观属性集或参数是输入图像的预测外观属性集,并且定义了在所述输入图像中描绘的对象的外观。在至少一个实施例中,关于输入图像是真还是假的确定是指示鉴别器预测该输入图像是真还是假的二进制值(例如,真或假)。在至少一个实施例中,输入图像是真还是假的预测确定用于计算真/假分类损失,这可以是根据本公开其他地方描述的那些,包括但不限于结合图4和/或图6讨论的那些。
在至少一个实施例中,执行过程1500A的至少一部分的系统包括用于使用1506生成器以至少部分地基于预测的外观属性集和预测的视点来创建合成图像的可执行代码。在至少一个实施例中,预测的外观属性集和预测的视点被提供给生成器以生成合成图像。在至少一个实施例中,生成器是生成性对抗网络的一部分。在至少一个实施例中,预测的外观属性集和预测的视点被用来生成与所述预测的外观属性集和所述预测的视点一致的合成图像。在至少一个实施例中,生成器生成合成图像,该合成图像包括根据预测的外观属性集生成并根据预测的第一视点定向的对象。
在至少一个实施例中,执行过程1500A的至少一部分的系统包括用于基于输入图像和合成图像计算1508图像一致性损失的可执行代码。在至少一个实施例中,比较输入图像和合成图像以确定图像一致性损失。在至少一个实施例中,比较输入图像和合成图像之间的余弦距离以确定特征相似性,其中更接近的相似性与更低的损失相对应。在至少一个实施例中,L1、L2或余弦距离用于确定输入图像和合成图像之间的图像一致性损失。
在至少一个实施例中,至少部分地基于结合过程1500A描述的输入图像和合成图像来计算最近和最远邻居损失。在至少一个实施例中,使用结合图4和图9描述的技术来计算最近和最远邻居损失。在至少一个实施例中,至少部分地基于输入图像来计算对称损失。
在至少一个实施例中,图15B示出了计算视点一致性损失的过程1500B。过程1500B可以由任何合适的系统实现,例如结合图5描述的那些。在至少一个实施例中,过程1500A和过程1500B由计算机系统执行,作为调整用于预测对象视点的鉴别器和生成器的参数的训练过程的一部分。在至少一个实施例中,执行过程1500B的计算机系统包括使计算机系统获得1512视点和外观参数集的可执行代码。在至少一个实施例中,随机选择视点和/或外观参数集。
在至少一个实施例中,执行过程1500B的至少一部分的系统包括用于使用1514生成器从视点和外观参数集创建合成图像的可执行代码。在至少一个实施例中,合成图像是根据上面结合图2描述的技术创建的。
在至少一个实施例中,合成图像被创建并且系统被配置为使用1516鉴别器来预测视点、确定输入图像是真的还是假的、以及外观参数集。在至少一个实施例中,根据结合图2描述的技术来实现鉴别器以预测视点和外观。
在至少一个实施例中,系统被配置为至少部分地基于预测的视点(例如,从预测合成图像的视点的鉴别器获得的)和输入视点(例如,生成器用来创建合成图像的视点)来计算1518视点一致性损失。在至少一个实施例中,根据结合图5和/或图7描述的技术来计算视点一致性损失。
图16A示出了根据至少一个实施例的计算对称损失的过程1600A的说明性示例。在至少一个实施例中,过程(或本文描述的任何其他过程,或其变体和/或组合)中的一些或全部在配置有计算机可执行指令的一个或更多个计算机系统的控制下执行,并且可以通过硬件、软件或其组合实现为在一个或更多个处理器上共同执行的代码(例如,计算机可执行指令、一个或更多个计算机程序或一个或更多个应用程序)。在至少一个实施例中,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计算机可读指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读介质。在至少一个实施例中,可用于执行过程1600A的至少一些计算机可读指令不是仅使用瞬态信号(例如,传播的瞬态电或电磁传输)来存储的。非暂时性计算机可读介质不一定包括瞬态信号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)。在至少一个实施例中,过程1600A至少部分在计算机系统上执行,例如在本公开的其他地方描述的那些。在至少一个实施例中,第一计算机系统计算对称损失。在至少一个实施例中,结合图8描述的技术适用于过程1600A。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括用于获得1602输入图像的可执行代码。在至少一个实施例中,输入图像是一种类型对象的一个或更多个图像的集合中的图像。在至少一个实施例中,一种类型的对象可以意味着图像集合中的所有图像都是包括汽车的图像。在至少一个实施例中,系统获得输入图像,该输入图像描绘了在包括特定外观特征的特定方向上的对象。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括对输入图像执行1604变换,从而生成经变换图像的可执行代码。在至少一个实施例中,将变换应用于输入图像,其中所述输入图像被水平翻转以生成经变换图像。在至少一个实施例中,变换由与鉴别器相关联的一个或更多个系统应用。在至少一个实施例中,将一种或更多种图像处理技术应用于输入图像以生成经变换图像。在至少一个实施例中,当变换所述输入图像以生成经变换图像时,反转输入图像内对象的视点的方位角和倾斜角,并且仰角在所述输入图像和所述经变换图像上保持相同。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括用于预测1606经变换图像的至少视点的可执行代码。在至少一个实施例中,鉴别器预测经变换图像的视点、外观参数集、真/假分类或其任何组合。在至少一个实施例中,鉴别器与一个或更多个神经网络相关联,这些神经网络被训练以从输入图像推理视点以及其他特征。在至少一个实施例中,鉴别器接收经变换图像并预测视点。在至少一个实施例中,视点与图像中描绘的对象的特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括将变换应用1608于预测视点的可执行代码。在至少一个实施例中,将变换或其逆变换应用于预测视点。在至少一个实施例中,如果将输入图像旋转(Φ,θ,ψ)角以产生经变换图像,则基于所述经变换图像生成的预测视点可以反向旋转(-Φ,-θ,-ψ)角。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括用于为输入图像预测1610至少视点的可执行代码。在至少一个实施例中,鉴别器预测输入图像的视点、外观参数集、真/假分类或其任何组合。在至少一个实施例中,鉴别器接收输入图像并预测视点。在至少一个实施例中,视点与图像中描绘的对象的特定方向相对应,并且包括用于参数集的特定值,该参数集包括方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,执行过程1600A的至少一部分的系统包括用于比较1612视点以计算对称损失的可执行代码。在至少一个实施例中,系统将经变换图像的预测视点与输入图像的预测视点进行比较,其中所述经变换图像是从所述输入图像生成的。在至少一个实施例中,通过将输入图像的预测视点的方位角、仰角和倾斜的量值与经变换图像的预测视点的方位角、仰角和倾斜的量值进行比较来计算对称损失,其中当每个视点参数的量值相等时,产生零损失。在至少一个实施例中,至少部分地基于图像(例如,输入图像)的外观参数和该图像的经变换版本彼此匹配的紧密程度来计算对称损失。
图16B图示了根据至少一个实施例的用于计算对称损失的过程1600B。在至少一个实施例中,图16B用于更新生成器的参数,作为训练神经网络以预测视点的一部分。在至少一个实施例中,执行过程1600B的系统包括用于获得1614视点和外观属性集的可执行代码。在至少一个实施例中,系统被配置为对获得的视点应用1616变换以确定经变换的视点。在至少一些实施例中,翻转视点以获得经变换的视点。在至少一个实施例中,变换函数T()被应用于参数集x1、y1和z1以获得经变换的参数集x2、y2、z2,其可以与方位角、倾斜和仰角参数相对应。
在至少一个实施例中,生成器用于至少部分地基于经变换的视点和外观参数集来生成1618第一合成图像,所述外观参数集可以使用结合图16B的其他步骤描述的技术来计算或以其他方式确定。在至少一个实施例中,系统被配置为将变换应用1620于从经变换的视点和外观属性集生成的第一合成图像。在至少一个实施例中,如果通过执行变换T()产生经变换的视点,则将逆变换T-1()应用于合成图像,其中T(T-1(x,y,z))=(x,y,z)。在至少一个实施例中,如果变换水平地翻转图像,则逆变换将图像水平地翻转回其原始方向。
在至少一个实施例中,系统包括用于至少部分地基于视点和外观参数集来生成1622第二合成图像的可执行指令。在至少一个实施例中,相同的生成器用于基于经变换视点产生第一合成图像和基于原始视点产生第二合成图像。在至少一个实施例中,系统被配置为比较1624第一合成图像和第二合成图像以计算对称损失,其中这些图像之间的零余弦距离与零损失相关。
图17示出了根据至少一个实施例的计算最近邻居和最远邻居损失的过程1700的说明性示例。在至少一个实施例中,过程1700(或本文描述的任何其他过程,或其变体和/或组合)中的一些或全部在配置有计算机可执行指令的一个或更多个计算机系统的控制下执行,并且可以通过硬件、软件或其组合实现为在一个或更多个处理器上共同执行的代码(例如,计算机可执行指令、一个或更多个计算机程序或一个或更多个应用程序)。在至少一个实施例中,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计算机可读指令。在至少一个实施例中,计算机可读存储介质是非暂时性计算机可读介质。在至少一个实施例中,可用于执行过程1700的至少一些计算机可读指令不是仅使用瞬态信号(例如,传播的瞬态电或电磁传输)来存储的。非暂时性计算机可读介质不一定包括暂时性信号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)。在至少一个实施例中,过程1700至少部分在计算机系统上执行,例如在本公开的其他地方描述的那些。在至少一个实施例中,第一计算机系统计算最近和最远邻居损失。在至少一个实施例中,结合图9描述的技术适用于过程1700。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于获得1702图像集合的可执行代码。在至少一个实施例中,图像集合包括一种类型对象的一个或更多个图像。在至少一个实施例中,一种类型的对象可以意味着图像集合中的所有图像都是包括汽车的图像。在至少一个实施例中,系统根据本公开中别处描述的技术(例如图13)获得一个或更多个图像的集合。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于针对集合中的图像对计算1704比较特征相似性的余弦距离的可执行代码。在至少一个实施例中,余弦距离是余弦相似度的数学补充(例如,余弦距离=1-余弦相似度)。在至少一个实施例中,余弦相似度是两个向量之间的相似性度量,这两个向量可以基于它们之间角度的余弦来表示图像、文本、数据和/或其变体。在至少一个实施例中,当两个图像包括与具有相似视点的对象相对应的特征时,为所述图像计算的余弦距离较低。在至少一个实施例中,当两个图像包括与具有不同视点的对象相对应的特征时,为所述图像计算的余弦距离较高。在至少一个实施例中,针对图像集合中的每个图像相对于所述集合的每个其他图像计算余弦距离。
在至少一个实施例中,执行过程1700的至少一部分的系统包括生成1706视点图的可执行代码,其中所述图的节点与集合中的图像相对应并且边与它们的余弦距离相对应。在至少一个实施例中,使用卷积神经网络基于图像对的特征相似性计算余弦距离。在至少一个实施例中,对视点图的边进行加权,使得两个图像之间的较粗边与所述两个图像之间的较高相似度相对应,而两个图像之间的较细边与所述两个图像之间的较低相似度相对应。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于选择1708图的锚图像并预测第一视点的可执行代码。在至少一个实施例中,从用于生成视点图的训练图像集合中选择锚图像。在至少一个实施例中,鉴别器与一个或更多个神经网络相关联,这些神经网络被训练以从输入图像推理视点以及其他特征。在至少一个实施例中,鉴别器接收锚图像并预测第一视点。在至少一个实施例中,第一视点与锚图像中描绘的对象的预测特定方向相对应,并且包括参数集的特定值,该参数集包括与所述对象的所述方向相对应的方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于使用1710图来选择锚图像的最近邻居并预测第二视点的可执行代码。在至少一个实施例中,最近邻居是基于视点图的边权重确定的。在至少一个实施例中,最近邻居是具有连接到视点图的锚图像的最短边的图像。在至少一个实施例中,锚图像的最近邻居是与图像集合中的所述锚图像最相似的图像。在至少一个实施例中,鉴别器接收最近邻居图像并预测第二视点。在至少一个实施例中,第二视点与在最近邻居图像中描绘的对象的预测特定方向相对应,并且包括参数集的特定值,该参数集包括与所述对象的所述方向相对应的方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于使用1712图来选择锚图像的最远邻居并预测第三视点的可执行代码。在至少一个实施例中,基于视点图的边权重确定最远邻居。在至少一个实施例中,最远邻居是具有连接到视点图的锚图像的最长边的图像。在至少一个实施例中,锚图像的最远邻居是与图像集合中的所述锚图像最不同的图像。在至少一个实施例中,鉴别器接收最远邻居图像并预测第三视点。在至少一个实施例中,第三视点与在最远邻居图像中描绘的对象的预测特定方向相对应,并且包括参数集的特定值,该参数集包括与所述对象的所述方向相对应的方位角参数、仰角参数和倾斜参数。
在至少一个实施例中,执行过程1700的至少一部分的系统包括用于计算1714最近和最远邻居损失的可执行代码。在至少一个实施例中,在从锚图像预测的第一视点和从所述锚图像的最近邻居图像预测的第二视点之间计算最近邻居损失。在至少一个实施例中,计算最近邻居损失,使得第一视点和第二视点之间的较高相似性与较小的损失相对应。在至少一个实施例中,在从锚图像预测的第一视点和从与所述锚图像的最远邻居图像预测的第三视点之间计算最远邻居损失。在至少一个实施例中,计算最远邻居损失,使得第一视点和第三视点之间的较低相似性与较小的损失相对应。在至少一个实施例中,最近和最远邻居损失是基于最近邻居损失和最远邻居损失的组合来计算的。
推理和训练逻辑
图18A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1815。下面结合图18A和/或图18B提供关于推理和/或训练逻辑1815的细节。
在至少一个实施例中,推理和/或训练逻辑1815可以包括但不限于代码和/或数据存储1801,用于存储前向和/或输出权重和/或输入/输出数据,和/或在一个或更多个实施例的方面中配置被训练为和/或用于推理的神经网络的神经元或层的其他参数。在至少一个实施例中,训练逻辑1815可以包括或耦合到用于存储图形代码或其他软件以控制时序和/或顺序的代码和/或数据存储1801,其中权重和/或其他参数信息被加载以配置逻辑,包括整数和/或浮点单元(统称为算术逻辑单元(ALU))。在至少一个实施例中,代码(例如图代码)基于该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1801存储在使用一个或更多个实施例的方面训练和/或推理期间的输入/输出数据和/或权重参数的前向传播期间结合一个或更多个实施例训练或使用的神经网络的每个层的权重参数和/或输入/输出数据。在至少一个实施例中,代码和/或数据存储1801的任何部分都可以包括在其他片上或片外数据存储内,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,代码和/或数据存储1801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1801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。在至少一个实施例中,选择代码和/或代码和/或数据存储1801是在处理器内部还是外部,例如,还是由DRAM、SRAM、闪存或一些其他存储类型组成,可以取决于片上与片外的可用存储、正在执行的训练和/或推理功能的延迟要求、神经网络推理和/或训练中使用的数据批量大小,或这些因素的某种组合。
在至少一个实施例中,推理和/或训练逻辑1815可以包括但不限于代码和/或数据存储1805,用于存储与一个或更多个实施例的方面中训练和/或用于推理的与神经网络的神经元或层相对应的反向和/或输出权重和/或输入/输出数据。在至少一个实施例中,代码和/或数据存储1805存储在训练期间输入/输出数据和/或权重参数的反向传播期间结合一个或更多个实施例训练或使用的神经网络的每一层的权重参数和/或输入/输出数据和/或使用一个或更多个实施例的方面进行推理。在至少一个实施例中,训练逻辑1815可以包括或耦合到代码和/或数据存储1805以存储图代码或其他软件以控制时序和/或顺序,其中要加载权重和/或其他参数信息以配置逻辑,包括整数和/或浮点单元(统称为算术逻辑单元(ALU)。在至少一个实施例中,诸如图代码之类的代码基于与代码相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1805的任何部分可以与其他片上或片外数据存储一起包括,包括处理器的L1、L2或L3高速缓存或系统存储器。在至少一个实施例中,代码和/或数据存储1805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1805可以是高速缓冲存储器、DRAM、SRAM、非易失性存储器(例如,闪存)或其他存储。在至少一个实施例中,选择代码和/或数据存储1805是在处理器内部还是外部,例如,还是由DRAM、SRAM、闪存或一些其他存储类型组成,可以取决于片上与片外的可用存储、正在执行的训练和/或推理功能的延迟要求、神经网络推理和/或训练中使用的数据批大小,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1801和代码和/或数据存储1805可以是单独的存储结构。在至少一个实施例中,代码和/或数据存储1801和代码和/或数据存储1805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1801和代码和/或数据存储1805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1801和代码和/或数据存储1805的任何部分可以与其他片上或片外数据存储一起包括,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,推理和/或训练逻辑1815可以包括但不限于一个或更多个算术逻辑单元(“ALU”)1810(包括整数和/或浮点单元),用于至少部分地基于训练和/或推理代码(例如,图代码)或由其指示来执行逻辑和/或数学运算,其结果可能会产生存储在激活存储1820中的激活(例如,来自神经网络内部的层或神经元的输出值),其是存储在代码和/或数据存储1801和/或代码和/或数据存储1805中的输入/输出和/或权重参数数据的函数。在至少一个实施例中,激活响应于执行指令或其他代码,由ALU1810执行的线性代数和/或基于矩阵的数学生成在激活存储1820中存储的激活,其中存储在代码和/或数据存储1805中和/或数据1801中的权重值用作具有其他值的操作数,例如偏置值、梯度信息、动量值或其他参数或超参数,可以将任何或所有这些存储在代码和/或数据存储1805或代码和/或数据存储1801或其他片上或片外存储中。
在至少一个实施例中,一个或更多个处理器或其他硬件逻辑设备或电路中包括一个或更多个ALU 1810,而在另一实施例中,一个或更多个ALU 1810可以在处理器或其他硬件逻辑设备或使用它们(例如协处理器)的电路外。在至少一个实施例中,可以将一个或更多个ALU 1810包括在处理器的执行单元之内,或者以其他方式包括在由处理器的执行单元可访问的ALU组中,该处理器的执行单元可以在同一处理器内或者分布在不同类型的不同处理器之间(例如,中央处理单元、图形处理单元、固定功能单元等)。在至少一个实施例中,数据存储1801、代码和/或数据存储1805以及激活存储1820可以在相同的处理器或其他硬件逻辑设备或电路,而在另一实施例中,它们可以在不同的处理器或其他硬件逻辑设备或电路或相同和不同处理器或其他硬件逻辑设备或电路的某种组合中。在至少一个实施例中,激活存储1820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1820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。在至少一个实施例中,激活存储1820可以完全地或部分地在一个或更多个处理器或其他逻辑电路内部或外部。在至少一个实施例中,可以取决于片上或片外可用的存储,进行训练和/或推理功能的延迟要求,在推理和/或训练神经网络中使用的数据的批量大小或这些因素的某种组合,选择激活存储1820是处理器的内部还是外部,例如,或者由DRAM、SRAM、闪存或一些其他存储类型组成。在至少一个实施例中,图18A中所示的推理和/或训练逻辑1815可以与专用集成电路(“ASIC”)结合使用,例如来自Google的处理单元、来自GraphcoreTM的推理处理单元(IPU)或来自Intel公司的(例如“Lake Crest”)处理器。在至少一个实施例中,图18A所示的推理和/或训练逻辑1815可与中央处理单元(“CPU”)硬件,图形处理单元(“GPU”)硬件或其他硬件(例如现场可编程门阵列(“FPGA”))结合使用。
图18B示出了根据各个至少一个实施例的推理和/或训练逻辑1815。在至少一个实施例中,推理和/或训练逻辑1815可以包括但不限于硬件逻辑,其中计算资源被专用或以其他方式唯一地连同对应于神经网络内的一层或更多层神经元的权重值或其他信息一起使用。在至少一个实施例中,图18B中所示的推理和/或训练逻辑1815可以与专用集成电路(ASIC)结合使用,例如来自Google的处理单元,来自GraphcoreTM的推理处理单元(IPU)或来自Intel公司的(例如“Lake Crest”)处理器。在至少一个实施例中,图18B中所示的推理和/或训练逻辑1815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1815包括但不限于代码和/或数据存储1801以及代码和/或数据存储1805,其可以用于存储代码(例如,图代码)、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18B中所示的至少一个实施例中,代码和/或数据存储1801以及代码和/或数据存储1805中的每一个都分别与专用计算资源(例如计算硬件1802和计算硬件1806)相关联。在至少一个实施例中,计算硬件1802和计算硬件1806中的每一个包括一个或更多个ALU,这些ALU仅分别对存储在代码和/或数据存储1801和代码和/或数据存储1805中的信息执行数学函数(例如线性代数函数),执行函数的结果被存储在激活存储1820中。
在至少一个实施例中,代码和/或数据存储1801和1805以及相应的计算硬件1802和1806中的每一个分别对应于神经网络的不同层,使得从代码和/或数据存储1801和计算硬件1802的一个“存储/计算对1801/1802”得到的激活提供作为代码和/或数据存储1805和计算硬件1806的下一个“存储/计算对1805/1806”的输入,以便反映神经网络的概念组织。在至少一个实施例中,每个存储/计算对1801/1802和1805/1806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1815中可以包括在存储计算对1801/1802和1805/1806之后或与之并行的附加存储/计算对(未示出)。
神经网络训练和部署
图19示出了根据至少一个实施例的深度神经网络的训练和部署。在至少一个实施例中,使用训练数据集1902来训练未经训练的神经网络1906。在至少一个实施例中,训练框架1904是PyTorch框架,而在其他实施例中,训练框架1904是Tensorflow,Boost,Caffe,Microsoft Cognitive Toolkit/CNTK,MXNet,Chainer,Keras,Deeplearning4j或其他训练框架。在至少一个实施例中,训练框架1904训练未经训练的神经网络1906,并使它能够使用本文所述的处理资源来训练,以生成经训练的神经网络1908。在至少一个实施例中,权重可以被随机选择或通过使用深度信念网络预训练。在至少一个实施例中,可以以有监督、部分有监督或无监督的方式执行训练。
在至少一个实施例中,使用有监督学习来训练未经训练的神经网络1906,其中训练数据集1902包括与用于输入的期望输出配对的输入,或者其中训练数据集1902包括具有已知输出的输入和神经网络1906是手动分级的输出。在至少一个实施例中,以有监督的方式来训练未经训练的神经网络1906,处理来自训练数据集1902的输入,并将结果输出与一组期望或想要的输出进行比较。在至少一个实施例中,然后通过未经训练的神经网络1906将误差传播回去。在至少一个实施例中,训练框架1904调整控制未经训练的神经网络1906的权重。在至少一个实施例中,训练框架1904包括用于监视未经训练的神经网络1906向模型(例如,经训练的神经网络1908)收敛的程度的工具,适于基于已知的输入数据(例如新数据集1912)生成正确答案(例如结果1914)的模型。在至少一个实施例中,训练框架1904反复训练未经训练的神经网络1906,同时调整权重以使用损失函数和调整算法(例如随机梯度下降)来改善未经训练的神经网络1906的输出。在至少一个实施例中,训练框架1904训练未经训练的神经网络1906,直到未经训练的神经网络1906达到期望的精度为止。在至少一个实施例中,然后可以部署经训练的神经网络1908以实现任何数量的机器学习操作。
在至少一个实施例中,使用无监督学习来训练未经训练的神经网络1906,其中未经训练的神经网络1906尝试使用未标记的数据来训练自己。在至少一个实施例中,无监督学习训练数据集1902将包括输入数据,而没有任何关联的输出数据或“真值”数据。在至少一个实施例中,未经训练的神经网络1906可以学习训练数据集1902内的分组,并且可以确定各个输入如何与未经训练的数据集1902相关。在至少一个实施例中,可以使用无监督训练生成自组织图,该自组织图是一种类型的经训练的神经网络1908,其能够执行对减少新数据集1912的维度有用的操作。在至少一个实施例中,无监督训练也可以用于执行异常检测,这允许识别新数据集1912中偏离新数据集1912的正常模式的数据点。
在至少一个实施例中,可以使用半监督学习,这是一种在训练数据集1902中包括标记和未标记数据的混合的技术。在至少一个实施例中,训练框架1904可用于执行增量学习,例如通过迁移学习技术。在至少一个实施例中,增量学习使经训练的神经网络1908能够适应新的数据集1912,而不会忘记在初始训练期间注入在网络内的知识。
数据中心
图20示出了可以使用至少一个实施例的示例数据中心2000。在至少一个实施例中,数据中心2000包括数据中心基础设施层2010、框架层2020、软件层2030和应用程序层2040。
在至少一个实施例中,如图20所示,数据中心基础设施层2010可以包括资源协调器2012、分组计算资源2014和节点计算资源(“节点C.R.”)2016(1)-2016(N),其中“N”代表任何整个的正整数。在至少一个实施例中,节点C.R.2016(1)-2016(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),存储器设备(例如动态只读存储器)、存储设备(例如,固态硬盘或磁盘驱动器),网络输入/输出(“NW I/O”)设备,网络交换机,虚拟机(“VM”),电源模块和冷却模块等。在至少一个实施例中,节点C.R.2016(1)-2016(N)中的一个或更多个节点C.R.可以是具有一个或更多个上述计算资源的服务器。
在至少一个实施例中,分组计算资源2014可以包括容纳在一个或更多个机架内的节点C.R.的单独分组(未示出),或者容纳在各个地理位置的数据中心内的许多机架(也未示出)。单独分组的计算资源2014内的节点C.R.的单独分组可以包括可以被配置或分配为支持一个或更多个工作加载的分组的计算、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加载。在至少一个实施例中,一个或更多个机架还可以包括任何数量的电源模块、冷却模块和网络交换机,以任意组合。
在至少一个实施例中,资源协调器2012可以配置或以其他方式控制一个或更多个节点C.R.2016(1)-2016(N)和/或分组的计算资源2014。在至少一个实施例中,资源协调器2012可以包括用于数据中心2000的软件设计基础结构(“SDI”)管理实体。在至少一个实施例中,资源协调器可以包括硬件、软件或其某种组合。
在至少一个实施例中,如图20所示,框架层2020包括作业调度器2032、配置管理器2034、资源管理器2036和分布式文件系统2038。在至少一个实施例中,框架层2020可以包括支持软件层2030的软件2032和/或应用程序层2040的一个或更多个应用程序2042的框架。在至少一个实施例中,软件2032或应用程序2042可以分别包括基于Web的服务软件或应用程序,例如由Amazon Web Services,Google Cloud和Microsoft Azure提供的服务或应用程序。在至少一个实施例中,框架层2020可以是但不限于一种免费和开放源软件网络应用程序框架,例如可以利用分布式文件系统2038来进行大范围数据处理(例如“大数据”)的Apache SparkTM(以下称为“Spark”)。在至少一个实施例中,作业调度器2032可以包括Spark驱动器,以促进对数据中心2000的各个层所支持的工作加载进行调度。在至少一个实施例中,配置管理器2034可以能够配置不同的层,例如软件层2030和包括Spark和用于支持大规模数据处理的分布式文件系统2038的框架层2020。在至少一个实施例中,资源管理器2036能够管理映射到或分配用于支持分布式文件系统2038和作业调度器2032的集群或分组计算资源。在至少一个实施例中,集群或分组计算资源可以包括数据中心基础设施层2010上的分组计算资源2014。在至少一个实施例中,资源管理器2036可以与资源协调器2012协调以管理这些映射的或分配的计算资源。
在至少一个实施例中,包括在软件层2030中的软件2032可以包括由节点C.R.2016(1)-2016(N)的至少一部分,分组的计算资源2014和/或框架层2020的分布式文件系统2038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,应用程序层2040中包括的一个或更多个应用程序2042可以包括由节点C.R.2016(1)-2016(N)的至少一部分、分组计算资源2014和/或框架层2020的分布式文件系统2038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2034、资源管理器2036和资源协调器2012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2000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2000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2000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2000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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图20中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或体系架构,或者本文所述的神经网络用例计算的权重参数推理或预测操作。
在至少一个实施例中,系统图20用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图20用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图20用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图20与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
自主车辆
图21A示出了根据至少一个实施例的自动驾驶车辆2100的示例。在至少一个实施例中,自动驾驶车辆2100(在本文中可替代地称为“车辆2100”)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2100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2100可以是飞机、机器人车辆或其他类型的车辆。
可以根据由美国运输部下属的国家公路交通安全管理局(“NHTSA”)和汽车工程师学会(“SAE”)“与用于道路机动车辆的驾驶自动化系统有关的术语(Taxonomy andDefinitions for Terms Related to Driving Automation Systems for On-Road MotorVehicles)”(例如,于2018年6月15日发布的标准号J3016-201806,于2016年9月30日发布的标准号J3016-201609,以及该版本的以前和将来的版本此标准)定义的自动化级别来描述自动驾驶汽车。在一个或更多个实施例中,车辆2100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2100可能能够进行条件自动化(级别3)、高度自动化(级别4)和/或全自动(级别5)。
在至少一个实施例中,车辆2100可以包括但不限于组件,例如底盘、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2100可以包括但不限于推进系统2150,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2150可以连接至车辆2100的传动系,其可以包括但不限于变速器,以使得能够对车辆2100进行推进。在至少一个实施例中,可以响应于从油门/加速器2152接收信号以控制推进系统2150。
在至少一个实施例中,当推进系统2150正在运行时(例如,当车辆行驶时),转向系统2154(其可以包括但不限于方向盘)用于使车辆2100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2154可以从转向致动器2156接收信号。方向盘对于全自动化(级别5)功能可以是可选的。在至少一个实施例中,制动传感器系统2146可以用于响应于从制动致动器2148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2136可以包括但不限于一个或更多个片上系统(“SoC”)(图21A中未示出)和/或图形处理单元(“GPU”)向车辆2100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2136可以发送信号以通过制动致动器2148操作车辆制动,通过一个或更多个转向致动器2156操作转向系统2154,通过一个或更多个油门(throttle)/加速器2152操作推进系统2150。一个或更多个控制器2136可以包括一个或更多个机载(例如,集成的)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2100。在至少一个实施例中,一个或更多个控制器2136可以包括用于自动驾驶功能的第一控制器2136,用于功能安全功能的第二控制器2136,用于人工智能功能(例如计算机视觉)的第三控制器2136,用于信息娱乐功能的第四控制器2136,用于紧急情况下的冗余的第五控制器2136和/或其他控制器。在至少一个实施例中,单个控制器2136可以处理上述功能中的两个或更多个,两个或更多控制器2136可以处理单个功能和/或其任何组合。
在至少一个实施例中,一个或更多个控制器2136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2100的一个或更多个组件和/或系统的信号。在至少一个实施例中,传感器数据可以从传感器接收,传感器类型例如但不限于一个或更多个全球导航卫星系统(“GNSS”)传感器2158(例如,一个或更多个全球定位系统传感器)、一个或更多个RADAR传感器2160、一个或更多个超声传感器2162、一个或更多个LIDAR传感器2164、一个或更多个惯性测量单元(IMU)传感器2166(例如,一个或更多个加速度计、一个或更多个陀螺仪、一个或更多个磁罗盘、一个或更多个磁力计等)、一个或更多个麦克风2196、一个或更多个立体相机2168、一个或更多个广角相机2170(例如鱼眼相机)、一个或更多个红外相机2172、一个或更多个环绕相机2174(例如,360度相机)、远程相机(图21A中未示出)、中程相机(图21A中未示出)、一个或更多个速度传感器2144(例如,用于测量车辆2100的速度)、一个或更多个振动传感器2142、一个或更多个转向传感器2140、一个或更多个制动传感器(例如,作为制动传感器系统2146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2136可以从车辆2100的仪表板2132接收输入(例如,由输入数据表示)并通过人机接口(“HMI”)显示器2134、声音信号器、扬声器和/或车辆2100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,例如车速、速度、时间、地图数据(例如,高清晰度地图(图21A中未显示)、位置数据(例如,车辆2100的位置,例如在地图上)、方向、其他车辆的位置(例如,占用光栅)、关于对象的信息以及由一个或更多个控制器2136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2134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2100进一步包括网络接口2124,其可以使用一个或更多个无线天线2126和/或一个或更多个调制解调器通过一个或更多个网络进行通信。例如,在至少一个实施例中,网络接口2124可能能够通过长期演进(“LTE”)、宽带码分多址(“WCDMA”)、通用移动电信系统(“UMTS”)、全球移动通信系统(“GSM”)、IMT-CDMA多载波(“CDMA2000”)等进行通信。在至少一个实施例中,一个或更多个无线天线2126还可以使用一个或更多个局域网(例如Bluetooth、Bluetooth Low Energy(LE)、Z-Wave、ZigBee等)和/或一个或更多个低功耗广域网(以下简称“LPWAN”)(例如LoRaWAN、SigFox等),使环境中的对象(例如,车辆、移动设备)之间进行通信。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图21A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。
