GPGPU在关键军事情报中不断变化的作用
对于上班族来说，每天盯着屏幕几个小时似乎很平凡，会产生一种疲倦或无聊的感觉。他们通过休息一下，走开，并在休息眼睛几分钟后回来来逃避。认为这会在军事监视环境中飞行，人员必须不断扫描图像以识别潜在威胁或感兴趣的人？绝对不是。
无论是否平凡，在军事环境中管理数据都不是一项可以掉以轻心的工作。值得庆幸的是，计算技术已经接管了这项安全任务的繁重工作。然而，显示器和电子设备的使用增加造成了一种独特的情况，实际上可能会损害系统及时安全地执行所需数据计算的能力。
更好的图像意味着更多的数据
从情境显示到战术显示，用于军事和国防应用的面板数量呈指数级增长。这相当于需要管理的数据和图像更多。不仅如此，图像质量的提高，转化为更多的像素和更高的分辨率，导致这些系统需要处理更多的数据。
如何正确处理这些不断增加的信息量并使其有效是整个军事和国防应用中关键对象检测、分类和威胁评估的重要考虑因素。
随着数据需求的增长，有关嵌入式系统快速有效地处理信息，然后正确识别对象的能力的关键问题开始发挥作用：
物体通常被有意或无意地部分遮挡或遮挡在视觉成像中——系统如何“填补空白”以确保它能够准确地对图像进行分类并做出正确的威胁判断？
雾、雨和不利照明（如黄昏或镜头泛光）等环境因素会影响图像识别 – 系统如何应对这些不可避免的情况以确保正确配准图像？
如果数据速度慢或质量低，敌方战斗人员（或行人）可能会被错误地分类——系统如何自信地自动识别感兴趣的人并推荐建议的行动？
努力平衡加工
当今的计算系统正在努力跟上需要处理的不断增长的数据量，同时仍在图像、威胁和分类之间建立准确的连接。
系统的核心是cpu，其内核在执行面向任务的功能的同时，以非常高的速率运行以处理图像数据。应用程序和功能的不断增加只会不断增加 cpu 负载。本地缓存和主内存被推到极限，嵌入式系统中出现了一个关键的瓶颈。
这一现实意味着系统正在限制计算能力，并被迫使用较低分辨率的图像以及较低帧速率的相机。设计人员没有采用一流的电子设备，而是将传感器简化，缩减整个系统的功能，甚至缩小数据输入，以跟上计算环境并避免系统过载。
这些不应该是妥协的领域，因为较低的图像质量和每秒较少的帧数通常会导致物体的不准确识别和分类。使用质量更好的图像可以轻松识别的威胁可能未被发现。这些限制意味着响应速度较慢，信息不实时。
我们需要妥协吗？
图形密集型游戏行业采用的gpu已被证明是减轻当今军事系统高数据和图像处理要求的一种不可或缺的方法。它们平衡系统需求并释放 cpu 以执行操作功能，而不是处理通过系统的所有数据点。
尽管gpu已经存在了一段时间，但它们现在才在许多使用现代坚固嵌入式系统的实际军事应用中获得牵引力，尤其是在战场上对实时态势感知的需求不断增长的情况下。为了理解为什么gpu最终被考虑用于军事应用，让我们考虑一下旧的显示技术。
如果绘制了一条对角线并进行了像素化处理，系统会模糊该线以将其拉直，但这会占用大量的 cpu 时间。例如，图像渐变和着色由 gpu 而不是系统的 cpu 处理。gpu 在后台处理此处理，从而释放 cpu 来处理操作任务并平衡整体系统负载。
加工功能的差异
cpu 的结构由几个复杂的内核组成，并使用串行处理，而 gpu 使用并行处理和许多较小的内核（数百个），可以重新架构以同时处理多个数据元素。没有瓶颈。
如果我们只使用cpu作为主要计算引擎，最终它会窒息。通过将应用程序的一些计算密集型部分推送到 gpu，而其余部分在 cpu 上运行，系统负载更加平衡。
因为它已经发展成为一个非常灵活和强大的处理器，gpu 能够比 cpu 更快地处理某些进程，因为：
可编程性
精度（浮点运算）
性能 – 用于处理并行工作负载的多个较小内核
在计算机行业中，gpu 不仅用于图形渲染，还用于游戏物理计算（碎片、烟雾、火焰和液体等物理效果）。该模型还用于加速使用数学算法的计算应用程序中的非图形应用程序。
