自适应视频帧混合
文献发布时间:2024-04-18 20:02:40
技术领域
至少一个实施例涉及用于执行一个或更多个神经网络的处理资源。例如,至少一个实施例涉及用于使用一个或更多个神经网络插值视频帧的处理资源。
背景技术
实现高质量视频需要耗费大量内存、时间或资源。内存、时间或资源(如计算资源)的使用量有待改善。例如,高分辨率视频包含大量信息,对这些信息的处理和存储会利用大量计算、带宽、内存和其他资源。此外,视频的内容可能很复杂,视频中的多个主体会做不同的事情,这可能会导致视频像素以不直接的方式变化。在某些情况下,视频的增强或其他处理应快速完成,以便使视频处理可用于特定目的,但视频的复杂性,加上视频所含信息量和计算资源的限制,使视频的有效处理变得困难。
附图说明
图1示出了根据至少一个实施例的神经网络被训练以混合帧运动的示例图;
图2示出了根据至少一个实施例的神经网络生成插值视频帧的示例图;
图3示出了根据至少一个实施例的用于生成插值视频帧的示例过程;
图4示出了根据至少一个实施例的示例图,其中使用运动矢量来生成插值帧;
图5示出了根据至少一个实施例的计算前向运动向量的示例图;
图6示出了根据至少一个实施例的使用光流分析来生成中间帧的示例图;
图7示出了根据至少一个实施例的混合前向运动候选的示例图;
图8示出了根据至少一个实施例的混合反向运动候选的示例图;
图9示出了根据至少一个实施例的生成插值帧的示例图;
图10示出了根据至少一个实施例的使用神经网络生成插值帧的示例过程;
图11示出了根据至少一个实施例的对图像的像素进行插值的示例图;
图12示出了根据至少一个实施例的使用运动对图像的像素进行插值的示例图;
图13示出了根据至少一个实施例的示例图,其中使用深度来分析图像的像素以进行插值;
图14示出了根据至少一个实施例的示例图,其中确定用于像素插值的滤波器大小;
图15示出了根据至少一个实施例的示例图,其中使用运动和深度来确定用于像素插值的滤波器大小;
图16示出了根据至少一个实施例的用于生成和应用用于自适应散射的滤波器的示例过程;
图17A示出了根据至少一个实施例的推理和/或训练逻辑;
图17B示出了根据至少一个实施例的推理和/或训练逻辑;
图18示出了根据至少一个实施例的神经网络的训练和部署;
图19示出了根据至少一个实施例的示例数据中心系统;
图20A示出了根据至少一个实施例的芯片级的超级计算机;
图20B示出了根据至少一个实施例的机架模块级的超级计算机;
图20C示出了根据至少一个实施例的机架级的超级计算机;
图20D示出了根据至少一个实施例的整个系统级的超级计算机;
图21是根据至少一个实施例的示出计算机系统的框图;
图22是根据至少一个实施例的示出计算机系统的框图;
图23示出了根据至少一个实施例的计算机系统;
图24示出了根据至少一个实施例的计算机系统;
图25A示出了根据至少一个实施例的计算机系统;
图25B示出了根据至少一个实施例的计算机系统;
图25C示出了根据至少一个实施例的计算机系统;
图25D示出了根据至少一个实施例的计算机系统;
图25E和图25F示出了根据至少一个实施例的共享编程模型;
图26示出了根据至少一个实施例的示例性集成电路和相关的图形处理器。
图27A和28B示出了根据至少一个实施例的示例性集成电路和相关联的图形处理器。
图28A和28B示出了根据至少一个实施例的附加的示例性图形处理器逻辑;
图29示出了根据至少一个实施例的计算机系统;
图30A示出了根据至少一个实施例的并行处理器;
图30B示出了根据至少一个实施例的分区单元;
图30C示出了根据至少一个实施例的处理集群;
图30D示出了根据至少一个实施例的图形多处理器;
图31示出了根据至少一个实施例的多图形处理单元(GPU)系统;
图32示出了根据至少一个实施例的图形处理器;
图33是根据至少一个实施例的示出用于处理器的处理器微架构的框图;
图34示出了根据至少一个实施例的深度学习应用程序处理器;
图35是根据至少一个实施例的示出了示例神经形态处理器的框图;
图36示出了根据一个或更多个实施例的图形处理器的至少部分;
图37示出了根据一个或更多个实施例的图形处理器的至少部分;
图38示出了根据一个或更多个实施例的图形处理器的至少部分;
图39是根据至少一个实施例的示出了图形处理器的图形处理引擎的框图;
图40是根据至少一个实施例的图形处理器核心的至少部分的框图;
图41A和41B示出了根据至少一个实施例的线程执行逻辑,其包括图形处理器核心的处理元件的阵列。
图42示出了根据至少一个实施例的并行处理单元(“PPU”);
图43示出了根据至少一个实施例的通用处理集群(“GPC”);
图44示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元;
图45示出了根据至少一个实施例的流式多处理器;
图46是根据至少一个实施例的高级计算管线的示例数据流图;
图47是根据至少一个实施例的用于在高级计算管线中训练、适应、实例化和部署机器学习模型的示例系统的系统图;
图48包括根据至少一个实施例的用于处理成像数据的高级计算管线4710A的示例图示;
图49A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流图;
图49B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流图;
图50A示出了根据至少一个实施例的用于训练机器学习模型的过程的数据流图;
图50B是根据至少一个实施例的利用预训练的注释模型来增强注释工具的客户端-服务器架构的示例图示;
图51示出了根据至少一个实施例的编程平台的软件栈;
图52示出了根据至少一个实施例的图51的软件栈的CUDA实现方式;
图53示出了根据至少一个实施例的图51的软件栈的ROCm实现方式;
图54示出了根据至少一个实施例的图51的软件栈的OpenCL实现方式;
图55示出了根据至少一个实施例的由编程平台支持的软件;
图56示出了根据至少一个实施例的用于在图51-54的编程平台上执行的编译代码;
图57示出了根据至少一个实施例的多媒体系统;
图58示出了根据至少一个实施例的分布式系统;
图59示出了根据至少一个实施例的超采样神经网络;
图60示出了根据至少一个实施例的超采样神经网络的架构;
图61示出了根据至少一个实施例的使用超采样神经网络进行流式传输的示例;
图62示出了根据至少一个实施例的使用超采样神经网络的模拟的示例;以及
图63示出了根据至少一个实施例的使用超采样神经网络的设备的示例。
具体实施方式
本文所描述和建议的技术涉及使用一个或更多个神经网络来执行视频处理操作,包括提高视频帧速率的操作。在至少一个实施例中,系统(诸如执行游戏引擎的处理器)生成与视频中相应时间相对应的视频帧,该视频的帧速率由处理器通过使用一个或更多个神经网络在视频生成的帧的时间之间生成一个或更多个视频帧来提高,诸如在所述游戏引擎生成的每对帧之间生成一个帧。下文诸如结合图3描述了使用一个或更多个神经网络生成帧的示例过程。
在至少一个实施例中,在各种视频(例如,来自游戏引擎或其他源)中,视频中与对象相对应的像素数可以在帧与帧之间发生变化;例如,在帧内移动的对象可以在帧内改变大小,从而例如朝相机移动的对象在第一帧中可以是3像素宽,而在第二帧、下一帧中可以是10像素宽。在至少一个实施例中,第一帧和与第一帧相继的第二帧(其中“第一”和“第二”是用于消除歧义的形容词)之间的中间帧可能具有3到10像素宽(例如6像素宽)的对象宽度。因此,需要生成像素值,以弥补下一帧中出现的额外像素。例如,在至少一个实施例中,使用上述维度,要从3像素宽增加到6像素宽,就需要沿着从3像素宽开始的像素行计算三个额外像素的值。更为复杂的是,帧中的对象可以在多个不同维度上改变大小,有时,对象在一个维度上会增大,但在另一个维度上会减小(诸如当一个对象既靠近相机又旋转时)。
在至少一个实施例中,在上述这一过程中,处理器使用深度信息客观地确定哪些像素彼此相似,以确定中间帧的像素值。在至少一个实施例中,例如,游戏引擎提供的信息表明了所述游戏引擎生成的帧中各个(或组)像素的深度。在至少一个实施例中,为了计算中间图像中像素的值,使用了具有相似深度(例如,深度在与要填充的像素位置相对应的深度值的阈值范围内)的一个或更多个附近像素的值。在至少一个实施例中,例如,可以用加权平均法对像素值进行平均或求和,其中求和的权重取决于深度与深度值被计算的像素的深度相差多远。在至少一个实施例中,彼此靠近的像素的深度值也彼此靠近,因此更可能是同一对象的一部分,而不是在附近像素处具有不同深度的另一对象,因此,更可能具有相同的颜色。在至少一个实施例中,深度值明显不同的靠近像素更有可能是不同对象(例如,一个前景对象和一个背景对象或两个不同的前景对象,它们在由视频表示的虚拟环境中沿着深度维度在空间上分离)的一部分。
在至少一个实施例中,游戏引擎(诸如上文和本文其他地方提到的)或其他视频提供者生成或以其他方式提供视频帧,该视频帧包括两个连续的帧(分别称为先前帧和当前帧,即使词语“先前”和“当前”指的是要在其间生成一个或更多个帧的帧,在某些上下文中这些词可能不是准确的形容词)。在至少一个实施例中,所述处理器或其他处理器(诸如下文图1中描述的处理器102)对先前帧和当前帧进行空间上采样(例如,使用诸如下文描述的神经网络技术或不使用神经网络),以提高先前帧和当前帧的分辨率(例如,从1080p到4K或从4K到8K或其他),尽管在某些实施例中,不应用上采样。上采样也可称为超级采样,上采样帧可称为超级采样帧。
在至少一个实施例中,所述处理器或其他处理器从上采样的当前帧和上采样的先前帧生成第一多个帧和第二多个帧,这些第一多个帧和第二多个帧与所述上采样的先前帧和当前帧以及上采样的先前帧具有相同的分辨率(例如4K或8K)。在至少一个实施例中,第一多个帧和第二多个帧中的这些帧可称为运动扭曲色彩帧(或高分辨率(HR)运动扭曲色彩帧或其他),这些帧可具有RGB或其他色彩空间中的像素值。需要注意的是,尽管有“运动扭曲”这一名称,但这些运动扭曲色彩帧中的一个或更多个可能不包含任何运动扭曲,诸如下一段描述的。
在至少一个实施例中,该第一多个帧(运动扭曲色彩帧)包括:与当前帧相同或以其他方式基于当前帧的第一帧,该当前帧不包括应用于当前帧的任何运动(其中,如果显示该第一帧,则与先前帧相似,因为对应显示图像中的对象将处于相同或相似的位置);基于所述游戏引擎输出或以其他方式获得的一个或更多个运动向量生成的第二帧,用于表示一个或更多个像素从当前帧开始的运动;以及基于以不同于所述第二帧的方式获得的一个或更多个运动向量,诸如使用光流分析生成的光流运动向量,生成的第三帧,用于表示一个或更多个像素从当前帧开始的运动,该光流分析可以利用所述处理器或其他处理器的光流电路或其他光流硬件。在至少一个实施例中,类似地,该第一多个帧包括:与先前帧相同或以其他方式基于先前帧的第一帧,该先前帧不包括应用于先前帧的任何运动(其中,如果显示该第一帧,则会与先前帧相似,因为对应显示图像中的对象将处于相同或相似的位置);基于所述游戏引擎输出或以其他方式获取的一个或更多个运动向量生成的第二帧,用于表示一个或更多个像素从先前帧开始的运动;以及基于以不同于所述第二帧的方式获得的一个或更多个运动向量,诸如使用光流分析生成的光流运动向量,生成的第三帧,用于表示一个或更多个像素从先前帧开始的运动,该光流分析可利用所述处理器或其他处理器的光流电路。在至少一个实施例中,所述运动向量(来自游戏引擎或光流分析或其他)近似从当前帧或先前帧中的一个到正在生成的帧(例如,当前帧和先前帧之间的帧)的运动。下文将结合诸如图1和图2进一步讨论多个帧(称为中间帧)的示例。在至少一个实施例中,在不失一般性的前提下,为方便起见,使用“多个中间帧”(或变体,诸如“中间帧”)指的是以下任何一种:运动扭曲色彩帧、LR亮度运动扭曲帧、混合中间帧、插值帧以及这些短语的变体,而使用“中间帧”所适用的特定类型的帧将根据上下文一目了然。
