读半导体简史07计算世界

计算机组成原理 半导体存储器 练习题 所设计的存储器单元数为 1M,字长为 32,故地址长度为20 位(A19~A0) ,所用芯片存储单元数为 256K,字长为 16 位,故占用的地址长度为 18 位(A17~A0)。23.要组成一个32K×8位的存储器,当分别选用1K×4位,16K×1位,2K×8位的三种不同规格的存储芯片时,各需 ( A )、( B )和( C )片。22.用M264静态RAM芯片(8K×8)构成48K字节的存储器需要( A )片,芯片上的地址引线有( B )根,CPU要访问该存储器,应该发出( C )位地址。 阅读详情

1. 摩尔定律

1.1. 1965年,摩尔提出一个集成电路可容纳的晶体管数目,大约每年增加一倍

1.2. 1975年,摩尔将每年修订为每24个月

1.3. 产业界又将其修订为每18个月翻一番

1.4. 摩尔定律的持续正确极大促进了集成电路的进步,为冯·诺依曼体系插上翅膀,此后计算机技术迅猛发展

  • 1.4.1. 计算机的核心处理器愈发强大,愈发廉价,逐步进入千家万户

2. 计算世界

2.1. 集成电路领域主要包括三大应用,计算、通信与存储

  • 2.1.1. 计算相关的半导体领域包罗万象,PC、智能手机处理器,基于ARM架构的各类嵌入式处理器,人工智能相关的GPU与可编程逻辑器件,都属于这个领域

  • 2.1.2. 半导体产业以计算为中心,电子信息世界也以计算为中心

  • 2.1.3. 通信与存储系统是电子信息产业基础设施重要的组成部分,其主要任务是搭建舞台,而真正上台表演的是计算

  • 2.1.4. 集成电路的发展重心由通信与存储领域,逐步转移到计算领域,并持续至今

2.2. 1937年开始设计的ABC(Atanasoff-Berry Computer)计算设备,揭开了计算时代的序幕

2.3. 二战之后,伴随晶体管与集成电路的出现,计算领域出现了三次浪潮,分别是大型机时代、PC时代与智能手机时代

2.4. 在三次浪潮中,计算世界围绕算法与体系结构展开,算法与体系结构的世界围绕阿兰·麦席森·图灵与约翰·冯·诺依曼展开

  • 2.4.1. 图灵与冯·诺依曼的光辉岁月均出现于二战前后,他们在计算领域的贡献,一直等到集成电路产业突飞猛进之后才充分展现

  • 2.4.2. 图灵的贡献是清晰定义了什么是计算,并设计了图灵机,证明了计算模型之间的等价,以及计算模型的极限

  • 2.4.3. 冯·诺依曼的成就在于提出搭建通用计算机体系的有效方法

3. 哥廷根大学

3.1. 哥廷根大学是世界上最著名的学府,在此就读的学生与工作的学者这样描述这所院校,​“哥廷根之外没有生活。即便有生活,亦非这般的生活”​

3.2. 1929年,哥廷根数学研究所成立,组成了一个星光灿烂的阵容,包括分别将相对论与群论引入量子力学的保罗·狄拉克和赫尔曼·外尔,对薛定谔方程进行几率解释的马克斯·玻恩,原子弹之父罗伯特·奥本海默,以及被称为“数学世界亚历山大”的希尔伯特等人

