剑指未来五十年的指令集RISC-V【转自微信公众号 智联网事】

【转自微信公众号 智联网事】

本文介绍了RISC-V指令集从发布到目前的发展路程,及基于RISC-V的芯片研发进展及芯片配套软件开发生态的更新.

文章目录如下:

  • 一些基本概念

  • RISC-V 二三事

  • RISC-V 有多强 

  • ARM的担忧

  • 基于RISC-V的芯片开发生态

  • 一些市场的消息

  • 个人看法

一些相关基本概念

以麒麟980举例:华为的麒麟980是一款处理器(SOC, System on a chip),其基于ARM Cortex-A76微架构(CPU,Central processing unit),而Cortex-A76是基于ARM公司的ARMv8.2-A指令集(ISA,Instruction SetArchitecture)设计的。

从上面,我们引出了指令集的概念。 指令集作为硬件和软件的一个接口,是对计算机的抽象描述。知名的指令集有ARM、PowerPC、X86等,国内也有自主产权指令集的公司,如被阿里收购的中天微。更多关于ISV,CPU和SOC的描述,请参考文章 谈谈ISA,CPU和SOC


RISC-V二三事

RISC-V (pronounced “risk-five”) is an open, free ISA enabling a new era of processor innovation through open standard collaboration. Born in academia and research, RISC-V ISA delivers a new level of free, extensible software and hardware freedom on architecture, paving the way for the next 50 years of computing design and innovation.

RISC-V指令集,是加州大学伯克利分校于2011年发布的开放免费指令集,由于是第五代,因此取名RISC-V。在如今ARM大行其道,从芯片到生态到终端用户都齐全的时代,RISC-V这样一个指令集,究竟如何生存壮大起来的?它有哪些特点优势? 这也是我尝试了解回答的问题。 (只想看总结的可往下速滑)

记得十年前的手机品牌,诺基亚,摩托的,索尼等,各自的系统都不一样,现在大家用的手机,除了苹果,基本都是基于安桌系统。安桌的两大特点是开源和免费,这样不仅给广大应用开发者很大的灵活度,而且发展了非常丰富的生态。Android的开发者GOOGLE, 也是RISC-V的白金会员之一。 RISC-V的研究团队认为,指令集ISA作为软硬件接口的一种说明和描述规范,不应该收费,而应该开放和免费。这也是RISC-V创造者的初衷之一。

当然,仅仅具有开源和免费也是完全不够的,就如工作,有一个好的主意,没有任何配套的行动,策略,主意永远是一个概念。一个产品能不能用,好不好用,能否给终端应用厂商,给市场带来价值?针对这些质疑,RISC-V伯克利研究团队从下面几方面开干:

  • 第一招 基于指令集推出CPU及芯片原型

这直接将RISC-V的指令落地到终端可以使用,评测的芯片。这一过程,不仅仅将理论,概念实体化,解决了许多技术上的问题及挑战,而且也带动建立了研发SOC的生态。这大大降低了RISC-V用户的开发难度,成本,风险。

  • 第二招 成立非盈利组织RISC-V基金会,加快生态建设

RISC-V基金会自2015年成立以来,会员数目增长如图,不可谓不猛。

且从其会员构成类别看很丰富。截至2018年3Q, RISC-V 基金会已发展115个会员,其中包含 NVIDIA, QUALCOMM, NXP, SAMSUNG,HUAWEI这样的超一流大厂,许多一流学术机构及C SKY,SIFIVE等商业化IP公司。

除了上诉的CPU SOC开发相关,成员还包括IAR,SEGGER,TSMC等应用开发,芯片生产相关的企业!