在至少一个实施例中,所述处理器或其他处理器对运动扭曲色彩帧进行下采样,并将下采样后的运动扭曲帧转换为YUV色彩空间,或者在至少另一个实施例中,对运动扭曲色彩帧进行转换,并转换运动扭曲色彩帧和对这些转换后的运动扭曲色彩帧的结果进行下采样。在至少一个实施例中,所述处理器或其他处理器执行转换和下采样,并仅使用YUV色彩空间的亮度通道来生成较低分辨率(LR)的亮度运动扭曲帧,其中LR亮度运动扭曲帧(例如,仅具有来自YUV色彩空间的亮度值的LR帧)。在至少一个实施例中,该处理器或其他处理器实施所述下采样,以匹配所述游戏引擎或其他视频提供者输出的帧的分辨率。在至少一个实施例中,当前帧和先前帧的下采样版本仅利用所述YUV色彩空间的亮度通道。在至少一个实施例中,这些LR亮度运动扭曲帧包括第一多个帧,该第一多个帧包括从当前帧生成或以其他方式获得的帧,以及第二多个帧,该第二多个帧包括从先前帧生成或以其他方式获得的帧,其中这些第一多个帧和第二多个帧中的每个帧与其各自当前帧或先前帧的不同类型的运动扭曲相对应(例如,无运动扭曲、由于游戏引擎或其他提供的运动向量而产生的运动扭曲,和/或由于光流分析的运动向量而产生的运动扭曲,诸如上文和本文讨论的其他情况)。
在至少一个实施例中,所述处理器或其他处理器将该多个LR亮度运动扭曲帧(上述的所述第一多个帧和第二多个帧)输入神经网络(诸如具有SoftMax层的U-net架构的神经网络,其中该神经网络经过训练以生成混合因子),用于生成多个混合因子,该混合因子指示如何混合中间帧(例如,由当前帧和先前帧生成的上述讨论的所述多个帧)。在至少一个实施例中,所述神经网络输出的混合因子(混合因子将在下文详细讨论)的分辨率等于LR亮度运动扭曲帧和/或游戏引擎或其他视频提供者输出的分辨率。在至少一个实施例中,例如,混合因子的分辨率为1080p,1080p图像中的每个像素都有一个单独的混合因子,虽然在某些实施例中,压缩或其他技术可能会导致像素与混合因子之间缺乏一一对应关系。
在至少一个实施例中,所述处理器或其他处理器对所述神经网络生成的混合因子进行上采样,使其具有与所述运动扭曲色彩帧的分辨率相匹配的分辨率(该分辨率可以与空间上采样算法输出的分辨率相同,诸如下文所述的4K或8K)。在至少一个实施例中,所述处理器或其他处理器通过根据所述上采样分辨率和混合因子建立像素位置之间的对应关系,从而对一个或更多个混合因子数组实施上采样,其中对应关系可以将单个混合因子应用于多个像素,诸如4x4或9x9网格的像素,也可以使用更复杂的上采样技术,诸如最近邻插值、使用非极大值抑制的上采样、双线性插值、使用高斯重构的插值、使用高斯或其他滤波器的上采样、双三次插值,以及使用一个或更多个经过训练来对混合因子进行上采样的神经网络进行上采样。在至少一个实施例中,虽然混合因子数组可以与要应用混合因子的图像具有相同的分辨率,但其它实施例可以使混合因子数组和要应用混合因子的图像具有不同的分辨率,诸如当像素和混合因子之间的对应关系以其它方式建立时。
在至少一个实施例中,这些混合因子包括以下信息:对于正在生成的帧中的每个像素位置,指示如何组合(例如,通过像素值的加权和)每个所述运动扭曲色彩帧中相同位置处的像素值。在至少一个实施例中,混合因子被组织成两个数组,其中第一数组包括用于指示如何混合从当前帧生成或以其他方式获得的运动扭曲色彩帧的对应像素的混合因子,并且第二数组包括用于指示如何混合从先前帧生成或以其他方式获得的运动扭曲色彩帧的对应像素的混合因子。
在至少一个实施例中,第一数组包括多个三维或其他维向量,其中每个分量表示要应用于从当前帧生成或以其他方式获得的对应运动扭曲色彩帧中的对应像素值的权重。在至少一个实施例中,例如,与正在生成的帧中的像素位置相对应的(0.25,0.75,0.0)向量表示该像素位置的像素值(如亮度)计算为0.25*p1+0.75*p2+0.0*p3,其中p1表示同一像素位置处的第一运动扭曲色彩帧的像素值,p2表示所述同一像素位置处的第二运动扭曲色彩帧的像素值,p3表示所述像素位置处的第三运动扭曲色彩帧的像素值。
在至少一个实施例中,第二数组包括多个三维或其他维度向量,其中每个分量表示要应用于从先前帧生成或以其他方式获得的运动扭曲色彩帧中的对应像素值的权重。在至少一个实施例中,例如,与正在生成的帧中的像素位置对应的(0.31,0.41,0.28)向量表示像素位置的像素值(例如,亮度)计算为0.31*p1+0.41*p2+0.28*p3,其中p1表示同一像素位置处的第一运动扭曲色彩帧的像素值,p2表示所述同一像素位置处的第二运动扭曲色彩帧的像素值,p3表示所述像素位置处的第三运动扭曲色彩帧的像素值。在至少一个实施例中,本例的像素值是包括表示红色值、绿色值和蓝色值的分量的RGB向量,加法是元素加法(例如,对应的红色值相加,对应的绿色值相加,对应的蓝色值相加)。虽然示例显示每个向量的元素相加为1.0(例如,由于所述神经网络中的所述SoftMax层),但元素不一定归一化,并且在某些实施例中可能相加为不同于1的值(例如,大于或小于1)。
在至少一个实施例中,单个数组可以包括更大的向量,诸如向量中每个分量与相应的运动扭曲色彩帧相对应,总的来说,所有所述运动扭曲色彩帧在每个向量中都有一个对应的元素,而不是两个向量数组,其中每个数组与对应的运动扭曲色彩帧子集相对应。在至少一个实施例中,例如在生成6个运动扭曲色彩帧的实施例中,数组可包括6维向量,继续前面段落中的例子,向量可以是(0.31,0.41,0.28,0.25,0.75,0.0),其中对应关系如上所述,或者(0.155,0.205,0.14,0.125,0.375,0.0),其分量和为1。在诸如这样的实施例中,本文所讨论的操作可根据实际情况进行调整。下文还将诸如结合图1讨论混合因子。
在至少一个实施例中,所述处理器或其他处理器使用所述神经网络提供的混合因子,根据混合因子来生成运动扭曲色彩帧的混合逐元素和。在至少一个实施例中,所述处理器或其它处理器将对应运动扭曲色彩帧的相同位置的像素进行组合,如上所述。作为示例,诸如上文所描述的,对于像素位置的每个像素,所述处理器或其他处理器使用与该像素位置对应的混合因子来组合(例如,添加像素值)所述像素位置的对应运动扭曲色彩帧的像素值。在至少一个实施例中,诸如在利用两个向量数组或利用单个向量数组的实施例中,如上所述,所述处理器或其它处理器生成两个混合中间帧,一个来自从当前帧生成或以其它方式获得的运动扭曲色彩帧,另一个来自从先前帧生成或以其它方式获得的运动扭曲色彩帧。在至少一个实施例中,所述处理器或其他处理器生成单个混合运动扭曲色彩帧,该混合运动扭曲色彩帧可以是最终输出帧,可以称为插值帧。
在至少一个实施例中,诸如上文所述,所述处理器或其他处理器可以生成两个以上的混合中间帧,并且在这样的实施例中,所述处理器和其他处理器将两个以上的混合中间帧进行混合以生成插帧。在至少一个实施例中,所述处理器或其他处理器不使用神经网络来执行混合中间帧的混合,但在某些实施例中,可以使用被训练以用于混合中间帧的神经网络。在至少一个实施例中,所述处理器或其他处理器通过对来自每个混合中间帧的对应(例如相同)像素位置的对应像素值求平均来实施混合。在至少一个实施例中,混合混合中间帧的结果被用作最终输出帧(例如,添加到显示缓冲器或以其他方式提供),尽管在某些实施例中,在所述结果用作最终输出之前,可以执行额外的图像处理。
在至少一个实施例中,诸如上述的操作重复进行,当前帧成为先前帧,新的当前帧从游戏引擎或其他视频提供者处获取。
图1示出了根据至少一个实施例的示例图100,其中使用神经网络生成帧运动的混合因子。在至少一个实施例中,处理器102使用诸如本文所述的系统和方法,执行或以其它方式实施一条或更多条指令,以使用神经网络110生成帧运动的混合因子。在至少一个实施例中,处理器102使用神经网络110生成用于帧插值的帧运动的混合因子,如本文至少结合图2和图3所述。在至少一个实施例中,处理器102使用神经网络110生成帧运动中使用的混合因子,用于执行基于深度学习的帧插值(例如,深度学习帧生成(DLFG)),如本文至少结合图4至图10所述。在至少一个实施例中,神经网络110的输入包括一个或更多个帧(例如,先前帧104和/或当前帧106)和附加帧信息,包括但不限于先前帧104和/或当前帧106的像素的深度信息、先前帧104和/或当前帧106的像素的运动信息、相机位置和/或取向和/或诸如本文至少结合图1和图2所述的其它此类信息。在至少一个实施例中,来自神经网络110的输出包括一个或更多个中间帧的混合因子。
在至少一个实施例中,处理器102是诸如下文所述的处理器。在至少一个实施例中,例如,处理器102是中央处理单元(CPU)、图形处理单元(GPU)、并行处理单元(PPU)、通用图形处理单元(GPGPU)、计算集群和/或这些和/或诸如其它处理器的组合。在至少一个实施例中,处理器102是诸如本文所述计算机系统的一部分(例如,诸如本文至少结合图21-24所述的计算机系统)。在图1中未示出的至少一个实施例中,使用诸如本文所述的系统和方法,一个或更多个附加处理器用于执行或以其它方式实施一个或更多个指令,以使用神经网络110生成帧运动中使用的混合因子。在图1中未示出的至少一个实施例中,处理器102是诸如本文所述的多个处理器中的一个。
在至少一个实施例中,神经网络110是诸如本文至少结合图18所述的神经网络。在至少一个实施例中,神经网络110被称为神经模型。在至少一个实施例中,神经网络110被称为学习模型。在至少一个实施例中,神经网络110被称为推理模型。在至少一个实施例中,神经网络110是诸如本文所述的多个神经网络之一。在至少一个实施例中,神经网络是诸如本文至少结合图2所述的神经网络212的神经网络。
在图1中未示出的至少一个实施例中,使用诸如本文所述的系统和方法(例如,如本文至少结合神经网络212所述,本文至少结合图2所述),训练数据用于训练未经训练的神经网络以生成经训练的神经网络。在至少一个实施例中,未经训练的神经网络是已经部分训练过的神经网络,对其要进行额外的训练。在至少一个实施例中,训练数据是训练数据集,诸如本文至少结合图18所述的训练数据集1802。在至少一个实施例中,未经训练的神经网络是,诸如未经训练的神经网络1806的未经训练的神经网络,也如本文至少结合图18所述。在至少一个实施例中,经训练的神经网络是诸如经训练的神经网络1808的经训练的神经网络,也如本文至少结合图18所述。在至少一个实施例中,诸如本文所述的神经网络是使用监督学习、使用强监督学习、使用弱监督学习、通过产生随机改变的输入数据的变化来训练的。
在图1未示出的至少一个实施例中,诸如本文所述的神经网络是利用一个或更多个神经网络参数生成的。在至少一个实施例中,神经网络参数是用于确定神经网络的结构和性能特征的参数。在至少一个实施例中,神经网络参数包括权重,和/或诸如神经网络的学习率、神经网络的局部迭代、神经网络的聚合权重、神经网络的神经元数量等其它参数。
在至少一个实施例中,处理器102接收先前帧104(也可称为历史帧,或历史的帧,或其他方式)、当前帧108和附加帧信息108。虽然使用了"帧"一词,但也可以使用其他术语,诸如视频帧、游戏帧、图像帧、图像、图片、帧数据、图像数据等等。在至少一个实施例中,先前帧104是一组视频和/或图像数据帧中的先前帧。在至少一个实施例中,例如,先前帧104是由图形处理单元(GPU)、多媒体设备、游戏机、视频捕获设备、自动驾驶车辆的摄像头、广播电视设备和/或其它此类设备渲染的最近的先前帧。在至少一个实施例中,先前帧104是使用图形引擎、游戏引擎、多媒体引擎和/或其它此类渲染引擎渲染的最新的先前帧(例如,在当前帧之前)。在至少一个实施例中,先前帧104是由神经网络和/或一些其他诸如人工智能和/或基于深度学习的系统模拟的最新的先前帧。在至少一个实施例中,先前帧104不是最新的先前帧,而是较旧的帧。在图1未示出的至少一个实施例中,先前帧104包括多个先前帧。在至少一个实施例中,先前帧104已经显示或渲染到诸如本文所述的显示设备(例如,显示到或渲染到计算设备的屏幕或监视器上)。在至少一个实施例中,先前帧104尚未显示或渲染到诸如本文所述的显示设备上。在图1中未示出的至少一个实施例中,先前帧104包括一种或多种类型数据的组合,包括但不限于视觉数据(例如像素)、非视觉数据(例如声音)、物理数据(例如当前帧104的对象的运动和/或力)、触觉数据(例如来自物理帧104的对象的力反馈)和/或诸如其它数据。在图1未示出的至少一个实施例中,先前帧104由一个或更多个不同于神经网络110的神经网络生成。
