diannao系列的儲存的設計理念是**儲存，這樣有幾個好處：
diannao和dadiannao的儲存設計基本相同，區別在於dadiannao使用了片上edram增大了片上儲存的面積，下圖為dadiannao的儲存部分，diannao的儲存部分類似，可以參考整體架構中diannao的架構圖：
儲存被**為三個部分：
diannao和dadiannao的重用策略是重用輸入資料即nbin中的資料。當需要nbin參與的運算全部完成後，nbin才會被覆蓋。因此，在dadiannao中，所有運算單元共享edram實現的nbin和nbout（圖中edram router部分），但具有自己的sb快取（每個節點有4個edram）
shidiannao的儲存比較有特色，由於其特殊性，並未採用dadiannao的edram組成超大片上儲存。僅使用了288kb的sram，因此其儲存組織更值得研究，下圖為nbin快取及其控制器的設計：
可以發現，每個儲存器**為$2 \times p_y$個bank，每個bank的位寬是$p_x \times 16bit$。其中$p_y$為運算陣列的行數，$p_x$為計算陣列的列數，16bit為資料位寬。該儲存器支援的讀取方式有6種：
寫方面，採用快取-儲存的方式，即現先待寫入資料換存入output暫存器中，待全部運算單元完成運算後統一將資料從output暫存器中寫入儲存器。
pudiannao拋棄了按用途**儲存器的方法，改為按重用頻率**儲存器。且其設計方法更貼近通用處理器cpu，以實現通用機器學習處理器。pudiannao認為其能實現的7種機器學習演算法在儲存上分為兩種：
第一種與k-nn（k-鄰近演算法）類似，每個資料的重用間隔（這一次使用和下一次使用之間的間隔資料數量）明確的類聚為幾類。第二種與nb（樸素貝葉斯）類似，除了位置為1上的明顯類聚外，資料重用間隔在一段上均有分布。因此pudiannao實現三個片上儲存，分別為：
對映方法指現有硬體加速器如何實現神經網路中的運算，包括卷積，池化和全連線層等。
由於diannao和dadiannao的**中都沒有明確闡述這兩款加速器如何對映運算，因此以下內容均為個人推測
diannao和dadiannao的運算單元均為nfu，參考其設計，其功能描述如下：
$$mul: y_i = \sum\limits^ w_i \cdot x_i \
max:y_i = max}
$$無論是向量內積還是卷積，其最終都是對應位置元素相乘再相加。都可以使用運算核心的mul功能解決，即將nfu-2配置為加法樹。在儲存中，輸入資料按[高度，寬度，通道數]維度排列，即先儲存第乙個資料位置的所有通道資料，再儲存第二個資料位置的所有通道資料，以此類推。權值資料按[高度，寬度，輸出通道數，輸入通道數]排列。其實現圖如下所示：
上圖為乙個$t_n = 2$的例子，其中資料含義如下所示：
標記**
說明x000
輸入資料
資料位置(0,0)，通道0資料
x001
輸入資料
資料位置(0,0)，通道1資料
w0000
引數資料位置(0,0)，通道0資料對應輸出通道0的引數
w0001
引數資料位置(0,0)，通道1資料對應輸出通道0的引數
w0010
引數資料位置(0,0)，通道0資料對應輸出通道1的引數
w0011
引數資料位置(0,0)，通道1資料對應輸出通道1的引數
其實現的運算在卷積中如下所示：
實現池化層時，輸入資料按[通道數，高度，寬度]排列，nfu-2被配置為取最大值樹。
shidiannao由陣列實現卷積，池化，向量內積等操作，對映比較複雜。以下說明均使用$p_x=p_y=2$
shidiannao的每個節點的簡化圖形如下所示，以下說明將使用該圖示：
實現卷積的第一步是初始化，將資料讀入運算陣列，使用快取讀方式1或2：
隨後讀bank2和bank3的第乙個神經元，將其填充到運算陣列的右側，同時輸入資料右移，這等效的是標記參與運算的資料框向右擴充套件：
之後讀bank2和bank3的第二個神經元，將其填充到運算陣列右側，同時輸入資料右移，這等效的是標記參與運算的資料框向右擴充套件：
隨後讀bank1的兩個神經元，將其填充到底部，同時資料上移，這等效標記參與運算的資料框向下擴充套件：
下表表示了每乙個運算節點使用過的權值和資料：
座標引數=k00
引數=k10
引數=k20
引數=k01
0,0（左上）
x00x10
x20x01
0,1（右上）
x10x20
x30x11
1,0（左下）
x01x11
x21x02
1,1（右下）
x11x21
x31x12
注意上文中運算單元和sb的行為為原文中註明的，儲存器行為為個人推斷，此外，原文中的推斷到此為止，理由為保持簡潔，然而下一步的操作使用以上幾步無法完全推測，原文中說明該復用方法可以節約44.4%的頻寬，有$4 \times 9 \times 44.4% = 16$，所以一共讀了20次，影象中有16個資料，推測就是中心處被復用最多次的x11，x21，x12和x22。該部分說明的原圖如下圖所示：
池化的對映方法與卷積類似，且由於池化的stride一般不為1，因此需要注意的是fifo-h和fifo-v的深度不再是1。其中$s_x$和$s_y$分別是x方向和y方向的stride。
矩陣乘法中，每個計算節點代表乙個輸出神經元，除非乙個輸出神經元的計算全部完成，否則不會進行下乙個神經元的運算。與卷積不同的是，被廣播的資料是輸入資料而不是權值。因為在矩陣乘運算中，權值的數量多於資料且不被復用。每次運算分為以下幾個步驟：
pudiannao的對映方法比較簡單，由於較多的考慮了靈活性，因此使用類似軟體的方式控制整個晶元。推測方法為：
映象加速器
對於使用 systemd 的系統，請在 etc docker daemon.json中寫入如下內容 如果檔案不存在請新建該檔案 注意，一定要保證該檔案符合 json 規範，否則 docker 將不能啟動。之後重新啟動服務。sudo systemctl daemon reload sudo syste...
加速器知識
最常見的網遊加速器工作原理，是在全國各大網路節點架設伺服器，針對不同型別的網路使用者選取連線速度最快的節點，從而利用自身快速的轉接速度彌補使用者較慢的轉接速度的。因此可以說，一款網遊加速器的效能高低要看兩個因素 1 自身伺服器節點架設的合理程度 2 節點轉接速度快慢。伺服器架設合理廣泛 網易uu網遊...
2 安裝Docker和配置加速器
1.訪問 2.開啟這條url 1.1 安裝必要的一些系統工具 1.2 安裝gpg證書 注意 後面的 也是命令的一部分 1.3 寫入軟體源資訊 root ubuntu 18 sudo add apt repository deb arch amd64 lsb release cs stable 1.4...