为了跟上我们组学习的进度,打好体系结构的基础,接下来我会持续的学习计算机体系结构的知识。参考的课程是 苏黎世联邦理工 ETH Zurich:Digital Design and Computer Architect
课程目录:
Lecture 1: Introduction and Basics_哔哩哔哩_bilibili
这一节简单介绍体系结构。
四个方向(目标)
(1)secure/reliable/safe。更安全可靠。
(2)energy-feeicient(低功耗),符合可持续发展的目标。
(3)low-latency (低延迟),predictable(可预测),让系统更快。
(4)与其他领域结合,构建高效的系统。
以apple的体系结构为例:
需要了解每个部分的原理。为什么需要这些目标?
可以设计更好的硬件,软件,系统,思维。
(觉得下面这段话挺有道理的,记下来)
更重要的是学习经验,长远的权衡,批判性思维和决策能力。
利用这门学科为自己谋长远的福利,这才是终生学习者的心态。
解决问题是为了获取洞察力。
计算机体系结构在解决问题中的层次:
设计根据目标不同实现的方法也不同,设计不同的体系结构原则是相同的。
比如,特斯拉自动驾驶的芯片,是根据汽车的工作负载设计的,可以支持机器学习推理加速,行人识别等任务。
英伟达的GPU支持动态编程。GPU是一个特殊的系统,针对图形处理设计的。
机器学习的革命伴随着GPU的发展。
协同设计:需要和软件和操作系统系统优化。
软件创新是建立在计算机架构的变化之上。
在未来,个性化医疗,个性化基因工程可能会实现。
底层还有很多提高的空间
现在的体系结构,能效是一个非常非常大的制约因素。能效和可持续发展关系很大,考虑要寿命、可降解性。
( 我的理解是减少发热,把能源尽可能用到计算上面)
计算机在使用的时候消耗了大量的电能。所以我们应该考虑对未来的责任。(绿色)
数据中心对环境非常不利,数据中心放在有大量水源的地方。
训练深度学习模型排放了很多的碳。
深度网络在指数增长。
可以加速推荐系统。
以内存为中心的计算架构 和以 数据为中心的架构是不同的
很多芯片是不可靠的。
数据越来越多,很多应用产生了大量的数据,对体系结构造成了挑战。
数据制约了计算的性能和极限。
例如,在安卓手机中,60%的能耗都消耗在了data movement(储存器到CPU)上面。
研究发现,部署机器学习的边缘设备 90%的能耗 都花费在 内存上(data movement)。
如果想要降低能耗,最重要的是就是数据和内存。瓶颈不在于计算,而在于内存。
因为访问内存和固态硬盘比CPU运算要慢的多,所以能耗也高出好几个数量级。
提出了很多新的概念。
新的计算模式(量子计算,....)
针对算法的硬件加速器(机器学习,数据分析,音视频)
新的内存,存储系统
过去的系统看起来很简单。
现在的体系结构看起来很复杂(可以集成GPU,FPGA)
研究计算机系统结构是一件重要的事情。
计算机体系结构和建筑类比。
建筑的设计原则:.........
如何评价一个设计的好坏是一个重要的问题。
建筑师如何设计一个好的建筑呢?
需要努力、毅力、几十年的专注、经验、创造力、很多技能的组合(数学、建筑、美学、工程学)、创业精神、运气,设计原则.......
觉得这段话挺有启发的,记一下。
计算机系统的基本构件。