4. 图灵

4.1. 1912年6月23日,图灵生于英国伦敦

4.2. 1926年,图灵被英国公立学校舍伯恩录取

4.3. 1931年,图灵考入剑桥大学

4.4. 1936年4月,图灵提交了一篇对后世影响深远的文章《论可计算数及其在判定问题上的应用》

4.5. 1936年9月,图灵开始在Church教授的指导下攻读博士学位

4.6. 1938年6月,图灵获得博士学位

4.7. 图灵最终选择回到剑桥,从事与可计算理论相关的研究

4.8. 图灵机可以解决所有可以用状态机描述的问题

  • 4.8.1. 如果一个问题无法用图灵机来完成,意味着没有任何算法能够解决这个问题,也意味着凡是能用算法求解的问题,就一定可以使用图灵机完成

4.9. 图灵在逻辑学、代数学与数论等领域迅速展现出惊人的才华

  • 4.9.1. 逻辑学、数论与可计算理论是密码破译最重要的数学基础

4.10. 在密码破译的背后,比拼的是交战国之间计算能力的高下

  • 4.10.1. 这个计算能力由人与机器组成

  • 4.10.2. 在英国,图灵是那个人,机器是图灵设计的机器

4.11. 他是密码破译行业的天选之子

  • 4.11.1. 基于图灵机模型能够设计出强大的计算设备,加速密码破译进程

4.12. 德军设计了一种名为Enigma的密码机

  • 4.12.1. Enigma密码机被认为是世界上最先进的密码机

  • 4.12.2. 按照Enigma密码机设计者的思路,这台增强后的设备能够产生10^20量级的加密组合

4.13. 1939年,图灵设计了一台巨大的机器,后世将之称为“图灵Bombe”密码破译机,取名Bombe主要是为了纪念波兰人的Bomba密码破译机

4.14. 在所有人的努力下,第一台改进后的Bombe破译机于1940年8月搭建完成,并迅速投入使用

  • 4.14.1. 目前世界上公认的第一台电子计算设备是ABC,但我们更应该称呼Bombe破译机是人类历史上的第一台电子计算机

  • 4.14.2. ABC计算设备的原型设计于1939年11月,直到1942年才搭建出完整机型

4.15. Bombe破译机传入美国后,许多公司开始复制这一产品,其中一家从事制表机和穿孔卡片机的公司,也开始生产这种机器,这个公司就是号称“蓝色巨人”的IBM(International Business Machines)

  • 4.15.1. 在北非战场,蒙哥马利凭借破译带来的信息优势,击败了“沙漠之狐”隆美尔

  • 4.15.2. 又在大西洋海战中,帮助皇家海军击溃德国潜艇编队

4.16. 1941年起,德军研制出与Enigma密码机完全不同的,更加先进的电传打字机加密系统,即Lorenz密码,用于加密希特勒在内的德军高级将领之间的通信

4.17. 密码破译在战争时期的成就,使其在战后跃上神坛

  • 4.17.1. 算法之外,密码破译需要比拼计算能力

  • 4.17.2. 计算能力决定了密码破译的效率,被视为一个国家军力的象征

  • 4.17.3. 从这时起,各国军方围绕计算,展开了一场旷日持久的竞赛

  • 4.17.4. 这场军备竞赛为晶体管的诞生提供了肥沃的土壤,揭开了现代计算机发展的帷幕

4.18. 1950年图灵发表了另外一篇对后世影响深远的论文《计算机与智能》

4.19. 1954年6月8日,图灵在他42岁的时候,却使用一个毒苹果离开了这个世界

4.20. 图灵的一生注定是孤独的

4.21. 为了纪念图灵,计算机科学界以他的名字命名这个领域的最高奖项

  • 4.21.1. 图灵机、Bombe破译机和人工智能,是图灵留给后世的重大贡献

5. 冯·诺依曼

5.1. 1903年,冯·诺依曼出生于匈牙利的一个犹太家庭

5.2. 15岁时,匈牙利著名数学家Gábor Szegő为他讲解高等微积分课程时,竟被这个男孩异乎常人的天分震惊得痛哭流涕

5.3. 19岁时,这个男孩已在顶级数学刊物上发表了两篇文章

5.4. 在数学领域,冯·诺依曼展现出惊天的才华,非常轻松地拿到数学博士学位,于1926年进入哥廷根大学,跟随希尔伯特从事数学研究

5.5. 从1927年开始,发表了一系列与量子力学有关的文章,其中包括一本专著《量子力学的数学基础》

5.6. 1929年,冯·诺依曼在一篇著作中,将希尔伯特提出的一种空间,命名为“希尔伯特空间”

