使用神经网络的知识发现的制作方法

1.至少一个实施例涉及用于执行和促进人工智能的处理资源。例如，至 少一个实施例涉及用于根据本文描述的各种新颖技术来训练和使用神经网 络的处理器或计算系统。


背景技术：

2.大型文献语料库中的知识发现是困难的，尤其是对于访问大型文献语 料库内的潜在特定于域的(domain-specific)知识而言。例如，即使对于特 定领域的专家，在大型文献语料库中也难以发现特定药物的性质(例如， 药物在临床试验中的疗效)。传统的解决方案使用跳过-语法词2矢量 (skip-gram word2vec)语言建模方法。该解决方案基于到矢量空间中的矢 量的词的精确词映射，并且没有考虑否定、灵活短语或者使用这些词的其 他上下文，由此在建模中不能实现高准确度。
附图说明
3.图1a示出了根据至少一个实施例的推理和/或训练逻辑；
4.图1b示出了根据至少一个实施例的推理和/或训练逻辑；
5.图2示出了根据至少一个实施例的神经网络的训练和部署；
6.图3是根据至少一个实施例的使用特定于域的数据来训练一个或更多 个基于变换器的语言神经网络的过程的示例数据流程图；
7.图4是根据至少一个实施例的针对掩码语言预测的特定于域的数据中 的词的关系的统计特性的示例注意力可视化；
8.图5是根据至少一个实施例的使用一个或更多个基于变换器的语言神 经网络来识别一个或更多个词之间的一个或更多个关系的过程的示例数据 流程图；
9.图6是根据至少一个实施例的使用一个或更多个基于变换器的语言神 经网络来识别在一个或更多个文档中描述的一种或更多种药物的过程的示 例数据流程图，该一个或更多个基于变换器的语言神经网络是使用特定于 域的数据来训练；
10.图7是示出了根据至少一个实施例的样品临床试验数据集的概述的表；
11.图8是示出了根据至少一个实施例的每年试验的特定类型的候选药物 的数量和随时间推移被授予fda批准的特定类型药物的总量的示例图；
12.图9是根据至少一个实施例的用于语义学习的评估的类似类别的示例 表；
13.图10是根据至少一个实施例的特定于域的数据中的查询词与目标短 语的目标词的关系的统计特性的示例注意力可视化；
14.图11是根据至少一个实施例的使用目标词基于每句突出显示的特定 于域的数据中的示例段落；
15.图12是示出了根据至少一个实施例的候选药物多年的预测等级和 fda批准的指示的示例图；
16.图13是示出了根据至少一个实施例的针对正在进行的临床试验的 covid-19疗效
的置信分数排序的示例图；
17.图14是示出了根据至少一个实施例的药物与临床试验疗效进行类似 挖掘的示例图；
18.图15是根据至少一个实施例的使用一个或更多个基于变换器的语言 神经网络来识别一个或更多个词之间的一个或更多个关系的过程的流程图， 该一个或更多个基于变换器的语言神经网络使用特定于域的数据来训练；
19.图16是根据至少一个实施例的使用基于变换器的语言神经网络来识 别在一个或更多个文档中描述的一种或更多种药物的过程的流程图，该基 于变换器的语言神经网络是使用特定于域的数据来训练；
20.图17是根据至少一个实施例的示出计算机系统的框图；
21.图18是根据至少一个实施例的示出示例性计算机系统的框图，所述 计算机系统可以是具有互连的设备和组件的系统、片上系统(soc)或由 处理器形成的其某种组合，所述处理器可以包括用于执行指令的执行单元；
22.图19是根据至少一个实施例的示出用于利用处理器的电子设备的框 图。
23.图20示出了根据至少一个实施例的计算机系统；
24.图21示出了根据至少一个实施例的计算机系统；
25.图22a示出了根据至少一个实施例的计算机系统；
26.图22b示出了根据至少一个实施例的计算机系统；
27.图22c示出了根据至少一个实施例的计算机系统；
28.图22d示出了根据至少一个实施例的计算机系统；
29.图22e和22f示出了根据至少一个实施例的共享编程模型；
30.图23是示出了根据至少一个实施例的可以使用一个或更多个ip核制 造的示例性片上系统集成电路的框图；
31.图24a-24b示出了根据至少一个实施例的示例性集成电路和相关联 的图形处理器；
32.图25a-25b示出了根据至少一个实施例的附加的示例性图形处理器 逻辑；
33.图26示出了根据至少一个实施例的计算机系统；
34.图27a示出了根据至少一个实施例的并行处理器；
35.图27b示出了根据至少一个实施例的分区单元；
36.图27c示出了根据至少一个实施例的处理集群；
37.图27d示出了根据至少一个实施例的图形多处理器；
38.图28示出了根据至少一个实施例的多图形处理单元(gpu)系统；
39.图29示出了根据至少一个实施例的图形处理器；
40.图30是示出了根据至少一个实施例的用于处理器的处理器微结构框 图；
41.图31示出了根据至少一个实施例的深度学习应用处理器；
42.图32是示出了根据至少一个实施例的示例神经元形态处理器的框图；
43.图33示出了根据一个或更多个实施例的图形处理器的至少部分；
44.图34示出了根据一个或更多个实施例的图形处理器的至少部分；
45.图35示出了根据一个或更多个实施例的图形处理器的至少部分；
46.图36是根据至少一个实施例的图形处理器的图形处理引擎的框图；
47.图37是根据至少一个实施例的图形处理器核心的至少部分的框图；
48.图38a-38b示出了根据至少一个实施例的线程执行逻辑，其包括图形 处理器核心的处理元件的阵列；
49.图39示出了根据至少一个实施例的并行处理单元(“ppu”)；
50.图40示出了根据至少一个实施例的通用加工团簇(“gpc”)；
51.图41示出了根据至少一个实施例的并行处理单元(“ppu”)的存储 器分区单元；
52.图42示出了根据至少一个实施例的流式多处理器。
53.图43是根据至少一个实施例的用于高级计算管线的示例数据流程图；
54.图44是根据至少一个实施例的用于在高级计算管线中训练、适应、 实例化和部署机器学习模型的示例系统的系统图。
具体实施方式
55.推理和训练逻辑
56.图1a示出了用于执行与一个或更多个实施例相关联的推理和/或训练 操作的推理和/或训练逻辑115。下面结合图1a和/或图1b提供关于推理 和/或训练逻辑115的细节。
57.在至少一个实施例中，推理和/或训练逻辑115可以包括但不限于代码 和/或数据存储101，用于存储前向和/或输出权重和/或输入/输出数据，和/ 或在一个或更多个实施例的方面中配置被训练为和/或用于推理的神经网 络的神经元或层的其他参数。在至少一个实施例中，训练逻辑115可以包 括或耦合到用于存储图形代码或其他软件以控制时序和/或顺序的代码和/ 或数据存储101，其中权重和/或其他参数信息被加载以配置逻辑，包括整 数和/或浮点单元(统称为算术逻辑单元(alu)或简单电路)。在至少一 个实施例中，代码(诸如图代码)基于该代码所对应的神经网络的架构将 权重或其他参数信息加载到处理器alu中。在至少一个实施例中，代码和 /或数据存储101存储在使用一个或更多个实施例的方面训练和/或推理期 间的输入/输出数据和/或权重参数的前向传播期间结合一个或更多个实施 例训练或使用的神经网络的每个层的权重参数和/或输入/输出数据。在至少 一个实施例中，代码和/或数据存储101的任何部分都可以包括在其他片上 或片外数据存储内，包括处理器的l1、l2或l3高速缓存或系统存储器。
58.在至少一个实施例中，代码和/或数据存储101的任何部分可以在一个 或更多个处理器或其他硬件逻辑设备或电路的内部或外部。在至少一个实 施例中，代码和/或数据存储101可以是高速缓存存储器、动态随机可寻址 存储器(“dram”)、静态随机可寻址存储器(“sram”)、非易失性存 储器(例如闪存)或其他存储。在至少一个实施例中，对代码和/或数据存 储101是在处理器的内部还是外部的选择，例如，或者由dram、sram、 闪存或某种其他存储类型组成，可以取决于存储片上或片外的可用存储空 间，正在执行训练和/或推理功能的延迟要求，在神经网络的推理和/或训练 中使用的数据的批大小或这些因素的某种组合。
59.在至少一个实施例中，推理和/或训练逻辑115可以包括但不限于代码 和/或数据存储105，以存储与在一个或更多个实施例的方面中被训练为和/ 或用于推理的神经网络的神经元或层相对应的反向和/或输出权重和/或输 入/输出数据。在至少一个实施例中，
在使用一个或更多个实施例的方面训 练和/或推理期间，代码和/或数据存储105存储在输入/输出数据和/或权重 参数的反向传播期间结合一个或更多个实施例训练或使用的神经网络的每 个层的权重参数和/或输入/输出数据。在至少一个实施例中，训练逻辑115 可以包括或耦合到用于存储图代码或其他软件以控制时序和/或顺序的代 码和/或数据存储105，其中权重和/或其他参数信息被加载以配置逻辑，该 逻辑包括整数和/或浮点单元(统称为算术逻辑单元(alu))。
60.在至少一个实施例中，代码(诸如图代码)使得基于该代码所对应的 神经网络的架构将权重或其他参数信息加载到处理器alu中。在至少一个 实施例中，代码和/或数据存储105的任何部分可以与其他片上或片外数据 存储一起包括，包括处理器的l1、l2或l3高速缓存或系统存储器。在至 少一个实施例中，代码和/或数据存储105的任何部分可以在一个或更多个 处理器或其他硬件逻辑设备或电路上的内部或外部。在至少一个实施例中， 代码和/或数据存储105可以是高速缓存存储器、dram、sram、非易失 性存储器(例如闪存)或其他存储。在至少一个实施例中，代码和/或数据 存储105是在处理器的内部还是外部的选择，例如，是由dram、sram、 闪存还是其他某种存储类型组成，取决于可用存储是片上还是片外，正在 执行的训练和/或推理功能的延迟要求，在神经网络的推理和/或训练中使用 的数据批量大小或这些因素的某种组合。
61.在至少一个实施例中，代码和/或数据存储101以及代码和/或数据存 储105可以是分开的存储结构。在至少一个实施例中，代码和/或数据存储 101以及代码和/或数据存储105可以是组合的存储结构。在至少一个实施 例中，代码和/或数据存储101以及代码和/或数据存储105可以部分地被组 合和部分分离。在至少一个实施例中，代码和/或数据存储101以及代码和 /或数据存储105的任何部分可以与其他片上或片外数据存储包括在一起， 包括处理器的l1、l2或l3高速缓存或系统存储器。
62.在至少一个实施例中，推理和/或训练逻辑115可以包括但不限于一个 或更多个算术逻辑单元(“alu”)110(包括整数和/或浮点单元)，用于 至少部分地基于训练和/或推理代码(例如，图代码)或由其指示来执行逻 辑和/或数学运算，其结果可能会产生存储在激活存储120中的激活(例如， 来自神经网络内部的层或神经元的输出值)，其是存储在代码和/或数据存 储101和/或代码和/或数据存储105中的输入/输出和/或权重参数数据的函 数。在至少一个实施例中，激活响应于执行指令或其他代码，由alu 110 执行的线性代数和/或基于矩阵的数学生成在激活存储120中存储的激活， 其中存储在代码和/或数据存储105中和/或代码和/或数据存储101中的权 重值用作具有其他值的操作数，例如偏置值、梯度信息、动量值或其他参 数或超参数，可以将任何或所有这些存储在代码和/或数据存储105或代码 和/或数据存储101或其他片上或片外存储中。
63.在至少一个实施例中，一个或更多个处理器或其他硬件逻辑设备或电 路中包括一个或更多个alu 110，而在至少一个其他实施例中，一个或更 多个alu 110可以在处理器或其他硬件逻辑设备或使用它们(例如协处理 器)的电路外。在至少一个实施例中，可以将一个或更多个alu 110包括 在处理器的执行单元之内，或者以其他方式包括在由处理器的执行单元可 访问的alu组中，或者在同一处理器内或者分布在不同类型的不同处理器 之间(例如，中央处理单元、图形处理单元、固定功能单元等)。在至少 一个实施例中，代码和/或数据存储101、代码和/或数据存储105以及激活 存储120可以共享处理器或其他硬件逻
辑设备或电路，而在至少一个其他 实施例中，它们可以在不同的处理器或其他硬件逻辑设备或电路或相同和 不同处理器或其他硬件逻辑设备或电路的某种组合中。在至少一个实施例 中，激活存储120的任何部分可以与其他片上或片外数据存储包括在一起， 包括处理器的l1、l2或l3高速缓存或系统存储器。此外，推理和/或训 练代码可以与处理器或其他硬件逻辑或电路可访问的其他代码一起存储， 并可以使用处理器的提取、解码、调度、执行、退出和/或其他逻辑电路来 提取和/或处理。
64.在至少一个实施例中，激活存储120可以是高速缓存存储器、dram、 sram、非易失性存储器(例如，闪存)或其他存储。在至少一个实施例 中，激活存储120可以完全地或部分地在一个或更多个处理器或其他逻辑 电路内部或外部。在至少一个实施例中，可以取决于片上或片外可用的存 储，执行训练和/或推理功能的延迟要求，在推理和/或训练神经网络中使用 的数据的批量大小或这些因素的某种组合，选择激活存储120是处理器的 内部还是外部，例如，或者包含dram、sram、闪存或一些其他存储类 型。
65.在至少一个实施例中，图1a中所示的推理和/或训练逻辑115可以与 专用集成电路(“asic”)结合使用，例如来自google的处理 单元、来自graphcore
tm
的推理处理单元(ipu)或来自intel corp的 (例如“lake crest”)处理器。在至少一个实施例中，图1a所示 的推理和/或训练逻辑115可与中央处理单元(“cpu”)硬件，图形处理单 元(“gpu”)硬件或其他硬件(例如现场可编程门阵列(“fpga”))结合 使用。
66.图1b示出了根据至少一个实施例的推理和/或训练逻辑115。在至少 一个实施例中，推理和/或训练逻辑115可以包括但不限于硬件逻辑，其中 计算资源被专用或以其他方式唯一地连同对应于神经网络内的一层或更多 层神经元的权重值或其他信息一起使用。在至少一个实施例中，图1b中 所示的推理和/或训练逻辑115可以与专用集成电路(asic)结合使用，例 如来自google的处理单元，来自graphcore
tm
的推理处理单 元(ipu)或来自intel corp的(例如“lake crest”)处理器。在 至少一个实施例中，图1b中所示的推理和/或训练逻辑115可以与中央处 理单元(cpu)硬件、图形处理单元(gpu)硬件或其他硬件(例如现场 可编程门阵列(fpga))结合使用。在至少一个实施例中，推理和/或训 练逻辑115包括但不限于代码和/或数据存储101以及代码和/或数据存储 105，其可以用于存储代码(例如，图代码)、权重值和/或其他信息，包 括偏置值、梯度信息、动量值和/或其他参数或超参数信息。在图1b中所 示的至少一个实施例中，代码和/或数据存储101以及代码和/或数据存储 105中的每一个都分别与专用计算资源(例如计算硬件102和计算硬件106) 相关联。在至少一个实施例中，计算硬件102和计算硬件106中的每一个 包括一个或更多个alu，这些alu仅分别对存储在代码和/或数据存储101 和代码和/或数据存储105中的信息执行数学函数(例如线性代数函数)， 执行函数的结果被存储在激活存储120中。
67.在至少一个实施例中，代码和/或数据存储101和105以及相应的计算 硬件102和106中的每一个分别对应于神经网络的不同层，使得从代码和/ 或数据存储101和计算硬件102的一个“存储/计算对101/102”得到的激活 提供作为代码和/或数据存储105和计算硬件106的下一个“存储/计算对 105/106”的输入，以便反映神经网络的概念组织。在至少一个实施例中， 每个存储/计算对101/102和105/106可以对应于一个以上的神经网络层。
68.在至少一个实施例中，在推理和/或训练逻辑115中可以包括在存储计算对 101/102和105/106之后或与之并行的附加存储/计算对(未示出)。
69.神经网络训练和部署
70.图2示出了根据至少一个实施例的深度神经网络的训练和部署。在至 少一个实施例中，使用训练数据集202来训练未经训练的神经网络206。 在至少一个实施例中，训练框架204是pytorch框架，而在其他实施例中， 训练框架204是tensorflow，boost，caffe，microsoft cognitivetoolkit/cntk，mxnet，chainer，keras，deeplearning4j或其他训练框架。 在至少一个实施例中，训练框架204训练未经训练的神经网络206，并使 它能够使用本文所述的处理资源来训练，以生成经训练的神经网络208。 在至少一个实施例中，权重可以被随机选择或通过使用深度信念网络预训 练。在至少一个实施例中，可以以有监督、部分有监督或无监督的方式执 行训练。
71.在至少一个实施例中，使用有监督学习来训练未经训练的神经网络 206，其中训练数据集202包括与用于输入的期望输出配对的输入，或者其 中训练数据集202包括具有已知输出的输入和神经网络206是手动分级的 输出。在至少一个实施例中，以有监督的方式来训练未经训练的神经网络 206，并且处理来自训练数据集202的输入，并将结果输出与一组期望或想 要的输出进行比较。在至少一个实施例中，然后通过未经训练的神经网络 206将误差传播回去。在至少一个实施例中，训练框架204调整控制未经 训练的神经网络206的权重。在至少一个实施例中，训练框架204包括用 于监视未经训练的神经网络206向模型(例如，经训练的神经网络208) 收敛的程度的工具，适于基于输入数据(例如新数据集212)生成正确答 案(例如结果214)的模型。在至少一个实施例中，训练框架204反复训 练未经训练的神经网络206，同时调整权重以使用损失函数和调整算法(例 如随机梯度下降)来改善未经训练的神经网络206的输出。在至少一个实 施例中，训练框架204训练未经训练的神经网络206，直到未经训练的神 经网络206达到期望的精度为止。在至少一个实施例中，然后可以部署经 训练的神经网络208以实现任何数量的机器学习操作。
72.在至少一个实施例中，使用无监督学习来训练未经训练的神经网络 206，其中未经训练的神经网络206尝试使用未标记的数据来训练自己。在 至少一个实施例中，无监督学习训练数据集202将包括输入数据，而没有 任何关联的输出数据或“地面实况”数据。在至少一个实施例中，未经训练 的神经网络206可以学习训练数据集202内的分组，并且可以确定各个输 入如何与未经训练的数据集202相关。在至少一个实施例中，可以使用无 监督训练来在经训练的神经网络208中生成自组织图，其能够执行对减少 新数据集212的维度有用的操作。在至少一个实施例中，无监督训练也可 以用于执行异常检测，这允许识别新数据集212中偏离新数据集212的正 常模式的数据点。
73.在至少一个实施例中，可以使用半监督学习，这是一种技术，其中在 训练数据集202中包括标记数据和未标记数据的混合。在至少一个实施例 中，训练框架204可以用于例如通过转移的学习技术来执行递增学习。在 至少一个实施例中，递增学习使得经训练的神经网络208能够适应新数据 集212，而不会忘记在初始训练期间注入到经训练的神经网络208内的知 识。
74.用于特定于域的知识发现的基于变换器的语言神经网络
75.如上所述，难以在大型的文献语料库内访问潜在的特定于域的知识。 例如，即使
对于生物化学和有机化学的专家，在大型的文献语料库中也难 以发现特定药物的性质(例如，药物在临床试验中的疗效或药物是否是抑 制剂)。一些语言建模方法，诸如跳过-语法词2矢量(skip-gram word2vec) 语言建模方法，已经被用于访问潜在的特定于领的知识。基于精确词映射 的跳过-语法词2矢量语言建模方法不考虑否定或使用这些词的其他上下 文，由此在语言建模中不实现高准确度。给定对精确词匹配的要求以及在 大型特定于域的数据集中使用的特定于域的术语的量，跳过-语法词2矢量 模型在推理阶段期间遭受词汇问题和所产生的计算问题。
76.在至少一个实施例中，使用一个或更多个基于变换器的语言神经网络， 以便能够基于词语上下文来预测存在于大型文献语料库中的词语短语的统 计特性，并且预测存在于文献语料库中的不同短语之间的关联。在至少一 个实施例中，诸如来自变换器的双向编码器表示(bert)神经网络之类的 已知的基于变换器的语言神经网络被修改以产生一个或更多个基于变换器 的语言神经网络，该一个或更多个基于变换器的语言神经网络可以预测存 在于大型文献语料库中的词短语及其关联的统计特性。在至少一个实施例 中，使用来自变换方法的鲁棒优化的双向编码器表示(roberta)和特定 于域的数据来训练基于变换器的语言神经网络，而大量的文献语料库是领 域不可知论者。roberta使用bert模型，同时修改bert模型的关键超 参数，并且在训练bert模型时移除下一句子检测目标。在至少一个实施 例中，基于roberta的神经网络使用字节级编码(称为字节对编码(bpe)) 作为令牌化器并且使用与bert神经网络不同的预训练方案。在至少一个 实施例中，roberta语言神经网络在管理良好的特定于域的数据集上被训 练以隔离和提取相关信息。在至少一个实施例中，特定于域的数据集包括 因特殊主题而特定的一个或更多个文档。在至少一个实施例中，基于 roberta的神经网络(也被称为roberta-large模型)在特定于域的数据 的大语料库上被训练，并且在推理期间被修改以计算用于识别查询短语与 相应目标短语之间的关系或关联的查询-目标(qt)预测。
77.在至少一个实施例中，一个或更多个基于变换器的语言神经网络(例 如，如上所述修改的基于roberta的神经网络)可以通过计算关于在推理 阶段期间查询短语与目标短语之间的关联的条件概率来扩展词短语的统计 特性预测(例如，掩码语言预测)。在至少一个实施例中，条件概率被计算 为对一个或更多个基于变换器的语言神经网络的输出进行归一化的 softmax函数。在至少一个实施例中，通过使用被修改为计算查询和目标短 语的条件概率的基于变换器的语言神经网络，基于变换器的语言神经网络 将否定、灵活的措辞和使用词语的其他上下文考虑在内，实现高准确度， 并且不遭受词汇和所产生的计算问题。在至少一个实施例中，一个或更多 个基于变换器的语言神经网络针对目标短语中的期望属性对查询短语中的 感兴趣项目进行排序，从而反映大型文献语料库中的潜在特定于域的信息。
78.在至少一个实施例中，如以下关于图6至图14更详细描述的，一个 或更多个示例性的基于变换器的语言神经网络是使用特定于域的数据来训 练的，诸如特定于药理学的有良好组织的数据集，在推理阶段期间，用于 识别在一个或更多个文档中描述的一种或更多种药物或药物。在至少一个 实施例中，特定于药理学的数据集可以包括机器可读的全文文献数据集， 如“cord-19”，该数据集包括可以被访问用于涉及covid-19的药物发 现的潜在信息。cord-19数据集的质量归因于在文献上具有窄焦点的全文 访问的可用性，其在先
前的医学微调研究中不可用。在至少一个实施例中，
ꢀ“
cord-19”数据集的第一部分(例如，80％)用于训练一个或更多个基 于变换器的语言神经网络，并且第二部分(例如，20％)用于进一步调整 一个或更多个基于变换器的语言神经网络。
79.图3是根据至少一个实施例的使用特定于域的数据304来训练一个或 更多个基于变换器的语言神经网络302的过程300的示例数据流程图。在 至少一个实施例中，在训练阶段期间，一个或更多个基于变换器的语言神 经网络302从特定于域的数据304接收输入词306(诸如词序列)，并将输 入词306编码成向量空间中的向量。在至少一个实施例中，向量包括对应 于输入词306的一个或更多个词的一个或更多个令牌。在至少一个实施例 中，一个或更多个基于变换器的语言神经网络302包括一个或更多个层， 并且输入层将输入词306令牌化成向量空间中的向量。在至少一个实施例 中，输入层使用字节对编码(bpe)来将输入词306令牌化成向量。在至 少一个实施例中，bpe令牌化可以执行子词令牌化，其中可以将一个或更 多个词拆分成用于令牌化的子词。在至少一个实施例中，50k字节对编码 令牌化被用于一个或更多个基于变换器的语言神经网络302。在至少一个 实施例中，一个或更多个基于变换器的语言神经网络302包括默认的超参 数的集合。在至少一个实施例中，一个或更多个基于变换器的语言神经网 络302包括：输入层，其创建与输入词相对应的向量；一个或更多个隐藏 层，其根据词的上下文来处理这些向量；以及输出层，其诸如以softmax 函数的形式来计算词与上下文的概率。在至少一个实施例中，softmax函数 可包括归一化器。在至少一个实施例中，如下所述，在给定一个或更多个 词的查询短语的情况下，softmax函数可计算一个或更多个词的目标短语的 条件概率。在至少一个实施例中，一个或更多个基于变换器的语言神经网 络302可以在前向传播中使用softmax函数。在至少一个实施例中，一个 或更多个基于变换器的语言神经网络302可以使用其他交叉熵函数。在至 少一个实施例中，一个或更多个基于变换器的语言神经网络302基于根据 特定于域的数据训练的一个或更多个roberta神经网络。在至少一个实施 例中，roberta神经网络使用语言掩码策略，该语言掩码策略学习预测未 注释语言内的有意隐藏的文本部分。在至少一个实施例中，一个或更多个 基于变换器的语言神经网络302包括electra变换器、bert变换器、 xlnet变换器或类似的变换器。在至少一个实施例中，一个或更多个基于 变换器的语言神经网络302包括具有多个注意力机制的变换器，诸如用于 一个或更多个查询词的第一注意力机制和用于一个或更多个目标词的第二 注意力机制。在至少一个实施例中，一个或更多个基于变换器的语言神经 网络302使用无监督预训练目标在大数据集上预训练，并随后利用特定于 域的数据来微调以用于识别一个或更多个输入词之间的一个或更多个关系 的特定任务，诸如一个或更多个查询词、以及用于特定于域的数据中的知 识发现的一个或更多个目标词。在至少一个实施例中，利用监督训练或半 监督训练来微调一个或更多个基于变换器的语言神经网络302。在至少一 个实施例中，一个或更多个基于变换器的语言神经网络302用k-shot方法 进行微调。
80.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 包括查询-目标条件层，其在给定查询短语中的查询词的情况下，使用 softmax函数来计算目标短语中的每个目标词的条件概率，以及求和层，用 于对目标短语中的每个目标词的条件概率求和以获得指示查询词与目标短 语之间的量化关系的分数。
81.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 包括用于执
行以下操作的层：计算查询词的第一掩码语言预测；计算目标 短语中的每个目标词的第二掩码语言预测；执行第一掩码语言预测和第二 掩码语言预测的点积的乘法以过滤第一掩码语言预测和第二掩码语言预测 以获得目标短语的查询-目标预测；以及对针对目标短语的查询-目标预测 求和以获得指示查询词和目标短语之间的量化关系的分数。在至少一个实 施例中，一个或更多个查询-目标预测各自包括第一查询-目标预测，该第 一查询-目标预测可以是指示查询词与目标短语中的对应目标词之间的正 关系的正数。在至少一个实施例中，一个或更多个查询-目标预测各自包括 第一查询-目标预测，该第一查询-目标预测是指示查询词与目标短语中的 对应目标词之间的负关系的负数。
82.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 包括用于对查询短语的每个词与目标短语的每个词之间的关联的分数进行 求和并归一化的评分函数。在至少一个实施例中，一个或更多个基于变换 器的语言神经网络302包括用于对目标短语中的期望属性的查询短语中的 感兴趣项目进行排序的排序函数。
83.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 接收一个或更多个词的查询短语和一个或更多个词的目标短语。在至少一 个实施例中，一个或更多个基于变换器的语言神经网络包括评分函数以对 查询短语的每个词与目标短语的每个词之间的关联的分数进行求和和归一 化。在至少一个实施例中，一个或更多个基于变换器的语言神经网络包括 用于对目标短语中的期望属性的查询短语中的感兴趣项目进行排序的排序 函数。
84.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 是具有掩码语言模型(mlm)目标的预训练模型。在至少一个实施例中，mlm目标取得句子并随机地掩码输入中的词的百分比并预测掩码词，从 而允许一个或更多个基于变换器的语言神经网络302学习句子的双向表示。 在至少一个实施例中，可以使用双向表示来提取对下游任务有用的特征。
85.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302用一 种或更多种模拟评估进行预训练，包括语义类似物和特定于域的类似物， 诸如下文更详细描述的抗病毒药物类似物。
86.在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 对第一注意力机制的第一输出和第二注意力机制的第二输出执行点积的乘 法以获得包括一个或更多个查询词中的每个查询词的一个或更多个目标词 中的每个目标词的一个或更多个条件概率的输出。在至少一个实施例中， 使用k-shot学习方法来训练一个或更多个基于变换器的语言神经网络302。 在至少一个实施例中，仅使用k个示例来对一个或更多个基于变换器的语 言神经网络302进行微调以用于分类任务，如以下更详细地描述的，其中 k-shot roberta-large模型被用于大型文献数据集中的药物发现。
87.在至少一个实施例中，在训练阶段期间，掩码语言模型(mlm)任 务308通过用＜掩码＞牌替换令牌，或损坏的令牌的百分比(例如，13.5％) 来执行训练。在至少一个实施例中，对于被替换的令牌，90％的令牌被＜ 掩码＞令牌替换，并且10％的令牌被损坏的令牌替换。可替代地，可以使 用其他百分比的掩码令牌和损坏的令牌。在至少一个实施例中，在训练阶 段期间，特定于域的数据304可被动态地掩码多次，诸如10次。在至少一 个实施例中，一个或更多个基于变换器的语言神经网络302将交叉熵丢失 用于mlm预测310。在至少
一个实施例中，mlm预测310用于具有文本 提示的类似评估，如“a到b，如同c到掩码”或其他类似评估语句。在 至少一个实施例中，使用特定于域的数据304来训练一个或更多个基于变 换器的语言神经网络302，以识别一个或更多个输入词306之间的一个或 更多个关系。在至少一个实施例中，在“cord-19”数据集上和在多个训 练步骤(例如，100，000个步骤)之后训练一个或更多个基于变换器的语 言神经网络302，mlm任务在训练阶段的语言建模期间达到保留用于测试 的文本百分比(例如，20％)的复杂性(例如，2.4696)。
88.在至少一个实施例中，输入词306之间的关系可包括一个或更多个词 的查询短语与一个或更多个词的目标短语之间的关系。在至少一个实施例 中，词之间的关系可以用于发现特定于域的数据304中的潜在特定于域的 信息。在至少一个实施例中，一个或更多个基于变换器的语言神经网络302 包括用于词汇表生成和对mlm预测310的评估的一个或更多个层。在至 少一个实施例中，一个或更多个基于变换器的语言神经网络302可以使用 softmax函数312来计算mlm预测310。在至少一个实施例中，在训练阶 段之后，一个或更多个基于变换器的语言神经网络302可以计算mlm预 测310。mlm预测310的示例在下文关于图4示出和描述。
89.图4是根据至少一个实施例的针对掩码语言预测的特定于域的数据中 的词的关系的统计特性的示例注意力可视化400。注意力可视化400包括 自序列到序列，其包括对应于词的输入短语的第一输入序列和对应于相同 的词的输入短语的第二输入序列，其中在给定第二输入序列中的每个令牌 的情况下，针对第一输入序列中的每个令牌计算掩码语言预测。在该示出 的示例中，一个或更多个基于变换器的语言神经网络302从特定于域的数 据接收输入句子，如“重要的是，法维匹拉韦三磷酸盐显示出针对甲型流 感病毒(包括高致病性h5n1病毒)的rna聚合酶的广谱抑制活性(330， 333)以及许多其他正义rna病毒和负义rna病毒的疗效(331)”，并且 通过计算输入语句中的词与其自身的关系的统计特性来检查相应的序列与 序列之间的注意力。如衰减可视化400所示，每行包括作为查询短语402 的序列的词或子词，并且每列包括作为目标短语404的序列的词或子词， 并且每个词或子词是令牌。注意力可视化400的每个单元绘制每个令牌的 注意力，其中白色是正关联，黑色是负关联，并且中间的不同阴影表示不 同的关联水平。每令牌的注意力基于如上所述的mlm预测。在至少一个 实施例中，每令牌的注意力是计算交叉熵丢失，如等式(1)中所表达的：
[0090][0091]
图5是根据至少一个实施例的使用一个或更多个基于变换器的语言神 经网络502来识别一个或更多个词之间的一个或更多个关系的过程500的 示例数据流程图。在至少一个实施例中，在推理阶段期间，基于感兴趣的 关系来选择查询短语504和目标短语506。在至少一个实施例中，与 roberta训练目标的关系被表示为等式(2)：
[0092][0093]
其中指示掩码的令牌，否则为0，x∈[x1,
…
,x
t
]是文本序列，表示被破 坏的令
牌，表示掩码的令牌，e(x)是文本序列的嵌入，并且h
θ
是将t 长度文本序列映射到隐藏向量序列中的roberta-large架构的函数。在至 少一个实施例中，通过一个或更多个基于变换器的语言神经网络502，在 具有掩码语言预测508的准确mlm推理中优化训练目标结果。在至少一 个实施例中，对于mlm推理，掩码令牌q∈[q1,
…
,q
l
]针对掩码语言预测 508(也被称为令牌预测)，如等式(3)中所表达的：
[0094][0095]
在至少一个实施例中，按照等式(1)和(3)计算自顺序至顺序注意 力的注意力关系并且在图4的注意力可视化400中示出。
[0096]
在至少一个实施例中，对于查询-目标(qt)预测510，掩码的令牌 目标以查询-目标y∈[y1,
…
,y
l
]为条件，如在等式(4)中表达的：
[0097][0098]
在至少一个实施例中，在推理阶段期间，qt预测510遵循等式(2) 中的独立假设，并且因此包含在训练目标中。即，暗示了精确的qt预测。 在至少一个实施例中，当q＝y时，qt调节方法分解为mlm任务预测。在 至少一个实施例中，由于拒绝将在点积公式中接纳的外来令牌，qt调节 方法比重新制定跨度预测方法更集中。在至少一个实施例中，qt预测是 查询短语的注意力关系与目标短语的注意力关系的点积的乘法。在至少一 个实施例中，一旦已经形成qt预测510，则可以使用来自查询短语504 和目标短语506的词使用“q是到t因为q是＜掩码＞”来置换类比mlm 任务，来分析前k个相关术语而无需调节。在至少一个实施例中，对于排 序预测，具有正关联和负关联的令牌不是故意混合的，因为它们是用于可 视化目的。如上所述，如等式(1)所示，变换器注意力可视化检查绘制每 令牌注意力的自序列到序列注意力。在至少一个实施例中，对于qt衰减 可视化，在等式(5)中表示每个查询-目标短语的令牌注意力：
[0099][0100]
在至少一个实施例中，qt评分适于句子突出显示，诸如以下关于图 11示出和描述的。在至少一个实施例中，qt评分包括负关联，与不确定 负关联的跨度提取或抽象概括方法相比，提供否定处理作为qt评分的预 期结果。在至少一个实施例中，qt评分方法提供负关联作为超越跳过-语 法词2矢量评分方法的进步。在至少一个实施例中，可以对诸如时间序列 数据之类的推理数据执行前向链接(fc)分析。在至少一个实施例中，一 个或更多个基于变换器的语言神经网络502使用查询-目标条件方法来从 数据集中隔离和提取相关信息。在至少一个实施例中，一个或更多个基于 变换器的语言神经网络502使用一种方法，该方法使用查询-目标调节来扩 展掩码语言令牌预测以处理特异性挑战。在至少一个实施例中，由一个或 更多个基于变换器的语言神经网络502进行的推理被修改为调节目标短语 (例如，词1、词2、词3、词4)中的softmax概率。在至少一个实施例 中，一个或更多个基于变换器的语言神经网络502实现包括对查询短语504 和目标短语506求和和归一化的评分函
