近期在法兰克福举行的国际超级计算出来大会上，兴起了很多令人兴奋的新技术，驱动着普遍应用于各行各业的人工智能和深度自学技术的发展。英特尔为人工智能技术的各个层面获取了一套普遍全面的产品组合，其中还包括将要发售的英特尔?至强劲?可拓展处理器以及英特尔现场可编程门阵列（FPGA），还有将要发售的代号为KnightsMill的英特尔?至强融核?处理器，将深度自学技术提高到了一个新高度。近期在法兰克福举行的国际超级计算出来大会上，兴起了很多令人兴奋的新技术，驱动着普遍应用于各行各业的人工智能和深度自学技术的发展。
英特尔为人工智能技术的各个层面获取了一套普遍全面的产品组合，其中还包括将要发售的英特尔?至强劲?可拓展处理器以及英特尔现场可编程门阵列（FPGA），还有将要发售的代号为KnightsMill的英特尔?至强融核?处理器，将深度自学技术提高到了一个新高度。英特尔?至强融核?处理器KnightsMill加快深度自学处置这个英特尔至强融核系列的新成员是专门针对深度自学训练展开了优化，预计在2017年第四季度投产。
该处理器目的符合数据科学家、工程师以及所有致力于机器学习技术应用领域的用户独有市场需求。KnightsMill特别是在需要通过充分利用较低精度计算出来优势而大大缩短训练深度自学模型的时间。
为什么较低精度如此最重要？非常简单地说道，数据科学家必须硬件需要在训练模型时加快融合。在过去，深度自学模型有可能要花上几天甚至几周的时间才能已完成一个递归的融合，这使得他们很难在受限的时间内展开研究。如今的硬件需要通过较低精度计算出来把训练时间延长到几个小时——这相等于减缓了计算速度。只要硬件能符合深度自学框架的精度拒绝，那么最重要的就是看硬件训练模型的速度有多慢。
因此较低精度计算出来可用作解决问题深度自学阻抗问题，并且与高性能计算出来比起是选用的计算出来方式，后者一般来说必须单或双精度运算性能。那么KnightsMill和之前代号为KnightsLanding的英特尔?至强融核?处理器有何有所不同呢？我们常常听见专心于高性能计算出来、人工智能和机器学习的用户明确提出这个问题。KnightsMill用于和KnightsLanding完全相同的整体架构和填装，两个CPU都是第二代英特尔?至强融核?处理器，并用于完全相同的平台。
区别就是KnightsMill用于有所不同的指令集来改良较低精度性能，但壮烈牺牲了对许多传统高性能计算出来阻抗十分最重要的双精度性能。这意味著KnightsMill限于于处置深度自学阻抗，而KnightsLanding则更加合适高性能计算出来阻抗以及其它拒绝高精度的运算。这些有所不同的指令集被称作“四倍融合乘加指令”（QFMA：QuadFusedMulTIplyAdd）和“四倍虚拟世界神经网络指令”（QVNNI：QuadVirtualNeuralNetworkInstrucTIon）。
QFMA能把KnightsMill的单精度性能提升一倍，而QVNNI指令则可以更进一步减少精度，同时符合深度自学框架的精度市场需求。把单精度性能提升一倍并更进一步减少精度的结果将使KnightsMill比起KnightsLanding需要为深度自学阻抗获取更高的运算性能。此外，频率、电源和效率方面的提高也推展了性能的提高，但是指令集变化才是性能明显提高的仅次于因素。
退一步说，KnightsMill处理器并某种程度是为了加快深度自学阻抗，而且是在现有的基于英特尔技术的环境中取得新的处置功能。英特尔?至强融核?处理器平台二进制相容英特尔?至强劲?处理器。完全所有运营在英特尔?至强劲?处理器上的阻抗都能运营在英特尔?至强融核?处理器上，这竟然用户可以精彩地在英特尔平台上共享软件投资。另一方面，英特尔正在统一深度自学实践者在整个硬件平台上用于深度自学框架的行进道路。
这些都是获益于英特尔?Nervana?Graph把先进设备的功能带回深度自学框架。这个面向神经网络的计算出来和继续执行图让开发者需要在多个硬件对象上自动展开优化，从而让用户需要在有所不同的英特尔平台上分享其软件投资。近年来英特尔大大伸延人工智能技术布局，并购深度自学和神经网络芯片与软件领域的领导厂商Nervana，通过一系列投资和英特尔至强劲、至强融核产品、FPGA结合，获取全栈实力处置末端到末端数据。
将要发售的英特尔?至强融核?处理器KnightsMill，堪称明显加快深度自学处置，驱动人工智能领域的更进一步发展。
本文关键词：英特尔,加快,人工智能,步伐,至,强融,核,系列,千亿qy88官网
本文来源：千亿qy88官网-www.hddconstruct.com