在至少一个实施例中,当前帧106是一组视频和/或图像数据帧中的当前帧。在至少一个实施例中,例如,当前帧106是由图形处理单元(GPU)、多媒体设备、游戏控制台、视频捕获设备、自动驾驶车辆的摄像头、广播电视设备和/或其它此类设备渲染的最近的当前帧。在至少一个实施例中,先前帧104和当前帧106是由系统(例如,游戏引擎)相继渲染的帧,如下所述。在至少一个实施例中,当前帧106是使用图形引擎、游戏引擎、多媒体引擎和/或其它此类渲染引擎渲染的最新当前帧。在至少一个实施例中,当前帧106是由神经网络和/或一些其它此类人工智能和/或基于深度学习的系统生成或模拟的最新当前帧。在至少一个实施例中,当前帧106不是最新的当前帧,而是较旧的帧。在图1中未示出的至少一个实施例中,当前帧106包括多个当前帧。在至少一个实施例中,当前帧106已经显示或渲染到诸如本文所述的显示设备上(例如,显示或渲染到计算设备的屏幕或监视器上)。在至少一个实施例中,当前帧106尚未显示或渲染到诸如本文所述的显示设备上。在图1中未示出的至少一个实施例中,当前帧106包括一种或多种类型数据的组合,这些数据包括但不限于视觉数据(例如像素)、非视觉数据(例如声音)、物理数据(例如物理帧106的对象的运动和/或力)、触觉数据(例如当前帧106的对象的力反馈)和/或其它此类数据。在图1未示出的至少一个实施例中,当前帧106由一个或更多个不同于神经网络110的神经网络生成。
在至少一个实施例中,先前帧104来自当前帧106之前(例如,来自较早时间)的时间(例如,在视频流中)。在至少一个实施例中,先前帧104来自当前帧106之后(例如,来自较晚的时间)的时间(例如,在视频流中)。在至少一个实施例中,先前帧104来自与当前帧106相同的时间(例如,在视频流中)。在至少一个实施例中,先前帧104和当前帧来自诸如本文所述的单个共享设备。在至少一个实施例中,先前帧104来自诸如本文所述的第一设备,当前帧106来自诸如本文所述的第二设备。在至少一个实施例中,先前帧104和当前帧106包括相同类型的内容(例如,都来自游戏引擎)。在至少一个实施例中,先前帧104和当前帧106包括一种或多种不同类型的内容(例如,先前帧104来自游戏引擎,当前帧106来自自动驾驶车辆)。如本文所用,先前帧104也称为第一帧,当前帧106也称为第二帧。
在至少一个实施例中,附加帧信息108是与先前帧104和/或当前帧106相关联的附加数据。在至少一个实施例中,附加帧信息108包括颜色数据(例如,对象和/或帧的像素的颜色)、深度数据(例如,对象和/或帧的像素的深度)、运动数据(例如,对象和/或帧的像素的运动)、阴影运动数据(例如,对象和/或帧的像素的阴影的运动)、相机数据(例如,用于生成帧的一个或更多个相机的位置和/或取向)、法线数据(例如,帧中对象和/或像素的表面法线的位置和/或取向)、照明数据(例如,帧中一个或更多个照明光源的位置、取向和/或颜色)、反射数据(例如,来自帧中对象表面的照明反射)、焦散数据(例如,来自帧中对象的漫反射表面的照明反射)、反照率数据(例如,帧中对象和/或像素的底层颜色)和/或其他诸如信息。在至少一个实施例中,附加帧信息108的一个或更多个元素被包含为先前帧104和/或当前帧106的一部分。
在至少一个实施例中,处理器102接收先前帧104、当前帧106和/或附加帧信息108。在至少一个实施例中,先前帧104和/或当前帧106通过空间上采样生成(例如,通过空间超级采样,诸如,例如,DLSS、
在至少一个实施例中,处理器102如上所述预处理帧126以生成一个或更多个预处理帧(例如,实施转换和下采样并仅使用YUV色彩空间的亮度通道来生成低分辨率(LR)亮度运动扭曲色彩帧)。在至少一个实施例中,预处理帧128(例如,经转换和下采样的帧)作为输入提供给神经网络110,神经网络使用预处理帧生成混合因子112并输出混合因子114,如上所述。在至少一个实施例中,神经网络110使用诸如本文所述的技术、系统和方法,使用预处理帧128生成一个或更多个混合因子112。
在至少一个实施例中,神经网络110至少部分地基于本文所述的一个或更多个混合模型输出混合因子114。在至少一个实施例中,神经网络110基于混合模型输出混合因子114。在至少一个实施例中,神经网络110针对先前帧104和/或当前帧106的每个对应像素输出一个或更多个混合因子114。在至少一个实施例中,神经网络110针对一个或更多个预处理帧128(例如,神经网络110的输入帧)的每个对应像素输出一个或更多个混合因子114。例如,在至少一个实施例中,神经网络110针对预处理帧128的每个对应像素输出六个混合因子114。在至少一个实施例中,例如,神经网络110为预处理帧128的每个对应像素输出两组,每组三个混合因子114。
在至少一个实施例中,神经网络110使用诸如本文所述的系统和方法,至少部分地基于先前帧104和当前帧106生成一个或更多个混合因子112并输出混合因子114。在至少一个实施例中,例如,如果先前帧104位于10.0秒标记处,当前帧106位于10.1秒标记处,则神经网络110生成一个或更多个混合因子112并输出混合因子114,混合因子114用于在10.05秒标记处(例如,先前帧104和当前帧106之间的中间位置)生成一个或更多个中间帧。在至少一个实施例中,如本文所述,神经网络110生成一个或更多个混合因子112并输出混合因子114,该混合因子114用于在先前帧104和当前帧106之间的多个时间点(例如在10.01秒、10.02秒等)生成一个或更多个中间帧。在至少一个实施例中,神经网络110通过将当前帧106的元素投射到一个或更多个中间帧(例如,运动、深度、颜色和或其他诸如本文所述的元素),通过将先前帧104的元素投射到一个或更多个中间帧(例如,运动、深度、颜色和或其他诸如本文所述的元素),并使用诸如本文所述的系统和方法混合所述元素,从而生成一个或更多个中间帧和/或生成一个或更多个混合因子112。
在至少一个实施例中,神经网络110至少部分地基于诸如本文所述的一种或多种运动类型(例如,由于运动向量、由于光流、由于相机运动、静态运动等)生成一个或更多个混合因子112。在至少一个实施例中,神经网络110至少部分地基于先前帧104和/或当前帧106的像素和/或对象的运动信息生成一个或更多个混合因子112。在至少一个实施例中,例如,神经网络110至少部分地基于与先前帧104、当前帧106和/或先前帧104和当前帧106的组合的像素对应的一组运动向量生成一个或更多个混合因子112。在至少一个实施例中,神经网络110使用诸如本文至少结合图2和图3所述的系统和方法生成一个或更多个混合因子112。在至少一个实施例中,神经网络110使用诸如本文至少结合图4至图10所述的系统和方法生成一个或更多个混合因子112。在图1中未示出的至少一个实施例中,生成一个或更多个混合因子112的神经网络可以不同于神经网络110,这样,例如,神经网络110接收由一个或更多个图1中未示出的其他神经网络生成的一个或更多个混合因子。
在图1中未示出的至少一个实施例中,附加帧信息108包括先前帧104、当前帧106和/或附加帧信息108中的数据的置信度信息。在至少一个实施例中,例如,附加帧信息108包括当前帧106中的对象运动的一个或更多个置信度度量,因此,例如,接收到的当前帧106的运动向量被认为完全可靠(例如,置信度最高)、被认为非常可靠(例如,置信度较高)、被认为不太可靠(例如,置信度较低)或被认为不可用(例如,无置信度)。
在图1中未示出的至少一个实施例中,当神经网络110生成一个或更多个混合因子112时,神经网络110会使得生成置信度信息。在至少一个实施例中,神经网络110生成的置信度信息至少部分地基于包括在附加帧信息108中的置信度信息,如本文所述。在至少一个实施例中,神经网络110至少部分地基于生成一个或更多个混合因子112来改变附加帧信息108中包括的置信度信息。在至少一个实施例中,神经网络110使得使用诸如本文至少结合图2和图3所述的系统和方法来生成置信度信息。在至少一个实施例中,神经网络110使得利用诸如本文所述的系统和方法生成置信度信息。
在图1未示出的至少一个实施例中,神经网络110使得使用诸如本文所述的系统和方法生成一个或更多个附加帧。在至少一个实施例中,至少部分地基于诸如本文所述的附加帧信息108生成一个或更多个附加帧。在至少一个实施例中,例如,一个或更多个附加帧包括颜色数据、深度数据、运动数据、阴影运动数据、法线数据、照明数据、反射数据、焦散数据、反照率数据和/或其他此类数据。在至少一个实施例中,除了附加帧信息108之外,还使用了一个或更多个附加帧。在至少一个实施例中,一个或更多个附加帧用于替代附加帧信息108。在至少一个实施例中,一个或更多个附加帧可以增强附加帧信息108(例如,通过提供滤波器、混合因子、标量和/或附加帧信息)。
在至少一个实施例中,神经网络110生成一个或更多个附加帧,以增强一个或更多个中间帧。在至少一个实施例中,用于增强一个或更多个中间帧的一个或更多个附加帧是残差帧。在至少一个实施例中,例如,附加帧包括一个或更多个增强混合结果的像素(例如,运动混合、视觉混合或这些混合和/或其他诸如本文所述的混合类型的组合)。在这样的示例中,附加帧的像素可以是白色(例如,使视觉混合结果变亮),可以是黑色(例如,使视觉混合结果变暗),可以是灰色(例如,使混合结果归一化),可以包括滤波器(例如,边缘增强滤波器和/或其他此类滤波器),或者可以包括其他此类信息。诸如本文所述,在示例中,附加帧的像素还包括标量值,用于增强、去增强、归一化和/或过滤一个或更多个运动结果。在至少一个实施例中,一个或更多个附加帧包括帧数据,以替换一个或更多个中间帧的部分或全部数据。在至少一个实施例中,例如,一个或更多个中间帧的部分或全部包括损坏的数据,在诸如这样的示例中,一个或更多个附加帧中的一个可以包括神经网络110作为检测此类损坏数据的结果而生成的全部和/或部分替换数据。在图1未示出的至少一个实施例中,引起一个或更多个附加帧的神经网络与神经网络110不同,因此,例如,神经网络110接收由一个或更多个其他神经网络生成的一个或更多个附加帧。
在至少一个实施例中,处理器102确定一个或更多个对象变化130。在至少一个实施例中,一个或更多个对象变化130包括一个或更多个对象运动和/或大小变化。在至少一个实施例中,一个或更多个对象变化130是使用本文至少结合图2-16所描述的技术、系统和方法产生的先前帧104和当前帧106中的一个或更多个帧中的对象的表观位置的变化。在至少一个实施例中,处理器102使用本文至少结合图4所描述的当前帧运动向量406来确定一个或更多个对象运动和/或大小变化130。在至少一个实施例中,诸如当前帧运动向量406的运动向量被用于确定本文所述的对象的运动。在至少一个实施例中,诸如当前帧运动向量406被用于确定对象的大小变化,例如当对象移动到相机附近或移动到离相机更远的地方时。在至少一个实施例中,处理器102使用本文至少结合图6所描述的光流610来确定一个或更多个对象的运动和/或大小变化130。在至少一个实施例中,例如,如果对象位于先前帧104中,并且处理器102使用光流610确定所述对象位于当前帧106中的不同位置,则可以至少部分地基于光流610确定所述对象的运动和/或大小变化。在至少一个实施例中,对象运动和/或大小变化被用于定位中间帧和/或插值帧中可能存在的洞(hole)(例如,数据缺失),如本文至少结合图11所述。
