移动设备GPU架构厂商

1. 无冕之王——Imagination公司的PowerVR

Imagination技术公司并不介入ARM处理器生产,他们专注于是移动GPU技术授权。因为专业所以强大,Imagination绝对是移动平台GPU授权的老大,即便是Intel的Atom处理器及桌面的GMA 500也使用了PwerVR系列GPU核心。他们的触角伸得很广,并不局限于ARM阵营。

Imagination公司的授权伙伴主要有Intel、苹果、联发科、LG、高通、瑞萨、三星、海思、Marvell、索尼等等,几乎都是大腕,其中Intel和苹果还是Imagination公司的大股东之一。

主力产品:PowerVR 5、PowerVR 5XT,PowerVR 6


2. 江湖富二代——ARM公司的Mali

ARM公司不仅提供ARM处理器授权,他们也有一整套GPU授权方案——Mali。由于亲生的血缘关系,Mali在好爸爸ARM的帮助下也攻城掠地,很多不具备独立开发GPU技术的芯片供应商都直接使用了ARM处理器+Mali GPU的设计,比如三星、瑞芯微、展讯、意法半导体、全志等,其中三星和全志还是出货量大户,所以Mali GPU的份额和出货量可不低。

ARM官网显示Mali GPU在智能电视和Android平板中占有率第一,智能手机市场占有率超过20%,2012年出货量高达1亿(一说是1.5亿),使用Mali GPU的终端超过200多种。

说到Mali的历史,ARM原本也是没有GPU授权的,此前他们也是使用Imagination的GPU核心。Mali其实是源于2006年收购的一家挪威特隆赫姆地区的移动GPU芯片厂商Falanx。ARM公司的Mali GPU开发中心也就落户在哪里,现在Mali已经变成了ARM的亲儿子了。

主力产品:Mali-300/400/450、Mali-T600

ARM的Mali GPU给人的感觉更像是PC中的公版显卡一样,积极支持各种最新标准,注重性能功耗比。


3. 未来的和尚会念经——高通的Adreno

作为屈指可数(不是唯一一个)可以自己改进ARM指令的移动处理器厂商,说高通是安卓阵营移动处理器一哥估计没人会反对,再加上高通的3G技术及基带上的优势,高通处理器绝对是近年来最热门的选择之一,顺带着也把高通的Adreno图形核心带火了。

跟ARM亲生的儿子Mali差不多,高通的Adreno其实也是领养的。Adreno原本是ATI旗下的移动GPU部门,当时叫做Imageon,主要为当时的掌上平台提供图形核心。2006年AMD收购了ATI,Imageon部分也进入了AMD公司。收购ATI之后AMD就进行了改组,Imageon部分很不幸地成为多余资产,最终在2008年末被高通以区区6500万美元的代价买走,现在就是高通的Adreno图形部门了。(不知道AMD看到现在的情况是否会后悔?)

主力产品:Adreno 220、Adreon 225及Adreon 320

今年初高通又公布骁龙800处理器,与骁龙600继续使用Adreno 320(虽然也会有所改进)不同,骁龙800将使用更新的Adreno 330。高通表示Adreno 330的性能是Adreno 320的1.5倍,计算性能则是它的3倍,而且会支持Ultra HD标准的4K视频,听着非常诱人,不过实际体验还得等相关产品上市再说,也要到下半年了。

无论从哪方面看,高通用6500万美元收购AMD旗下的移动图形部门都是一笔超划算的买卖,Adreno带给高通的收益恐怕是一百个收购额也比不了的。

4. 后来居上的爆发户——NVIDIA的GeForce ULP

在移动处理器这个江湖里NVIDIA算是后起之秀,前一篇的移动处理器门派划分中我们将其归为“峨嵋派”,虽然开宗立派时间短,但是后来居上,再加上NVIDIA在PC市场的影响力,他们虽然是资历最浅的外来户,但在GPU技术上实力雄厚,前途无量。

Tegra系列从AP2 2500开始到现在也出过四代产品了,其GPU核心也沿用了GeForce的命名,一般称为GeForce ULP(Ultra-low power),超低功耗之意。第一代的Tegra虽然也曾被微软的Zune HD青睐,不过目前来说已经是古董级产品了,NVIDIA官网也将其除名,介绍的只有Tegra 2、Tegra 3和Tegra 4,我们也从他们说起吧。