数512。在至少一个实施例中，基 于评分函数512对目标短语506中的期望属性的查询短语504中的感兴趣 项目进行排序。在至少一个实施例中，可通过对统计上存在于大数据语料 库中的、难以由律师或专家从业者发现的词语执行预测发现，使用一个或 更多个基于变换器的语言神经网络502来挖掘特定于域的知识。在至少一 个实施例中，使用一个或更多个基于变换器的语言神经网络502来执行预 测发现可以使得能够访问潜在知识，从而导致在特定于域的数据内的属性 的材料、方法和排序中更快的发现。在至少一个实施例中，对年限数据执 行根据等式(4)的等级计算。在至少一个实施例中，例如，目标查询被设 置为“临床试验疗效”并且候选药物选自临床试验数据集，如以下关于图 6至图14更详细描述的。
[0101]
图6是根据至少一个实施例的使用一个或更多个基于变换器的语言神 经网络602的过程600的示例数据流程图，该一个或更多个基于变换器的 语言神经网络602是使用特定于域的数据601来训练的，以便识别在一个 或更多个文档中描述的一种或更多种药物。在至少一个实施例中，一个或 更多个基于变换器的语言神经网络602至少部分地基于每个候选药物与至 少一个目标特性之间的关联的条件概率来识别和排序来自临床试验数据集 的一个或更多个候选药物。
[0102]
在至少一个实施例中，在推理阶段期间，基于感兴趣的关系来选择查 询短语604和目标短语606。在至少一个实施例中，一个或更多个基于变 换器的语言神经网络602执行掩码语言任务，如“药物x可以用于[mask] 的治疗”，其中查询短语604是“药物x”并且目标短语606是“疗效和副 作用。”在至少一个实施例中，如以上关于等式(2)所描述的，一个或更 多个基于变换器的语言神经网络602的函数将t长度文本序列映射到隐藏 向量序列中。在至少一个实施例中，优化训练目标导致如以上在等式(3) 中表达的准确mlm推理608。在至少一个实施例中，对于查询-目标预测 610，掩码的令牌目标取决于查询-目标，如在等式(4)中表示的。在至少 一个实施例中，掩码语言预测608被目标短语606过滤，从而导致查询
‑ꢀ
目标预测610，包括查询短语604的每个词与目标短语606的每个词之间 的关联。如图6所示，来自目标短语606的“疗效”与来自查询短语604 的“药物x”具有正关联，并且来自目标短语606的“和”和“侧面”与 来自查询短语604的“药物x”具有负关联。来自目标短语606的“效果
”ꢀ
具有在来自目标短语606的“疗效”与“侧面”的关联之间的关联。在至 少一个实施例中，对于排序预测，一个或更多个基于变换器的语言神经网 络602基于在查询-目标预测610中计算的关联来对“药物x”进行评分。 在至少一个实施例中，一个或更多个基于变换器的语言神经网络602将多 个候选药物的药物评分函数612中的查询-目标预测610求和并归一化为查 询短语604，其中目标短语606被设置为“疗效和副作用。”[0103]
在至少一个实施例中，在训练阶段期间，mlm任务通过用＜掩码＞ 令牌或损坏的令牌替换令牌的百分比(例如，13.5％)来执行训练。在至 少一个实施例中，对于被替换的令牌，90％的令牌被＜掩码＞令牌替换， 并且10％的令牌被损坏的令牌替换。在至少一个实施例中，交叉熵丢失由 一个或更多个基于变换器的语言神经网络602用于预测。在至少一个实施 例中，一个或更多个基于变换器的语言神经网络602使用50k字节对编码 令牌化。在至少一个实施例中，特定于域的数据601包括“cord-19”数 据集，并且一个或更多个基于变换器的语言神经网络602使用临床试验数 据集用于推理数据。在至少一个实施例中，动态地屏蔽来自cord-19数 据集的输入十次。临床试验数据集可以包括美国食品和药物管理局(fda) 批准的药物和全球临床试验数据，如图7中总结的。
[0104]
图7是示出了根据至少一个实施例的样品临床试验数据集的概述的表 700。表700包括每年结尾的试验和试验药物的数量的计数。在至少一个实 施例中，当批准最后的抗病毒药物时，使用流感作为病况，可以使用一种 或更多种基于变换器的语言神经网络602来检查搜索项以通过药物治疗进 行过滤并且聚焦在2016年之前的数年。在至少一个实施例中，使用来自临 床试验数据集的图表对商品名和科学名执行去重。在图8中绘制了每年特 定针对流感的多种候选药物和批准的药物。在至少一个实施例中，可以使 用其他特定类型的药物。
[0105]
图8是示出了根据至少一个实施例的每年试验的特定类型的候选药物 的数量和随时间推移授予fda批准的特定类型药物(“类型x”)的总量示 例图800。在图800中，线802表示接受fda批准的特定类型药物。例如， 全球只有八种被批准用于流感毒株的抗病毒药物与第九种接受紧急批准的 药物瑞德西韦(remdesivir)。
[0106]
返回参考图6，一个或更多个基于变换器的语言神经网络602可以执 行模拟评估，包括语言类似物(例如，语法类似物)和药物类似物(例如， 抗病毒类似物)，如以下关于图9所示出和描述的。
[0107]
图9是根据至少一个实施例的用于语义学习的评估的类似类别的样本 表900。在至少一个实施例中，为了模拟评估，语言类似物的集合和药物 类似物是从临床试验数据集中的关系中抽取的。在至少一个实施例中，如 表900所示，每个类别902具有可以进行的多个模拟评估904，以及子类 别906，例如抗病毒或语法模拟评估。在至少一个实施例中，抗病毒亚类 906包括以下类别902清单：“药物-抑制”、“药物-组”、“药物-缩写”和“药 物-批准的目标。”在至少一个实施例中，语法子类别906包括以下类别列 表902：“对手”、“比较”、“超级”、“呈现参与”、“过去时态”、“多个”和
ꢀ“
多个动词。”在至少一个实施例中，对于k-shot训练，来自每个类别的 k＝5类比的随机集合被用作mlm任务的附加预训练。
[0108]
返回参照图6，在推理阶段期间，一个或更多个基于变换器的语言神 经网络602可以对临床试验数据集执行fc分析。在至少一个实施例中， 为了保持时间序列数据的性质，对图800中的年限数据进行等式(5)的等 级计算，其包括每年分类的候选流感药物的数量和随着时间的推移授予 fda批准的流感药物的总量。查询短语604被设定为来自临床试验数据集 的每个候选药物，如来自表700的第2栏中指定的数字，并且目标短语606 被设定为“临床试验疗效。”[0109]
在至少一个实施例中，一个或更多个基于变换器的语言神经网络602 使用查询-目标条件方法来从临床试验数据集中分离和提取相关信息。在至 少一个实施例中，由一个或更多个基于变换器的语言神经网络602进行的 推理被修改为调节目标短语606中的softmax概率(例如，“临床”、“试验
”ꢀ
和“疗效”)。在至少一个实施例中，一个或更多个基于变换器的语言神经 网络602实现评分函数612，其包括针对每个查询短语604的候选药物的 求和以及归一化以及针对目标短语606的“临床试验疗效”。在至少一个实 施例中，基于评分函数612对查询短语604中的每个候选药物的感兴趣项 目(如“疗效”)进行排序。
[0110]
在至少一个实施例中，一个或更多个基于变换器的语言神经网络602 从临床试验数据集中识别具有至少一个目标特性的一种或更多种药物。在 至少一个实施例中，一个或更多个基于变换器的语言神经网络通过基于临 床试验数据集对候选药物进行排序来确定用于药物批准的候选药物，至少 部分地基于候选药物作为临床试验数据集中的查询词的
查询-目标条件预 测和作为临床试验数据集中的目标特性的疗效特性。
[0111]
在至少一个实施例中，在推理短语期间，一个或更多个基于变换器 的语言神经网络602，在特定于域的数据上训练的这些特定于域的数据可 以在推理阶段期间被修改以计算查询短语(例如，药物x)与目标短语(例 如，“疗效和副作用”和“临床试验疗效”)之间的关联的条件概率。在至 少一个实施例中，一个或更多个基于变换器的语言神经网络602使用 softmax函数来计算查询短语604与目标短语605之间的关联的条件概率。 在至少一个实施例中，使用条件概率，候选药物物被排序以识别可能得到 审查机构(诸如fda)批准的候选药物物的子集。在至少一个实施例中， 一个或更多个基于变换器的语言神经网络602执行高级情感分析以确定分 数，并且mlm推理挖掘查询短语604与目标短语606之间的关系。在至 少一个实施例中，一个或更多个基于变换器的语言神经网络602使用注意 力可视化方法执行高级情感分析，以确定如图10-11所示和所述的每句段 落突出显示分数。
[0112]
图10是根据至少一个实施例的特定于域的数据中的查询词1002和 目标短语的目标词1004-1008的关系的统计特性的示例注意力可视化1000。 在至少一个实施例中，一个或更多个基于变换器的语言神经网络可以确定 查询词1002、“药物x”(如“法维匹拉韦”)和目标词1004-1008(如“疗 效”、“和”、“副”、“效果”)的关系的统计特性，如注意力可视化1000中 所示出的。在至少一个实施例中，一个或更多个基于变换器的语言神经网 络可以使用qt预测来确定关系，该qt预测表示基于等式(5)的注意力 可视化1000的每个查询-目标的令牌注意力。在至少一个实施例中，可以 使用查询-目标函数来确定注意力可视化1000，该查询-目标函数示出肯定 (亮)关联，诸如作为查询词1002的“药物x”与作为目标词1004的“疗 效”之间的关联1012，以及否定(暗)关联，诸如作为查询词1002的“药 物x”与作为目标词1006的“和”之间的关联1014。在至少一个实施例 中，注意力可视化1000还可以示出正(亮)关联和负(暗)关联之间的关 联，诸如作为查询词1002的“药物x”与作为目标词1008的“侧”之间 的关联1016以及作为查询词1002的“药物x”与作为目标词1010的“效 果”之间的关联1018。在至少一个实施例中，关联1016具有比关联1014 更肯定的与查询词1002的关联，关联1018具有比关联1016更肯定的与查 询词1002的关联，以及关联1012具有比关联1018更肯定的与查询词1002 的关联。可替代地，其他词可用于查询词1002并且一个或更多个其他词可 用于目标短语，并且对应的关联可从查询-目标(qt)预测与那些输入词 来确定。
[0113]
图11是根据至少一个实施例的使用目标术语1052以每句为基础突 出显示的特定于域的数据中的示例段落1050。在至少一个实施例中，一个 或更多个基于变换器的语言神经网络可以确定给定查询词1054的目标词 的qt评分，如“药物x(drug x)”。在至少一个实施例中，目标术语1052， 如“特性y(property y)”(例如，疗效、效果、抑制剂、或其他目标特性) 被选择作为给定查询词1054的目标短语中的感兴趣项目，并且一个或更多 个基于变换器的语言神经网络可以基于针对给定查询词1054的目标项 1052的qt评分来识别特定于域的数据中的示例段落1050中的一个或更 多个句子。在至少一个实施例中，目标术语1052可以是多于一个词语，如
ꢀ“
副作用”或“临床试验疗效。”在至少一个实施例中，如图11所示，一 个或更多个基于变换器的语言神经网络识别示例段落1050中的第一句子 1056和第二句子1058，两者都包括目标项1052(例如，特性y)和查询 词1054(例如，药物x)。在至少一个实施例中，第二句子1058对应于图 4的衰减可视化400中使用的句子，其包括查询词和目标
词(也被称为关 键字或关键词)之间的关联的自序列到序列可视化。在至少一个实施例中， 在给定查询词的情况下，可以使用针对目标短语的qt预测来识别第一句 子1056、第二句子1058或其任何组合，诸如以上关于图10的注意力可视 化1000所图示和描述的，其中查询词是“药物x”(例如，“法匹拉韦 (favipiravir)”)并且目标短语是“疗效和副作用。”[0114]
在至少一个实施例中，qt预测或qt评分可以用于模拟评估，包括 药物类似物(抗病毒类似物)和语义类似物(例如，语法类似物)。
[0115]
在至少一个实施例中，cord-19roberta-large模型可以捕获合成 类似物，如抗病毒类似物，并且可以用于正向链(fc)分析中的正向预测， 如以下关于图12所描述的。在至少一个实施例中，语法类似物和抗病毒类 似物可以用于对药物进行排序，如以下关于图13所描述的。
[0116]
图12是示出了根据至少一个实施例的候选药物多年的预测等级和 fda批准的指示示例图1200。在至少一个实施例中，一个或更多个基于变 换器的语言神经网络可以使用fc分析确定候选药物物多年的预测等级和 fda批准的指示。在至少一个实施例中，图1200示出了临床试验数据可 靠获得(例如，自2005年以来)的时间段的fc分析。在至少一个实施例 中，图1200是在用于fda批准的临床试验下的特定类型的药物(包括第 一药物1202、第二药物1204和第三药物1206)的年限fc排序分析。如 图所示，在2005和2016之间的时间段中仅两种药物接收到fda批准1208， 即第一药物1202和第二药物1204。第三药物1206未收到fda批准1208。
[0117]
图13是示出了根据至少一个实施例的针对正在进行的临床试验的新 病状的疗效的置信分数的排序的示例图1300。在至少一个实施例中，一个 或更多个基于变换器的语言神经网络可以针对正在进行的临床试验的疗效 确定每个候选药物的置信度分数。在至少一个实施例中，图1300示出了第 一药物1302(例如，“瑞德西韦”)、第二药物1304(例如，“cd24fc”)、 第三药物1306(例如，“羟氯喹”)和其他药物的置信度分数。在至少一个 实施例中，图1300将第一药物1302示出为具有比第二药物1304、第三药 物1306和其他药物更高的置信度分数。作为可能的故障模式，第三药物 1306被排序为如图13所示的远距离第三，并且可能已经显示与正结果或 负结果没有相关性。在至少一个实施例中，图1300示出了针对新病状(例 如，covid-19)的候选药物的当前临床试验的排序。在至少一个实施例中， 使用候选药物项作为查询词，可以使用目标短语来进行类比挖掘，例如来 自特定于域数据中的段落的所选目标短语或句子，如图14所示。
[0118]
图14是示出了根据至少一个实施例的药物与临床试验疗效的类似挖 掘的示例图表1400。在至少一个实施例中，排列的mlm任务挖掘反映药 物(例如，“药物x”)作为查询词和“临床试验疗效”作为目标短语的关 系的关系。应注意，颠倒模拟挖掘操作(图14中未示出)不恢复qt函数， 因为预测项太通用而不能集中于候选药物。在至少一个实施例中，可以使 用测试和验证目标短语中的词语的负相关的结果的方法，如“副”和“效 果”和/或药物的集合，尽管在图14中未示出。在至少一个实施例中，一 个或更多个基于变换器的语言神经网络可以用于将特定药物(如“瑞德西 韦”)的类似挖掘用于临床试验疗效。在至少一个实施例中，图1400示出 了针对目标词如“抑制剂”、“hiv”、“dna”、“最好的”、“更快的”、“合 成”、“快速的”、“酶”、“药物”、“最长的”、“pd”、以及“mrna”的qt 预测的排序。”目标词1402，“抑制剂”具有比图14中的其他qt预测更 高的针对“瑞德西韦”的qt预测。在至少一个实施
例中，一个或更多个 基于变换器的语言神经网络可以使用排列的mlm任务来探测“瑞德西韦
”ꢀ
与临床试验疗效的目标词关联的关系。
[0119]
在至少一个实施例中，使用具有qt方法的一个或更多个基于变换器 的语言神经网络为窄文献数据集上的发现方法带来特异性，以预测如由fc、 实时预测和关系挖掘验证的临床试验批准。在至少一个实施例中，在一个 或更多个基于变换器的语言神经网络中的qt方法类似于高级情感分析。 在至少一个实施例中，qt方法可以与可视化方法结合使用以确定每句段 落突出显示分数，诸如以上关于图11所示出和描述的。在至少一个实施例 中，由一个或更多个基于变换器的语言神经网络进行的mlm推理可以经 由k-shot调整来挖掘关系，如图12所示。在至少一个实施例中，为了细化 关系挖掘，可以使用针对多个令牌的波束搜索解码器而不是单个令牌。在 至少一个实施例中，波束搜索解码器可以增加表现力。在至少一个实施例 中，可以给出qt方法的范围，因为q、y∈x是特定于域的数据集中的所 有语句的集合，并且仅可以生成有限的集合。在至少一个实施例中，为了 更多验证，可以建立研究限制下的知识差异的黄金标准。在至少一个实施 例中，在线学习领域可以通过数据评估来提供独立验证。
[0120]
在至少一个实施例中，除了临床药物试验的可及资源之外，确定药 物功能的其他定量方法可以用于给定的详细数据集配制品。在至少一个实 施例中，方法可以集中于规范测量，如抑制常数(ki)、95％的有效剂量 (ed95)、或治疗所需的数量(nnt)。在至少一个实施例中，蛋白受体结 合可能需要用于机器学习方法的专门的数据集专业知识，其中适当的结构 域特异性文献数据集用于蛋白受体结合。在至少一个实施例中，一个或更 多个基于变换器的语言神经网络被用作挖掘特定于域的文献中的灵活工具。
[0121]
图15是根据至少一个实施例的使用利用特定于域的数据训练的一个 或更多个基于变换器的语言神经网络来识别一个或更多个词之间的一个或 更多个关系的过程1500的流程图。在至少一个实施例中，过程1500开始 于接收一个或更多个输入词，诸如用于在特定于域的数据中发现知识的一 个或更多个查询词和一个或更多个目标词(框1502)。在至少一个实施例 中，过程1500使用一个或更多个基于变换器的语言神经网络来识别一个或 更多个输入词之间的一个或更多个关系(框1504)。在至少一个实施例中， 使用诸如有组织的文献数据集之类的特定于域的数据来训练用于识别输入 词之间的关系的一个或更多个基于变换器的语言神经网络。在至少一个实 施例中，使用具有特定于域的数据的roberta来训练一个或更多个基于变 换器的语言神经网络。在至少一个实施例中，经训练的roberta神经网络 计算查询-目标(qt)预测以用于识别一个或更多个词的关系，诸如一个 或更多个查询词和一个或更多个目标词，如本文所描述的。
[0122]
在至少一个实施例中，用于识别关系的过程1500计算指示一个或更 多个词的查询短语与一个或更多个词的目标短语之间的经量化的关系的分 数。在至少一个实施例中，当关系是查询短语与目标短语之间的正关系或 正关联时，分数是正数。在至少一个实施例中，当关系是查询短语与目标 短语之间的负关系或负关联时，分数是负数。
[0123]
在至少一个实施例中，分数是指示查询词与目标短语中的对应目标 词之间的正关系的正数。在至少一个实施例中，分数是指示查询词与目标 短语中的对应目标词之间的负关系的负数。
[0124]
在至少一个实施例中，感兴趣项目的一个或更多个分数可以用于发 现特定于域
的数据中的潜在特定于域的的信息。在至少一个实施例中，量 化关系可以表示为百分比、数量或其他指示。在至少一个实施例中，一个 或更多个基于变换的语言神经网络包括：输入层，用于在推理阶段期间接 收附加的特定于域的数据，接收一个或更多个词的查询短语并且使用bpe 将查询短语编码成令牌的第一向量，以及接收一个或更多个词的目标短语， 并使用bpe将目标短语编码成令牌的第二向量。在至少一个实施例中，一 个或更多个基于变换的语言神经网络包括使用roberta训练的bert层。 在至少一个实施例中，一个或更多个基于变换的语言神经网络包括：第一 注意力头，其接收令牌的第一向量并计算令牌的第一向量中的每个令牌的 统计预测；以及第二注意力头，其接收令牌的第二向量并计算令牌的第二 向量中的每个令牌的统计预测。在至少一个实施例中，一个或更多个基于 变换的语言神经网络包括：输出层，用于通过对令牌的第一向量的统计预 测和令牌的第二向量的统计预测执行点积的乘法来确定查询-目标分数。
[0125]
在至少一个实施例中，使用像cord-19那样的特定于域的数据训练 的一个或更多个基于变换器的语言神经网络识别在一个或更多个文档中描 述的一种或更多种药物。在至少一个实施例中，一个或更多个基于变换器 的语言神经网络可以基于其他特定于域的数据来训练，并且可以识别如本 文所述的一个或更多个文档中描述的感兴趣项目。在至少一个实施例中， 一个或更多个基于变换器的语言神经网络可以用于识别一种或更多种药物， 如用于fda批准，如在此并且相对于图16所描述的。
[0126]
图16是根据至少一个实施例的使用基于变换器的语言神经网络来识 别在一个或更多个文档中描述的一种或更多种药物的过程1600的流程图， 该基于变换器的语言神经网络是使用特定于域的数据来训练的。在至少一 个实施例中，过程1600接收用于一个或更多个基于变换器的语言神经网络 的一个或更多个输入词，一个或更多个基于变换器的语言神经网络是特定 于域的数据(例如，药理学特定数据)来训练(框1602)。在至少一个实 施例中，过程1600使用一个或更多个基于变换器的语言网络网络来识别一 个或更多个文档中的一种或更多种药物(框1604)。
[0127]
在至少一个实施例中，过程1600，为了识别一种或更多种药物，至 少部分地基于一种或更多种候选药物物中的每一个与至少一种目标特性 (如“疗效”)之间的关联的条件概率对来自临床试验数据集的一种或更多 种候选药物进行排序。”在至少一个实施例中，用于识别一种或更多种药物 的过程1600计算指示具有候选药物项的查询词与一个或更多个词的目标 短语之间的量化关系的分数。在至少一个实施例中，当关系是候选药物与 目标短语之间的正关系或正关联时，分数是正数。在至少一个实施例中， 当关系是候选药物与目标短语之间的负关系或负关联时，分数是负数。在 至少一个实施例中，一个或更多个基于变换的语言神经网络包括输入层以 在推理阶段期间接收药物的集合的临床试验数据集。在至少一个实施例中， 对于药物的集合中的每个药物，输入层接收与相应药物相对应的查询词并 且使用bpe将查询词编码为第一向量，并且接收一个或更多个词中的目标 短语并且使用bpe将目标短语编码为令牌的第二向量。在至少一个实施例 中，一个或更多个基于变换的语言神经网络包括bert层，该bert层使 用roberta来训练并且在推理阶段期间被修改以确定一组药物中的每一 种药物的药物分数。在至少一个实施例中，一个或更多个基于变换的语言 神经网络包括用于根据药物分数对一组药物进行排序的输出层。
[0128]
在至少一个实施例中，使用诸如cord-19之类的特定于域的数据来 训练一个或更
多个基于变换器的语言神经网络。在至少一个实施例中，使 用具有特定于域的数据的roberta来训练一个或更多个基于变换器的语 言神经网络。在至少一个实施例中，经训练的roberta神经网络计算针对 药物分数的查询-目标(qt)预测，并且根据药物分数对候选药物进行分 级，以用于识别一个或更多个文档中的药物，如本文所描述的。
[0129]
数据中心
[0130]
图17示出了可以使用至少一个实施例的示例数据中心1700。在至少 一个实施例中，数据中心1700包括数据中心基础设施层1710、框架层1720、 软件层1730和应用程序层1740。
[0131]
在至少一个实施例中，如图17所示，数据中心基础设施层1710可 以包括资源协调器1712、分组计算资源1714和节点计算资源(“节点c.r.”) 1716(1)-1716(n)，其中“n”代表正整数(其可以是与其他图中使用的 整数不同的整数“n”)。在至少一个实施例中，节点c.r.1716(1)-1716 (n)可以包括但不限于任何数量的中央处理单元(“cpu”)或其他处理器 (包括加速器、现场可编程门阵列(fpga)、图形处理器等)，存储器存 储设备1718(1)-1718(n)(例如动态只读存储器、固态硬盘或磁盘驱动器)， 网络输入/输出(“nw i/o”)设备，网络交换机，虚拟机(“vm”)，电源 模块和冷却模块等。在至少一个实施例中，节点c.r.1716(1)-1716(n) 中的一个或更多个节点c.r.可以是具有一个或更多个上述计算资源的服务 器。
[0132]
在至少一个实施例中，分组计算资源1714可以包括容纳在一个或更 多个机架内的节点c.r.的单独分组(未示出)，或者容纳在各个地理位置 的数据中心内的许多机架(也未示出)。在至少一个实施例中，分组的计 算资源1714内的节点c.r.的单独分组可以包括可以被配置或分配为支持 一个或更多个工作负载的分组的计算、网络、存储器或存储资源。在至少 一个实施例中，可以将包括cpu或处理器的几个节点c.r.分组在一个或更 多个机架内，以提供计算资源来支持一个或更多个工作负载。在至少一个 实施例中，一个或更多个机架还可以包括任何数量的电源模块、冷却模块 和网络交换机，以任意组合。
[0133]
在至少一个实施例中，资源协调器1712可以配置或以其他方式控制 一个或更多个节点c.r.1716(1)-1716(n)和/或分组的计算资源1714。 在至少一个实施例中，资源协调器1712可以包括用于数据中心1700的软 件设计基础结构(“sdi”)管理实体。在至少一个实施例中，资源协调器 1712可以包括硬件、软件或其某种组合。
[0134]
在至少一个实施例中，如图17所示，框架层1720包括作业调度器 1722、配置管理器1724、资源管理器1726和分布式文件系统1728。在至 少一个实施例中，框架层1720可以包括支持软件层1730的软件1732和/ 或应用程序层1740的一个或更多个应用程序1742的框架。在至少一个实 施例中，软件1732或应用程序1742可以分别包括基于web的服务软件或 应用程序，例如由amazon web services，google cloud和microsoft azure 提供的服务或应用程序。在至少一个实施例中，框架层1720可以是但不限 于一种免费和开放源软件网络应用程序框架，例如可以利用分布式文件系 统1728来进行大范围数据处理(例如“大数据”)的apache spark
tm
(以下 称为“spark”)。在至少一个实施例中，作业调度器1722可以包括spark 驱动器，以促进对数据中心1700的各个层所支持的工作负载进行调度。在 至少一个实施例中，配置管理器1724可以能够配置不同的层，例如软件层 1730和包括spark和用于支持大规模数据处理的分布式文件系统1728的 框架层1720。在至少一个实施例中，资
源管理器1726能够管理映射到或 分配用于支持分布式文件系统1728和作业调度器1722的集群或分组计算 资源。在至少一个实施例中，集群或分组计算资源可以包括数据中心基础 设施层1710上的分组计算资源1714。在至少一个实施例中，资源管理器 1726可以与资源协调器1712协调以管理这些映射的或分配的计算资源。
[0135]
在至少一个实施例中，包括在软件层1730中的软件1732可以包括 由节点c.r.1716(1)-1716(n)的至少一部分，分组的计算资源1714和 /或框架层1720的分布式文件系统1728使用的软件。在至少一个实施例中， 一种或更多种类型的软件可以包括但不限于internet网页搜索软件、电子 邮件病毒扫描软件、数据库软件和流视频内容软件。
[0136]
在至少一个实施例中，应用程序层1740中包括的一个或更多个应用 程序1742可以包括由节点c.r.1716(1)-1716(n)的至少一部分、分组 计算资源1714和/或框架层1720的分布式文件系统1728使用的一种或更 多种类型的应用程序。在至少一个实施例中，一种或更多种类型的应用程 序可以包括但不限于任何数量的基因组学应用程序、认知计算、应用程序 和机器学习应用程序，包括训练或推理软件，机器学习框架软件(例如pytorch、tensorflow、caffe等)或其他与一个或更多个实施例结合使用 的机器学习应用程序。
[0137]
在至少一个实施例中，配置管理器1724、资源管理器1726和资源协 调器1712中的任何一个可以基于以任何技术上可行的方式获取的任何数 量和类型的数据来实现任何数量和类型的自我修改动作。在至少一个实施 例中，自我修改动作可以减轻数据中心1700的数据中心操作员做出可能不 好的配置决定并且可以避免数据中心的未充分利用和/或执行差的部分。
[0138]
在至少一个实施例中，数据中心1700可以包括工具、服务、软件或 其他资源，以根据本文所述的一个或更多个实施例来训练一个或更多个机 器学习模型或者使用一个或更多个机器学习模型来预测或推理信息。例如， 在至少一个实施例中，可以通过使用上文关于数据中心1700描述的软件和 计算资源，根据神经网络架构通过计算权重参数来训练机器学习模型。在 至少一个实施例中，通过使用通过本文所述的一种或更多种训练技术计算 出的权重参数，可以使用上面与关于数据中心1700所描述的资源，使用对 应于一个或更多个神经网络的经训练的机器学习模型来推理或预测信息。
[0139]
在至少一个实施例中，数据中心可以使用cpu、专用集成电路(asic)、 gpu、fpga或其他硬件来使用上述资源来执行训练和/或推理。此外，上 述的一个或更多个软件和/或硬件资源可以配置成一种服务，以允许用户训 练或执行信息推理，例如图像识别、语音识别或其他人工智能服务。
[0140]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在系统图 17中使用，用于至少部分地基于使用神经网络训练操作、神经网络函数和 /或体系架构，或者本文所述的神经网络用例计算的权重参数推理或预测操 作。
[0141]
计算机系统
[0142]
图18是示出根据至少一个实施例示例性计算机系统的框图，该示例 性计算机系统可以是具有互连的设备和组件的系统，片上系统(soc)或 它们的某种形成有处理器的组合，该处理器可以包括执行单元以执行指令。 在至少一个实施例中，根据本公开，例如本文
所述的实施例，计算机系统 1800可以包括但不限于组件，例如处理器1802，其执行单元包括逻辑以执 行用于过程数据的算法。在至少一个实施例中，计算机系统1800可以包括 处理器，例如可从加利福尼亚圣塔克拉拉的英特尔公司(intel corporation ofsanta clara,california)获得的处理器家族、xeon
tm
、 xscale
tm
和/或strongarm
tm
，core
tm
或nervana
tm
微处理器， 尽管也可以使用其他系统(包括具有其他微处理器的pc、工程工作站、机 顶盒等)。在至少一个实施例中，计算机系统1800可以执行可从华盛顿州 雷蒙德市的微软公司(microsoft corporation of redmond,wash.)获得的 windows操作系统版本，尽管其他操作系统(例如unix和linux)、 嵌入式软件和/或图形用户界面也可以使用。
[0143]
实施例可以用在其他设备中，例如手持设备和嵌入式应用程序。手 持设备的一些示例包括蜂窝电话、互联网协议(internet protocol)设备、 数码相机、个人数字助理(“pda”)和手持pc。在至少一个实施例中，嵌 入式应用程序可以包括微控制器、dsp、片上系统、网络计算机(“netpc”)、 机顶盒、网络集线器、广域网(“wan”)交换机，或根据至少一个实施例 可以执行一个或更多个指令的任何其他系统。
[0144]
在至少一个实施例中，计算机系统1800可包括但不限于处理器1802， 该处理器1802可包括但不限于一个或更多个执行单元1808，以根据本文 描述的技术执行机器学习模型训练和/或推理。在至少一个实施例中，计算 机系统1800是单处理器台式机或服务器系统，但是在至少一个实施例中， 计算机系统1800可以是多处理器系统。在至少一个实施例中，处理器1802 可以包括但不限于复杂指令集计算机(“cisc”)微处理器、精简指令集计 算(“risc”)微处理器、超长指令词(“vliw”)微处理器、实现指令集 组合的处理器，或任何其他处理器设备，例如数字信号处理器。在至少一 个实施例中，处理器1802可以耦合到处理器总线1810，该处理器总线1810 可以在处理器1802与计算机系统1800中的其他组件之间传输数据信号。
[0145]
在至少一个实施例中，处理器1802可以包括但不限于1级(“l1”) 内部高速缓存存储器(“cache”)1804。在至少一个实施例中，处理器1802 可以具有单个内部高速缓存或多级内部缓存。在至少一个实施例中，高速 缓存存储器可以驻留在处理器1802的外部。根据特定的实现和需求，其他 实施例也可以包括内部和外部高速缓存的组合。在至少一个实施例中，寄 存器文件1806可以在各种寄存器中存储不同类型的数据，包括但不限于整 数寄存器、浮点寄存器、状态寄存器和指令指针寄存器。
[0146]
在至少一个实施例中，包括但不限于执行整数和浮点运算的逻辑的 执行单元1808，其也位于处理器1802中。在至少一个实施例中，处理器 1802还可以包括微码(“ucode”)只读存储器(“rom”)，用于存储某些 宏指令的微代码。在至少一个实施例中，执行单元1808可以包括用于处理 封装指令集1809的逻辑。在至少一个实施例中，通过将封装指令集1809 包括在通用处理器的指令集中，以及要执行指令的相关电路，可以使用处 理器1802中的封装数据来执行许多多媒体应用程序使用的操作。在至少一 个实施例中，可以通过使用处理器的数据总线的全宽度来在封装的数据上 执行操作来加速和更有效地执行许多多媒体应用程序，这可能不需要在该 处理器的数据总线上传输较小的数据单元来一次执行一个数据元素的一个 或更多个操作。
[0147]
在至少一个实施例中，执行单元1808也可以用在微控制器、嵌入式 处理器、图形
设备、dsp和其他类型的逻辑电路中。在至少一个实施例中， 计算机系统1800可以包括但不限于存储器1820。在至少一个实施例中， 存储器1820可以为动态随机存取存储器(“dram”)设备、静态随机存取 存储器(“sram”)设备、闪存设备或另一个存储设备。在至少一个实施 例中，存储器1820可以存储由处理器1802可以执行的由数据信号表示的 指令1819和/或数据1821。
[0148]
在至少一个实施例中，系统逻辑芯片可以耦合到处理器总线1810和 存储器1820。在至少一个实施例中，系统逻辑芯片可以包括但不限于存储 器控制器集线器(“mch”)1816，并且处理器1802可以经由处理器总线 1810与mch 1816通信。在至少一个实施例中，mch 1816可以提供到存 储器1820的高带宽存储器路径1818以用于指令和数据存储以及用于图形 命令、数据和纹理的存储。在至少一个实施例中，mch 1816可以在处理 器1802、存储器1820和计算机系统1800中的其他组件之间启动数据信号， 并且在处理器总线1810、存储器1820和系统i/o接口1822之间桥接数据 信号。在至少一个实施例中，系统逻辑芯片可以提供用于耦合到图形控制 器的图形端口。在至少一个实施例中，mch 1816可以通过高带宽存储器 路径1818耦合到存储器1820，并且图形/视频卡1812可以通过加速图形端 口(accelerated graphics port)(“agp”)互连1814耦合到mch 1816。
[0149]
在至少一个实施例中，计算机系统1800可以使用系统i/o接口1822 作为专有集线器接口总线来将mch 1816耦合到i/o控制器集线器(“ich”) 1830。在至少一个实施例中，ich 1830可以通过本地i/o总线提供与某些 i/o设备的直接连接。在至少一个实施例中，本地i/o总线可以包括但不限 于用于将外围设备连接到存储器1820、芯片组和处理器1802的高速i/o 总线。示例可以包括但不限于音频控制器1829、固件集线器(“flash bios”) 1828、无线收发器1826、数据存储1824、包含用户输入和键盘接口1825 的传统i/o控制器1823、串行扩展端口1827(例如usb端口)和网络控 制器1834。在至少一个实施例中，数据存储1824可以包括硬盘驱动器、 软盘驱动器、cd-rom设备、闪存设备或其他大容量存储设备。
[0150]