第三招积极开“大”会

2015年 RISC-V第一次全球研讨会举行,截至2017,已经举行七届。除了全球的研讨会,还包括在全球各地举行的专项研讨会。这些会议给RISC-V的爱好者,使用者提供了很好的沟通,分享,交流平台,促使RISC-V的加速发展。

如下,我们以时间的角度梳理下RISC-V的发展

  • 2011年 发布开放指令集RISC-V,随后基于RISC-V的ROCKET IP成功流片

  • 2015年 发布BOOM IP

  • 2015年 RISC-V创始人成立SIFIVE,加速推进RISC-V商业化

  • 2017年 基于BOOM IP的芯片流片

  • 2015年 RISC-V 基金会成立,加速RISC-V的指令集规范的演进以及软硬件生态系统的发展

  • 201x年 更多消息请往后看

总结来说,RISC-V 以开放,免费的模式,从基础指令集落地到芯片,赋能客户,广建生态,积极扩大影响,集结了强大的联盟。

 


与ARM的恩仇录

如果老大哥看也不看你,说明你太弱了。RISC-V的快速发展也引起了来自ARM的关注及担忧。2017年6月,ARM建立了一个专门的网站,从成本,生态,碎片化风险,安全及设计验证等方面指点RISC-V。在RISC-V反击发布后,ARM主动关闭下线了网站。(相关资料可从下面链接获取 https://github.com/arm-facts/arm-basics.com/blob/master/index.md)

第一刀 成本

ARM:虽然RISC-V 指令架构集(ISA)开源,免费,但是ISA的授权只占有商业处理器总成本的一小部分

RISC-V:显性成本你这么贵,却谈说不清楚的隐性成本。而且我们通过开放,吸引更多贡献者来完善设计,这也有利于降低研发成本。

第二刀 生态

ARM:针对一个指令架构,能有一个全球化的,成熟的,覆盖软件,服务,涉及支持等的生态,是非常重要的。而RISC-V目前的生态还不够

RISC-V:谁没有喝奶的时候,我们正在飞速的发展完善中。

第三刀 碎片化风险

ARM:由于RISC-V的指令集架构允许CPU IP 供应商定制化,这种“碎片化”可能使得ISA的生态兼容性更加困难。

RISC-V:你自己已经碎片化了,ARM ISA (ARMv6/7/8, Thumb1, Thumb2, ThumbEE,Jazelle, ARM v8, v8-M, NVIC/VIC/GICv2/3/4等)。而我可以在开始阶段就可以到如何更精简。

第四刀 安全

ARM:网络威胁需要芯片具有很好的安心性能。基于RISC-V的产品目前还比较新,有待专家及其合作伙伴的观察。

RISC-V的:自己的屁股没擦干净(ret2usr问题),而RISC-V可以在设计的最初,而且也正是RISC-V的安全组正在做的事情。

第五刀 设计验证

ARM:IP的设计过程,验证及确认可能占总设计时间的75%。而RISC-V的ISA允许修改,可能带来昂贵的验证ueren成本及对应的软件工具定制化费用。这都将增加设计的成本。

RISC-V:开源,可以借助更多的专业力量参与设计的过程,这有利于加速开发和降低成本。

我们可以看到ARM提出的点,其实也正是RISC-V开始就考虑到且在减小影响的点。截止目前,基于RISC-V的开源免费CPU及SOC原型已经不少。后面会提到。

RISC-V性能情况

截止目前,伯克利的研究团队公布了基于RISC-V的Rocket以及BOOM两个CPU。其CoreMark性能情况如下图。

在论文《RISC-V Compiler Performance:A comparison between GCC and LLVM/clang》 中,我们可以看到实际基于RISC-V的芯片和ARM的对比结果。可以看到,在编译器开启O1以上优化情况下,RISC-V的性能可以做到和ARM接近。这是实际的跑分结果。和网友在SIFIVE的开发板上的结论相近

RISC-V的芯片开发生态

我们先看下,芯片开开发需要的基础工具:编译器,调试器,软件开发包

编译器方面:SiFive 公司已经提供FreedomStudio,另外,还有GCC Toolchain, GNU MCU Eclipse也有对RISC-V的支持

调试器方面: Lauterbach及Segger已经支持RISC-V,而IAR也宣布2019年将提供RISC-V的支持。

软件开发包:SiFive针对其Freedom ESDK,而系统方面,Linux 4.15官方内核将支持RISC-V

可以看出,基于RISC-V的芯片的开发工具链也是越发完善。

 

 

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