在至少一个实施例中,系统图21A用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图21A用于实现生成器,该生成器被训练为基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图21A用于实现一个或更多个包括鉴别器和生成器的神经网络,并且系统图21A与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数来以自监督方式训练一个或更多个神经网络,以识别图像内对象的方向。
图21B示出了根据至少一个实施例的图21A的自动驾驶车辆2100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2100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2100的组件和/或系统一起使用的数字相机。一个或更多个相机可以以汽车安全完整性等级(“ASIL”)B和/或其他ASIL进行操作。在至少一个实施例中,根据实施例,相机类型可以具有任何图像捕获速率,例如60帧每秒(fps)、1220fps、240fps等。在至少一个实施例中,相机可以能够使用滚动快门、全局快门、另一种类型的快门或其组合。在至少一个实施例中,滤色器阵列可以包括红色透明透明(“RCCC”)滤色器阵列、红色透明透明蓝色(“RCCB”)滤色器阵列、红色蓝色绿色透明(“RBGC”)滤色器阵列、Foveon X3滤色器阵列、拜耳(Bayer)传感器(“RGGB”)滤色器阵列、单色传感器滤色器阵列和/或其他类型的滤色器阵列。在至少一个实施例中,可以使用透明像素相机,例如具有RCCC、RCCB和/或RBGC滤色器阵列的相机,以努力提高光敏性。
在至少一个实施例中,一个或更多个相机可以用于执行先进驾驶员辅助系统(“ADAS”)功能(例如,作为冗余或故障安全设计的一部分)。例如,在至少一个实施例中,可以安装多功能单声道相机以提供包括车道偏离警告、交通标志辅助和智能大灯控制的功能。在至少一个实施例中,一个或更多个相机(例如,所有相机)可以同时记录并提供图像数据(例如,视频)。
在至少一个实施例中,可以将一个或更多个相机安装在安装组件中,例如定制设计的(三维(“3D”)打印的)组件,以便切出杂散光和来自在汽车内的反光(例如,仪表板的反射在挡风玻璃镜中反光),其可能会干扰相机的图像数据捕获能力。关于后视镜安装组件,在至少一个实施例中,后视镜组件可以是3D打印定制的,使得相机安装板匹配后视镜的形状。在至少一个实施例中,一个或更多个相机可以被集成到后视镜中。在少一个实施例中,对于侧视相机,一个或更多个相机也可以集成在舱室的每个角落的四个支柱内。
在至少一个实施例中,具有包括车辆2100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2136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2170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21B中仅示出了一个广角相机2170,但是,在其他实施例中,车辆2100上可以有任何数量(包括零)的一个或更多个广角相机2170。在至少一个实施例中,任何数量的远程相机2198(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2198也可以用于对象检测和分类以及基本对象跟踪。
在至少一个实施例中,任何数量的立体相机2168也可以包括在前向配置中。在至少一个实施例中,一个或更多个立体相机2168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2100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2168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2100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2168。
在至少一个实施例中,具有包括车辆2100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2174(例如,如图21B所示的四个环绕相机2174)可以定位在车辆2100上。一个或更多个环绕相机2174可以包括但不限于,任意数量和组合的一个或更多个广角相机2170、一个或更多个鱼目镜头、一个或更多个360度相机等。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2100的前、后和侧面。在至少一个实施例中,车辆2100可以使用三个环绕相机2174(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2100后方的环境的一部分的视野的相机(例如,后视相机)可以用于停车辅助、环视、后方碰撞警告、以及创建和更新占用光栅。在至少一个实施例中,可以使用各种各样的相机,包括但不限于还适合作为一个或更多个前向相机的相机(例如,远程相机2198和/或一个或更多个中程相机2176、一个或更多个立体相机2168、一个或更多个红外相机2172等),如本文所述。
推理和/或训练逻辑1815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。结合图18A和/或图18B,在此处中提供了关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图21B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计算出的权重参数、神经网络函数和/或架构、或本文所述的神经网络用例来推理或预测操作。
在至少一个实施例中,系统图21B用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图21B用于实现生成器,该生成器被训练为基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图21B用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图21B与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图21C示出了根据至少一个实施例的图21A的自动驾驶车辆2100的示例系统架构的框图。在至少一个实施例中,图21C中的车辆2100的一个或更多个组件、一个或更多个特征和一个或更多个系统中的每一个都示出为经由总线2102连接。在至少一个实施例中,总线2102可包括但不限于CAN数据接口(在本文中可替代地称为“CAN总线”)。在至少一个实施例中,CAN可以是车辆2100内部的网络,用于帮助控制车辆2100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2102可以配置成具有数十个甚至数百个节点,每个节点具有其自己的唯一识别符(例如,CAN ID)。在至少一个实施例中,可以读取总线2102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2102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2102,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2102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2102可以用于碰撞避免功能,并且第二总线2102可以用于致动控制。在至少一个实施例中,每个总线2102可以与车辆2100的任何组件通信,并且两个或更多个总线2102可以与相同的组件通信。在至少一个实施例中,任何数量的片上系统(“SoC”)2104中的每一个,一个或更多个控制器2136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2100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2100可以包括一个或更多个控制器2136,例如本文关于图21A所描述的那些。一个或更多个控制器2136可以用于多种功能。在至少一个实施例中,控制器2136可以耦合到车辆2100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2100、车辆2100的人工智能、车辆2100的信息娱乐等等。
在至少一个实施例中,车辆2100可以包括任何数量的SoC 2104。每一个SoC 2104可以包括但不限于中央处理单元(“一个或更多个CPU”)2106、图形处理单元(“一个或更多个GPU”)2108、一个或更多个处理器2110、一个或更多个高速缓存2112、一个或更多个加速器2114、一个或更多个数据存储2116和/或其他未显示的组件和特征。在至少一个实施例中,一个或更多个SoC 2104可以用于在各种平台和系统中控制车辆2100。例如,在至少一个实施例中,一个或更多个SoC 2104可以与高清晰度(“HD”)地图2122在系统(例如,车辆2100的系统)中组合,该高清晰度地图2122可以经由网络接口2124从一个或更多个服务器(图21C中未示出)获得地图刷新和/或更新。
在至少一个实施例中,一个或更多个CPU 2106可以包括CPU集群或CPU复合体(在本文中可替代地称为“CCPLEX”)。在至少一个实施例中,一个或更多个CPU 2106可以包括多个核心和/或二级(“L2”)高速缓存。例如,在至少一个实施例中,一个或更多个CPU 2106可以在相互耦合的多处理器配置中包括八个核心。在至少一个实施例中,一个或更多CPU2106可以包括四个双核心集群,其中每个集群具有专用的L2高速缓存(例如,2MB L2高速缓存)。在至少一个实施例中,一个或更多CPU 2106(例如,CCPLEX)可以配置成支持同时的集群操作,使得一个或更多CPU2106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 2106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;当该核心由于执行等待中断(“WFI”)/事件等待(“WFE”)指令而未主动执行指令时,可以对每个核心时钟进行门控;每个核心都可以独立供电;当所有核心都被时钟门控或功率门控时,每个核心集群可以被独立地时钟门控;以及/或当所有核心都被功率门控时,每个核心集群可以被独立地功率门控。在至少一个实施例中,一个或更多CPU 2106可以进一步实现用于管理功率状态的增强算法,其中指定了允许的功率状态和预期的唤醒时间,并且硬件/微码确定了针对核心、集群和CCPLEX输入的最佳功率状态。在至少一个实施例中,处理核心可以在软件中支持简化的功率状态输入序列,其中工作被分担给微码。
在至少一个实施例中,一个或更多个GPU 2108可以包括集成的GPU(在本文中或者称为“iGPU”)。在至少一个实施例中,一个或更多个GPU2108可以是可编程的,并且对于并行工作加载可以是有效的。在至少一个实施例中,一个或更多个GPU 2108,在至少一个实施例中,可以使用增强的张量指令集。在一个实施例中,一个或更多个GPU 2108可以包括一个或更多个流式微处理器,其中每个流式微处理器可以包括一级(“L1”)高速缓存(例如,具有至少96KB的存储容量的L1高速缓存),以及两个或更多个流式微处理器可以共享L2高速缓存(例如,具有512KB存储容量的L2高速缓存)。在至少一个实施例中,一个或更多个GPU 2108可以包括至少八个流式微处理器。在至少一个实施例中,一个或更多个GPU2108可以使用计算应用程序编程接口(API)。在至少一个实施例中,一个或更多GPU 2108可以使用一个或更多个并行计算平台和/或编程模型(例如,NVIDIA的CUDA)。
在至少一个实施例中,一个或更多个GPU 2108可以经功耗优化以在汽车和嵌入式用例中获得最佳性能。例如,在一个实施例中,可以在鳍式场效应晶体管(“FinFET”)上制造一个或更多个GPU 2108。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张量核心、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 2108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,一个或更多个GPU 2108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”)支持可以用于允许一个或更多个GPU 2108直接访问一个或更多个CPU 2106页表。在至少一个实施例中,实施例,当一个或更多个GPU 2108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一个或更多个CPU 2106。作为响应,在至少一个实施例中,一个或更多个CPU 2106可以在其页面表中查找地址的虚拟-物理的映射并将转换传送回一个或更多个GPU 2108。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一个或更多个CPU 2106和一个或更多个GPU 2108两者的存储器,从而简化了一个或更多个GPU 2108的编程以及将应用程序移植到一个或更多个GPU 2108。
在至少一个实施例中,一个或更多个GPU 2108可以包括任意数量的访问计数器,其可以跟踪一个或更多个GPU 2108对其他处理器的存储器的访问频率。在至少一个实施例中,一个或更多个访问计数器可以帮助确保将存储器页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 2104可以包括任何数量的高速缓存2112,包括本文所述的那些。例如,在至少一个实施例中,一个或更多个高速缓存2112可以包括可用于一个或更多个CPU 2106和一个或更多个GPU 2108(例如,连接到CPU 2106和GPU2108两者)的三级(“L3”)高速缓存。在至少一个实施例中,一个或更多个高速缓存2112可以包括回写式高速缓存,该回写式高速缓存可以例如通过使用高速缓存相干协议(例如,MEI、MESI、MSI等)来跟踪线的状态。在至少一个实施例中,尽管可以使用较小的高速缓存大小,根据实施例,L3高速缓存可以包括4MB或更多。
在至少一个实施例中,一个或更多个SoC 2104可以包括一个或更多个加速器2114(例如,硬件加速器、软件加速器或其组合)。在至少一个实施例中,一个或更多个SoC 2104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一个或更多个GPU 2108并且卸载一个或更多个GPU 2108的一些任务(例如,释放一个或更多个GPU 2108的更多循环以执行其他任务)。在至少一个实施例中,一个或更多个加速器2114可以用于足够稳定以经得起加速检验的目标工作加载(例如,感知、卷积神经网络(“CNN”)、递归神经网络(“RNN”)等)。在至少一个实施例中,CNN可以包括基于区域或区域卷积神经网络(“RCNN”)和快速RCNN(例如,如用于对象检测)或其他类型的CNN。
在至少一个实施例中,一个或更多个加速器2114(例如,硬件加速集群)可以包括一个或更多个深度学习加速器(“DLA”)。一个或更多个DLA可以包括但不限于一个或更多个Tensor处理单元(“TPU”),其可以配置成每秒提供额外的10万亿次操作用于深度学习应用程序和推理。在至少一个实施例中,TPU可以是配置成并被优化用于执行图像处理功能(例如,用于CNN、RCNN等)的加速器。可以针对神经网络类型和浮点运算以及推理的特定集合进一步优化一个或更多个DLA。在至少一个实施例中,一个或更多个DLA的设计可以提供比典型的通用GPU更高的每毫米性能,并且通常大大超过CPU的性能。在至少一个实施例中,一个或更多个TPU可执行若干功能,包括支持例如INT8、INT16和FP16数据类型以用于特征和权重的单实例卷积功能以及后处理器功能的。在至少一个实施例中,一个或更多个DLA可以针对各种功能中的任何功能,在处理或未处理的数据上快速且有效地执行神经网络,尤其是CNN,包括例如但不限于:用于使用来自相机传感器的数据进行对象识别和检测的CNN;用于使用来自相机传感器的数据进行距离估算的CNN;用于使用来自麦克风2196的数据进行紧急车辆检测以及识别和检测的CNN;用于使用来自相机传感器的数据进行人脸识别和车主识别的CNN;以及/或用于安全和/或安全相关事件的CNN。
在至少一个实施例中,DLA可以执行一个或更多个GPU 2108的任何功能,并且通过使用推理加速器,例如,设计者可以将一个或更多个DLA或一个或更多个GPU 2108作为目标用于任何功能。例如,在至少一个实施例中,设计者可以将CNN的处理和浮点运算集中在一个或更多个DLA上,并将其他功能留给一个或更多个GPU 2108和/或其他一个或更多个加速器2114。
在至少一个实施例中,一个或更多个加速器2114(例如,硬件加速集群)可以包括一个或更多个可编程视觉加速器(“PVA”),其在本文中可以可替代地称为计算机视觉加速器。在至少一个实施例中,一个或更多个PVA可以设计和配置为加速用于高级驾驶员辅助系统(“ADAS”)2138、自动驾驶、增强现实(“AR”)应用程序和/或虚拟现实(“VR”)应用程序的计算机视觉算法。一个或更多个PVA可以在性能和灵活性之间取得平衡。例如,在至少一个实施例中,一个或更多个PVA中的每一个可以包括例如但不限于任何数量的精简指令集计算机(“RISC”)核心、直接存储器访问(“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)、图像信号处理器等等。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可以使一个或更多个PVA的组件能够独立于一个或更多个CPU 2106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核心可以包括数字信号处理器,例如,单指令多数据(“SIMD”)、超长指令字(“VLIW”)数字信号处理器。在至少一个实施例中,SIMD和VLIW的组合可以提高吞吐量和速度。
在至少一个实施例中,每个向量处理器可以包括指令高速缓存并且可以耦合到专用存储器。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相同的图像上同时执行不同的计算机视觉算法,或者甚至在序列图像或部分图像上执行不同的算法。在至少一个实施例中,除其他外,在硬件加速集群中可以包括任何数量的PVA,并且在每个PVA中可以包括任何数量的向量处理器。在至少一个实施例中,一个或更多个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,一个或更多个加速器2114(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”),用于为一个或更多个加速器2114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,其由例如但不限于八个现场可配置的内存块组成,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 2104可以包括实时视线追踪硬件加速器。在至少一个实施例中,实时视线追踪硬件加速器可以用于快速且有效地确定对象的位置和范围(例如,在世界模型内),以生成实时可视化模拟,以用于RADAR信号解释,用于声音传播合成和/或分析,用于SONAR系统的模拟,用于一般的波传播模拟,与用于定位和/或其他功能的LIDAR数据进行比较,和/或用于其他用途。
在至少一个实施例中,一个或更多个加速器2114(例如,硬件加速器集群)具有用于自动驾驶的广泛用途。在至少一个实施例中,PVA可以是可以用于ADAS和自动驾驶汽车中的关键处理阶段的可编程视觉加速器。在至少一个实施例中,在低功耗和低延迟下PVA的能力与需要可预测的处理的算法域良好匹配。换句话说,PVA在半密集或密集的常规计算中表现出色,即使在小型数据集上也是如此,这些数据集需要具有低延迟和低功耗的可预测的运行时间。在至少一个实施例中,自主车辆(例如车辆2100)中的PVA被设计为运行经典的计算机视觉算法,因为它们在对象检测和整数数学运算方面是有效的。
例如,根据技术的至少一个实施例,PVA被用于执行计算机立体视觉。在至少一个实施例中,可以在一些示例中使用基于半全局匹配的算法,尽管这并不意味着限制性。在至少一个实施例中,用于3-5级自动驾驶的应用程序在运行中使用动态的估计/立体匹配(例如,从运动中恢复结构、行人识别、车道检测等)。在至少一个实施例中,PVA可以对来自两个单目相机的输入执行计算机立体视觉功能。
在至少一个实施例中,PVA可以用于执行密集的光流。例如,在至少一个实施例中,PVA可以处理原始RADAR数据(例如,使用4D快速傅立叶变换)以提供处理后的RADAR数据。在至少一个实施例中,例如,通过处理原始飞行时间数据以提供处理后的飞行时间数据,将PVA用于飞行时间深度处理。
在至少一个实施例中,DLA可用于运行任何类型的网络以增强控制和驾驶安全性,包括例如但不限于神经网络,其输出用于每个对象检测的置信度。在至少一个实施例中,可以将置信度表示或解释为概率,或者表示为提供每个检测相对于其他检测的相对“权重”。在至少一个实施例中,置信度使系统能够做出进一步的决定,即关于哪些检测应当被认为是真正的阳性检测而不是假阳性检测。例如,在至少一个实施例中,系统可以为置信度设置阈值,并且仅将超过阈值的检测视为真阳性检测。在使用自动紧急制动(“AEB”)系统的实施例中,假阳性检测将导致车辆自动执行紧急制动,这显然是不希望的。在至少一个实施例中,高度自信的检测可以被认为是AEB的触发。在至少一个实施例中,DLA可以运行用于回归置信度值的神经网络。在至少一个实施例中,神经网络可以将参数的至少一些子集作为其输入,例如包围盒尺寸,获得的地平面估计(例如,从另一子系统),与从神经网络和/或其他传感器(例如,一个或更多个LIDAR传感器2164或一个或更多个RADAR传感器2160)等获得的对象的车辆2100方向、距离、3D位置估计相关的一个或更多个IMU传感器2166的输出。
在至少一个实施例中,一个或更多个SoC 2104可以包括一个或更多个数据存储装置2116(例如,存储器)。在至少一个实施例中,一个或更多个数据存储2116可以是一个或更多个SoC 2104的片上存储器,其可以存储要在一个或更多个GPU 2108和/或DLA上执行的神经网络。在至少一个实施例中,一个或更多个数据存储2116可以具有足够大的容量以存储神经网络的多个实例以用于冗余和安全。在至少一个实施例中,一个或更多个数据存储2112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 2104可以包括任何数量的一个或更多个处理器2110(例如,嵌入式处理器)。一个或更多个处理器2110可以包括启动和电源管理处理器,该启动和电源管理处理器可以是专用处理器和子系统,以处理启动电源和管理功能以及相关的安全实施。在至少一个实施例中,启动和电源管理处理器可以是一个或更多个SoC 2104启动序列的一部分,并且可以提供运行时电源管理服务。在至少一个实施例中,启动功率和管理处理器可以提供时钟和电压编程,辅助系统低功率状态转换,一个或更多个SoC 2104热和温度传感器管理和/或一个或更多个SoC 2104功率状态管理。在至少一个实施例中,每个温度传感器可以实现为其输出频率与温度成比例的环形振荡器,并且一个或更多个SoC 2104可以使用环形振荡器来检测一个或更多个CPU 2106,一个或更多个GPU2108和/或一个或更多个加速器2114的温度。在至少一个实施例中,如果确定温度超过阈值,则启动和电源管理处理器可以进入温度故障例程,并将一个或更多个SoC 2104置于较低功耗状态和/或将车辆2100置于司机的安全停车图案(例如,使车辆2100安全停车)。
在至少一个实施例中,一个或更多个处理器2110可以进一步包括一组嵌入式处理器,其可以用作音频处理引擎。在至少一个实施例中,音频处理引擎可以是音频子系统,其能够通过多个接口以及广泛且灵活范围的音频I/O接口为硬件提供对多通道音频的完全硬件支持。在至少一个实施例中,音频处理引擎是专用处理器核心,其具有带专用RAM的数字信号处理器。
在至少一个实施例中,一个或更多个处理器2110可以进一步包括始终在线的处理器引擎,该引擎可以提供必要的硬件特征以支持低功率传感器管理和唤醒用例。在至少一个实施例中,始终在线的处理器引擎上的处理器可以包括但不限于处理器核心、紧密耦合的RAM、支持外围设备(例如,定时器和中断控制器)、各种I/O控制器外围设备以及路由逻辑。
在至少一个实施例中,一个或更多个处理器2110可以进一步包括安全集群引擎,该安全集群引擎包括但不限于用于处理汽车应用程序的安全管理的专用处理器子系统。在至少一个实施例中,安全集群引擎可以包括但不限于两个或更多个处理器核心、紧密耦合的RAM、支持外围设备(例如,定时器、中断控制器等)和/或路由逻辑。在安全模式下,在至少一个实施例中,两个或更多个核心可以以锁步模式操作,并且可以用作具有用以检测其操作之间的任何差异的比较逻辑的单个核心。在至少一个实施例中,一个或更多个处理器2110可以进一步包括实时相机引擎,该实时相机引擎可以包括但不限于用于处理实时相机管理的专用处理器子系统。在至少一个实施例中,一个或更多个处理器2110可以进一步包括高动态范围信号处理器,该高动态范围信号处理器可以包括但不限于图像信号处理器,该图像信号处理器是作为相机处理管线的一部分的硬件引擎。
在至少一个实施例中,一个或更多个处理器2110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程序产生最终的视频所需要的视频后处理功能,以产生用于播放器窗口的最终图像。在至少一个实施例中,视频图像合成器可以在一个或更多个广角相机2170、一个或更多个环绕相机2174和/或一个或更多个舱内监控相机传感器上执行透镜畸变校正。在至少一个实施例中,优选地,由在SoC 2104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接口合成,并且不需要一个或更多个GPU2108来连续渲染新表面。在至少一个实施例中,当对一个或更多个GPU2108供电并使其活跃地进行3D渲染时,视频图像合成器可以被用于卸载一个或更多个GPU 2108以改善性能和响应性。
在至少一个实施例中,一个或更多个SoC 2104可以进一步包括用于从相机接收视频和输入的移动工业处理器接口(“MIPI”)相机串行接口、高速接口和/或可用于相机和相关像素输入功能的视频输入块。在至少一个实施例中,一个或更多个SoC 2104可以进一步包括输入/输出控制器,该输入/输出控制器可以由软件控制并且可以被用于接收未提交给特定角色的I/O信号。
在至少一个实施例中,一个或更多个SoC 2104可以进一步包括广泛的外围接口,以使得能够与外围设备、音频编码器/解码器(“编解码器”),电源管理和/或其他设备通信。一个或更多个SoC 2104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,一个或更多个LIDAR传感器2164,一个或更多个RADAR传感器2160等,其可以通过以太网连接)的数据,来自总线2102的数据(例如,车辆2100的速度、方向盘位置等),来自一个或更多个GNSS传感器2158的数据(例如,通过以太网或CAN总线连接)等。在至少一个实施例中,一个或更多个SoC 2104可以进一步包括专用高性能海量存储控制器,其可以包括它们自己的DMA引擎,并且可以用于使一个或更多个CPU 2106摆脱常规数据管理任务。
在至少一个实施例中,一个或更多个SoC 2104可以是具有灵活架构的端到端平台,其跨越自动化级别3-5级,从而提供利用并有效使用计算机视觉和ADAS技术来实现多样性和冗余的综合的功能安全架构,其提供了可提供灵活、可靠的驾驶软件堆栈以及深度学习工具的平台。在至少一个实施例中,一个或更多个SoC 2104可以比常规系统更快、更可靠,并且甚至在能量效率和空间效率上也更高。例如,在至少一个实施例中,一个或更多个加速器2114当与一个或更多个CPU 2106、一个或更多个GPU2108以及一个或更多个数据存储装置2116结合时,可以提供用于3-5级自动驾驶车辆的快速、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程序的性能要求,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应用程序和实际3-5级自动驾驶车辆中。
本文所述的实施例允许同时和/或序列地执行多个神经网络,并且允许将结果结合在一起以实现3-5级自动驾驶功能。例如,在至少一个实施例中,在DLA或离散GPU(例如,一个或更多个GPU 2120)上执行的CNN可包括文本和单词识别,从而允许超级计算机读取和理解交通标志,包括神经网络尚未被专门训练的标志。在至少一个实施例中,DLA还可包括神经网络,该神经网络能够识别、解释并提供符号的语义理解,并将该语义理解传递给在CPU Complex上运行的路径规划模块。
在至少一个实施例中,对于3、4或5级的驱动,可以同时运行多个神经网络。例如,在至少一个实施例中,由“小心: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组成的警告标志可以由多个神经网络独立地或共同地解释。在至少一个实施例中,可以通过第一部署的神经网络(例如,已经训练的神经网络)将该标志本身识别为交通标志,可以通过第二部署的神经网络来解释文本“闪烁的灯指示结冰状况(flashing lights indicate icy conditions)”,其通知车辆的路径规划软件(最好在CPU Complex上执行):当检测到闪烁的灯光时,就会存在结冰状况。在至少一个实施例中,可以通过在多个帧上操作第三部署的神经网络来识别闪烁的灯,向车辆的路径规划软件通知存在(或不存在)闪烁的灯。在至少一个实施例中,所有三个神经网络可以同时运行,例如在DLA内和/或在一个或更多个GPU 2108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2100的所有者的存在。在至少一个实施例中,当所有者接近驾驶员门并打开灯时,常开传感器处理器引擎可用于解锁车辆,并且,在安全模式下,当所有者离开车辆时,可用于禁用车辆。以此方式,一个或更多个SoC 2104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2196的数据来检测和识别紧急车辆警报器。在至少一个实施例中,一个或更多个SoC 2104使用CNN来对环境和城市声音进行分类,以及对视觉数据进行分类。在至少一个实施例中,训练在DLA上运行的CNN以识别紧急车辆的相对接近速度(例如,通过使用多普勒效应)。在至少一个实施例中,还可以训练CNN来识别针对车辆正在运行的区域的紧急车辆,如一个或更多个GNSS传感器2158所识别。在至少一个实施例中,当在欧洲运行时,CNN将寻求检测欧洲警报器,而在美国时,CNN将寻求仅识别北美警报器。在至少一个实施例中,一旦检测到紧急车辆,就可以在一个或更多个超声传感器2162的辅助下使用控制程序来执行紧急车辆安全例程、减速车辆、将车辆驶至路边、停车、和/或使车辆闲置,直到一个或更多个紧急车辆通过。
在至少一个实施例中,车辆2100可以包括一个或更多个CPU 2118(例如,一个或更多个离散CPU或一个或更多个dCPU),其可以经由高速互连(例如PCIe)耦合到一个或更多个SoC 2104。在至少一个实施例中,一个或更多个CPU 2118可以包括X86处理器,例如一个或更多个CPU2118可用于执行各种功能中的任何功能,例如包括在ADAS传感器和一个或更多个SoC 2104之间潜在的仲裁不一致的结果,和/或一个或更多个监控控制器2136的状态和健康和/或片上信息系统(“信息SoC”)2130。
在至少一个实施例中,车辆2100可以包括一个或更多个GPU 2120(例如,一个或更多个离散GPU或一个或更多个dGPU),其可以经由高速互连(例如NVIDIA的NVLINK)耦合到一个或更多个SoC 2104。在至少一个实施例中,一个或更多个GPU 2120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2100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2100可以进一步包括网络接口2124,其可以包括但不限于一个或更多个无线天线2126(例如,用于不同通信协议的一个或更多个无线天线2126,例如蜂窝天线、蓝牙天线等)。在至少一个实施例中,网络接口2124可以用于使能通过互联网与云(例如,采用服务器和/或其他网络设备)与其他车辆和/或计算设备(例如乘客的客户端设备)的无线连接。在至少一个实施例中,为了与其他车辆通信,可以在车辆210和其他车辆之间建立直接链路和/或可以建立间接链路(例如,通过网络和互联网)。在至少一个实施例中,可以使用车辆到车辆的通信链路来提供直接链路。车辆到车辆的通信链路可以向车辆2100提供关于车辆2100附近的车辆的信息(例如,车辆2100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2100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2124可以包括SoC,其提供调制和解调功能并使一个或更多个控制器2136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2124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2100可以进一步包括一个或更多个数据存储2128,其可以包括但不限于片外(例如,一个或更多个SoC 2104)存储。在至少一个实施例中,一个或更多个数据存储2128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2100可以进一步包括一个或更多个GNSS传感器2158(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2158,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2100可以进一步包括一个或更多个RADAR传感器2160。一个或更多个RADAR传感器2160可以由车辆2100用于远程车辆检测,即使在黑暗和/或恶劣天气条件下。在至少一个实施例中,RADAR功能安全等级可以是ASIL B。一个或更多个RADAR传感器2160可以使用CAN和/或总线2102(例如,以传输由一个或更多个RADAR传感器2160生成的数据)来进行控制和访问对象跟踪数据,在某些示例中可以访问以太网以访问原始数据。在至少一个实施例中,可以使用各种各样的RADAR传感器类型。例如但不限于,RADAR传感器2160中的一个或更多个传感器可适合于前、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2160是一个或更多个脉冲多普勒RADAR传感器。
在至少一个实施例中,一个或更多个RADAR传感器2160可以包括不同的配置,例如具有窄视野的远程、具有宽事业的近程、近程侧面覆盖等。在至少一个实施例中,远程RADAR可以用于自适应巡航控制功能。在至少一个实施例中,远程RADAR系统可以提供通过两次或更多次独立扫描(例如在250m范围内)实现的宽广的视野。在至少一个实施例中,一个或更多个RADAR传感器2160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2138用于紧急制动辅助和向前碰撞警告。包括在远程RADAR系统中的一个或更多个传感器2160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2100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2100的车道。