  • 5.6.1. 冯·诺依曼最早认识到希尔伯特空间的重要性,并借助这个空间对量子力学进行了一系列基础且极具创造性的研究工作

5.7. 在量子力学发展史中,重要的研究工具一是薛定谔方程;二则是希尔伯特空间与算符理论

  • 5.7.1. 量子力学领域的果实,大多已被哥本哈根学派摘取

  • 5.7.2. 冯·诺依曼在数学层面的查漏补缺,没有使他在数学界或者物理界获得足够声望

5.8. 年轻的冯·诺依曼,在星光灿烂且按部就班的欧洲大陆,甚至无法谋得一个副教授职位

5.9. 1929年,美国的普林斯顿大学需要开设与量子力学相关的数学基础课程,冯·诺依曼收到邀请后欣然前往

5.10. 1931年,27岁的冯·诺依曼成为普林斯顿大学的教授

5.11. 普林斯顿大学成立高等研究院

  • 5.11.1. 在这个研究院中,第一批终身教授有6名,其中一名是爱因斯坦,最年轻的是年仅30岁的冯·诺依曼

5.12. 宾夕法尼亚大学此时正在研制一台计算机,即ENIAC(Electronic Numerical Integrator And Computer),用于测算导弹的运行轨迹

  • 5.12.1. 见识了ENIAC的威力之后,冯·诺依曼决定作为顾问,参与研制下一代机型EDVAC(Electronic Discrete Variable Automatic Computer)

  • 5.12.2. 数学家的冯·诺依曼,从事“计算科学”的出发点是进行导弹轨迹计算、核弹模拟这些高端应用

5.13. 1945年6月30日,冯·诺依曼的一份关于如何搭建EDVAC的手写草稿,即“First Draft of a Report on the EDVAC”正式发表,简称为“First Draft”

5.14. 1946年,冯·诺依曼与其他人一道,完善并总结了“First Draft”​,发表了一篇名为“Preliminary discussion of the logical design of an electronic computing instrument”的论文

5.15. 1949年交付,并于1951年投入使用的EDVAC

  • 5.15.1. 这台计算机运行新的程序,不需要重构计算机硬件,仅需提供不同的程序代码即可

  • 5.15.2. EDVAC因此被称为人类历史上第一台通用电子计算机

    • 5.15.2.1. 只有EDVAC作为第一台通用电子计算机没有丝毫争议,因为这台计算机所基于的冯·诺依曼体系与二进制运算,是毫无疑问的通用电子计算机的标志

    • 5.15.2.2. 这台计算机的设计基石—冯·诺依曼体系,重构了其后的计算世界

    • 5.15.2.3. 采用这种方法实现新的算法时,只需要更换计算机所运行的程序,而无须重新搭建电路

5.16. 直到1973年,美国联邦地方法院判决撤销ENIAC的专利,认为ENIAC发明者从ABC计算设备中获得了设计构想

  • 5.16.1. 至此,ABC被裁定为世界上第一台计算机

  • 5.16.2. ENIAC是第一台可编程、图灵完备的计算机

  • 5.16.3. ABC、Bombe和Colossus计算机类似,仅能执行固定任务,依然是一种专用计算设备

5.17. 冯·诺依曼体系

  • 5.17.1. 确定了在计算机体系结构中的五大基本组成部件,包括控制单元(Control Unit)、算术逻辑单元(Arithmetic Logic Unit,ALU)、寄存器(Processor Registers)、内存单元(Memory Unit)与输入/输出设备(Input/Output Device)

  • 5.17.2. 其中控制单元、算术逻辑单元与寄存器合称为中央处理器(Central Processing Unit,CPU)

