人工智慧的演算法主要的智慧型方法
1）符號主義
符號主義所面臨的問題：
2）行為主義
行為主義所面臨的問題：
3）連線主義
神經網路演算法模擬1000億神經元和100萬億的突觸
生物的神經元和人工神經網路裡的神經元有什麼區別嗎？
相當於老鼠和公尺老鼠的區別：即生物中的神經元是老鼠，人工神經網路裡的神經元是公尺老鼠，在弱化了一些老鼠的結構，比如其生理結構，只是選取其功能性或者特徵量，並且根據人的需要，增加了一些原本所不具備的特徵量。
最簡單的人工神經網路x1 w1，x2 w2,xi wi ->啟用函式（包含乙個閾值）.
深度學習
逐層對資訊進行分類和加工
deepmind提出的：深度學習+加強學習deepmind和openvi：利用深度學習打刀塔
為什麼要用專用的深度學習處理器?
深度學習是智慧型處理迄今最好的方面,通用cpu和gpu處理人工神經網路的時候效率低下
gpu：圖形處理需要，
dsp：訊號處理智慧型處理
?->寒武紀：生物大爆發的時代單核gpu多核gpu
通用學習的深度學習處理器cambricon
如何使用深度學習處理器晶元高效處理海量的，不斷演進的深度學習演算法？演算法的更新是一直進行的，而晶元的開發是長時間的。
現存的三大矛盾
1.有限規模的硬體怎麼處理任意規模的演算法（晶元是無法做到任意規模的）
2.機構固定的硬體是怎麼處理千變萬化的演算法
3.能耗受限的硬體是怎麼處理精度優先的演算法（做硬體一定由能耗要求)
深度學習指令集
主要運算：
資料區域性性特徵三個柱子
作用：就算演算法有更新，只需要利用指令集將其組合起來就行了。
機器學習演算法：樸素貝葉斯有共性的指令集的運算指令。
稀疏神經網路處理器的結構
學術思想
利用神經網路對於計算機誤差的容忍能力，進行稀疏化神經網路處理，在有限能耗下實現高精度的只能處理。
解決第三點關於能耗硬體和演算法精度的矛盾問題：對於誤差是由容忍你能力的，對於運算上很多都可以簡化為0，所以有一些為0的，現在的計算機都是馮諾依曼結構，分形馮諾依曼結構，分形理論，通用的體系結構和體系架構。但是如果是體系中引數散布的0的話處理起來仍然不方便，需要將其中的一塊集結都為0，才方便省去大量的計算。
物理處理器與邏輯處理器
記錄解決方案，自己實際處理過，方案可用，在自己的部落格中記錄一下。cpu central processing unit 是 處理單元，本文介紹物理cpu，物理cpu核心，邏輯cpu，以及他們三者之間的關係。乙個物理cpu可以有1個或者多個物理核心，乙個物理核心可以作為1個或者2個邏輯cpu。物理c...
深度神經網路處理器 DianNao系列
全世界都在學中國話 一次看到這些 的名字，是在乙個冰天雪地的，美國東北部偏僻的乙個大學城裡。聽到印度女教授努力的發出 dian nao 的發音，我心中不禁有一種溫暖而自豪的感覺。我們花了整整半節課研究了diannao等一系列的產品。畢竟這一系列 可以說是開啟了ai加速器的先河了。之後才有了如今ai ...
處理器核心
處理器核心 cache 寫緩衝器 主存 輔助儲存器 寫操作，對核心而言非迫切，所以加乙個寫緩衝器很好。cache可放在處理器核心與mmu之間 邏輯 cache，主流 也可放在mmu與主存之間 物理 cache 對儲存器中相同或相鄰資料和 的反覆使用，是cache改善效能的主要原因。cache同時使用...