在至少一个实施例中,作为示例,中程RADAR系统可包括例如高达160m(前)或80m(后)的范围,以及高达42度(前)或150度(后)的视野。在至少一个实施例中,短程RADAR系统可以包括但不限于设计成安装在后保险杠的两端的任意数量的RADAR传感器2160。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2138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2100可以进一步包括一个或更多个超声传感器2162。可以定位在车辆2100的前、后和/或侧面的一个或更多个超声传感器2162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2162,并且可以将不同的超声传感器2162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2162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2100可以包括一个或更多个LIDAR传感器2164。一个或更多个LIDAR传感器2164可以用于对象和行人检测、紧急制动、避免碰撞和/或其他功能。在至少一个实施例中,一个或更多个LIDAR传感器2164可以是功能安全等级ASIL B。在至少一个实施例中,车辆2100可以包括可以使用以太网的多个(例如,两个、四个、六个等)LIDAR传感器2164(例如,将数据提供给千兆以太网交换机)。
在至少一个实施例中,一个或更多个LIDAR传感器2164可能能够提供针对360度视野的对象及其距离的列表。在至少一个实施例中,市售的一个或更多个LIDAR传感器2164例如可以具有大约100m的广告范围,具有2cm-3cm的精度,并且例如支持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2164。在这样的实施例中,一个或更多个LIDAR传感器2164可以被实现为可以嵌入到车辆2100的前、后、侧面和/或拐角的小型设备。在至少一个实施例中,一个或更多个LIDAR传感器2164,在这样的实施例中,即使对于低反射率的对象,也可以提供高达120度的水平视野和35度的垂直视野,并且具有200m的范围。在至少一个实施例中,可将前向一个或更多个LIDAR传感器2164配置为用于45度至215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(例如3D闪光LIDAR)。3D闪光LIDAR使用激光闪光作为传输源,以照亮车辆2100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2100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2100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,并且可以捕获反射激光,以3D测距点云和共同登记的强度数据的形式。
在至少一个实施例中,车辆还可包括一个或更多个IMU传感器2166。在至少一个实施例中,一个或更多个IMU传感器2166可位于车辆2100的后轴中心,在至少一个实施例中。在至少一个实施例中,一个或更多个IMU传感器2166可以包括,例如但不限于,一个或更多个加速度计、一个或更多个磁力计、一个或更多个陀螺仪、一个或更多个磁罗盘和/或其他传感器类型。在至少一个实施例中,例如在六轴应用程序中,一个或更多个IMU传感器2166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,例如在九轴应用程序中,一个或更多个IMU传感器2166可以包括但不限于加速度计、陀螺仪和磁力计。
在至少一个实施例中,一个或更多个IMU传感器2166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、速度和姿态的估计;在至少一个实施例中,一个或更多个IMU传感器2166可使车辆2100估计航向而无需来自磁传感器通过直接观测和关联从GPS到一个或更多个IMU传感器2166的速度变化来实现的输入。在至少一个实施例中,一个或更多个IMU传感器2166和一个或更多个GNSS传感器2158可以组合在单个集成单元中。
在至少一个实施例中,车辆2100可以包括放置在车辆2100内和/或周围的一个或更多个麦克风2196。在至少一个实施例中,此外,一个或更多个麦克风2196可以用于紧急车辆检测和识别。
在至少一个实施例中,车辆2100可以进一步包括任何数量的相机类型,包括一个或更多个立体相机2168、一个或更多个广角相机2170、一个或更多个红外相机2172、一个或更多个环绕相机2174、一个或更多个远程相机2198、一个或更多个中程相机2176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2100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2100。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2100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2100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21A和图21B可以更详细地描述了一个或更多个相机的每个相机。
在至少一个实施例中,车辆2100可以进一步包括一个或更多个振动传感器2142。一个或更多个振动传感器2142可以测量车辆2100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2142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2100可以包括ADAS系统2138。ADAS系统2138可以包括但不限于SoC。在至少一个实施例中,ADAS系统2138可以包括但不限于任何数量的自主/自适应/自动巡航控制(“ACC”)系统、协作自适应巡航控制(“CACC”)系统、前撞警告(“FCW”)系统、自动紧急制动(“AEB”)系统、车道偏离警告(“LDW”)系统、车道保持辅助(“LKA”)系统、盲区警告(“BSW”)系统、后方交叉交通警告(“RCTW”)系统、碰撞警告(“CW”)系统、车道对中(“LC”)系统和/或其他系统、特征和/或功能及其组合。
在至少一个实施例中,ACC系统可以使用一个或更多个RADAR传感器2160、一个或更多个LIDAR传感器2164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2100的车辆的距离,并自动调节车辆2100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2100改变车道。在至少一个实施例中,横向ACC与其他ADAS应用程序有关,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2124和/或一个或更多个无线天线2126从其他车辆接收经由无线链路或者间接经由网络连接(例如,经由互联网)接收。在至少一个实施例中,直接链路可以由车辆到车辆(“V2V”)的通信链路提供,而间接链路可以由基础设施到车辆(“I2V”)的通信链路提供。通常,V2V通信概念提供关于紧接在前的车辆(例如,紧接在车辆2100之前并与之在同一车道上的车辆)的信息,而I2V通信概念提供关于更前方交通的信息。在至少一个实施例中,CACC系统可以包括I2V和V2V信息源之一或两者。在至少一个实施例中,在给定车辆2100之前的车辆的信息的情况下,CACC系统可以更可靠,并且具有改善交通流的平滑度并减少道路拥堵的潜力。
在至少一个实施例中,FCW系统被设计成警告驾驶员危险,以便驾驶员可以采取纠正措施。在至少一个实施例中,FCW系统使用前向相机和/或一个或更多个RADAR传感器2160,其耦合至专用处理器、DSP、FPGA和/或ASIC,其电耦合至驾驶员反馈,例如显示器、扬声器和/或振动组件。在至少一个实施例中,FCW系统可以提供警告,例如以声音、视觉警告,振动和/或快速制动脉冲的形式。
在至少一个实施例中,AEB系统检测到与另一车辆或其他对象的即将发生的向前碰撞,并且如果驾驶员在指定的时间或距离参数内未采取纠正措施,则可以自动施加制动。在至少一个实施例中,AEB系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个前向相机和/或一个或更多个RADAR传感器2160。在至少一个实施例中,当AEB系统检测到危险时,AEB系统通常首先警告驾驶员采取纠正措施以避免碰撞,并且,如果驾驶员没有采取纠正措施,则AEB系统可以自动施加制动器以试图防止或至少减轻预测碰撞的影响。在至少一个实施例中,AEB系统可以包括例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2100越过车道标记时,LDW系统提供视觉、听觉和/或触觉警告,例如方向盘或座椅振动,以警告驾驶员。在至少一个实施例中,当驾驶员通过激活转向信号灯指示有意的车道偏离时,LDW系统不活跃。在至少一个实施例中,LDW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的面向正面的相机,其被电耦合至例如显示器、扬声器和/或振动组件之类的驾驶员反馈。在至少一个实施例中,LKA系统是LDW系统的一种变型。如果车辆2100开始离开车道,则LKA系统提供转向输入或制动以校正车辆2100。
在至少一个实施例中,BSW系统检测并警告汽车盲区中的车辆驾驶员。在至少一个实施例中,BSW系统可以提供视觉、听觉和/或触觉警报,以指示合并或改变车道是不安全的。在至少一个实施例中,当驾驶员使用转向灯时,BSW系统可以提供附加警告。在至少一个实施例中,BSW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个朝后侧的相机和/或一个或更多个RADAR传感器2160,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2100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,用于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2160,其耦合到专用处理器、DSP、FPGA和/或ASIC,其被电耦合至例如显示器、扬声器和/或振动组件之类的驾驶员反馈。
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动作。在至少一个实施例中,在结果冲突的情况下,车辆2100本身决定是否听从主计算机或副计算机(例如,第一控制器2136或第二控制器2136)的结果。例如,在至少一个实施例中,ADAS系统2138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2138的输出提供给监控MCU。在至少一个实施例中,如果来自主计算机和辅助计算机的输出冲突,则监督MCU决定如何协调冲突以确保安全操作。
在至少一个实施例中,主计算机可以配置为向监督MCU提供置信度分数,以指示主计算机对所选结果的置信度。在至少一个实施例中,如果置信度得分超过阈值,则监督MCU可以遵循主计算机的指示,而不管辅助计算机是否提供冲突或不一致的结果。在至少一个实施例中,在置信度得分不满足阈值的情况下,并且在主计算机和辅助计算机指示不同的结果(例如,冲突)的情况下,监督MCU可以在计算机之间仲裁以确定适当的结果。
在至少一个实施例中,监督MCU可以配置为运行神经网络,该神经网络被训练和配置为至少部分地基于来自主计算机和辅助计算机的输出来确定辅助计算机提供错误警报的条件。在至少一个实施例中,监督MCU中的神经网络可以学习何时可以信任辅助计算机的输出,以及何时不能信任。例如,在至少一个实施例中,当辅助计算机是基于RADAR的FCW系统时,监督MCU中的神经网络可以学习FCW系统何时识别实际上不是危险的金属对象,例如会触发警报的排水格栅或井盖。在至少一个实施例中,当辅助计算机是基于相机的LDW系统时,当存在骑自行车的人或行人并且实际上车道偏离是最安全的操作时,监督MCU中的神经网络可以学会覆盖LDW。在至少一个实施例中,监督MCU可以包括适合于运行具有相关联的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/或被包括为一个或更多个SoC 2104的组件。
在至少一个实施例中,ADAS系统2138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2138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2138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2100可以进一步包括信息娱乐SoC 2130(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2130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 2130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2100。例如,信息娱乐SoC 2130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2134、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 2130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),例如来自ADAS系统2138的信息、自动驾驶信息(例如计划的车辆操纵)、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 2130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 2130可以通过总线2102(例如,CAN总线、以太网等)与车辆2100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 2130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2136(例如,车辆2100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 2130可以使车辆2100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2100可以进一步包括仪表板2132(例如,数字仪表板、电子仪表板、数字仪表操纵板等)。仪表板2132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2132可以包括但不限于一组仪表的任何数量和组合,例如车速表、燃料水平、油压、转速表、里程表、转弯指示器、换档位置指示器、一个或更多个安全带警告灯、一个或更多个驻车制动警告灯、一个或更多个发动机故障灯、辅助约束系统(例如安全气囊)信息、照明控件、安全系统控件、导航信息等。在某些示例中,信息可能是在信息娱乐SoC 2130和仪表板2132之间显示和/或共享。在至少一个实施例中,仪表板2132可以被包括作为信息娱乐SoC 2130的一部分,反之亦然。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图21C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。
在至少一个实施例中,系统图21C用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图21C用于实现生成器,该生成器被训练为基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图21C用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图21C与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图21D是根据至少一个实施例的在基于云的服务器与图21A的自动驾驶车辆2100之间进行通信的系统2176的图。在至少一个实施例中,系统2176可以包括但不限于一个或更多个服务器2178、一个或更多个网络2190以及任何数量和类型的车辆,包括车辆2100。一个或更多个服务器2178可以包括但不限于,多个GPU 2184(A)-2184(H)(在本文中统称为GPU 2184)、PCIe交换机2182(A)-2182(H)(在本文中统称为PCIe交换机2182),和/或CPU2180(A)-2180(B)(在本文中统称为CPU 2180)、GPU 2184、CPU 2180和PCIe交换机2182可以与高速连接线互连,例如但不限于,由NVIDIA开发的NVLink接口2188和/或PCIe连接2186。GPU 2184通过NVLink和/或NVSwitchSoC连接,GPU 2184和PCIe交换机2182通过PCIe互连连接。在至少一个实施例中,尽管示出了八个GPU2184、两个CPU 2180和四个PCIe交换机2182,但这并不旨在进行限制。在至少一个实施例中,一个或更多个服务器2178中的每一个可以包括但不限于任意数量的GPU 2184、CPU 2180和/或PCIe交换机2182的任何组合。例如,在至少一个实施例中,一个或更多个服务器2178可各自包括八个、十六个、三十二个和/或更多个GPU 2184。
在至少一个实施例中,一个或更多个服务器2178可以通过一个或更多个网络2190并从车辆接收表示图像的图像数据,该图像示出了意外的或改变的道路状况,例如最近开始的道路工程。在至少一个实施例中,一个或更多个服务器2178可以通过一个或更多个网络2190并且向车辆传输神经网络2192、更新的神经网络2192、和/或地图信息2194,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2194的更新可以包括但不限于对HD地图2122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2192、更新的神经网络2192、和/或地图信息2194可能是由从环境中的任何数量的车辆接收的数据中表示的新训练和/或经验产生的,和/或至少基于在数据中心执行的训练(例如,使用一个或更多个服务器2178和/或其他服务器)。
在至少一个实施例中,一个或更多个服务器2178可以用于至少部分地基于训练数据来训练机器学习模型(例如,神经网络)。训练数据可以由车辆产生,和/或可以在模拟中产生(例如,使用游戏引擎)。在至少一个实施例中,标记任何数量的训练数据(例如,在相关的神经网络受益于监督学习的情况下)和/或经历其他预处理。在至少一个实施例中,没有对任何数量的训练数据进行标记和/或预处理(例如,在相关联的神经网络不需要监督学习的情况下)。在至少一个实施例中,一旦机器学习模型被训练,机器学习模型就可以被车辆使用(例如,通过一个或更多个网络2190传输到车辆,和/或机器学习模型可以被一个或更多个服务器2178使用以远程监控车辆。
在至少一个实施例中,一个或更多个服务器2178可以从车辆接收数据并且将数据应用程序于最新的实时神经网络以用于实时智能推理。在至少一个实施例中,一个或更多个服务器2178可以包括由一个或更多个GPU2184供电的深度学习超级计算机和/或专用AI计算机,例如由NVIDIA开发的DGX和DGX Station机器。然而,在至少一个实施例中,一个或更多个服务器2178可以包括使用CPU供电的数据中心的深度学习基础设施。
在至少一个实施例中,一个或更多个服务器2178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2100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2100接收循环性更新,例如车辆2100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2100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2100中的AI正在发生故障,则一个或更多个服务器2178可以将信号发送到车辆2100,以指示车辆2100的故障安全计算机采取控制、通知乘客并完成安全停车操作。
在至少一个实施例中,一个或更多个服务器2178可以包括一个或更多个GPU 2184和一个或更多个可编程推理加速器(例如NVIDIA的TensorRT 3)。在至少一个实施例中,GPU驱动的服务器和推理加速的组合可以使实时响应成为可能。在至少一个实施例中,例如在性能不太关键的情况下,可以将由CPU、FPGA和其他处理器驱动的服务器用于推理。在至少一个实施例中,硬件结构1815用于执行一个或更多个实施例。本文结合图18A和/或图18B提供关于硬件结构1815的细节。
计算机系统
图22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2200,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2200可以包括但不限于组件,例如处理器2202,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2200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 Santa Clara,California)获得的处理器家族、XeonTM、XScaleTM和/或StrongARMTM,CoreTM或 NervanaTM微处理器,尽管也可以使用其他系统(包括具有其他微处理器的PC、工程工作站、机顶盒等)。在至少一个实施例中,计算机系统2200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程序。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,嵌入式应用程序可以包括微控制器、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2200可包括但不限于处理器2202,该处理器2202可包括但不限于一个或更多个执行单元2208,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,系统2200是单处理器台式机或服务器系统,但是在另一实施例中,系统2200可以是多处理器系统。在至少一个实施例中,处理器2202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2202可以耦合到处理器总线2210,该处理器总线2210可以在处理器2202与计算机系统2200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2202可以包括但不限于1级(“L1”)内部高速缓存存储器(“cache”)2204。在至少一个实施例中,处理器2202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2202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2206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2208,其也位于处理器2202中。处理器2202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2208可以包括用于处理封装指令集2209的逻辑。在至少一个实施例中,通过将封装指令集2209包括在通用处理器2202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2202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2208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2200可以包括但不限于存储器2220。在至少一个实施例中,存储器2220可以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器设备。存储器2220可存储由处理器2202可以执行的由数据信号表示的指令2219和/或数据2221。
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2210和存储器2220。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”)2216,并且处理器2202可以经由处理器总线2210与MCH 2216通信。在至少一个实施例中,MCH2216可以提供到存储器2220的高带宽存储器路径2218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 2216可以在处理器2202、存储器2220和计算机系统2200中的其他组件之间启动数据信号,并且在处理器总线2210、存储器2220和系统I/O 2222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 2216可以通过高带宽存储器路径2218耦合到存储器2220,并且图形/视频卡2212可以通过加速图形端口(AcceleratedGraphics Port)(“AGP”)互连2214耦合到MCH 2216。
在至少一个实施例中,计算机系统2200可以使用系统I/O 2222,它是专有集线器接口总线来将MCH 2216耦合到I/O控制器集线器(“ICH”)2230。在至少一个实施例中,ICH2230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2220、芯片组和处理器2202的高速I/O总线。示例可以包括但不限于音频控制器2229、固件集线器(“Flash BIOS”)2228、无线收发器2226、数据存储2224、包含用户输入和键盘接口的传统I/O控制器2223、串行扩展端口2227(例如通用串行总线(USB)和网络控制器2234。数据存储2224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22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22可以示出一个示例性片上系统(“SoC”)。在至少一个实施例中,图cc中示出的设备可以与专有互连、标准化互连(例如,PCIe)或其某种组合互连。在至少一个实施例中,系统2200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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图22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、神经网络函数和/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,系统图22用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图22用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图22用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图22与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图23是示出根据至少一个实施例的用于利用处理器2310的电子设备2300的框图。在至少一个实施例中,电子设备2300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2300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2310。在至少一个实施例中,处理器2310使用总线或接口耦合,例如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”)(版本1、2、3)或通用异步接收器/发送器(“UART”)总线。在至少一个实施例中,图23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23可以示出一个示例性片上系统(“SoC”)。在至少一个实施例中,图23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23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23可以包括显示器2324、触摸屏2325、触摸板2330、近场通信单元(“NFC”)2345、传感器集线器2340、热传感器2346、快速芯片组(“EC”)2335、可信平台模块(“TPM”)2338、BIOS/固件/闪存(“BIOS,FW Flash”)2322、DSP 2360、驱动器(“SSD或HDD”)2320(例如固态磁盘(“SSD”)或硬盘驱动器(“HDD”))、无线局域网单元(“WLAN”)2350、蓝牙单元2352、无线广域网单元(“WWAN”)2356、全球定位系统(GPS)2355、相机(“USB 3.0相机”)2354(例如USB 3.0相机)或以例如LPDDR3标准实现的低功耗双倍数据速率(“LPDDR”)存储器单元(“LPDDR3”)2315。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,其他组件可以通过上文所述的组件通信地耦合到处理器2310。在至少一个实施例中,加速度计2341、环境光传感器(“ALS”)2342、罗盘2343和陀螺仪2344可以可通信地耦合到传感器集线器2340。在至少一个实施例中,热传感器2339、风扇2337、键盘2346和触摸板2330可以通信地耦合到EC 2335。在至少一个实施例中,扬声器2363、耳机2364和麦克风(“mic”)2365可以通信地耦合到音频单元(“音频编解码器和d类放大器”)2364,其又可以通信地耦合到DSP 2360。在至少一个实施例中,音频单元2364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”)2357可以通信地耦合到WWAN单元2356。在至少一个实施例中,组件(例如WLAN单元2350和蓝牙单元2352以及WWAN单元2356)可以被实现为下一代形式因素(NGFF)。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图23中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/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,系统图23用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图23用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图23用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图23与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图24示出了根据至少一个实施例的计算机系统2400。在至少一个实施例中,计算机系统2400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2400包括但不限于至少一个中央处理单元(“CPU”)2402,该中央处理单元(“CPU”)2402连接到使用任何合适协议实现的通信总线2410,例如PCI(“外围设备互联”)、外围组件互连Express(“PCI-Express”)、AGP(“加速图形端口”)、超传输或任何其他总线或点对点通信协议。在至少一个实施例中,计算机系统2400包括但不限于主存储器2404和控制逻辑(例如,实现为硬件、软件或其组合),并且数据可以采取随机存取存储器(“RAM”)的形式存储在主存储器2404中。在至少一个实施例中,网络接口子系统(“网络接口”)2422提供到其他计算设备和网络的接口,用于从计算机系统2400接收数据并将数据传输到其他系统。
在至少一个实施例中,计算机系统2400在至少一个实施例中包括但不限于输入设备2408、并行处理系统2412和显示设备2406,它们可以使用常规的阴极视线管(“CRT”)、液晶显示器(“LCD”)、发光二极管(“LED”)、等离子显示器或其他合适的显示技术实现。在至少一个实施例中,从输入设备2408(例如键盘、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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图24中使用,以至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来进行推理或预测操作。
在至少一个实施例中,系统图24用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图24用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图24用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图24与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图25示出了根据至少一个实施例的计算机系统2500。在至少一个实施例中,计算机系统2500包括但不限于计算机2510和USB盘2520。在至少一个实施例中,计算机2510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2510包括但不限于服务器、云实例、膝上型计算机和台式计算机。
在至少一个实施例中,USB盘2520包括但不限于处理单元2530、USB接口2540和USB接口逻辑2550。在至少一个实施例中,处理单元2530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,处理核心2530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2530包括专用集成电路(“ASIC”),该专用集成电路被优化为执行与机器学习相关联的任何数量和类型的操作。例如,在至少一个实施例中,处理核心2530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2530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2540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2540是用于数据和电源的USB 3.0Type-C插座。在至少一个实施例中,USB接口2540是USB 3.0Type-A连接器。在至少一个实施例中,USB接口逻辑2550可以包括使处理单元2530能够经由USB连接器2540与或设备(例如计算机2510)相连接的任何数量和类型的逻辑。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统图25中使用,至少部分地基于使用神经网络训练操作计算出的权重参数、神经网络函数和/或架构或本文所述的神经网络用例来推理或预测操作。
在至少一个实施例中,系统图25用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统图25用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统图25用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统图25与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图26A示出了示例性架构,其中多个GPU 2610-2613通过高速链路2640-2643(例如,总线/点对点互连等)通信地耦合到多个多核心处理器2605-2606。在一个实施例中,高速链路2640-2643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PCIe4.0或5.0以及NVLink 2.0。
此外,在一个实施例中,两个或更多个GPU 2610-2613通过高速链路2629-2630互连,该高速链路可以使用与用于高速链路2640-2643的协议/链路相同或不同的协议/链路来实现。类似地,两个或更多个多核心处理器2605-2606可以通过高速链路2628连接,该高速链路可以是以20GB/s、30GB/s、120GB/s或更高的速度运行的对称多处理器(SMP)总线。可替代地,可以使用相同的协议/链路(例如,通过公共互连结构)来完成图26A中所示的各种系统组件之间的所有通信。
在一个实施例中,每个多核心处理器2605-2606分别经由存储器互连2626-2627通信地耦合到处理器存储器2601-2602,并且每个GPU2610-2613分别通过GPU存储器互连2650-2653通信地耦合到GPU存储器2620-2623。存储器互连2626-2627和2650-2653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2601-2602和GPU存储器2620-2623可以是易失性存储器,例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),或高带宽存储器(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2601-2602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)。