  • 5.17.3. 此后直到今天,所有计算机,从大型机、PC到手机处理器,全部基于这种架构实现

  • 5.17.4. 冯·诺依曼体系极大化简了在计算机设计中存在的冗余,将绝大多数应用场景规约于一个统一模型,奠定了现代计算机体系结构的基础

  • 5.17.5. 在现代处理器中,寄存器与内存之间设置了非常复杂的缓冲结构,这种缓冲结构也被称为Cache层次结构

  • 5.17.6. 引入Cache层次结构的目的是缓解冯·诺依曼瓶颈,但是瓶颈依然存在

ENJ2005-B半导体分立器件测试系统 1系统概述: 设备扩展性强,通过选件可以提高电流和测试范围。支持电流阶梯升级至1250A。采用脉冲测试法,脉冲宽度为美军标规定的300uS。在PC窗口提示下输入被测器件的测试条件点击即可完成测试任务。被测器件引脚接触自动判断功能。系统采用带有开尔文感应结构的测试工装,自动补偿由于系统内部及测试电 缆长度引起的压降,保证测试结果准确可靠。 面板显示装置可及时显示系统的各种工作状态和测试结果,前面板的功能按键方便了系统操作。通过功能按键,系统可以脱离主控计算机独立完成多种工作。系统提供与机械手、探针台、电脑的 阅读详情

相关推荐

半导体物理基础:半导体能带理论_12.半导体的n型和p型掺杂

掺杂是半导体材料中的一种重要技术,通过引入特定类型的杂质原子,可以显著改变半导体的电学性质,从而使其适用于各种电子器件。n型掺杂和p型掺杂分别通过增加自由电子和空穴的浓度,实现半导体的负电导率和正电导率。pn结是许多半导体器件的基本结构,其单向导电性、内建电势和耗尽层宽度等特性在器件设计中起着关键作用。

2401_87715305的博客 1593

读半导体简史22读后总结与感想兼导读

读半导体简史22读后总结与感想兼导读

lyingSeven的博客 640

SAP物料分类账实战:从配置到月结的关键步骤(基于S/4HANA1909)

本文详细解析了在SAP S/4HANA 1909系统中,物料分类账从基础配置到月结操作的全流程。作为成本核算的核心,物料分类账通过多级价格确定实现实际成本核算,关键步骤包括激活物料分类账、配置自动过账科目(OBYC)、运行CKMLCP进行差异分摊与结算。文章旨在帮助财务与成本会计人员确保成本差异的准确归集与分摊,顺利完成月结。

weixin_28314575的博客 195

读普林斯顿计算机公开课15读后总结与感想兼导读

读普林斯顿计算机公开课15读后总结与感想兼导读

lyingSeven的博客 206

安装Quartus-II 13 和Modelsim

目录一、Quartus-II安装1.Quartus-II 13下载2.Quartus-II 13安装3.Quartus-II 13注册二、Modelsim安装 实验目的:安装Quartus-II 13 和Modelsim 实验环境:Windows10 参考资料:Quartus-II安装及使用 一、Quartus-II安装 1.Quartus-II 13下载 正点原子官方资料下载 百度网盘下载链接: https://pan.baidu.com/s/1a9d-bq9RZmWrRV542X4IEA 提取码:

qqq080的博客 8628

PS2硬盘启动终极指南:从FMCB到OPL,告别光驱打造游戏博物馆

在计算机存储与数据读取领域,硬盘启动技术通过将操作系统或应用程序从本地硬盘直接加载,绕过了传统光驱等外部介质,实现了速度与可靠性的双重提升。其核心原理在于利用引导程序接管系统初始化流程,直接访问硬盘上的特定分区与文件镜像。这项技术的价值在于极大提升了数据读取效率、降低了物理介质损耗,并扩展了存储容量与管理的灵活性。在怀旧游戏硬件改造、嵌入式系统定制等场景中,硬盘启动技术被广泛应用,以实现老旧设备的功能焕新与性能优化。本文聚焦于索尼PS2游戏主机的硬盘启动方案,深入探讨了如何利用FMCB(Free MCBoo

weixin_34295316的博客 1778

半导体制冷器性能计算

源:半导体制冷器性能计算 在应用致冷器前,要进一步的了解它的性能,实际上致冷器的冷端从周围吸收的热Qл外,还有两个:一个是焦耳热Qj;另一个是传导热Qk。电流从元件内部通过就产生焦耳热,焦耳热的一半传到冷端,另一半传到热端,传导热从热端传到冷端。   产冷量   Qc = Qπ-Qj-Qk = (2p-2n).Tc.I-1/2j²R-K(Th-Tc) 式中,R表示一对电偶的总电阻,K是...

