资料下载
网络硬件加速器在自动驾驶计算平台的作用详细说明
十次方
分享资料个
近几十年来，图形处理器（GPU）已从最初作为大型电玩的视频显示适配器演进为一个强大的计算中心，并且正在推动人工智能和机器学习的发展，包括从石油和天然气勘探到自然语言处理等众多领域的计算工作。如今，GPU正在自动驾驶和先进驾驶辅助系统（ADAS）技术的发展中扮演着越来越重要的作用。
在本文中，我们将介绍神经网络硬件加速器在自动驾驶计算平台的重要作用，他可以将极高性能和极低功耗完美结合在一起。
你或许想知道GPU是如何从电子游乐场走向前沿科学研究和自动驾驶汽车的？GPU作为处理大数据工作负载的首选处理器而逐渐崛起，归因于传统中央处理器（CPU）和GPU之间存在一些基本的架构差异。GPU是一种专用的微处理器，最初是为渲染游戏中的视觉效果和3D图形而设计，这些游戏需要强大的计算能力来显示实时动作效果。为了提供这种能力，GPU使用数千个小型高效的内核来实现可同时处理大量数据的大规模并行架构。
相比之下，典型的CPU仅由几个内核和大量高速缓存组成，通常设计为一次只处理几个软件线程。CPU针对顺序串行处理进行了优化，更适合于通用的计算工作。然而，当涉及同时处理大量数据时，GPU则更胜一筹。
GPU凭借数百个内核能够并行处理数千个线程，与典型CPU的性能相比，GPU可以将某些软件的性能提高20倍以上。越来越多出现的情况是，我们期望计算机为我们解决那些具有挑战性的计算问题都具有固有的并行结构——可以想想大量的视频处理、图像分析、信号处理和机器学习等流程，它们都必须能可靠、实时地运行才可以确保实现汽车自动驾驶。在诸如电池供电的电动汽车等功率受限的系统中，GPU往往能够在实现这种处理速度的同时提供比CPU更高的能效和成本效益，这一点也很重要。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