在至少一个实施例中,处理器102使用对象运动和/或大小变化130生成滤波器132,当应用到帧数据时,滤波器132用于使用诸如本文至少结合图11-16描述的技术、系统和方法的技术、系统和方法以及本文其他地方描述的技术、系统和方法从图像数据中去除洞(例如,缺失数据)。在至少一个实施例中,滤波器是值矩阵(例如3x3矩阵、5x5矩阵、张量等),当与图像的像素和/或邻近像素或相邻像素相乘时,可以增强或以其它方式改变图像。在至少一个实施例中,像素与滤波器相乘涉及实施矩阵乘法运算,包括滤波器矩阵和像素值矩阵的操作数,其中像素值矩阵是包括图像的矩阵的子矩阵,图像的每个像素在所述图像中有对应位置,该对应位置与所述矩阵中的对应位置相对应。在至少一个实施例中,滤波器被称为核或卷积核。至少在一个实施例中,滤波器是在处理图像数据时应用于图像数据(例如像素)的多个滤波器之一。滤波器(或核)的例子包括盒式滤波器、平滑核、高斯滤波器、边缘检测滤波器、索贝尔算子、拉普拉斯算子等。例如,索贝尔算子是一对3x3矩阵(一个表示“x”,一个表示“y”),其中第一矩阵I
在至少一个实施例中,诸如滤波器132的滤波器通过从附近的像素中提取有效值来修复缺失的像素数据,从而填补数据中的洞。在至少一个实施例中,修复包括计算、生成或以其他方式确定一个或更多个像素的值,诸如其值尚未计算(例如,由于帧之间图像中对象的运动)的一个或更多个像素。在至少一个实施例中,在(例如,由神经网络110生成)生成混合因子112时应用诸如滤波器132的滤波器。在至少一个实施例中,在(例如,由处理器102)混合中间帧时应用诸如滤波器132的滤波器。在至少一个实施例中,滤波器(或核)的大小至少部分地基于洞的大小。例如,在至少一个实施例中,一个10x10像素的洞可能需要一个至少同样大的滤波器来有效地填充所述洞。在至少一个实施例中,滤波器的内容至少部分地基于在哪里可以获得填补洞的数据。例如,在至少一个实施例中,如果已知好的数据位于洞的右侧,则可以选择强调右侧数据的滤波器(例如,第三列中具有非零值的滤波器)。
在至少一个实施例中,滤波器132的大小和内容(例如矩阵行值和列值)至少部分地基于运动向量(例如当前帧运动向量406)和/或光流(例如光流610)。在至少一个实施例中,滤波器132的大小和内容至少部分地基于从神经网络110获得的一个或更多个混合因子,如上所述。在至少一个实施例中,滤波器132的大小和内容至少部分地基于先前帧104、当前帧106、附加帧信息108、预处理帧128或其他此类因素的内容。
在至少一个实施例中,滤波器的大小和内容至少部分基于一个或更多个对象变化130。在至少一个实施例中,例如,在先前帧104和当前帧106之间变得两倍大的对象使用滤波器,该滤波器至少部分地基于在插值帧中显示该对象所需的增加像素数。在图1未示出的至少一个实施例中,使用神经网络110的输出(例如,除一个或更多个混合因子114之外产生的输出)确定先前帧104和当前帧106中的一个或更多个中的对象的一个或更多个对象变化130。在图1未示出的至少一个实施例中,处理器102从另一个过程或处理器接收对象运动和/或大小变化。在图1未示出的至少一个实施例中,处理器102从另一个过程或处理器接收滤波器(如滤波器132)。在至少一个实施例中,处理器102使用对象运动和/或大小变化130来生成滤波器132,同时混合中间帧116,如下所述。
在至少一个实施例中,神经网络110使用诸如本文所述的系统和方法确定用于混合帧的一个或更多个混合因子112。在至少一个实施例中,混合因子用于生成两个或更多个中间帧(例如,来自先前帧104的一帧和来自当前帧106的一帧)。在至少一个实施例中,处理器如上所述混合中间帧116。在至少一个实施例中,神经网络110使用混合因子来混合中间帧116。在至少一个实施例中,处理器102使用诸如本文所述的技术、系统和方法使用混合因子来混合中间帧116。
在至少一个实施例中,中间帧包括数据,对于帧(例如所述当前帧或所述先前帧)中的每个像素,这些数据指示从该帧到待生成的内插帧的运动,其中运动是根据与所述中间帧相对应的方式确定的,多个中间帧中的每个中间帧都根据确定运动的不同方式为每个像素提供此信息。在至少一个实施例中,中间帧缺乏足够的信息来被渲染为图像,不过在某些实施例中,中间帧可以是图像。在至少一个实施例中,中间帧包括用于指示对于所述中间帧的每个像素从先前帧到所述先前帧和当前帧之间的时间中间位置的运动的信息。在至少一个实施例中,确定运动的不同方式包括:使用来自游戏引擎或其他来源的运动向量(可指示某些像素的运动,但不指示其他像素的运动);使用基于从先前帧到当前帧的相机位置变化的标准几何技术计算的运动,其中也可使用可从所述游戏引擎或其他来源提供的像素深度;基于光流分析计算的运动,和/或以其他方式计算的运动。在至少一个实施例中,混合因子表示像素运动的加权和,其中要求和的运动来自多个相应中间帧的多种类型运动中的每一种。
在至少一个实施例中,中间帧包括基于从先前帧到当前帧的运动(向前运动)生成的第一组一个或更多个帧,以及基于从当前帧到先前帧的运动(后向运动)生成的第二组一个或更多个帧。在至少一个实施例中,插值帧与先前帧或当前帧之间的时间距离用于计算每个中间帧的运动。在至少一个实施例中,例如,如果在先前帧和当前帧之间要有一个插值帧,则中间帧的运动要为所述当前帧和所述先前帧之间计算出的运动的一半(无论是前向还是后向,取决于正在生成的中间帧)。在至少一个实施例中,例如,如果在先前帧和当前帧之间要有两个插值帧,可以基于从所述先前帧到所述当前帧的三分之一时间距离生成运动类型的第一个插值帧,并基于从所述先前帧到所述当前帧的三分之二时间距离生成另一个插值帧。一般来说,如果先前帧和当前帧之间要有N(正整数)个插值帧,则可针对先前帧和当前帧之间的时间距离的1/(N+1)、所述时间距离的2/(N+1)、所述时间距离的3/(N+1)、......、所述时间距离的N/(N+1)的时间位置生成中间帧。
在至少一个实施例中,例如,第一中间帧包括从先前帧104到中间帧的对象的运动(例如,沿从先前帧104移动到当前帧106的动态对象的运动向量半途),其中此类运动可以来自游戏引擎或其他来源提供的运动向量。在至少一个实施例中,第二中间帧包括静态对象(例如,不因运动矢量而移动但在诸如相机运动下从先前帧104移动到当前帧106的对象)的运动,其中此类运动(可称为光学运动)可使用深度和相机位置进行计算。在至少一个实施例中,第三中间帧包括静态对象(例如,完全不移动的对象,诸如一些用户界面元素)的运动。在至少一个实施例中,第四中间帧包括来自一个或更多个附加帧(诸如本文所述的那些)的数据。在至少一个实施例中,并且在这样的示例中,神经网络110可以使用一个或更多个混合因子来混合帧,例如,混合25%来自第一中间帧的运动、25%来自第二中间帧的运动、25%来自第三中间帧的运动以及25%来自第四中间帧的运动。在至少一个实施例中,像素的混合因子更偏向于一种类型的运动,诸如来自游戏引擎产生的运动向量的运动。在至少一个实施例中,不同的像素具有不同的混合因子,这可能是由于像素从一帧到另一帧的运动可能取决于很多不同的因素,诸如视频场景内对象的横向运动、视频场景内对象的旋转运动、虚拟相机的镜头运动等等。
在至少一个实施例并且在这样的示例中,例如,神经网络110还可以通过混合100%的来自第一中间帧的运动、0%的来自第二中间帧的运动、0%的来自第三中间帧的运动以及0%的来自第四中间帧的运动,使用一个或更多个混合因子来混合帧。在至少一个实施例中,神经网络110可以通过例如使用一个或更多个负混合因子从一个或更多个中间帧中减弱混合来使用一个或更多个混合因子混合帧。在至少一个实施例中,神经网络110可以使用一个或更多个混合因子来混合包括一个或更多个附加帧(诸如一个或更多个待生成附加帧114)的帧。
在至少一个实施例中,例如,神经网络110使用一个或更多个混合因子来混合帧,方法是首先生成表示从当前帧106开始的对象运动(例如,在时间上向后)的一个或更多个中间帧,然后使用一个或更多个混合因子混合表示从当前帧106开始的对象运动的一个或更多个中间帧。在至少一个实施例中,例如,第一中间帧包括从当前帧106到中间帧的对象运动(例如,沿从当前帧106运动到先前帧104的动态对象的运动向量半途),第二中间帧包括静态对象(例如、不因运动向量而移动但在诸如相机运动下从当前帧106移动到先前帧104的对象)的光学运动,第三中间帧包括静态对象(例如完全不移动的对象,诸如用户界面元素),以及第四附加帧,诸如本文所述的那些。在至少一个实施例中,并且在这样的示例中,神经网络110使用一个或更多个混合因子来混合如上结合从先前帧104到中间帧的运动所述的帧。
在至少一个实施例中,用于混合帧的一个或更多个混合因子是如上所述的线性组合(例如,25%来自第一中间帧的运动,25%来自第二中间帧的运动,25%来自第三中间帧的运动,以及25%来自第四中间帧的运动)。在至少一个实施例中,用于混合帧的一个或更多个混合因子是非线性组合(例如,50%来自第一中间帧的运动和来自第二中间帧的运动的组合(或乘法),加上50%来自第三中间帧的运动)。
在图1未示出的至少一个实施例中,除了一个或更多个混合因子外,神经网络还会导致生成一个或更多个质量掩模(quality mask)。在至少一个实施例中,质量掩模至少部分地基于诸如本文所述的置信度指标。在至少一个实施例中,质量掩模包括在混合度量的计算中,例如,这样就可以降低基于低置信度数据的混合因子,并且可以增加基于高置信度数据的混合因子。
在至少一个实施例中,处理器102使用诸如本文所述的系统和方法使生成一个或更多个插值帧120。在至少一个实施例中,处理器102从神经网络110接收一个或更多个混合帧(例如,使用混合因子,通过混合来自一个或更多个中间帧和/或一个或更多个附加帧114的数据而生成的帧)。在至少一个实施例中,处理器102使通过将由先前帧104到一个或更多个中间帧的运动生成的第一混合帧与由当前帧106到一个或更多个中间帧的运动生成的第二混合帧混合来生成一个或更多个插值帧120,如本文所述。在图1中未示出的至少一个实施例中,处理器102使得通过将来自神经网络110的混合帧与接收自诸如本文中所述的一个或更多个其他来源(如GPU、多媒体设备、游戏机、视频捕捉设备、自动驾驶车辆的相机、广播电视设备和/或其他此类设备,和/或来自图形引擎、游戏引擎、多媒体引擎和/或其他此类渲染引擎,和/或来自神经网络等等)的一个或更多个其他帧混合来生成一个或更多个插值帧120。
在至少一个实施例中,处理器102使用神经网络110来生成一个或更多个插值帧120。在至少一个实施例中,处理器102使用图1中未示出的一个或更多个其他神经网络来生成一个或更多个插值帧120。在至少一个实施例中,插值帧120被提供122到帧缓冲器124,诸如至少结合图30A至30D在此描述的帧缓冲器,以便使用诸如在此描述的系统和方法来显示。
在至少一个实施例中,处理器102包括一个或更多个电路,用于执行本文所述的操作,诸如一个或更多个电路至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,处理器102包括一个或更多个用于实施本文所述操作的电路,诸如一个或更多个用于使用神经网络至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息来在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧的电路。在图1中未示出的至少一个实施例中,机器可读介质上存储有一组指令,如果由一个或更多个处理器诸如处理器102执行该组指令,则用于实施本文至少结合图1-16所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息来生成第一视频帧和第二视频帧之间的一个或更多个中间视频帧的操作。
