Pokročilé architektury počítačů (PAP_15.ppt) Karel Vlček, katedra Informatiky, FEI VŠB Technická Univerzita Ostrava.

Prezentace na téma: "Pokročilé architektury počítačů (PAP_15.ppt) Karel Vlček, katedra Informatiky, FEI VŠB Technická Univerzita Ostrava."— Transkript prezentace:

1 Pokročilé architektury počítačů (PAP_15.ppt) Karel Vlček, karel.vlcek@vsb.cz karel.vlcek@vsb.cz katedra Informatiky, FEI VŠB Technická Univerzita Ostrava

2 Karel VlčekPokročilé architektury procesorů 2 Architektury příštích procesorů Speciální architektury - úvod Data-flow procesory Umělé neuronové sítě Architektury s fuzzy logikou Kvantové počítače

3 Karel VlčekPokročilé architektury procesorů 3 Speciální architektury procesorů - charakteristika Jako speciální architektury procesorů jsou označovány všechny, které nemají společný základ vytvořený von Neumannem (princetonský) nebo architekturu vzniklou na Harvardově universitě Bývají označovány pojmem „non-von Neuman architectures“ Zpracovávají informaci ne podle programu, ale na základě jiného popisu algoritmu

4 Karel VlčekPokročilé architektury procesorů 4 Speciální architektury procesorů - odlišnosti Speciální architektury procesorů se vyznačují dvěma základními odlišnostmi: Neobsahují čítač instrukcí Nepracují podle algoritmu ve formě programu

5 Karel VlčekPokročilé architektury procesorů 5 Speciální architektury procesorů - podobnosti Speciální architektury procesorů se vyznačují i podobnostmi: Mohou být podobné například tím, že jejich architektura je superskalární, závislá na činnosti překladače (obdoba VLIW) Některé architektury je možné přirovnat k architekturám SIMD, až na to, že mechanismus působení instrukce je nahrazen jiným mechanismem

6 Karel VlčekPokročilé architektury procesorů 6 Data-flow architektury - úloha token Vykonávání algoritmu není zapsáno jako program, ale je řízeno přítomností dat, která mají být zpracovávána operací Vykonávání operace je uvedeno do činnosti tím, že jsou přivedena data, potom, co byla dokončena předcházející operace Spouštění operace zajišťuje tzv. token, stejně jako povel „pal“ vojákům na střelnici

7 Karel VlčekPokročilé architektury procesorů 7 Druhy token Operace může být spouštěna dvěma token, když se jedná o operaci sčítání, odečítání, násobení, dělení nebo o podobnou operaci Operace je spuštěna boolovskou proměnnou, jedná-li se o přepínač nebo o filtr dat Rozhodovací blok je realizován rovněž pomocí token, které je představováno boolovskou proměnnou

8 Karel VlčekPokročilé architektury procesorů 8 Práce s pamětí u data-flow procesorů (1) Data-flow architektury mají vlastnosti, které jsou vhodné pro realizaci paralelních struktur Realizace není snadnou záležitostí, vyžadují použití rychlé paměti, které jsou schopné reagovat na požadavky více procesních elementů

9 Karel VlčekPokročilé architektury procesorů 9 Práce s pamětí u data-flow procesorů (2) Při výstavbě Data-flow architektury se často uvažuje o principu superthreaded procesoru nebo hyperthreaded procesoru Přitom jsou využívány nečinné časové sloty stejně jako při provozu linky výkonných jednotek Tím je zvyšován paralelismus na úrovni, která je příznačná pro replikované výkonné jednotky data-flow procesorů

10 Karel VlčekPokročilé architektury procesorů 10 Umělé neuronové sítě (1) Umělé neuronové sítě jsou založeny na součinnosti mnoha umělých neuronů * * * * + Aktivační funkce i0i0 i1i1 i2i2 i n-1 w0w0 w1w1 w2w2 w n-1 výstup

11 Karel VlčekPokročilé architektury procesorů 11 Umělé neuronové sítě (2) Neurony mohou být uspřádány do jednovrstvových struktur nebo vícevrstvoých struktur Činnost je demonstrována na operaci komprese obrazu pro různé podmínky

12 Karel VlčekPokročilé architektury procesorů 12 Goals Investigation of the two types of nn (AMLP, SOFM) Testing Software Development Verify compression, possibly additional effects of the nn’s Evaluate and compare results

