英特尔至强融核处理器KnightsMill,加速深度自学处置【亚博app下载安装】

本文摘要:那么KnightsMill和代号为KnightsLanding的英特尔至强融核处理器有什么区别呢?QFMA可以将奈特米尔的单精度性能提高一倍,而QVNNI指令可以进一步降低精度,同时满足深度自学习框架的精度市场需求。

精度

最近,在法兰克福召开的国际超级计算大会上,涌现了许多令人振奋的新技术,推动了人工智能和深度自学习技术在各行各业的广泛应用。英特尔已经为人工智能技术的各个方面获得了一个通用和全面的产品组合,包括即将发布的英特尔至强大可扩展处理器和英特尔现场可编程门阵列(FPGA),以及即将发布的代号为骑士微笑的英特尔至强融核处理器,这将深度自我学习技术提升到了一个新的水平。英特尔至强融核系列的这一新成员针对深度自学培训进行了优化,预计将于2017年第四季度投入生产。

该处理器的目的是满足数据科学家、工程师和所有致力于机器学习技术应用的用户的独特市场需求。特别是KnightsMill,需要充分利用低精度计算的优势,大大缩短深度自学习模型的训练时间。

为什么准确度低那么重要?简单来说,数据科学家在训练模型时需要硬件来加速集成。在过去,深度自学习模型可能需要几天甚至几周的时间才能完成一次递归融合,这使得它们很难在有限的时间内进行研究。

融核

现在的硬件需要计算精度低,训练时间延长到几个小时,相当于减慢了计算速度。只要硬件能满足深度自学习框架的精度拒绝,最重要的是看硬件训练模型有多慢。所以低精度计算可以用来深度解决自学习阻抗的问题,与高性能计算相比,是选择的计算方法,一般要求单精度或双精度的计算性能。那么KnightsMill和代号为KnightsLanding的英特尔至强融核处理器有什么区别呢?经常听到专注于高性能计算、人工智能、机器学习的用户明确提出这个问题。

骑士smil的整体架构和填充与骑士岛相同,两个CPU都是第二代Intel?至强融核处理器,并在同一平台上使用。不同之处在于,在不同的指令集中使用奈特smil来提高较低精度的性能,但它牺牲了双精度性能,而双精度性能对于许多传统的高性能阻抗计算非常重要。这意味着KnightsMill仅限于处理深度自学习阻抗,而KnightsLanding更适合于高性能计算的阻抗以及其他排斥高精度的运算。

融核

这些不同的指令集称为“四重融合乘法加指令”(QFMA)和“四重虚拟世界神经网络指令”(QVNNI :四重虚拟神经网络指令)。QFMA可以将奈特米尔的单精度性能提高一倍,而QVNNI指令可以进一步降低精度,同时满足深度自学习框架的精度市场需求。单精度性能翻倍和精度进一步降低的结果,将使KnightsMill需要获得比KnightsLanding更高的深度自学习阻抗计算性能。此外,频率、电源和效率的提高也促进了性能的提高,但指令集的改变是性能明显提高的第二唯一因素。

退一步说,奈特米尔处理器不仅是为了加快深度自学习阻抗,也是为了在基于英特尔技术的现有环境中获得新的处理功能。英特尔至强融核处理器平台与英特尔至强大处理器二进制兼容。从英特尔到强大处理器的所有阻抗都可以在英特尔至强融核处理器上运行,这使得用户可以在英特尔平台上奇妙地共享软件投资。另一方面,英特尔正在整个硬件平台上统一深度自学实践者用于深度自学框架的路径。

所有这些都得益于英特尔神经网络图,它将先进设备的功能带回了深度自学的框架。这种面向神经网络的计算和持续执行的图形使得开发人员需要在多个硬件对象上自动优化,这样用户就需要在不同的英特尔平台上共享他们的软件投资。近年来,英特尔大大扩展了人工智能技术的布局,收购了深度自学和神经网络芯片和软件领域的领先制造商Nervana,并通过一系列投资结合英特尔强大的至强融核产品和FPGA,获得了处理端到端数据的全堆栈实力。

即将发布的英特尔至强融核处理器KnightsMill,可以明显加速深度自学处置,带动人工智能的进一步发展。

本文关键词:英特尔,阻抗,亚博app下载安装,性能,自学

本文来源:亚博app下载安装-www.buzztopinas.com

相关文章