cuda（计算统一设备架构）是由 nvidia 创建的并行计算平台和应用程序编程接口 （api） 模型，用于解决复杂的计算问题。因此，cpu 和 gpu 协同工作的速度越快，计算性能就越好。
它使软件开发人员能够使用支持 cuda 的 gpu 进行通用处理——这种方法称为 gpgpu ［用于“通用图形处理单元］。
这些用于军事应用的坚固耐用的 gpgpu 系统将高功率性能比封装到紧凑、坚固的外形中，在某些情况下，可提供高达 1 tflop 的处理能力，功耗仅为 7.5 w。一个例子：aitech 的下一代 a176 结合了 nvidia 的 jetson tx2 以及许多 i/o 选项和具有安全/快速擦除功能的内部 sata ssd，适用于现场、飞行和移动军事应用
深度学习和神经网络
在军事应用中使用 gpgpu 的演变采用深度学习的形式，cuda 是其中不可或缺的一部分。具体来说，深度学习帮助嵌入式系统像大脑一样运行，建立“神经”连接，将学习的推理应用于图像识别和数据处理要求。系统做出的决策是基于随着时间的推移而开发的学习行为，其中各种输入已被优先考虑并输入到系统中，就像神经元优先考虑输入人脑的信息一样。
从本质上讲，系统可以自我适应，以逻辑步骤进行，这有助于提高对象识别和威胁检测。
gpgpu为用户提供了许多优势，从处理增加的图形输出到作为dsp引擎运行，承担图像表征和识别的繁琐任务。这种持续学习的过程为系统提供了可靠的输出。系统认为：我们是否确定了朋友或敌人，需要采取哪些行动？
这种类型的处理像大脑一样工作，在多层神经网络方法中使用复杂的模式识别。它通过允许更容易地识别图像来增强系统智能和效率，同时为图像本身分配上下文以进行更深入的理解。
以汽车图像为例：计算机处理它所理解的内容，然后向下解析信息并寻找已知的模式。
当它完成计算时，它会重新排列数据，然后根据重要性对每个属性进行加权，以便它可以识别图像，使用学习的决策来减少选项。系统中的每个节点查看多个输入，并将其自己的输出馈送到其他几个节点：
1.汽车在地面上行驶，因此这不是飞机（上下文中的图像）。
2.汽车有四个轮子，因此这不是摩托车或坦克（模式识别）。
3.汽车具有封闭结构，因此它不是卡车（辨别特定属性）。
4.依此类推，直到系统识别车辆的品牌，型号甚至颜色。
关键：系统从 gpgpu 实现的卓越处理速度中获得的学习智能。
认识到即将发生的事情
随着军事应用使用更多的显示器，并且这些显示器提供更多的数据，然后不断输入嵌入式系统，正确管理这些信息的需求只会增加。
当今的军事服务要求坚固耐用的系统具有最高性能。多核 gpgpu 系统适合此模型，具有更高的数据处理能力、并行计算架构和更好地处理复杂计算，从而为更直观的反馈提供更高的系统智能。
线上：国内收入最高的VR游戏不过百万级,现在国内比较好的VR游戏有哪些？
瑞士国际航空迎来了首架空客A320neo飞机
苹果CEO库克宣布下一代技术战略目标：专注增强现实
芯片都有多少层电路呢
森林防火通信系统中无线宽带mesh自组网应急通信解决方案
GPGPU在关键军事情报中不断变化的作用
Zenimax Media刚刚被微软以75亿美元的价格收购
工业路由器在快递自提柜上的作用
70+高分子行业上市公司陆续发布了2020年半年度报告
瑞士开发新半导体材料-辉钼矿
机器会意识有吗？如何能让人工智能机器拥有意识？
【行业选择】新能源 or 电机控制 or 智能座舱 or 数控
中国电信正在打造一个5G+云+AI构成的智能物联网
一文解析π型滤波在开关电源的作用
东芝针对汽车应用推出三款100V N沟道功率MOSFET产品
怎么选择合适的热缩管？
传英特尔正与台积电、三星洽谈，英特尔将成台积电3纳米芯片第二大户
