使用HPEC促进深度学习技术

期待已久的机器学习时代终于到来了。深度学习技术对作战人员的潜在好处既巨大又深远。随着防御系统趋向于更大的应用程序自主性，深度学习技术过于复杂，无法用更传统的处理技术实现，现在可以帮助显着推动流信号或图像数据平台处理的进步。事实证明，这些技术可用于模式识别任务，例如自然语言处理和图像特征检测，从而基于庞大的数据集产生高度可靠的自主决策。

加速深度学习在防御系统中应用的是可用的技术——最新的超大型 FPGA 的数字处理能力、高能效图形处理器单元 （GPU） 以及与灵活的多核处理器相关的高级 SIMD ［单指令多数据］ 处理单元。通过超越曾经使深度学习架构对任何类型的实时应用都不切实际的处理限制，如今，新的高性能嵌入式计算 （HPEC） 平台提供的进步，即使在尺寸、重量和功耗 （SWaP） 受限的系统中，深度学习算法也可以轻松满足。进一步定义如何应用深度学习算法来解决应用程序的特定问题是一项持续的挑战。因此，技术供应商必须能够定制和完善基于HPEC的平台，以便它们能够轻松适应深度学习应用的需求。

了解深度学习如何工作的基础知识有助于说明它对战士的积极力量。应用程序可以通过获取各种传感器（图像、声音、GPS 位置、雷达等）收集的任何信号（观察）来“学习”，并以抽象的方式表示它，或者作为形状、角落、图案等特征表示。这些抽象由深度神经网络（DNN，或数十层处理层）组成。每个图层根据特定类型的要素处理数据，并将结果提供给下一个图层。结果可能令人印象深刻，有时甚至比人工制作的解决方案更好，优化了人脸识别、图像配准、自然语言处理和欺诈检测等应用程序。

由于网络必须经过“训练”，因此必须应用大量计算，其中信息经过多次加权和优化，以减少出错的可能性。因此，学习阶段通常在不间断运行的数据中心中执行。每个训练结果都是一个快照。在［军事-航空航天］设置中，这些快照将部署在实际的嵌入式HPEC系统上进行测试。该过程不断重复，期望每个快照的响应都比前一个快照更好。

使用基于英特尔至强处理器 D-1540（Broadwell DE）的现成处理密集型平台，可以构建针对深度学习应用优化的模块化 HPEC 系统。这些系统充分利用其八个内核，每个内核有两个AVX2单元，以同时处理八个浮点FMA（融合乘法/累加）操作。换句话说，八个内核可以在每个时钟周期内执行 128 次浮点运算。英特尔至强融核协处理器进一步提高了这一水平。提供 72 个内核，每个内核有两个 AVX-512 单元，每个单元每个时钟处理 16 个 FMA 操作，总共 2304 个 FMA 操作。另一个优点是英特尔架构可确保与每一代后续 64 位处理器的二进制兼容性，从而有效地保护软件投资免受未来任何不兼容的影响。

此外，OpenCL 正在蓬勃发展，迅速成为异构计算的首选标准。其丰富而富有表现力的 API 管理数据流和计算对象，并有助于确保源代码在不同平台（如 GPU、CPU 和 FPGA）上的可移植性。基于 VPX 的主板和平台也增加了价值，通过背板与 PCIe Gen3 或 10 Gb 以太网链路提供高速/低延迟通信，帮助适应最广泛的应用。

在当今功能强大且功能丰富的HPEC平台的推动下，深度学习应用程序可以轻松筛选来自军方大信号和图像处理系统的大量数据流。考虑该技术对必须持续搜索感兴趣信号或目标的应用的影响。深度学习可以成为主动搜寻威胁和自主部署主动保护系统的答案。在HPEC平台的支持下，在国防系统智能自主需求的推动下，深度学习技术可能会在军方未来的作战战略中发挥重要的新作用。

审核编辑：郭婷