在至少一个实施例中，图18示出了包括互连的硬件设备或“芯片”的 系统，而在其他实施例中，图18可以示出soc。在至少一个实施例中，图 18中示出的设备可以与专有互连、标准化互连(例如，pcie)或其某种组 合互连。在至少一个实施例中，计算机系统1800的一个或更多个组件使用 计算快速链路(cxl)互连来互连。
[0151]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关的推理 和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑115 的细节。在至少一个实施例中，推理和/或训练逻辑115可以在图18的系 统中使用，用于至少部分地基于使用神经网络训练操作、神经网络函数和/ 或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
[0152]
图19是示出根据至少一个实施例的用于利用处理器1910的电子设 备1900的框图。在至少一个实施例中，电子设备1900可以是，例如但不 限于，笔记本电脑、塔式服务器、机架服务器、刀片服务器、膝上型计算 机、台式机、平板电脑、移动设备、电话、嵌入式计算机或任何其他合适 的电子设备。
[0153]
在至少一个实施例中，电子设备1900可以包括但不限于通信地耦合 到任何合适数量或种类的组件、外围设备、模块或设备的处理器1910。在 至少一个实施例中，处理器1910使用总线或接口耦合，诸如i2c总线、系 统管理总线(“smbus”)、低引脚数(lpc)总线、
串行外围接口(“spi”)、 高清音频(“hda”)总线、串行高级技术附件(“sata”)总线、通用串行 总线(“usb”)(1、2、3版等)或通用异步接收器/发送器(“uart”)总 线。在至少一个实施例中，图19示出了系统，该系统包括互连的硬件设备 或“芯片”，而在其他实施例中，图19可以示出示例性soc。在至少一个实 施例中，图19中所示的设备可以与专有互连线、标准化互连(例如，pcie) 或其某种组合互连。在至少一个实施例中，图19的一个或更多个组件使用 计算快速链路(cxl)互连线来互连。
[0154]
在至少一个实施例中，图19可以包括显示器1924、触摸屏1925、 触摸板1930、近场通信单元(“nfc”)1945、传感器集线器1940、热传感 器1946、快速芯片组(“ec”)1935、可信平台模块(“tpm”)1938、bios /固件/闪存(“bios，fw flash”)1922、dsp1960、驱动器1920(例如固 态磁盘(“ssd”)或硬盘驱动器(“hdd”))、无线局域网单元(“wlan”) 1950、蓝牙单元1952、无线广域网单元(“wwan”)1956、全球定位系统 (gps)单元1955、相机(“usb 3.0相机”)1954(例如usb 3.0相机) 和/或以例如lpddr3标准实现的低功耗双倍数据速率(“lpddr”)存储 器单元(“lpddr3”)1915。这些组件可以各自以任何合适的方式实现。
[0155]
在至少一个实施例中，其他组件可以通过本文所述的组件通信地耦 合到处理器1910。在至少一个实施例中，加速度计1941、环境光传感器 (“als”)1942、罗盘1943和陀螺仪1944可以可通信地耦合到传感器集 线器1940。在至少一个实施例中，热传感器1939、风扇1937、键盘1936 和触摸板1930可以通信地耦合到ec 1935。在至少一个实施例中，扬声器 1963、耳机1964和麦克风(“mic”)1965可以通信地耦合到音频单元(“音 频编解码器和d类放大器”)1962，其又可以通信地耦合到dsp 1960。在 至少一个实施例中，音频单元1962可以包括例如但不限于音频编码器/解 码器(“编解码器”)和d类放大器。在至少一个实施例中，sim卡(“sim”) 1957可以通信地耦合到wwan单元1956。在至少一个实施例中，组件(诸 如wlan单元1950和蓝牙单元1952以及wwan单元1956)可以被实 现为下一代形式因素(ngff)。
[0156]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在系统图 1中使用，用于至少部分地基于使用神经网络训练操作、神经网络函数和/ 或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
[0157]
图20示出了根据至少一个实施例的计算机系统2000。在至少一个实 施例中，计算机系统2000配置为实现贯穿本公开描述的各种过程和方法。
[0158]
在至少一个实施例中，计算机系统2000包括但不限于至少一个中央 处理单元(“cpu”)2002，该中央处理单元(“cpu”)2002连接到使用任 何合适协议实现的通信总线2010，诸如pci(“外围设备互联”)、外围组 件互连express(“pci-express”)、agp(“加速图形端口”)、超传输或任 何其他总线或点对点通信协议。在至少一个实施例中，计算机系统2000 包括但不限于主存储器2004和控制逻辑(例如，实现为硬件、软件或其组 合)，并且数据可以采取随机存取存储器(“ram”)的形式存储在主存储 器2004中。在至少一个实施例中，网络接口子系统(“网络接口”)2022 提供到其他计算设备和网络的接口，用于使用计算机系统2000接收数据并 将数据传输到其他系统。
[0159]
在至少一个实施例中，计算机系统2000在至少一个实施例中包括但 不限于输入
设备2008、并行处理系统2012和显示设备2006，它们可以使 用常规的阴极视线管(“crt”)、液晶显示器(“lcd”)、发光二极管(“led”) 显示器、等离子显示器或其他合适的显示技术实现。在至少一个实施例中， 从输入设备2008(诸如键盘、鼠标、触摸板、麦克风等)接收用户输入。 在至少一个实施例中，本文所述模块中的每一个可以位于单个半导体平台 上以形成处理系统。
[0160]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在系统图 20中使用，以至少部分地基于使用神经网络训练操作、神经网络功能和/ 或架构或本文所述的神经网络用例计算出的权重参数来进行推理或预测操 作。
[0161]
图21示出了根据至少一个实施例的计算机系统2100。在至少一个实 施例中，计算机系统2100包括但不限于计算机2110和usb盘2120。在 至少一个实施例中，计算机2110可以包括但不限于任何数量和类型的处理 器(未示出)和存储器(未示出)。在至少一个实施例中，计算机2110 包括但不限于服务器、云实例、膝上型计算机和台式计算机。
[0162]
在至少一个实施例中，usb盘2120包括但不限于处理单元2130、 usb接口2140和usb接口逻辑2150。在至少一个实施例中，处理单元 2130可以是任何指令执行系统、装置或能够执行指令的设备。在至少一个 实施例中，处理单元2130可以包括但不限于任何数量和类型的处理核心 (未示出)。在至少一个实施例中，处理单元2130包括专用集成电路 (“asic”)，该专用集成电路被优化为执行与机器学习相关联的任何数量 和类型的操作。例如，在至少一个实施例中，处理单元2130是张量处理单 元(“tpc”)，其被优化以执行机器学习推理操作。在至少一个实施例中， 处理单元2130是视觉处理单元(“vpu”)，其被优化以执行机器视觉和机 器学习推理操作。
[0163]
在至少一个实施例中，usb接口2140可以是任何类型的usb连接 器或usb插座。例如，在至少一个实施例中，usb接口2140是用于数据 和电源的usb 3.0 type-c插座。在至少一个实施例中，usb接口2140是 usb 3.0 type-a连接器。在至少一个实施例中，usb接口逻辑2150可以 包括使处理单元2130能够经由usb接口2140与设备(例如计算机2110) 相连接的任何数量和类型的逻辑。
[0164]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在系统图 21中使用，至少部分地基于使用神经网络训练操作计算出的权重参数、神 经网络函数和/或架构或本文所述的神经网络用例来推理或预测操作。
[0165]
图22a示出了示例性架构，其中多个gpu 2210(1)-2210(n)通 过高速链路2240(1)-2240(n)(例如，总线/点对点互连等)通信地耦合到多 个多核心处理器2205(1)-2205(m)。在至少一个实施例中，高速链路 2240(1)-2240(n)支持4gb/s、30gb/s、80gb/s或更高的通信吞吐量。 在至少一个实施例中，可以使用各种互连协议，包括但不限于pcie 4.0或 5.0以及nvlink 2.0。在各个图中，“n”和“m”表示正整数，其值可因图而 异。
[0166]
此外，在至少一个实施例中，两个或更多个gpu 2210通过高速链路 2229(1)-2229(2)互连，该高速链路可以使用与用于高速链路2240(1)
ꢀ‑
2240(n)的协议/链路类似或不同
的协议/链路来实现。类似地，两个或 更多个多核心处理器2205可以通过高速链路2228连接，该高速链路可以 是以20gb/s、30gb/s、120gb/s或更高的速度运行的对称多处理器(smp) 总线。可替代地，可以使用类似的协议/链路(例如，通过公共互连结构) 来完成图22a中所示的各种系统组件之间的所有通信。
[0167]
在至少一个实施例中，每个多核心处理器2205分别经由存储器互连 2226(1)-2226(m)通信地耦合到处理器存储器2201(1)-2201(m)， 并且每个gpu 2210(1)-2210(n)分别通过gpu存储器互连2250(1)-2250 (n)通信地耦合到gpu存储器2220(1)-2220(n)。在至少一个实施 例中，存储器互连2226和2250可以利用相似或不同的存储器访问技术。 作为示例而非限制，处理器存储器2201(1)-2201(m)和gpu存储器 2220可以是易失性存储器，诸如动态随机存取存储器(dram)(包括堆 叠的dram)、图形ddr sdram(gddr)(例如gddr5、gddr6)， 或高带宽存储器(hbm)，和/或可以是非易失性存储器，例如3d xpoint 或nano-ram。在至少一个实施例中，处理器存储器2201的某些部分可以 是易失性存储器，而另一部分可以是非易失性存储器(例如，使用两级存 储器(2lm)层次结构)。
[0168]
如本文所述，尽管各种多核心处理器2205和gpu 2210可以分别物 理地耦合到特定存储器2201、2220，和/或可以实现统一存储器架构，其中 虚拟系统地址空间(也称为“有效地址”空间)分布在各个物理存储器之间。 例如，处理器存储器2201(1)-2201(m)可以各自包含64gb的系统存 储器地址空间，并且gpu存储器2220(1)-2220(n)可以各自包含32gb 的系统存储器地址空间，从而当m＝2和n＝4时，导致总计256gb的可 寻址存储器大小。n和m也可能是其他值。
[0169]
图22b示出了根据一个示例性实施例的用于多核心处理器2207和图 形加速模块2246之间互连的附加细节。在至少一个实施例中，图形加速模 块2246可以包括集成在线路卡上的一个或更多个gpu芯片，该线路卡经 由高速链路2240(例如，pcie总线、nvlink等)耦合到处理器2207。在 至少一个实施例中，图形加速模块2246可以选择性地集成在具有处理器 2207的封装或芯片上。
[0170]
在至少一个实施例中，处理器2207包括多个核心2260a-2260d，每 个核心都具有转换后备缓冲区(“tlb”)2261a-2261d和一个或更多个高 速缓存2262a-2262d。在至少一个实施例中，核心2260a-2260d可以包括 未示出的各种其他组件，用于执行指令和处理数据。在至少一个实施例中， 高速缓存2262a-2262d可以包括级别1(l1)和级别2(l2)高速缓存。 此外，一个或更多个共享高速缓存2256可以被包括在高速缓存 2262a-2262d中，并且由各组核心2260a-2260d共享。例如，处理器2207 的一个实施例包括24个核心，每个核心具有其自己的l1高速缓存，十二 个共享的l2高速缓存，和十二个共享的l3高速缓存。在该实施例中，两 个相邻核心共享一个或更多个l2和l3高速缓存。在至少一个实施例中， 处理器2207和图形加速模块2246与系统存储器2214连接，该系统存储器 2214可以包括图22a中的处理器存储器2201(1)-2201(m)。
[0171]
在至少一个实施例中，通过一致性总线2264经由核心间通信为存储 在各个高速缓存2262a-2262d、2256和系统存储器2214中的数据和指令 维护一致性。在至少一个实施例中，例如，每个高速缓存可以具有与其相 关联的高速缓存一致性逻辑/电路，以响应于检测到对特定高速缓存行的读 取或写入通过一致性总线2264进行通信。在至少一个实施例中，通过一致 性总线2264实现高速缓存监听协议，以监听(snoop)高速缓存访问。
[0172]
在至少一个实施例中，代理电路2225将图形加速模块2246通信地 耦合到一致性总线2264，从而允许图形加速模块2246作为核心 2260a-2260d的对等方参与高速缓存一致性协议。特别地，在至少一个实 施例中，接口2235通过高速链路2240提供到代理电路2225的连接，并且 接口2237将图形加速模块2246连接到高速链路2240。
[0173]
在至少一个实施例中，加速器集成电路2236代表图形加速模块2246 的多个图形处理引擎2231(1)-2231(n)提供高速缓存管理、存储器访 问、上下文管理和中断管理服务。在至少一个实施例中，图形处理引擎2231 (1)-2231(n)可各自包括单独的gpu。在至少一个实施例中，图形处 理引擎2231(1)-2231(n)选择性地可以包括gpu内的不同类型的图形 处理引擎，诸如图形执行单元、媒体处理引擎(例如，视频编码器/解码器)、 采样器和blit引擎。在至少一个实施例中，图形加速模块2246可以是具有 多个图形处理引擎2231(1)-2231(n)的gpu，或者图形处理引擎2231 (1)-2231(n)可以是集成在通用封装、线路卡或芯片上的各个gpu。
[0174]
在至少一个实施例中，加速器集成电路2236包括存储器管理单元 (mmu)2239，用于执行各种存储器管理功能，例如虚拟到物理存储器转 换(也称为有效到真实存储器转换)，还包括用于访问系统存储器2214 的存储器访问协议。在至少一个实施例中，mmu 2239还可包括转换后备 缓冲区(“tlb”)(未示出)，用于高速缓存虚拟/有效到物理/真实地址转 换。在至少一个实施例中，高速缓存2238可以存储命令和数据，用于图形 处理引擎2231(1)-2231(n)有效地访问。在至少一个实施例中，可能 使用获取单元2244，将存储在高速缓存2238和图形存储器2233(1)-2233 (m)中的数据与核心高速缓存2262a-2262d、2256和系统存储器2214 保持一致。如前所述，可以经由代表高速缓存2238和图形存储器2233(1)
ꢀ‑
2233(m)的代理电路2225来完成该任务(例如，将与处理器高速缓存 2262a-2262d、2256上的高速缓存行的修改/访问有关的更新发送到高速缓 存2238，并从高速缓存2238接收更新)。
[0175]
在至少一个实施例中，一组寄存器2245存储由图形处理引擎2231 (1)-2231(n)执行的线程的上下文数据，并且上下文管理电路2248管 理线程上下文。例如，上下文管理电路2248可以执行保存和恢复操作，以 在上下文切换期间保存和恢复各个线程的上下文(例如，其中保存第一线 程并且存储第二线程，以便可以由图形处理引擎执行第二线程)。例如， 上下文管理电路2248在上下文切换时，可以将当前寄存器值存储到存储器 中的(例如，由上下文指针识别的)指定区域。然后，当返回上下文时可 以恢复寄存器值。在至少一个实施例中，中断管理电路2247接收并处理从 系统设备接收的中断。
[0176]
在至少一个实施例中，mmu 2239将来自图形处理引擎2231的虚拟 /有效地址转换为系统存储器2214中的真实/物理地址。在至少一个实施例 中，加速器集成电路2236支持多个(例如，4、8、16)图形加速器模块 2246和/或其他加速器设备。在至少一个实施例中，图形加速器模块2246 可以专用于在处理器2207上执行的单个应用程序，或者可以在多个应用程 序之间共享。在至少一个实施例中，呈现了虚拟化的图形执行环境，其中 图形处理引擎2231(1)-2231(n)的资源与多个应用程序或虚拟机(vm) 共享。在至少一个实施例中，可以基于处理要求和与vm和/或应用程序相 关联的优先级，将资源细分为“切片”，其被分配给不同的vm和/或应用程 序。
[0177]
在至少一个实施例中，加速器集成电路2236作为图形加速模块2246 的系统的桥
来执行，并提供地址转换和系统存储器高速缓存服务。另外， 在至少一个实施例中，加速器集成电路2236可以为主机处理器提供虚拟化 设施，以管理图形处理引擎2231(1)-2231(n)的虚拟化、中断和存储 器管理。
[0178]
在至少一个实施例中，由于图形处理引擎2231(1)-2231(n)的硬 件资源被明确地映射到主机处理器2207看到的真实地址空间，因此任何主 机处理器都可以使用有效地址值直接寻址这些资源。在至少一个实施例中， 加速器集成电路2236的一个功能是物理分离图形处理引擎2231(1)-2231 (n)，使得它们在系统看来为独立的单元。
[0179]
在至少一个实施例中，一个或更多个图形存储器2233(1)-2233(m) 分别耦合到每个图形处理引擎2231(1)-2231(n)，并且n＝m。在至 少一个实施例中，图形存储器2233(1)-2233(m)存储指令和数据，所 述指令和数据由每个图形处理引擎2231(1)-2231(n)处理。在至少一 个实施例中，图形存储器2233(1)-2233(m)可以是易失性存储器，例 如dram(包括堆叠的dram)、gddr存储器(例如，gddr5，gddr6) 或hbm，和/或可以是非易失性存储器，例如3d xpoint或nano-ram。
[0180]
在一个实施例中，为了减少高速链路2240上的数据流量，使用偏置 技术以确保存储在图形存储器2233(1)-2233(m)中的数据是图形处理 引擎2231(1)-2231(n)最常使用的，并且核心2260a-2260d不使用(至 少不经常使用)的数据。类似地，在至少一个实施例中，偏置机制试图将 核心(并且不是图形处理引擎2231(1)-2231(n))需要的数据保持在 高速缓存2262a-2262d、2256和系统存储器2214中。
[0181]
图22c示出了另一个示例性实施例，其中加速器集成电路2236被集 成在处理器2207内。在该实施例中，图形处理引擎2231(1)-2231(n) 经由接口2237和接口2235(同样可以是任何形式的总线或接口协议)通 过高速链路2240直接与加速器集成电路2236通信。在至少一个实施例中， 加速器集成电路2236可以执行与关于图22b描述的操作类似的操作。但 是由于它紧密靠近一致性总线2264和高速缓存2262a-2262d、2256，可能 具有更高的吞吐量。在至少一个实施例中，加速器集成电路支持不同的编 程模型，包括专用进程编程模型(无图形加速模块虚拟化)和共享编程模 型(具有虚拟化)，所述编程模型可以包括由加速器集成电路2236控制的 编程模型和由图形加速模块2246控制的编程模型。
[0182]
在至少一个实施例中，图形处理引擎2231(1)-2231(n)专用于单 个操作系统下的单个应用程序或进程。在至少一个实施例中，单个应用程 序可以将其他应用程序请求汇聚(funnel)到图形处理引擎2231(1)-2231 (n)，从而在vm/分区内提供虚拟化。
[0183]
在至少一个实施例中，图形处理引擎2231(1)-2231(n)可以被多 个vm/应用程序分区共享。在至少一个实施例中，共享模型可以使用系统 管理程序来虚拟化图形处理引擎2231(1)-2231(n)，以允许每个操作 系统进行访问。在至少一个实施例中，对于没有管理程序的单分区系统， 操作系统拥有图形处理引擎2231(1)-2231(n)。在至少一个实施例中， 操作系统可以虚拟化图形处理引擎2231(1)-2231(n)，以提供对每个 进程或应用程序的访问。
[0184]
在至少一个实施例中，图形加速模块2246或个体图形处理引擎2231 (1)-2231(n)使用进程句柄来选择进程元素。在至少一个实施例中，进 程元素被存储在系统存储器2214中，并且可使用本文所述的有效地址到真 实地址转换技术来寻址。在至少一个实施例中，进程句柄可以是特定于实 现方式的值，其在向图形处理引擎2231(1)-2231(n)注册其上下
文时 提供给主机进程(即，调用系统软件以将进程元素添加到进程元素链接列 表)。在至少一个实施例中，进程句柄的较低16位可以是进程元素在进程 元素链接列表中的偏移量。
[0185]
图22d示出了示例性加速器集成切片2290。在至少一个实施例中，
ꢀ“
切片”包括加速器集成电路2236的处理资源的指定部分。在至少一个实施 例中，应用程序是系统存储器2214中的有效地址空间2282，其存储进程 元素2283。在至少一个实施例中，响应于来自在处理器2207上执行的应 用程序2280的gpu调用2281，存储进程元素2283。在至少一个实施例中， 进程元素2283包含相应的应用程序2280的进程状态。在一个实施例中， 包含在进程元素2283中的工作描述符(wd)2284可以是由应用程序请求 的单个作业，或者可以包含指向作业队列的指针。在至少一个实施例中， wd 2284是指向应用程序的有效地址空间2282中的作业请求队列的指针。
[0186]
在至少一个实施例中，图形加速模块2246和/或各个图形处理引擎 2231(1)-2231(n)可以由系统中所有进程或进程子集共享。在至少一个 实施例中，可以包括用于设置进程状态并将wd 2284发送到图形加速模块 2246以在虚拟化环境中开始作业的基础设施。
[0187]
在至少一个实施例中，专用进程编程模型是特定于实现方式的。在 至少一个实施例中，在该模型中，单个进程拥有图形加速模块2246或个体 图形处理引擎2231。在至少一个实施例中，当图形加速模块2246由单个 进程拥有时，管理程序初始化用于所拥有的分区的加速器集成电路2236， 当指派了图形加速模块2246时，操作系统初始化用于所拥有的进程的加速 器集成电路2236。
[0188]
在至少一个实施例中，在操作中，加速器集成切片2290中的wd获 取单元2291获取下一个wd 2284，其包括要由图形加速模块2246的一个 或更多个图形处理引擎完成的工作的指示。在至少一个实施例中，来自wd 2284的数据可以存储在寄存器2245中，并由mmu 2239、中断管理 电路2247和/或上下文管理电路2248使用，如图所示。例如，mmu 2239 的一个实施例包括用于访问os虚拟地址空间2285内的段/页表2286的段/ 页漫游电路。在至少一个实施例中，中断管理电路2247可以处理从图形加 速模块2246接收的中断事件2292。在至少一个实施例中，当执行图形操 作时，由图形处理引擎2231(1)-2231(n)生成的有效地址2293被mmu2239转换为真实地址。
[0189]
在至少一个实施例中，为每个图形处理引擎2231(1)-2231(n)和 /或图形加速模块2246复制寄存器2245，并且所述寄存器2245可以由管理 程序或操作系统初始化。在至少一个实施例中，这些复制的寄存器中的每 一个可以被包括在加速器集成切片2290中。可以由管理程序初始化的示例 性寄存器在表1中示出。
[0190][0191]
表2中示出了可由操作系统初始化的示例性寄存器。
[0192][0193][0194]
在至少一个实施例中，每个wd 2284特定于特定的图形加速模块 2246和/或图形处理引擎2231(1)-2231(n)。在至少一个实施例中，它 包含图形处理引擎2231(1)-2231(n)完成工作所需的所有信息，或者 它可以是指向存储器位置的指针，在该存储器位置应用程序已经设置了要 完成的工作的命令队列。
[0195]
图22e示出了共享模型的一个示例性实施例的附加细节。该实施例 包括管理程序真实地址空间2298，其中存储了进程元素列表2299。在至少 一个实施例中，可经由管理程序2296来访问管理程序实地址空间2298， 所述管理程序2296虚拟化用于操作系统2295的图形加速模块引擎。
[0196]
在至少一个实施例中，共享编程模型允许来自系统中全部分区或分 区子集的全部进程或进程子集使用图形加速模块2246。在至少一个实施例 中，存在两种编程模型，其
中图形加速模块2246由多个进程和分区共享， 即，时间切片共享和图形定向共享。
[0197]
在至少一个实施例中，在该模型中，系统管理程序2296拥有图形加 速模块2246，并使其功能可用于所有操作系统2295。在至少一个实施例中， 对于图形加速模块2246通过系统管理程序2296支持虚拟化，图形加速模 块2246可以遵守某些要求，例如(1)应用程序的作业请求必须是自主的 (即，不需要在作业之间保持状态)，或者图形加速模块2246必须提供上 下文保存和恢复机制，(2)图形加速模块2246保证应用程序的作业请求 在指定的时间量内完成，包括任何转换错误，或者图形加速模块2246提供 了抢占作业处理的能力，并且(3)在有向共享编程模型中进行操作时，必 须确保图形加速模块2246进程之间的公平性。
[0198]
在至少一个实施例中，需要应用程序2280使用图形加速模块类型、 工作描述符(wd)、权限屏蔽寄存器(amr)值和上下文保存/恢复区域 指针(csrp)进行操作系统2295系统调用。在至少一个实施例中，图形 加速模块类型描述了用于系统调用的目标加速函数。在至少一个实施例中， 图形加速模块类型可以是系统特定的值。在至少一个实施例中，wd是专 门为图形加速模块2246格式化的，并且可以采用图形加速模块2246命令、 指向用户定义的结构的有效地址指针、指向命令队列的有效地址指针的形 式，或描述要由图形加速模块2246完成的工作的任何其他数据结构。
[0199]
在至少一个实施例中，amr值是用于当前进程的amr状态。在至 少一个实施例中，传递给操作系统的值与设置amr的应用程序类似。在 至少一个实施例中，如果加速器集成电路2236(未示出)和图形加速模块 2246的实现不支持用户权限屏蔽覆写寄存器(uamor)，则在管理程序 调用中传递amr之前，操作系统可以将当前uamor值应用于amr值。 在至少一个实施例中，管理程序2296可以在将amr放入进程元素2283 中之前选择性地应用当前权限屏蔽覆写寄存器(amor)值。在至少一个 实施例中，csrp是寄存器2245中的一个，所述寄存器包含应用程序的有 效地址空间2282中的区域的有效地址，供图形加速模块2246保存和恢复 上下文状态。在至少一个实施例中，如果不需要在作业之间保存状态或者 当作业被抢占时，则该指针是可选的。在至少一个实施例中，上下文保存/ 恢复区域可以是固定的系统存储器。
[0200]
在接收到系统调用时，操作系统2295可以验证应用程序2280已经 注册并且被授予使用图形加速模块2246的权限。然后，在至少一个实施例 中，操作系统2295使用表3中所示的信息来调用管理程序2296。
[0201][0202]
在至少一个实施例中，在接收到管理程序调用时，管理程序2296验 证操作系统2295已注册并被授予使用图形加速模块2246的权限。然后， 在至少一个实施例中，管理程序2296将进程元素2283放入相应的图形加 速模块2246类型的进程元素链接列表中。在至少一个实施例中，进程元素 可以包括表4中所示的信息。
[0203][0204]
在至少一个实施例中，管理程序初始化多个加速器集成切片2290寄 存器2245。
[0205]
如图22f所示，在至少一个实施例中，使用统一存储器，所述统一 存储器可经由用于访问物理处理器存储器2201(1)-2201(n)和gpu存 储器2220(1)-2220(n)的公共虚拟存储器地址空间来寻址。在该实现 方式中，在gpu 2210(1)-2210(n)上执行的操作利用相同
纯粹基于硬件的机制来改变。
[0210]
在至少一个实施例中，一种用于改变偏置状态的机制采用api调用 (例如opencl)，所述api调用随后调用gpu的设备驱动程序，所述设 备驱动程序随后发送消息(或使命令描述符入队)到gpu，引导gpu改 变偏置状态，并在某些迁移中在主机中执行高速缓存刷新操作。在至少一 个实施例中，高速缓存刷新操作用于从主机处理器(例如2205)偏置到 gpu偏置的迁移，但是不用于相反的迁移。
[0211]
在至少一个实施例中，高速缓存一致性是通过暂时渲染主机处理器 2205无法高速缓存的gpu偏置页面来维护的。在至少一个实施例中，为 了访问这些页面，处理器(例如2205)可以请求来自gpu 2210的访问， gpu 2210可以或可以不立即授予访问权限。因此，在至少一个实施例中， 为了减少处理器(例如2205)和gpu 2210之间的通信，确保gpu偏置页 面是gpu所需的页面而不是主机处理器(例如2205)所需的页面是有益 的，反之亦然。
[0212]
推理和/或训练逻辑115的(一个或更多个)硬件结构用于执行一个 或更多个实施例。可以在本文中结合图1a和/或1b提供关于推理和/或训 练逻辑115的(一个或更多个)硬件结构的细节。
[0213]
图23示出了根据本文所述的各个实施例的示例性集成电路和相关联 的图形处理器，其可以使用一个或更多个ip核心来制造。除了图示之外， 在至少一个实施例中可以包括其他逻辑和电路，包括附加的图形处理器/ 核心、外围接口控制器或通用处理器核心。
[0214]
图23是示出根据至少一个实施例的可使用一个或更多个ip核心制造 的芯片集成电路2300上的示例性系统的框图。在至少一个实施例中，集成 电路2300包括一个或更多个应用程序处理器2305(例如，cpu)、至少 一个图形处理器2310，并且可以另外包括图像处理器2315和/或视频处理 器2320，其中任意一个可能是模块化ip核心。在至少一个实施例中，集 成电路2300包括外围或总线逻辑，其包括usb控制器2325、uart控制 器2330、spi/sdio控制器2335和i2s/i2c控制器2340。在至少一个实施 例中，集成电路2300可以包括显示设备2345耦合到高清多媒体接口 (hdmi)控制器2350和移动工业处理器接口(mipi)显示接口2355中 的一个或更多个。在至少一个实施例中，存储可以由闪存子系统2360提供， 包括闪存和闪存控制器。在至少一个实施例中，可以经由存储器控制器 2365提供存储器接口以用于访问sdram或sram存储器设备。在至少 一个实施例中，一些集成电路还包括嵌入式安全引擎2370。
[0215]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在集成电 路2300中用于至少部分地基于使用神经网络训练操作、神经网络功能和/ 或架构或本文描述的神经网络用例计算的权重参数来推理或预测操作。
[0216]
图24a-24b示出了根据本文所述的各个实施例的示例性集成电路和 相关联的图形处理器，其可以使用一个或更多个ip核心来制造。除了图示 之外，在至少一个实施例中可以包括其他逻辑和电路，包括附加的图形处 理器/核心、外围接口控制器或通用处理器核心。
[0217]
图24a-24b是示出根据本文描述的实施例的在soc内使用的示例性 图形处理器的框图。图24a示出了根据至少一个实施例的芯片集成电路上 系统的示例性图形处理器
2410，其可以使用一个或更多个ip核心来制造。 图24b示出了根据至少一个实施例的芯片集成电路上系统的另外示例性图 形处理器2440，其可以使用一个或更多个ip核心来制造。在至少一个实 施例中，图24a的图形处理器2410是低功耗图形处理器核心。在至少一 个实施例中，图24b的图形处理器2440是更高性能的图形处理器核心。 在至少一个实施例中，每个图形处理器2410、2440可以是图24的图形处 理器2410的变体。
[0218]
在至少一个实施例中，图形处理器2410包括顶点处理器2405和一 个或更多个片段处理器2415a-2415n(例如2415a、2415b、2415c、2415d 至2415n-1和2415n)。在至少一个实施例中，图形处理器2410可以经由 单独的逻辑来执行不同的着色器程序，使得顶点处理器2405被优化以执行 针对顶点着色器程序的操作，而一个或更多个片段处理器2415a-2415n执 行片段(例如，像素)着色操作用于片段或像素或着色器程序。在至少一 个实施例中，顶点处理器2405执行3d图形管线的顶点处理阶段并生成图 元和顶点数据。在至少一个实施例中，一个或更多个片段处理器 2415a-2415n使用由顶点处理器2405生成的图元和顶点数据来生成在显 示设备上显示的帧缓冲区。在至少一个实施例中，一个或更多个片段处理 器2415a-2415n被优化以执行如在opengl api中所提供的片段着色器程 序，其可以用于执行与在direct 3d api中所提供的像素着色器程序类似的 操作。
[0219]
在至少一个实施例中，图形处理器2410附加地包括一个或更多个存 储器管理单元(mmu)2420a-2420b、一个或更多个高速缓存2425a-2425b 和一个或更多个电路互连2430a-2430b。在至少一个实施例中，一个或更 多个mmu 2420a-2420b提供用于图形处理器2410的虚拟到物理地址的映 射，包括用于顶点处理器2405和/或片段处理器2415a-2415n，其可以引 用存储在存储器中的顶点或图像/纹理数据，除了存储在一个或更多个高速 缓存2425a-2425b中的顶点或图像/纹理数据之外。在至少一个实施例中， 一个或更多个mmu 2420a-2420b可以与系统内的其他mmu同步，包括 与图23的一个或更多个应用程序处理器2305、图像处理器2315和/或视频 处理器2320相关联的一个或更多个mmu，使得每个处理器2305-2320可 以参与共享或统一的虚拟存储器系统。在至少一个实施例中，一个或更多 个电路互连2430a-2430b使图形处理器2410能够经由soc的内部总线或 经由直接连接与soc内的其他ip核心相连接。
[0220]
在至少一个实施例中，图形处理器2440包括一个或更多个着色器核 心2455a-2455n(例如，2455a、2455b、2455c、2455d、2455e、2455f 到2455n-1和2455n)，如图24b所示，其提供了统一的着色器核心架构， 其中单个核心或类型或核心可以执行所有类型的可编程着色器代码，包括 用于实现顶点着色器、片段着色器和/或计算着色器的着色器程序代码。在 至少一个实施例中，多个着色器核心可以变化。在至少一个实施例中，图 形处理器2440包括核心间任务管理器2445，其充当线程分派器以将执行 线程分派给一个或更多个着色器核心2455a-2455n和分块单元2458，以加 速基于图块渲染的分块操作，其中在图像空间中细分了场景的渲染操作， 例如，以利用场景内的局部空间一致性或优化内部缓存的使用。
[0221]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在集成电 路中用于至少部分地基于使用神经网络训练操作、神经网络函数或架构， 或本文所述的神经网络用例计算的权重参数来进行推理或
2544b经由一组存储器控制器2542a-2542b与计算集群 2536a-2536h耦合。在至少一个实施例中，存储器2544a-2544b可以包括 各种类型的存储器设备，包括动态随机存取存储器(dram)或图形随机 存取存储器，例如同步图形随机存取存储器(sgram)，其包括图形双倍 数据速率(gddr)存储器。
[0228]
