人工智能
在計(jì)算機(jī)視覺(jué)的常用應(yīng)用中，移動(dòng)多幀高分辨率視頻強(qiáng)調(diào)了I/O子系統(tǒng)。目前，架構(gòu)師和計(jì)算機(jī)科學(xué)家仍在學(xué)習(xí)如何優(yōu)化數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)表示方式。例如，Medusa中所指出的，多端口DNN加速器和寬DRAM控制器接口的互連。每個(gè)端口都具有獨(dú)立的DRAM訪問(wèn)權(quán)限，因此，必須使用內(nèi)存互連才能將寬DRAM控制器接口互聯(lián)到大量窄讀寫(xiě)端口，并同時(shí)保持最大的帶寬效率。
當(dāng)DRAM帶寬跨DRAM端口均勻分區(qū)時(shí)，DNN是最有效的。由于DRAM可以占到總能源消耗的90%，最小化內(nèi)存邏輯就可以為計(jì)算機(jī)節(jié)約成本了。內(nèi)存訪問(wèn)不是傳統(tǒng)工作負(fù)載和人工智能工作負(fù)載之間的唯一區(qū)別，但隨著人工智能應(yīng)用程序的復(fù)雜化，x86和ARM將越來(lái)越不相關(guān)。
京公網(wǎng)安備 11010502049343號(hào)