Neurális architektúrák
Download
Report
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