在至少一个实施例中，计算集群2536a-2536h每个都包括一组图形 核心，例如图25a的图形核心2500，所述图形核心可以包括多种类型的整 数和浮点逻辑单元，所述逻辑单元可以在计算机各种精度范围上执行计算 操作，包括适用于机器学习计算的精度。例如，在至少一个实施例中，每 个计算集群2536a-2536h中的浮点单元的至少一个子集可以被配置为执行 16位或32位浮点运算，而浮点单元的不同子集可以配置为执行64位浮点 运算。
[0229]
在至少一个实施例中，gpgpu 2530的多个实例可以被配置为用作计 算集群。在至少一个实施例中，计算集群2536a-2536h用于同步和数据交 换的通信在实施例之间变化。在至少一个实施例中，gpgpu 2530的多个 实例通过主机接口2532进行通信。在至少一个实施例中，gpgpu 2530包 括i/o集线器2539，所述集线器将gpgpu 2530与gpu链路2540耦合， 使得能够直接连接到gpgpu 2530的其他实例。在至少一个实施例中，gpu 链路2540耦合到专用gpu到gpu桥，所述桥使得gpgp 2530的多个实 例之间能够通信和同步。在至少一个实施例中，gpu链路2540与高速互 连耦合，以向其他gpgpu或并行处理器发送和接收数据。在至少一个实 施例中，gpgpu 2530的多个实例位于单独的数据处理系统中，并通过可 通过主机接口2532访问的网络设备进行通信。在至少一个实施例中，gpu 链路2540可被配置为使得能够连接到主机除主机接口2532之外或作为其 替代的处理器。
[0230]
在至少一个实施例中，gpgpu 2530可以被配置为训练神经网络。在 至少一个实施例中，可以在推理平台内使用gpgpu 2530。在至少一个实 施例中，在其中使用gpgpu 2530进行推理的情况下，相对于使用gpgpu2530训练神经网络时，gpgpu 2530可以包括更少的计算集群 2536a-2536h。在至少一个实施例中，与存储器2544a-2544b相关联的 存储器技术可以在推理和训练配置之间有所不同，其中更高带宽的存储器 技术专用于训练配置。在至少一个实施例中，gpgpu 2530的推理配置可 以支持推理特定指令。例如，在至少一个实施例中，推理配置可以提供对 一个或更多个8位整数点积指令的支持，该指令可以在部署的神经网络的 推理操作期间使用。
[0231]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在gpgpu2530中使用，用于至少部分地基于使用神经网络训练操作、神经网络功能 和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
[0232]
图26示出了根据至少一个实施例的计算机系统2600的框图。在至 少一个实施例中，计算机系统2600包括具有一个或更多个处理器2602的 处理子系统2601和系统存储器2604，所述系统存储器2604经由可包括存 储器集线器2605的互连路径通信。在至少一个实施例中，存储器集线器 2605可以是芯片组部件内的单独部件，或者可以集成在一个或更多个处理 器2602内。在至少一个实施例中，存储器集线器2605通过通信链路2606 与i/o子系统2611耦合。在一个实施例中，i/o子系统2611包括i/o集线 器2607，所述i/o集线器可以使
计算机系统2600能够接收来自一个或更 多个输入设备2608的输入。在至少一个实施例中，i/o集线器2607可以 使显示控制器向一个或更多个显示设备2610a提供输出，所述显示控制器 可以包括在一个或更多个处理器2602中。在至少一个实施例中，与i/o集 线器2607耦合的一个或更多个显示设备2610a可以包括本地，内部或嵌 入式显示设备。
[0233]
在至少一个实施例中，处理子系统2601包括经由总线或其他通信链 路2613耦合到存储器集线器2605的一个或更多个并行处理器2612中。在 至少一个实施例中，通信链路2613可以使用任何一种许多基于标准的通信 链路技术或协议，例如但不限于pci express，或者可以是特定于供应商的 通信接口或通信结构。在至少一个实施例中，一个或更多个并行处理器 2612形成计算集中的并行或矢量处理系统，所述系统可以包括大量处理核 心和/或处理集群，例如多集成核心(mic)处理器。在至少一个实施例中， 一个或更多个并行处理器2612形成图形处理子系统，所述图形处理子系统 可以将像素输出到经由i/o集线器2607耦合的一个或更多个显示设备 2610a之一。在至少一个实施例中，并行处理器2612还可以包括显示控制 器和显示接口(未示出)，以使得能够直接连接到一个或更多个显示设备 2610b。
[0234]
在至少一个实施例中，系统存储单元2614可以连接到i/o集线器 2607，以提供用于计算机系统2600的存储机制。在至少一个实施例中，i/o 交换机2616可以用于提供一个接口机制，以实现i/o集线器2607与其他 组件之间的连接，例如可以集成到平台中的网络适配器2618和/或无线网 络适配器2619，以及可以通过一个或更多个附加设备2620添加的各种其 他设备。在至少一个实施例中，网络适配器2618可以是以太网适配器或另 一有线网络适配器。在至少一个实施例中，无线网络适配器2619可以包括 wi-fi、蓝牙、近场通信(nfc)中的一个或更多个，或包括一个或更多个 无线电设备的其他网络设备。
[0235]
在至少一个实施例中，计算机系统2600可以包括未明确示出的其他 组件，所述其他组件包括usb或其他端口连接、光学存储驱动器、视频捕 获设备等，所述其他组件也可以连接到i/o集线器2607。在至少一个实施 例中，可以使用任何合适的协议(例如基于pci(外围组件互连)的协议(例如pci-express)或其他总线或点对点通信接口和/或协议)来实现互 连图26中各个组件的通信路径，例如nv-link高速互连或互连协议。
[0236]
在至少一个实施例中，一个或更多个并行处理器2612包括为图形和 视频处理而优化的电路，所述电路包括例如视频输出电路，并构成图形处 理单元(gpu)。在至少一个实施例中，并行处理器2612包括为通用处理 而优化的电路。在至少一个实施例中，计算机系统2600的组件可以与单个 集成电路上的一个或更多个其他系统元件集成。例如，在至少一个实施例 中，并行处理器2612、存储器集线器2605、处理器2602和i/o集线器2607， 可以被集成到片上系统(soc)集成电路中。在至少一个实施例中，计算 机系统2600的组件可以被集成到单个封装中，以形成系统级封装(sip) 配置。在至少一个实施例中，计算机系统2600的组件的至少一部分可以被 集成到多芯片模块(mcm)中，所述多芯片模块可以与其他多芯片模块互 连到模块化计算机系统中。
[0237]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在图26 的系统2600中使用，用于至少部分地基于使用神经网络训练操作、神经网 络函数和/或架构或本文所述的神经网络用例计算的权重参数
来推理或预 测操作。
[0238]
处理器
[0239]
图27a示出了根据至少一个实施例的并行处理器2700。在至少一个 实施例中，并行处理器2700的各种组件可以使用一个或更多个集成电路设 备来实现，例如可编程处理器、专用集成电路(asic)或现场可编程门阵 列(fpga)。在至少一个实施例中，所示的并行处理器2700是根据示例 性实施例的图26所示的一个或更多个并行处理器2612的变体。
[0240]
在至少一个实施例中，并行处理器2700包括并行处理单元2702。在 至少一个实施例中，并行处理单元2702包括i/o单元2704，其使得能够 与其他设备进行通信，包括并行处理单元2702的其他实例。在至少一个实 施例中，i/o单元2704可以直接连接到其他设备。在至少一个实施例中， i/o单元2704通过使用集线器或交换机接口(例如，存储器集线器2705) 与其他设备连接。在至少一个实施例中，存储器集线器2705与i/o单元 2704之间的连接形成通信链路2713。在至少一个实施例中，i/o单元2704 与主机接口2706和存储器交叉开关2716连接，其中主机接口2706接收用 于执行处理操作的命令，而存储器交叉开关2716接收用于执行存储器操作 的命令。
[0241]
在至少一个实施例中，当主机接口2706经由i/o单元2704接收命令 缓冲区时，主机接口2706可以引导工作操作以执行那些命令到前端2708。 在至少一个实施例中，前端2708与调度器2710耦合，调度器2710配置成 将命令或其他工作项分配给处理集群阵列2712。在至少一个实施例中，调 度器2710确保在将任务分配给处理集群阵列2712之前，处理集群阵列 2712被正确地配置并且处于有效状态。在至少一个实施例中，调度器2710 通过在微控制器上执行的固件逻辑来实现。在至少一个实施例中，微控制 器实现的调度器2710可配置成以粗粒度和细粒度执行复杂的调度和工作 分配操作，从而实现对在处理阵列2712上执行的线程的快速抢占和上下文 切换。在至少一个实施例中，主机软件可以证明用于通过多个图形处理路 径之一在处理阵列2712上进行调度的工作负载。在至少一个实施例中，工 作负载然后可以由包括调度器2710的微控制器内的调度器2710逻辑在处 理阵列2712上自动分配。
[0242]
在至少一个实施例中，处理集群阵列2712可以包括多达“n”个处理 集群(例如，集群2714a、集群2714b到集群2714n)，其中“n”代表一 个正整数(可以是与其他图中使用的整数“n”不同的整数)。在至少一个 实施例中，处理集群阵列2712的每个集群2714a-2714n可以执行大量并 发线程。在至少一个实施例中，调度器2710可以使用各种调度和/或工作 分配算法将工作分配给处理集群阵列2712的集群2714a-2714n，其可以根 据每种程序或计算类型产生的工作负载而变化。在至少一个实施例中，调 度可以由调度器2710动态地处理，或者可以在配置为由处理集群阵列2712 执行的程序逻辑的编译期间部分地由编译器逻辑来辅助。在至少一个实施 例中，可将处理集群阵列2712的不同的集群2714a-2714n分配用于处理 不同类型的程序或用于执行不同类型的计算。
[0243]
在至少一个实施例中，处理集群阵列2712可以配置成执行各种类型 的并行处理操作。在至少一个实施例中，处理集群阵列2712配置成执行通 用并行计算操作。例如，在至少一个实施例中，处理集群阵列2712可以包 括执行处理任务的逻辑，该处理任务包括对视频和/或音频数据的过滤，执 行建模操作，包括物理操作以及执行数据转换。
[0244]
在至少一个实施例中，处理集群阵列2712配置成执行并行图形处理 操作。在至少
一个实施例中，处理集群阵列2712可以包括附加逻辑以支持 这种图形处理操作的执行，包括但不限于执行纹理操作的纹理采样逻辑， 以及镶嵌逻辑和其他顶点处理逻辑。在至少一个实施例中，处理集群阵列 2712可以配置成执行与图形处理有关的着色器程序，例如但不限于顶点着 色器、曲面细分着色器、几何着色器和像素着色器。在至少一个实施例中， 并行处理单元2702可以经由i/o单元2704从系统存储器传送数据以进行 处理。在至少一个实施例中，在处理期间，可以在处理期间将传送的数据 存储到片上存储器(例如，并行处理器存储器2722)，然后将其写回到系 统存储器。
[0245]
在至少一个实施例中，当并行处理单元2702用于执行图形处理时， 调度器2710可以配置成将处理工作负载划分为近似相等大小的任务，以更 好地将图形处理操作分配给处理集群阵列2712的多个集群2714a-2714n。 在至少一个实施例中，处理集群阵列2712的部分可以配置成执行不同类型 的处理。例如，在至少一个实施例中，第一部分可以配置成执行顶点着色 和拓扑生成，第二部分可以配置成执行镶嵌和几何着色，并且第三部分可 以配置成执行像素着色或其他屏幕空间操作，以生成用于显示的渲染图像。 在至少一个实施例中，可以将由集群2714a-2714n中的一个或更多个产生 的中间数据存储在缓冲区中，以允许在集群2714a-2714n之间传输中间数 据以进行进一步处理。
[0246]
在至少一个实施例中，处理集群阵列2712可以经由调度器2710接 收要执行的处理任务，该调度器2710从前端2708接收定义处理任务的命 令。在至少一个实施例中，处理任务可以包括要被处理的数据的索引，例 如，表面(补丁)数据、原始数据、顶点数据和/或像素数据，以及状态参 数和定义如何处理数据的命令(例如，要执行什么程序)。在至少一个实 施例中，调度器2710可以配置成获取与任务相对应的索引，或者可以从前 端2708接收索引。在至少一个实施例中，前端2708可以配置成确保在启 动由传入命令缓冲区(例如，批缓冲区(batch-buffer)、推送缓冲区等) 指定的工作负载之前，处理集群阵列2712配置成有效状态。
[0247]
在至少一个实施例中，并行处理单元2702的一个或更多个实例中的 每一个可以与并行处理器存储器2722耦合。在至少一个实施例中，可以经 由存储器交叉开关2716访问并行处理器存储器2722，所述存储器交叉开 关2716可以接收来自处理集群阵列2712以及i/o单元2704的存储器请求。 在至少一个实施例中，存储器交叉开关2716可以经由存储器接口2718访 问并行处理器存储器2722。在至少一个实施例中，存储器接口2718可以 包括多个分区单元(例如，分区单元2720a、分区单元2720b到分区单元 2720n)，其可各自耦合至并行处理器存储器2722的一部分(例如，存储 器单元)。在至少一个实施例中，多个分区单元2720a-2720n为配置为等 于存储器单元的数量，使得第一分区单元2720a具有对应的第一存储器单 元2724a，第二分区单元2720b具有对应的存储器单元2724b，第n分区 单元2720n具有对应的第n存储器单元2724n。在至少一个实施例中，分 区单元2720a-2720n的数量可以不等于存储器单元的数量。
[0248]
在至少一个实施例中，存储器单元2724a-2724n可以包括各种类型 的存储器设备，包括动态随机存取存储器(dram)或图形随机存取存储 器，例如同步图形随机存取存储器(sgram)，包括图形双倍数据速率 (gddr)存储器。在至少一个实施例中，存储器单元2724a-2724n还可 包括3d堆叠存储器，包括但不限于高带宽存储器(hbm)。在至少一个 实施例中，可以跨存储器单元2724a-2724n来存储诸如帧缓冲区或纹理映 射的渲染目标，从
而允许分区单元2720a-2720n并行地写入每个渲染目标 的部分，以有效地使用并行处理器存储器2722的可用带宽。在至少一个实 施例中，可以排除并行处理器存储器2722的本地实例，以有利于利用系统 存储器与本地高速缓存存储器结合的统一存储器设计。
[0249]
在至少一个实施例中，处理集群阵列2712的集群2714a-2714n中的 任何一个都可以处理将被写入并行处理器存储器2722内的任何存储器单 元2724a-2724n中的数据。在至少一个实施例中，存储器交叉开关2716 可以配置为将每个集群2714a-2714n的输出传输到任何分区单元 2720a-2720n或另一个集群2714a-2714n，集群2714a-2714n可以对输出 执行其他处理操作。在至少一个实施例中，每个集群2714a-2714n可以通 过存储器交叉开关2716与存储器接口2718通信，以从各种外部存储设备 读取或写入各种外部存储设备。在至少一个实施例中，存储器交叉开关 2716具有到存储器接口2718的连接以与i/o单元2704通信，以及到并行 处理器存储器2722的本地实例的连接，从而使不同处理集群2714a-2714n 内的处理单元与系统存储器或不是并行处理单元2702本地的其他存储器 进行通信。在至少一个实施例中，存储器交叉开关2716可以使用虚拟通道 来分离集群2714a-2714n和分区单元2720a-2720n之间的业务流。
[0250]
在至少一个实施例中，可以在单个插入卡上提供并行处理单元2702 的多个实例，或者可以将多个插入卡互连。在至少一个实施例中，并行处 理单元2702的不同实例可以配置成相互操作，即使不同实例具有不同数量 的处理核心，不同数量的本地并行处理器存储器和/或其他配置差异。例如， 在至少一个实施例中，并行处理单元2702的一些实例可以包括相对于其他 实例而言更高精度的浮点单元。在至少一个实施例中，结合并行处理单元 2702或并行处理器2700的一个或更多个实例的系统可以以各种配置和形 式因素来实现，包括但不限于台式机、膝上型计算机或手持式个人计算机、 服务器、工作站、游戏机和/或嵌入式系统。
[0251]
图27b是根据至少一个实施例的分区单元2720的框图。在至少一个 实施例中，分区单元2720是图27a的分区单元2720a-2720n之一的实例。 在至少一个实施例中，分区单元2720包括l2高速缓存2721、帧缓冲区接 口2725和rop 2726(光栅操作单元)。在至少一个实施例中，l2高速缓 存2721是读/写高速缓存，其配置成执行从存储器交叉开关2716和rop 2726接收的加载和存储操作。在至少一个实施例中，l2高速缓存2721将 读取未命中和紧急回写请求输出到帧缓冲区接口2725以进行处理。在至少 一个实施例中，还可以经由帧缓冲区接口2725将更新发送到帧缓冲区以进 行处理。在至少一个实施例中，帧缓冲区接口2725与并行处理器存储器中 的存储器单元(诸如图27的存储器单元2724a-2724n(例如，在并行处理 器存储器2722内))之一相互作用。
[0252]
在至少一个实施例中，rop 2726是一种处理单元，其执行光栅操作， 诸如模版、z测试、混合等。在至少一个实施例中，rop 2726然后输出存 储在图形存储器中的处理后的图形数据。在至少一个实施例中，rop 2726 包括压缩逻辑以压缩被写入存储器的深度或颜色数据并解压缩从存储器读 取的深度或颜色数据。在至少一个实施例中，压缩逻辑可以是利用多种压 缩算法中的一种或更多种的无损压缩逻辑。在至少一个实施例中，rop 2726执行的压缩的类型可以基于要压缩的数据的统计特性而变化。例如， 在至少一个实施例中，基于每图块基础上的深度和颜色数据执行增量颜色 压缩。
[0253]
在至少一个实施例中，rop 2726包括在每个处理集群内(例如，图 27a的集群
2714a-2714n)，而不是在分区单元2720内。在至少一个实施 例中，通过存储器交叉开关2716而不是像素片段数据传输对像素数据的读 取和写入请求。在至少一个实施例中，经处理的图形数据可以在显示设备 上(诸如图25的一个或更多个显示设备2510之一)显示，由处理器1302 路由以供进一步处理，或者由图27a的并行处理器2700内的处理实体之 一路由以供进一步处理。
[0254]
图27c是根据至少一个实施例的并行处理单元内的处理集群2714的 框图。在至少一个实施例中，处理集群是图27a的处理集群2714a-2714n 之一的实例。在至少一个实施例中，处理集群2714可以配置成并行执行许 多线程，其中“线程”是指在特定的一组输入数据上执行的特定程序的实例。 在至少一个实施例中，单指令多数据(simd)指令发布技术用于支持大量 线程的并行执行而无需提供多个独立的指令单元。在至少一个实施例中， 使用单指令多线程(simt)技术来支持并行执行大量一般同步的线程，这 使用了公共指令单元，该公共指令单元配置成向每个处理集群内的一组处 理引擎发出指令。
[0255]
在至少一个实施例中，可以通过将处理任务分配给simt并行处理器 的管线管理器2732来控制处理集群2714的操作。在至少一个实施例中， 管线管理器2732从图27a的调度器2710接收指令，通过图形多处理器 2734和/或纹理单元2736管理这些指令的执行。在至少一个实施例中，图 形多处理器2734是simt并行处理器的示例性实例。然而，在至少一个实 施例中，处理集群2714内可以包括不同架构的各种类型的simt并行处理 器。在至少一个实施例中，在处理集群2714内可以包括图形多处理器2734 的一个或更多个实例。在至少一个实施例中，图形多处理器2734可以处理 数据，并且数据交叉开关2740可以用于将处理后的数据分发到多个可能的 目的(包括其他着色器单元)地之一。在至少一个实施例中，管线管理器 2732可以通过指定要经由数据交叉开关2740分配的处理后的数据的目的 地来促进处理后的数据的分配。
[0256]
在至少一个实施例中，处理集群2714内的每个图形多处理器2734 可以包括相同的一组功能执行逻辑(例如，算术逻辑单元、加载存储单元 等)。在至少一个实施例中，可以以管线方式配置功能执行逻辑，其中可 以在先前的指令完成之前发出新的指令。在至少一个实施例中，功能执行 逻辑支持多种操作，包括整数和浮点算术、比较操作、布尔运算、移位和 各种代数函数的计算。在至少一个实施例中，可以利用相同的功能单元硬 件来执行不同的操作，并且可以存在功能单元的任何组合。
[0257]
在至少一个实施例中，传送到处理集群2714的指令构成线程。在至 少一个实施例中，跨一组并行处理引擎执行的一组线程是线程组。在至少 一个实施例中，线程组在不同的输入数据上执行通用程序。在至少一个实 施例中，线程组内的每个线程可被分配给图形多处理器2734内的不同处理 引擎。在至少一个实施例中，线程组可包括比图形多处理器2734内的多个 处理引擎更少的线程。在至少一个实施例中，当线程组包括的线程数少于 处理引擎的数量时，一个或更多个处理引擎在正在处理该线程组的循环期 间可能是空闲的。在至少一个实施例中，线程组还可以包括比图形多处理 器2734内的多个处理引擎更多的线程。在至少一个实施例中，当线程组包 括比图形多处理器2734内的处理引擎的数量更多的线程时，可以在连续的 时钟周期内执行处理。在至少一个实施例中，可以在图形多处理器2734 上同时执行多个线程组。
[0258]
在至少一个实施例中，图形多处理器2734包括内部高速缓存存储器， 以执行加载
和存储操作。在至少一个实施例中，图形多处理器2734可以放 弃内部高速缓存并使用处理集群2714内的高速缓存存储器(例如，l1高 速缓存2748)。在至少一个实施例中，每个图形多处理器2734还可以访 问分区单元(例如，图27a的分区单元2720a-2720n)内的l2高速缓存， 这些分区单元在所有处理集群2714之间共享并且可以用于在线程之间传 输数据。在至少一个实施例中，图形多处理器2734还可以访问片外全局存 储器，其可以包括本地并行处理器存储器和/或系统存储器中的一个或更多 个。在至少一个实施例中，并行处理单元2702外部的任何存储器都可以用 作全局存储器。在至少一个实施例中，处理集群2714包括图形多处理器 2734的多个实例，它们可以共享可以存储在l1高速缓存2748中的公共指 令和数据。
[0259]
在至少一个实施例中，每个处理集群2714可以包括配置成将虚拟地 址映射为物理地址的存储器管理单元(“mmu”)2745。在至少一个实施例 中，mmu 2745的一个或更多个实例可以驻留在图27a的存储器接口2718 内。在至少一个实施例中，mmu 2745包括一组页表条目(pte)，其用 于将虚拟地址映射到图块的物理地址以及可选地映射到高速缓存行索引。 在至少一个实施例中，mmu 2745可以包括地址转换后备缓冲区(tlb) 或可以驻留在图形多处理器2734或l1高速缓存2748或处理集群2714内 的高速缓存。在至少一个实施例中，处理物理地址以分配表面数据访问局 部性，以便在分区单元之间进行有效的请求交织。在至少一个实施例中， 高速缓存行索引可以用于确定对高速缓存线的请求是命中还是未命中。
[0260]
在至少一个实施例中，可以配置处理集群2714，使得每个图形多处 理器2734耦合到纹理单元2736，以执行纹理映射操作，所述操作确定纹 理样本位置、读取纹理数据以及过滤纹理数据。在至少一个实施例中，根 据需要从内部纹理l1高速缓存(未示出)或从图形多处理器2734内的l1 高速缓存中读取纹理数据，并从l2高速缓存、本地并行处理器存储器或 系统存储器中获取纹理数据。在至少一个实施例中，每个图形多处理器 2734将处理后的任务输出到数据交叉开关2740，以将处理后的任务提供给 另一处理集群2714以进行进一步处理或将处理后的任务存储在l2高速缓 存、本地并行处理器存储器、或经由存储器交叉开关2716的系统存储器中。 在至少一个实施例中，prerop 2742(光栅前操作单元)配置成从图形多处 理器2734接收数据，将数据引导至rop单元，该rop单元可以与本文所 述的分区单元(例如，图27a的分区单元2720a-2720n)一起定位。在至 少一个实施例中，prerop 2742单元可以执行用于颜色混合的优化、组织 像素颜色数据以及执行地址转换。
[0261]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在图形处 理集群2714中用于至少部分地基于使用本文描述的神经网络训练操作、神 经网络函数和/或架构或神经网络用例计算的权重参数来进行推理或预测 操作。
[0262]
图27d示出了根据至少一个实施例的图形多处理器2734。在至少一 个实施例中，图形多处理器2734与处理集群2714的管线管理器2732耦合。 在至少一个实施例中，图形多处理器2734具有执行管线，该执行管线包括 但不限于指令高速缓存2752、指令单元2754、地址映射单元2756、寄存 器文件2758、一个或更多个通用图形处理单元(gpgpu)核心2762和一 个或更多个加载/存储单元2766。在至少一个实施例中，gpgpu核心2762 和加载/存储
单元2766与高速缓存存储器2772和共享存储器2770通过存 储器和高速缓存互连2768耦合。
[0263]
在至少一个实施例中，指令高速缓存2752从管线管理器2732接收 要执行的指令流。在至少一个实施例中，将指令高速缓存在指令高速缓存 2752中并将其分派以供指令单元2754执行。在一个实施例中，指令单元 2754可以分派指令作为线程组(例如，线程束)，将线程组的每个线程分 配给gpgpu核心2762内的不同执行单元。在至少一个实施例中，指令可 以通过在统一地址空间内指定地址来访问任何本地、共享或全局地址空间。 在至少一个实施例中，地址映射单元2756可以用于将统一地址空间中的地 址转换成可以由加载/存储单元2766访问的不同的存储器地址。
[0264]
在至少一个实施例中，寄存器文件2758为图形多处理器2734的功 能单元提供了一组寄存器。在至少一个实施例中，寄存器文件2758为连接 到图形多处理器2734的功能单元(例如，gpgpu核心2762、加载/存储单 元2766)的数据路径的操作数提供了临时存储。在至少一个实施例中，在 每个功能单元之间划分寄存器文件2758，使得为每个功能单元分配寄存器 文件2758的专用部分。在至少一个实施例中，寄存器文件2758在图形多 处理器2734正在执行的不同线程束之间划分。
[0265]
在至少一个实施例中，gpgpu核心2762可以各自包括用于执行图 形多处理器2734的指令的浮点单元(fpu)和/或整数算术逻辑单元(alu)。 在至少一个实施例中，gpgpu核心2762在架构上可以相似或架构可能有 所不同。在至少一个实施例中，gpgpu核心2762的第一部分包括单精度 fpu和整数alu，而gpgpu核心的第二部分包括双精度fpu。在至少一 个实施例中，fpu可以实现用于浮点算法的ieee 754-2008标准或启用可 变精度浮点算法。在至少一个实施例中，图形多处理器2734可以另外包括 一个或更多个固定功能或特殊功能单元，以执行特定功能，诸如复制矩形 或像素混合操作。在至少一个实施例中，gpgpu核心2762中的一个或更 多个也可以包括固定或特殊功能逻辑。
[0266]
在至少一个实施例中，gpgpu核心2762包括能够对多组数据执行 单个指令的simd逻辑。在一个实施例中，gpgpu核心2762可以物理地 执行simd4、simd8和simd16指令，并且在逻辑上执行simd1、simd2 和simd32指令。在至少一个实施例中，用于gpgpu核心的simd指令 可以在编译时由着色器编译器生成，或者在执行针对单程序多数据(spmd) 或simt架构编写和编译的程序时自动生成。在至少一个实施例中，可以 通过单个simd指令来执行为simt执行模型配置的程序的多个线程。例 如，在至少一个实施例中，可以通过单个simd8逻辑单元并行执行相同或 相似操作的八个simt线程。
[0267]
在至少一个实施例中，存储器和高速缓存互连2768是将图形多处理 器2734的每个功能单元连接到寄存器文件2758和共享存储器2770的互连 网络。在至少一个实施例中，存储器和高速缓存互连2768是交叉开关互连， 其允许加载/存储单元2766在共享存储器2770和寄存器文件2758之间实 现加载和存储操作。在至少一个实施例中，寄存器文件2758可以以与 gpgpu核心2762相同的频率操作，从而在gpgpu核心2762和寄存器文 件2758之间进行数据传输的延迟非常低。在至少一个实施例中，共享存储 器2770可以用于启用在图形多处理器2734内的功能单元上执行的线程之 间的通信。在至少一个实施例中，高速缓存存储器2772可以用作例如数据 高速缓存，以高速缓存在功能单元和纹理单元2736之间通信的纹理数据。 在至少一个实施例中，共享存储器2770也可以用作程序管理的高速缓存。 在
至少一个实施例中，除了存储在高速缓存存储器2772中的自动高速缓存 的数据之外，在gpgpu核心2762上执行的线程还可以以编程方式将数据 存储在共享存储器中。
[0268]
在至少一个实施例中，如本文所述的并行处理器或gpgpu通信地耦 合到主机/处理器核心，以加速图形操作、机器学习操作、图案分析操作以 及各种通用gpu(gpgpu)功能。在至少一个实施例中，gpu可以通过 总线或其他互连(例如，诸如pcie或nvlink的高速互连)通信地耦合到 主机处理器/核心。在至少一个实施例中，gpu可以与核心集成在封装或芯 片上，并通过内部处理器总线/互连(即，封装或芯片的内部)通信地耦合 到核心。在至少一个实施例中，不管gpu连接的方式如何，处理器核心可 以以工作描述符中包含的命令/指令序列的形式向该gpu分配工作。在至 少一个实施例中，该gpu然后使用专用电路/逻辑来有效地处理这些命令/ 指令。
[0269]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。下面结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在图形多 处理器2734中用于至少部分地基于使用本文描述的神经网络训练操作、神 经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测 操作。
[0270]
图28示出了根据至少一个实施例的多gpu计算系统2800。在至少 一个实施例中，多gpu计算系统2800可以包括经由主机接口交换机2804 耦合到多个通用图形处理单元(gpgpu)2806a-d的处理器2802。在至少 一个实施例中，主机接口交换机2804是将处理器2802耦合到pci express 总线的pci express交换机设备，处理器2802可以通过pci express总线与 gpgpu 2806a-d通信。在至少一个实施例中，gpgpu 2806a-d可以经由 一组高速p2p gpu到gpu链路2816互连。在至少一个实施例中，gpu 到gpu链路2816经由专用gpu链路连接到gpgpu 2806a-d中的每一个。 在至少一个实施例中，p2p gpu链路2816使得能够在每个gpgpu2806a-d之间进行直接通信，而无需通过处理器2802所连接的主机接口总 线2804进行通信。在至少一个实施例中，在gpu到gpu业务定向到p2p gpu链路2816的情况下，主机接口总线2804保持可用于系统存储器访问 或例如经由一个或更多个网络设备与多gpu计算系统2800的其他实例进 行通信。虽然在至少一个实施例中，gpgpu 2806a-d经由主机接口交换机 2804连接到处理器2802，但是在至少一个实施例中，处理器2802包括对 p2p gpu链路2816的直接支持，并且可以直接连接到gpgpu 2806a-d。
[0271]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在多gpu 计算系统2800中使用，用于至少部分地基于使用本文描述的神经网络训练 操作、神经网络函数和/或架构或神经网络用例计算的权重参数来进行推理 或预测操作。
[0272]
图29是根据至少一个实施例的图形处理器2900的框图。在至少一 个实施例中，图形处理器2900包括环形互连2902、管线前端2904、媒体 引擎2937和图形核心2980a-2980n。在至少一个实施例中，环形互连2902 将图形处理器2900耦合到其他处理单元，所述处理单元包括其他图形处理 器或一个或更多个通用处理器核心。在至少一个实施例中，图形处理器 2900是集成在多核心处理系统内的许多处理器之一。
[0273]
在至少一个实施例中，图形处理器2900经由环形互连2902接收多 批命令。在至少
一个实施例中，输入的命令由管线前端2904中的命令流转 化器(streamer)2903解释。在至少一个实施例中，图形处理器2900包括 可扩展执行逻辑，用于经由图形核心2980a-2980n执行3d几何处理和媒 体处理。在至少一个实施例中，对于3d几何处理命令，命令流转化器2903 将命令提供给几何管线2936。在至少一个实施例中，对于至少一些媒体处 理命令，命令流转化器2903将命令提供给视频前端2934，该视频前端与 媒体引擎2937耦合。在至少一个实施例中，媒体引擎2937包括用于视频 和图像后处理的视频质量引擎(vqe)2930，以及用于提供硬件加速的媒 体数据编码和解码的多格式编码/解码(mfx)2933引擎。在至少一个实 施例中，几何管线2936和媒体引擎2937各自生成用于由至少一个图形核 心2980提供的线程执行资源的执行线程。
[0274]
在至少一个实施例中，图形处理器2900包括具有(featuring)图形 核心2980a-2980n(其可以是模块化的并且有时被称为核心切片)的可扩 展线程执行资源，每个图形核心具有多个子核心2950a-2950n，2960a
‑ꢀ
2960n(有时称为核心子切片)。在至少一个实施例中，图形处理器2900 可以具有任意数量的图形核心2980a。在至少一个实施例中，图形处理器 2900包括具有至少第一子核心2950a和第二子核心2960a的图形核心 2980a。在至少一个实施例中，图形处理器2900是具有单个子核心(例如 2950a)的低功率处理器。在至少一个实施例中，图形处理器2900包括多 个图形核心2980a-2980n，每个图形核心包括一组第一子核心 2950a-2950n和一组第二子核心2960a-2960n。在至少一个实施例中，第 一子核心2950a-2950n中的每个子核心至少包括第一组执行单元 2952a-2952n和媒体/纹理采样器2954a-2954n。在至少一个实施例中，第 二子核心2960a-2960n中的每个子核心至少包括第二组执行单元 2962a-2962n和采样器2964a-2964n。在至少一个实施例中，每个子核心 2950a-2950n，2960a-2960n共享一组共享资源2970a-2970n。在至少一 个实施例中，共享资源包括共享高速缓存存储器和像素操作逻辑。
[0275]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115可以在图形处 理器2900中用于至少部分地基于使用本文描述的神经网络训练操作、神经 网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操 作。
[0276]
