Transcript Neurális architektúrák

Számítógéparchitektúrák
dr. Kovács György
DE AVK GAIT
A projekt az Európai Unió társfinanszírozásával,
az Európa terv keretében valósul meg.
Számítógéparchitektúrák
Párhuzamos architektúrák
osztályozása
A projekt az Európai Unió társfinanszírozásával,
az Európa terv keretében valósul meg.
2
A párhuzamos architektúrák
osztályozása
Sima Dezső (1998) osztályozása különbséget tesz az adatpárhuzamos és
A funkcionálisan párhuzamos architektúrák között.
 Adatpárhuzamos architektúrákhoz tartoznak a:





Vektorprocesszorok
Asszociatív és neurális architektúrák
SIMD architektúrák
Szisztolikus architektúrák
Funkcionálisan párhuzamos architektúrákhoz pedig:

Utasításszinten párhuzamos architektúrák: (ILP Instruction Level Paralell)
ezen belül:





Futószalag architektúrák
VLIW: Very Long Instruction Word architektúrák
Szuperskalár architektúrák
Szálszinten párhuzamos architektúrák (MIMD architektúrák)
Folyamatszinten párhuzamos architektúrák
HEFOP 3.3.1–P-2004-06-0071/1.0
3
Párhuzamos architektúrák
osztályozása
HEFOP 3.3.1–P-2004-06-0071/1.0
4
Szemcsézettség
A funkcionálisan párhuzamos architektúrák az általuk
kihasznált párhuzamosság szemcsézettsége szerint
csoportosíthatók.
 A szemcsézettség meghatározza a viszonyt a
feldolgozóelemek száma és az adatkészlet
párhuzamossága között. Így megkülönböztetünk:
 Finom szemcsézettségű rendszereket
jellemzőjük, hogy minden feldolgozóelemhez csak
kevés számú adatelem tartozik.
 Durva szemcsézettségű rendszereket, melyeknél
minden feldolgozóelemhez sok adatelem tartozik
HEFOP 3.3.1–P-2004-06-0071/1.0
5
Szisztolikus architektúrák


Ebben a rendszerben a bevitt adatokat
keresztülpumpálják egy műveletvégző
rendszeren, az eredmény általában egy
hosszú adatsor.
A "szisztolikus" elnevezés a szív hasonló
pumpáló mozgásának analógiájából született.
HEFOP 3.3.1–P-2004-06-0071/1.0
6
Neurális architektúrák (1)


A neurális hálózat három rétegből áll:
 input rétegből, melyben elhelyezkedő sejtek a külvilággal állnak
kapcsolatban.
 rejtett rétegből, mely hidat képez az output réteg és az input
réteg között,
 output rétegből, mely a kívánt eredményt adja ki.
A neurális hálózatok lényege a neuronok (sejtek) közötti
kapcsolat, melyet az úgynevezett szinaptikus súlyokkal lehet
vezérelni.
 Ha egy sejt több, más neurontól kap input értéket, akkor
mindegyik input érték egy szinaptikus súllyal lesz megszorozva.
 Az így kapott szorzatokat összeadja a fogadó neuron, majd az
értéket egy átviteli függvény szerint áttranszformálja és az így
kapott érték lesz a neuronsejt outputja:
HEFOP 3.3.1–P-2004-06-0071/1.0
7
Neurális architektúrák (2)

A neurális hálózatokban a tanulás során a neuronok
közötti kapcsolat erőssége, vagyis a szinaptikus súly
változik egy tanulási szabály alapján, azaz a sejt
hálózatban a memóriát a szinaptikus súlyok értékével
modellezik.
HEFOP 3.3.1–P-2004-06-0071/1.0
8
HEFOP 3.3.1–P-2004-06-0071/1.0
9
HEFOP 3.3.1–P-2004-06-0071/1.0
10
HEFOP 3.3.1–P-2004-06-0071/1.0
11