如本文所述,尽管各种处理器2605-2606和GPU 2610-2613可以分别物理地耦合到特定存储器2601-2602、2620-2623,可以实现统一存储器架构,其中相同的虚拟系统地址空间(也称为“有效地址”空间)分布在各个物理存储器之间。例如,处理器存储器2601-2602可以各自包含64GB的系统存储器地址空间,并且GPU存储器2620-2623可以各自包含32GB的系统存储器地址空间(在该示例中,导致总计256GB的可寻址存储器)。
图26B示出了根据一个示例性实施例的用于多核心处理器2607和图形加速模块2646之间互连的附加细节。图形加速模块2646可以包括集成在线路卡上的一个或更多个GPU芯片,该线路卡经由高速链路2640耦合到处理器2607。可替代地,图形加速模块2646可以集成在与处理器2607相同的封装或芯片上。
在至少一个实施例中,示出的处理器2607包括多个核心2660A-2660D,每个核心都具有转换后备缓冲区2661A-2661D和一个或更多个高速缓存2662A-2662D。在至少一个实施例中,核心2660A-2660D可以包括未示出的各种其他组件,用于执行指令和处理数据。高速缓存2662A-2662D可以包括级别1(L1)和级别2(L2)高速缓存。此外,一个或更多个共享高速缓存2656可以被包括在高速缓存2662A-2662D中,并且由各组核心2660A-2660D共享。例如,处理器2607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2607和图形加速模块2646与系统存储器2614连接,该系统存储器2614可以包括图26A中的处理器存储器2601-2602。
通过一致性总线2664经由核心间通信为存储在各个高速缓存2662A-2662D、2656和系统存储器2614中的数据和指令维护一致性。例如,每个高速缓存可以具有与其相关联的高速缓存一致性逻辑/电路,以响应于检测到对特定高速缓存行的读取或写入通过一致性总线2664进行通信。在一个实现方式中,通过一致性总线2664实现高速缓存监听协议,以监听(snoop)高速缓存访问。
在一个实施例中,代理电路2625将图形加速模块2646通信地耦合到一致性总线2664,从而允许图形加速模块2646作为核心2660A-2660D的对等方参与高速缓存一致性协议。特别地,接口2635通过高速链路2640(例如,PCIe总线、NVLink等)提供到代理电路2625的连接,并且接口2637将图形加速模块2646连接到链路2640。
在一个实现方式中,加速器集成电路2636代表图形加速模块的多个图形处理引擎2631,2632,N提供高速缓存管理、存储器访问、上下文管理和中断管理服务。图形处理引擎2631,2632,N可各自包括单独的图形处理单元(GPU)。替代地,图形处理引擎2631,2632,N可以包括GPU内的不同类型的图形处理引擎,例如图形执行单元、媒体处理引擎(例如,视频编码器/解码器)、采样器和blit引擎。在至少一个实施例中,图形加速模块2646可以是具有多个图形处理引擎2631-2632,N的GPU,或者图形处理引擎2631-2632,N可以是集成在通用封装、线路卡或芯片上的各个GPU。
在一个实施例中,加速器集成电路2636包括存储器管理单元(MMU)2639,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(也称为有效到真实存储器转换),还包括用于访问系统存储器2614的存储器访问协议。MMU 2639还可包括转换后备缓冲区(“TLB”)(未示出),用于高速缓存虚拟/有效到物理/真实地址转换。在一个实现方式中,高速缓存2638存储命令和数据,用于图形处理引擎2631-2632,N有效地访问。在一个实施例中,将存储在高速缓存2638和图形存储器2633-2634,M中的数据与核心高速缓存2662A-2662D、2656和系统存储器2614保持一致。如前所述,可以经由代表高速缓存2638和图形存储器2633-2634,M的代理电路2625来完成该任务(例如,将与处理器高速缓存2662A-2662D、2656上的高速缓存行的修改/访问有关的更新发送到高速缓存2638,并从高速缓存2638接收更新)。
一组寄存器2645存储由图形处理引擎2631-2632,N执行的线程的上下文数据,并且上下文管理电路2648管理线程上下文。例如,上下文管理电路2648可以执行保存和恢复操作,以在上下文切换期间保存和恢复各个线程的上下文(例如,其中保存第一线程并且存储第二线程,以便可以由图形处理引擎执行第二线程)。例如,上下文管理电路2648在上下文切换时,可以将当前寄存器值存储到存储器中的(例如,由上下文指针标识的)指定区域。然后,当返回上下文时可以恢复寄存器值。在一个实施例中,中断管理电路2647接收并处理从系统设备接收的中断。
在一个实现方式中,MMU 2639将来自图形处理引擎2631的虚拟/有效地址转换为系统存储器2614中的真实/物理地址。加速器集成电路2636的一个实施例支持多个(例如,4、8、16)图形加速器模块2646和/或其他加速器设备。图形加速器模块2646可以专用于在处理器2607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,呈现了虚拟化的图形执行环境,其中图形处理引擎2631-2632,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,可以基于处理要求和与VM和/或应用程序相关联的优先级,将资源细分为“切片”,其被分配给不同的VM和/或应用程序。
在至少一个实施例中,加速器集成电路2636作为图形加速模块2646的系统的桥来执行,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2636可以为主机处理器提供虚拟化设施,以管理图形处理引擎2631-2632,N的虚拟化、中断和存储器管理。
由于图形处理引擎2631-2632,N的硬件资源被明确地映射到主机处理器2607看到的真实地址空间,因此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2636的一个功能是物理分离图形处理引擎2631-2632,N,使得它们在系统看来为独立的单元。
在至少一个实施例中,一个或更多个图形存储器2633-2634,M分别耦合到每个图形处理引擎2631-2632,N。图形存储器2633-2634,M存储指令和数据,所述指令和数据由每个图形处理引擎2631-2632,N处理。图形存储器2633-2634,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2640上的数据流量,使用偏置技术以确保存储在图形存储器2633-2634,M中的数据是图形处理引擎2631-2632,N最常使用的,并且最好核心2660A-2660D不使用(至少不经常使用)的数据。类似地,偏置机制试图将核心(并且优选地不是图形处理引擎2631-2632,N需要的数据保持在核心的高速缓存2662A-2662D、2656和系统存储器2614中。
图26C示出了另一个示例性实施例,其中加速器集成电路2636被集成在处理器2607内。在该实施例中,图形处理引擎2631-2632,N经由接口2637和接口2635(同样可以利用任何形式的总线或接口协议)通过高速链路2640直接与加速器集成电路2636通信。加速器集成电路2636可以执行与关于图26B描述的操作相同的操作。但是由于它紧密靠近一致性总线2664和高速缓存2662A-2662D、2656,可能具有更高的吞吐量。一个实施例支持不同的编程模型,包括专用进程编程模型(无图形加速模块虚拟化)和共享编程模型(具有虚拟化),所述编程模型可以包括由加速器集成电路2636控制的编程模型和由图形加速模块2646控制的编程模型。
在至少一个实施例中,图形处理引擎2631-2632,N专用于单个操作系统下的单个应用程序或进程。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汇聚(funnel)到图形处理引擎2631-2632,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2631-2632,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2631-2632,N,以允许每个操作系统进行访问。对于没有管理程序的单分区系统,操作系统拥有图形处理引擎2631-2632,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2631-2632,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2646或个体图形处理引擎2631-2632,N使用进程句柄来选择进程元素。在一个实施例中,进程元素被存储在系统存储器2614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,进程句柄可以是特定于实现方式的值,其在向图形处理引擎2631-2632,N注册其上下文时提供给主机进程(即,调用系统软件以将进程元素添加到进程元素链接列表)。在至少一个实施例中,进程句柄的较低16位可以是进程元素在进程元素链接列表中的偏移量。
图26D示出了示例性加速器集成切片2690。如本文所使用的,“切片”包括加速器集成电路2636的处理资源的指定部分。系统存储器2614中的应用程序有效地址空间2682存储进程元素2683。在一个实施例中,响应于来自在处理器2607上执行的应用程序2680的GPU调用2681,存储进程元素2683。进程元素2683包含相应的应用程序2680的进程状态。包含在进程元素2683中的工作描述符(WD)2684可以是由应用程序请求的单个作业,或者可以包含指向作业队列的指针。在至少一个实施例中,WD2684是指向应用程序的地址空间2682中的作业请求队列的指针。
图形加速模块2646和/或各个图形处理引擎2631-2632,N可以由系统中所有进程或进程子集共享。在至少一个实施例中,可以包括用于设置进程状态并将WD 2684发送到图形加速模块2646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方式的。在该模型中,单个进程拥有图形加速模块2646或个体图形处理引擎2631。因为图形加速模块2646由单个进程拥有时,管理程序初始化用于所拥有的分区的加速器集成电路,当指派了图形加速模块2646时,操作系统初始化用于所拥有的进程的加速器集成电路2636。
在操作中,加速器集成切片2690中的WD获取单元2691获取下一个WD 2684,其包括要由图形加速模块2646的一个或更多个图形处理引擎完成的工作的指示。来自WD 2684的数据可以存储在寄存器2645中,并由MMU 2639、中断管理电路2647和/或上下文管理电路2648使用,如图所示。例如,MMU 2639的一个实施例包括用于访问OS虚拟地址空间2685内的段/页表2686的段/页漫游电路。中断管理电路2647可以处理从图形加速模块2646接收的中断事件2692。当执行图形操作时,由图形处理引擎2631-2632,N生成的有效地址2693被MMU2639转换为真实地址。
在一个实施例中,为每个图形处理引擎2631-2632,N和/或图形加速模块2646复制相同的一组寄存器2645,并且所述寄存器2645可以由管理程序或操作系统初始化。每一这些复制的寄存器中的每一个可以被包括在加速器集成切片2690中。可以由管理程序初始化的示例性寄存器在表1中示出。
表1–管理程序初始化的寄存器
表2中示出了可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 | 进程和线程标识 |
2 | 有效地址(EA)上下文保存/恢复指针 |
3 | 虚拟地址(VA)加速器利用率记录指针 |
4 | 虚拟地址(VA)存储段表指针 |
5 | 权限屏蔽 |
6 | 工作描述符 |
在一个实施例中,每个WD 2684特定于特定的图形加速模块2646和/或图形处理引擎2631-2632,N。它包含图形处理引擎2631-2632,N完成工作所需的所有信息,或者它可以是指向存储器位置的指针,在该存储器位置应用程序已经设置了要完成的工作的命令队列。
图26E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2698,其中存储了进程元素列表2699。可经由管理程序2696来访问管理程序实地址空间2698,所述管理程序2696虚拟化用于操作系统2695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全部分区或分区子集的全部进程或进程子集使用图形加速模块2646。存在两种编程模型,其中图形加速模块2646由多个进程和分区共享,时间切片共享和图形定向共享。
在该模型中,系统管理程序2696拥有图形加速模块2646,并使其功能可用于所有操作系统2695。对于图形加速模块2646通过系统管理程序2696支持虚拟化,图形加速模块2646可以遵从下述要求: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),或者图形加速模块2646必须提供上下文保存和恢复机制,2)图形加速模块2646保证应用程序的作业请求在指定的时间量内完成,包括任何转换错误,或者图形加速模块2646提供了抢占作业处理的能力,3)在有向共享编程模型中进行操作时,必须确保图形加速模块2646进程之间的公平性。在至少一个实施例中,需要应用程序2680使用图形加速模块2646类型、工作描述符(WD)、权限屏蔽寄存器(AMR)值和上下文保存/恢复区域指针(CSRP)进行操作系统2695系统调用。在至少一个实施例中,图形加速模块2646类型描述了用于系统调用的目标加速函数。在至少一个实施例中,图形加速模块2646类型可以是系统特定的值。在至少一个实施例中,WD是专门为图形加速模块2646格式化的,并且可以采用图形加速模块2646命令、指向用户定义的结构的有效地址指针、指向命令队列的有效地址指针的形式,或描述要由图形加速模块2646完成的工作的任何其他数据结构。
在一个实施例中,AMR值是用于当前进程的AMR状态。在至少一个实施例中,传递给操作系统的值与设置AMR的应用程序类似。如果加速器集成电路2636和图形加速模块2646的实现不支持用户权限屏蔽覆写寄存器(UAMOR),则在管理程序调用中传递AMR之前,操作系统可以将当前UAMOR值应用于AMR值。管理程序2696可以在将AMR放入进程元素2683中之前选择性地应用当前权限屏蔽覆写寄存器(AMOR)值。在至少一个实施例中,CSRP是寄存器2645中的一个,所述寄存器包含应用程序的地址空间2682中的区域的有效地址,供图形加速模块2646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者当作业被抢占时,则该指针是可选的。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。
在接收到系统调用时,操作系统2695可以验证应用程序2680已经注册并且被授予使用图形加速模块2646的权限。然后,操作系统2695使用表3中所示的信息来调用管理程序2696。
表3–操作系统到管理程序的调用参数
1 | 工作描述符(WD) |
2 | 权限屏蔽寄存器(AMR)值(可能被屏蔽) |
3 | 有效地址(EA)上下文保存/恢复区域指针(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(LISN) |
在接收到管理程序调用时,管理程序2696验证操作系统2695已注册并被授予使用图形加速模块2646的权限。然后,管理程序2696将进程元素2683放入相应的图形加速模块2646类型的进程元素链接列表中。进程元素可以包括表4中所示的信息。
表4–进程元素信息
1 | 工作描述符(WD) |
2 | 权限屏蔽寄存器(AMR)值(可能被屏蔽) |
3 | 有效地址(EA)上下文保存/恢复区域指针(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(LISN) |
8 | 从管理程序调用参数派生的中断向量表 |
9 | 状态寄存器(SR)值 |
10 | 逻辑分区ID(LPID) |
11 | 真实地址(RA)管理程序加速器利用率记录指针 |
12 | 存储描述符寄存器(SDR) |
在至少一个实施例中,管理程序初始化多个加速器集成切片2690寄存器2645。
如图26F所示,在至少一个实施例中,使用统一存储器,所述统一存储器可经由用于访问物理处理器存储器2601-2602和GPU存储器2620-2623的公共虚拟存储器地址空间来寻址。在该实现方式中,在GPU2610-2613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2601-2602,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2601,第二部分被分配给第二处理器存储器2602,第三部分被分配给GPU存储器2620,以此类推。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2601-2602和GPU存储器2620-2623的每一个中,从而允许任何处理器或GPU采用映射到任何物理存储器的虚拟地址访问该存储器。
在一个实施例中,一个或更多个MMU 2639A-2639E内的偏置/一致性管理电路2694A-2694E确保一个或更多个主机处理器(例如,2605)与GPU 2610-2613的高速缓存之间的高速缓存一致性,并实现指示应在其中存储某些类型的数据的物理存储器的偏置技术。虽然在图26F中示出了偏置/一致性管理电路2694A-2694E的多个实例,但可以在一个或更多个主机处理器2605的MMU内和/或在加速器集成电路2636内实现偏置/一致性电路。
一个实施例允许将GPU附加存储器2620-2623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GPU附加存储器2620-2623作为系统存储器来访问而无需繁重的高速缓存一致性开销的能力为GPU卸载提供了有利的操作环境。该布置允许主机处理器2605的软件设置操作数并访问计算结果,而没有传统的I/O DMA数据拷贝的开销。这样的传统拷贝包括驱动程序调用、中断和存储器映射I/O(MMIO)访问,相对于简单的存储器访问而言,这些访问效率均较低。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GPU附加存储器2620-2623的能力对于卸载的计算的执行时间可能是关键的。例如,在具有大量流式写入存储器流量的情况下,高速缓存一致性开销可以显著降低GPU 2610-2613所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、结果访问的效率和GPU计算的效率可能会在确定GPU卸载的有效性方面发挥作用。
在至少一个实施例中,GPU偏置和主机处理器偏置的选择由偏置跟踪器数据结构驱动。例如,可以使用偏置表,所述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),该页面粒度结构包括每个GPU附加的存储器页面1或2位。在至少一个实施例中,在GPU 2610-2613中具有或不具有偏置高速缓存(例如,用于高速缓存偏置表的频繁/最近使用的条目)的情况下,可以在一个或更多个GPU附加存储器2620-2623的被盗存储器范围中实现偏置表。替代地,在至少一个实施例中,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GPU附加存储器2620-2623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 2610-2613的在GPU偏置中找到其页面的本地请求被直接转发到对应的GPU存储器2620-2623。来自GPU的在主机偏置中找到其页面的本地请求被转发至处理器2605(例如,通过本文上面讨论的高速链路)。在一个实施例中,来自处理器2605的在主机处理器偏置中找到所请求页面的请求完成了与正常存储器读取类似的请求。替代地,可以将指向GPU偏置页面的请求转发到GPU2610-2613。在至少一个实施例中,如果GPU当前不使用页面,则GPU可随后将页面迁移到主机处理器偏置。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、基于硬件辅助的软件的机制、或者在有限的情况下通过纯粹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),所述API调用随后调用GPU的设备驱动程序,所述设备驱动程序随后发送消息(或使命令描述符入队)到GPU,引导GPU改变偏置状态,并在某些迁移中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2605偏置到GPU偏置的迁移,但是不用于相反的迁移。
在一个实施例中,高速缓存一致性是通过暂时渲染主机处理器2605无法高速缓存的GPU偏置页面来维护的。为了访问这些页面,处理器2605可以请求来自GPU 2610的访问,GPU 2610可以或可以不立即授予访问权限。因此,为了减少处理器2605和GPU 2610之间的通信,确保GPU偏置页面是GPU所需的页面而不是主机处理器2605所需的页面是有益的,反之亦然。
一个或更多个硬件结构1815用于执行一个或更多个实施例。在本文结合图18A和/或图18B提供关于一个或更多个硬件结构1815的细节。
图27示出了根据本文所述的各个实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图27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2700上的示例性系统的框图。在至少一个实施例中,集成电路2700包括一个或更多个应用程序处理器2705(例如,CPU)、至少一个图形处理器2710,并且可以另外包括图像处理器2715和/或视频处理器2720,其中任意一个可能是模块化IP核心。在至少一个实施例中,集成电路2700包括外围或总线逻辑,其包括USB控制器2725、UART控制器2730、SPI/SDIO控制器2735和I.sup.2S/I.sup.2C控制器2740。在至少一个实施例中,集成电路2700可以包括显示设备2745耦合到高清多媒体接口(HDMI)控制器2750和移动工业处理器接口(MIPI)显示接口2755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2760提供,包括闪存和闪存控制器。在至少一个实施例中,可以经由存储器控制器2765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2770。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在集成电路2700中用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,集成电路2700用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,集成电路2700用于实现生成器,该生成器被训练为基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,集成电路2700用于实现包括鉴别器和发生器的一个或更多个神经网络,并且集成电路2700与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图28A和图28B示出了根据本文所述的各个实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图28A和图28B是示出根据本文描述的实施例的在SoC内使用的示例性图形处理器的框图。图28A示出了根据至少一个实施例的片上系统集成电路的示例性图形处理器2810,其可以使用一个或更多个IP核心来制造。图28B示出了根据至少一个实施例的片上系统集成电路的附加示例性图形处理器2840,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28A的图形处理器2810是低功耗图形处理器核心。在至少一个实施例中,图28B的图形处理器2840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2810、2840可以是图27的图形处理器2710的变体。
在至少一个实施例中,图形处理器2810包括顶点处理器2805和一个或更多个片段处理器2815A-2815N(例如2815A、2815B、2815C、2815D至2815N-1和2815N)。在至少一个实施例中,图形处理器2810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2805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2815A-2815N执行片段(例如,像素)着色操作用于片段或像素或着色器程序。在至少一个实施例中,顶点处理器2805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2815A-2815N使用由顶点处理器2805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2815A-2815N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2810附加地包括一个或更多个存储器管理单元(MMU)2820A-2820B、一个或更多个高速缓存2825A-2825B和一个或更多个电路互连2830A-2830B。在至少一个实施例中,一个或更多个MMU 2820A-2820B提供用于图形处理器2810的虚拟到物理地址的映射,包括用于顶点处理器2805和/或片段处理器2815A-2815N,其可以引用存储在存储器中的顶点或图像/纹理数据,除了存储在一个或更多个高速缓存2825A-2825B中的顶点或图像/纹理数据之外。在至少一个实施例中,一个或更多个MMU 2820A-2820B可以与系统内的其他MMU同步,包括与图27的一个或更多个应用程序处理器2705、图像处理器2715和/或视频处理器2708相关联的一个或更多个MMU,使得每个处理器2705-2720可以参与共享或统一的虚拟存储器系统。在至少一个实施例中,一个或更多个电路互连2830A-2830B使图形处理器2810能够经由SoC的内部总线或经由直接连接与SoC内的其他IP核心相连接。
在至少一个实施例中,图形处理器2840包括图28A的一个或更多个MMU 2820A-2820B,高速缓存2825A-2825B,以及图形处理器2810的电路互连2830A-2830B。在至少一个实施例中,图形处理器2840包括一个或更多个着色器核心2855A-2855N(例如,2855A、2855B、2855C、2855D、2855E、2855F到2855N-1和2855N),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2840包括核心间任务管理器2845,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2855A-2855N和分块单元2858,以加速基于图块渲染的分块操作,其中在图像空间中细分了场景的渲染操作,例如,以利用场景内的局部空间一致性或优化内部缓存的使用。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在集成电路图28A和/或图28B中用于至少部分地基于使用神经网络训练操作、神经网络函数或架构,或本文所述的神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,集成电路图28A和/或图28B用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,集成电路图28A和/或图28B用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,集成电路图28A和/或图28B用于实现包括鉴别器和生成器的一个或更多个神经网络,并且集成电路图28A和/或图28B与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图29A和图29B示出了根据本文描述的实施例的附加示例性图形处理器逻辑。在至少一个实施例中,图29A示出了可以包括在图27的图形处理器2710内的图形核心2900,并且在至少一个实施例中,其可以是如图28B所示的统一着色器核心2855A-2855N。图29B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2930。
在至少一个实施例中,图形核心2900包括共享指令高速缓存2902、纹理单元2918和高速缓存/共享存储器2920,它们对于图形核心2900内的执行资源是通用的。在至少一个实施例中,图形核心2900可包括多个切片2901A-2901N或每个核心的分区,并且图形处理器可包括图形核心2900的多个实例。切片2901A-2901N可包括支持逻辑,所述逻辑包括本地指令高速缓存2904A-2904N、线程调度器2906A-2906N、线程分派器2908A-2908N和一组寄存器2910A-2910N。在至少一个实施例中,切片2901A-2901N可以包括一组附加功能单元(AFU2912A-2912N)、浮点单元(FPU 2914A-2914N)、整数算术逻辑单元(ALU 2916-2916N)、地址计算单元(ACU 2913A-2913N)、双精度浮点单元(DPFPU 2915A-2915N)和矩阵处理单元(MPU2917A-2917N)。
在至少一个实施例中,FPU 2914A-2914N可以执行单精度(32位)和半精度(16位)浮点运算,而DPFPU 2915A-2915N则执行双精度(64位)浮点运算点操作。在至少一个实施例中,ALU 2916A-2916N可以以8位、16位和32位精度执行可变精度整数运算,并且可以配置为混合精度运算。在至少一个实施例中,MPU 2917A-2917N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 2917-2917N可以执行各种矩阵运算以加速机器学习应用程序框架,包括使得能够支持加速的通用矩阵-矩阵的矩阵乘法(GEMM)。在至少一个实施例中,AFU 2912A-2912N可以执行浮点数或整数单元不支持的附加逻辑运算,包括三角运算(例如,正弦,余弦等)。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图形核心2900中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/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,图形核心2900用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形核心2900用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形核心2900用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形核心2900与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图29B示出了在至少一个实施例中的通用处理单元(GPGPU)2930,其可以被配置为使得高度并行的计算操作能够由一组图形处理单元来执行。在至少一个实施例中,GPGPU2930可以直接链接到GPGPU 2930的其他实例,以创建多GPU集群以提高用于深度神经网络的训练速度。在至少一个实施例中,GPGPU 2930包括主机接口2932,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2932是PCI Express接口。在至少一个实施例中,主机接口2932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 2930接收主机处理器的命令,并使用全局调度器2934,以将与那些命令相关联的执行线程分配给一组计算集群2936A-2936H。在至少一个实施例中,计算群集2936A-2936H共享高速缓存存储器2938。在至少一个实施例中,高速缓存存储器2938可以用作计算群集2936A-2936H内的高速缓存存储器的更高级别的高速缓存。
在至少一个实施例中,GPGPU 2930包括存储器2944A-2944B,所述存储器2944A-2944B经由一组存储器控制器2942A-2942B与计算集群2936A-2936H耦合。在至少一个实施例中,存储器2944A-2944B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),其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2936A-2936H每个都包括一组图形核心,例如图29A的图形核心2900,所述图形核心可以包括多种类型的整数和浮点逻辑单元,所述逻辑单元可以在计算机各种精度范围上执行计算操作,包括适用于机器学习计算的精度。例如,在至少一个实施例中,每个计算集群2936A-2936H中的浮点单元的至少一个子集可以被配置为执行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 2930的多个实例可以被配置为用作计算集群。在至少一个实施例中,计算集群2936A-2936H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 2930的多个实例通过主机接口2932进行通信。在至少一个实施例中,GPGPU 2930包括I/O集线器2939,所述集线器将GPGPU 2930与GPU链路2940耦合,使得能够直接连接到GPGPU 2930的其他实例。在至少一个实施例中,GPU链路2940耦合到专用GPU到GPU桥,所述桥使得GPGP 2930的多个实例之间能够通信和同步。在至少一个实施例中,GPU链路2940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 2930的多个实例位于单独的数据处理系统中,并通过可通过主机接口2932访问的网络设备进行通信。在至少一个实施例中,GPU链路2940可被配置为使得能够连接到主机除主机接口2932之外或作为其替代的处理器。
在至少一个实施例中,GPGPU 2930可以被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 2930。在至少一个实施例中,在其中使用GPGPU进行推理的情况下,相对于使用GPGPU训练神经网络时,GPGPU可以包括更少的计算集群2936A-2936H。在至少一个实施例中,与存储器2944A-2944B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 2930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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在GPGPU 2930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,GPGPU 2930用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,GPGPU 2930用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,GPGPU 2930用于实现包括鉴别器和生成器的一个或更多个神经网络,并且GPGPU 2930与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图30示出了根据至少一个实施例的计算机系统3000的框图。在至少一个实施例中,计算机系统3000包括具有一个或更多个处理器3002的处理子系统3001和系统存储器3004,所述系统存储器3004经由可包括存储器集线器3005的互连路径通信。在至少一个实施例中,存储器集线器3005可以是芯片组部件内的单独部件,或者可以集成在一个或更多个处理器3002内。在至少一个实施例中,存储器集线器3005通过通信链路3006与I/O子系统3011耦合。在一个实施例中,I/O子系统3011包括I/O集线器3007,所述I/O集线器可以使计算机系统3000能够接收来自一个或更多个输入设备3008的输入。在至少一个实施例中,I/O集线器3007可以使显示控制器向一个或更多个显示设备3010A提供输出,所述显示控制器可以包括在一个或更多个处理器3002中。在至少一个实施例中,与I/O集线器3007耦合的一个或更多个显示设备3010A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3001包括经由总线或其他通信链路3013耦合到存储器集线器3005的一个或更多个并行处理器3012中。在至少一个实施例中,通信链路3013可以是任何一种许多基于标准的通信链路技术或协议,例如但不限于PCI Express,或者可以是特定于供应商的通信接口或通信结构。在至少一个实施例中,一个或更多个并行处理器3012形成计算集中的并行或矢量处理系统,所述系统可以包括大量处理核心和/或处理集群,例如多集成核心(MIC)处理器。在至少一个实施例中,一个或更多个并行处理器3012形成图形处理子系统,所述图形处理子系统可以将像素输出到经由I/O集线器3007耦合的一个或更多个显示设备3010A之一。在至少一个实施例中,一个或更多个并行处理器3012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3010B。