图30是根据至少一个实施例的说明用于处理器3000的微架构的框 图，该处理器3000可以包括用于执行指令的逻辑电路。在至少一个实施例 中，处理器3000可以执行指令，包括x86指令、arm指令、用于专用集 成电路(asic)的专用指令等。在至少一个实施例中，处理器3000可以 包括用于存储封装数据的寄存器，例如作为加利福尼亚州圣克拉拉市英特 尔公司采用mmx技术启用的微处理器中的64位宽mmx
tm
寄存器。在至 少一个实施例中，整数和浮点数形式可用的mmx寄存器可以与封装的数 据元素一起运行，所述封装的数据元素伴随单指令多数据(“simd”)和流 式simd扩展(“sse”)指令。在至少一个实施例中，与sse2、sse3、sse4、 avx或更高版本(一般称为“ssex”)技术有关的128位宽xmm寄存器 可以保存此类封装数据操作数。在至少一个实施例中，处理器3000可以执 行指令以加速机器学习或深度学习算法、训练或推理。
[0277]
在至少一个实施例中，处理器3000包括有序前端(“前端”)3001， 以提取要执行的指令并准备稍后在处理器管线中使用的指令。在至少一个 实施例中，前端3001可以包括几
个单元。在至少一个实施例中，指令预取 器3026从存储器中获取指令并将指令提供给指令解码器3028，指令解码 器3028又对指令进行解码或解释。例如，在至少一个实施例中，指令解码 器3028将接收到的指令解码为机器可执行的所谓的“微指令”或“微操作
”ꢀ
(也称为“微操作”或“微指令”)的一个或更多个操作。在至少一个实施例 中，指令解码器3028将指令解析为操作码以及相应的数据和控制词段，其 可以由微架构用来使用以根据至少一个实施例来执行操作。在至少一个实 施例中，跟踪高速缓存3030可以将解码的微指令组装成微指令队列3034 中的程序排序的序列或追踪以供执行。在至少一个实施例中，当追踪高速 缓存3030遇到复杂指令时，微码rom 3032提供完成操作所需的微指令。
[0278]
在至少一个实施例中，可以将一些指令转换成单个微操作，而另一 些指令则需要几个微操作来完成全部操作。在至少一个实施例中，如果需 要多于四个的微指令来完成一条指令，则指令解码器3028可以访问微码 rom 3032以执行该指令。在至少一个实施例中，可以将指令解码为少量 的微指令以在指令解码器3028处进行处理。在至少一个实施例中，如果需 要多个微指令完成该操作，则可以将指令存储在微码rom 3032中。在至 少一个实施例中，追踪高速缓存器3030参考入口点可编程逻辑阵列(“pla”) 以确定正确的微指令指针，用于根据至少一个实施例从微码rom 3032读 取微码序列以完成一个或更多个指令。在至少一个实施例中，在微码rom3032完成对指令的微操作排序之后，机器的前端3001可以恢复从追踪高 速缓存3030获取微操作。
[0279]
在至少一个实施例中，乱序执行引擎(“乱序引擎”)3003可以准备 用于执行的指令。在至少一个实施例中，乱序执行逻辑具有多个缓冲区， 以使指令流平滑并重新排序，以在指令沿管线下降并被调度执行时优化性 能。在至少一个实施例中，乱序执行引擎3003包括但不限于分配器/寄存 器重命名器3040、存储器微指令队列3042、整数/浮点微指令队列3044、 存储器调度器3046、快速调度器3002、慢速/通用浮点调度器(“慢速/通用 fp调度器”)3004和简单浮点调度器(“简单fp调度器”)3006。在至少一 个实施例中，快速调度器3002、慢速/通用浮点调度器3004和简单浮点调 度器3006也统称为“微指令调度器3002、3004、3006”。在至少一个实施 例中，分配器/寄存器重命名器3040分配每个微指令按序列执行所需要的 机器缓冲区和资源。在至少一个实施例中，分配器/寄存器重命名器3040 将逻辑寄存器重命名为寄存器文件中的条目。在至少一个实施例中，分配 器/寄存器重命名器3040还为两个微指令队列之一中的每个微指令分配条 目，存储器微指令队列3042用于存储器操作和整数/浮点微指令队列3044 用于非存储器操作，在存储器调度器3046和微指令调度器3002、3004、 3006的前面。在至少一个实施例中，微指令调度器3002、3004、3006基 于它们的从属输入寄存器操作数源的就绪性和需要完成的执行资源微指令 的可用性来确定何时准备好执行微指令。至少一个实施例的快速调度器 3002可以在主时钟周期的每个一半上调度，而慢速/通用浮点调度器3004 和简单浮点调度器3006可以在每个主处理器时钟周期调度一次。在至少一 个实施例中，微指令调度器3002、3004、3006对调度端口进行仲裁，以调 度用于执行的微指令。
[0280]
在至少一个实施例中，执行块3011包括但不限于整数寄存器文件/ 支路网络3008、浮点寄存器文件/支路网络(“fp寄存器文件/支路网络”) 3010、地址生成单元(“agu”)3012和3014、快速算术逻辑单元(“快速 alu”)3016和3018、慢速算术逻辑单元(“慢速alu”)3020、浮点alu (“fp”)3022和浮点移动单元(“fp移动”)3024。在至少一个实施例
中， 整数寄存器文件/支路网络3008和浮点寄存器文件/旁路网络3010在本文中 也称为“寄存器文件3008、3010”。在至少一个实施例中，agu 3012和3014、 快速alu 3016和3018、慢速alu 3020、浮点alu 3022和浮点移动单元 3024在本文中也称为“执行单元3012、3014、3016、3018、3020、3022和 3024”。在至少一个实施例中，执行块3011可以包括但不限于任意数量(包 括零)和类型的寄存器文件、支路网络、地址生成单元和执行单元(以任 何组合)。
[0281]
在至少一个实施例中，寄存器网络3008、3010可以布置在微指令调 度器3002、3004、3006与执行单元3012、3014、3016、3018、3020、3022 和3024之间。在至少一个实施例中，整数寄存器文件/支路网络3008执行 整数运算。在至少一个实施例中，浮点寄存器文件/支路网络3010执行浮 点操作。在至少一个实施例中，寄存器网络3008、3010中的每一个可以包 括但不限于支路网络，该支路网络可以绕过或转发尚未写入寄存器文件中 的刚刚完成的结果到新的从属对象。在至少一个实施例中，寄存器网络 3008、3010可以彼此通信数据。在至少一个实施例中，整数寄存器文件/ 支路网络3008可以包括但不限于两个单独的寄存器文件、一个寄存器文件 用于低阶32位数据，第二寄存器文件用于高阶32位数据。在至少一个实 施例中，浮点寄存器文件/支路网络3010可以包括但不限于128位宽的条 目，因为浮点指令通常具有宽度为64至128位的操作数。
[0282]
在至少一个实施例中，执行单元3012、3014、3016、3018、3020、 3022、3024可以执行指令。在至少一个实施例中，寄存器网络3008、3010 存储微指令需要执行的整数和浮点数据操作数值。在至少一个实施例中， 处理器3000可以包括但不限于任何数量的执行单元3012、3014、3016、 3018、3020、3022、3024及其组合。在至少一个实施例中，浮点alu 3022 和浮点移动单元3024，可以执行浮点、mmx、simd、avx和sse或其 他操作，包括专门的机器学习指令。在至少一个实施例中，浮点alu 3022 可以包括但不限于64位乘64位浮点除法器，以执行除法、平方根和余数 微操作。在至少一个实施例中，可以用浮点硬件来处理涉及浮点值的指令。 在至少一个实施例中，可以将alu操作传递给快速alu 3016、3018。在 至少一个实施例中，快速alu 3016、3018可以以半个时钟周期的有效延 迟执行快速操作。在至少一个实施例中，大多数复杂的整数运算进入慢速 alu 3020，因为慢速alu 3020可以包括但不限于用于长延迟类型操作的 整数执行硬件，例如乘法器、移位、标志逻辑和分支处理。在至少一个实 施例中，存储器加载/存储操作可以由agu 3012、3014执行。在至少一个 实施例中，快速alu 3016、快速alu 3018和慢速alu 3020可以对64 位数据操作数执行整数运算。在至少一个实施例中，可以实现快速alu3016、快速alu 3018和慢速alu 3020以支持包括十六、三十二、128、 256等的各种数据位大小。在至少一个实施例中，浮点alu 3022和浮点移 动单元3024可以实现为支持具有各种宽度的位的一定范围的操作数，例如 可以结合simd和多媒体指令对128位宽封装数据操作数进行操作。
[0283]
在至少一个实施例中，微指令调度器3002、3004、3006在父加载完 成执行之前调度从属操作。在至少一个实施例中，由于可以在处理器3000 中推测性地调度和执行微指令，处理器3000还可以包括用于处理存储器未 命中的逻辑。在至少一个实施例中，如果数据高速缓存中的数据加载未命 中，则可能存在在管线中正在运行的从属操作，其使调度器暂时没有正确 的数据。在至少一个实施例中，一种重放机制追踪踪并重新执行使用不正 确数据的指令。在至少一个实施例中，可能需要重放从属操作并且可以允 许完成独立操作。在至少一个实施例中，处理器的至少一个实施例的调度 器和重放机制也可以设计为捕
获用于文本串比较操作的指令序列。
[0284]
在至少一个实施例中，“寄存器”可以指代可以用作识别操作数的指令 的一部分的机载处理器存储位置。在至少一个实施例中，寄存器可以是那 些可以从处理器外部使用的寄存器(从程序员的角度来看)。在至少一个 实施例中，寄存器可能不限于特定类型的电路。相反，在至少一个实施例 中，寄存器可以存储数据、提供数据并执行本文描述的功能。在至少一个 实施例中，本文描述的寄存器可以通过处理器内的电路使用多种不同技术 来实现，例如专用物理寄存器、使用寄存器重命名动态分配的物理寄存器、 专用和动态分配的物理寄存器的组合等。在至少一个实施例中，整数寄存 器存储32位整数数据。至少一个实施例的寄存器文件还包含八个用于封装 数据的多媒体simd寄存器。
[0285]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，可以将推理和/或训练逻辑115的部分 或全部并入执行块3011以及示出或未示出的其他存储器或寄存器。例如， 在至少一个实施例中，本文描述的训练和/或推理技术可以使用执行块3011 中示出的一个或更多个alu。此外，权重参数可以存储在片上或片外存储 器和/或寄存器(示出或未示出)中，该寄存器和/或寄存器配置执行块3011 的alu以执行一种或更多种本文所述的机器学习算法、神经网络架构、用 例或训练技术。
[0286]
图31示出了根据至少一个实施例的深度学习应用程序处理器3100。 在至少一个实施例中，深度学习应用程序处理器3100使用指令，如果由深 度学习应用程序处理器3100执行，则指令使深度学习应用程序处理器3100 执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中，深 度学习应用程序处理器3100是专用集成电路(asic)。在至少一个实施 例中，应用程序处理器3100执行矩阵乘法运算或者“硬连线”到硬件中，作 为执行一个或更多个指令或两者的结果。在至少一个实施例中，深度学习 应用程序处理器3100包括但不限于处理集群3110(1)-3110(12)、芯 片间链路(“icl”)3120(1)-3120(12)、芯片间控制器(“icc”)3130 (1)-3130(2)、第二代高带宽存储器(“hbm2”)3140(1)-3140(4)、 存储器控制器(“mem ctrlr”)3142(1)-3142(4)、高带宽存储器物理层 (“hbm phy”)3144(1)-3144(4)、管理控制器中央处理单元(“管理 控制器cpu”)3150、串行外围设备接口、内部集成电路和通用输入/输出 块(“spi、i2c、gpio”)3160，外围组件互连快速控制器和直接存储器访 问块(“pcie控制器和dma”)3170、以及十六通道外围组件互连快速端 口(“pci express x 16”)3180。
[0287]
在至少一个实施例中，处理集群3110可以执行深度学习操作，包括 基于一种或更多种训练技术计算的权重参数的推理或预测操作，包括本文 所述的那些技术。在至少一个实施例中，每个处理集群3110可以包括但不 限于任何数量和类型的处理器。在至少一个实施例中，深度学习应用程序 处理器3100可以包括任何数量和类型的处理集群。在至少一个实施例中， 芯片间链路3120是双向的。在至少一个实施例中，芯片间链路3120和芯 片间控制器3130使多个深度学习应用程序处理器3100能够交换信息，包 括从执行一个或更多个神经网络中体现的一种或更多种机器学习算法而产 生的激活信息。在至少一个实施例中，深度学习应用程序处理器3100可以 包括任意数量(包括零)和类型的icl 3120和icc 3131。
[0288]
在至少一个实施例中，hbm2 3140提供总共32gb的存储器。在至 少一个实施例中，
hbm2 3140(i)与存储器控制器3142(i)和hbm phy3144(i)都相关联，其中“i”是任意整数。在至少一个实施例中，任何数量 的hbm2 3140可以提供任何类型和总量的高带宽存储器，并且可以与任何 数量(包括零)和类型的存储器控制器3142和hbm phy 3144相关联。 在至少一个实施例中，可以用任何数量和类型的块替换spi、i2c、gpio 3160、 pcie控制器和dma 3170和/或pcie3180，以任何技术上可行的方式实现 任何数量和类型的通信标准。
[0289]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，深度学习应用程序处理器用于训练机 器学习模型(例如神经网络)，以预测或推理提供给深度学习应用程序处 理器3100的信息。在至少一个实施例中，深度学习应用程序处理器3100 用于基于已经由另一处理器或系统或由深度学习应用程序处理器3100训 练的经训练的机器学习模型(例如，神经网络)来推理或预测信息。在至 少一个实施例中，处理器3100可以用于执行本文所述的一个或更多个神经 网络用例。
[0290]
图32是根据至少一个实施例的神经形态处理器3200的框图。在至 少一个实施例中，神经形态处理器3200可以从神经形态处理器3200外部 的源接收一个或更多个输入。在至少一个实施例中，这些输入可以被传输 到神经形态处理器3200内的一个或更多个神经元3202。在至少一个实施 例中，可以使用包括一个或更多个算术逻辑单元(alu)的电路或逻辑来 实现神经元3202及其组件。在至少一个实施例中，神经形态处理器3200 可以包括但不限于成千上万个神经元3202的实例，但是可以使用任何合适 数量的神经元3202。在至少一个实施例中，神经元3202的每个实例可以 包括神经元输入3204和神经元输出3206。在至少一个实施例中，神经元 3202可以生成可以传输到神经元3202的其他实例的输入的输出。在至少 一个实施例中，神经元输入3204和神经元输出3206可以经由突触3208 互连。
[0291]
在至少一个实施例中，神经元3202和突触3208可以互连，使得神 经形态处理器3200操作以处理或分析由神经形态处理器3200接收的信息。 在至少一个实施例中，当通过神经元输入3204接收到的输入超过阈值时， 神经元3202可以发送输出脉冲(或“触发”或“峰值”)。在至少一个实施例 中，神经元3202可以对在神经元输入3204处接收到的信号进行求和或积 分。例如，在至少一个实施例中，神经元3202可以实现为有泄漏的积分
‑ꢀ
触发神经元，其中如果求和(称为“膜电位”)超过阈值，则神经元3202可 以使用诸如sigmoid或阈值函数的传递函数来产生输出(或“触发”)。在 至少一个实施例中，泄漏的积分-触发神经元可以将在神经元输入3204处 接收到的信号求和成膜电位，并且可以应用程序衰减因子(或泄漏)以减 小膜电位。在至少一个实施例中，如果在神经元输入3204处接收到足够快 以超过阈值的多个输入信号(即，在膜电势衰减得太低而不能触发之前)， 则泄漏的积分-触发神经元可能会触发。在至少一个实施例中，神经元3202 可以使用接收输入、将输入积分到膜电位、并衰减膜电位的电路或逻辑来 实现。在至少一个实施例中，可以对输入求平均，或者可以使用任何其他 合适的传递函数。此外，在至少一个实施例中，神经元3202可以包括但不 限于当将传递函数应用程序于神经元输入3204的结果超过阈值时在神经 元输出3206处产生输出尖峰的比较器电路或逻辑。在至少一个实施例中， 一旦神经元3202触发，它可以通过例如将膜电位复位为0或另一合适的默 认值来忽略先前接收的输入信息。在至少一个实施例中，一旦膜电位被重 置为0，则神经元3202可以在合适的时间段(或修复期)之后恢复正常操 作。
[0292]
在至少一个实施例中，神经元3202可以通过突触3208互连。在至 少一个实施例中，突触3208可以操作以将从第一神经元3202的输出的信 号传输到第二神经元3202的输入。在至少一个实施例中，神经元3202可 以在一个以上的突触3208实例上传输信息。在至少一个实施例中，神经元 输出3206的一个或更多个实例可以通过突触3208的实例连接到同一神经 元3202中神经元输入3204的实例。在至少一个实施例中，相对于突触3208 的那个实例，神经元3202的实例产生要在突触3208的实例上传输的输出 可以被称为“突触前神经元”。在至少一个实施例中，相对于突触3208的实 例，神经元3202的实例接收通过突触3208的实例传输的输入可以被称为
ꢀ“
突触后神经元”。在至少一个实施例中，关于突触3208的各种实例，因为 神经元3202的实例可以接收来自一个或更多个突触3208实例的输入，并 且还可以通过一个或更多个突触3208实例传输输出，因此神经元3202的 单个实例可以既是“突触前神经元”又是“突触后神经元”。
[0293]
在至少一个实施例中，神经元3202可以被组织成一层或更多层。在 至少一个实施例中，神经元3202的每个实例可以具有一个神经元输出3206， 该神经元输出3206可以通过一个或更多个突触3208扇出到一个或更多个 神经元输入3204。在至少一个实施例中，第一层3210中的神经元3202的 神经元输出3206可以连接到第二层3212中的神经元3202的神经元输入 3204。在至少一个实施例中，层3210可以被称为“前馈层”。在至少一个实 施例中，在第一层3210的实例中神经元3202的每个实例可以扇出到第二 层3212中的神经元3202的每个实例。在至少一个实施例中，第一层3210 可以被称为“完全连接的前馈层”。在至少一个实施例中，在第二层3212的 每个实例中的神经元3202的每个实例扇出到少于在第三层3214中的神经 元3202的所有实例。在至少一个实施例中，第二层3212可以被称为“稀疏 连接的前馈层”。在至少一个实施例中，第二层3212中的神经元3202可以 扇出到多个其他层中的神经元3202，也包括扇出到第二层3212中的神经 元3202。在至少一个实施例中，第二层3212可以被称为“循环层”。在至 少一个实施例中，神经形态处理器3200可以包括但不限于循环层和前馈层 的任何合适的组合，包括但不限于稀疏连接的前馈层和完全连接的前馈层。
[0294]
在至少一个实施例中，神经形态处理器3200可以包括但不限于可重 新配置的互连架构或专用硬连线互连，以将突触3208连接到神经元3202。 在至少一个实施例中，神经形态处理器3200可以包括但不限于电路或逻辑， 其根据神经网络拓扑结构和神经元扇入/扇出，允许根据需要将突触分配给 不同神经元3202。例如，在至少一个实施例中，可以使用互连结构(诸如 片上网络)或通过专用连接将突触3208连接到神经元3202。在至少一个 实施例中，可以使用电路或逻辑来实现突触互连及其组件。
[0295]
图33示出了根据至少一个实施例的处理系统。在至少一个实施例中， 系统3300包括一个或更多个处理器3302和一个或更多个图形处理器3308， 并且可以是单处理器台式机系统、多处理器工作站系统或具有大量处理器 3302或处理器核心3307的服务器系统。在至少一个实施例中，系统3300 是结合在片上系统(soc)集成电路内的处理平台，以在移动、手持或嵌 入式设备使用。
[0296]
在至少一个实施例中，系统3300可以包括或结合在基于服务器的游 戏平台中，包括游戏和媒体控制台的游戏控制台、移动游戏控制台、手持 游戏控制台或在线游戏控制台。在至少一个实施例中，系统3300是移动电 话、智能电话、平板计算设备或移动互联网设
备。在至少一个实施例中， 处理系统3300还可包括与可穿戴设备耦合或集成在可穿戴设备中，例如智 能手表可穿戴设备、智能眼镜设备、增强现实设备或虚拟现实设备。在至 少一个实施例中，处理系统3300是电视或机顶盒设备，其具有一个或更多 个处理器3302以及由一个或更多个图形处理器3308生成的图形界面。
[0297]
在至少一个实施例中，一个或更多个处理器3302每个包括一个或更 多个处理器核心3307，以处理指令，该指令在被执行时执行针对系统和用 户软件的操作。在至少一个实施例中，一个或更多个处理器核心3307中的 每一个被配置为处理特定指令序列3309。在至少一个实施例中，指令序列 3309可以促进复杂指令集计算(cisc)、精简指令集计算(risc)，或 通过超长指令词(vliw)进行计算。在至少一个实施例中，处理器核心 3307可以各自处理不同的指令序列3309，该指令序列可以包括有助于仿真 其他指令序列的指令。在至少一个实施例中，处理器核心3307还可以包括 其他处理设备，例如数字信号处理器(dsp)。
[0298]
在至少一个实施例中，处理器3302包括高速缓存存储器3304。在至 少一个实施例中，处理器3302可以具有单个内部高速缓存或多个级别的内 部高速缓存。在至少一个实施例中，高速缓存存储器在处理器3302的各个 组件之间共享。在至少一个实施例中，处理器3302还使用外部高速缓存(例 如，三级(l3)高速缓存或最后一级高速缓存(llc))(未示出)，可 以使用已知的高速缓存一致性技术在处理器核心3307之间共享该外部高 速缓存。在至少一个实施例中，处理器3302中另外包括寄存器文件3306， 处理器可以包括用于存储不同类型的数据的不同类型的寄存器(例如，整 数寄存器、浮点寄存器、状态寄存器和指令指针寄存器)。在至少一个实 施例中，寄存器文件3306可以包括通用寄存器或其他寄存器。
[0299]
在至少一个实施例中，一个或更多个处理器3302与一个或更多个接 口总线3310耦合，以在处理器3302与系统3300中的其他组件之间传输通 信信号，例如地址、数据或控制信号。在至少一个实施例中，接口总线3310 可以是处理器总线，例如直接媒体接口(dmi)总线的版本。在至少一个 实施例中，接口总线3310不限于dmi总线，并且可以包括一个或更多个 外围组件互连总线(例如，pci，pci express)、存储器总线或其他类型的 接口总线。在至少一个实施例中，处理器3302包括集成存储器控制器3316 和平台控制器集线器3330。在至少一个实施例中，存储器控制器3316促 进存储器设备与处理系统3300的其他组件之间的通信，而平台控制器集线 器(pch)3330通过本地i/o总线提供到输入/输出(i/o)设备的连接。
[0300]
在至少一个实施例中，存储器设备3320可以是动态随机存取存储器 (dram)设备、静态随机存取存储器(sram)设备、闪存设备、相变 存储设备或具有适当的性能以用作处理器存储器。在至少一个实施例中， 存储设备3320可以用作处理系统3300的系统存储器，以存储数据3322 和指令3321，以在一个或更多个处理器3302执行应用程序或过程时使用。 在至少一个实施例中，存储器控制器3316还与可选的外部图形处理器3312 耦合，其可以与处理器3302中的一个或更多个图形处理器3308通信以执 行图形和媒体操作。在至少一个实施例中，显示设备3311可以连接至处理 器3302。在至少一个实施例中，显示设备3311可以包括内部显示设备中 的一个或更多个，例如在移动电子设备或膝上型设备或通过显示器接口(例 如显示端口(displayport)等)连接的外部显示设备中。在至少一个实施 例中，显示设备3311可以包括头戴式显示器(hmd)，诸如用于虚拟现 实(vr)应用或增强现实(ar)
存，其中将外部存储器之前的最高级别的高速缓存归类为llc。在至少一 个实施例中，高速缓存一致性逻辑维持各种高速缓存单元3406和 3404a-3404n之间的一致性。
[0306]
在至少一个实施例中，处理器3400还可包括一组一个或更多个总线 控制器单元3416和系统代理核心3410。在至少一个实施例中，一个或更 多个总线控制器单元3416管理一组外围总线，例如一个或更多个pci或 pcie总线。在至少一个实施例中，系统代理核心3410为各种处理器组件 提供管理功能。在至少一个实施例中，系统代理核心3410包括一个或更多 个集成存储器控制器3414，以管理对各种外部存储器设备(未示出)的访 问。
[0307]
在至少一个实施例中，一个或更多个处理器核心3402a-3402n包括 对多线程同时进行的支持。在至少一个实施例中，系统代理核心3410包括 用于在多线程处理期间协调和操作核心3402a-3402n的组件。在至少一个 实施例中，系统代理核心3410可以另外包括电源控制单元(pcu)，该电 源控制单元包括用于调节处理器核心3402a-3402n和图形处理器3408的 一个或更多个电源状态的逻辑和组件。
[0308]
在至少一个实施例中，处理器3400还包括用于执行图处理操作的图 形处理器3408。在至少一个实施例中，图形处理器3408与共享高速缓存 单元3406和包括一个或更多个集成存储器控制器3414的系统代理核心 3410耦合。在至少一个实施例中，系统代理核心3410还包括用于驱动图 形处理器输出到一个或更多个耦合的显示器的显示器控制器3411。在至少 一个实施例中，显示器控制器3411也可以是经由至少一个互连与图形处理 器3408耦合的独立模块，或者可以集成在图形处理器3408内。
[0309]
在至少一个实施例中，基于环的互连单元3412用于耦合处理器3400 的内部组件。在至少一个实施例中，可以使用替代性互连单元，例如点对 点互连、交换互连或其他技术。在至少一个实施例中，图形处理器3408 经由i/o链路3413与环形互连3412耦合。
[0310]
在至少一个实施例中，i/o链路3413代表多种i/o互连中的至少一种， 包括促进各种处理器组件与高性能嵌入式存储器模块3418(例如edram 模块)之间的通信的封装i/o互连。在至少一个实施例中，处理器核心 3402a-3402n和图形处理器3408中的每一个使用嵌入式存储器模块3418 作为共享的最后一级高速缓存。
[0311]
在至少一个实施例中，处理器核心3402a-3402n是执行公共指令集 架构的同质核心。在至少一个实施例中，处理器核心3402a-3402n在指令 集架构(isa)方面是异构的，其中一个或更多个处理器核心3402a-3402n 执行公共指令集，而一个或更多个其他处理器核心3402a-3402n执行公共 指令集的子集或不同指令集。在至少一个实施例中，就微架构而言，处理 器核心3402a-3402n是异构的，其中具有相对较高功耗的一个或更多个核 心与具有较低功耗的一个或更多个功率核心耦合。在至少一个实施例中， 处理器3400可以在一个或更多个芯片上实现或被实现为soc集成电路。
[0312]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，部分或全部推理和/或训练逻辑115可 以结合到图形处理器3408中。例如，在至少一个实施例中，本文描述的训 练和/或推理技术可以使用一个或更多个alu，所述alu体现在图34中 的3d管线、图形核心3402、共享功能逻辑，或其他逻辑中。此外，在至 少一个实施例中，本文描述的推理和/或训练操作可以使用除图1a或图1b 所示的逻辑之外的逻辑来完成。在至少一个实施例中，权重参数可以存储 在片上或片外存储器和/或寄存器(示出或未
示出)中，其配置处理器3400 的alu以执行一种或更多种本文所述的机器学习算法、神经网络架构、用 例或训练技术。
[0313]
图35是图形处理器3500的框图，该图形处理器可以是分立的图形 处理单元，或者可以是与多个处理核心集成的图形处理器。在至少一个实 施例中，图形处理器3500经由存储器映射的i/o接口与图形处理器3500 上的寄存器以及放置在存储器中的命令进行通信。在至少一个实施例中， 图形处理器3500包括用于访问存储器的存储器接口3514。在至少一个实 施例中，存储器接口3514是到本地存储器、一个或更多个内部高速缓存、 一个或更多个共享的外部高速缓存和/或到系统存储器的接口。
[0314]
在至少一个实施例中，图形处理器3500还包括用于将显示输出数据 驱动到显示设备3520的显示控制器3502。在至少一个实施例中，显示控 制器3502包括用于显示设备3520的一个或更多个覆盖平面的硬件以及多 层视频或用户接口元素的组合。在至少一个实施例中，显示设备3520可以 是内部或外部显示设备。在至少一个实施例中，显示设备3520是头戴式显 示设备，例如虚拟现实(vr)显示设备或增强现实(ar)显示设备。在 至少一个实施例中，图形处理器3500包括视频编解码器引擎3506，以将 媒体编码、解码或转码为一种或更多种媒体编码格式，从一种或更多种媒 体编码格式编码、解码或转码，或在一种或更多种媒体编码格式之间进行 编码、解码或转码，所述媒体编码格式包括但不限于运动图像专家组 (mpeg)格式(例如mpeg-2)，高级视频编码(avc)格式(例如 h.274/mpeg-4avc，以及美国电影电视工程师协会(smpte)421m/vc-1) 和联合图像专家组(jpeg)格式(例如jpeg)和motion jpeg(mjpeg) 格式。
[0315]
在至少一个实施例中，图形处理器3500包括块图像传送(blit)引 擎3504，以执行二维(2d)光栅化器操作，包括例如位边界块传送。但是， 在至少一个实施例中，使用图形处理引擎(gpe)3510的一个或更多个组 件来执行2d图形操作。在至少一个实施例中，gpe 3510是用于执行图形 操作(包括三维(3d)图形操作和媒体操作)的计算引擎。
[0316]
在至少一个实施例中，gpe 3510包括用于执行3d操作的3d管线 3512，例如使用对3d图元形状(例如，矩形、三角形等)进行操作的处 理功能来渲染三维图像和场景。在至少一个实施例中，3d管线3512包括 执行各种任务和/或产生到3d/媒体子系统3515的执行线程的可编程和固 定功能元素。虽然3d管线3512可用于执行媒体操作，但是在至少一个实 施例中，gpe 3510还包括媒体管线3516，其用于执行媒体操作，诸如视 频后处理和图像增强。
[0317]
在至少一个实施例中，媒体管线3516包括固定功能或可编程逻辑单 元，用于执行一种或更多种专门的媒体操作，例如视频解码加速，视频去 隔行和视频编码加速，代替或代表视频编解码器引擎3506。在至少一个实 施例中，媒体管线3516还包括线程产生单元，用于产生线程以在3d/媒体 子系统3515上执行。在至少一个实施例中，产生的线程在3d/媒体子系统 3515中包含的一个或更多个图形执行单元上执行媒体操作的计算。
[0318]
在至少一个实施例中，3d/媒体子系统3515包括用于执行3d管线 3512和媒体管线3516产生的线程的逻辑。在至少一个实施例中，3d管线 3512和媒体管线3516将线程执行请求发送到3d/媒体子系统3515，其包 括用于仲裁各种请求并将其分派给可用线程执行资源的线程分派逻辑。在 至少一个实施例中，执行资源包括用于处理3d和媒体线程的图形执行单 元的阵列。在至少一个实施例中，3d/媒体子系统3515包括用于线程指令 和数据的一个
或更多个内部高速缓存。在至少一个实施例中，子系统3515 还包括共享存储器，其包括寄存器和可寻址存储器，以在线程之间共享数 据并存储输出数据。
[0319]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，可以将推理和/或训练逻辑115的部分 或全部合并到处理器3500中。例如，在至少一个实施例中，本文描述的训 练和/或推理技术可以使用3d管线3512中包含的一个或更多个alu。此 外，在至少一个实施例中，本文描述的推理和/或训练操作可以使用除图1a 或图1b所示的逻辑以外的逻辑来完成。在至少一个实施例中，权重参数 可以存储在片上或片外存储器和/或寄存器(示出或未示出)中，其配置图 形处理器3500的alu以执行一种或更多种机器学习算法、神经网络架构、 用例或本文介绍的训练技术。
[0320]
图36是根据至少一个实施例的图形处理器的图形处理引擎3610的 框图。在至少一个实施例中，图形处理引擎(gpe)3610是图35中所示 的gpe 3510的版本。在至少一个实施例中，媒体管线3616是可选的，并 且可以不显式地包括在gpe 3610中。在至少一个实施例中，单独的媒体 和/或图像处理器耦合到gpe 3610。
[0321]
在至少一个实施例中，gpe 3610耦合到或包括命令流转化器3603， 其向3d管线3612和/或媒体管线3616提供命令流。在至少一个实施例中， 命令流转化器3603耦合到存储器，所述存储器可以是系统存储器，也可以 是内部高速缓存存储器和共享高速缓存存储器中的一个或更多个。在至少 一个实施例中，命令流转化器3603从存储器接收命令，并且将命令发送到 3d管线3612和/或媒体管线3616。在至少一个实施例中，命令是从环形缓 冲区中获取的指令、基元或微操作，该环形缓冲区存储用于3d管线3612 和媒体管线3616的命令。在至少一个实施例中，环形缓冲区还可以包括存 储各批多个命令的批命令缓冲区。在至少一个实施例中，用于3d管线3612 的命令还可以包括对存储在存储器中的数据的引用，例如但不限于用于3d 管线3612的顶点和几何数据和/或用于媒体管线3616的图像数据和存储器 对象。在至少一个实施例中，3d管线3612和媒体管线3616通过执行操作 或通过将一个或更多个执行线程分派到图形核心阵列3614，来处理命令和 数据。在至少一个实施例中，图形核心阵列3614包括一个或更多个图形核 心块(例如，一个或更多个图形核心3615a、一个或更多个图形核心3615b)， 每个块包括一个或更多个图形核心。在至少一个实施例中，每个图形核心 包括一组图形执行资源，所述图形执行资源包括通用和图形特定的执行逻 辑，用于执行图形和计算操作，以及固定功能纹理处理和/或机器学习和人 工智能加速逻辑，包括图1a和图1b中的推理和/或训练逻辑115。
[0322]
在至少一个实施例中，3d管线3612包括固定功能和可编程逻辑， 用于通过处理指令并将执行线程分派到图形核心阵列3614，来处理一个或 更多个着色器程序，例如顶点着色器、几何着色器、像素着色器、片段着 色器、计算着色器或其他着色器程序。在至少一个实施例中，图形核心阵 列3614提供统一的执行资源块，所述执行资源块用于处理着色器程序。在 至少一个实施例中，在图形核心阵列3614的图形核心3615a-3615b内的 多用途执行逻辑(例如，执行单元)包括对各种3d api着色器语言的支 持，并且可以执行与多个着色器关联的多个同时执行线程。
[0323]
在至少一个实施例中，图形核心阵列3614还包括执行逻辑，用于执 行媒体功能，诸如视频和/或图像处理。在至少一个实施例中，除了图形处 理操作之外，执行单元还包括
在至少一个实施例中，每个图形处理器核心3700可以包括与多个子核心 3701a-3701f耦合的固定功能块3730，也称为子切片，其包括通用和固定 功能逻辑的模块块。
[0330]
在至少一个实施例中，固定功能块3730包括几何和固定功能管线 3736，例如，在较低性能和/或较低功率的图形处理器实施方式中，该几何 和固定功能管线3736可以由图形处理器3700中的所有子核心共享。在至 少一个实施例中，几何和固定功能管线3736包括3d固定功能管线、视频 前端单元，线程产生器和线程分派器以及管理统一返回缓冲区的统一返回 缓冲区管理器。