13 Karel VlčekPokročilé architektury procesorů 13 Auto-associative multilayer perceptron Perform dimensionality reduction The principle of compression/decompression:

14 Karel VlčekPokročilé architektury procesorů 14 Self-Organizing feature map Compress using categorization SOFM is a quantization vector

15 Karel VlčekPokročilé architektury procesorů 15 Competence of the Testing (simulation) software Design AMPL’s and SOFM ‘s Change architecture of nn on demand Adapt nn’s to images Simulate compression and decompression using nn’s Calculate SNR

16 Karel VlčekPokročilé architektury procesorů 16 Simulation (1) 8bit quantization Investigate (objective and subjective) effects of the blocks size and CR Fidelity Criterion:

17 Karel VlčekPokročilé architektury procesorů 17 Simulation (2) 4 models of AMLP (for CR=2:1 and 4:1) and 8×8 and 4×4 6 models of SOFM for image block sizes 8×8 and 4×4

18 Karel VlčekPokročilé architektury procesorů 18 Results – AMLP Adaptation to image Table only – generalization capabilities Compress Ratio – CR= n / p – smallest 2:1 – largest 4:1 Image Block Sizes – Optimal size is 8×8

19 Karel VlčekPokročilé architektury procesorů 19 Results – AMLP For block sizes 4×4 one iteration of the adaptation is sufficient

20 Karel VlčekPokročilé architektury procesorů 20 Results – AMLP Faultiness of SNR (block 4x4) CR = 4:1 CR = 2:1 SNR = 27,67 dB SNR = 27,67 dB

21 Karel VlčekPokročilé architektury procesorů 21 Results – SOFM Compress Ratio – evaluation: – large CR’s, but with higher image distortion – it is possible to reduce the number of ID bits and thereby increase CR Image block sizes – it influences on Kohonen’s size layer

22 Karel VlčekPokročilé architektury procesorů 22 Results – SOFM Effect of image block size: blocks 8×8 blocks 4×4

23 Karel VlčekPokročilé architektury procesorů 23 Results – SOFM The best result

24 Karel VlčekPokročilé architektury procesorů 24 Scheme of perceptron

25 Karel VlčekPokročilé architektury procesorů 25 The VHDL model of perceptron -- Neuron ENTITY neuron IS PORT (x1,x2: IN floating; Y: OUT floating); END neuron; ARCHITECTURE behavioral OF neuron IS BEGIN perc: PROCESS (x1, x2) BEGIN y <= ‘0’; IF (x1*w1+x2*w2) > b THEN y <= ‘1’; END IF; END PROCESS perc; END behavioral;

26 Karel VlčekPokročilé architektury procesorů 26 Conclusion Disadvantage: quality of compression is lower compared to special compression algorithms. (Method was compared with JPEG standard) Advantage: the method allows to reconstruct non-complete or noised data, which are caused by transmission channel

27 Karel VlčekPokročilé architektury procesorů 27 Test Designs – Multilevel nets

28 Karel VlčekPokročilé architektury procesorů 28 Test Designs – Kohonen’s net

29 Karel VlčekPokročilé architektury procesorů 29 Image “Table”

30 Karel VlčekPokročilé architektury procesorů 30 Image “Bird”

31 Karel VlčekPokročilé architektury procesorů 31 Image “Lena”

32 Karel VlčekPokročilé architektury procesorů 32 Image “Pepper”

33 Karel VlčekPokročilé architektury procesorů 33 Image “Poruba town”

34 Karel VlčekPokročilé architektury procesorů 34 Literatura: Dvořák, V.: Architektura a programování paralelních systémů, VUTIUM Brno, (2004), ISBN 80-214-2608-X Dvořák, V., Drábek, V.: Architektura procesorů, VUTIUM Brno, (1999), ISBN 80-214-1458-8 Drábek, V.: Výstavba počítačů, PC-DIR, s.r.o. Brno, (1995), ISBN 80- 214-0691-7 Mueller, S.: Osobní počítač, Computer Press, Praha, (2001), ISBN 80- 7226-470-2 Pluháček, A.: Projektování logiky počítačů, Vydavatelství ČVUT Praha, (2003), ISBN 80-01-02145-9 Havel, V., Vlcek, K., Mitrych, J.: Neural Network Architecture for Image Compresson, IFAC PDS04, pp. 389-394, ISBN 83-908-409-8-7