Intel能够成为蓝色巨人,原来得感谢没有眼光的日本人!

文章转载自http://www.wtoutiao.com/p/10d4Trw.html

Intel的第一款商用处理器4004,在前几天刚刚过完自己44周岁的生日,步入不惑之年的她,虽然现在看来这个处理器的性能简直弱爆了,但是在当时她确实收获了荣誉无数,但小编觉得,她的光芒其实超越了英特尔最新发布的那个10核心20线程的i7-6950x。

4004CPU

英特尔于1971年11月15日宣布了4004处理器及其芯片集,它是芯片巨人第一个完整的单片机和第一个商业微处理器。4004处理器有2300个晶体管,手指甲大小,计算性能与第一代电子计算机相当,但第一代计算机需要占据整间房子。Intel 4004成为市场上第一支通用可编程处理器。

曾有流言说NASA的先锋10飞行器使用了Intel 4004,但NASA表示它在评估后认为,4004对飞船来说太新了。(谁还敢说4004性能弱爆了)

其实,现在已经成为蓝色巨人的Intel能有今天的成功,正是始于44年前的4004处理器,她使原本做存储器的Intel公司自此踏上了处理器领域,但是但是,做存储器的公司怎么会想到来做处理器,原来所有的机缘巧合是日本人给创造的!(此处为这家公司伸个大拇指)

这事还得从1969年说起,有一家日本计算器公司Busicom找到了Intel,希望Intel帮他们的Busicom 141-PF打印式计算器设计12个芯片,当时Intel工程师建议设计4个可编程芯片就可以了。

就这样,Intel 1971年推出了MCS-4,包含4个芯片,其中CPU中央处理器就是4004,其他还有负责RAM的4001、负责ROM的4002以及寄存器芯片4003,至此世界上首个商用微处理器系统诞生了。

从1970年正式签订合约到1971年正式推出产品,4004的诞生多少还是有些波折的。Busicom公司以延期为由要求Intel补偿,Intel退还了部分费用,但他们提了一个要求——在计算器之外的市场可以自由出售4004芯片,Busicom公司答应了,Intel自此就进军处理器市场,从4004开始不断壮大(小编想,英特尔在研发时候就知道4004未来的应用不会仅限于计算器,所以故意拖延时间也不是讲不通的,当然啦,此想法纯属猜测,因为那时候商业运作还没有现在这么高深)。

这里写图片描述

到今天已经没有谁知道Busicom公司了,Intel却是无人不知。(哈哈,巨人也需要垫脚石的,验证了那句话英雄无须问出处)

44年前的4004处理器,它只有2300个晶体管,制程工艺还是10μm的,也就是10000nm(是不是有点数不清多少个0的感觉),使用的是2英寸晶圆,而目前最先进的量产工艺是14nm,晶体管数量高达14亿甚至更多,晶圆尺寸也是12英寸的。

嵌评:世事变迁,是不是在4004身上体现的更加淋漓尽致!

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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