[0331]
在固定的至少一个实施例中，固定功能块3730还包括图形soc接口 3737、图形微控制器3738和媒体管线3739。在至少一个实施例中，图形 soc接口3737提供了图形处理器核心3700以及片上集成电路系统中的其 他处理器核心之间的接口。在至少一个实施例中，图形微控制器3738是可 编程子处理器，其可配置为管理图形处理器3700的各种功能，包括线程分 派、调度和抢占。在至少一个实施例中，媒体管线3739包括有助于对包括 图像和视频数据的多媒体数据进行解码、编码、预处理和/或后处理的逻辑。 在至少一个实施例中，媒体管线3739经由对子核心3701-3701f内的计算 或采样逻辑的请求来实现媒体操作。
[0332]
在至少一个实施例中，soc接口3737使图形处理器核心3700能够 与通用应用程序处理器核心(例如，cpu)和/或soc内的其他组件通信， 包括存储器层次结构元素，诸如共享的最后一级高速缓存、系统ram和/ 或嵌入式片上或封装dram。在至少一个实施例中，soc接口3737还可 以使得能够与soc内的固定功能设备(例如，相机成像管线)进行通信， 并且使得能够使用和/或实现可以在图形处理器核心3700和soc内部的 cpu之间共享的全局存储器原子。在至少一个实施例中，图形soc接口 3737还可以实现用于图形处理器核心3700的电源管理控制，并且启用图 形处理器核心3700的时钟域与soc内的其他时钟域之间的接口。在至少 一个实施例中，soc接口3737使得能够从命令流转化器和全局线程分派器 接收命令缓冲区，其配置为向图形处理器内的一个或更多个图形核心中的 每一个提供命令和指令。在至少一个实施例中，当要执行媒体操作时，可 以将命令和指令分派给媒体管线3739，或者当要执行图形处理操作时，可 以将其分配给几何形状和固定功能管线(例如，几何形状和固定功能管线 3736，和/或几何形状和固定功能管线3714)。
[0333]
在至少一个实施例中，图形微控制器3738可以配置为对图形处理器 核心3700执行各种调度和管理任务。在至少一个实施例中，图形微控制器 3738可以在子核心3701a-3701f中的执行单元(eu)阵列3702a-3702f、 3704a-3704f内的各种图形并行引擎上执行图形和/或计算工作负载调度。 在至少一个实施例中，在包括图形处理器核心3700的soc的cpu核心上 执行的主机软件可以提交多个图形处理器路径之一的工作负载，其调用适 当的图形引擎上的调度操作。在至少一个实施例中，调度操作包括确定接 下来要运行哪个工作负载、将工作负载提交给命令流转化器、抢先在引擎 上运行的现有工作负载、监控工作负载的进度以及在工作负载完成时通知 主机软件。在至少一个实施例中，图形微控制器3738还可以促进图形处理 器核心3700的低功率或空闲状态，从而为图形处理器核心3700提供在图 形处理器核心3700内独立于操作系统和/或系统上的图形驱动程序软件的 跨低功率状态转换的保存和恢复寄存器的能力。
[0334]
在至少一个实施例中，图形处理器核心3700可以具有比所示的子核 心3701a-3701f多或少达n个模块化子核心。对于每组n个子核心，在至 少一个实施例中，图形处理器
核心3700还可以包括共享功能逻辑3710、 共享和/或高速缓存存储器3712、几何/固定功能管线3714以及附加的固定 功能逻辑3716以加速各种图形和计算处理操作。在至少一个实施例中，共 享功能逻辑3710可以包括可由图形处理器核心3700内的每个n个子核心 共享的逻辑单元(例如，采样器、数学和/或线程间通信逻辑)。在至少一 个实施例中，共享和/或高速缓存存储器3712可以是图形处理器核心3700 内的n个子核心3701a-3701f的最后一级高速缓存，并且还可以用作可由 多个子核心访问的共享存储器。在至少一个实施例中，可以包括几何/固定 功能管线3714来代替固定功能块3730内的几何/固定功能管线3736，并且 可以包括相似的逻辑单元。
[0335]
在至少一个实施例中，图形处理器核心3700包括附加的固定功能逻 辑3716，其可以包括供图形处理器核心3700使用的各种固定功能加速逻 辑。在至少一个实施例中，附加的固定功能逻辑3716包括用于仅位置着色 中使用的附加的几何管线。在仅位置着色中，存在至少两个几何管线，而 在几何和固定功能管线3714、3736内的完整几何管线和剔除管线中，其是 可以包括在附加的固定功能逻辑中的附加几何管线3714。在至少一个实施 例中，剔除管线是完整几何管线的修整版。在至少一个实施例中，完整管 线和剔除管线可以执行应用程序的不同实例，每个实例具有单独的环境。 在至少一个实施例中，仅位置着色可以隐藏被丢弃的三角形的长剔除运行， 从而在某些情况下可以更早地完成着色。例如，在至少一个实施例中，附 加固定功能逻辑3716中的剔除管线逻辑可以与主应用程序并行执行位置 着色器，并且通常比完整管线更快地生成关键结果，因为剔除管线获取并 遮蔽顶点的位置属性，无需执行光栅化和将像素渲染到帧缓冲区。在至少 一个实施例中，剔除管线可以使用生成的临界结果来计算所有三角形的可 见性信息，而与这些三角形是否被剔除无关。在至少一个实施例中，完整 管线(在这种情况下可以称为重播管线)可以消耗可见性信息来跳过剔除 的三角形以仅遮盖最终传递到光栅化阶段的可见三角形。
[0336]
在至少一个实施例中，附加的固定功能逻辑3716还可包括机器学习 加速逻辑，例如固定功能矩阵乘法逻辑，用于实现包括用于机器学习训练 或推理的优化。
[0337]
在至少一个实施例中，在每个图形子核心3701a-3701f内包括一组 执行资源，其可用于响应于图形管线、媒体管线或着色器程序的请求来执 行图形、媒体和计算操作。在至少一个实施例中，图形子核心3701a-3701f 包括多个eu阵列3702a-3702f、3704a-3704f，线程分派和线程间通信 (td/ic)逻辑3703a-3703f，3d(例如，纹理)采样器3705a-3705f，媒 体采样器3706a-3706f，着色器处理器3707a-3707f和共享本地存储器 (slm)3708a-3708f。在至少一个实施例中，eu阵列3702a-3702f、 3704a-3704f每个都包含多个执行单元，这些执行单元是通用图形处理单 元，能够为图形、媒体或计算操作提供服务，执行浮点和整数/定点逻辑运 算，包括图形、媒体或计算着色器程序。在至少一个实施例中，td/ic逻 辑3703a-3703f为子核心内的执行单元执行本地线程分派和线程控制操作， 并促进在子核心的执行单元上执行的线程之间的通信。在至少一个实施例 中，3d采样器3705a-3705f可以将与纹理或其他3d图形相关的数据读取 到存储器中。在至少一个实施例中，3d采样器可以基于与给定纹理相关联 的配置的采样状态和纹理格式来不同地读取纹理数据。在至少一个实施例 中，媒体采样器3706a-3706f可以基于与媒体数据相关联的类型和格式来 执行类似的读取操作。在至少一个实施例中，每个图形子核心3701a-3701f 可以可替代地包括统一的3d和媒体采样器。在至少一个实施例中，在每 个子核心3701a-3701f内的执行单元
上执行的线程可以利用每个子核心内 的共享本地存储器3708a-3708f，以使在线程组内执行的线程能够使用片 上存储器的公共池来执行。
[0338]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115的部分或全部 可以被合并到图形处理器3700中。例如，在至少一个实施例中，本文描述 的训练和/或推理技术可以使用在3d管线、图形微控制器3738、几何和固 定功能管线3714和3736或图37中的其他逻辑中体现的一个或更多个alu。 此外，在至少一个实施例中，本文描述的推理和/或训练操作可以使用除图 1a或图1b所示的逻辑以外的逻辑来完成。在至少一个实施例中，权重参 数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中，其配置 图形处理器核心3700的alu以执行一种或更多种本文介绍的机器学习算 法、神经网络架构、用例或训练技术。
[0339]
图38a-38b示出了根据至少一个实施例的包括图形处理器核心的处 理元件的阵列的线程执行逻辑3800。图38a示出了至少一个实施例，其中 使用了线程执行逻辑3800。图38b示出了根据至少一个实施例的图形执行 单元3808的示例性内部细节。
[0340]
如图38a中所示，在至少一个实施例中，线程执行逻辑3800包括着 色器处理器3802、线程分派器3804、指令高速缓存3806、包括多个执行 单元3807a-3807n和3808a-3808n的可缩放执行单元阵列、采样器3810、 数据高速缓存3812和数据端口3814。在至少一个实施例中，可缩放执行 单元阵列可以例如基于工作负载的计算要求，通过启用或禁用一个或更多 个执行单元(例如，执行单元3808a-n或3807a-n中的任意一个)来动 态缩放。在至少一个实施例中，可缩放执行单元通过链路到每个执行单元 的互连结构互连。在至少一个实施例中，线程执行逻辑3800包括通过指令 高速缓存3806、数据端口3814、采样器3810和执行单元3807或3808中 的一个或更多个到存储器(诸如系统存储器或高速缓存存储器)的一个或 更多个连接。在至少一个实施例中，每个执行单元(例如3807a)是独立 的可编程通用计算单元，其能够执行多个同时的硬件线程，同时针对每个 线程并行处理多个数据元素。在至少一个实施例中，执行单元3807和/或 3808的阵列可缩放以包括任意数量的单独执行单元。
[0341]
在至少一个实施例中，执行单元3807和/或3808主要用于执行着色 器程序。在至少一个实施例中，着色器处理器3802可以处理各种着色器程 序并经由线程分派器3804来分派与着色器程序相关联的执行线程。在至少 一个实施例中，线程分派器3804包括用于仲裁来自图形和媒体管线的线程 初始化庆祝以及在执行单元3807和/或3808中的一个或更多个执行单元上 实例化请求的线程的逻辑。例如，在至少一个实施例中，几何管线可以将 顶点、镶嵌或几何着色器分派到线程执行逻辑以进行处理。在至少一个实 施例中，线程分派器3804还可以处理来自执行着色器程序的运行时线程产 生请求。
[0342]
在至少一个实施例中，执行单元3807和/或3808支持一种指令集， 该指令集包括对许多标准3d图形着色器指令的本机支持，从而使图形库 (例如direct 3d和opengl)中的着色器程序只需最少的转换即可执行。 在至少一个实施例中，执行单元支持顶点和几何处理(例如，顶点程序、 几何程序、和/或顶点着色器)、像素处理(例如，像素着色器、片段着色 器)和通用处理(例如，计算和媒体着色器)。在至少一个实施例中，每 个执行单元3807和/或3808包括一个或更多个算术逻辑单元(alu)，能 够执行多发出单指令多数据(simd)，并
且多线程操作实现了高效的执行 环境尽管有更高的延迟存储器访问。在至少一个实施例中，每个执行单元 内的每个硬件线程具有专用的高带宽寄存器文件和相关的独立线程状态。 在至少一个实施例中，执行是每个时钟到管线的多次发出，管线能够进行 整数、单精度和双精度浮点运算、simd分支功能、逻辑运算、先验运算 和其他其他运算。在至少一个实施例中，在等待来自存储器或共享功能之 一的数据时，执行单元3807和/或3808内的依赖性逻辑使等待线程休眠直 到返回了所请求的数据。在至少一个实施例中，当等待线程正在休眠时， 硬件资源可以专用于处理其他线程。例如，在至少一个实施例中，在与顶 点着色器操作相关联的延迟期间，执行单元可以对像素着色器、片段着色 器或另一类型的着色器程序(包括不同的顶点着色器)执行操作。
[0343]
在至少一个实施例中，执行单元3807和/或3808中的每一个执行单 元在数据元素的阵列上进行操作。在至少一个实施例中，多个数据元素是
ꢀ“
执行大小”或指令的通道数。在至少一个实施例中，执行通道是用于指令 内的数据元素访问、屏蔽和流控制的执行的逻辑单元。在至少一个实施例 中，多个通道可以独立于用于特定图形处理器的多个物理算术逻辑单元 (alu)或浮点单元(fpu)。在至少一个实施例中，执行单元3807和/ 或3808支持整数和浮点数据类型。
[0344]
在至少一个实施例中，执行单元指令集包括simd指令。在至少一 个实施例中，各种数据元素可以作为封装数据类型存储在寄存器中，并且 执行单元将基于那些元素的数据大小来处理各种元素。例如，在至少一个 实施例中，当对256位宽的向量进行操作时，将向量的256位存储在寄存 器中，并且执行单元对向量进行操作，作为四个单独的64位封装数据元素(四词(qw)大小数据元素)、八个单独的32位封装数据元素(双词(dw) 大小数据元素)、十六个单独的16位封装数据元素(词(w)大小数据元 素)或三十二个单独的8位数据元素(字节(b)大小的数据元素)。然 而，在至少一个实施例中，不同的向量宽度和寄存器大小是可能的。
[0345]
在至少一个实施例中，一个或更多个执行单元可以被组合成具有执 行对于融合eu的线程控制逻辑(3811a-3811n)的融合执行单元 3809a-3809n，例如将执行单元3807a与执行单元3808a融合为融合执行 单元3809a中。在至少一个实施例中，可以将多个eu合并成一个eu组。 在至少一个实施例中，融合eu组中的eu的数量可以配置为执行单独的 simd硬件线程，融合的eu组中的eu的数量可能根据各个实施例而变化。 在至少一个实施例中，每个eu可以执行各种simd宽度，包括但不限于 simd8、simd16和simd32。在至少一个实施例中，每个融合图形执行单 元3809a-3809n包括至少两个执行单元。例如，在至少一个实施例中，融 合执行单元3809a包括第一eu 3807a、第二eu 3808a以及第一eu 3807a 和第二eu 3808a共有的线程控制逻辑3811a。在至少一个实施例中，线 程控制逻辑3811a控制在融合图形执行单元3809a上执行的线程，从而允 许融合执行单元3809a-3809n内的每个eu使用公共指令指针寄存器来执 行。
[0346]
在至少一个实施例中，一个或更多个内部指令高速缓存(例如3806) 被包括在线程执行逻辑3800中以高速缓存用于执行单元的线程指令。在至 少一个实施例中，包括一个或更多个数据高速缓存(例如3812)以在线程 执行期间高速缓存线程数据。在至少一个实施例中，包括采样器3810以提 供用于3d操作的纹理采样和用于媒体操作的媒体采样。在至少一个实施 例中，采样器3810包括专门的纹理或媒体采样功能，以在将采样数据提供 给
执行单元之前在采样过程中处理纹理或媒体数据。
[0347]
在执行期间，在至少一个实施例中，图形和媒体管线通过线程产生 和分派逻辑将线程发起请求发送到线程执行逻辑3800。在至少一个实施例 中，一旦一组几何对象已经被处理并光栅化成像素数据，则在着色器处理 器3802内的像素处理器逻辑(例如，像素着色器逻辑、片段着色器逻辑等) 被调用以进一步计算输出信息并且导致将结果写入输出表面(例如，颜色 缓冲区、深度缓冲区、模板缓冲区等)。在至少一个实施例中，像素着色 器或片段着色器计算要在光栅化对象上插值的各种顶点属性的值。在至少 一个实施例中，着色器处理器3802内的像素处理器逻辑然后执行应用程序 接口(api)提供的像素或片段着色器程序。在至少一个实施例中，为了 执行着色器程序，着色器处理器3802经由线程分派器3804将线程分派到 执行单元(例如3808a)。在至少一个实施例中，着色器处理器3802使用 采样器3810中的纹理采样逻辑来访问存储在存储器中的纹理贴图中的纹 理数据。在至少一个实施例中，对纹理数据和输入几何数据的算术运算为 每个几何片段计算像素颜色数据，或者丢弃一个或更多个像素以进行进一 步处理。
[0348]
在至少一个实施例中，数据端口3814提供了一种用于线程执行逻辑 3800的存储器访问机制，以将处理后的数据输出到存储器以在图形处理器 输出管线上进行进一步处理。在至少一个实施例中，数据端口3814包括或 耦合到一个或更多个高速缓存存储器(例如，数据高速缓存3812)以高速 缓存数据以便经由数据端口进行存储器访问。
[0349]
如图38b所示，在至少一个实施例中，图形执行单元3808可以包括 指令获取单元3838、通用寄存器文件阵列(grf)3824、架构寄存器文件 阵列(arf)3826、线程仲裁器3822、发送单元3830、分支单元3832、 一组simd浮点单元(fpu)3834，以及在至少一个实施例中，一组专用 整数simd alu 3835。grf 3824和arf 3826包括一组与可以在图形执行 单元3808中活跃的每个同时硬件线程相关联的通用寄存器文件和架构寄 存器文件。在至少一个实施例中，在arf 3826中维护每个线程架构状态， 而在线程执行期间使用的数据存储在grf 3824中。在至少一个实施例中， 每个线程的执行状态，包括每个线程的指令指针，可以被保存在arf 3826 中的线程专用寄存器中。
[0350]
在至少一个实施例中，图形执行单元3808具有一种架构，该架构是 同时多线程(smt)和细粒度交错多线程(imt)的组合。在至少一个实 施例中，架构具有模块化配置，该模块化配置可以在设计时基于同时线程 的目标数量和每个执行单元的寄存器数量来进行微调，其中执行单元资源 在用于执行多个同时线程的逻辑上分配。
[0351]
在至少一个实施例中，图形执行单元3808可以共同发布多个指令， 每个指令可以是不同的指令。在至少一个实施例中，图形执行单元线程 3808的线程仲裁器3822可以将指令分派到发送单元3830、分支单元3832 或simd fpu 3834之一以供执行。在至少一个实施例中，每个执行线程可 以访问grf 3824中的128个通用寄存器，其中每个寄存器可以存储32个 字节，可以作为32位数据元素的simd 8元素向量进行访问。在至少一个 实施例中，每个执行单元线程可以访问grf 3824中的4kb，尽管实施例 不限于此，并且在其他实施例中可以提供更多或更少的寄存器资源。在至 少一个实施例中，尽管每个执行单元的线程数量也可以根据实施例而变化， 但是最多可以同时执行七个线程。在其中七个线程可以访问4kb的至少 一个实施例中，grf 3824可以存储总共28kb。在至少一个实施例中，灵 活的寻址模式可以允许将寄存器一起寻址以有效地建立更宽的寄存器或表 示跨步的矩形块数据
结构。
[0352]
在至少一个实施例中，经由由消息传递发送单元3830执行的“发送
”ꢀ
指令来调度存储器操作、采样器操作和其他更长延迟的系统通信。在至少 一个实施例中，将分支指令分派到分支单元3832促进simd发散和最终收 敛。
[0353]
在至少一个实施例中，图形执行单元3808包括一个或更多个simd 浮点单元(fpu)3834，以执行浮点操作。在至少一个实施例中，一个或 更多个fpu 3834还支持整数计算。在至少一个实施例中，一个或更多个 fpu 3834可以simd执行多达m个32位浮点(或整数)运算，或者simd 执行多达2m个16位整数或16位浮点运算。在至少一个实施例中，至少 一个fpu提供扩展的数学能力以支持高吞吐量的先验数学函数和双精度 64位浮点。在至少一个实施例中，还存在一组8位整数simd alu 3835， 并且可以被专门优化以执行与机器学习计算相关的操作。
[0354]
在至少一个实施例中，可以在图形子核心分组(例如，子切片)中 实例化图形执行单元3808的多个实例的阵列。在至少一个实施例中，执行 单元3808可以跨多个执行通道执行指令。在至少一个实施例中，在图形执 行单元3808上执行的每个线程在不同的通道上执行。
[0355]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。下面结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，推理和/或训练逻辑115的部分或全部 可以被结合到线程执行逻辑3800中。此外，在至少一个实施例中，可以使 用除了图1a或图1b中所示的逻辑之外的逻辑来完成在此描述的推理和/ 或训练操作。在至少一个实施例中，权重参数可以存储在片上或片外存储 器和/或寄存器(示出或未示出)中，其配置线程执行逻辑3800的alu以 执行一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练 技术。
[0356]
图39示出了根据至少一个实施例的并行处理单元(“ppu”)3900。 在至少一个实施例中，ppu 3900配置有机器可读代码，该机器可读代码如 果由ppu 3900执行，则使得ppu 3900执行贯穿本公开描述的一些或全部 过程和技术。在至少一个实施例中，ppu 3900是在一个或更多个集成电路 设备上实现的多线程处理器，并且利用多线程作为被设计为处理在多个线 程上并行执行的计算机可读指令(也称为机器可读指令或简单的指令)的 延迟隐藏技术。在至少一个实施例中，线程是指执行线程，并且是被配置 为由ppu 3900执行的一组指令的实例。在至少一个实施例中，ppu 3900 是图形处理单元(“gpu”)，图形处理单元配置为实现用于处理三维(“3d”) 图形数据的图形渲染管线，以便生成用于在显示设备(诸如液晶显示器 (“lcd”)设备)上显示的二维(“2d”)图像数据。在至少一个实施例中， ppu 3900用于执行计算，诸如线性代数运算和机器学习运算。图39仅出 于说明性目的示出了示例并行处理器，并且应被解释为在本公开的范围内 设想的处理器架构的非限制性示例，并且可以采用任何适当的处理器来对 其进行补充和/或替代。
[0357]
在至少一个实施例中，一个或更多个ppu 3900配置成加速高性能计 算(“hpc”)、数据中心和机器学习应用程序。在至少一个实施例中，ppu3900配置成加速深度学习系统和应用程序，包括以下非限制性示例：自动 驾驶汽车平台、深度学习、高精度语音、图像、文本识别系统、智能视频 分析、分子模拟、药物发现、疾病诊断、天气预报、大数据分析、天文学、 分子动力学模拟、财务建模、机器人技术、工厂自动化、实时语言翻译、 在线搜索优化
以及个性化用户推荐等。
[0358]
在至少一个实施例中，ppu 3900包括但不限于输入/输出(“i/o”)单 元3906、前端单元3910、调度器单元3912、工作分配单元3914、集线器 3916、交叉开关(“xbar”)3920、一个或更多个通用处理集群(“gpc”) 3918和一个或更多个分区单元(“存储器分区单元”)3922。在至少一个实 施例中，ppu 3900通过一个或更多个高速gpu互连(“gpu互连”)3908 连接到主机处理器或其他ppu 3900。在至少一个实施例中，ppu 3900通 过系统总线3902连接到主机处理器或其他外围设备。在一实施例中，ppu3900连接到包括一个或更多个存储器设备(“存储器”)3904的本地存储器。 在至少一个实施例中，存储器设备3904包括但不限于一个或更多个动态随 机存取存储器(“dram”)设备。在至少一个实施例中，一个或更多个dram 设备配置和/或可配置为高带宽存储器(“hbm”)子系统，并且在每个设备 内堆叠有多个dram管芯。
[0359]
在至少一个实施例中，高速gpu互连3908可以指代系统使用其来 进行缩放的基于线的多通道通信链路，并包括与一个或更多个中央处理单 元结合的一个或更多个ppu 3900(“cpu”)，支持ppu 3900和cpu之间 的缓存相干以及cpu主控。在至少一个实施例中，高速gpu互连3908 通过集线器3916将数据和/或命令传输到ppu 3900的其他单元，例如一个 或更多个复制引擎、视频编码器、视频解码器、电源管理单元和/或在图39 中可能未明确示出的其他组件。
[0360]
在至少一个实施例中，i/o单元3906配置为通过系统总线3902从主 机处理器(图39中未示出)发送和接收通信(例如，命令、数据)。在至 少一个实施例中，i/o单元3906直接通过系统总线3902或通过一个或更 多个中间设备(例如存储器桥)与主机处理器通信。在至少一个实施例中， i/o单元3906可以经由系统总线3902与一个或更多个其他处理器(例如 一个或更多个ppu 3900)通信。在至少一个实施例中，i/o单元3906实现 外围组件互连express(“pcie”)接口，用于通过pcie总线进行通信。在 至少一个实施例中，i/o单元3906实现用于与外部设备通信的接口。
[0361]
在至少一个实施例中，i/o单元3906对经由系统总线3902接收的分 组进行解码。在至少一个实施例中，至少一些分组表示被配置为使ppu3900执行各种操作的命令。在至少一个实施例中，i/o单元3906如命令所 指定的那样将解码的命令发送到ppu 3900的各种其他单元。在至少一个 实施例中，命令被发送到前端单元3910和/或被发送到集线器3916或ppu3900的其他单元，例如一个或更多个复制引擎、视频编码器、视频解码器、 电源管理单元等(图39中未明确示出)。在至少一个实施例中，i/o单元 3906配置为在ppu 3900的各种逻辑单元之间路由通信。
[0362]
在至少一个实施例中，由主机处理器执行的程序在缓冲区中对命令 流进行编码，该缓冲区将工作负载提供给ppu 3900以进行处理。在至少 一个实施例中，工作负载包括指令和要由那些指令处理的数据。在至少一 个实施例中，缓冲区是可由主机处理器和ppu 3900两者访问(例如，读/ 写)的存储器中的区域—主机接口单元可以配置为访问经由i/o单元3906 通过系统总线3902传输的存储器请求连接到系统总线3902的系统存储器 中的缓冲区。在至少一个实施例中，主机处理器将命令流写入缓冲区，然 后将指示命令流开始的指针发送给ppu 3900，使得前端单元3910接收指 向一个或更多个命令流指针并管理一个或更多个命令流，从命令流中读取 命令并将命令转发到ppu 3900的各个单元。
[0363]
在至少一个实施例中，前端单元3910耦合到调度器单元3912，该调 度器单元3912配置各种gpc 3918以处理由一个或更多个命令流定义的任 务。在至少一个实施例中，调度器单元3912配置为跟踪与调度器单元3912 管理的各种任务有关的状态信息，其中状态信息可以指示任务被分配给哪 个gpc 3918，任务是活跃的还是非活跃的，与任务相关联的优先级等等。 在至少一个实施例中，调度器单元3912管理在一个或更多个gpc 3918上 执行的多个任务。
[0364]
在至少一个实施例中，调度器单元3912耦合到工作分配单元3914， 该工作分配单元3914配置为分派任务以在gpc 3918上执行。在至少一个 实施例中，工作分配单元3914跟踪从调度器单元3912接收到的多个调度 任务并且工作分配单元3914管理每个gpc 3918的待处理任务池和活跃任 务池。在至少一个实施例中，待处理任务池包括多个时隙(例如32个时隙)， 这些时隙包含分配给要由特定的gpc 3918处理的任务；活跃任务池可包 括用于由gpc 3918主动处理的任务的多个时隙(例如4个时隙)，以使 随着gpc 3918中的一个完成任务的执行，该任务将从gpc 3918的活动任 务池中逐出，并且从待处理任务池中选择另一个任务，并安排其在gpc3918上执行。在至少一个实施例中，如果活跃任务在gpc 3918上处于空 闲状态，例如在等待数据依赖性解决时，则活跃任务从gpc 3918中驱逐 并返回到待处理任务池，同时选择了待处理任务池中的另一个任务并调度 在gpc 3918上执行。
[0365]
在至少一个实施例中，工作分配单元3914经由xbar 3920与一个或 更多个gpc 3918通信。在至少一个实施例中，xbar 3920是互连网络，其 将ppu 3900的许多单元耦合到ppu 3900的其他单元，并且可以配置为将 工作分配单元3914耦合到特定的gpc 3918。在至少一个实施例中，一个 或更多个ppu 3900的其他单元也可以通过集线器3916连接到xbar 3920。
[0366]
在至少一个实施例中，任务由调度器单元3912管理，并由工作分配 单元3914分配给gpc 3918之一。在至少一个实施例中，gpc 3918配置 为处理任务并产生结果。在至少一个实施例中，结果可以由gpc 3918中 的其他任务消耗，通过xbar 3920路由到不同的gpc 3918或存储在存储 器3904中。在至少一个实施例中，结果可以通过分区单元3922写到存储 器3904中，其实现了用于向存储器3904写入数据或从存储器3904读取数 据的存储器接口。在至少一个实施例中，结果可以经由高速gpu互连3908 传输到另一ppu 3904或cpu。在至少一个实施例中，ppu 3900包括但不 限于u个分区单元3922，其等于耦合到ppu 3900的分离且不同的存储器 设备3904的数量，本文结合图40更详细地描述。
[0367]
在至少一个实施例中，主机处理器执行驱动器核心，该驱动程序核 心实现应用程序编程接口(api)，该应用程序编程接口使在主机处理器 上执行的一个或更多个应用程序能够调度操作以在ppu 3900上执行。在 一个实施例中，多个计算应用程序由ppu 3900同时执行，并且ppu 3900 为多个计算应用程序提供隔离、服务质量(“qos”)和独立的地址空间。 在至少一个实施例中，应用程序生成指令(例如，以api调用的形式)， 该指令使驱动器核心生成一个或更多个任务以供ppu 3900执行，并且驱 动器核心将任务输出至由ppu 3900处理的一个或更多个流。在至少一个 实施例中，每个任务包括一个或更多个相关线程组，其可以被称为线程束 (warp)。在至少一个实施例中，线程束包括可以并行执行的多个相关线 程(例如32个线程)。在至少一个实施例中，协作线程可以指代多个线程， 包括用于执行任务并且通过共享存储器交换数据的指令，结合图40根据至 少一个实施例更详细地描述了
4006中的适当 单元。在至少一个实施例中，将与顶点相关联的分组路由到图元引擎4012， 图元引擎4012配置为从存储器中获取与顶点关联的顶点属性；相反，可以 将与着色器程序相关联的数据包发送到sm 4014。
[0373]
在至少一个实施例中，sm 4014包括但不限于可编程流式处理器，其 配置为处理由多个线程表示的任务。在至少一个实施例中，sm 4014是多 线程的并且配置为同时执行来自特定线程组的多个线程(例如32个线程)， 并且实现单指令、多数据(“simd”)架构，其中将一组线程(例如，线程 束)中的每个线程配置为基于相同的指令集来处理不同的数据集。在至少 一个实施例中，线程组中的所有线程执行通用指令集。在至少一个实施例 中，sm 4014实施单指令、多线程(“simt”)架构，其中一组线程中的每 个线程配置为基于通用指令集来处理不同的数据集，但是其中线程组中的 各个线程允许在执行期间发散。在至少一个实施例中，为每个线程束维护 程序计数器、调用栈和执行状态，从而当线程束中的线程发散时，实现线 程束和线程束内的串行执行之间的并发性。在至少一个实施例中，为每个 单独的线程维护程序计数器、调用栈和执行状态，从而使得在线程束内和 线程束之间的所有线程之间具有相等的并发性。在至少一个实施例中，为 每个单独的线程维持执行状态，并且可以收敛并并行地执行执行通用指令 的线程以提高效率。本文更详细地描述sm 4014的至少一个实施例。
[0374]
在至少一个实施例中，mmu 4018在gpc 4000和存储器分区单元(例 如，图39的分区单元3922)之间提供接口，并且mmu 4018提供虚拟地 址到物理地址的转换、存储器保护以及存储器请求的仲裁。在至少一个实 施例中，mmu 4018提供一个或更多个转换后备缓冲区(“tlb”)，用于 执行虚拟地址到存储器中的物理地址的转换。
[0375]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关联的推 理和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑 115的细节。在至少一个实施例中，深度学习应用程序处理器用于训练机 器学习模型(诸如神经网络)，以预测或推理提供给gpc 4000的信息。 在至少一个实施例中，gpc 4000用于基于已由另一处理器或系统或gpc4000训练过的机器学习模型(例如，神经网络)推理或预测信息。在至少 一个实施例中，gpc 4000可用于执行本文所述的一个或更多个神经网络用 例。
[0376]
图41示出了根据至少一个实施例的并行处理单元(“ppu”)的存储 器分区单元4100。在至少一个实施例中，存储器分区单元4100包括但不 限于光栅操作(“rop”)单元4102；二级(“l2”)高速缓存4104；存储器 接口4106；及其任何合适的组合。在至少一个实施例中，存储器接口4106 耦合到存储器。在至少一个实施例中，存储器接口4106可以实现32、64、 96、1024位数据总线，或者类似的实现方式用于高速数据传输。在至少一 个实施例中，ppu包括u个存储器接口4106，其中u是正整数，每对分 区单元4100一个存储器接口4106，其中每对分区单元4100连接到对应的 存储器设备。例如，在至少一个实施例中，ppu可以连接至多达y个存储 器设备，例如高带宽存储器堆栈或图形双数据速率版本5同步动态随机存 取存储器(“gddr5 sdram”)。
[0377]
在至少一个实施例中，存储器接口4106实现高带宽存储器第二代 (“hbm2”)存储器接口，并且y等于u的一半。在至少一个实施例中， hbm2存储器堆栈与ppu一起位于物理封装上，与传统的gddr5 sdram 系统相比，可提供大量功率并节省面积。在至少一个实施例中，每个hbm2 堆栈包括但不限于四个存储器管芯，且y＝4，每个hbm2堆栈包括每个管 芯两
个128位通道，用于总共8个通道和1024位的数据总线宽度。在至少 一个实施例中，存储器支持单错误校正双错误检测(“secded”)错误校 正码(“ecc”)以保护数据。在至少一个实施例中，ecc可以为对数据损 坏敏感的计算应用程序提供更高的可靠性。
[0378]
在至少一个实施例中，ppu实现了多级存储器层次结构。在至少一 个实施例中，存储器分区单元4100支持统一存储器以为中央处理单元 (“cpu”)和ppu存储器提供单个统一虚拟地址空间，从而实现虚拟存储 器系统之间的数据共享。在至少一个实施例中，追踪ppu对位于其他处理 器上的存储器的访问频率，以确保将存储器页面移动到更频繁地访问页面 的ppu的物理存储器。在至少一个实施例中，高速gpu互连3908支持地 址转换服务，其允许ppu直接访问cpu的页表，并通过ppu提供对cpu 存储器的完全访问。
[0379]
在至少一个实施例中，复制引擎在多个ppu之间或ppu与cpu之 间传输数据。在至少一个实施例中，复制引擎可以为未被映射到页表中的 地址生成页面错误，并且存储器分区单元4100然后为页面错误提供服务， 将地址映射到页表中，之后复制引擎执行传输。在至少一个实施例中，为 多个处理器之间的多个复制引擎操作固定(即不可分页)存储器，从而实 质上减少了可用存储器。在至少一个实施例中，在硬件页面故障的情况下， 可以将地址传递给复制引擎，而无需考虑是否驻留存储器页，并且复制过 程是透明的。
[0380]
根据至少一个实施例，来自图39的存储器3904或其他系统存储器 的数据由存储器分区单元4100获取，并将其存储在l2高速缓存4104中， l2高速缓存4104位于芯片上并且在各种gpc之间共享。在至少一个实施 例中，每个存储器分区单元4100包括但不限于与对应的存储器设备相关联 的l2高速缓存的至少一部分。在至少一个实施例中，在gpc内的各个单 元中实现较低级别的高速缓存。在至少一个实施例中，图40的每个sm 4014可以实现一级(“l1”)高速缓存，其中l1高速缓存是专用于特定sm 4014的私有存储器，并且从l2高速缓存4104中获取数据并将其存储在每 个l1高速缓存中，用于在sm 4014的功能单元中进行处理。在至少一个 实施例中，l2高速缓存4104耦合到存储器接口4106和图39所示的xbar3920。
[0381]