突发！楼氏电子或出售MEMS麦克风业务！歌尔股份成最大赢家？
又一国产巨头崛起，目标直指富士康的饭碗：手机代工生产
电能质量分析仪软件DRANVIEW 7介绍
无论是否平凡，在军事环境中管理数据都不是一项可以掉以轻心的工作。值得庆幸的是，计算技术已经接管了这项安全任务的繁重工作。然而，显示器和电子设备的使用增加造成了一种独特的情况，实际上可能会损害系统及时安全地执行所需数据计算的能力。
更好的图像意味着更多的数据
从情境显示到战术显示，用于军事和国防应用的面板数量呈指数级增长。这相当于需要管理的数据和图像更多。不仅如此，图像质量的提高，转化为更多的像素和更高的分辨率，导致这些系统需要处理更多的数据。
如何正确处理这些不断增加的信息量并使其有效是整个军事和国防应用中关键对象检测、分类和威胁评估的重要考虑因素。
随着数据需求的增长，有关嵌入式系统快速有效地处理信息，然后正确识别对象的能力的关键问题开始发挥作用：
物体通常被有意或无意地部分遮挡或遮挡在视觉成像中——系统如何“填补空白”以确保它能够准确地对图像进行分类并做出正确的威胁判断？
雾、雨和不利照明（如黄昏或镜头泛光）等环境因素会影响图像识别 – 系统如何应对这些不可避免的情况以确保正确配准图像？
如果数据速度慢或质量低，敌方战斗人员（或行人）可能会被错误地分类——系统如何自信地自动识别感兴趣的人并推荐建议的行动？
努力平衡加工
当今的计算系统正在努力跟上需要处理的不断增长的数据量，同时仍在图像、威胁和分类之间建立准确的连接。
系统的核心是cpu，其内核在执行面向任务的功能的同时，以非常高的速率运行以处理图像数据。应用程序和功能的不断增加只会不断增加 cpu 负载。本地缓存和主内存被推到极限，嵌入式系统中出现了一个关键的瓶颈。
这一现实意味着系统正在限制计算能力，并被迫使用较低分辨率的图像以及较低帧速率的相机。设计人员没有采用一流的电子设备，而是将传感器简化，缩减整个系统的功能，甚至缩小数据输入，以跟上计算环境并避免系统过载。
这些不应该是妥协的领域，因为较低的图像质量和每秒较少的帧数通常会导致物体的不准确识别和分类。使用质量更好的图像可以轻松识别的威胁可能未被发现。这些限制意味着响应速度较慢，信息不实时。
我们需要妥协吗？
图形密集型游戏行业采用的gpu已被证明是减轻当今军事系统高数据和图像处理要求的一种不可或缺的方法。它们平衡系统需求并释放 cpu 以执行操作功能，而不是处理通过系统的所有数据点。
尽管gpu已经存在了一段时间，但它们现在才在许多使用现代坚固嵌入式系统的实际军事应用中获得牵引力，尤其是在战场上对实时态势感知的需求不断增长的情况下。为了理解为什么gpu最终被考虑用于军事应用，让我们考虑一下旧的显示技术。
如果绘制了一条对角线并进行了像素化处理，系统会模糊该线以将其拉直，但这会占用大量的 cpu 时间。例如，图像渐变和着色由 gpu 而不是系统的 cpu 处理。gpu 在后台处理此处理，从而释放 cpu 来处理操作任务并平衡整体系统负载。
加工功能的差异
cpu 的结构由几个复杂的内核组成，并使用串行处理，而 gpu 使用并行处理和许多较小的内核（数百个），可以重新架构以同时处理多个数据元素。没有瓶颈。
如果我们只使用cpu作为主要计算引擎，最终它会窒息。通过将应用程序的一些计算密集型部分推送到 gpu，而其余部分在 cpu 上运行，系统负载更加平衡。
因为它已经发展成为一个非常灵活和强大的处理器，gpu 能够比 cpu 更快地处理某些进程，因为：
可编程性
精度（浮点运算）
性能 – 用于处理并行工作负载的多个较小内核
在计算机行业中，gpu 不仅用于图形渲染，还用于游戏物理计算（碎片、烟雾、火焰和液体等物理效果）。该模型还用于加速使用数学算法的计算应用程序中的非图形应用程序。