主力产品:Tegra 2、Tegra 3、Tegra 4/4i

5. 性能出众的“小众”产品——Vivante的GCxx

与PowerVR、Mali、Adreno等明星相比,Vivante公司的GC系列GPU核心就不太为人熟知了,就连市场份额比它少的Tegra系列都比Vivante知名。去年让Vivante露一大脸的是华为旗下的海思K3V2,这颗号称“世界最快四核”的移动处理器在华为去年的Ascend D1四核、荣耀2四核以及今年初的Ascend D2、6.1寸超大屏的Mate上全面应用,其16核GPU实际上就源于Vivante的GC系列GPU。

Vivante其实还是挺有资本的,创立于2004年,创始人好像还是个华裔,他们专注于移动GPU市场,2010年的时候就有超过40家授权单位,主要客户有Marvell、飞思卡尔等,很多人不知道的是国内的瑞芯微电子的RK2918以及自主知识产权的国产明星“龙芯-2H”使用的也是Vivante的GPU核心。

Vivante给人的感觉就是“小众”,好听点的说法是“Vivante虽然小众,但是性能出众”,难听点的说法是“Vivante的GPU性能出众,但是市场小众”。只不过从市场统计上看,Vivante的GC系列在移动GPU的份额上仅次于PowerVR、Adreno以及Mali之后,2012年上半年的全球份额是9.8%,比Tegra的2.5%份额要高得多。

说起来Tegra才是小众,他们是大众产品呢,只不过Vivante在消费级的智能手机和平板领域确实露面太少,给人的印象是“小众”。

主力产品:GC400、GC800、GC4000



在列举的五家移动GPU厂商中,Imagination目前实力最强、份额最高,不过我们觉得更有危机感的正是他们,因为他们是专业的GPU IP授权厂商,自己不生产GPU产品,产品应用与否全靠授权合作伙伴的选择,但是任何一个有远大目标的公司都不会任由自己的产品核心掌控在别人手里,Intel和苹果目前已经是Iimagination的大股东了,说不定哪天有兴趣就把它给控股了。

Imagination也不介入CPU部分,不过他们实际上也有自己的处理器架构——Meta SoC,今年还重金收购了MIPS公司,MIPS架构也在融入Meta处理器中。除此之外,Imagination还收购了光线追踪加速卡公司Caustic,R2500/2100渲染卡都已经出货,他们也不会鸡蛋都放在PowerVR这一个篮子里。

至于ARM和高通,他们的GPU份额不低,ARM能提供CPU+GPU一整套方案,高通的CPU+Adreno GPU+基带的组合也是无往不利,前途也是光明的。

Vivante的GPU虽然理论性能极其强大,但它跟Imagination一样都是专业的GPU IP授权公司,份额则比后者少得多。我们觉得华为还是出手收购了它吧,就算十几亿美金的价格,华为也能承受得了,而且Vivante不是AMD或者Intel、NVIDIA这样的公司,美帝政府的阻力也不大,不行就让报纸和央视整高通,理由就是高通的3G专利严重影响了我们的国家安全,玩不死他们。

还有就是NVIDIA,要说做GPU他们的技术实力是这几家公司中最强的,但是包括目前的Tegra 4在内的GPU架构其实还是相对保守,NVIDIA预定明年推出的Tegra 5才更有革命性。Tegra 5的架构会升级到真正的统一渲染架构,而且会选择主流的Kepler架构,支持的技术规范也跨代升级到了OpenGL 4.3,这是OpenGL ES 3.0的超集,DX11之类的规范应该也能支持。

面对比重越来越大的GPU加速,NVIDIA直接把专业市场的CUDA加速带到了ARM平台上,这意味着以前很多需要CPU乃至单独的应用处理器才能进行的任务都可以让GPU来完成,这是所有GPU发展的大趋势之一,也是NVIDIA准备的杀器。

如果你也被NVIDIA成功洗脑了,那么下边这句话可以把你拉回现实:虽然移动GPU的性能和技术决定了未来,NVIDIA在这方面有优势,但是市场成败的关键还要看厂商的功耗控制,在目前电池技术龟速前进的情况下,没有可靠续航的移动设备都是在耍流氓。


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