在至少一个实施例中，rop单元4102执行与像素颜色有关的图形光 栅操作，诸如颜色压缩、像素混合等。在至少一个实施例中，rop单元4102 结合光栅引擎4008实施深度测试，从光栅引擎4008的剔除引擎接收与像 素片段相关联的样本位置的深度。在至少一个实施例中，针对在与片段关 联的样本位置的深度缓冲区中的相应深度测试深度。在至少一个实施例中， 如果该片段通过了针对该样本位置的该深度测试，则rop单元4102更新 深度缓冲区，并将该深度测试的结果发送给光栅引擎4008。将意识到，分 区单元4100的数量可以不同于gpc的数量，因此，可以在至少一个实施 例中将每个rop单元4102耦合到每个gpc。在至少一个实施例中，rop 单元4102追踪从不同gpc接收到的分组，并且确定rop单元4102生成 的结果是否要通过xbar 3920路由到。
[0382]
图42示出了根据至少一个实施例的流式多处理器(“sm”)4200。在 至少一个实施例中，sm 4200是图40的sm。在至少一个实施例中，sm 4200 包括但不限于指令高速缓存4202；一个或更多个调度器单元4204；寄存器 文件4208；一个或更多个处理核心(“核心”)4210；一个或更多个特殊功 能单元(“sfu”)4212；一个或更多个加载/存储单元(“lsu”)4214；互 连网络4216；共享存储器/一级(“l1”)高速缓存4218；和/或其任何合适 的组合。
[0383]
在至少一个实施例中，工作分配单元调度任务以在并行处理单元 (“ppu”)的通用
处理集群(“gpc”)上执行，并且每个任务被分配给gpc 内部的特定数据处理集群(“dpc”)，并且如果任务与着色器程序相关联， 则将该任务分配给sm 4200之一。在至少一个实施例中，调度器单元4204 从工作分配单元接收任务并管理分配给sm 4200的一个或更多个线程块的 指令调度。在至少一个实施例中，调度器单元4204调度线程块以作为并行 线程的线程束来执行，其中每个线程块被分配至少一个线程束。在至少一 个实施例中，每个线程束执行线程。在至少一个实施例中，调度器单元4204 管理多个不同的线程块，将线程束分配给不同的线程块，然后在每个时钟 周期内将来自多个不同的协作组的指令分派给各种功能单元(例如，处理 核心4210、sfu 4212和lsu 4214)。
[0384]
在至少一个实施例中，协作组可以指用于组织通信线程组的编程模 型，其允许开发者表达线程正在通信的粒度，从而能够表达更丰富、更有 效的并行分解。在至少一个实施例中，协作启动api支持线程块之间的同 步以执行并行算法。在至少一个实施例中，常规编程模型的应用程序提供 了用于同步协作线程的单一、简单的构造：跨线程块的所有线程的屏障(例 如，syncthreads()函数)。但是，在至少一个实施例中，程序员可以在 小于线程块粒度的情形下来定义线程组，并在所定义的组内进行同步，以 实现更高的性能、设计灵活性以及以集合组范围功能接口的形式实现软件 重用。在至少一个实施例中，协作组使程序员能够以子块(即，小到单个 线程)和多块粒度明确定义线程组，并执行集合操作，例如对协作组中的 线程进行同步。在至少一个实施例中，该编程模型支持跨软件边界的干净 组合，从而库和实用程序功能可以在其本地环境中安全地同步，而不必进 行关于收敛的假设。在至少一个实施例中，协作组图元使协作并行的新图 案成为可能，包括但不限于生产者-消费者并行，机会主义并行以及整个线 程块网格上的全局同步。
[0385]
在至少一个实施例中，调度单元4206配置为将指令发送到功能单元 中的一个或更多个，并且调度器单元4204并包括但不限于两个调度单元 4206，该两个调度单元4206使得来自共同线程束的两个不同指令能够在每 个时钟周期被调度。在至少一个实施例中，每个调度器单元4204包括单个 调度单元4206或附加调度单元4206。
[0386]
在至少一个实施例中，每个sm 4200在至少一个实施例中包括但不 限于寄存器文件4208，该寄存器文件4208为sm 4200的功能单元提供了 一组寄存器。在至少一个实施例中，寄存器文件4208在每个功能单元之间 划分，从而为每个功能单元分配寄存器文件4208的专用部分。在至少一个 实施例中，寄存器文件4208在由sm 4200执行的不同线程束之间划分， 并且寄存器文件4208为连接到功能单元的数据路径的操作数提供临时存 储。在至少一个实施例中，每个sm 4200包括但不限于多个l个处理核心 4210，其中l是正整数。在至少一个实施例中，sm 4200包括但不限于大 量(例如128个或更多)不同的处理核心4210。在至少一个实施例中，每 个处理核心4210包括但不限于全管线、单精度、双精度和/或混合精度处 理单元，其包括但不限于浮点算术逻辑单元和整数算术逻辑单元。在至少 一个实施例中，浮点算术逻辑单元实现用于浮点算术的ieee 754-2008标 准。在至少一个实施例中，处理核心4210包括但不限于64个单精度(32 位)浮点核心、64个整数核心、32个双精度(64位)浮点核心和8个张 量核心。
[0387]
根据至少一个实施例，张量核心配置为执行矩阵运算。在至少一个 实施例中，一个或更多个张量核心包括在处理核心4210中。在至少一个实 施例中，张量核心配置为执行深度学习矩阵算术，例如用于神经网络训练 和推理的卷积运算。在至少一个实施例中，每
个张量核心在4
×
4矩阵上操 作并且执行矩阵乘法和累加运算d＝a
×
b+c，其中a、b、c和d是4
×
4 矩阵。
[0388]
在至少一个实施例中，矩阵乘法输入a和b是16位浮点矩阵，并且 累加矩阵c和d是16位浮点或32位浮点矩阵。在至少一个实施例中，张 量核心对16位浮点输入数据进行32位浮点累加运算。在至少一个实施例 中，16位浮点乘法使用64个运算，并得到全精度乘积，然后使用32位浮 点加法与其他中间乘积累加起来，以进行4x4x4矩阵乘法。在至少一个实 施例中，张量核心用于执行由这些较小元件构成的更大的二维或更高维度 的矩阵运算。在至少一个实施例中，api(诸如cuda 9c++api)公开 专门的矩阵加载、矩阵乘法和累加以及矩阵存储操作，以有效地使用来自 cuda-c++程序的张量核心。在至少一个实施例中，在cuda级别，线程 束级别接口假定跨越所有32个线程束线程的16
×
16大小的矩阵。
[0389]
在至少一个实施例中，每个sm 4200包括但不限于执行特殊功能(例 如，属性评估、倒数平方根等)的m个sfu 4212。在至少一个实施例中， sfu 4212包括但不限于配置为遍历分层树数据结构的树遍历单元。在至少 一个实施例中，sfu 4212包括但不限于配置为执行纹理映射过滤操作的纹 理单元。在至少一个实施例中，纹理单元配置为从存储器中加载纹理映射 (例如，纹理像素的2d阵列)和采样纹理映射，以产生采样的纹理值以 供由sm 4200执行的着色器程序使用。在至少一个实施例中，将纹理映射 存储在共享存储器/l1高速缓存4218中。在至少一个实施例中，根据至少 一个实施例，纹理单元使用mip映射(mip-maps)(例如，细节级别不同 的纹理映射)来实现纹理操作(诸如过滤操作)。在至少一个实施例中， 每个sm 4200包括但不限于两个纹理单元。
[0390]
在至少一个实施例中，每个sm 4200包括但不限于实现共享存储器/ l1高速缓存4218与寄存器文件4208之间的加载和存储操作的n个lsu4214。在至少一个实施例中，互连网络4216将每个功能单元连接到寄存器 文件4208，并且lsu 4214连接到寄存器文件4208和共享存储器/l1高速 缓存4218。在至少一个实施例中，互连网络4216是交叉开关，其可以配 置为将任何功能单元连接到寄存器文件4208中的任何寄存器，并且将lsu4214连接到寄存器文件4208和共享存储器/l1高速缓存4218中的存储器 位置。
[0391]
在至少一个实施例中，共享存储器/l1高速缓存4218是片上存储器 的阵列，其在至少一个实施例中允许sm 4200与图元引擎之间以及sm4200中的线程之间的数据存储和通信。在至少一个实施例中，共享存储器 /l1高速缓存4218包括但不限于128kb的存储容量，并且位于从sm 4200 到分区单元的路径中。在至少一个实施例中，共享存储器/l1高速缓存4218 在至少一个实施例中用于高速缓存读取和写入。在至少一个实施例中，共 享存储器/l1高速缓存4218、l2高速缓存和存储器中的一个或更多个是后 备存储。
[0392]
在至少一个实施例中，将数据高速缓存和共享存储器功能组合到单 个存储器块中，为两种类型的存储器访问提供了改进的性能。在至少一个 实施例中，容量由不使用共享存储器的程序使用或将其用作高速缓存，例 如如果共享存储器配置为使用一半容量，并且纹理和加载/存储操作可以使 用剩余容量。根据至少一个实施例，在共享存储器/l1高速缓存4218内的 集成使共享存储器/l1高速缓存4218能够用作用于流传输数据的高吞吐量 管线，同时提供对频繁重用的数据的高带宽和低延迟访问。在至少一个实 施例中，当配置用于通用并行计算时，与图形处理相比，可以使用更简单 的配置。在至少一个实施例中，绕过固定功能图形处理单元，从而创建了 更加简单的编程模型。在至少一个实施例中，在通
用并行计算配置中，工 作分配单元直接将线程的块分配和分布给dpc。在至少一个实施例中，块 中的线程执行通用程序，在计算中使用唯一的线程id以确保每个线程生成 唯一的结果，使用sm 4200执行程序并执行计算，使用共享存储器/l1高 速缓存4218在线程之间进行通信，以及使用lsu 4214通过共享存储器/l1 高速缓存4218和存储器分区单元来读写全局存储器。在至少一个实施例中， 当被配置用于通用并行计算时，sm 4200向调度器单元4204写入可以用来 在dpc上启动新工作的命令。
[0393]
在至少一个实施例中，ppu被包括在台式计算机、膝上型计算机、 平板电脑、服务器、超级计算机、智能电话(例如，无线、手持设备)、 个人数字助理(“pda”)、数码相机、车辆、头戴式显示器、手持式电子 设备等中或与之耦合。在至少一个实施例中，ppu被实现在单个半导体衬 底上。在至少一个实施例中，ppu与一个或更多个其他设备(例如附加的 ppu、存储器、精简指令集计算机(“risc”)cpu，一个或更多个存储器 管理单元(“mmu”)、数模转换器(“dac”)等)一起被包括在片上系统 (“soc”)中。
[0394]
在至少一个实施例中，ppu可以被包括在包括一个或更多个存储设 备的图形卡上。在至少一个实施例中，该图形卡可以配置为与台式计算机 主板上的pcie插槽相连接。在至少一个实施例中，该ppu可以是包括在 主板的芯片组中的集成图形处理单元(“igpu”)。
[0395]
推理和/或训练逻辑115用于执行与一个或更多个实施例相关的推理 和/或训练操作。本文结合图1a和/或图1b提供关于推理和/或训练逻辑115 的细节。在至少一个实施例中，深度学习应用程序处理器用于训练机器学 习模型(诸如神经网络)，以预测或推理提供给sm 4200的信息。在至少 一个实施例中，sm 4200用于基于已由另一处理器或系统或由sm 4200训 练过的机器学习模型(例如，神经网络)推理或预测信息。在至少一个实 施例中，sm 4200可用于执行一个或更多个本文所述的神经网络用例。
[0396]
公开了涉及用于高级计算的虚拟化计算平台的实施例。
[0397]
图43是根据至少一个实施例的生成和部署处理和推理管线的过程 4300的示例数据流程图。在至少一个实施例中，可以部署过程4300以在 一个或更多个设施4302(诸如数据中心)处对用户反馈数据执行游戏名称 识别分析和推理。
[0398]
在至少一个实施例中，过程4300可以在训练系统4304和/或部署系 统4306内执行。在至少一个实施例中，训练系统4304可以用于执行机器 学习模型(例如，神经网络、对象检测算法、计算机视觉算法等)的训练、 部署和实现，以用于部署系统4306。在至少一个实施例中，部署系统4306 可以被配置为在分布式计算环境中卸载处理和计算资源，以减少设施4302 的基础设施需求。在至少一个实施例中，部署系统4306可以提供管线平台 用于选择、定制和实现虚拟仪器，以在设施4302处与计算设备4302一起 使用。在至少一个实施例中，虚拟仪器可以包括用于针对反馈数据执行一 个或更多个处理操作的软件定义的应用程序。在至少一个实施例中，管线 中的一个或更多个应用程序在应用程序执行期间，可以使用或调用部署系 统4306的服务(例如，推理、可视化、计算、ai等)。
[0399]
在至少一个实施例中，在高级处理和推理管线中使用的一些应用程 序可以使用机器学习模型或其他ai来执行一个或更多个处理步骤。在至少 一个实施例中，可以使用在设施4302处存储的的反馈数据4308(例如反 馈数据)在设施4302处训练机器学习模型，可以使用来自另一个或更多个 设施的反馈数据4308来训练机器学习模型，或其组合。在至少
一个实施例 中，训练系统4304可以用于提供应用程序、服务和/或其他资源，以生成 用于部署系统4306的工作的、可部署的机器学习模型。
[0400]
在至少一个实施例中，模型注册表4324可以由对象存储支持，该对 象存储可以支持版本控制和对象元数据。在至少一个实施例中，可以从云 平台内通过例如云存储(例如，图44的云4426)兼容的应用程序编程接 口(api)来访问对象存储。在至少一个实施例中，模型注册表4324内的 机器学习模型可以由与api交互的系统的开发者或合作伙伴上传、列出、 修改或删除。在至少一个实施例中，api可以提供对方法的访问，所述方 法允许具有适当凭证的用户将模型与应用程序相关联，使得模型可以作为 应用程序的容器化实例化的执行的一部分来执行。
[0401]
在至少一个实施例中，训练管线4404(图44)可以包括以下情形： 其中设施4302正在训练他们自己的机器学习模型，或者具有需要优化或更 新的现有机器学习模型。在至少一个实施例中，可以接收来自不同信道(诸 如论坛、web表单或类似信道)的反馈数据4308。在至少一个实施例中， 一旦接收到反馈数据4308，ai辅助注释4310就可以用于帮助生成与反馈 数据4308相对应的注释，以用作机器学习模型的地面实况数据。在至少一 个实施例中，ai辅助注释4310可以包括一个或更多个机器学习模型(例 如，卷积神经网络(cnn))，可以对该机器学习模型进行训练，以生成 对应于某些类型的反馈数据4308(例如，来自某些设备)的注释，和/或反 馈数据4308中某些类型的异常。在至少一个实施例中，然后ai辅助注释 4310可以被直接使用，或者可以使用注释工具进行调整或微调，以生成地 面实况数据。在至少一个实施例中，在一些示例中，标记的临床数据4312 可以用作训练机器学习模型的地面实况数据。在至少一个实施例中，ai辅 助注释4310、标记的临床数据4312或其组合可以用作训练机器学习模型 的地面实况数据。在至少一个实施例中，经训练的机器学习模型可以被称 为输出模型4316，并且可以由部署系统4306使用，如本文所述。
[0402]
在至少一个实施例中，训练管线4404(图44)可以包括以下情形： 其中设施4302需要机器学习模型，以用于执行用于部署系统4306中的一 个或更多个应用程序的一个或更多个处理任务，但是设施4302当前可能没 有这种机器学习模型(或者可能没有为此目的而优化的、高效的或有效的 模型)。在至少一个实施例中，可以从模型注册表4324中选择现有的机器 学习模型。在至少一个实施例中，模型注册表4324可以包括机器学习模型， 其被训练为对成像数据执行各种不同的推理任务。在至少一个实施例中， 可以在来自不同的设施(例如，位于远处的设施)而不是设施4302的成像 数据上训练模型注册表4324中的机器学习模型。在至少一个实施例中，机 器学习模型可能已经在来自一个位置、两个位置或任意数量的位置的成像 数据上进行训练。在至少一个实施例中，当在来自特定位置的成像数据上 进行训练时，可以在该位置处进行训练，或者至少以保护成像数据的机密 性或限制成像数据从场外转移的方式进行训练(例如，遵守hipaa法规、 隐私法规等)。在至少一个实施例中，一旦在一个位置处训练了模型或部 分地训练了模型，则可以将机器学习模型添加到模型注册表4324。在至少 一个实施例中，然后可以在任意数量的其他设施处对机器学习模型进行重 新训练或更新，经重新训练或更新的模型可以在模型注册表4324中使用。 在至少一个实施例中，然后可以从模型注册表4324中选择机器学习模型 (并称为输出模型4316)，并且可以在部署系统4306中，以执行用于部 署系统的一个或更多个应用程序的一个或更多个处理任务。
[0403]
在至少一个实施例中，训练管线4404(图44)可用于包括设施4302 的场景中，所述设施需要机器学习模型，以用于执行用于部署系统4306 中的一个或更多个应用程序的一个或更多个处理任务，但是设施4302当前 可能没有这样的机器学习模型(或者可能没有优化的、高效的或有效的模 型)。在至少一个实施例中，由于用于训练机器学习模型的训练数据的种 群差异、遗传变异、稳健性，训练数据异常的多样性，和/或训练数据的其 他问题，从模型注册表4324中选择的机器学习模型可能不会针对在设施 4302处生成的反馈数据4308进行微调或优化。在至少一个实施例中，ai 辅助注释4310可以用于帮助生成与反馈数据4308相对应的注释，以用作 训练或更新机器学习模型的地面实况数据。在至少一个实施例中，标记的 数据4312可以用作训练机器学习模型的地面实况数据。在至少一个实施例 中，重新训练或更新机器学习模型可以称为模型训练4314。在至少一个实 施例中，模型训练4314(例如ai辅助注释4310，标记的临床数据4312 或其组合)可以用作重新训练或更新机器学习模型的地面实况数据。
[0404]
在至少一个实施例中，部署系统4306可以包括软件4318、服务4320、 硬件4322和/或其他组件、特征和功能。在至少一个实施例中，部署系统 4306可以包括软件“栈”，以使软件4318可以构建在服务4320的顶部上， 并且可以使用服务4320来执行一些或全部处理任务，并且服务4320和软 件4318可以构建在硬件4322的顶部上，并使用硬件4322来执行部署系统 4306的处理、存储和/或其他计算任务。
[0405]
在至少一个实施例中，软件4318可以包括任意数量的不同容器，其 中每个容器可以执行应用程序的实例化。在至少一个实施例中，每个应用 程序可以在高级处理和推理管线中执行一个或更多个处理任务(例如，推 理、对象检测、特征检测、分割、图像增强、校准等)。在至少一个实施 例中，对于每种类型的计算设备可能有任意数量的容器，其可以对反馈数 据4308(或其他数据类型，例如本文所述的数据类型)执行数据处理任务。 在至少一个实施例中，除了接收和配置成像数据以供每个容器使用和/或在 通过管线处理后由设施4302使用的容器以外，还可以基于对处理反馈数据 4308想要的或所需的不同容器的选择来定义高级处理和推理管线(例如， 以将输出转换回可用的数据类型，以便在设施4302进行存储和显示)。在 至少一个实施例中，软件4318内的容器组合(例如，其构成管线)可以被 称为虚拟仪器(如本文中更详细地描述的)，并且虚拟仪器可以利用服务 4320和硬件4322来执行容器中实例化的应用程序的部分或全部处理任务。
[0406]
在至少一个实施例中，数据可以作为数据处理管线的一部分进行预 处理，以准备数据用于由一个或更多个应用程序处理。在至少一个实施例 中，可以在管线的一个或更多个推理任务或其他处理任务的输出上执行后 处理，以准备下一个应用程序的输出数据和/或准备输出数据，以供用户传 输和/或使用(例如作为对推理请求的响应)。在至少一个实施例中，推理 任务可以由一个或更多个机器学习模型执行，例如经训练或部署的神经网 络，所述模型可以包括训练系统4304的输出模型4316。
[0407]
在至少一个实施例中，数据处理管线的任务可以封装在容器中，每 个容器表示能够引用机器学习模型的应用程序和虚拟化计算环境的离散、 全功能实例化。在至少一个实施例中，容器或应用程序可被发布到容器注 册表(本文更详细地描述)的私有(例如，有限访问)区域中，并且经训 练或部署的模型可存储在模型注册表4324中，并与一个或更多个应用程序 相关联。在至少一个实施例中，应用程序的图像(例如，容器图像)可在 容器注册
表中使用，并且一旦用户从容器注册表中选择图像以用于在管线 中部署，则该图像可用于生成用于应用程序的实例化的容器，以供用户的 系统使用。
[0408]
在至少一个实施例中，开发者)可以开发、发布和存储应用程序(例 如，作为容器)，用于对所提供的数据执行图像处理和/或推理。在至少一 个实施例中，可以使用与系统相关联的软件开发工具包(sdk)来执行开 发、发布和/或存储(例如，以确保开发的应用程序和/或容器符合系统或与 系统兼容)。在至少一个实施例中，所开发的应用程序可以使用sdk在本 地测试(例如，在第一设施处，对来自第一设施的数据进行测试)，所述 sdk作为系统(例如图44中的系统4400)可以支持至少某些服务4320。 在至少一个实施例中，一旦通过系统4400的验证(例如，为了准确性等)， 应用程序便会在容器注册表中可用，以供用户(例如，医院、诊所、实验 室、医疗保健提供者等)选择和/或实现，以对用户的设施(例如第二设施) 处的数据执行一个或更多个处理任务。
[0409]
在至少一个实施例中，开发者随后可以通过网络共享应用程序或容 器，以供系统(例如，图44的系统4400)的用户访问和使用。在至少一 个实施例中，可以将完成并经过验证的应用程序或容器存储在容器注册表 中，并且可以将相关的机器学习模型存储在模型注册表4324中。在至少一 个实施例中，请求实体(其提供推理或图像处理请求)可以浏览容器注册 表和/或模型注册表4324，以获得应用程序、容器、数据集、机器学习模型 等，选择所需的元素组合以包含在数据处理管线中，并提交处理请求。在 至少一个实施例中，请求可以包括执行请求所必需的输入数据，和/或可以 包括对在处理请求时要执行的应用程序和/或机器学习模型的选择。在至少 一个实施例中，然后可以将请求传递到部署系统4306的一个或更多个组件 (例如，云)，以执行数据处理管线的处理。在至少一个实施例中，由部 署系统4306进行的处理可以包括引用从容器注册表和/或模型注册表4324 中选择的元素(例如，应用程序、容器、模型等)。在至少一个实施例中， 一旦通过管线生成结果，结果可返回给用户以供参考(例如，用于在本地、 本地工作站或终端上执行的查看应用程序套件中进行查看)。
[0410]
在至少一个实施例中，为了帮助处理或执行管线中的应用程序或容 器，可以利用服务4320。在至少一个实施例中，服务4320可以包括计算 服务、人工智能(ai)服务、可视化服务和/或其他服务类型。在至少一个 实施例中，服务4320可以提供软件4318中的一个或更多个应用程序所共 有的功能，因此可以将功能抽象为可以被应用程序调用或利用的服务。在 至少一个实施例中，由服务4320提供的功能可以动态且更有效地运行，同 时还可以通过允许应用程序并行地处理数据(例如，使用图44中的并行计 算平台4430)来很好地缩放。在至少一个实施例中，不是要求共享服务4320 提供的相同功能的每个应用程序都必须具有服务4320的相应实例，而是可 以在各种应用程序之间和之中共享服务4320。在至少一个实施例中，作为 非限制性示例，服务可包括可用于执行检测或分割任务的推理服务器或引 擎。在至少一个实施例中，可以包括模型训练服务，其可以提供机器学习 模型训练和/或重新训练能力。
[0411]
在至少一个实施例中，在服务4320包括ai服务(例如，推理服务) 的情况下，作为应用程序执行的一部分，可以通过调用(例如，作为api 调用)推理服务(例如，推理服务器)，以执行一个或更多个机器学习模 型或其处理，来执行与用于异常检测(例如，肿瘤、生长异常、瘢痕形成 等)的应用程序相关联的一个或更多个机器学习模型。在至少一个实施
例 中，在另一应用程序包括用于分割任务的一个或更多个机器学习模型的情 况下，应用程序可以调用推理服务来执行机器学习模型，以用于执行与分 割任务相关联的一个或更多个处理操作。在至少一个实施例中，实现高级 处理和推理管线的软件4318，可以被管线化，因为每个应用程序可以调用 相同的推理服务来执行一个或更多个推理任务。
[0412]
在至少一个实施例中，硬件4322可包括gpu、cpu、图形卡、ai/ 深度学习系统(例如，ai超级计算机，诸如nvidia的dgx超级计算机 系统)、云平台或其组合。在至少一个实施例中，可以使用不同类型的硬 件4322，以为部署系统4306中的软件4318和服务4320提供高效的、专 门构建的支持。在至少一个实施例中，可以实现使用gpu处理来在ai/ 深度学习系统内、云系统中、和/或部署系统4306的其他处理组件中进行 本地处理(例如，在设施4302处)，以提高游戏名称识别的效率、准确性 和效能。
[0413]
在至少一个实施例中，作为非限制性示例，关于深度学习、机器学 习和/或高性能计算，可以针对gpu处理优化软件4318和/或服务4320。 在至少一个实施例中，部署系统4306和/或训练系统4304的计算环境中的 至少一些可以在具有gpu优化的软件(例如，nvidia dgx系统的硬件 和软件组合)的数据中心、一个或更多个超级计算机或高性能计算机系统 中执行。在至少一个实施例中，如本文所述，硬件4322可包括任意数量的 gpu，所述gpu可被调用以并行执行数据处理。在至少一个实施例中，云 平台还可包括用于深度学习任务的gpu优化执行、机器学习任务或其他计 算任务的gpu处理。在至少一个实施例中，可以使用ai/深度学习超级计 算机和/或gpu优化的软件(例如，如在nvidia的dgx系统上提供的) 作为硬件抽象和缩放平台，来执行云平台(例如，nvidia的ngc)。在 至少一个实施例中，云平台可以在多个gpu上集成应用程序容器集群系统 或协调系统(例如，kubernetes)，以实现无缝缩放和负载均衡。
[0414]
图44是根据至少一个实施例的用于生成和部署部署管线的示例系统 4400的系统图。在至少一个实施例中，系统4400可以用于实现图43的过 程4300和/或其他过程，包括高级处理和推理管线。在至少一个实施例中， 系统4400可以包括训练系统4304和部署系统4306。在至少一个实施例中， 可以使用软件4318、服务4320和/或硬件4322，来实现训练系统4304和 部署系统4306，如本文所述。
[0415]
在至少一个实施例中，系统4400(例如，训练系统4304和/或部署 系统4306)可以在云计算环境中(例如，使用云4426)实现。在至少一个 实施例中，系统4400可以在本地实现(关于设施)，或者作为云计算资源 和本地计算资源的组合来实现。在至少一个实施例中，在实现云计算的实 施例中，患者数据可以与系统4400的一个或更多个组件分离，或者未由系 统4400的一个或更多个组件处理，这将导致处理不符合hipaa和/或其他 数据处理和隐私法规或法律。在至少一个实施例中，可以通过制定安全措 施或协议，将对云4426中的api的访问权限限制为授权用户。在至少一 个实施例中，安全协议可以包括网络令牌，其可以由认证(例如，authn、 authz、gluecon等)服务签名，并且可以携带适当的授权。在至少一个实 施例中，虚拟仪器的api(本文中描述)或系统4400的其他实例可以被限 制为已被审核或授权用于交互的一组公共ip。
[0416]
在至少一个实施例中，系统4400的各个组件可以使用多种不同网络 类型中的任何一种在彼此之间进行通信，所述不同网络类型包括但不限于 经由有线和/或无线通信协议的局域网(lan)和/或广域网(wan)。在 至少一个实施例中，系统4400的设施和组件之间
的通信(例如，用于发送 推理请求、用于接收推理请求的结果等)可以通过一个或更多个数据总线、 无线数据协议(wi-fi)、有线数据协议(例如以太网)等进行传送。
[0417]
在至少一个实施例中，类似于本文关于图43所描述的，训练系统4304 可以执行训练管线4404。在至少一个实施例中，其中部署系统4306将在 部署管线4410中使用一个或更多个机器学习模型，训练管线4404可用于 训练或重新训练一个或更多个(例如，预训练的)模型，和/或实现一个或 更多个预训练模型4406(例如，无需重新训练或更新)。在至少一个实施 例中，作为训练管线4404的结果，可以生成输出模型4316。在至少一个 实施例中，训练管线4404可以包括任意数量的处理步骤，ai辅助注释4310、 反馈数据4308的标记或注释(用于生成标记的临床数据4312)、从模型 注册表中选择模型、模型训练4314、训练、重新训练或更新模型，和/或其 他处理步骤。在至少一个实施例中，对于由部署系统4306使用的不同的机 器学习模型，可以使用不同的训练管线4404。在至少一个实施例中，类似 于关于图43描述的第一示例的训练管线4404可用于第一机器学习模型， 类似于关于图43描述的第二示例的训练管线4404可用于第二机器学习模 型，类似于关于图43描述的第三示例的训练管线4404可用于第三机器学 习模型。在至少一个实施例中，可以根据每个相应机器学习模型的要求来 使用训练系统4304内任务的任何组合。在至少一个实施例中，一个或更多 个机器学习模型可能已经被训练并准备好用于部署，因此训练系统4304 可能不会对机器学习模型进行任何处理，并且一个或更多个机器学习模型 可以由部署系统4306来实现。
[0418]
在至少一个实施例中，根据实现或实施例，输出模型4316和/或预训 练模型4406可包括任何类型的机器学习模型。在至少一个实施例中并且不 限于此，系统4400使用的机器学习模型可以包括使用线性回归、逻辑回归、 决策树、支持向量机(svm)、朴素贝叶斯、k-最近邻(knn)、k均值聚 类、随机森林、降维算法、梯度提升算法、神经网络(例如，自动编码器、 卷积、递归、感知器、长/短期记忆(lstm)、bi-lstm、hopfield、boltzmann、 深层信念、反卷积、生成对抗、液体状态机等)，和/或其他类型的机器学 习模型。
[0419]
在至少一个实施例中，训练管线4404可以包括ai辅助注释。在至 少一个实施例中，可以通过任何数量的技术来生成标记的数据4312(例如， 传统注释)。在至少一个实施例中，在一些示例中可以在绘图程序(例如， 注释程序)、计算机辅助设计(cad)程序、标记程序、适用于生成地面 实况的注释或标签的另一类型的应用程序中、和/或可以手绘，生成标签或 其他注释。在至少一个实施例中，地面实况数据可以被合成产生(例如， 从计算机模型或渲染生成)、真实产生(例如，从真实世界数据设计和生 成)、机器自动产生(例如，使用特征分析和学习从数据中提取特征，然 后生成标签)、人工注释(例如，标记器或注释专家，定义标签的位置) 和/或其组合。在至少一个实施例中，对于反馈数据4308(或机器学习模型 使用的其他数据类型)的每个实例，可以存在由训练系统4304生成的相应 的地面实况数据。在至少一个实施例中，可以作为部署管线4410的一部分 执行ai辅助注释；补充或代替训练管线4404中包括的ai辅助注释。在 至少一个实施例中，系统4400可以包括多层平台，所述多层平台可以包括 诊断应用程序(或其他应用程序类型)的软件层(例如软件4318)，其可 以执行一个或更多个医学成像和诊断功能。
[0420]
在至少一个实施例中，软件层可以被实现为安全的、加密的和/或经 认证的api，通过所述api可以从外部环境(例如，设施4302)援引(invoke) (例如，调用(call))应用程序或容器。在至少一个实施例中，应用程序 随后可以调用或执行一个或更多个服务4320，
以执行与各自的应用程序相 关联的计算、ai或可视化任务，并且软件4318和/或服务4320可以利用 硬件4322以有效和高效的方式执行处理任务。
[0421]
在至少一个实施例中，部署系统4306可以执行部署管线4410。在至 少一个实施例中，部署管线4410可以包括任意数量的应用程序，所述应用 程序可以是顺序的、非顺序的，或者以其他方式应用于反馈数据(和/或其 他数据类型)-包括ai辅助注释，如上所述。在至少一个实施例中，如本 文所述，用于个体设备的部署管线4410可以被称为用于设备的虚拟仪器。 在至少一个实施例中，对于单个设备，可以存在不止一个部署管线4410， 这取决于从设备生成的数据所期望的信息。
[0422]
在至少一个实施例中，可用于部署管线4410的应用程序可包括可用 于对反馈数据或来自设备的其他数据执行处理任务的任何应用程序。在至 少一个实施例中，由于各种应用程序可以共享公共图像操作，可以使用数 据增强库(例如，作为服务4320之一)来加速这些操作。在至少一个实施 例中，为了避免依赖于cpu处理的传统处理方法的瓶颈，并行计算平台 4430可用于这些处理任务的gpu加速。
[0423]
在至少一个实施例中，部署系统4306可以包括用户接口4414(例如， 图形用户接口、web接口等)，所述用户接口可以被用于选择要包括在部 署管线4410中的应用程序、布置应用程序、修改或改变应用程序或其参数 或构造、在设置和/或部署期间使用部署管线4410以及与其交互，和/或以 其他方式与部署系统4306交互。在至少一个实施例中，尽管没有关于训练 系统4304示出，但是用户接口4414(或不同的用户接口)可用于选择在 部署系统4306中使用的模型、用于选择用于在训练系统4304中训练或重 新训练的模型，和/或用于以其他方式与训练系统4304交互。
[0424]
在至少一个实施例中，除了应用程序协调系统4428之外，还可以使 用管线管理器4412来管理部署管线4410的应用程序或容器与服务4320 和/或硬件4322之间的交互。在至少一个实施例中，管线管理器4412可以 被配置为促进从应用程序到应用程序、从应用程序到服务4320，和/或从应 用程序或服务到硬件4322的交互。在至少一个实施例中，尽管示出为包括 在软件4318中，这并不旨在进行限制，并且在一些示例中，管线管理器 4412可以被包括在服务4320中。在至少一个实施例中，应用程序协调系 统4428(例如，kubernetes、docker等)可以包括容器协调系统，其可 以将应用程序分组到容器中，作为用于协调、管理、缩放和部署的逻辑单 元。在至少一个实施例中，通过将来自部署管线4410的应用程序(例如， 重建应用程序、分割应用程序等)与各个容器相关联，每个应用程序可以 在自包含的环境(例如，在内核级)中执行，以提高速度和效率。
[0425]
在至少一个实施例中，每个应用程序和/或容器(或其映像)可以被 单独开发、修改和部署(例如，第一用户或开发者可以开发、修改和部署 第一应用程序，第二用户或开发者可以开发、修改和部署与第一用户或开 发者分开的第二应用程序)，这可以允许专注并注意力单个应用程序和/ 或容器的任务，而不受另一个应用程序或容器的任务的阻碍。在至少一个 实施例中，管线管理器4412和应用程序协调系统4428可以辅助不同容器 或应用程序之间的通信和协作。在至少一个实施例中，只要每个容器或应 用程序的预期输入和/或输出是系统已知的(例如，基于应用程序或容器的 构造)，则应用程序协调系统4428和/或管线管理器4412可以促进每个应 用程序或容器之间和之中的通信以及资源的共享。在至少一个实施例中， 由于部署管线4410中的一个或更多个应用程序或容器可以共享相同
的服 务和资源，因此应用程序协调系统4428可以在各个应用程序或容器之间和 之中进行协调、负载均衡，并确定服务或资源的共享。在至少一个实施例 中，调度器可用于跟踪应用程序或容器的资源需求、这些资源的当前使用 或计划使用，以及资源可用性。因此，在至少一个实施例中，考虑到系统 的需求和可用性，调度器可以将资源分配给不同的应用程序，并在应用程 序之间和之中分配资源。在一些示例中，调度器(和/或应用程序协调系统 4428的其他组件)可以基于施加在系统上的约束(例如，用户约束)来确 定资源可用性和分布，例如服务质量(qos)、对数据输出的迫切需求(例 如，以确定是执行实时处理还是延迟处理)等。
[0426]
