文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
接前回AI：冯诺依曼瓶颈、AI：神经网络是如何工作的？、AI：GPU是如何工作的？，本文介绍 TPU 的工作原理。
本文将翻译What makes TPUs fine-tuned for deep learning? | Google Cloud Blog中的部分内容。
当谷歌设计 TPU 时，他们做了一个 DSA（特定领域的架构）。也就是说，我们把它设计成了一个专门用于神经网络工作的矩阵处理器，而没有设计一个通用的处理器。TPU 不能运行文字处理软件、不能控制火箭引擎、也不能执行银行交易，但它可以以惊人的速度处理神经网络的大量乘法和加法运算，而消耗的功率和占用的访存却小得多。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
接前回AI：冯诺依曼瓶颈、AI：神经网络是如何工作的？，本文介绍GPU 的工作原理。
本文将翻译What makes TPUs fine-tuned for deep learning? | Google Cloud Blog中的部分内容。
为了获得比 CPU 更高的吞吐量，GPU 使用了一个简单的策略：何不在一个处理器中配上几千个 ALU？当下的 GPU 通常在单个处理器中配备了 2,500–5,000 个 ALU，这就意味着可以同时执行几千个乘法和加法运算。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
AI：神经网络是如何工作的？
让我们看看机器学习需要什么样的计算，特别是神经网络。
本文将翻译What makes TPUs fine-tuned for deep learning? | Google Cloud Blog中的部分内容。
Let’s see what kind of calculation is required for machine learning—specifically, neural networks.
让我们看看机器学习需要什么样的计算，特别是神经网络。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
什么是冯诺依曼瓶颈？CPU为什么不适宜做深度学习中的运算？
本文将翻译What makes TPUs fine-tuned for deep learning? | Google Cloud Blog中的部分内容。
The CPU is a general purpose processor based on the von Neumann architecture. That means a CPU works with software and memory, like this:
CPU 是基于冯诺依曼架构的通用处理器。这也就是说 CPU 与软件和内存一起工作。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
今天看到一个有意思的库，各位读者可以去体验一下子 AI 的感觉。
这个网站 craiyon.com 会根据你的输入，自动生成图像。
确实，是你免费就能玩的。还挺有意思，仿佛就是梦境的样子。
AI：空间可分离卷积，spatial separable convolutions
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
AI：空间可分离卷积，，Spatial separable convolutions
上周四介绍了《经典卷积，Normal_convolution》，卷积操作为多维数据的特征提取提供了崭新的方向，也由此诞生了诸多的好成果。但繁重的乘加运算给该算法的普及增添了难度。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
在贝叶斯推理中，plate notation 被用作图模型中变量的重复操作。
文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。
明天又要开工啦！
看到一个机器学习领域的数学学习资料合集。
粗略扫了一下，差不多是业内有头有脸的资料了。