博主头像

【李永乐老师】为啥要用显卡进行AI计算?英伟达的腾飞之路(二)卷积神经网络

外来客 • 2026-11-15 18:56:40

分享
𝕏 f ◉
声明:本文为对公开内容的摘要整理, 未经本站独立核实,可能与原内容存在出入,不代表本站立场、观点或建议; 观点与版权归原作者及原平台所有。 如涉及版权问题,请联系我们,核实后立即删除。 [ 免责声明 ]

🧠 卷积神经网络原理

  • 视觉机制模拟:基于1981年诺贝尔生理学或医学奖得主大卫·休伯尔(David Hubel)与托格尼茨(Torsten Wiesel)的猫脑实验,发现简单细胞对线条敏感、复杂细胞对运动反应。受此启发,日本科学家福岛邦彦提出神经认知模型,认为大脑皮层分层处理视觉信号:从像素点提取边缘方向,组合成轮廓细节,最终形成整体概念。
  • 算法核心步骤:卷积神经网络(CNN)通过数学方法模拟上述过程。首先利用卷积核(如3×3矩阵)与图像对应元素相乘并求和,生成特征图以提取特定线条或形状特征;随后进行池化操作(如取最大值),降低数据维度同时保留关键信息;最后通过Sigmoid激活函数将数值映射至0到1之间,决定信号是否向下游传递。
  • 多层结构训练:单次卷积产生三维立体图像(多张特征图堆叠)。随着网络层级加深,卷积核需匹配三维输入以提取更复杂的水平、垂直或颜色特征。最终数据接入全连接网络进行训练,通过反向调节参数找到最合适的卷积核,实现物体识别。

💻 算力需求与芯片架构

  • 计算量巨大:AI核心要素包括算法、数据和算力。以800×600像素的RGB图像为例,使用3×3×3卷积核处理需约1300万次乘法和1200万次加法。训练过程涉及成千上万张图片的重复卷积,运算量极大,早期导致美颜软件无法实时处理。
  • 处理器对比:CPU(中央处理器)通用性强但并行能力差,仅能串行计算;GPU(图形处理器)最初用于图形渲染,因具备强并行能力(类比1万个小学生同时做加减法),成为AI计算的重要工具;NPU(神经网络处理器)专用性更强,如华为昇腾910拥有32个AI核,每个核可同时处理4096个数据的内积运算,在同等功耗下实现高效训练。

🏭 工业革命与技术演进

  • 历史规律:历次工业革命均基于科学突破与根技术(能衍生支持多个技术簇的技术)。第一次工业革命依托牛顿力学与瓦特蒸汽机;第二次依托法拉第电磁感应与麦克斯韦电磁波理论,催生发电机与无线电;第三次依托电子计算机技术。
  • 当前趋势:第四次工业革命以无线互联网、人工智能、新材料和生物科技为代表。中国在5G、AI等领域通过20多年追赶,在部分新技术方面已走在世界前列。AI芯片作为根技术之一,极大解放生产力,使实时美颜、人脸识别等应用成为可能。

博主头像 👤 同一博主

查看该博主全部 37 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。