在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于生成一个或更多个运动候选作为中间帧。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于从一个或更多个运动类型(例如,对象运动、阴影运动、相机运动、光流、静态对象等)生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于从多个对象运动类型(例如对象运动、阴影运动、相机运动、光流、静态对象等)中生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于从多个相机运动类型中生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于从多个光流类型(例如相机运动、粒子运动、照明运动、阴影运动、动态表面类型、变化的UI元素等)中生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于从多个静态运动类型(例如,改变UI元素、移动UI元素、对象从动态到静态的变化、对象从静态到动态的变化等)中生成一个或更多个运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于生成运动的一个或更多个混合因子。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于生成与诸如先前帧104、当前帧106和/或附加帧信息108等输入数据相关联的置信度信息。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于生成一个或更多个混合因子的置信度信息(例如置信度度量或质量掩模)。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于预处理先前帧104、当前帧106和/或附加帧信息108中的一个或更多个。在至少一个实施例中,利用诸如本文所述的系统和方法,处理器102包括一个或更多个电路,用于后处理中间帧、附加帧、混合因子、混合帧和/或插值帧中的一个或更多个。
图2示出了根据至少一个实施例的示例图200,其中神经网络生成插值帧视频帧。在至少一个实施例中,处理器202生成帧数据204,包括但不限于先前帧206和当前帧208。在至少一个实施例中,先前帧206和/或当前帧208通过空间上采样生成(例如,通过空间超级采样,诸如,DLSS、
在至少一个实施例中,处理器210接收先前帧206和/或当前帧208,并使用先前帧206和/或当前帧208预处理帧232以生成一个或更多个中间帧,如上所述。在至少一个实施例中,处理器210使用诸如本文所述的系统和方法使用神经网络212生成一个或更多个混合因子214和/或处理帧216。在至少一个实施例中,处理器210是诸如处理器102的处理器,如本文至少结合图1所述。在至少一个实施例中,处理器210和处理器202是独立的处理器。在至少一个实施例中,处理器210和处理器202是一个处理器。在至少一个实施例中,神经网络212是诸如神经网络110的神经网络,如本文至少结合图1所述。在至少一个实施例中,神经网络212使用诸如本文至少结合图1所述的系统和方法生成一个或更多个混合因子214。在图2未示出的至少一个实施例中,神经网络212利用诸如本文至少结合图1所述的系统和方法生成一个或更多个附加帧。
在至少一个实施例中,神经网络212是具有训练和推理架构的神经网络,如本文所述。在至少一个实施例中,训练框架使用训练数据训练未经训练的神经网络,以便从输入数据合成、分类、识别或以其他方式推断输出数据。在至少一个实施例中,神经网络212的输入数据包括帧数据204、运动数据、深度数据、相机数据、置信度度量、质量掩模以及其它此类数据。在至少一个实施例中,来自神经网络212的输出数据包括中间帧、附加帧、残差帧(例如,具有附加数据以例如强调或去强调输出帧的像素的帧)、混合因子、置信度度量、质量掩模和/或其他此类数据。
在至少一个实施例中,训练数据被输入到训练框架中,以训练未经训练的神经网络,从而从诸如本文所述的输入数据合成或以其他方式生成诸如本文所述的输出数据。在至少一个实施例中,训练数据是包含可用于使用训练框架训练未经训练的神经网络的信息的数据。在至少一个实施例中,训练数据包括用于促进训练框架训练的监督或其他信息。在至少一个实施例中,用于促进训练的监督或其他信息包括识别训练数据的特征以改进通过训练框架对未经训练的神经网络的训练的数据。
在至少一个实施例中,任务标识符被输入到训练框架中,以促进训练未经训练的神经网络,从而使用诸如神经网络212的神经网络的神经元集合的子集从输入数据合成或以其他方式生成输出数据。在至少一个实施例中,任务标识符是向量。在至少一个实施例中,任务标识符是一组数据值,可用于确定要训练框架进行训练的未经训练的神经网络的神经元集合的子集。在至少一个实施例中,任务标识符是标识或指示任务的独热向量(one-hot vector)和/或可用于指示任务的标识符。在至少一个实施例中,任务标识符是训练框架用于确定待训练的未经训练的神经网络的一个或更多个部分的任何数据。在至少一个实施例中,任务标识符可用来标识或指示一组或更多组训练数据。
在至少一个实施例中,训练框架是数据和软件指令,当被执行时更新未经训练的神经网络中的权重和其他值,以便执行推理。在至少一个实施例中,训练框架使用生成对抗网络(GAN)来训练未经训练的神经网络。在至少一个实施例中,训练框架使用任何其他训练架构或技术来促进训练未经训练的神经网络。在至少一个实施例中,训练框架确定在未经训练的神经网络中反向传播的损失值,以便训练所述未经训练的神经网络。
在至少一个实施例中,未经训练的神经网络是数据值和/或软件指令,当被执行时,执行计算一个或更多个可用于执行神经网络操作的数据值,诸如包括分类、对象识别在内的推理和/或本文所述的其他此类神经网络操作。在至少一个实施例中,训练框架训练未经训练的神经网络来执行函数h
在至少一个实施例中,未经训练的神经网络包括一个或更多个层,以促进使用训练数据和/或输入数据进行训练或推理。在至少一个实施例中,未经训练的神经网络包括一个或更多个上采样层,以便在训练期间生成维度大于训练数据的输出数据。在至少一个实施例中,训练框架训练未经训练的神经网络中的一个或更多个层,以执行函数h
在至少一个实施例中,未经训练的神经网络是包括各种未经训练的层的神经编码网络,诸如本文所述的卷积层。在至少一个实施例中,未经训练的神经网络包括一个或更多个单独的神经网络,以实施不同的操作,诸如本文进一步描述的各种神经网络操作。在至少一个实施例中,未经训练的神经网络是通过训练框架训练以基于输入数据集确定输出数据集的任何类型的神经网络。
在至少一个实施例中,神经网络212是经训练的神经网络,它包括数据值和/或软件指令,当被执行时,利用在神经网络训练期间计算的一个或更多个数据值从输入数据推断出一组输出数据,如本文所述。在至少一个实施例中,经训练的神经网络执行如上所述的函数h
在至少一个实施例中,输入数据是包括一个或更多个维度数据的数据。在至少一个实施例中,输入数据包括一个或更多个由宽度和高度组成的二维图像(例如,诸如先前帧206和/或当前帧208的帧)。在至少一个实施例中,输入数据是包括宽度、高度和深度的三维图像(例如3D帧)。在至少一个实施例中,输入数据是四维(或更高维度)图像,包括宽度、高度、深度和一个或更多个附加层。在至少一个实施例中,输入数据包括诸如本文所述的额外类型的输入数据,经训练的神经网络在推理中使用的诸如本文所述的额外类型的输入数据。在至少一个实施例中,输入数据包括像素数据值。在至少一个实施例中,输入数据包括像素深度值。在至少一个实施例中,输入数据包括像素运动值。在至少一个实施例中,输入数据包括对象运动值。在至少一个实施例中,像素是图像数据中的位置,每个像素的图像数据包括与该像素相关的颜色信息。在至少一个实施例中,输入数据是包括一个或更多个层的图像数据,其中每个层至少包含二维图像数据。
在至少一个实施例中,诸如本文所述的输出数据是包括一维或至少两维数据值的数据。在至少一个实施例中,输出数据是包括宽度和高度的一个或更多个二维图像。在至少一个实施例中,输出数据是由宽度、高度和深度组成的三维图像。在至少一个实施例中,输出数据是具有宽度(N*Z)和高度(M*Z)的图像数据,其中Z是整数缩放因子或数值,表示作为原始宽度维度N和原始高度维度M的乘积的大小增加或减小。在至少一个实施例中,通过经训练的神经网络使用本文进一步描述的技术至少部分地基于输入数据来生成输出数据。在至少一个实施例中,输出数据的维度大于输入数据。在至少一个实施例中,输出数据包括一个或更多个包括图像数据的二维层。
在至少一个实施例中,输出数据包括单一维度。在至少一个实施例中,输出数据包括单个数据值。在至少一个实施例中,输出数据包括关于输入数据的一种或多种类型的信息。至少在一个实施例中,输出数据包括一个或更多个中间帧。在至少一个实施例中,输出数据包括一个或更多个混合因子。在至少一个实施例中,关于输入数据的一个或更多个类型的信息是表示输入数据的一个或更多个特征的数据值。在至少一个实施例中,关于输入数据的一种或多种类型的信息是指示输入数据的一种或多种分类(例如运动分类)的数据值。在至少一个实施例中,关于输入数据的一种或多种类型的信息包括诸如输入数据的分类和/或特征的图像信息。在至少一个实施例中,经训练的神经网络生成的作为输出数据的图像信息和/或其他信息是具有本文所述多个维度的数据。在至少一个实施例中,经训练的神经网络生成的作为输出数据的图像信息和/或其他信息是一维数据。
在至少一个实施例中,经训练的神经网络基于所述经训练的神经网络的神经元集合的子集生成输出数据。在至少一个实施例中,经训练的神经网络的神经元集合的子集由所述经训练的神经网络基于输入数据的特征进行计算,如本文所述。在至少一个实施例中,经训练的神经网络被训练框架训练以在训练期间基于一个或更多个标识符推断或以其它方式生成输出数据时使用神经元集合的子集。
在至少一个实施例中,神经网络212使用诸如本文所述的系统和方法,处理216一个或更多个帧。在至少一个实施例中,神经网络212通过生成帧运动的混合因子214来处理216一个或更多个帧,这些帧运动的混合因子214用于帧插值,如本文至少结合图1所述。在至少一个实施例中,神经网络212使用本文至少结合图4至图16所述的系统和方法处理216一个或更多个帧。在至少一个实施例中,作为神经网络212使得处理216一个或更多个帧的结果,使用诸如本文所述的系统和方法生成一个或更多个中间帧。在至少一个实施例中,作为神经网络212使得处理216一个或更多个帧的结果,使用诸如本文所述的系统和方法生成一个或更多个混合因子214。
在至少一个实施例中,处理器210执行或以其他方式实施一条或更多条指令,以使用诸如本文所述的系统和方法对帧218进行后处理(例如,将附加信息混合到帧中、上采样帧、下采样帧、对帧元素滤波、向帧中添加残差数据等)。
在至少一个实施例中,处理器210执行或以其它方式实施一条或更多条指令以生成一个或更多个插值帧220,如本文所述。在至少一个实施例中,处理器210执行或以其它方式实施一条或更多条指令,以使用诸如与使一个或更多个插值帧120生成有关的系统和方法来生成一个或更多个插值帧220,如本文至少结合图1所述的系统和方法。在至少一个实施例中,处理器210向帧缓冲器224提供222一个或更多个插值帧,帧缓冲器224是诸如帧缓冲器124的帧缓冲器,如本文至少结合图1所述。
在至少一个实施例中,帧缓冲器224先前已渲染先前帧226(例如,先前帧206)。在图2中未示出的至少一个实施例中,先前帧226先前已使用诸如本文所述的系统和方法处理过,因此,例如,先前帧226在推理用于帧插值的帧运动的混合因子的先前迭代中是当前帧。在至少一个实施例中,在处理器210向帧缓冲器224提供222一个或更多个插值帧228之前,帧缓冲器224不会渲染先前帧226。在至少一个实施例中,帧缓冲器使用诸如本文所述的系统和方法接收一个或更多个插值帧228并渲染它们,。在至少一个实施例中,帧缓冲器224在渲染一个或更多个插值帧228之后,再渲染当前帧230(例如,当前帧208)。在至少一个实施例中,帧缓冲器224在接收到下一组一个或更多个插值帧228(例如,来自推理用于帧插值228的帧运动的混合因子的后续迭代的插值帧)之前不渲染当前帧230。