cuda（计算统一设备架构）是由 nvidia 创建的并行计算平台和应用程序编程接口 （api） 模型，用于解决复杂的计算问题。因此，cpu 和 gpu 协同工作的速度越快，计算性能就越好。
它使软件开发人员能够使用支持 cuda 的 gpu 进行通用处理——这种方法称为 gpgpu ［用于“通用图形处理单元］。
这些用于军事应用的坚固耐用的 gpgpu 系统将高功率性能比封装到紧凑、坚固的外形中，在某些情况下，可提供高达 1 tflop 的处理能力，功耗仅为 7.5 w。一个例子：aitech 的下一代 a176 结合了 nvidia 的 jetson tx2 以及许多 i/o 选项和具有安全/快速擦除功能的内部 sata ssd，适用于现场、飞行和移动军事应用
深度学习和神经网络
在军事应用中使用 gpgpu 的演变采用深度学习的形式，cuda 是其中不可或缺的一部分。具体来说，深度学习帮助嵌入式系统像大脑一样运行，建立“神经”连接，将学习的推理应用于图像识别和数据处理要求。系统做出的决策是基于随着时间的推移而开发的学习行为，其中各种输入已被优先考虑并输入到系统中，就像神经元优先考虑输入人脑的信息一样。
从本质上讲，系统可以自我适应，以逻辑步骤进行，这有助于提高对象识别和威胁检测。
gpgpu为用户提供了许多优势，从处理增加的图形输出到作为dsp引擎运行，承担图像表征和识别的繁琐任务。这种持续学习的过程为系统提供了可靠的输出。系统认为：我们是否确定了朋友或敌人，需要采取哪些行动？
这种类型的处理像大脑一样工作，在多层神经网络方法中使用复杂的模式识别。它通过允许更容易地识别图像来增强系统智能和效率，同时为图像本身分配上下文以进行更深入的理解。
以汽车图像为例：计算机处理它所理解的内容，然后向下解析信息并寻找已知的模式。
当它完成计算时，它会重新排列数据，然后根据重要性对每个属性进行加权，以便它可以识别图像，使用学习的决策来减少选项。系统中的每个节点查看多个输入，并将其自己的输出馈送到其他几个节点：
1.汽车在地面上行驶，因此这不是飞机（上下文中的图像）。
2.汽车有四个轮子，因此这不是摩托车或坦克（模式识别）。
3.汽车具有封闭结构，因此它不是卡车（辨别特定属性）。
4.依此类推，直到系统识别车辆的品牌，型号甚至颜色。
关键：系统从 gpgpu 实现的卓越处理速度中获得的学习智能。
认识到即将发生的事情
随着军事应用使用更多的显示器，并且这些显示器提供更多的数据，然后不断输入嵌入式系统，正确管理这些信息的需求只会增加。
当今的军事服务要求坚固耐用的系统具有最高性能。多核 gpgpu 系统适合此模型，具有更高的数据处理能力、并行计算架构和更好地处理复杂计算，从而为更直观的反馈提供更高的系统智能。
线上：国内收入最高的VR游戏不过百万级,现在国内比较好的VR游戏有哪些？
瑞士国际航空迎来了首架空客A320neo飞机
苹果CEO库克宣布下一代技术战略目标：专注增强现实
芯片都有多少层电路呢
森林防火通信系统中无线宽带mesh自组网应急通信解决方案
GPGPU在关键军事情报中不断变化的作用
Zenimax Media刚刚被微软以75亿美元的价格收购
工业路由器在快递自提柜上的作用
70+高分子行业上市公司陆续发布了2020年半年度报告
瑞士开发新半导体材料-辉钼矿
机器会意识有吗？如何能让人工智能机器拥有意识？
【行业选择】新能源 or 电机控制 or 智能座舱 or 数控
中国电信正在打造一个5G+云+AI构成的智能物联网
一文解析π型滤波在开关电源的作用
东芝针对汽车应用推出三款100V N沟道功率MOSFET产品
怎么选择合适的热缩管？
传英特尔正与台积电、三星洽谈，英特尔将成台积电3纳米芯片第二大户
突发！楼氏电子或出售MEMS麦克风业务！歌尔股份成最大赢家？
又一国产巨头崛起，目标直指富士康的饭碗：手机代工生产
电能质量分析仪软件DRANVIEW 7介绍