在至少一个实施例中,系统存储单元3014可以连接到I/O集线器3007,以提供用于计算机系统3000的存储机制。在至少一个实施例中,I/O交换机3016可以用于提供一个接口机制,以实现I/O集线器3007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3018和/或无线网络适配器3019,以及可以通过一个或更多个附加设备3020添加的各种其他设备。在至少一个实施例中,网络适配器3018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3019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设备的其他网络设备。
在至少一个实施例中,计算机系统3000可以包括未明确示出的其他组件,所述其他组件包括USB或其他端口连接、光学存储驱动器、视频捕获设备等,所述其他组件也可以连接到I/O集线器3007。在至少一个实施例中,可以使用任何合适的协议(例如基于PCI(外围组件互连)的协议(例如PCI-Express)或其他总线或点对点通信接口和/或协议)来实现互连图30中各个组件的通信路径,例如NV-Link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3012包括为图形和视频处理而优化的电路,所述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3012包括为通用处理而优化的电路。在至少一个实施例中,计算机系统3000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3012、存储器集线器3005、处理器3002和I/O集线器3007,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,计算机系统3000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,计算机系统3000的组件的至少一部分可以被集成到多芯片模块(MCM)中,所述多芯片模块可以与其他多芯片模块互连到模块化计算机系统中。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在系统3000中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/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,系统3000用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,系统3000用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,系统3000用于实现包括鉴别器和生成器的一个或更多个神经网络,并且系统3000与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
处理器
图31A示出了根据至少一个实施例的并行处理器3100。在至少一个实施例中,并行处理器3100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3100是根据示例性实施例的图30所示的一个或更多个并行处理器3012的变体。
在至少一个实施例中,并行处理器3100包括并行处理单元3102。在至少一个实施例中,并行处理单元3102包括I/O单元3104,其使得能够与其他设备进行通信,包括并行处理单元3102的其他实例。在至少一个实施例中,I/O单元3104可以直接连接到其他设备。在至少一个实施例中,I/O单元3104通过使用集线器或交换机接口(例如,存储器集线器3005)与其他设备连接。在至少一个实施例中,存储器集线器3005与I/O单元3104之间的连接形成通信链路3013。在至少一个实施例中,I/O单元3104与主机接口3106和存储器交叉开关3116连接,其中主机接口3106接收用于执行处理操作的命令,而存储器交叉开关3116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3106经由I/O单元3104接收命令缓冲区时,主机接口3106可以引导工作操作以执行那些命令到前端3108。在至少一个实施例中,前端3108与调度器3110耦合,调度器3110配置成将命令或其他工作项分配给处理集群阵列3112。在至少一个实施例中,调度器3110确保在将任务分配给处理集群阵列3112的处理集群阵列3112之前,处理集群阵列3112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3110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3110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3112上执行的线程的快速抢占和上下文切换。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3112上进行调度的工作加载。在至少一个实施例中,工作加载然后可以由包括调度器3110的微控制器内的调度器3110逻辑在处理阵列3112上自动分配。
在至少一个实施例中,处理集群阵列3112可以包括多达“N”个处理集群(例如,集群3114A、集群3114B到集群3114N)。在至少一个实施例中,处理集群阵列3112的每个集群3114A-3114N可以执行大量并发线程。在至少一个实施例中,调度器3110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3112的集群3114A-3114N,其可以根据每种程序或计算类型产生的工作加载而变化。在至少一个实施例中,调度可以由调度器3110动态地处理,或者可以在配置为由处理集群阵列3112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3112的不同的集群3114A-3114N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3112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3112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3112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3112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3112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3112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3102可以经由I/O单元3104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3122),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3102用于执行图形处理时,调度器3110可以配置成将处理工作加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3112的多个集群3114A-3114N。在至少一个实施例中,处理集群阵列3112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3114A-3114N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3114A-3114N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3112可以经由调度器3110接收要执行的处理任务,该调度器3110从前端3108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3110可以配置成获取与任务相对应的索引,或者可以从前端3108接收索引。在至少一个实施例中,前端3108可以配置成确保在启动由传入命令缓冲区(例如,批缓冲区(batch-buffer)、推送缓冲区等)指定的工作加载之前,处理集群阵列3112配置成有效状态。
在至少一个实施例中,并行处理单元3102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3122耦合。在至少一个实施例中,可以经由存储器交叉开关3116访问并行处理器存储器3122,所述存储器交叉开关3116可以接收来自处理集群阵列3112以及I/O单元3104的存储器请求。在至少一个实施例中,存储器交叉开关3116可以经由存储器接口3118访问并行处理器存储器3122。在至少一个实施例中,存储器接口3118可以包括多个分区单元(例如,分区单元3120A、分区单元3120B到分区单元3120N),其可各自耦合至并行处理器存储器3122的一部分(例如,存储器单元)。在至少一个实施例中,多个分区单元3120A-3120N为配置为等于存储器单元的数量,使得第一分区单元3120A具有对应的第一存储器单元3124A,第二分区单元3120B具有对应的存储器单元3124B,第N分区单元3120N具有对应的第N存储器单元3124N。在至少一个实施例中,分区单元3120A-3120N的数量可以不等于存储器设备的数量。
在至少一个实施例中,存储器单元3124A-3124N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3124A-3124N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3124A-3124N来存储例如帧缓冲区或纹理映射的渲染目标,从而允许分区单元3120A-3120N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3122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3122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3112的集群3114A-3114N中的任何一个都可以处理将被写入并行处理器存储器3122内的任何存储器单元3124A-3124N中的数据。在至少一个实施例中,存储器交叉开关3116可以配置为将每个集群3114A-3114N的输出传输到任何分区单元3120A-3120N或另一个集群3114A-3114N,集群3114A-3114N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3114A-3114N可以通过存储器交叉开关3116与存储器接口3118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3116具有到存储器接口3118的连接以与I/O单元3104通信,以及到并行处理器存储器3122的本地实例的连接,从而使不同处理集群3114A-3114N内的处理单元与系统存储器或不是并行处理单元3102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3116可以使用虚拟通道来分离集群3114A-3114N和分区单元3120A-3120N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3102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3102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3102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3102或并行处理器3100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31B是根据至少一个实施例的分区单元3120的框图。在至少一个实施例中,分区单元3120是图31A的分区单元3120A-3120N之一的实例。在至少一个实施例中,分区单元3120包括L2高速缓存3121、帧缓冲区接口3125和ROP 3126(光栅操作单元)。L2高速缓存3121是读/写高速缓存,其配置成执行从存储器交叉开关3116和ROP 3126接收的加载和存储操作。在至少一个实施例中,L2高速缓存3121将读取未命中和紧急回写请求输出到帧缓冲区接口3125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3125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3125与并行处理器存储器中的存储器单元(例如图31A的存储器单元3124A-3124N(例如,在并行处理器存储器3122内))之一相互作用。
在至少一个实施例中,ROP 3126是一种处理单元,其执行光栅操作,例如模版、z测试、混合,等等。在至少一个实施例中,ROP 3126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 3126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。在至少一个实施例中,ROP 3126执行的压缩的类型可以基于要压缩的数据的统计特性而变化。例如,在至少一个实施例中,基于每图块基础上的深度和颜色数据执行增量颜色压缩。
在至少一个实施例中,ROP 3126包括在每个处理集群内(例如,图31的集群3114A-3114N),而不是在分区单元3120内。在至少一个实施例中,通过存储器交叉开关3116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(例如图30的一个或更多个显示设备3010之一)显示,由处理器3002路由以供进一步处理,或者由图31A的并行处理器3100内的处理实体之一路由以供进一步处理。
图31C是根据至少一个实施例的并行处理单元内的处理集群3114的框图。在至少一个实施例中,处理集群是图31的处理集群3114A-3114N之一的实例。在至少一个实施例中,处理集群3114可以配置成并行执行许多线程,其中术语“线程”是指在特定的一组输入数据上执行的特定程序的实例。在至少一个实施例中,单指令多数据(SIMD)指令发布技术用于支持大量线程的并行执行而无需提供多个独立的指令单元。在至少一个实施例中,使用单指令多线程(SIMT)技术来支持并行执行大量一般同步的线程,这使用了公共指令单元,该公共指令单元配置成向每个处理集群内的一组处理引擎发出指令。
在至少一个实施例中,可以通过将处理任务分配给SIMT并行处理器的管线管理器3132来控制处理集群3114的操作。在至少一个实施例中,管线管理器3132从图31的调度器3110接收指令,通过图形多处理器3134和/或纹理单元3136管理这些指令的执行。在至少一个实施例中,图形多处理器3134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3114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3114内可以包括图形多处理器3134的一个或更多个实例。在至少一个实施例中,图形多处理器3134可以处理数据,并且数据交叉开关3140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3132可以通过指定要经由数据交叉开关3140分配的处理后的数据的目的地来促进处理后的数据的分配。
在至少一个实施例中,处理集群3114内的每个图形多处理器3134可以包括相同的一组功能执行逻辑(例如,算术逻辑单元、加载存储单元等)。在至少一个实施例中,可以以管线方式配置功能执行逻辑,其中可以在先前的指令完成之前发出新的指令。在至少一个实施例中,功能执行逻辑支持多种操作,包括整数和浮点算术、比较操作、布尔运算、移位和各种代数函数的计算。在至少一个实施例中,可以利用相同的功能单元硬件来执行不同的操作,并且可以存在功能单元的任何组合。
在至少一个实施例中,传送到处理集群3114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3134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3134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3134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3134内的处理引擎的数量更多的线程时,可以在连续的时钟循环内执行处理。在至少一个实施例中,可以在图形多处理器3134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3134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3134可以放弃内部高速缓存并使用处理集群3114内的高速缓存存储器(例如,L1高速缓存3148)。在至少一个实施例中,每个图形多处理器3134还可以访问分区单元(例如,图31的分区单元3120A-3120N)内的L2高速缓存,这些分区单元在所有处理集群3114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3134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3102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3114包括图形多处理器3134的多个实例,它们可以共享可以存储在L1高速缓存3148中的公共指令和数据。
在至少一个实施例中,每个处理集群3114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”)3145。在至少一个实施例中,MMU 3145的一个或更多个实例可以驻留在图31的存储器接口3118内。在至少一个实施例中,MMU 3145包括一组页表条目(PTE),其用于将虚拟地址映射到图块(谈论更多关于分块)的物理地址以及可选地映射到高速缓存行索引。在至少一个实施例中,MMU 3145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3134或L1高速缓存或处理集群3114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错。在至少一个实施例中,高速缓存行索引可以用于确定对高速缓存线的请求是命中还是未命中。
在至少一个实施例中,可以配置处理集群3114,使得每个图形多处理器3134耦合到纹理单元3136,以执行纹理映射操作,所述操作确定纹理样本位置、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3134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3134将处理后的任务输出到数据交叉开关3140,以将处理后的任务提供给另一处理集群3114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3116的系统存储器中。在至少一个实施例中,preROP 3142(预光栅操作单元)配置成从图形多处理器3134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31的分区单元3120A-3120N)一起定位。在至少一个实施例中,PreROP 3142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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图形处理集群3114中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络函数和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,图形处理集群3114用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理集群3114用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理集群3114用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理集群3114与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图31D示出了根据至少一个实施例的图形多处理器3134。在至少一个实施例中,图形多处理器3134与处理集群3114的管线管理器3132耦合。在至少一个实施例中,图形多处理器3134具有执行管线,该执行管线包括但不限于指令高速缓存3152、指令单元3154、地址映射单元3156、寄存器文件3158、一个或更多个通用图形处理单元(GPGPU)核心3162和一个或更多个加载/存储单元3166。GPGPU核心3162和加载/存储单元3166与高速缓存存储器3172和共享存储器3170通过存储器和高速缓存互连3168耦合。
在至少一个实施例中,指令高速缓存3152从管线管理器3132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3152中并将其分派以供指令单元3154执行。在一个实施例中,指令单元3154可以分派指令作为线程组(例如,线程束),将线程组的每个线程分配给GPGPU核心3162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3156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3166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3158为图形多处理器3134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3158为连接到图形多处理器3134的功能单元(例如,GPGPU核心3162、加载/存储单元3166)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3158,使得为每个功能单元分配寄存器文件3158的专用部分。在至少一个实施例中,寄存器文件3158在图形多处理器3134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3162可以各自包括用于执行图形多处理器3134的指令的浮点单元(FPU)和/或整数算术逻辑单元(ALU)。GPGPU核心3162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3162的第一部分包括单精度FPU和整数ALU,而GPGPU核心的第二部分包括双精度FPU。在至少一个实施例中,FPU可以实现用于浮点算法的IEEE 754-2008标准或启用可变精度浮点算法。在至少一个实施例中,图形多处理器3134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,例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3162包括能够对多组数据执行单个指令的SIMD逻辑。在一个实施例中,GPGPU核心3162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3168是将图形多处理器3134的每个功能单元连接到寄存器文件3158和共享存储器3170的互连网络。在至少一个实施例中,存储器和高速缓存互连3168是交叉开关互连,其允许加载/存储单元3166在共享存储器3170和寄存器文件3158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3158可以以与GPGPU核心3162相同的频率操作,从而在GPGPU核心3162和寄存器文件3158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3170可以用于启用在图形多处理器3134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3172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3136之间通信的纹理数据。在至少一个实施例中,共享存储器3170也可以用作高速缓存管理的程序。在至少一个实施例中,除了存储在高速缓存存储器3172中的自动高速缓存的数据之外,在GPGPU核心3162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,例如PCIe或NVLink的高速互连)通信地耦合到主机处理器/核心。在至少一个实施例中,GPU可以与核心集成在相同的封装或芯片上,并通过内部处理器总线/互连(即,封装或芯片的内部)通信地耦合到核心。在至少一个实施例中,不管GPU连接的方式如何,处理器核心可以以工作描述符中包含的命令/指令序列的形式向GPU分配工作。在至少一个实施例中,GPU然后使用专用电路/逻辑来有效地处理这些命令/指令。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图形多处理器3134中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,图形多处理器3134用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形多处理器3134用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形多处理器3134用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形多处理器3134与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
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交换机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,主机接口交换机3204是将处理器3202耦合到PCI Express总线的PCI Express交换机设备,处理器3202可以通过PCIExpress总线与GPGPU 3206A-D通信。GPGPU 3206A-D可以经由一组高速P2P 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GPGPU 3206A-D中的每一个。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的其他实例进行通信。虽然在至少一个实施例中,GPGPU 3206A-D经由主机接口交换机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链路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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在多GPU计算系统3200中使用,用于至少部分地基于使用本文描述的神经网络训练操作、神经网络函数和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,多GPU计算系统3200用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,多GPU计算系统3200用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,多GPU计算系统3200用于实现包括鉴别器和生成器的一个或更多个神经网络,并且多GPU计算系统3200与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
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,所述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是集成在多核心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接收多批命令。在至少一个实施例中,输入的命令由管线前端3304中的命令流转化器(streamer)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,用于经由图形核心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,命令流转化器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,命令流转化器3303将命令提供给视频前端3334,该视频前端与媒体引擎3337耦合。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的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包括具有(featuring)模块化核心3380A-3380N(有时被称为核心切片)的可扩展线程执行资源,每个图形核心具有多个子核心3350A-550N,3360A-3360N(有时称为核心子切片)。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-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存存储器和像素操作逻辑。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815可以在图形处理器3300中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,图形处理器3300用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器3300用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器3300用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器3300与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图34是根据至少一个实施例的说明用于处理器3400的微架构的框图,该处理器3400可以包括用于执行指令的逻辑电路。在至少一个实施例中,处理器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3410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3410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,跟踪高速缓存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ROM3432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。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”。分配器/寄存器重命名器3440分配每个微指令按序列执行所需要的机器缓冲区和资源。在至少一个实施例中,分配器/寄存器重命名器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可以在主时钟循环的每个一半上调度,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循环调度一次。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ALU 3420、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ALU 3416、3418可以以半个时钟循环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AGU 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ALU3416、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那些(从程序员的角度)。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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,可以将推理和/或训练逻辑1815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,执行块3411的ALU用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,执行块3411的ALU用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,执行块3411的ALU用于实现包括鉴别器和生成器的一个或更多个神经网络,并且执行块3411的ALU与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图35示出了根据至少一个实施例的深度学习应用程序处理器3500。在至少一个实施例中,深度学习应用程序处理器3500使用指令,如果由深度学习应用程序处理器3500执行,则指令使深度学习应用程序处理器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,深度学习应用程序处理器3500是专用集成电路(ASIC)。在至少一个实施例中,应用程序处理器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,深度学习应用程序处理器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)、第二代高带宽存储器(“HBM2”)3540(1)-3540(4)、存储器控制器(“Mem Ctrlr”)3542(1)-3542(4)、高带宽存储器物理层(“HBM PHY”)3544(1)-3544(4)、管理控制器中央处理单元(“管理控制器CPU”)3550、串行外围设备接口、内部集成电路和通用输入/输出块(“SPI、I2C、GPIO”)3560,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,深度学习应用程序处理器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程序处理器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,深度学习应用程序处理器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。HBM23540(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HBM2 3540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 3360、PCIe控制器3560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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,深度学习应用程序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程序处理器3500的信息。在至少一个实施例中,深度学习应用程序处理器3500用于基于已经由另一处理器或系统或由深度学习应用程序处理器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。
在至少一个实施例中,处理器3500用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,处理器3500用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,处理器3500用于实现包括鉴别器和生成器的一个或更多个神经网络,并且处理器3500与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