在至少一个实施例中，由部署系统4306中的应用程序或容器利用并 由其共享的服务4320，可以包括计算服务4416、ai服务4418、可视化服 务4420和/或其他服务类型。在至少一个实施例中，应用程序可以调用(例 如，执行)一个或更多个服务4320，以执行针对应用程序的处理操作。在 至少一个实施例中，应用程序可以利用计算服务4416来执行超级计算或其 他高性能计算(hpc)任务。在至少一个实施例中，可以利用一个或更多 个计算服务4416来执行并行处理(例如，使用并行计算平台4430)，以 通过一个或更多个应用程序和/或单个应用程序的一个或更多个任务基本 上同时地处理数据。在至少一个实施例中，并行计算平台4430(例如， nvidia的cuda)可以在gpu(gpgpu)(例如，gpu 4422)上实现 通用计算。在至少一个实施例中，并行计算平台4430的软件层可以提供对 gpu的虚拟指令集和并行计算元素的访问，以执行计算内核。在至少一个 实施例中，并行计算平台4430可以包括存储器，并且在至少一个实施例中， 可以在多个容器之间和之中，和/或在单个容器内的不同处理任务之间和之 中共享存储器。在至少一个实施例中，可以为多个容器和/或容器内的多个 进程生成进程间通信(ipc)调用，以使用来自并行计算平台4430的共享 存储器段的相同数据(例如，其中一应用程序或多个应用程序的多个不同 阶段正在处理相同的信息)。在至少一个实施例中，不是复制数据并将数 据移动到存储器中的不同位置(例如，读/写操作)，而是可以将存储器相 同位置中的相同数据用于任何数量的处理任务(例如，在同一时间、不同 时间等)。在至少一个实施例中，由于作为处理的结果数据被用于生成新 数据，因此数据的新位置的该信息可以在各个应用程序之间存储和共享。 在至少一个实施例中，数据的位置以及经更新或修改的数据的位置可以是 如何理解容器中的有效负载的定义的一部分。
[0427]
在至少一个实施例中，可以利用ai服务4418来执行推理服务，该 推理服务用于执行与应用程序相关联的机器学习模型(例如，任务为执行 应用程序的一个或更多个处理任务)。在至少一个实施例中，ai服务4418 可以利用ai系统4424来执行机器学习模型(例如，诸如cnn之类的神 经网络)以用于分割、重建、对象检测、特征检测、分类和/或其他推理任 务。在至少一个实施例中，部署管线4410的应用程序可以使用来自训练系 统4304的一个或更多个输出模型4316和/或应用程序的其他模型，来对成 像数据(例如，dicom数据、ris数据、cis数据、符合rest的数据、rpc数据、原始数据等)执行推理。在至少一个实施例中，使用应用程序 协调系统4428(例如，调度器)进行推理的两个或更多个示例可以是可用 的。在至少一个实施例中，第一类别可以包括高优先级/低延时路径，其可 以实现更高服务水平协议，例如用于在紧急情况下对紧急请求执行推理， 或者在诊断过程中用于放射科医生。在至少一个实施例中，第二类别可以 包括标准优先级路径，其可用于可能不紧急的请求或
者可以在稍后的时间 执行分析的情况。在至少一个实施例中，应用程序协调系统4428可以基于 优先级路径来分配资源(例如，服务4320和/或硬件4322)，以用于ai 服务4418的不同推理任务。
[0428]
在至少一个实施例中，共享存储器可以被安装到系统4400中的ai 服务4418。在至少一个实施例中，共享存储器可以操作为高速缓存(或其 他存储设备类型)，并且可以用于处理来自应用程序的推理请求。在至少 一个实施例中，当提交推理请求时，部署系统4306的一组api实例可以 接收请求，并且可以选择一个或更多个实例(例如，为了最佳拟合、为了 负载均衡等)来处理请求。在至少一个实施例中，为了处理请求，可以将 请求输入到数据库中，如果尚未在高速缓存中，则可以从模型注册表4324 定位机器学习模型，验证步骤可以确保将适当的机器学习模型加载到高速 缓存中(例如，共享存储)，和/或可以将模型的副本保存到高速缓存中。 在至少一个实施例中，如果应用程序尚未运行或没有足够的应用程序的实 例，则可使用调度器(例如，管线管理器4412的调度器)来启动在请求中 引用的应用程序。在至少一个实施例中，如果尚未启动推理服务器来执行 模型，则可以启动推理服务器。在至少一个实施例中，每个模型可以启动 任意数量的推理服务器。在至少一个实施例中，在将推理服务器聚类的拉 (pull)模型中，每当负载均衡有利时，就可以将模型高速缓存。在至少一 个实施例中，推理服务器可以静态加载到相应的分布式服务器中。
[0429]
在至少一个实施例中，可以使用在容器中运行的推理服务器来执行 推理。在至少一个实施例中，推理服务器的实例可以与模型(并且可选地 与模型的多个版本)相关联。在至少一个实施例中，如果在接收到对模型 执行推理的请求时推理服务器的实例不存在，则可以加载新实例。在至少 一个实施例中，当启动推理服务器时，可以将模型传递到推理服务器，使 得可以使用相同的容器来服务不同的模型，只要推理服务器作为不同的实 例运行即可。
[0430]
在至少一个实施例中，在应用程序执行期间，可以接收对给定应用 程序的推理请求，并且可以加载(如果尚未加载的话)容器(例如，托管 推理服务器的实例)，以及可以调用启动程序。在至少一个实施例中，容 器中的预处理逻辑可以(例如，使用cpu和/或gpu)对传入的数据进行 加载、解码和/或执行任何附加的预处理。在至少一个实施例中，一旦数据 准备好进行推理，容器就可以根据需要对数据进行推理。在至少一个实施 例中，这可以包括对一个图像(例如，手部x射线)的单个推理调用，或 可要求对数百个图像(例如，胸部ct)进行推理。在至少一个实施例中， 应用程序可在完成之前总结结果，其可以包括但不限于单个置信度分数、 像素级分割、体素级分割、生成可视化或生成文本以总结结果。在至少一 个实施例中，可以为不同的模型或应用程序分配不同的优先级。例如，一 些模型可具有实时(tat小于1分钟)优先级，而其他模型可具有较低的 优先级(例如，tat小于10分钟)。在至少一个实施例中，模型执行时 间可以从请求机构或实体进行测量，并且可以包括合作网络遍历时间以及 推理服务的执行时间。
[0431]
在至少一个实施例中，请求在服务4320和推理应用程序之间的传送 可以隐藏在软件开发工具包(sdk)后面，并且可以通过队列提供鲁棒的 传输。在至少一个实施例中，将通过api将请求放置在队列中，以用于个 体应用程序/租户id组合，并且sdk将从队列中拉取请求并将请求提供给 应用程序。在至少一个实施例中，在sdk将从中拾取队列的环境中，可以 提供队列的名称。在至少一个实施例中，通过队列的异步通信可能有用， 因为它可以
允许应用程序的任何实例在其可用时拾取工作。在至少一个实 施例中，可以通过队列将结果传送回去，以确保没有数据丢失。在至少一 个实施例中，队列还可以提供对工作进行分割的能力，因为最高优先级的 工作可以进入与应用程序的大多数实例连接的队列，而最低优先级的工作 可以进入与单个实例连接的队列，所述实例按照接收到的顺序处理任务。 在至少一个实施例中，应用程序可以在gpu加速的实例上运行，所述实例 在云4426中生成，并且推理服务可以在gpu上执行推理。
[0432]
在至少一个实施例中，可以利用可视化服务4420来生成用于查看应 用程序和/或部署管线4410输出的可视化。在至少一个实施例中，可视化 服务4420可以利用gpu 4422来生成可视化。在至少一个实施例中，可视 化服务4420可以实现诸如光线追踪之类的渲染效果，以生成更高质量的可 视化。在至少一个实施例中，可视化可以包括但不限于2d图像渲染、3d 体渲染、3d体重建、2d层析切片、虚拟现实显示、增强现实显示等。在 至少一个实施例中，可以使用虚拟化环境来生成虚拟交互显示或环境(例 如，虚拟环境)，以供系统用户(例如，医生、护士、放射科医生等)进 行交互。在至少一个实施例中，可视化服务4420可以包括内部可视化器、 电影和/或其他渲染或图像处理能力或功能(例如，光线追踪、光栅化、内 部光学器件等)。
[0433]
在至少一个实施例中，硬件4322可以包括gpu 4422、ai系统4424、 云4426和/或用于执行训练系统4304和/或部署系统4306的任何其他硬件。 在至少一个实施例中，gpu 4422(例如，nvidia的tesla和/或quadrogpu)可包括可用于执行计算服务4416、ai服务4418、可视化服务4420、 其他服务和/或软件4318的任何特征或功能的处理任务的任意数量的gpu。 例如，对于ai服务4418，gpu 4422可用于对成像数据(或机器学习模型 使用的其他数据类型)执行预处理，对机器学习模型的输出执行后处理和/ 或执行推理(例如以执行机器学习模型)。在至少一个实施例中，云4426、 ai系统4424和/或系统4400的其他组件可以使用gpu 4422。在至少一个 实施例中，云4426可以包括用于深度学习任务的gpu优化的平台。在至 少一个实施例中，ai系统4424可以使用gpu，并且可以使用一个或更多 个ai系统4424来执行云4426(或者任务为深度学习或推理的至少部分)。 同样，尽管硬件4322被示出为离散组件，但这并不意图是限制，并且硬件 4322的任何组件可以与硬件4222的任何其他组件组合，或由硬件4222的 任何其他组件利用。
[0434]
在至少一个实施例中，ai系统4424可包括专门构建的计算系统(例 如，超级计算机或hpc)，该计算系统配置用于推理、深度学习、机器学 习和/或其他人工智能任务。在至少一个实施例中，除了cpu、ram、存 储器和/或其他组件、特征或功能之外，ai系统4424(例如，nvidia的 dgx)还可以包括可以使用多个gpu 4422来执行分gpu优化的软件(例 如，软件栈)。在至少一个实施例中，可以在云4426中(例如，在数据中 心中)实现一个或更多个ai系统4424，以执行系统4400的一些或全部基 于ai的处理任务。
[0435]
在至少一个实施例中，云4426可以包括gpu加速的基础设施(例 如，nvidia的ngc)，其可以提供用于执行系统4400的处理任务的gpu 优化的平台。在至少一个实施例中，云4426可以包括ai系统4424，其用 于执行系统4400的一个或更多个基于ai的任务(例如，作为硬件抽象和 缩放平台)。在至少一个实施例中，云4426可以与利用多个gpu的应用 程序协调系统4428集成，以实现应用程序和服务4320之间和之中的无缝 缩放和负载均衡。在至少一个实施例中，如本文所述，云4426可以负责执 行系统4400的至少一些服务4320，包
括计算服务4416、ai服务4418和/ 或可视化服务4420。在至少一个实施例中，云4426可以执行大小批的推 理(例如，执行nvidia的tensor rt)，提供加速的并行计算api和 平台4430(例如，nvidia的cuda)，执行应用程序协调系统4428(例 如，kubernetes)，提供图形渲染api和平台(例如，用于光线跟踪， 2d图形、3d图形和/或其他渲染技术以产生更高质量的电影效果)，和/ 或可以为系统4400提供其他功能。
[0436]
在至少一个实施例中，为了保护患者的机密性(例如，在非现场使 用患者数据或记录的情况下)，云4426可以包括注册表-例如深度学习容 器注册表。在至少一个实施例中，注册表可以存储用于实例化应用程序的 容器，所述应用程序可以对患者数据执行预处理、后处理或其他处理任务。 在至少一个实施例中，云4426可接收数据，所述数据包括患者数据以及容 器中传感器数据，仅对那些容器中的传感器数据执行所请求的处理，然后 将结果输出和/或可视化转发给适当的各方和/或设备(例如用于可视化或诊 断的本地医疗设备)，而无需提取、存储或以其他方式访问患者数据。在 至少一个实施例中，根据hipaa和/或其他数据规定来保留患者数据的机 密性。
[0437]
本公开的至少一个实施例可以鉴于以下条款进行描述：
[0438]
在条款1中，一种处理器包括：一个或更多个电路，用于使用一个 或更多个基于变换器的语言神经网络来识别一个或更多个词之间的一个或 更多个关系，所述一个或更多个基于变换器的语言神经网络使用特定于域 的数据来训练。
[0439]
在条款2中，如条款1所述的处理器，其中一个或更多个词之间的 一个或更多个关系包括指示一个或更多个词的查询短语与一个或更多个词 的目标短语之间的量化关系的分数，其中分数是正数或负数。
[0440]
在条款3中，如条款1所述的处理器，其中一个或更多个基于变换 器的语言神经网络包括：查询-目标条件层，其使用softmax函数在给定查 询短语中的查询词的情况下计算目标短语中的每个目标词的条件概率；以 及求和层，用于对目标短语中的每个目标词的条件概率求和以获得指示查 询词与目标短语之间的量化关系的分数。
[0441]
在条款4中，如条款3中所述的处理器，其中一个或更多个基于变 换器的语言神经网络包括以下的层：计算查询词的第一掩码语言预测；计 算目标短语中的每一目标词的第二掩码语言预测；执行第一掩码语言预测 和第二掩码语言预测的点积的乘法以获得目标短语的查询-目标预测；以及 对目标短语的查询-目标预测求和以获得指示查询词和目标短语之间的量 化关系的分数。
[0442]
在条款5中，如条款4所述的处理器，其中查询-目标预测包括第一 查询-目标预测，所述第一查询-目标预测是正数，所述正数指示查询词与 目标短语中的对应目标词之间的正关系。
[0443]
在条款5中，如条款4所述的处理器，其中查询-目标预测包括第一 查询-目标预测，所述第一查询-目标预测是负数，所述负数指示查询词与 目标短语中的对应目标词之间的负关系。
[0444]
在条款6中，如条款1所述的处理器，其中一个或更多个词包括一 个或更多个词的查询短语和一个或更多个词的目标短语，并且其中一个或 更多个基于变换器的语言神经网络包括：评分函数，其用于对查询短语的 每个词与目标短语的每个词之间的关联的分数求和并归一化；以及排序函 数，用于针对目标短语中的期望属性来对查询短语中的感兴趣
项目进行排 序。
[0445]
在条款7中，如条款1所述的处理器，其中一个或更多个词包括一 个或更多个词的查询短语和一个或更多个词的目标短语，并且其中一个或 更多个基于变换器的语言神经网络包括：评分函数，其用于对查询短语的 每个词与目标短语的每个词之间的关联的分数求和并归一化；以及排序函 数，用于针对目标短语中的期望属性来对查询短语中的感兴趣项目进行排 序。
[0446]
在条款8中，如条款1所述的处理器，其中一个或更多个基于变换 器的语言神经网络是用特定于域的数据来训练，所述特定于域的数据使用 来自变换器方法的鲁棒优化的双向编码器表示(roberta)。
[0447]
在条款9中，如条款1所述的处理器，其中一个或更多个基于变换 器的语言神经网络包括：输入层，用于：在推理阶段期间接收附加的特定 于域的数据；接收一个或更多个词的查询短语并且使用字节对编码(bpe) 将查询短语编码成令牌的第一向量；接收一个或更多个词的目标短语并使 用bpe将目标短语编码成令牌的第二向量；来自变换器的双向编码器表示 (bert)层，其使用来自变换器方法的鲁棒优化的双向编码器表示 (roberta)来训练，并且包括：第一注意力头，用于接收令牌的第一向 量并且计算令牌的第一向量中的每个令牌的统计预测；第二注意力头，用 于接收令牌的第二向量并且计算令牌的第二向量中的每个令牌的统计预测； 以及输出层，用于通过对令牌的第一向量的统计预测和令牌的第二向量的 统计预测执行点积的乘法来确定查询-目标分数。
[0448]
在条款10中，一种处理器包括：一个或更多个电路，其使用一个或 更多个基于变换器的语言神经网络来识别在一个或更多个文档中描述的一 种或更多种药物，其中基于变换器的语言神经网络是使用特定于域的数据 来训练。
[0449]
在条款11中，如条款10所述的处理器，其中一个或更多个电路用 于使用一个或更多个基于变换器的语言神经网络来至少部分地基于候选药 物中的每一个与至少一个目标特性之间的关联的条件概率对来自临床试验 数据集的一个或更多个候选药物进行排序。
[0450]
在条款12中，如条款10所述的处理器，其中一个或更多个电路用 于使用一个或更多个基于变换器的语言神经网络，以通过来自临床试验数 据集对候选药物进行排序来确定用于药物批准的候选药物，所述临床试验 数据集至少部分地基于候选药物在临床试验数据集中作为查询词的查询
‑ꢀ
目标条件预测和在临床试验数据集中作为目标的疗效特性。
[0451]
在条款13中，如条款10所述的处理器，其中用于识别所述一种或 更多种药物的所述一个或更多个电路进一步用于：对于来自临床试验数据 集的候选药物的集合，在给定对应于相应候选药物项的查询词的情况下， 计算目标短语中的每个目标词的条件概率，以及在给定查询词的情况下对 目标短语的条件概率求和，以获得相应候选药物的分数；以及根据分数对 候选药物进行排序，其中所述一个或更多个基于变换器的语言神经网络是 用所述特定于域的数据来训练，所述特定于域的数据使用来自变换器方法 的鲁棒优化的双向编码器表示(roberta)。
[0452]
在条款14中，如条款10所述的处理器，其中一个或更多个基于变 换器的语言神经网络包括：输入层，用于：接收药物的集合的临床试验数 据集；对于药物的集合中的每个药物，接收对应于相应药物的查询词并且 使用字节对编码(bpe)将查询词编码成第一向量；接收一个或更多个词 的目标短语并且使用bpe将目标短语编码成令牌的第二向量，其中目
标短 语包括目标疗效特性；来自变换器的双向编码器表示(bert)层，其使用 来自变换器方法的鲁棒优化的双向编码器表示(roberta)来训练，并且 确定药物的集合中的每个药物的药物分数；以及输出层，用于根据药物分 数对药物的集合进行排序。
[0453]
在条款15中，一种系统包括：一个或更多个处理器，其用于使用一 个或更多个基于变换器的语言神经网络来识别一个或更多个词之间的一个 或更多个关系，所述一个或更多个基于变换器的语言神经网络是使用特定 于域的数据来训练；以及一个或更多个存储器，其用于存储与一个或更多 个基于变换器的语言神经网络相关联的参数。
[0454]
在条款16中，如条款15所述的系统，其中一个或更多个词之间的 一个或更多个关系包括指示一个或更多个词的查询短语与一个或更多个词 的目标短语之间的量化关系的分数，其中分数是正数或负数。
[0455]
在条款17中，如条款15所述的系统，其中一个或更多个基于变换 器的语言神经网络包括：查询-目标条件层，其使用softmax函数在给定查 询短语中的查询词的情况下计算目标短语中的每个目标词的条件概率；以 及求和层，用于对目标短语中的每个目标词的条件概率求和以获得指示查 询词与目标短语之间的量化关系的分数。
[0456]
在条款18中，如条款15所述的系统，其中一个或更多个基于变换 器的语言神经网络包括用于以下各项的层：计算查询词的第一掩码语言预 测；计算目标短语中的每一目标词的第二掩码语言预测；执行第一掩码语 言预测和第二掩码语言预测的点积的乘法以过滤第一掩码语言预测和第二 掩码语言预测以获得目标短语的查询-目标预测；以及对目标短语的查询
‑ꢀ
目标预测求和以获得指示查询词和目标短语之间的量化关系的分数。
[0457]
在条款19中，如条款18所述的系统，其中查询-目标预测包括第一 查询-目标预测，所述第一查询-目标预测是正数，所述正数指示查询词与 目标短语中的对应目标词之间的正关系。
[0458]
在条款20中，如条款18所述的系统，其中查询-目标预测包括第一 查询-目标预测，所述第一查询-目标预测是负数，所述负数指示查询词与 目标短语中的对应目标词之间的负关系。
[0459]
在条款21中，如条款15所述的系统，其中一个或更多个基于变换 器的语言神经网络是用特定于域的数据来训练，所述特定于域的数据使用 来自变换器方法的鲁棒优化的双向编码器表示(roberta)。
[0460]
在条款22中，如条款15所述的系统，其中一个或更多个基于变换 器的语言神经网络包括：输入层，用于：在推理阶段期间接收附加的特定 于域的数据；接收一个或更多个词的查询短语并且使用字节对编码(bpe) 将查询短语编码成令牌的第一向量；接收一个或更多个词的目标短语，并 使用bpe将目标短语编码成令牌的第二向量；来自变换器的双向编码器表 示(bert)层，其使用来自变换器方法的鲁棒优化的双向编码器表示 (roberta)来训练，并且包括：第一注意力头，用于接收令牌的第一向 量并且计算令牌的第一向量中的每个令牌的统计预测；第二注意力头，用 于接收令牌的第二向量并且计算令牌的第二向量中的每个令牌的统计预测； 以及输出层，用于通过对令牌的第一向量的统计预测和令牌的第二向量的 统计预测执行点积的乘法来确定查询-目标分数。
[0461]
在条款23中，一种系统，其包括：一个或更多个处理器，其用于使 用一个或更多个基于变换器的语言神经网络来识别一个或更多个文档中描 述的一种或更多种药物，其中
基于变换器的语言神经网络是使用特定于域 的数据来训练；以及一个或更多个存储器，其用于存储与基于变换器的语 言神经网络相关联的参数。
[0462]
在条款24中，如条款23所述的系统，其中一个或更多个电路用于 使用一个或更多个基于变换器的语言神经网络来至少部分地基于候选药物 中的每一个与至少一个目标特性之间的关联的条件概率对来自临床试验数 据集的一个或更多个候选药物进行排序。
[0463]
在条款25中，如条款23所述的系统，其中一个或更多个基于变换 器的语言神经网络包括：输入层，用于：接收药物的集合的临床试验数据 集；对于药物的集合中的每个药物，接收对应于相应药物的查询词并且使 用字节对编码(bpe)将查询词编码成第一向量；接收一个或更多个词的 目标短语并且使用bpe将目标短语编码成令牌的第二向量，其中目标短语 包括目标疗效特性；来自变换器的双向编码器表示(bert)层，其使用来 自变换器方法的鲁棒优化的双向编码器表示(roberta)来训练，并且确 定药物的集合中的每个药物的药物分数；以及输出层，用于根据药物分数 对药物的集合进行排序。
[0464]
如条款26中，一种机器可读介质，其上存储有指令集，所述指令集 如果由一个或更多个处理器执行，则使一个或更多个处理器至少使用一个 或更多个基于变换器的语言神经网络来识别一个或更多个词之间的一个或 更多个关系，一个或更多个基于变换器的语言神经网络使用特定于域的数 据来训练。
[0465]
在条款27中，如条款26所述的机器可读介质，其中一个或更多个 词之间的一个或更多个关系包括指示一个或更多个词的查询短语与一个或 更多个词的目标短语之间的量化关系的分数，其中分数是正数或负数。
[0466]
在条款28中，如条款26所述的机器可读介质，其中一个或更多个 基于变换器的语言神经网络包括：输入层，用于：在推理阶段期间接收附 加的特定于域的数据；接收一个或更多个词的查询短语并且使用字节对编 码(bpe)将查询短语编码成令牌的第一向量；接收一个或更多个词的目 标短语，并使用bpe将目标短语编码成令牌的第二向量；来自变换器的双 向编码器表示(bert)层，其使用来自变换器方法的鲁棒优化的双向编码 器表示(roberta)来训练，并且包括：第一注意力头，用于接收令牌的 第一向量并且计算令牌的第一向量中的每个令牌的统计预测；第二注意力 头，用于接收令牌的第二向量并且计算令牌的第二向量中的每个令牌的统 计预测；以及输出层，用于通过对令牌的第一向量的统计预测和令牌的第 二向量的统计预测执行点积的乘法来确定查询-目标分数。
[0467]
在条款29中，一种机器可读介质，其上存储有指令集，如果由一个 或更多个处理器执行，则使一个或更多个处理器使用一个或更多个基于变 换器的语言神经网络至少识别在一个或更多个文档中描述的一种或更多种 药物，其中基于变换器的语言神经网络使用特定于域的数据来训练。
[0468]
在条款30中，如条款29所述的机器可读介质，其中一个或更多个 电路用于使用一个或更多个基于变换器的语言神经网络来至少部分地基于 候选药物中的每一个与至少一个目标特性之间的关联的条件概率对来自临 床试验数据集的一个或更多个候选药物进行排序。
[0469]
在条款31中，如条款29所述的机器可读介质，其中一个或更多个 基于变换器的语言神经网络包括：输入层，用于：在推理阶段期间接收附 加的特定于域的数据；接收一个或更多个词的查询短语并且使用字节对编 码(bpe)将查询短语编码成令牌的第一向量；接收
一个或更多个词的目 标短语，并使用bpe将目标短语编码成令牌的第二向量；来自变换器的双 向编码器表示(bert)层，其使用来自变换器方法的鲁棒优化的双向编码 器表示(roberta)来训练，并且包括：第一注意力头，用于接收令牌的 第一向量并且计算令牌的第一向量中的每个令牌的统计预测；第二注意力 头，用于接收令牌的第二向量并且计算令牌的第二向量中的每个令牌的统 计预测；以及输出层，用于通过对令牌的第一向量的统计预测和令牌的第 二向量的统计预测执行点积的乘法来确定查询-目标分数。
[0470]
在条款32中，一种方法，其包括：接收一个或更多个输入词；以及 使用一个或更多个基于变换器的语言神经网络来识别一个或更多个输入词 之间的一个或更多个关系。
[0471]
在条款33中，一种方法，其包括：接收用于基于特定于域的数据训 练的一个或更多个基于变换器的语言神经网络的一个或更多个输入词；以 及使用一个或更多个基于变换器的语言网络网络来识别一个或更多个文档 中的一种或更多种药物。
[0472]
在至少一个实施例中，单个半导体平台可以指唯一的单一基于半导 体的集成电路或芯片。在至少一个实施例中，可以使用具有增加的连接性 的多芯片模块，其模拟芯片上的操作，并且相对于利用传统的中央处理单 元(“cpu”)和总线实现方式进行了实质性的改进。在至少一个实施例中， 根据用户的需求，各种模块也可以分开放置或以半导体平台的各种组合放 置。
[0473]
在至少一个实施例中，返回参考图20，机器可读的可执行代码或计 算机控制逻辑算法形式的计算机程序被存储在主存储器2004和/或辅助存 储中。根据至少一个实施例，如果由一个或更多个处理器执行，则计算机 程序使系统2000能够执行各种功能。在至少一个实施例中，存储器2004、 存储和/或任何其他存储是计算机可读介质的可能示例。在至少一个实施例 中，辅助存储可以指代任何合适的存储设备或系统，例如硬盘驱动器和/ 或可移除存储驱动器，其代表软盘驱动器、磁带驱动器、光盘驱动器、数 字多功能盘(“dvd”)驱动器、记录设备、通用串行总线(“usb”)闪存 等。在至少一个实施例中，各个先前附图的架构和/或功能是在cpu 2002； 并行处理系统2012；能够具有两个cpu 2002的至少部分能力的集成电路； 并行处理系统2012；芯片组(例如，设计成作为执行相关功能的单元工作 并出售的一组集成电路等)；和/或集成电路的任何适当组合的环境中实现 的。
[0474]
在至少一个实施例中，各个先前附图的架构和/或功能在通用计算机 系统、电路板系统、专用于娱乐目的的游戏控制台系统、专用系统等的环 境中实现。在至少一个实施例中，计算机系统2000可以采取台式计算机、 膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如，无线、 手持设备)、个人数字助理(“pda”)、数码相机、车辆、头戴式显示器、 手持式电子设备、移动电话设备、电视、工作站、游戏机、嵌入式系统和/ 或任何其他类型的逻辑的形式。
[0475]
在至少一个实施例中，并行处理系统2012包括但不限于多个并行处 理单元(“ppu”)2014和相关联的存储器2016。在至少一个实施例中，ppu2014经由互连2018和交换机2020或多路复用器连接到主机处理器或其他 外围设备。在至少一个实施例中，并行处理系统2012在可并行化的ppu2014上分配计算任务，例如，作为跨多个图形处理单元(“gpu”)线程块 的计算任务分布的一部分。在至少一个实施例中，在ppu 2014中的一些 或全部之间共享和访问存储器(例如，用于读取和/或写入访问)，尽管这 种共享存储器可能引发相对于使用本地存储器和驻留在ppu2014上的寄 存器的性能损失。在至少一个实施例中，通
过使用命令(诸如__syncthreads ())来同步ppu 2014的操作，其中块中的所有线程(例如，跨多个ppu2014执行)在进行之前到达某个代码执行点。
[0476]
其他变型在本公开的精神内。因此，尽管公开的技术易于进行各种 修改和替代构造，但是某些示出的其实施例在附图中示出并且已经在上面 进行了详细描述。然而，应理解，无意将公开内容限制为所公开的一种或 更多种特定形式，而是相反，其意图是涵盖落入如所附权利要求书所定义 的本公开内容的精神和范围内的所有修改、替代构造和等同物。
[0477]
除非另有说明或显然与上下文矛盾，否则在描述所公开的实施例的 上下文中(特别是在所附权利要求的上下文中)，术语“一”和“一个
”ꢀ
和“该”以及类似指代的使用应被解释为涵盖单数和复数，而不是作为术 语的定义。除非另有说明，否则术语“包括”、“具有”、“包含”和“含 有”应被解释为开放式术语(意味着“包括但不限于”)。术语“连接
”ꢀ
(在未经修改时指的是物理连接)应解释为部分或全部包含在内、附接到 或连接在一起，即使有某些介入。除非本文另外指出，否则本文中对数值 范围的引用仅旨在用作分别指代落入该范围内的每个单独值的简写方法， 并且每个单独值都被并入说明书中，就如同其在本文中被单独叙述一样。 在至少一个实施例中，除非另外指出或与上下文矛盾，否则术语“集”(例 如“项目集”)或“子集”的使用应解释为包括一个或更多个成员的非空 集合。此外，除非另外指出或与上下文矛盾，否则术语相应集的“子集
”ꢀ
不一定表示对应集的适当子集，而是子集和对应集可以相等。
[0478]
除非以其他方式明确指出或与上下文明显矛盾，否则诸如“a，b和 c中的至少一个”或“a，b与c中的至少一个”形式的短语之类的连接 语在上下文中理解为通常用来表示项目、条款等，其可以是a或b或c， 也可以是a和b和c集的任何非空子集。例如，在具有三个成员的集的说 明性示例中，连接短语“a，b和c中的至少一个”和“a，b与c中的 至少一个”是指以下任意集：{a}，{b}，{c}，{a，b}，{a，c}，{b， c}，{a，b，c}。因此，这种连接语言通常不旨在暗示某些实施例要求存 在a中的至少一个，b中的至少一个和c中的至少一个。另外，除非另有 说明或与上下文矛盾，否则术语“多个”表示复数的状态(例如，“多个 项目”表示多个项目)。在至少一个实施例中，多个项目中项目的数量至 少为两个，但如果明确指示或通过上下文指示，则可以更多。此外，除非 另有说明或从上下文中可以清楚得知，否则短语“基于”是指“至少部分 基于”而不是“仅基于”。
[0479]
除非本文另外指出或与上下文明显矛盾，否则本文描述的过程的操 作可以任何合适的顺序执行。在至少一个实施例中，诸如本文所述的那些 过程(或其变形和/或其组合)之类的过程在配置有可执行指令的一个或更 多个计算机系统的控制下执行，并且被实现为代码(例如，可执行指令， 一个或更多个计算机程序或一个或更多个应用程序)，该代码通过硬件或 其组合在一个或更多个处理器上共同执行。在至少一个实施例中，代码以 例如计算机程序的形式存储在计算机可读存储介质上，该计算机程序包括 可由一个或更多个处理器执行的多个指令。在至少一个实施例中，计算机 可读存储介质是非暂时性计算机可读存储介质，其排除了暂时性信号(例 如，传播的瞬态电或电磁传输)，但包括非暂时性数据存储电路(例如， 缓冲区、高速缓存和队列)。在至少一个实施例中，代码(例如，可执行 代码或源代码)被存储在其上存储有可执行指令的一组一个或更多个非暂 时性计算机可读存储介质(或用于存储可执行指令的其他存储器)上，该 可执行指令在由计算机系统
的一个或更多个处理器执行时(即，作为被执 行的结果)，使得计算机系统执行本文所述的操作。在至少一个实施例中， 一组非暂时性计算机可读存储介质包括多个非暂时性计算机可读存储介质， 并且多个非暂时性计算机可读存储介质中的个体非暂时性存储介质中的一 个或更多个缺少全部代码，而是多个非暂时性计算机可读存储介质共同存 储全部代码。在至少一个实施例中，可执行指令被执行，以使得不同的指 令由不同的处理器执行，例如，非暂时性计算机可读存储介质存储指令， 并且主中央处理单元(“cpu”)执行一些指令，而图形处理单元(“gpu”) 执行其他指令。在至少一个实施例中，计算机系统的不同组件具有单独的 处理器，并且不同的处理器执行指令的不同子集。
[0480]
因此，在至少一个实施例中，计算机系统被配置为实现单独地或共 同地执行本文所述的过程的操作的一个或更多个服务，并且这样的计算机 系统被配置有使能实施操作的适用的硬件和/或软件。此外，实现本公开的 至少一个实施例的计算机系统是单个设备，并且在至少一个实施例中是分 布式计算机系统，其包括以不同方式操作的多个设备，使分数布式计算机 系统执行本文所述的操作，并且使得单个设备不执行所有操作。
[0481]
本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使 用仅旨在更好地阐明本公开的实施例，并且不对公开的范围构成限制，除 非另有要求。说明书中的任何语言都不应被解释为表示任何未要求保护的 要素对于实践公开内容是必不可少的。
[0482]
本文引用的所有参考文献，包括出版物、专利申请和专利，均通过 引用并入本文，其程度就如同每个参考文献被单独且具体地指示为以引用 的方式并入本文并且其全部内容在本文中阐述一样。
[0483]
在说明书和权利要求中，可以使用术语“耦合”和“连接”以及它 们的派生词。应当理解，这些术语可能不旨在作为彼此的同义词。相反， 在特定示例中，“连接”或“耦合”可用于指示两个或更多个元件彼此直 接或间接物理或电接触。“耦合”也可能意味着两个或更多个元素彼此不 直接接触，但仍彼此协作或交互。
[0484]
除非另有明确说明，否则可以理解，在整个说明书中，诸如“处理”、
ꢀ“
计算”、“计算”、“确定”等之类的术语，是指计算机或计算系统或 类似的电子计算设备的动作和/或过程，其将计算系统的寄存器和/或存储器 中表示为物理量(例如电子)的数据处理和/或转换为类似表示为计算系统 的存储器、寄存器或其他此类信息存储、传输或显示设备中的物理量的其 他数据。
[0485]
以类似的方式，术语“处理器”可以指处理来自寄存器和/或存储器 的电子数据并将该电子数据转换成可以存储在寄存器和/或存储器中的其 他电子数据的任何设备或存储器的一部分。作为非限制性示例，“处理器
”ꢀ
可以是cpu或gpu。“计算平台”可以包括一个或更多个处理器。如本 文所使用的，“软件”进程可以包括例如随时间执行工作的软件和/或硬件 实体，诸如任务、线程和智能代理。同样，每个过程可以指代多个过程， 以连续地或间歇地顺序地或并行地执行指令。在至少一个实施例中，术语
ꢀ“
系统”和“方法”在本文中可以互换使用，只要系统可以体现一种或更 多种方法，并且方法可以被认为是系统。
[0486]
在本文件中，可以参考获得、获取、接收或将模拟或数字数据输入 子系统、计算机系统或计算机实现的机器中。在至少一个实施例中，可以 通过多种方式来完成获得、获取、接收或输入模拟和数字数据的过程，例 如通过接收作为函数调用或对应用程序编程接口的调用的参数的数据。在 至少一个实施例中，可以通过经由串行或并行接口传输数据来完
成获得、 获取、接收或输入模拟或数字数据的过程。在至少一个实施例中，可以通 过经由计算机网络将数据从提供实体传输到获取实体来完成获得、获取、 接收或输入模拟或数字数据的过程。在至少一个实施例中，推理也可以参 考提供、输出、传送、发送或呈现模拟或数字数据。在各种示例中，提供、 输出、传送、发送或呈现模拟或数字数据的过程可以通过将数据作为函数 调用的输入或输出参数、应用程序编程接口或进程间通信机制的参数进行 传输来实现。
[0487]
尽管上面的讨论阐述了所描述的技术的示例实现，但是其他架构可 以用于实现所描述的功能，并且旨在落入本公开的范围内。此外，尽管出 于讨论的目的在上面定义了具体的职责分配，但是根据情况，可以以不同 的方式分配和划分各种功能和职责。
[0488]
此外，尽管已经用特定于结构特征和/或方法动作的语言描述了主题， 但是应当理解，所附权利要求书所要求保护的主题不必限于所描述的特定 特征或动作。而是，公开了特定的特征和动作作为实现权利要求的示例性 形式。