图3示出了根据至少一个实施例的用于生成插值视频帧的示例过程300。在至少一个实施例中,诸如本文至少结合图2描述的处理器202的处理器执行一个或更多个指令,以实施示例过程300。在至少一个实施例中,诸如本文至少结合图2描述的处理器210的处理器使用诸如本文至少结合图2描述的神经网络212的神经网络来实施示例过程300。
在至少一个实施例中,例如,在示例过程300的步骤302,接收先前帧。在至少一个实施例中,在步骤302,接收的先前帧是诸如先前帧206的先前帧,本文至少结合图2进行了描述。在至少一个实施例中,在步骤302,从诸如处理器202的处理器接收先前帧,如本文至少结合图2所述。在至少一个实施例中,接收的先前帧是通过空间上采样(例如,通过空间超级采样,诸如,DLSS、
在至少一个实施例中,例如,在示例过程300的步骤304,接收当前帧。在至少一个实施例中,在步骤304,接收的当前帧是诸如本文至少结合图2所述的当前帧208的当前帧。在至少一个实施例中,接收到的当前帧是通过空间上采样(例如,通过空间超级采样,诸如,DLSS、
在至少一个实施例中,在示例过程300的步骤306,预处理帧被提供给神经网络,例如,神经网络212,本文至少结合图2进行了描述。在至少一个实施例中,在步骤306,提供给神经网络的预处理帧包括从先前帧(例如,在步骤302接收到的)和当前帧(例如,在步骤304接收到的)生成(例如,预处理)的预处理帧,如本文所述。在至少一个实施例中,在步骤306,提供给神经网络的预处理帧包括至少部分地基于诸如本文所述的一个或更多个附加帧(例如,所述先前帧之前的一个或更多个帧,包括紧接所述先前帧之前的帧)的帧。在至少一个实施例中,提供给诸如神经网络212的神经网络的预处理帧包括N个连续帧的序列(其中N为正整数),并且在至少一个实施例中,所述连续帧的序列包括一个或更多个插值帧和一个或更多个非插值帧。在图3未示出的至少一个实施例中,诸如本文所述的附加帧信息(例如,运动数据、深度数据、相机数据、置信度度量和/或质量掩模,或其他此类信息),在步骤306提供给神经网络。在至少一个实施例中,在示例过程300的步骤306,确定306A一个或更多个对象变化(例如,当处理器102确定对象变化130时,如本文至少结合图1所述)。在至少一个实施例中,至少部分地基于一个或更多个运动(例如,运动向量406和/或光流610)确定306A一个或更多个对象变化,如本文所述。在至少一个实施例中,在步骤306之后,示例过程300在步骤308继续。
在至少一个实施例中,在示例过程300的步骤308,使用诸如本文所述的系统和方法,由神经网络生成一个或更多个混合因子(或混合权重)。在至少一个实施例中,在步骤308,还生成一个或更多个中间帧。在至少一个实施例中,在步骤308,使用诸如本文所述的系统和方法,至少部分地基于所述一个或更多个混合因子生成一个或更多个中间帧。在至少一个实施例中,在步骤308,使用诸如本文至少结合图2所述的神经网络212的神经网络生成一个或更多个混合因子。在至少一个实施例中,在示例过程300的步骤308,生成308A一个或更多个滤波器(例如,当处理器102确定滤波器大小以去除洞132时,如本文至少结合图1所述)。在至少一个实施例中,使用诸如本文至少结合图11-16所述的系统和方法,将确定306A的一个或更多个对象变化用于使生成308A一个或更多个滤波器。在至少一个实施例中,在步骤308之后,示例过程300在步骤310继续。
在至少一个实施例中,在示例过程300的步骤310,一个或更多个中间帧(例如,在步骤308生成的一个或更多个中间帧)由神经网络使用诸如本文所述的系统和方法进行处理。在至少一个实施例中,在步骤310,使用修复(例如,识别和估计缺失数据)、下采样(例如,生成一个或更多个中间帧中数据的多分辨率表示)、滤波(例如,增强中间帧的一个或更多个元素),或其他诸如本文所述的操作来处理一个或更多个中间帧。在至少一个实施例中,在步骤310,使用诸如本文至少结合图2所述的神经网络212的神经网络来处理一个或更多个中间帧。在至少一个实施例中,在示例过程300的步骤310,应用310A一个或更多个滤波器,以去除图像数据中的一个或更多个洞,如本文所述。在至少一个实施例中,在处理一个或更多个中间帧的同时(例如,在步骤310),应用310A一个或更多个滤波器。在至少一个实施例中,在处理一个或更多个中间帧之后(例如,在步骤310之后)应用310A一个或更多个滤波器。在至少一个实施例中,在处理一个或更多个中间帧之前(例如,在步骤310之前)应用310A一个或更多个滤波器。在至少一个实施例中,在步骤310之后,示例过程300在步骤312继续。
在至少一个实施例中,在示例过程300的步骤312,使用诸如本文所述的系统和方法对一个或更多个中间帧(例如,在步骤308生成的一个或更多个中间帧和/或在步骤310处理的一个或更多个中间帧)进行后处理。在至少一个实施例中,在步骤310,使用修复(例如,识别和估计缺失数据)、下采样(例如,生成一个或更多个中间帧中数据的多分辨率表示)、滤波(例如,增强中间帧的一个或更多个元素),或诸如所述的其他此类操作来处理一个或更多个中间帧。在至少一个实施例中,在步骤312,使用诸如神经网络212的神经网络对一个或更多个中间帧进行后处理,本文至少结合图2进行了描述。在至少一个实施例中,在步骤312,使用诸如处理器210的处理器对一个或更多个中间帧进行后处理,该处理器在本文至少结合图2进行了描述。在至少一个实施例中,在步骤312,提供一个或更多个中间帧作为被混合的帧(例如,在步骤314,如下所述)。在至少一个实施例中,在步骤312之后,示例过程300在步骤314继续。
在至少一个实施例中,在示例过程300的步骤314,使用诸如本文至少结合图2所述的系统和方法,混合一个或更多个中间帧以生成一个或更多个插值帧。在至少一个实施例中,在步骤314,通过例如混合一个或更多个后处理帧(例如,在步骤312中后处理后的帧)的内容来生成一个或更多个插值帧。在至少一个实施例中,例如,如果在步骤312生成了两个帧,则在步骤314,通过将在步骤312生成的第一帧的像素与在步骤312生成的第二帧的像素相结合来生成插值帧(例如,插值帧的像素将通过混合来自步骤312生成的帧的颜色和/或其他信息来生成)。在图3未示出的至少一个实施例中,至少部分地基于诸如本文所述的一个或更多个混合权重生成插值帧。在至少一个实施例中,在步骤314之后,示例过程300在步骤316继续。
在至少一个实施例中,在示例过程300的步骤316,使用诸如本文至少结合图2所述的系统和方法渲染一个或更多个插值帧。在至少一个实施例中,在步骤316,将一个或更多个插值帧提供给诸如帧缓冲器224的帧缓冲器,本文至少结合图2进行了描述。在至少一个实施例中,在步骤316之前,先渲染先前帧(例如,在步骤302接收到的先前帧),然后再渲染一个或更多个插值帧。在至少一个实施例中,在生成一个或更多个插值帧之后(例如,在步骤314中)且在步骤316中渲染一个或更多个插值帧之前,渲染先前帧(例如,在步骤302中接收的先前帧)。在至少一个实施例中,在步骤316之后,示例过程300在步骤318继续。
在至少一个实施例中,在示例过程300的步骤318,使用诸如本文所述的系统和方法渲染当前帧(例如,在步骤304接收到的当前帧)。在至少一个实施例中,在步骤318,直到在示例过程300的后续迭代中生成一个或更多个插值帧(例如,在步骤308),才渲染当前帧。在至少一个实施例中,在步骤318之后,示例过程300在步骤320继续。
在至少一个实施例中,在示例过程300的步骤320,当前帧(例如,在步骤304接收的当前帧)成为先前帧,为示例过程300的后续迭代做准备。在至少一个实施例中,在步骤320之后,示例过程300在步骤302继续接收附加帧数据并实施示例过程300的下一次迭代。在至少一个实施例中,在步骤320之后,例如,没有更多帧需要处理时,示例过程300终止。
在至少一个实施例中,示例过程300的操作以不同于图3所示的顺序实施。在至少一个实施例中,同时或并行地实施示例过程300的操作,例如,同时实施步骤302和步骤304,或者在步骤312同时生成多个中间帧。在至少一个实施例中,例如,示例过程300的操作由多个线程执行,这些线程使用诸如本文所述的系统和方法在诸如本文所述的一个或更多个处理器上执行。
图4示出了根据至少一个实施例的示例图400,其中运动向量被用于生成插值帧。在至少一个实施例中,当前帧402包括动态对象404和动态对象404的阴影416。在至少一个实施例中,诸如动态对象404的对象是使用诸如本文所述的系统和方法渲染的三维(3D)对象。在至少一个实施例中,诸如动态对象404的对象是使用诸如本文所述的系统和方法渲染的二维(2D)对象。在至少一个实施例中,诸如动态对象404的对象包括三维对象的像素(例如,二维表示)。在图4中未示出的至少一个实施例中,诸如动态对象404的对象是四维(或更高维)对象。在至少一个实施例中,诸如动态对象404的对象是一维(1D)或更低维的对象。在至少一个实施例中,诸如动态对象404的对象被渲染为三维对象(诸如使用虚拟现实或增强现实等沉浸式技术),或更高维度的对象。在至少一个实施例中,诸如动态对象404的对象被渲染为一维(或更低维)对象。在至少一个实施例中,动态对象404的阴影416由一个或更多个光源(图4中未图示)生成,并投射到当前帧402的一个或更多个其他对象上(如背景、其他对象等)。在至少一个实施例中,当前帧402接收自深度学习超级采样神经网络,诸如本文至少结合图59至图63所述的那些神经网络。
在至少一个实施例中,诸如动态对象404的对象被渲染为四维(4D)或更高维的对象(例如,随时间显示的3D视频)。在至少一个实施例中,诸如本文至少结合图4至图10描述的系统、方法和技术被用于生成3D视频的插值帧(例如,由诸如虚拟现实(VR)游戏或模拟的3D沉浸式环境生成并且使用VR头显或其他此类显示设备显示的帧)。
在至少一个实施例中,一个或更多个当前帧运动向量406描述诸如动态对象404之类的对象的运动。在至少一个实施例中,当前帧运动向量406描述诸如动态对象404的动态对象的前向运动(例如,从先前帧开始的运动),如本文所述。在至少一个实施例中,例如,当前帧运动向量406描述诸如动态对象404之类的对象从先前帧502(例如,动态对象504)开始的运动,如本文至少结合图5所述。在至少一个实施例中,当前帧运动向量406描述诸如动态对象404的动态对象的反向运动(例如,向先前帧的运动),如本文所述。在至少一个实施例中,当前帧运动向量406由游戏引擎或图形引擎或多媒体引擎提供,诸如本文所述的那些引擎。在至少一个实施例中,当前帧运动向量406由其他此类来源提供(例如,由诸如本文所述的神经网络生成)。在至少一个实施例中,动态对象404在当前帧402中的位置(例如,在应用当前帧运动向量406之前)是与动态对象404相关联的运动终点。
在图4未示出的至少一个实施例中,使用诸如本文所述的系统和方法提供当前帧运动向量406的一个或更多个置信度度量或质量掩模。在至少一个实施例中,例如,质量掩模可以提供当前帧运动向量406是可靠的、或不可靠的、或具有其他诸如质量的指示。在至少一个实施例中,为当前帧运动向量406的每个运动向量提供一个或更多个置信度度量或质量掩模。在至少一个实施例中,为当前帧运动向量406的运动向量子集提供一个或更多个置信度度量或质量掩模。在至少一个实施例中,为与当前帧402的一个或更多个像素相关联的运动提供一个或更多个置信度度量或质量掩模。在至少一个实施例中,为当前帧运动向量406提供单个置信度度量或质量掩模。