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可以使用例如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,并且可以应用程序衰减因子(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程序于神经元输入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,包括扇出到(相同的)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”。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(例如片上网络)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,神经形态处理器3600用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,神经形态处理器3600用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,神经形态处理器3600用于实现包括鉴别器和生成器的一个或更多个神经网络,并且神经形态处理器3600与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图37示出了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,以在移动、手持或嵌入式设备使用。
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的游戏控制台、移动游戏控制台、手持游戏控制台或在线游戏控制台。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还可包括与可穿戴设备耦合或集成在可穿戴设备中,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每个包括一个或更多个处理器核心3707,以处理指令,该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可以各自处理不同的指令集3709,该指令集可以包括有助于仿真其他指令集的指令。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包括高速缓存存储器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更多个级别的内部高速缓存。在至少一个实施例中,高速缓存存储器在处理器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),可以使用已知的高速缓存一致性技术在处理器核心3707之间共享该外部高速缓存。在至少一个实施例中,处理器3702中另外包括寄存器文件3706,处理器可以包括用于存储不同类型的数据的不同类型的寄存器(例如,整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器)。在至少一个实施例中,寄存器文件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在一个实施例中可以是处理器总线,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 Express)、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促进存储器设备与处理系统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总线提供到输入/输出(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、相变存储设备或具有适当的性能以用作处理器存储器。在至少一个实施例中,存储设备3720可以用作处理系统3700的系统存储器,以存储数据3722和指令3721,以在一个或更多个处理器3702执行应用程序或过程时使用。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,其可以与处理器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可以包括内部显示设备中的一个或更多个,例如在移动电子设备或膝上型设备或通过显示器接口(例如显示端口(DisplayPort)等)连接的外部显示设备中。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),例如用于虚拟现实(VR)应用或增强现实(AR)应用中的立体显示设备。
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)或经由外围总线来连接,例如外围组件互连总线(例如,PCI、PCIe)。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、蓝牙收发器或移动网络收发器,例如3G、4G或长期演进(LTE)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,处理系统3700包括可选的传统(legacy)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,该控制器连接输入设备,例如键盘和鼠标3743组合、相机3744或其他USB输入设备。
在至少一个实施例中,存储器控制器3716和平台控制器集线器3730的实例可以集成到离散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/或存储器控制器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可以包括外部存储器控制器3716和平台控制器集线器3730,其可以配置成在与处理器3702通信的系统芯片组中的存储器控制器集线器和外围控制器集线器。
推理和/或训练逻辑1815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。下文结合图18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1815可以结合到图形处理器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一个或更多个ALU,所述ALU体现在3D管线3712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18A或图18B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,其配置图形处理器3700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,图形处理器3700用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器3700用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器3700用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器3700与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图38是根据至少一个实施例的具有一个或更多个处理器核心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可以包含附加核心,多达并包括以虚线框表示的附加核心3802N。在至少一个实施例中,每个处理器核心3802A-3802N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可以包括每个处理器核心内的至少一级指令和数据高速缓存以及共享中级高速缓存中的一级或更多级缓存,例如2级(L2)、3级(L3)、4级(L4)或其他级别的高速缓存,其中将外部存储器之前的最高级别的高速缓存归类为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PCIe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包括对多线程同时进行的支持。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可以另外包括电源控制单元(PCU),该电源控制单元包括用于调节处理器核心3802A-3802N和图形处理器3808的一个或更多个电源状态的逻辑和组件。
在至少一个实施例中,处理器3800还包括用于执行图处理操作的图形处理器3808。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更多个耦合的显示器的显示器控制器3811。在至少一个实施例中,显示器控制器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,包括促进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构核心。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执行公共指令集,而一个或更多个其他处理器核心3802A-3802N执行公共指令集的子集或不同指令集。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可以在一个或更多个芯片上实现或被实现为SoC集成电路。
推理和/或训练逻辑1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1815可以结合到图形处理器3808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一个或更多个ALU,所述ALU体现在图38中的3D管线3712、一个或更多个图形核心3815A、共享功能逻辑3816、一个或更多个图形核心3815B、共享功能逻辑3820、或其他逻辑中。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18A或图18B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,其配置图形处理器3810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,图形处理器3810用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器3810用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器3810用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器3810与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图39是图形处理器3900的框图,该图形处理器可以是分立的图形处理单元,或者可以是与多个处理核心集成的图形处理器。在至少一个实施例中,图形处理器3900经由存储器映射的I/O接口与图形处理器3900上的寄存器以及放置在存储器中的命令进行通信。在至少一个实施例中,图形处理器3900包括用于访问存储器的存储器接口3914。在至少一个实施例中,存储器接口3914是到本地存储器、一个或更多个内部高速缓存、一个或更多个共享的外部高速缓存和/或到系统存储器的接口。
在至少一个实施例中,图形处理器3900还包括用于将显示输出数据驱动到显示设备3920的显示控制器3902。在至少一个实施例中,显示控制器3902包括用于显示设备3920的一个或更多个覆盖平面的硬件以及多层视频或用户接口元素的组合。在至少一个实施例中,显示设备3920可以是内部或外部显示设备。在至少一个实施例中,显示设备3920是头戴式显示设备,例如虚拟现实(VR)显示设备或增强现实(AR)显示设备。在至少一个实施例中,图形处理器3900包括视频编解码器引擎3906,以将媒体编码、解码或转码为一种或更多种媒体编码格式,从一种或更多种媒体编码格式编码、解码或转码,或在一种或更多种媒体编码格式之间进行编码、解码或转码,所述媒体编码格式包括但不限于运动图像专家组(MPEG)格式(例如MPEG-2),高级视频编码(AVC)格式(例如H.264/MPEG-4AVC,以及美国电影电视工程师协会(SMPTE)421M/VC-1)和联合图像专家组(JPEG)格式(例如JPEG)和MotionJPEG(MJPEG)格式。
在至少一个实施例中,图形处理器3900包括块图像传送(BLIT)引擎3904,以执行二维(2D)光栅化器操作,包括例如位边界块传送。但是,在至少一个实施例中,使用图形处理引擎(GPE)3910的一个或更多个组件来执行2D图形操作。在至少一个实施例中,GPE 3910是用于执行图形操作(包括三维(3D)图形操作和媒体操作)的计算引擎。
在至少一个实施例中,GPE 3910包括用于执行3D操作的3D管线3912,例如使用对3D图元形状(例如,矩形、三角形等)进行操作的处理功能来渲染三维图像和场景。3D管线3912包括执行各种任务和/或产生到3D/媒体子系统3915的执行线程的可编程和固定功能元素。虽然3D管线3912可用于执行媒体操作,但是在至少一个实施例中,GPE 3910还包括媒体管线3916,其用于执行媒体操作,例如视频后处理和图像增强。
在至少一个实施例中,媒体管线3916包括固定功能或可编程逻辑单元,用于执行一种或更多种专门的媒体操作,例如视频解码加速,视频去隔行和视频编码加速,代替或代表视频编解码器引擎3906。在至少一个实施例中,媒体管线3916还包括线程产生单元,用于产生线程以在3D/媒体子系统3915上执行。在至少一个实施例中,产生的线程在3D/媒体子系统3915中包含的一个或更多个图形执行单元上执行媒体操作的计算。
在至少一个实施例中,3D/媒体子系统3915包括用于执行3D管线3912和媒体管线3916产生的线程的逻辑。在至少一个实施例中,3D管线3912和媒体管线3916将线程执行请求发送到3D/媒体子系统3915,其包括用于仲裁各种请求并将其分派给可用线程执行资源的线程分派逻辑。在至少一个实施例中,执行资源包括用于处理3D和媒体线程的图形执行单元的阵列。在至少一个实施例中,3D/媒体子系统3915包括用于线程指令和数据的一个或更多个内部高速缓存。在至少一个实施例中,子系统3915还包括共享存储器,其包括寄存器和可寻址存储器,以在线程之间共享数据并存储输出数据。
推理和/或训练逻辑1815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。下文结合图18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,可以将推理和/或训练逻辑1815的部分或全部合并到处理器3900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3912中包含的一个或更多个ALU。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图18A或图18B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,其配置图形处理器3900的ALU以执行一种或更多种机器学习算法、神经网络架构、用例或本文描述的训练技术。
在至少一个实施例中,图形处理器3910用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器3910用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器3910用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器3910与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图40是根据至少一个实施例的图形处理器的图形处理引擎4010的框图。在至少一个实施例中,图形处理引擎(GPE)4010是图39中所示的GPE 3910的版本。在至少一个实施例中,媒体管线3916是可选的,并且可以不显式地包括在GPE 4010中。在至少一个实施例中,单独的媒体和/或图像处理器耦合到GPE 4010。
在至少一个实施例中,GPE 4010耦合到或包括命令流转化器4003,其向3D管线3912和/或媒体管线3916提供命令流。在至少一个实施例中,命令流转化器4003耦合到存储器,所述存储器可以是系统存储器,也可以是内部高速缓存存储器和共享高速缓存存储器中的一个或更多个。在至少一个实施例中,命令流转化器4003从存储器接收命令,并且将命令发送到3D管线3912和/或媒体管线3916。在至少一个实施例中,命令是从环形缓冲区中获取的指令、基元或微操作,该环形缓冲区存储用于3D管线3912和媒体管线3916的命令。在至少一个实施例中,环形缓冲区还可以包括存储各批多个命令的批命令缓冲区。在至少一个实施例中,用于3D管线3912的命令还可以包括对存储在存储器中的数据的引用,例如但不限于用于3D管线3912的顶点和几何数据和/或用于媒体管线3916的图像数据和存储器对象。在至少一个实施例中,3D管线3912和媒体管线3916通过执行操作或通过将一个或更多个执行线程分派到图形核心阵列4014,来处理命令和数据。在至少一个实施例中,图形核心阵列4014包括一个或更多个图形核心块(例如,一个或更多个图形核心4015A、一个或更多个图形核心4015B),每个块包括一个或更多个图形核心。在至少一个实施例中,每个图形核心包括一组图形执行资源,所述图形执行资源包括通用和图形特定的执行逻辑,用于执行图形和计算操作,以及固定功能纹理处理和/或机器学习和人工智能加速逻辑,包括图18A和图18B中的推理和/或训练逻辑1815。
在至少一个实施例中,3D管线3912包括固定功能和可编程逻辑,用于通过处理指令并将执行线程分派到图形核心阵列4014,来处理一个或更多个着色器程序,例如顶点着色器、几何着色器、像素着色器、片段着色器、计算着色器或其他着色器程序。在至少一个实施例中,图形核心阵列4014提供统一的执行资源块,所述执行资源块用于处理着色器程序。在至少一个实施例中,在图形核心阵列4014的图形核心4015A-4015B内的多用途执行逻辑(例如,执行单元)包括对各种3D API着色器语言的支持,并且可以执行与多个着色器关联的多个同时执行线程。
在至少一个实施例中,图形核心阵列4014还包括执行逻辑,用于执行媒体功能,例如视频和/或图像处理。在至少一个实施例中,除了图形处理操作之外,执行单元还包括可编程以执行并行通用计算操作的通用逻辑。
在至少一个实施例中,输出数据可以将数据输出到统一返回缓冲区(URB)4018中的存储器,所述输出数据由在图形核心阵列4014上执行的线程生成。URB 4018可以存储多个线程的数据。在至少一个实施例中,URB 4018可以用于在图形核心阵列4014上执行的不同线程之间发送数据。在至少一个实施例中,URB 4018还可用于图形核心阵列4014上的线程与共享功能逻辑4020内的固定功能逻辑之间的同步。
在至少一个实施例中,图形核心阵列4014是可缩放的,使得图形核心阵列4014包括可变数量的图形核心,每个图形核心具有基于GPE 4010的目标功率和性能水平的可变数量的执行单元。在至少一个实施例中,执行资源是动态可伸缩的,使得执行资源可以根据需要被启用或禁用。
在至少一个实施例中,图形核心阵列4014耦合到共享功能逻辑4020,该共享功能逻辑包括在图形核心阵列4014中的图形核心之间共享的多个资源。在至少一个实施例中,由共享功能逻辑4020执行的共享功能体现在向图形核心阵列4014提供专门的补充功能的硬件逻辑单元中。在至少一个实施例中,共享功能逻辑4020包括但不限于采样器4021、数学4022和线程间通信(ITC)4023逻辑。在至少一个实施例中,一个或更多个高速缓存4025被包括在或耦合到共享功能逻辑4020中。
在至少一个实施例中,如果对专用功能的需求不足以包含在图形核心阵列4014中,则使用共享功能。在至少一个实施例中,专用功能的单个实例在共享功能逻辑4020中使用,并且在图形核心阵列4014内的其他执行资源之间共享。在至少一个实施例中,特定共享功能可以包括在图形核心阵列4014内的共享功能逻辑4016内,所述特定共享功能在图形核心阵列4014广泛使用的共享功能逻辑4020内。在至少一个实施例中,图形核心阵列4014内的共享功能逻辑4016可包括共享功能逻辑4020内的一些或全部逻辑。在至少一个实施例中,共享功能逻辑4020内的所有逻辑元件可在图形核心阵列4014的共享功能逻辑4016内复制。在至少一个实施例中,排除共享功能逻辑4020,以支持图形核心阵列4014内的共享功能逻辑4016。
推理和/或训练逻辑1815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。下文结合图18A和/或18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1815可以结合到图形处理器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一个或更多个ALU,所述ALU体现在图40中的3D管线3912、一个或更多个图形核心4015A、共享功能逻辑4016、一个或更多个图形核心4015B、共享功能逻辑4020或其他逻辑中。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18A或图18B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,其配置图形处理器4010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,图形处理器4010用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器4010用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器4010用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器4010与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图41是根据本文所述的至少一个实施例的图形处理器核心4100的硬件逻辑的框图。在至少一个实施例中,图形处理器核心4100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4100(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4100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4100可以包括与多个子核心4101A-4101F耦合的固定功能块4130,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4130包括几何/固定功能管线4136,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4136可以由图形处理器4100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4136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4130还包括图形SoC接口4137、图形微控制器4138和媒体管线4139。图形SoC接口4137提供了图形核心4100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4138是可编程子处理器,其可配置为管理图形处理器4100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4139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4139经由对子核心4101-4101F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4137使图形核心4100能够与通用应用程序处理器核心(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,例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4137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4100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4137还可以实现用于图形核心4100的电源管理控制,并且启用图形核心4100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4137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4139,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4136,几何形状和固定功能管线4114)。
在至少一个实施例中,图形微控制器4138可以配置为对图形核心4100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4138可以在子核心4101A-4101F中的执行单元(EU)阵列4102A-4102F、4104A-4104F内的各种图形并行引擎上执行图形和/或计算工作加载调度。在至少一个实施例中,在包括图形核心4100的SoC的CPU核心上执行的主机软件可以向多个图形处理器门铃之一提交工作加载,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加载、将工作加载提交给命令流转化器、抢先在引擎上运行的现有工作加载、监控工作加载的进度以及在工作加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4138还可以促进图形核心4100的低功率或空闲状态,从而为图形核心4100提供在图形核心4100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4100可以具有比所示的子核心4101A-4101F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4100还可以包括共享功能逻辑4110、共享和/或高速缓存存储器4112、几何/固定功能管线4114以及附加的固定功能逻辑4116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4110可以包括可由图形核心4100内的每个N个子核心共享的逻辑单元(例如,采样器、数学和/或线程间通信逻辑)。共享和/或高速缓存存储器4112可以是图形核心4100内的N个子核心4101A-4101F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4114来代替固定功能块4130内的几何/固定功能管线4136,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4100包括附加的固定功能逻辑4116,其可以包括供图形核心4100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4116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4116、4136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4116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4116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4116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4101A-4101F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4101A-4101F包括多个EU阵列4102A-4102F、4104A-4104F,线程分派和线程间通信(TD/IC)逻辑4103A-4103F,3D(例如,纹理)采样器4105A-4105F,媒体采样器4106A-4106F,着色器处理器4107A-4107F和共享本地存储器(SLM)4108A-4108F。EU阵列4102A-4102F、4104A-4104F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4103A-4103F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4105A-4105F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4106A-4106F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4101A-4101F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4101A-4101F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4108A-4108F,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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815的部分或全部可以被合并到图形处理器4110中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用在3D管线4110、图形微控制器4138、几何和固定功能管线4114和4136或图38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18A或图18B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,其配置图形处理器4100的ALU以执行一种或更多种本文介绍的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,图形处理器4110用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,图形处理器4110用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,图形处理器4110用于实现包括鉴别器和生成器的一个或更多个神经网络,并且图形处理器4110与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图42A-图42B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4200。图42A示出了至少一个实施例,其中使用了线程执行逻辑4200。图42B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42A中所示,在至少一个实施例中,线程执行逻辑4200包括着色器处理器4202、线程分派器4204、指令高速缓存4206、包括多个执行单元4208A-4208N的可缩放执行单元阵列、采样器4210、数据高速缓存4212和数据端口4214。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加载的计算要求,通过启用或禁用一个或更多个执行单元(例如,执行单元4208A,4208B,4208C,4208D,至4208N-1和4208N中的任意一个)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4200包括通过指令高速缓存4206、数据端口4214、采样器4210和执行单元4208A-4208N中的一个或更多个到存储器(例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4208A)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4208A-4208N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4208A-4208N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4202可以处理各种着色器程序并经由线程分派器4204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4204包括用于仲裁来自图形和媒体管线的线程初始化请求以及在执行单元4208A-4208N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4204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4208A-4208N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转换即可执行。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4208A-4208N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4208A-4208N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4208A-4208N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4208A-4208N支持整数和浮点数据类型。
在至少一个实施例中,执行单元指令集包括SIMD指令。在至少一个实施例中,各种数据元素可以作为封装数据类型存储在寄存器中,并且执行单元将基于那些元素的数据大小来处理各种元素。例如,在至少一个实施例中,当对256位宽的向量进行操作时,将向量的256位存储在寄存器中,并且执行单元对向量进行操作,作为四个单独的64位封装数据元素(四字(QW)大小数据元素)、八个单独的32位封装数据元素(双字(DW)大小数据元素)、十六个单独的16位封装数据元素(单词(W)大小数据元素)或三十二个单独的8位数据元素(字节(B)大小的数据元素)。然而,在至少一个实施例中,不同的向量宽度和寄存器大小是可能的。
在至少一个实施例中,一个或更多个执行单元可以被组合成具有执行对于融合EU共用的线程控制逻辑(4207A-4207N)的融合执行单元4209A-4209N。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组中的每一EU的数量可以配置为执行单独的SIMD硬件线程。融合的EU组中的EU的数量可以根据各个实施例而变化。在至少一个实施例中,每个EU可以执行各种SIMD宽度,包括但不限于SIMD8、SIMD16和SIMD32。在至少一个实施例中,每个融合图形执行单元4209A-4209N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4209A包括第一EU 4208A、第二EU 4208B以及第一EU4208A和第二EU 4208B共用的线程控制逻辑4207A。在至少一个实施例中,线程控制逻辑4207A控制在融合图形执行单元4209A上执行的线程,从而允许融合执行单元4209A-4209N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4206)被包括在线程执行逻辑4200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4212)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4210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4210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4200。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4202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4202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4202经由线程分派器4204将线程分派到执行单元(例如4208A)。在至少一个实施例中,着色器处理器4202使用采样器4210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4214提供了一种用于线程执行逻辑4200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4214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4212)以高速缓存数据以便经由数据端口进行存储器访问。
