A projekt az Európai Unió társfinanszírozásával, az Európa terv keretében valósul meg. Számítógép- architektúrák dr. Kovács György DE AVK GAIT

A projekt az Európai Unió társfinanszírozásával, az Európa terv keretében valósul meg. 2 Számítógép- architektúrák Párhuzamos architektúrák osztályozása

HEFOP 3.3.1–P /1.03 A párhuzamos architektúrák osztályozása Sima Dezső (1998) osztályozása különbséget tesz az adatpárhuzamos és A funkcionálisan párhuzamos architektúrák között. Adatpárhuzamos architektúrákhoz tartoznak a: Vektorprocesszorok Asszociatív és neurális architektúrák SIMD architektúrák Szisztolikus architektúrák Funkcionálisan párhuzamos architektúrákhoz pedig: Utasításszinten párhuzamos architektúrák: (ILP Instruction Level Paralell) ezen belül: Futószalag architektúrák VLIW: Very Long Instruction Word architektúrák Szuperskalár architektúrák Szálszinten párhuzamos architektúrák (MIMD architektúrák) Folyamatszinten párhuzamos architektúrák

HEFOP 3.3.1–P /1.04 Párhuzamos architektúrák osztályozása

HEFOP 3.3.1–P /1.05 Szemcsézettség A funkcionálisan párhuzamos architektúrák az általuk kihasznált párhuzamosság szemcsézettsége szerint csoportosíthatók. A szemcsézettség meghatározza a viszonyt a feldolgozóelemek száma és az adatkészlet párhuzamossága között. Így megkülönböztetünk: Finom szemcsézettségű rendszereket jellemzőjük, hogy minden feldolgozóelemhez csak kevés számú adatelem tartozik. Durva szemcsézettségű rendszereket, melyeknél minden feldolgozóelemhez sok adatelem tartozik

HEFOP 3.3.1–P /1.06 Szisztolikus architektúrák Ebben a rendszerben a bevitt adatokat keresztülpumpálják egy műveletvégző rendszeren, az eredmény általában egy hosszú adatsor. A "szisztolikus" elnevezés a szív hasonló pumpáló mozgásának analógiájából született.

HEFOP 3.3.1–P /1.07 Neurális architektúrák (1) A neurális hálózat három rétegből áll: input rétegből, melyben elhelyezkedő sejtek a külvilággal állnak kapcsolatban. rejtett rétegből, mely hidat képez az output réteg és az input réteg között, output rétegből, mely a kívánt eredményt adja ki. A neurális hálózatok lényege a neuronok (sejtek) közötti kapcsolat, melyet az úgynevezett szinaptikus súlyokkal lehet vezérelni. Ha egy sejt több, más neurontól kap input értéket, akkor mindegyik input érték egy szinaptikus súllyal lesz megszorozva. Az így kapott szorzatokat összeadja a fogadó neuron, majd az értéket egy átviteli függvény szerint áttranszformálja és az így kapott érték lesz a neuronsejt outputja:

HEFOP 3.3.1–P /1.08 Neurális architektúrák (2) A neurális hálózatokban a tanulás során a neuronok közötti kapcsolat erőssége, vagyis a szinaptikus súly változik egy tanulási szabály alapján, azaz a sejt hálózatban a memóriát a szinaptikus súlyok értékével modellezik.

HEFOP 3.3.1–P /1.09

10

HEFOP 3.3.1–P /1.011