北京快三机械设备有限公司欢迎您!

美光召开分析师和投资者年会,讨论机器学习的含义‘北京快三’

时间:2020-11-29
本文摘要:在这次投资者大会上,一个显而易见的事情是,美光没有透露任何大家关心的3DXPoint技术细节。这项技术通过向计算机显示一组输出和预期的输入,并让计算机“学习”如何从这些输入和输出的子集继续执行特定的任务,从而创建人工智能。

模型

5月21日,美光召开分析师和投资者年会。虽然很多人期望获得更多关于3DXPoint技术的信息,但美光管理层仍在暗中回应。在本文中,我们将讨论机器学习,它的含义,以及哪种硬件类型最适合机器学习。

最后,我们来推断一下美光在做什么,2019年他们能卖给AI什么电子货币解决方案。我们指出美光同意计划一个大炸弹。

近日,美光召开分析师和投资者年会,会上公开发布了许多激动人心、爆炸性的信息,包括100亿美元的购股计划,以及大量关于美光在DRAM和n and市场的地位和角色定位的辩论。随后,很多文章深入报道了很多关于会议的信息。在这次投资者大会上,一个显而易见的事情是,美光没有透露任何大家关心的3DXPoint技术细节。美光公司SanjayMehrotra在演讲中提到了3d xppoint,公司似乎计划在2019年开始销售3d xppoint设备。

3DXPoint是一项激动人心的技术,可以将性能提高10倍。3DXPoint芯片相比DRAM,密度更高,耐用性比NAND芯片提高了几千倍,速度也是NAND芯片的几千倍。这一技术特性为3DXPoint获得了最重要的价值主张和市场地位,可以作为分层内存和存储之间的解决方案。

我们正在与客户合作开发产品。正如我们之前所说,我们将在2019年发布3DXPoint产品,并在2019年下半年开始销售这些产品。

该公司的首席业务官苏米萨达纳(SumitSadana)也表示,因为他们现在正在与合作伙伴合作开发三维演示产品,所以他们没有制定任何计划来讨论三维演示的技术细节。今天,我将获得更多关于我们的3D点产品的详细信息,因为我们将在明年发布这些产品,出于竞争原因,我不希望透露我们和我们的客户正在做的一些工作。本文将详细解释人工智能,尤其是机器学习如何在现实生活中发挥作用,并基于我们对机器学习的理解和美光团队的公开声明来推断3DXPoint的未来。什么是AI和机器学习?首先,我们来思考一下人工智能和机器学习的含义。

AI是一个标准化的术语,它仅限于允许计算机继续执行通常由人类执行的任务的任何技术。这方面的例子很多,从火柴到服务公司的邮件,从识别猫狗图片到开车。

机器学习(ML)是AI的一个分支。这项技术通过向计算机显示一组输出和预期的输入,并让计算机“学习”如何从这些输入和输出的子集继续执行特定的任务,从而创建人工智能。

举个例子,假设你想训练一台电脑识别猫的照片。处理这个任务的一个方法是描述非常详细的启发式规则来确认一张照片是否是猫的照片。在规则里,你可以登录猫有毛茸茸的皮肤和尖尖的耳朵。

模型

但是,不是每只猫的耳朵都是尖的,甚至有的猫是秃的,有毛的。这使得基于规则的人工智能方法难以处理,尤其是在特征无关紧要的情况下。相比之下,ML方法依赖于向计算机显示成千上万张不同的猫的图片,让计算机为猫制定自己的规则。对于图像识别,最常用的模型是基于神经网络技术的。

本文不想详细讨论神经网络是如何工作的,但下面是神经网络的一个修正图,可以帮助你思考ML为什么与记忆和存储密切相关。上图已修改为显示9x9像素的图片。

实际案例不会涉及到几十万甚至几百万个特征的更大的输出集。现在我们至少对神经网络的出现有了一些概念性的理解。

让我们回到猫的例子。用于训练的猫的图片被归一化到特定的大小,然后被分解成像素,这些像素的值被输出到ML模型中。

模型继续进行前向传播(模型考虑给它的输出是否是猫的图片),输入图片是猫的可能性的概率。在训练阶段,不会告诉模型是否准确。所以,如果给模型的图片明显是猫,模型准确,那么模型就不会增强。

相反,如果模型问错了问题,模型会受到迁移传播算法的惩罚(精确答案与模型得到的答案的差异),为了在下一个问题中得到更好的结果,会调整一些个体的权重。硬件拒绝计算神经网络中等价预测成本的数学公式,ZynathCapital获得。

机器学习

前向传播和后向传播的数学计算非常简单,远远超出了本文的范围。读者一定只关注一点,就是这些计算需要上千次的线性代数运算。如果你忘了高中或大学的线性代数课程,你不会知道在这个数学运算中,大数据集被组织成矩阵和向量。这解释了为什么GPU在机器学习应用中如此受欢迎。

线性代数更容易分段,GPU在分段数学计算上更胜一筹。这个过程涉及的内存大小有点不直观。例如,假设猫的照片是一张1,000x1,000像素的图片。按今天的标准来看,是一张很小的图。

但是这样的图片也有多达一百万个单独的特征(像素),每个像素都必须经过CPU的处理,才能评价图片的“斤”。现在,你应该已经明白计算模型必须在一张图片上计算和处理多少了。

想象一下,在现实世界中,必须在数百万张图片的数据集上开发完全相同的运算符。数据集超过2TB或3TB并不罕见,尤其是当我们谈到遗传学和天体物理学等领域时。为了慢慢训练模型,你必须把尽可能多的数据集读入内存(RAM),这样强大的GPU和CPU才能继续执行分段化简的计算任务。现在CPU性能这么强,给CPU提供数据这一步就走出瓶颈了。

到目前为止,我们通过降低系统的动态随机存储器容量,将正在使用的数据集预先读入动态随机存储器,解决了这个问题。SumitSadana在演讲中谈到了这个明确的问题:“在云公司,一个众所周知的事情就是处理器必须花费大量的时间等待数据。由于这些新兴处理器的内核数量在过去几年大幅减少,这些处理器的附加内存容量并没有减少太多,这意味着每个内核可以使用的内存比特率容量实际上在增加。

”DRAM还有一个明显的缺点——不容易丢。想象一下,你花了几天时间,投入大量CPU和电源资源,为你全新的、革命性的猫识别ML模型计算新的权重。结果大楼的电源被切断,后者因为一些硬件或软件相关的原因不得不重启电脑。

看来你不会把DRAM里的数据全部销毁,你的模型也不会回到指出桌子也是猫的最完整阶段(因为桌子也有四条腿)。这就是三维点的由来。


本文关键词:美光,信息,尤其是,模型,北京快三走势图

本文来源:北京快三-www.yaboyule21.icu