weixin_33895016的博客 1577

(8)机器人动力学

机器人是一个具有多输入多输出的复杂动力学系统,存在严重的非线性,需要非常系统的方法对机器人进行动力学研究。常用的机器人动力学建模方法有:Lagrange(拉格朗日)动力学方法、Newton-Euler(牛顿-欧拉)动力学方法、Gauss(高斯)动力学方法、Kane(凯恩)动力学方法等。机器人动力学研究的是机器人的运动和作用力之间的关系。机器人的动力学问题包括动力学正问题和动力学逆问题。动力学正问题是对于给定的关节驱动力......

rouyu308的博客 9499

07 半导体存储器

ROM是一种非易失性存储器。

2302_81678505的博客 510

Linux下libdrm实战:从零搭建一个简单的DRM显示程序(附完整代码)

本文是一份Linux下libdrm的实战指南,详细介绍了如何从零开始搭建一个简单的DRM显示程序。通过对比传统Framebuffer的局限性,阐述了现代DRM架构的核心优势与核心对象(FrameBuffer、Plane、CRTC等)的协作流程。文章提供了完整的代码示例,演示了如何打开设备、创建并填充Dumb Buffer、设置CRTC以依次显示红绿蓝纯色画面,并涵盖了编译、运行及进阶开发要点,为嵌入式Linux图形开发提供了扎实的入门基础。

weixin_29183637的博客 406

英飞凌 AURIX 系列单片机的HSM详解(1)——何为HSM

1. 概述 随着汽车上通信系统越来越复杂,云端远程通信的场景越来越多,信息安全变得越来越重要,在通信领域常用的AES、SHA、RSA等加密算法被越来越多地应用到汽车上。但通常这类加解密算法都需要大量的数学运算,需要消耗很多CPU时间和资源,汽车上的ECU又有比较高的实时性要求,为了节省主CPU的资源,HSM应运而生。 HSM(Hardware Security Module),是MCU上专门用于实现加解密算法的一个外设,它一般会有一个独立的CPU,专门用来进行加解密运算,还有一些针对特定算法的硬件加速器(如

weixin_42967006的博客 4万+

苏联半导体是如何点错科技树的

…

u013669912的博客 3004

《Python星球日记》 第43天:机器学习概述与Scikit-learn入门

《Python星球日记》 第43天:机器学习概述与Scikit-learn入门

Code_流苏:在代码中寻诗意,在实践中觅真知 933

近两年半导体重大收购兼并案

关注+星标公众号,不错过精彩内容来源 | ittbank在经历2020年的大规模并购潮后,2021年并未新增并购大案,基本是对此前并购案的延续,因此人们最初对2022年颇多期待。然而,新年...

strongerHuang 3387

基于PINN求解裂纹扩展问题的优化开发

本文提出了一种基于物理信息神经网络(PINN)的裂纹扩展问题求解方法。通过将线弹性断裂力学控制方程和裂纹尖端场特性嵌入神经网络损失函数,PINN有效克服了传统有限元法在处理裂纹扩展时面临的网格重构困难、计算成本高等问题。文章详细介绍了PINN网络架构设计、裂纹尖端奇异场处理、损失函数构造以及优化策略等关键技术。数值实验表明,该方法能准确预测裂纹扩展路径和应力强度因子,且在处理复杂几何和动态扩展问题时展现出显著优势。相比传统方法,PINN具有无网格、并行计算友好等特点,为断裂力学问题提供了新的求解范式。