如图42B所示,在至少一个实施例中,图形执行单元4208可以包括指令获取单元4237、通用寄存器文件阵列(GRF)4224、架构寄存器文件阵列(ARF)4226、线程仲裁器4222、发送单元4230、分支单元4232、一组SIMD浮点单元(FPU)4234,以及在至少一个实施例中,一组专用整数SIMD ALU 4235。GRF 4224和ARF 4226包括一组与可以在图形执行单元4208中活跃的每个同时硬件线程相关联的通用寄存器文件和架构寄存器文件。在至少一个实施例中,在ARF 4226中维护每个线程架构状态,而在线程执行期间使用的数据存储在GRF 4224中。在至少一个实施例中,每个线程的执行状态,包括每个线程的指令指针,可以被保存在ARF 4226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4208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4208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4208的线程仲裁器4222可以将指令分派到发送单元4230、分支单元4242或SIMD FPU 4234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 4224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 4224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 4224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4230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4232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4208包括一个或更多个SIMD浮点单元(FPU)4234,以执行浮点操作。在至少一个实施例中,一个或更多个FPU 4234还支持整数计算。在至少一个实施例中,一个或更多个FPU 4234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,至少一个FPU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 4235,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4208的多个实例的阵列。在至少一个实施例中,执行单元4208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4208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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,推理和/或训练逻辑1815的部分或全部可以被结合到执行逻辑4200中。此外,在至少一个实施例中,可以使用除了图18A或图18B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4200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,执行逻辑4200用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,执行逻辑4200用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,执行逻辑4200用于实现包括鉴别器和生成器的一个或更多个神经网络,并且执行逻辑4200与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图43示出了根据至少一个实施例的并行处理单元(“PPU”)4300。在至少一个实施例中,PPU 4300配置有机器可读代码,该机器可读代码如果由PPU 4300执行,则使得PPU4300执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中,PPU 4300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 4300执行的一组指令的实例。在至少一个实施例中,PPU 4300是图形处理单元(“GPU”),图形处理单元配置为实现用于处理三维(“3D”)图形数据的图形渲染管线,以便生成用于在显示设备(例如液晶显示器(“LCD”)设备)上显示的二维(“2D”)图像数据。在至少一个实施例中,PPU 4300用于执行计算,例如线性代数运算和机器学习运算。图43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 4300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,PPU4300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 4300包括但不限于输入/输出(“I/O”)单元4306、前端单元4310、调度器单元4312、工作分配单元4314、集线器4316、交叉开关(“Xbar”)4320、一个或更多个通用处理集群(“GPC”)4318和一个或更多个分区单元(“存储器分区单元”)4322。在至少一个实施例中,PPU 4300通过一个或更多个高速GPU互连(“GPU互连”)4308连接到主机处理器或其他PPU 4300。在至少一个实施例中,PPU 4300通过互连4302连接到主机处理器或其他外围设备。在一实施例中,PPU 4300连接到包括一个或更多个存储器设备(“存储器”)4304的本地存储器。在至少一个实施例中,存储器设备4304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4308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PPU 4300(“CPU”),支持PPU 4300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4308通过集线器4316将数据和/或命令传输到PPU 4300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43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4306配置为通过系统总线4302从主机处理器(图43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4306直接通过系统总线4302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4306可以经由系统总线4302与一个或更多个其他处理器(例如一个或更多个PPU 4300)通信。在至少一个实施例中,I/O单元4306实现外围组件互连Express(“PCIe”)接口,用于通过PCIe总线进行通信。在至少一个实施例中,I/O单元4306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4306对经由系统总线4302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PPU4300执行各种操作的命令。在至少一个实施例中,I/O单元4306如命令所指定的那样将解码的命令发送到PPU 4300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4310和/或被发送到集线器4316或PPU4300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43中未明确示出)。在至少一个实施例中,I/O单元4306配置为在PPU 4300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,该缓冲区将工作加载提供给PPU 4300以进行处理。在至少一个实施例中,工作加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PPU4300两者访问(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4306通过系统总线4302传输的存储器请求连接到系统总线4302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 4300,使得前端单元4310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 4300的各个单元。
在至少一个实施例中,前端单元4310耦合到调度器单元4312,该调度器单元4312配置各种GPC 4318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4312配置为跟踪与调度器单元4312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 4318,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4312管理在一个或更多个GPC 4318上执行的多个任务。
在至少一个实施例中,调度器单元4312耦合到工作分配单元4314,该工作分配单元4314配置为分派任务以在GPC 4318上执行。在至少一个实施例中,工作分配单元4314跟踪从调度器单元4312接收到的多个调度任务并且工作分配单元4314管理每个GPC 4318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 4318处理的任务;活动任务池可包括用于由GPC 4318主动处理的任务的多个时隙(例如4个时隙),以使随着GPC 4318中的一个完成任务的执行,该任务将从GPC 4318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GPC4318上执行。在至少一个实施例中,如果活动任务在GPC 4318上处于空闲状态,例如在等待数据依赖性解决时,则活动任务从GPC 4318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 4318上执行。
在至少一个实施例中,工作分配单元4314经由XBar 4320与一个或更多个GPC4318通信。在至少一个实施例中,XBar 4320是互连网络,其将PPU 4300的许多单元耦合到PPU 4300的其他单元,并且可以配置为将工作分配单元4314耦合到特定的GPC 4318。在至少一个实施例中,一个或更多个PPU 4300的其他单元也可以通过集线器4316连接到XBar4320。
在至少一个实施例中,任务由调度器单元4312管理,并由工作分配单元4314分配给GPC 4318之一。GPC 4318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 4318中的其他任务消耗,通过XBar4320路由到不同的GPC 4318或存储在存储器4304中。在至少一个实施例中,结果可以通过分区单元4322写到存储器4304中,其实现了用于向存储器4304写入数据或从存储器4304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4308传输到另一PPU 4304或CPU。在至少一个实施例中,PPU 4300包括但不限于U个分区单元4322,其等于耦合到PPU 4300的分离且不同的存储器设备4304的数量。在至少一个实施例中,分区单元4322将在本文结合图45更详细地描述。
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 4300上执行。在一个实施例中,多个计算应用程序由PPU 4300同时执行,并且PPU 4300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 4300执行,并且驱动器核心将任务输出至由PPU 4300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45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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,深度学习应用程序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PPU 4300的信息。在至少一个实施例中,深度学习应用程序处理器4300用于基于已由另一处理器或系统或PPU 4300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 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,PPU 4300用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,PPU 4300用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,PPU 4300用于实现包括鉴别器和生成器的一个或更多个神经网络,并且PPU 4300与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图44示出了根据至少一个实施例的通用处理集群(“GPC”)4400。在至少一个实施例中,GPC 4400是图43的GPC 4318。在至少一个实施例中,每个GPC 4400包括但不限于用于处理任务的多个硬件单元,并且每个GPC 4400包括但不限于管线管理器4402、预光栅操作单元(“PROP”)4404、光栅引擎4408、工作分配交叉开关(“WDX”)4416、存储器管理单元(“MMU”)4418、一个或更多个数据处理集群(“DPC”)4406,以及部件的任何合适组合。
在至少一个实施例中,GPC 4400的操作由管线管理器4402控制。在至少一个实施例中,管线管理器4402管理一个或更多个DPC 4406的配置,以处理分配给GPC 4400的任务。在至少一个实施例中,管线管理器4402配置一个或更多个DPC 4406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 4406配置为在可编程流式多处理器(“SM”)4414上执行顶点着色器程序。在至少一个实施例中,管线管理器4402配置为将从工作分配单元接收的数据包路由到GPC 4400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 4404和/或光栅引擎4408中的固定功能硬件单元,而可以将其他数据包路由到DPC 4406以由原始引擎4412或SM 4414进行处理。在至少一个实施例中,管线管理器4402配置DPC 4406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4404配置为在至少一个实施例中将由光栅引擎4408和DPC 4406生成的数据路由到分区单元4322中的光栅操作(“ROP”)单元,上面结合图43更详细地描述。在至少一个实施例中,PROP单元4404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4408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4408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4408的输出包括将由任何适当的实体(例如,由在DPC 4406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 4400中的每个DPC 4406包括但不限于M管线控制器(“MPC”)4410;图元引擎4412;一个或更多个SM4414;及其任何合适的组合。在至少一个实施例中,MPC 4410控制DPC4406的操作,将从管线管理器4402接收的分组路由到DPC 4406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4412,图元引擎4412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 4414。
在至少一个实施例中,SM 4414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 4414是多线程的并且配置为同时执行来自特定线程组的多个线程(例如32个线程),并且实现单指令、多数据(“SIMD”)架构,其中将一组线程(例如,线程束)中的每个线程配置为基于相同的指令集来处理不同的数据集。在至少一个实施例中,线程组中的所有线程执行相同的指令。在至少一个实施例中,SM 4414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,为每个个体线程维持执行状态,并且执行相同的指令的线程可以被收敛并并行地执行以提高效率。本文更详细地描述SM 4414的至少一个实施例。
在至少一个实施例中,MMU 4418在GPC 4400和存储器分区单元(例如,图43的分区单元4322)之间提供接口,并且MMU 4418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 4418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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,深度学习应用程序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GPC 4400的信息。在至少一个实施例中,GPC 4400用于基于已由另一处理器或系统或GPC 4400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 4400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,GPC 4400用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,GPC 4400用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,GPC 4400用于实现包括鉴别器和生成器的一个或更多个神经网络,并且GPC 4400与一个或更多个过程结合使用,该过程至少通过作为评估训练集中图像的一个或更多个特征的训练的一部分计算一个或更多个损失函数以自监督方式训练一个或更多个神经网络,来识别图像内对象的方向。
图45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4500。在至少一个实施例中,存储器分区单元4500包括但不限于光栅操作(“ROP”)单元4502;二级(“L2”)高速缓存4504;存储器接口4506;及其任何合适的组合。存储器接口4506耦合到存储器。存储器接口4506可以实现32、64、128、1024位数据总线,或者类似的实现方式用于高速数据传输。在至少一个实施例中,PPU包括U个存储器接口4506,每对分区单元4500一个存储器接口4506,其中每对分区单元4500连接到对应的存储器设备。例如,在至少一个实施例中,PPU可以连接至多达Y个存储器设备,例如高带宽存储器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”)。
在至少一个实施例中,存储器接口4506实现高带宽存储器第二代(“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位于相同的物理封装上,与传统的GDDR5SDRAM系统相比,可提供大量功率并节省面积。在至少一个实施例中,每个HBM2堆栈包括但不限于四个存储器管芯,且Y=4,每个HBM2堆栈包括每个管芯两个128位通道,用于总共8个通道和1024位的数据总线宽度。在至少一个实施例中,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。ECC为对数据损坏敏感的计算应用程序提供更高的可靠性。
在至少一个实施例中,PPU实现了多级存储器层次结构。在至少一个实施例中,存储器分区单元4500支持统一存储器以为中央处理单元(“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。在至少一个实施例中,高速GPU互连4308支持地址转换服务,其允许PPU直接访问CPU的页表,并通过PPU提供对CPU存储器的完全访问。
在至少一个实施例中,复制引擎在多个PPU之间或PPU与CPU之间传输数据。在至少一个实施例中,复制引擎可以为未被映射到页表中的地址生成页面错误,并且存储器分区单元4500然后为页面错误提供服务,将地址映射到页表中,之后复制引擎执行传输。在至少一个实施例中,为多个处理器之间的多个复制引擎操作固定(即不可分页)存储器,从而实质上减少了可用存储器。在至少一个实施例中,在硬件页面故障的情况下,可以将地址传递给复制引擎,而无需考虑是否驻留存储器页,并且复制过程是透明的。
根据至少一个实施例,来自图43的存储器4304或其他系统存储器的数据由存储器分区单元4500获取,并将其存储在L2高速缓存4504中,L2高速缓存4504位于芯片上并且在各种GPC之间共享。在至少一个实施例中,每个存储器分区单元4500包括但不限于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。在至少一个实施例中,每个SM 4414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 4414的私有存储器,并且从L2高速缓存4504中获取数据并将其存储在每个L1高速缓存中,用于在SM 4414的功能单元中进行处理。在至少一个实施例中,L2高速缓存4504耦合到存储器接口4506和XBar 4320。
在至少一个实施例中,ROP单元4502执行与像素颜色有关的图形光栅操作,例如颜色压缩、像素混合等。在至少一个实施例中,ROP单元4502结合光栅引擎4408实施深度测试,从光栅引擎4408的剔除引擎接收与像素片段相关联的样本位置的深度。在至少一个实施例中,针对在与片段关联的样本位置的深度缓冲区中的相应深度测试深度。在至少一个实施例中,如果片段通过了针对样本位置的深度测试,则ROP单元4502更新深度缓冲区,并将深度测试的结果发送给光栅引擎4408。将意识到,分区单元4500的数量可以不同于GPC的数量,因此,可以在至少一个实施例中将每个ROP单元4502耦合到每个GPC。在至少一个实施例中,ROP单元4502追踪从不同GPC接收到的分组,并且确定ROP单元4502生成的哪个结果要通过XBar 4320路由到。
图46示出了根据至少一个实施例的流式多处理器(“SM”)4600。在至少一个实施例中,SM 4600是图44的SM。在至少一个实施例中,SM 4600包括但不限于指令高速缓存4602;一个或更多个调度器单元4604;寄存器文件4608;一个或更多个处理核心(“核心”)4610;一个或更多个特殊功能单元(“SFU”)4612;一个或更多个加载/存储单元(“LSU”)4614;互连网络4616;共享存储器/一级(“L1”)高速缓存4618;和/或其任何合适的组合。在至少一个实施例中,工作分配单元调度任务以在并行处理单元(“PPU”)的通用处理集群(“GPC”)上执行,并且每个任务被分配给GPC内部的特定数据处理集群(“DPC”),并且如果任务与着色器程序相关联,则将任务分配给SM 4600之一。在至少一个实施例中,调度器单元4604从工作分配单元接收任务并管理分配给SM 4600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4604调度线程块以作为并行线程的线程束来执行,其中每个线程块被分配至少一个线程束。在至少一个实施例中,每个线程束执行线程。在至少一个实施例中,调度器单元4604管理多个不同的线程块,将线程束分配给不同的线程块,然后在每个时钟循环内将来自多个不同的协作组的指令分派给各种功能单元(例如,处理核心4610、SFU 4612和LSU 4614)。
在至少一个实施例中,协作组可以指用于组织通信线程组的编程模型,其允许开发者表达线程正在通信的粒度,从而能够表达更丰富、更有效的并行分解。在至少一个实施例中,协作启动API支持线程块之间的同步以执行并行算法。在至少一个实施例中,常规编程模型的应用程序提供了用于同步协作线程的单一、简单的构造:跨线程块的所有线程的屏障(例如,syncthreads()函数)。但是,在至少一个实施例中,程序员可以在小于线程块粒度的情形下来定义线程组,并在所定义的组内进行同步,以实现更高的性能、设计灵活性以及以集合组范围功能接口的形式实现软件重用。在至少一个实施例中,协作组使程序员能够以子块(即,小到单个线程)和多块粒度明确定义线程组,并执行集合操作,例如对协作组中的线程进行同步。编程模型支持跨软件边界的干净组合,从而库和实用程序功能可以在其本地环境中安全地同步,而不必进行关于收敛的假设。在至少一个实施例中,协作组图元使协作并行的新图案成为可能,包括但不限于生产者-消费者并行,机会主义并行以及整个线程块网格上的全局同步。
在至少一个实施例中,分派单元4606配置为将指令发送到功能单元中的一个或更多个,并且调度器单元4604包括但不限于两个分派单元4606,该两个分派单元4606使得来自相同的线程束的两个不同指令能够在每个时钟循环被调度。在至少一个实施例中,每个调度器单元4604包括单个分派单元4606或附加分派单元4606。
在至少一个实施例中,每个SM 4600在至少一个实施例中包括但不限于寄存器文件4608,该寄存器文件4608为SM 4600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4608在每个功能单元之间划分,从而为每个功能单元分配寄存器文件4608的专用部分。在至少一个实施例中,寄存器文件4608在由SM 4600执行的不同线程束之间划分,并且寄存器文件4608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 4600包括但不限于多个L个处理核心4610。在至少一个实施例中,SM4600包括但不限于大量(例如128个或更多)不同的处理核心4610。在至少一个实施例中,每个处理核心4610,在至少一个实施例中,包括但不限于全管线、单精度、双精度和/或混合精度处理单元,其包括但不限于浮点算术逻辑单元和整数算术逻辑单元。在至少一个实施例中,浮点算术逻辑单元实现用于浮点算术的IEEE 754-2008标准。在至少一个实施例中,处理核心4610包括但不限于64个单精度(32位)浮点核心、64个整数核心、32个双精度(64位)浮点核心和8个张量核心。
根据至少一个实施例,张量核心配置为执行矩阵运算。在至少一个实施例中,一个或更多个张量核心包括在处理核心4610中。在至少一个实施例中,张量核心配置为执行深度学习矩阵算术,例如用于神经网络训练和推理的卷积运算。在至少一个实施例中,每个张量核心在4×4矩阵上操作并且执行矩阵乘法和累加运算D=A×B+C,其中A、B、C和D是4×4矩阵。
在至少一个实施例中,矩阵乘法输入A和B是16位浮点矩阵,并且累加矩阵C和D是16位浮点或32位浮点矩阵。在至少一个实施例中,张量核心对16位浮点输入数据进行32位浮点累加运算。在至少一个实施例中,16位浮点乘法使用64个运算,并得到全精度乘积,然后使用32位浮点加法与其他中间乘积累加起来,以进行4x4x4矩阵乘法。在至少一个实施例中,张量核心用于执行由这些较小元件构成的更大的二维或更高维度的矩阵运算。在至少一个实施例中,API(例如CUDA 9C++API)公开专门的矩阵加载、矩阵乘法和累加以及矩阵存储操作,以有效地使用来自CUDA-C++程序的张量核心。在至少一个实施例中,在CUDA级别,线程束级别接口假定跨越所有32个线程束线程的16×16大小的矩阵。
在至少一个实施例中,每个SM 4600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 4612。在至少一个实施例中,SFU 4612包括但不限于配置为遍历分层树数据结构的树遍历单元。在至少一个实施例中,SFU 4612包括但不限于配置为执行纹理映射过滤操作的纹理单元。在至少一个实施例中,纹理单元配置为从存储器中加载纹理映射(例如,纹理像素的2D阵列)和采样纹理映射,以产生采样的纹理值以供由SM 4600执行的着色器程序使用。在至少一个实施例中,将纹理映射存储在共享存储器/L1高速缓存4618中。在至少一个实施例中,根据至少一个实施例,纹理单元使用mip映射(mip-maps)(例如,细节级别不同的纹理映射)来实现纹理操作(例如过滤操作)。在至少一个实施例中,每个SM 4600包括但不限于两个纹理单元。
在至少一个实施例中,每个SM 4600包括但不限于实现共享存储器/L1高速缓存4618与寄存器文件4608之间的加载和存储操作的N个LSU4614。在至少一个实施例中,每个SM 4600包括但不限于互连网络4616,该互连网络将每个功能单元连接到寄存器文件4608,并且LSU 4614连接到寄存器文件4608和共享存储器/L1高速缓存4618。在至少一个实施例中,互连网络4616是交叉开关,其可以配置为将任何功能单元连接到寄存器文件4608中的任何寄存器,并且将LSU 4614连接到寄存器文件4608和共享存储器/L1高速缓存4618中的存储器位置。
在至少一个实施例中,共享存储器/L1高速缓存4618是片上存储器的阵列,其在至少一个实施例中允许SM 4600与图元引擎之间以及SM4600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/L1高速缓存4618包括但不限于128KB的存储容量,并且位于从SM 4600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4618在至少一个实施例中用于高速缓存读取和写入。在至少一个实施例中,共享存储器/L1高速缓存4618、L2高速缓存和存储器中的一个或更多个是后备存储。
在至少一个实施例中,将数据高速缓存和共享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,容量由不使用共享存储器的程序使用或将其用作高速缓存,例如如果共享存储器配置为使用一半容量,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4618内的集成使共享存储器/L1高速缓存4618能够用作用于流传输数据的高吞吐量管线,同时提供对频繁重用的数据的高带宽和低延迟访问。在至少一个实施例中,当配置用于通用并行计算时,与图形处理相比,可以使用更简单的配置。在至少一个实施例中,绕过固定功能图形处理单元,从而创建了更加简单的编程模型。在至少一个实施例中,在通用并行计算配置中,工作分配单元直接将线程的块分配和分布给DPC。在至少一个实施例中,块中的线程执行相同的程序,在计算中使用唯一的线程ID以确保每个线程生成唯一的结果,使用SM 4600执行程序并执行计算,使用共享存储器/L1高速缓存4618在线程之间进行通信,以及使用LSU 4614通过共享存储器/L1高速缓存4618和存储器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 4600向调度器单元4604写入可以用来在DPC上启动新工作的命令。
在至少一个实施例中,PPU被包括在台式计算机、膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如,无线、手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备等中或与之耦合。在至少一个实施例中,PPU被实现在单个半导体衬底上。在至少一个实施例中,PPU与一个或更多个其他设备(例如附加的PPU、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。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1815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18A和/或图18B提供关于推理和/或训练逻辑1815的细节。在至少一个实施例中,深度学习应用程序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SM 4600的信息。在至少一个实施例中,SM 4600用于基于已由另一处理器或系统或由SM4600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,SM 4600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,SM 4600用于实现鉴别器,该鉴别器被训练以从输入图像推理视点和外观属性集。在至少一个实施例中,SM 4600用于实现生成器,该生成器被训练以基于输入视点和输入的外观参数集生成图像。在至少一个实施例中,SM 4600用于实现包括鉴别器和生成器的一个或更多个神经网络,并且SM 4600与一个或更多个过程结合使用,该过程通过至少计算一个或更多个损失函数作为评估训练集图像的一个或更多个特征的训练的一部分,训练一个或更多个神经网络以自监督的方式识别图像内对象的方向。
可以根据以下条款描述本公开的至少一个实施例:
条款1.一种处理器,包括:一个或更多个电路,用于帮助训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向。
条款2.如条款1所述的处理器,其中所述一个或更多个电路用于帮助在与所述图像相同类别的图像集合上训练所述一个或更多个神经网络。
条款3.如条款1或2所述的处理器,其中针对所述图像集合的至少一部分,真值注释是不可用的。
条款4.如条款1-3中任一项所述的处理器,其中所述对象的所述一个或更多个特征包括所述对象的所述图像和所述对象的翻转图像之间的对称一致性。
条款5.如条款1-4中任一项所述的处理器,其中一个或更多个电路用于帮助训练所述一个或更多个神经网络以生成具有第二方向的所述对象的第二图像。
条款6.如条款1-5中任一项所述的处理器,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
条款7.一种系统,包括:
一个或更多个处理器,用于计算参数以帮助训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向;以及
一个或更多个存储器,用于存储所述参数。
条款8.如条款7所述的系统,其中用于计算所述参数以帮助训练所述一个或更多个神经网络的所述一个或更多个处理器用于帮助在与所述对象相同类别的不同对象的图像集合上训练所述一个或更多个神经网络。
条款9.如条款7或8所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取输入图像;
使用鉴别器来确定至少预测的视点和预测的外观参数集;
使用生成器至少部分地基于所述预测的视点和所述预测的外观参数集来创建合成图像;以及
至少部分地基于所述输入图像和所述合成图像计算视点一致性损失。
条款10.如条款7-9中任一项所述的系统,其中所述输入图像是真实图像。
条款11.如条款7-10中任一项所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取第一视点和第一外观参数集;
使用生成器至少部分地基于所述第一视点和所述第一外观参数集来创建合成图像;
使用鉴别器基于所述合成图像来预测第二视点和第二外观参数集;
至少部分地基于所述第一视点和所述第二视点计算视点一致性损失;以及
至少部分地基于所述第一图像和所生成的合成图像计算重建损失。
条款12.如条款7-11中任一项所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
使用生成器至少部分地基于第一视点和外观参数集来创建第一合成图像;
对所述第一视点执行变换,以得到第二视点;
使用所述生成器至少部分地基于所述第二视点和所述外观参数集来创建第二合成图像;以及
至少部分地基于所述第一合成图像和所述第二合成图像计算对称损失。
条款13.如条款7-12中任一项所述的系统,其中所述变换水平翻转所述第一视点以获得所述第二视点。
条款14.一种方法,包括:训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向。
条款15.如条款14所述的方法,其中训练所述一个或更多个神经网络包括:以自监督方式在与所述图像内的对象相同类别的不同对象的图像集合上训练所述一个或更多个神经网络。
条款16.如条款14或15所述的方法,其中以所述自监督方式训练所述一个或更多个神经网络包括:使用损失函数集来评估所述对象的方向以外的所述对象的所述一个或更多个特征。
条款17.如条款14-16中任一项所述的方法,其中所述对象属于第一类别,并且所述方法还包括:训练所述一个或更多个神经网络以使用第二图像集合来识别第二对象的第二方向,其中:
所述第二对象属于不同于所述第一类别的第二类别;以及
所述第二图像集合属于与所述第二对象不同的第二类别的对象。
条款18.如条款14-17中任一项所述的方法,其中以所述自监督方式训练所述一个或更多个神经网络包括:训练所述一个或更多个神经网络以至少:
获取输入图像;
使用鉴别器从所述输入图像预测视点和参数集;
使用生成器至少部分地基于所述视点和所述参数集创建合成图像;以及
至少部分地基于所述合成图像计算一个或更多个梯度并更新所述鉴别器的参。
条款19.如条款14-18中任一项所述的方法,其中所述生成器是深度生成性模型。
条款20.如条款14-19中任一项所述的方法,其中所述深度生成性模型是渲染器、变分自动编码器或生成性对抗网络(GAN)。
条款21.如条款14-20中任一项所述的方法,其中所述对象是车辆。
条款22.一种处理器,包括:一个或更多个电路,用于至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
条款23.如条款22所述的处理器,其中所述一个或更多个电路用于训练一个或更多个神经网络以识别所述图像内的所述对象的所述一个或更多个方向。