在至少一个实施例中,当前帧运动向量406散射到中间的中间帧408。在至少一个实施例中,例如,如果当前帧运动向量406描述了对象从先前帧(例如,从先前帧到当前帧402)的运动,则当前帧运动向量406从对象(例如,动态对象404,如下所述)的位置指向回到动态对象404在先前帧中的位置,诸如本文所述。在至少一个实施例中,例如,具有值(200.0f,0.0f,0.0f)的运动(例如,从左到右的运动)由具有值(-200.0f,0.0f,0.0f)的当前帧运动向量表示(例如,指向回动态对象在先前帧中的位置)。在至少一个实施例中,具有值(-200.0f,0.0f,0.0f)的当前帧运动向量通过具有值(-100.0f,0.0f,0.0f)的散射运动向量散射到中间的中间帧408。在至少一个实施例中,当前帧运动向量406是三维运动向量。在至少一个实施例中,当前帧运动向量406是2D(或其他维度)运动向量。在至少一个实施例中,可通过将一个或更多个向量分量设置为零,将三维(或更高维)运动向量转换为二维或一维运动向量。在至少一个实施例中,例如,可以通过将一个分量设置为零,将(200.0f,100.0f,-200.0f)的三维运动向量转换为二维运动向量,得到(200.0f,100.0f,0.0f)或(200.0f,100.0f)。在至少一个实施例中,例如,可以通过将两个分量置零,将(200.0f,100.0f,-200.0f)的三维运动向量转换为一维运动向量,得到(200.0f,0.0f,0.0f)、(200.0f,0.0f)或(200.0f)。
在至少一个实施例中,使用散射运动向量将动态对象404运动向量扭曲410至基于运动的当前到先前中间帧412。在至少一个实施例中,通过将一个或更多个运动向量应用于动态对象404,将动态对象的运动向量扭曲410到诸如基于运动的当前到先前中间帧412的中间帧,从而将动态对象404变换到基于运动的当前到先前中间帧412中的位置。在至少一个实施例中,通过应用缩放运动向量,动态对象到诸如基于运动的当前到先前中间帧412的中间帧的运动向量扭曲410,将动态对象404变换到基于运动的当前到先前中间帧412中的位置。在至少一个实施例中,例如,如果当前帧运动向量406的运动向量为运动向量(-200.0f,0.0f,0.0f),则动态对象404的运动向量扭曲410将动态对象404平移到运动向量(-200.0f,0.0f,0.0f)的二分之一(例如、向量(-100.0f,0.0f,0.0f))到当前到先前中间帧412中对象414所代表的位置(例如,先前帧502中的位置与当前帧402中的位置之间的半途)。在至少一个实施例中,阴影416没有被当前帧运动向量406变换,因为阴影416不是动态对象,根据这一点,阴影416在当前到先前中间帧412中没有移动(例如,处于阴影418处)。在图4中未示出的至少一个实施例中,例如,阴影运动向量由游戏引擎提供,以便阴影416可被视为动态对象并与动态对象404一起移动。在至少一个实施例中,例如,示例图400所示的过程在本文至少结合图5所述的示例图500中继续进行。
图5示出了根据至少一个实施例的计算前向运动向量的示例图500。在至少一个实施例中,先前帧502包括动态对象504和动态对象504的阴影518。在至少一个实施例中,诸如动态对象504的对象是诸如本文至少结合图4所述的对象。在至少一个实施例中,动态对象504的阴影518由一个或更多个光源(图5中未图示)产生,并投射到先前帧502的一个或更多个其它对象(如背景、其它对象等)上,如本文所述。在至少一个实施例中,先前帧502从深度学习超级采样神经网络接收,诸如本文至少结合图59至图63所述的深度学习超级采样神经网络。
在至少一个实施例中,接收当前帧运动向量506(例如,当前帧运动向量406,如本文至少结合图4所描述的)。在至少一个实施例中,计算前向运动向量508,使用诸如本文所述的系统和方法。在至少一个实施例中,前向运动向量508基于一个或更多个当前帧运动向量506计算。在至少一个实施例中,例如,运动向量描述运动(例如,从诸如当前帧402的当前帧回到先前帧502),如本文所述。在至少一个实施例中,此类向量被反转,例如,诸如本文所述,(-200.0f,0.0f,0.0f)的运动向量可以被反转以计算前向运动向量508(200.0f,0.0f,0.0f)。在至少一个实施例中,具有值(200.0f,0.0f,0.0f)的前向运动向量508利用具有值(100.0f,0.0f,0.0f)的散射运动向量散射到中间的中间帧510。在至少一个实施例中,前向运动向量508是三维运动向量。在至少一个实施例中,前向运动向量508是二维(或其他维度)运动向量。在至少一个实施例中,可通过将一个或更多个向量分量设置为零,将三维(或更高维)运动向量转换为二维或一维运动向量。在至少一个实施例中,例如,可以通过将一个分量设置为零,将运动向量(200.0f,100.0f,-200.0f)转换为二维运动向量,得到(200.0f,100.0f,0.0f)或(200.0f,100.0f)。在至少一个实施例中,例如,可以通过将两个分量设置为零,将三维运动向量(200.0f,100.0f,-200.0f)转换为一维运动向量,得到(200.0f,0.0f,0.0f)、(200.0f,0.0f)或(200.0f)。
在至少一个实施例中,基于运动使用散射前向运动向量将动态对象504运动向量扭曲512到先前到当前中间帧514。在至少一个实施例中,通过将一个或更多个运动向量应用到动态对象504,动态对象到诸如基于运动的先前到当前中间帧514的中间帧的运动向量扭曲512将动态对象504变换到基于运动的先前到当前中间帧514中的位置。在至少一个实施例中,通过应用缩放运动向量,动态对象到诸如基于运动的先前到当前中间帧514的中间帧的运动向量扭曲512将动态对象504变换到基于运动的先前到当前中间帧514中的位置。在至少一个实施例中,例如,如果运动向量是(200.0f,0.0f,0.0f)的前向运动向量,则动态对象504的运动向量扭曲512将动态对象504平移前向运动向量(200.0f,0.0f,0.0f)的二分之一(例如,向量(100.0f,0.0f,0.0f))到对象516在先前到当前中间帧514中代表的位置(例如,先前帧502中的位置和当前帧402中的位置之间的半途)。在至少一个实施例中,由于阴影518不是动态对象,因此阴影518不会被前向运动向量变换,根据这一点,阴影518在先前到当前中间帧514中未移动(例如,处于阴影520处)。在图5中未示出的至少一个实施例中,例如,阴影运动向量由游戏引擎提供,以便阴影518可被视为动态对象并与动态对象504一起移动。在至少一个实施例中,例如,由示例图500所示的过程在本文至少结合图6所述的示例图600中继续进行。
图6示出了根据至少一个实施例的示例图600,其中使用光流分析来生成中间帧。在至少一个实施例中,当前帧602(其为当前帧诸如当前帧402,本文至少结合图4进行描述)和先前帧606(其为先前帧诸如先前帧502,本文至少结合图5进行描述)被用作光流610的输入。在至少一个实施例中,当前帧602包括本文至少结合图4所述的动态对象604(和阴影),先前帧606包括本文至少结合图5所述的动态对象608(和阴影)。在至少一个实施例中,光流610基于流将先前帧606的内容移动到先前到当前中间帧616。在至少一个实施例中,光流610基于流将当前帧602的内容移动到当前到先前中间帧624。
在至少一个实施例中,光流610至少部分地基于视点(例如相机)和场景中的对象之间的相对运动,来生成表示场景中对象(例如动态对象和静态对象)的表观运动的运动向量。在至少一个实施例中,例如,如果相机从左向右移动,场景中的静态对象看起来将从右向左移动,而动态对象则会在其动态运动中加入相机运动。在至少一个实施例中,诸如光流610的光流基于例如当前帧和先前帧中对象之间的一个或更多个对应关系进行估计。在至少一个实施例中,诸如光流610的光流包括光流运动向量的一个或更多个置信度度量或质量掩模,如本文所述。
在至少一个实施例中,如示例图600所示,光流610将先前帧606的内容移动到基于流的先前到当前中间帧616,从而使动态对象608移动到对象618所指示的位置,并且动态对象608的阴影移动到阴影对象630所指示的位置。在至少一个实施例中,如图6所示,由于光流610的不确定性,光流610已将动态对象608的阴影移动到多个位置(例如,如阴影对象630的多个对象所指示的位置)。在至少一个实施例中,使用诸如本文所述的技术、系统和方法,将诸如本文所述的一个或更多个流向量用于散射612先前帧606的元素,并使用流向量扭曲614基于流生成先前到当前中间帧616。
在至少一个实施例中,如示例图600所示,光流610将当前帧602的内容移动到基于流的当前到先前中间帧624,从而使动态对象604移动到对象626所指示的位置,并且动态对象604的阴影移动到阴影对象628所指示的位置。在至少一个实施例中,如图6所示,由于光流610的不确定性,光流610已将动态对象604的阴影移动到多个位置(例如,如阴影对象628的多个对象所指示的位置)。在至少一个实施例中,使用诸如本文所述的技术、系统和方法,将诸如本文所述的一个或更多个流向量用于散射620当前帧602的元素,并将流向量扭曲622用于基于流的当前到先前中间帧624。在至少一个实施例中,例如,由示例图600所示的过程在本文至少结合图7所述的示例图700中继续进行。
图7示出了根据至少一个实施例的一个示例图700,在其中混合了前向运动候选。在至少一个实施例中,利用诸如本文所述的系统和方法,使用混合权重708对先前帧702(例如,先前帧502)、基于运动的先前到当前中间帧704(例如,先前到当前中间帧514)和基于流的先前到当前中间帧706(例如,先前到当前中间帧616)进行混合。在至少一个实施例中,混合权重708由神经网络714生成(例如,神经网络110和/或神经网络212,如本文至少结合图1和图2所述)。
在至少一个实施例中,由于先前帧702、基于运动的先前到当前中间帧704和基于流的先前到当前中间帧704使用混合权重708混合,生成混合的先前到当前中间帧710。在至少一个实施例中,当先前帧702、基于运动的先前到当前中间帧704和基于流的先前到当前中间帧706使用混合权重708混合时,当前帧数据816(例如,当前帧402、基于运动的当前到先前中间帧412和基于流的当前到先前中间帧624)也使用混合权重708混合,以生成混合的先前到当前中间帧710。在至少一个实施例中,当先前帧702、基于运动的先前到当前中间帧704和基于流量的先前到当前中间帧706使用混合权重708混合时,辅助信息718也使用混合权重708混合,以生成混合的先前到当前中间帧710。在至少一个实施例中,例如,辅助信息包括质量掩模、关于运动向量和/或流向量是否产生重复对象的指示,和/或在生成混合的当前到先前中间帧710时是否发生任何额外的去闭塞、深度、运动、闭塞掩模等。在至少一个实施例中,例如,示例图700所示的过程在本文至少结合图8所描述的示例图800中继续进行。
图8示出了根据至少一个实施例的混合反向运动候选的示例图800。在至少一个实施例中,使用诸如本文所述的系统和方法,使用混合权重808混合当前帧802(例如,当前帧402)、基于运动的当前到先前中间帧804(例如,当前到先前中间帧412)和基于流的当前到先前中间帧806(例如,当前到先前中间帧624)。在至少一个实施例中,混合权重808由神经网络814生成(例如,神经网络110和/或神经网络212,如本文至少结合图1和图2所述)。
