更改
跳到导航
跳到搜索
第359行：
第359行： − 大而有效的神经网络需要相当大的计算资源。大脑有为信号处理任务定制的硬件，通过神经元的【图】，在【冯诺依曼结构】中模拟简化的神经元可能迫使神经网络设计者填充数百万的【数据库】行为了它的连接{{snd}}它可以消耗大量【内存】和存储。另外，设计者通常需要在许多这种连接和它们相关的神经元间传输信号{{snd}}这必须总是与巨大的【CPU】处理能力和时间相匹配。+
→硬件问题（Hardware issues）
===硬件问题（Hardware issues）===
===硬件问题（Hardware issues）===
大而有效的神经网络需要相当大的计算资源。大脑有为信号处理任务定制的硬件，通过神经元的【图】，在【冯诺依曼结构】中模拟简化的神经元可能迫使神经网络设计者填充数百万的【数据库】行为了它的连接——它可以消耗大量【内存】和存储。另外，设计者通常需要在许多这种连接和它们相关的神经元间传输信号——这必须总是与巨大的【CPU】处理能力和时间相匹配。
【Schmidhuber】表示二十一世纪神经网络的再起主要由于硬件的进步：从1991到2015，计算能力，特别是由【GPGPU】（在GPU上）递送，增长了大约一百万倍，使得标准反向传播算法对于训练比从前深几层的网络可行。并行GPU的使用可以将训练时间从几个月到几天。
【Schmidhuber】表示二十一世纪神经网络的再起主要由于硬件的进步：从1991到2015，计算能力，特别是由【GPGPU】（在GPU上）递送，增长了大约一百万倍，使得标准反向传播算法对于训练比从前深几层的网络可行。并行GPU的使用可以将训练时间从几个月到几天。