条款24.如条款22或23所述的处理器,其中所述一个或更多个神经网络在与所述对象相同类别的不同对象的图像集合上进行训练。
条款25.如条款22-24中任一项所述的处理器,其中真值注释不可用于所述图像集合。
条款26.如条款22-25中任一项所述的处理器,其中所述对象的所述一个或更多个特征包括所述对象的所述图像和所述对象的翻转图像之间的对称一致性。
条款27.如条款22-26中任一项所述的处理器,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
条款28.一种系统,包括:
一个或更多个存储器;以及
一个或更多个处理器,用于至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
条款29.如条款28所述的系统,其中所述一个或更多个处理器用于训练所述一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
条款30.如条款28或29所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器有助于在具有不同对象的图像集合上训练所述一个或更多个神经网络,其中所述不同对象与所述对象属于同一类别。
条款31.如条款28-30中任一项所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
计算第一梯度集,用于更新生成器的第一参数集;以及
计算第二梯度集,用于更新鉴别器的第二参数集。
32.如条款28-31中任一项所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器用于至少通过计算解耦损失来训练所述一个或更多个神经网络,至少通过以下方式来计算所述解耦损失:
使用第一视点和第一外观参数集生成第一合成图像;
使用所述第一视点和第二外观参数集生成第二合成图像;以及
使用第二视点和所述第一外观参数集生成第三合成图像。
条款33.如条款28-32中任一项所述的系统,其中所述一个或更多个方向是相对于规范方向的。
条款34.如条款28-33中任一项所述的系统,其中所述一个或更多个方向各自包括方位角参数、仰角参数和倾斜参数。
条款35.一种方法,包括:至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
条款36.如条款35所述的方法,其中一个或更多个神经网络被训练,以至少部分地基于所述图像内的对象的方向以外的所述对象的所述一个或更多个特征来执行对所述对象的所述一个或更多个方向的识别。
条款37.如条款35或36所述的方法,其中所述一个或更多个神经网络以自监督方式在与所述图像共享相同标签的图像集合上进行训练,所述标签指示所述对象的方向以外的特征。
条款38.如条款35-37中任一项所述的方法,其中所述一个或更多个神经网络以自监督方式被训练,以基于所述图像集合的方向以外的标签来识别所述图像集合的方向。
条款39.如条款35-38中任一项所述的方法,其中所述一个或更多个神经网络包括:
生成器,用于至少部分地基于指定的视点和指定的外观参数集来创建合成图像;以及
鉴别器,用于从一个或更多个图像确定预测的视点和预测的外观参数集。
条款40.如条款35-39中任一项所述的方法,其中所述生成器是深度生成性模型。
条款41.如条款35-40中任一项所述的方法,其中所述对象是人。
条款42.如条款35-41中任一项所述的方法,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
条款43.一种汽车,包括:一个或更多个相机和一个或更多个神经网络,所述一个或更多个相机用于捕获一个或更多个对象的图像,所述一个或更多个神经网络用于至少部分地基于所述一个或更多个对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
条款44.如条款43所述的汽车,其中所述一个或更多个神经网络以自监督方式在与所述图像共享相同标签的图像集合上进行训练,所述标签指示所述对象的方向以外的特征。
条款45.如条款43或44所述的汽车,其中所述对象的所述一个或更多个特征包括所述对象的图像和所述对象的翻转图像之间的对称一致性。
条款46.如条款43-45中任一项所述的汽车,其中一个或更多个神经网络被训练以生成具有所述对象的方向的第二图像。
条款47.如条款43-46中任一项所述的汽车,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取输入图像;
使用鉴别器来确定至少预测的视点和预测的外观参数集;
使用生成器至少部分地基于所述预测的视点和所述预测的外观参数集来创建合成图像;以及
至少部分地基于所述输入图像和所述合成图像来计算视点一致性损失。
条款48.如条款43-47中任一项所述的汽车,其中所述对象的方向是三维方向。
条款49.如条款43-48中任一项所述的汽车,其中所述对象是人。
条款50.如条款43-49中任一项所述的汽车,其中所述对象是所述汽车以外的车辆。
在至少一个实施例中,单个半导体平台可以指唯一的单一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”)和总线实现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,机器可读的可执行代码或计算机控制逻辑算法形式的计算机程序被存储在主存储器2404和/或辅助存储中。根据至少一个实施例,如果由一个或更多个处理器执行,则计算机程序使系统2400能够执行各种功能。在至少一个实施例中,存储器2404、存储和/或任何其他存储是计算机可读介质的可能示例。在至少一个实施例中,辅助存储可以指代任何合适的存储设备或系统,例如硬盘驱动器和/或可移除存储驱动器,其代表软盘驱动器、磁带驱动器、光盘驱动器、数字多功能盘(“DVD”)驱动器、记录设备、通用串行总线(“USB”)闪存等。在至少一个实施例中,各个先前附图的架构和/或功能是在CPU2402;并行处理系统2412;能够具有两个CPU 2402的至少部分能力的集成电路;并行处理系统2412;芯片组(例如,设计成作为执行相关功能的单元工作并出售的一组集成电路等);和集成电路的任何适当组合的环境中实现的。
在至少一个实施例中,各个先前附图的架构和/或功能在通用计算机系统、电路板系统、专用于娱乐目的的游戏控制台系统、专用系统等的环境中实现。在至少一个实施例中,计算机系统2400可以采取台式计算机、膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如,无线、手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备、移动电话设备、电视、工作站、游戏机、嵌入式系统和/或任何其他类型的逻辑的形式。
在至少一个实施例中,并行处理系统2412包括但不限于多个并行处理单元(“PPU”)2414和相关联的存储器2416。在至少一个实施例中,PPU 2414经由互连2418和交换机2420或多路复用器连接到主机处理器或其他外围设备。在至少一个实施例中,并行处理系统2412在可并行化的PPU 2414上分配计算任务,例如,作为跨多个图形处理单元(“GPU”)线程块的计算任务分布的一部分。在至少一个实施例中,在PPU 2414中的一些或全部之间共享和访问存储器(例如,用于读取和/或写入访问),尽管这种共享存储器可能引发相对于使用本地存储器和驻留在PPU2414上的寄存器的性能损失。在至少一个实施例中,通过使用命令(例如__syncthreads())来同步PPU 2414的操作,其中块中的所有线程(例如,跨多个PPU 2414执行)在进行之前到达某个代码执行点。
其他其他变型在本公开的精神内。因此,尽管公开的技术易于进行各种修改和替代构造,但是某些示出的其实施例在附图中示出并且已经在上面进行了详细描述。然而,应理解,无意将公开内容限制为所公开的一种或更多种特定形式,而是相反,其意图是涵盖落入如所附权利要求书所定义的本公开内容的精神和范围内的所有修改、替代构造和等同物。
除非另有说明或显然与上下文矛盾,否则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”和“一个”和“该”以及类似指代的使用应被解释为涵盖单数和复数,而不是作为术语的定义。除非另有说明,否则术语“包括”、“具有”、“包含”和“含有”应被解释为开放式术语(意味着“包括但不限于”)。术语“连接”(在未经修改时指的是物理连接)应解释为部分或全部包含在内、附接到或连接在一起,即使有某些介入。除非本文另外指出,否则本文中对数值范围的引用仅旨在用作分别指代落入该范围内的每个单独值的简写方法,并且每个单独值都被并入说明书中,就如同其在本文中被单独叙述一样。在至少一个实施例中,除非另外指出或与上下文矛盾,否则术语“集”(例如“项目集”)或“子集”的使用应解释为包括一个或更多个成员的非空集合。此外,除非另外指出或与上下文矛盾,否则术语相应集的“子集”不一定表示对应集的适当子集,而是子集和对应集可以相等。
除非以其他方式明确指出或与上下文明显矛盾,否则例如“A,B和C中的至少一个”或“A,B与C中的至少一个”形式的短语之类的连接语在上下文中理解为通常用来表示项目、条款等,其可以是A或B或C,也可以是A和B和C集的任何非空子集。例如,在具有三个成员的集的说明性示例中,连接短语“A,B和C中的至少一个”和“A,B与C中的至少一个”是指以下任意集:{A},{B},{C},{A,B},{A,C},{B,C},{A,B,C}。因此,这种连接语言通常不旨在暗示某些实施例要求存在A中的至少一个,B中的至少一个和C中的至少一个。另外,除非另有说明或与上下文矛盾,否则术语“多个”表示复数的状态(例如,“多个项目”表示多个项目)。在至少一个实施例中,多个项目中项目的数量至少为两个,但如果明确指示或通过上下文指示,则可以更多。此外,除非另有说明或从上下文中可以清楚得知,否则短语“基于”是指“至少部分基于”而不是“仅基于”。
除非本文另外指出或与上下文明显矛盾,否则本文描述的过程的操作可以任何合适的顺序执行。在至少一个实施例中,例如本文所述的那些过程(或其变形和/或其组合)之类的过程在配置有可执行指令的一个或更多个计算机系统的控制下执行,并且被实现为代码(例如,可执行指令,一个或更多个计算机程序或一个或更多个应用程序),该代码通过硬件或其组合在一个或更多个处理器上共同执行。在至少一个实施例中,代码以例如计算机程序的形式存储在计算机可读存储介质上,该计算机程序包括可由一个或更多个处理器执行的多个指令。在至少一个实施例中,计算机可读存储介质是非暂时性性计算机可读存储介质,其排除了暂时性信号(例如,传播的瞬态电或电磁传输),但包括非暂时性性数据存储电路(例如,缓冲区、高速缓存和队列)。在至少一个实施例中,代码(例如,可执行代码或源代码)被存储在其上存储有可执行指令的一组一个或更多个非暂时性性计算机可读存储介质(或用于存储可执行指令的其他存储器)上,该可执行指令在由计算机系统的一个或更多个处理器执行时(即,作为被执行的结果),使得计算机系统执行本文所述的操作。在至少一个实施例中,一组非暂时性性计算机可读存储介质包括多个非暂时性性计算机可读存储介质,并且多个非暂时性性计算机可读存储介质中的个体非暂时性性存储介质中的一个或更多个缺少全部代码,而是多个非暂时性性计算机可读存储介质共同存储全部代码。在至少一个实施例中,可执行指令被执行,以使得不同的指令由不同的处理器执行,例如,非暂时性性计算机可读存储介质存储指令,并且主中央处理单元(“CPU”)执行一些指令,而图形处理单元(“GPU”)执行其他指令。在至少一个实施例中,计算机系统的不同组件具有单独的处理器,并且不同的处理器执行指令的不同子集。
因此,在至少一个实施例中,计算机系统被配置为实现单独地或共同地执行本文所述的过程的操作的一个或更多个服务,并且这样的计算机系统被配置有使能实施操作的适用的硬件和/或软件。此外,实现本公开的至少一个实施例的计算机系统是单个设备,并且在另一实施例中是分布式计算机系统,其包括以不同方式操作的多个设备,使得分布式计算机系统执行本文所述的操作,并且使得单个设备不执行所有操作。
本文提供的任何和所有示例或示例性语言(例如,“例如”)的使用仅旨在更好地阐明本公开的实施例,并且不对公开的范围构成限制,除非另有要求。说明书中的任何语言都不应被解释为表示任何未要求保护的要素对于实践公开内容是必不可少的。
本文引用的所有参考文献,包括出版物、专利申请和专利,均通过引用并入本文,其程度就如同每个参考文献被单独且具体地指示为以引用的方式并入本文并且其全部内容在本文中阐述一样。
在说明书和权利要求中,可以使用术语“耦合”和“连接”以及它们的派生词。应当理解,这些术语可能不旨在作为彼此的同义词。相反,在特定示例中,“连接”或“耦合”可用于指示两个或更多个元件彼此直接或间接物理或电接触。“耦合”也可能意味着两个或更多个元素彼此不直接接触,但仍彼此协作或交互。
除非另有明确说明,否则可以理解,在整个说明书中,例如“处理”、“计算”、“计算”、“确定”等之类的术语,是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,其将计算系统的寄存器和/或存储器中表示为物理量(例如电子)的数据处理和/或转换为类似表示为计算系统的存储器、寄存器或其他此类信息存储、传输或显示设备中的物理量的其他数据。
以类似的方式,术语“处理器”可以指处理来自寄存器和/或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存储器的一部分。作为非限制性示例,“处理器”可以是CPU或GPU。“计算平台”可以包括一个或更多个处理器。如本文所使用的,“软件”进程可以包括例如随时间执行工作的软件和/或硬件实体,例如任务、线程和智能代理。同样,每个过程可以指代多个过程,以连续地或间歇地顺序地或并行地执行指令。在至少一个实施例中,术语“系统”和“方法”在本文中可以互换使用,只要系统可以体现一种或更多种方法,并且方法可以被认为是系统。
在本文件中,可以参考获得、获取、接收或将模拟或数字数据输入子系统、计算机系统或计算机实现的机器中。在至少一个实施例中,可以通过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编程接口的调用的参数的数据。在一些实现方式中,可以通过经由串行或并行接口传输数据来完成获得、获取、接收或输入模拟或数字数据的过程。在另一实现方式中,可以通过经由计算机网络将数据从提供实体传输到获取实体来完成获得、获取、接收或输入模拟或数字数据的过程。也可以参考提供、输出、传送、发送或呈现模拟或数字数据。在各种示例中,提供、输出、传送、发送或呈现模拟或数字数据的过程可以通过将数据作为函数调用的输入或输出参数、应用程序编程接口或进程间通信机制的参数进行传输来实现。
尽管上面的讨论阐述了所描述的技术的示例实现,但是其他架构可以用于实现所描述的功能,并且旨在落入本公开的范围内。此外,尽管出于讨论的目的在上面定义了具体的职责分配,但是根据情况,可以以不同的方式分配和划分各种功能和职责。
此外,尽管已经用特定于结构特征和/或方法动作的语言描述了主题,但是应当理解,所附权利要求书所要求保护的主题不必限于所描述的特定特征或动作。而是,公开了特定的特征和动作作为实现权利要求的示例性形式。
Claims (50)
1.一种处理器,包括:一个或更多个电路,用于帮助训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向。
2.如权利要求1所述的处理器,其中所述一个或更多个电路用于帮助在与所述图像相同类别的图像集合上训练所述一个或更多个神经网络。
3.如权利要求2所述的处理器,其中针对所述图像集合的至少一部分,真值注释是不可用的。
4.如权利要求1所述的处理器,其中所述对象的所述一个或更多个特征包括所述对象的所述图像和所述对象的翻转图像之间的对称一致性。
5.如权利要求1所述的处理器,其中一个或更多个电路用于帮助训练所述一个或更多个神经网络,以生成具有第二方向的所述对象的第二图像。
6.如权利要求1所述的处理器,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
7.一种系统,包括:
一个或更多个处理器,用于计算参数以帮助训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向;以及
一个或更多个存储器,用于存储所述参数。
8.如权利要求7所述的系统,其中用于计算所述参数以帮助训练所述一个或更多个神经网络的所述一个或更多个处理器用于帮助在与所述对象相同类别的不同对象的图像集合上训练所述一个或更多个神经网络。
9.如权利要求8所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取输入图像;
使用鉴别器来确定至少预测的视点和预测的外观参数集;
使用生成器至少部分地基于所述预测的视点和所述预测的外观参数集来创建合成图像;以及
至少部分地基于所述输入图像和所述合成图像计算视点一致性损失。
10.如权利要求9所述的系统,其中所述输入图像是真实图像。
11.如权利要求8所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取第一视点和第一外观参数集;
使用生成器至少部分地基于所述第一视点和所述第一外观参数集来创建合成图像;
使用鉴别器基于所述合成图像来预测第二视点和第二外观参数集;
至少部分地基于所述第一视点和所述第二视点计算视点一致性损失;以及
至少部分地基于所述第一图像和所生成的合成图像计算重建损失。
12.如权利要求8所述的系统,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
使用生成器至少部分地基于第一视点和外观参数集来创建第一合成图像;
对所述第一视点执行变换,以得到第二视点;
使用所述生成器至少部分地基于所述第二视点和所述外观参数集来创建第二合成图像;以及
至少部分地基于所述第一合成图像和所述第二合成图像计算对称损失。
13.如权利要求12所述的系统,其中所述变换水平地翻转所述第一视点以获得所述第二视点。
14.一种方法,包括:训练一个或更多个神经网络,以至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的方向。
15.如权利要求14所述的方法,其中训练所述一个或更多个神经网络包括:以自监督方式在与所述图像内的对象相同类别的不同对象的图像集合上训练所述一个或更多个神经网络。
16.如权利要求15所述的方法,其中以所述自监督方式训练所述一个或更多个神经网络包括:使用损失函数集来评估所述对象的方向以外的所述对象的所述一个或更多个特征。
17.如权利要求15所述的方法,其中所述对象属于第一类别,并且所述方法还包括:训练所述一个或更多个神经网络,以使用第二图像集合来识别第二对象的第二方向,其中:
所述第二对象属于不同于所述第一类别的第二类别;以及
所述第二图像集合属于与所述第二对象不同的第二类别的对象。
18.如权利要求15所述的方法,其中以所述自监督方式训练所述一个或更多个神经网络包括:训练所述一个或更多个神经网络以至少:
获取输入图像;
使用鉴别器从所述输入图像预测视点和参数集;
使用生成器至少部分地基于所述视点和所述参数集来创建合成图像;以及
至少部分地基于所述合成图像计算一个或更多个梯度并更新所述鉴别器的参数。
19.如权利要求18所述的方法,其中所述生成器是深度生成性模型。
20.如权利要求19所述的方法,其中所述深度生成性模型是渲染器、变分自动编码器或生成性对抗网络(GAN)。
21.如权利要求14所述的方法,其中所述对象是车辆。
22.一种处理器,包括:一个或更多个电路,用于至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
23.如权利要求22所述的处理器,其中所述一个或更多个电路用于训练一个或更多个神经网络以识别所述图像内的所述对象的所述一个或更多个方向。
24.如权利要求23所述的处理器,其中所述一个或更多个神经网络在与所述对象相同类别的不同对象的图像集合上进行训练。
25.如权利要求23所述的处理器,其中真值注释不可用于所述图像集合。
26.如权利要求22所述的处理器,其中所述对象的所述一个或更多个特征包括所述对象的所述图像和所述对象的翻转图像之间的对称一致性。
27.如权利要求22所述的处理器,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
28.一种系统,包括:
一个或更多个存储器;以及
一个或更多个处理器,用于至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
29.如权利要求28所述的系统,其中所述一个或更多个处理器用于训练一个或更多个神经网络,以至少部分地基于所述图像内的对象的方向以外的所述对象的所述一个或更多个特征来识别所述对象的所述一个或更多个方向。
30.如权利要求29所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器有助于在具有不同对象的图像集合上训练所述一个或更多个神经网络,其中所述不同对象与所述对象属于同一类别。
31.如权利要求29所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
计算第一梯度集,用于更新生成器的第一参数集;以及
计算第二梯度集,用于更新鉴别器的第二参数集。
32.如权利要求28所述的系统,其中用于训练所述一个或更多个神经网络的所述一个或更多个处理器用于至少通过计算解耦损失来训练所述一个或更多个神经网络,至少通过以下方式来计算所述解耦损失:
使用第一视点和第一外观参数集生成第一合成图像;
使用所述第一视点和第二外观参数集生成第二合成图像;以及
使用第二视点和所述第一外观参数集生成第三合成图像。
33.如权利要求28所述的系统,其中所述一个或更多个方向是相对于规范方向的。
34.如权利要求28所述的系统,其中所述一个或更多个方向各自包括方位角参数、仰角参数和倾斜参数。
35.一种方法,包括:至少部分地基于图像内的对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
36.如权利要求35所述的方法,其中一个或更多个神经网络被训练,以至少部分地基于所述图像内的对象的方向以外的所述对象的所述一个或更多个特征来执行对所述对象的所述一个或更多个方向的识别。
37.如权利要求36所述的方法,其中所述一个或更多个神经网络以自监督方式在与所述图像共享相同标签的图像集合上进行训练,所述标签指示所述对象的方向以外的特征。
38.如权利要求37所述的方法,其中所述一个或更多个神经网络以自监督方式被训练,以基于所述图像集合的方向以外的标签来识别所述图像集合的方向。
39.如权利要求37所述的方法,其中所述一个或更多个神经网络包括:
生成器,用于至少部分地基于指定的视点和指定的外观参数集来创建合成图像;以及
鉴别器,用于从一个或更多个图像确定预测的视点和预测的外观参数集。
40.如权利要求39所述的方法,其中所述生成器是深度生成性模型。
41.如权利要求37所述的方法,其中所述对象是人。
42.如权利要求37所述的方法,其中所述对象的方向被编码在参数集上,所述参数集包括方位角参数、仰角参数和倾斜参数。
43.一种汽车,包括:一个或更多个相机和一个或更多个神经网络,所述一个或更多个相机用于捕获一个或更多个对象的图像,所述一个或更多个神经网络用于至少部分地基于所述一个或更多个对象的方向以外的所述对象的一个或更多个特征来识别所述对象的一个或更多个方向。
44.如权利要求43所述的汽车,其中所述一个或更多个神经网络以自监督方式在与所述图像共享相同标签的图像集合上进行训练,所述标签指示所述对象的方向以外的特征。
45.如权利要求43所述的汽车,其中所述对象的所述一个或更多个特征包括所述对象的图像和所述对象的翻转图像之间的对称一致性。
46.如权利要求43所述的汽车,其中一个或更多个神经网络被训练以生成具有所述对象的方向的第二图像。
47.如权利要求43所述的汽车,其中所述一个或更多个处理器用于至少通过以下方式训练所述一个或更多个神经网络:
获取输入图像;
使用鉴别器来确定至少预测的视点和预测的外观参数集;
使用生成器至少部分地基于所述预测的视点和所述预测的外观参数集来创建合成图像;以及
至少部分地基于所述输入图像和所述合成图像来计算视点一致性损失。
48.如权利要求43所述的汽车,其中所述对象的方向是三维方向。
49.如权利要求43所述的汽车,其中所述对象是人。
50.如权利要求43所述的汽车,其中所述对象是所述汽车以外的车辆。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/690,015 US20210150757A1 (en) | 2019-11-20 | 2019-11-20 | Training and inferencing using a neural network to predict orientations of objects in images |
US16/690,015 | 2019-11-20 | ||
PCT/US2020/060917 WO2021101907A1 (en) | 2019-11-20 | 2020-11-17 | Training and inferencing using a neural network to predict orientations of objects in images |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114787879A true CN114787879A (zh) | 2022-07-22 |
Family
ID=73834593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080078653.5A Pending CN114787879A (zh) | 2019-11-20 | 2020-11-17 | 使用神经网络进行训练和推理以预测图像中对象的方向 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210150757A1 (zh) |
JP (1) | JP2023502575A (zh) |
KR (1) | KR20220079673A (zh) |
CN (1) | CN114787879A (zh) |
AU (1) | AU2020387942A1 (zh) |
DE (1) | DE112020005696T5 (zh) |
GB (1) | GB2603092A (zh) |
WO (1) | WO2021101907A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11833681B2 (en) * | 2018-08-24 | 2023-12-05 | Nvidia Corporation | Robotic control system |
WO2020101127A1 (en) * | 2018-11-13 | 2020-05-22 | Samsung Electro-Mechanics Co., Ltd. | Driving support system and method |
EP3905192A4 (en) * | 2018-12-27 | 2022-03-30 | FUJIFILM Corporation | DEVICE, METHOD AND PROGRAM FOR AREA IDENTIFICATION |
US11113518B2 (en) | 2019-06-28 | 2021-09-07 | Eygs Llp | Apparatus and methods for extracting data from lineless tables using Delaunay triangulation and excess edge removal |
US11915465B2 (en) * | 2019-08-21 | 2024-02-27 | Eygs Llp | Apparatus and methods for converting lineless tables into lined tables using generative adversarial networks |
KR20210076691A (ko) * | 2019-12-16 | 2021-06-24 | 삼성전자주식회사 | 프레임워크 간 뉴럴 네트워크의 학습을 검증하는 방법 및 장치 |
KR20210087335A (ko) * | 2020-01-02 | 2021-07-12 | 엘지전자 주식회사 | 로컬 장치의 성능 향상 |
US11443442B2 (en) * | 2020-01-28 | 2022-09-13 | Here Global B.V. | Method and apparatus for localizing a data set based upon synthetic image registration |
US11625934B2 (en) | 2020-02-04 | 2023-04-11 | Eygs Llp | Machine learning based end-to-end extraction of tables from electronic documents |
EP3862926A1 (en) * | 2020-02-10 | 2021-08-11 | Robert Bosch GmbH | Method of identifying filters in a neural network, system and storage medium of the same |
US11675879B2 (en) * | 2020-02-20 | 2023-06-13 | K2Ai, LLC | Apparatus and method for operating a detection and response system |
US20210264284A1 (en) * | 2020-02-25 | 2021-08-26 | Ford Global Technologies, Llc | Dynamically routed patch discriminator |
US11887323B2 (en) * | 2020-06-08 | 2024-01-30 | Ford Global Technologies, Llc | Self-supervised estimation of observed vehicle pose |
US20220058444A1 (en) * | 2020-08-19 | 2022-02-24 | Capital One Services, Llc | Asymmetric adversarial learning framework for multi-turn dialogue response generation |
CN113362313B (zh) * | 2021-06-18 | 2024-03-15 | 四川启睿克科技有限公司 | 一种基于自监督学习的缺陷检测方法及系统 |
CN113536971A (zh) * | 2021-06-28 | 2021-10-22 | 中科苏州智能计算技术研究院 | 一种基于增量学习的目标检测方法 |
US11896376B2 (en) * | 2022-01-27 | 2024-02-13 | Gaize | Automated impairment detection system and method |
CN115277098B (zh) * | 2022-06-27 | 2023-07-18 | 深圳铸泰科技有限公司 | 一种基于智能学习的网络流量异常检测装置及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459636A (en) * | 1994-01-14 | 1995-10-17 | Hughes Aircraft Company | Position and orientation estimation neural network system and method |
US8581647B2 (en) | 2011-11-10 | 2013-11-12 | Qualcomm Incorporated | System and method of stabilizing charge pump node voltage levels |
JP2016201609A (ja) | 2015-04-08 | 2016-12-01 | 日本電気通信システム株式会社 | 加入者端末装置、通信サービス提供システム、通信制御方法、及び、通信制御プログラム |
US10403031B2 (en) * | 2017-11-15 | 2019-09-03 | Google Llc | Learning to reconstruct 3D shapes by rendering many 3D views |
-
2019
- 2019-11-20 US US16/690,015 patent/US20210150757A1/en active Pending
-
2020
- 2020-11-17 DE DE112020005696.1T patent/DE112020005696T5/de active Pending
- 2020-11-17 JP JP2022524086A patent/JP2023502575A/ja active Pending
- 2020-11-17 WO PCT/US2020/060917 patent/WO2021101907A1/en active Application Filing
- 2020-11-17 CN CN202080078653.5A patent/CN114787879A/zh active Pending
- 2020-11-17 AU AU2020387942A patent/AU2020387942A1/en active Pending
- 2020-11-17 GB GB2205954.7A patent/GB2603092A/en active Pending
- 2020-11-17 KR KR1020227016210A patent/KR20220079673A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021101907A1 (en) | 2021-05-27 |
AU2020387942A1 (en) | 2022-07-07 |
JP2023502575A (ja) | 2023-01-25 |
KR20220079673A (ko) | 2022-06-13 |
GB2603092A (en) | 2022-07-27 |
US20210150757A1 (en) | 2021-05-20 |
DE112020005696T5 (de) | 2022-09-15 |
GB202205954D0 (en) | 2022-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150757A1 (en) | Training and inferencing using a neural network to predict orientations of objects in images | |
US20210142160A1 (en) | Processor and system to identify out-of-distribution input data in neural networks | |
US20210064987A1 (en) | Processor and system to convert tensor operations in machine learning | |
CN114586043A (zh) | 使用强化学习的训练策略搜索 | |
WO2021030640A1 (en) | Neural network for image registration and image segmentation trained using a registration simulator | |
CN114600127A (zh) | 一种用于神经网络的基于机器学习的架构搜索方法 | |
US20220398456A1 (en) | Identification of multi-scale features using a neural network | |
US20210383533A1 (en) | Machine-learning-based object detection system | |
US20210133583A1 (en) | Distributed weight update for backpropagation of a neural network | |
WO2021086796A1 (en) | Determining object orientation from an image with machine learning | |
US20210192287A1 (en) | Master transform architecture for deep learning | |
CN114365154A (zh) | 在神经网络中执行矩阵运算 | |
US20210133990A1 (en) | Image aligning neural network | |
US20210064338A1 (en) | Processor and system to manipulate floating point and integer values in computations | |
US20210183088A1 (en) | Depth estimation using a neural network | |
CN114764611A (zh) | 并行执行非极大值抑制 | |
US20210090318A1 (en) | Spatial search using ray tracing |
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 |