神秘的控制知识拱手托出，与着神孽交换。
至于对方是否会靠此找到成神的专门要是与切记，他也都无所谓。
火都烧到眉头了，谁还会估计明天的饭菜热不热。
而随着书写，林奇的板书笔法也越发飘忽——
训练后的神经网络以标签或预估值对数据分类，此乃推理。
因此每个神经元都需要进行计算。
输入数据乘以权重，表示信号强度。
结果相加聚合神经元状态。
使用激活函数调节神经元参数活动。
如此一步接着一步，连绵不绝。
按理说，三个输入而只有两个神经元与一个单层神经网络的话，权重与输入便要六次乘法……
如此一来，矩阵里的乘片与取片，都需要大量的CPU周期与内存，而TPU这种芯片，便是为了减轻这种负荷而生。
林奇忍不住皱眉看了眼周围。
某种程度而言，计算量的负荷和电网的负荷很类似，最大的负荷便决定了整体的高峰所在（计算难度），也决定了接下来他完成“AI芯片”后所能够到达的高峰。
而供与求有需要平衡，不然的话，第一道崩溃的便是自身。
只是他很快又重新被TPU的构架所吸引而痴迷起来。
只有深入一个项目，才能彻底体会他的乐趣。
因此懂是第一步环节。
这也是棋类活动里，容易入门的象棋比起围棋受众要光，而五子棋又比起象棋还有光。
林奇越看，越发忍不住啧啧称奇。
这TPU的架构居然采用了量子技术，在预设的最大值和最小值与八位整数之间的任意值的近似过程里，TPU居然包含了足足六万五千五百三十六个八位整数乘法器，直接将32位或者16位的计算压缩成为8位。
实现了曲线的离散化。
完美地减少了神经网络预测的成本。
第二点，也是更关键的。
正如林奇最初所推崇的硬件。
TPU芯片直接封装了种种神经网络计算工具。
诸如矩阵乘法单元，统一缓冲区，激活单元等，它们以后十数个高级指令组成，集中完成神经网络推理所需要的数学计算。
同时它又采用了典型的RISC处理器为简单计算提供指令。它的矩阵乘法器单元而不是传统的标量处理器，得以在一个时钟周期内，以矩阵操作
本章未完，请点击下一页继续阅读！