机构名称：
¥ 1.0
摘要经验表明，合作和交流计算系统，包括隔离的单个处理器，具有严重的性能限制，无法使用von Neumann的经典计算范式来解释。在他的经典“初稿”中，他警告说，使用“太快的处理器”“使他的简单“ procepure'”（但不是他的计算模型！）;此外，使用经典的计算范式模仿神经元操作是不合适的。Amdahl补充说，包括许多处理器的大型机器具有固有的劣势。鉴于人工神经网络（ANN）的组件正在互相进行大量通信，因此它们是由用于常规计算中设计/制造的大量组件构建的，此外，它们还试图使用不当的生物学操作使用不正确的技术解决方案及其可实现的有效载荷计算量表，这是概念上的模型。基于人工智能的系统的工作负载类型会产生极低的有效载荷计算性能，其设计/技术将其大小限制在“'toy'级别的系统：基于处理器的ANN系统的缩放标准）上是强烈的非线性。鉴于ANN系统的扩散和规模不断增长，我们建议您提前估算设备或应用的效率。ANN实施和专有技术数据的财富不再启用。通过分析已发布的测量结果，我们提供了证据表明，数据传输时间的作用极大地影响了ANN的性能和可行性。讨论了一些主要的理论限制因素，ANN的层结构及其技术实施方法如何影响其效率。该论文始于冯·诺伊曼（Von Neumann）的原始模型，而没有忽略处理时间的转移时间，并为Amdahl定律提供了适当的解释和处理。它表明，在这一提示中，Amdahl的定律正确地描述了ANN。
哪种缩放规则适用于大型人工神经网络
主要关键词
相关文件推荐