huanghm88的专栏 154

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

读芯片战争:世界最关键技术的争夺战07光刻战争

读芯片战争:世界最关键技术的争夺战07光刻战争

lyingSeven的博客 190

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

读芯片战争:世界最关键技术的争夺战13读后总结与感想兼导读

读芯片战争:世界最关键技术的争夺战13读后总结与感想兼导读

lyingSeven的博客 251

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

半导体之革新引领科技浪潮

半导体之革新引领科技浪潮。

JiYan_blue的博客 437

半导体技术的革新与挑战:行业前沿与未来趋势

总的来说,半导体技术作为现代信息技术的核心,其发展和进步对整个电子产业具有重要意义。面对未来,半导体行业既面临着巨大的发展机遇,也面临着诸多挑战。我们需要加大研发投入,提高技术水平,加强人才培养,以应对未来的市场竞争和技术更新要求。同时,我们还需要加强国际合作与交流,共同推动半导体技术的发展和创新。相信在全行业的共同努力下,半导体技术将迎来更加美好的未来。

JiYan_blue的博客 775

人工智能助力芯片半导体发展,开拓芯片设计技术新趋势

在我们努力突破这个障碍并继续在芯片设计领域创新之际,几个趋势在半导体行业中逐渐形成,值得我们关注。

Altair 现已被全球工业软件领导者西门子收购,成为西门子数字化工业软件旗下成员,进一步巩固西门子在仿真和工业人工智能领域的全球领先地位,其技术正与西门子Xcelerator解决方案进行深度整合。 1407

半导体特征循环与可重构芯片

半导体特征循环与可重构芯片2008-07-06 21:45:17  作者:许居衍,尹勇生  来源:互联网关键字:摩尔 牧村 循环 处理器 专用 SOC1 引言  1965 年,摩尔用三个集成电路产品集成度随时间的增长数据,外加1959 年的晶体管(集成度为1)和1965 年预计可推出的实验室产品(有64个元件),用半对数坐标,外插预测到十年后集成电路的集成度将达到65,000个元件。1

AIIC 1317

测试干货 | 如何选择合适的半导体检测方法?看完这篇就明白了!

半导体材料作为半导体产业链中的重要支撑,包括以硅、锗等为代表的元素半导体材料和以砷化镓、磷化铟、碳化硅和氮化镓为代表的化合物半导体材料,广泛应用于通讯、计算机、消费电子、汽车电子以及工业应用等众多产业。在整个生产和质量控制流程中,半导体检测技术既要保证产品的高精度和高可靠性,又要应对不断提高的检测速度和成本控制需求,因此,先进的检测技术不仅需要解决当前技术面临的挑战,还要为新兴领域的应用打下坚实的基础。

元素魔方科研服务 2253

2016年全球半导体厂商TOP20排名

2016年11月15日,半导体权威研究机构IC Insights公布了2016全球半导体最新(预估)排名,其中美国有 8 家半导体厂入榜,日本、欧洲与中国台湾地区各有 3 家,韩国则有两家挤进榜单,新加坡仅有一家上榜,大陆半导体企业仍无缘前二十强。 数据显示,英特尔仍然稳居榜首,三星与台积电分列二、三位,晶圆代工厂联电排名第二十。联发科与英伟达分别上升两位,格罗方德由于业绩大幅下滑1

独钓寒江雪满天的博客 4075

清华王牌专业建系70年,撑起中国半导体半壁江山,王兴李健都是系友

鱼羊 丰色 发自 凹非寺量子位 | 公众号 QbitAI说起清华的王牌专业,你会想到什么?很多人的第一反应可能会是“贵系”、“姚班”——一个是国内公认实力最强的清华大学计算机系,一个是图灵奖唯一华人得主姚期智坐镇的“清华学堂计算机科学实验班”。清华计算机“软”的这一面如今光芒正盛,但其实,在计算机硬件领域,来自清华的毕业生们更是堪称撑起了产业的半壁江山。而他们背后那个共同...

量子位 796
上一篇: 读半导体简史06集成电路
下一篇: 读半导体简史08大型机
躺柒
博客等级 码龄4年 7004粉丝 1321原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值