在至少一个实施例中,由于当前帧802、基于运动的当前到先前中间帧804和基于流的当前到先前中间帧806使用混合权重808进行混合,从而生成混合的当前到先前中间帧810。在至少一个实施例中,当使用混合权重808混合当前帧802、基于运动的当前到先前中间帧804和基于流的当前到先前中间帧806时,还使用混合权重808混合当前帧数据816(例如,先前帧502、基于运动的当前到先前中间帧514和基于流的先前到当前中间帧616),以生成混合的当前到先前中间帧810。在至少一个实施例中,当当前帧802、基于运动的当前到先前中间帧804和基于流的当前到先前中间帧806使用混合权重808混合时,诸如上述的辅助信息818也使用混合权重808混合,以生成混合的当前到先前中间帧810。在至少一个实施例中,例如,由示例图800所示的过程在本文至少结合图9所描述的示例图900中继续进行。
图9示出了根据至少一个实施例的一个示例图900,在其中生成插值帧。在至少一个实施例中,使用诸如本文至少结合图2和图3描述的系统和方法混合906混合的先前到当前中间帧902(例如,混合的先前到当前中间帧710)和混合的当前到先前中间帧904(例如,混合的当前到先前中间帧810),以生成一个或更多个插值帧908(例如,生成一个或更多个插值帧220,本文至少结合图2描述)。在至少一个实施例中,生成一个或更多个插值帧908是生成插值帧120,本文至少结合图1进行了描述。在至少一个实施例中,生成一个或更多个插值帧908包括后处理帧218和/或生成插值帧220,在本文中至少结合图2进行描述。
图10示出了根据至少一个实施例的用于使用神经网络生成插值帧的示例过程1000。在至少一个实施例中,诸如本文至少结合图2描述的处理器202的处理器执行一个或更多个指令以实施示例过程1000。在至少一个实施例中,诸如本文至少结合图2描述的处理器210的处理器使用诸如本文至少结合图2描述的神经网络212的神经网络实施示例过程1000。在至少一个实施例中,例如,示例过程1000说明了本文至少结合图4至图9描述的过程、系统和方法。
在至少一个实施例中,在示例过程1000的步骤1002,接收当前帧(例如,当前帧208,在此至少结合图2进行描述)。在图10未示出的至少一个实施例中,在步骤1002,还接收先前帧(例如,先前帧206,在此至少结合图2进行描述)。在至少一个实施例中,在步骤1002之后,示例过程1000在步骤1004继续。
在至少一个实施例中,在示例过程1000的步骤1004,接收当前帧运动。在至少一个实施例中,在步骤1004,当前帧运动包括动态对象的运动向量和/或静态对象的光流向量,如本文所述。在图10中未示出的至少一个实施例中,还接收接收到的当前帧运动的一个以上置信度度量和/或质量掩模。在至少一个实施例中,在步骤1004之后,示例过程1000在步骤1006继续。
在至少一个实施例中,在示例过程1000的步骤1006,如本文所述,根据当前帧运动计算其他运动向量。在至少一个实施例中,在步骤1006,例如,可以从反向运动向量计算正向运动向量,可以从正向运动向量计算反向运动向量,或者可以使用深度、相机位置和/或其他此类数据计算光流向量。在至少一个实施例中,在步骤1006之后,示例过程1000在步骤1008继续。
在至少一个实施例中,在示例过程1000的步骤1008,使用诸如本文所述的系统和方法生成一个或更多个运动扭曲中间图像。在至少一个实施例中,在步骤1008,基于诸如正向运动向量、反向运动向量或其他此类运动向量生成一个或更多个运动扭曲中间图像。在至少一个实施例中,在步骤1008之后,示例过程1000在步骤1010继续。
在至少一个实施例中,在示例过程1000的步骤1010,使用诸如本文所述的系统和方法生成一个或更多个流扭曲中间图像。在至少一个实施例中,在步骤1010,基于例如正向光流向量、反向光流向量或其他此类流向量生成一个或更多个流扭曲中间图像。在至少一个实施例中,在步骤1010之后,示例过程1000在步骤1012继续。
在至少一个实施例中,在示例过程1000的步骤1012,使用诸如本文所述的系统和方法,生成一个或更多个混合因子以混合中间图像。在至少一个实施例中,在步骤1012,使用诸如本文至少结合图2所述的神经网络212生成的混合因子(或混合权重)生成一个或更多个混合中间图像。在至少一个实施例中,在步骤1012之后,示例过程1000在步骤1014继续。
在至少一个实施例中,在示例过程1000的步骤1014,将一个或更多个中间图像(例如,在步骤1012使用混合因子生成)混合在一起以生成中间结果,诸如,混合的先前到当前中间帧902或混合的当前到先前中间帧904,如本文至少结合图9所述。在至少一个实施例中,在步骤1014之后,示例过程1000在步骤1016继续。
在至少一个实施例中,在示例过程1000的步骤1016,使用诸如本文所述的系统和方法,混合一个或更多个混合中间图像(例如,在步骤1014生成),以生成一个或更多个插值帧(例如,诸如本文至少结合图2所述的系统和方法)。在至少一个实施例中,在步骤1016之后,示例过程1000在步骤1002继续接收另一个当前帧(例如,在示例过程1000的下一次迭代中)。在至少一个实施例中,在步骤1016之后,示例过程1000终止(例如,当没有更多帧需要处理时)。
在至少一个实施例中,示例过程1000的操作以不同于图10所示的顺序实施。在至少一个实施例中,同时或并行地实施示例过程1000的操作,例如,同时实施步骤1002和步骤1004,或者在步骤1008同时生成多个运动扭曲中间图像。在至少一个实施例中,例如,示例过程1000的操作由多个线程执行,这些线程使用诸如本文所述的系统和方法在诸如本文所述的一个或更多个处理器上执行。
图11示出了根据至少一个实施例的示例图1100,其中对图像的像素进行插值。在至少一个实施例中,诸如处理器102(本文至少结合图1描述)的处理器接收帧1102和帧1106。在至少一个实施例中,帧1102包括以第一位置和大小1104显示对象的像素,帧1106包括以第二位置和大小1108显示所述对象的像素。在至少一个实施例中,如图11所示,所述对象似乎在帧1102和帧1106之间从左到右移动(例如,由于对象运动、相机运动或对象运动和相机运动的组合)。在至少一个实施例中,所述对象在帧1102和帧1106之间的大小似乎在增大(例如,可能是由于对象运动、相机运动、所述对象的缩放或这些因素的组合)。在至少一个实施例中,帧1102和/或帧1106包括一维图像、二维图像(如图11所示)、三维图像或更高维图像。在至少一个实施例中,帧1102和/或帧1106包括显示1D场景、2D场景、3D场景、4D场景(例如,添加了时间的3D视频)或更高维度的对象的像素。在至少一个实施例中,帧1102是先前帧(例如先前帧104),帧1106是当前帧(例如当前帧106)。在至少一个实施例中,帧1106是先前帧(如先前帧104),帧1102是当前帧(如当前帧106)。
至少在一个实施例中,示出了处于第一位置和大小1104的对象的三个像素1110。在至少一个实施例中,示出了处于第二位置和大小1108的对象的十一个像素1112。在至少一个实施例中,示出了处于中间位置和大小1116的对象的七个像素1114(例如,在诸如本文所述的运动混合帧中处于位置和大小1104与位置和大小1108之间的对象)。如图11所示,三个像素1110、七个像素1114和十一个像素1112之间的对应像素以相同的混合方式显示,并用虚线表示所述对应关系。如图11所示,洞(例如,对应像素之间的缺失像素)用小圆点填充。
如图11所示,三个像素1110中没有洞,有四个像素表示七个像素1114中的洞(例如,从左往右数,七个像素1114中的像素2、3、5和6是洞,七个像素1114中的像素1对应三个像素1110中的像素1,七个像素1114中的像素4对应三个像素1110中的像素2,七个像素1114中的像素7对应三个像素1110中的像素3)。如图11所示,11个像素1112中的像素1对应7个像素1114中的像素1(推而广之,对应3个像素1110中的像素1),11个像素1112中的像素6对应7个像素1114中的像素4(推而广之,对应3个像素1110中的像素2),11个像素1112中的像素11对应7个像素1114中的像素7(推而广之,对应3个像素1110中的像素3)。
图12示出了根据至少一个实施例的示例图1200,其中使用运动对图像的像素进行插值。在至少一个实施例中,图示了有洞的对象的七个像素1202(例如,七个像素1114,本文至少结合图11进行了描述)。在至少一个实施例中,至少部分地基于对象的运动来生成对应像素之间的缺失像素。在至少一个实施例中,当生成洞的像素时,该操作被称为"填充"洞和/或修复像素。在至少一个实施例中,填充洞或修复数据用已知或内插的像素数据替换缺失的像素数据。在至少一个实施例中,颜色值被修复到洞中(例如,RGB值)。在至少一个实施例中,其他颜色值被修复到洞中(例如亮度、色调、饱和度等)。在至少一个实施例中,其他值被修复到洞中,包括但不限于运动向量、深度等。在至少一个实施例中,例如,如果一个像素的深度是已知的,而所述像素的邻近像素的深度是未知的,则使用诸如所述的技术来修复深度值的洞(例如,从像素处的已知深度到邻近像素处的未知深度)。在至少一个实施例中,例如,对于从左到右的运动方向1206,对应像素之间的缺失像素用来自缺失像素左侧最近的对应像素的像素数据填充。在至少一个实施例中,例如,用来自像素1的像素数据填充七个像素1202的缺失像素2和3(例如,从左到右),用来自像素4的像素数据填充七个像素1202的缺失像素5和6,从而使七个像素1204没有洞。在至少一个实施例中,对于从左到右的运动方向1206,会生成诸如本文所述的滤波器(例如核),将像素数据从左边的像素拉入洞中。
在至少一个实施例中,例如,对于从右到左的运动方向1210,对应像素之间的缺失像素用来自缺失像素右侧最接近的对应像素的像素数据填充。在至少一个实施例中,例如,用来自像素4(例如,缺失像素2和3的右侧)的像素数据填充七个像素1202中的缺失像素2和3(例如,从左到右),用来自像素7的像素数据填充七个像素1202中的缺失像素5和6,从而使七个像素1208没有洞,但具有与七个像素1204不同的像素值。在至少一个实施例中,对于从右向左的运动方向1210,会生成诸如本文所述的滤波器(例如核),将像素数据从右边的像素拉入洞中。
在图12中未示出的至少一个实施例中,缺失像素(例如,洞)基于接近度,或深度、质量,或使用其他依据进行填充。在至少一个实施例中,7个像素1202中的缺失像素基于与对应像素的接近度进行填充,从而例如,缺失像素2使用对应像素1的像素数据进行填充,缺失像素3和缺失像素5使用对应像素4的像素数据进行填充,缺失像素6使用对应像素7的像素数据进行填充。在至少一个实施例中,基于接近度从邻近像素拉取的滤波器是例如,简单平均滤波器或加权平均滤波器。
在至少一个实施例中,使用一个或更多个混合技术来填充七个像素1202中的缺失像素,从而例如,通过将对应像素1的像素信息与对应像素4的像素信息混合来填充缺失像素2和缺失像素3,通过将对应像素4的像素信息与对应像素7的像素信息混合来填充缺失像素5和缺失像素6。在至少一个实施例中,混合像素的滤波器是混合滤波器(blendingfilter)。
在至少一个实施例中,使用一种或多种加权混合技术对七个像素1202中的缺失像素进行填充,从而例如,缺失像素2用对应像素1和对应像素4的加权混合体填充(例如,像素1多,像素4少),缺失像素2也用对应像素1和对应像素4的加权混合体填充(例如,像素1少,像素4多),缺失像素5用对应像素4和对应像素7加权混合体填充(例如,像素4多,像素7少),缺失像素6也用对应像素4和对应像素7加权混合体填充(例如,像素4少,像素7多)。在至少一个实施例中,滤波器的大小至少部分地基于洞的大小,如本文所述。
图13示出了根据至少一个实施例的示例图1300,其中使用深度来分析图像的像素以进行插值。在至少一个实施例中,当前帧1302(例如,当前帧106,本文至少结合图1描述)具有对象1304和对象1306,对象1304的像素1308紧邻对象1306的像素1310。在至少一个实施例中,先前帧1312(例如,先前帧104,本文至少结合图1进行描述)具有对象1314(例如,与对象1304相对应)和对象1316(例如,与对象1306相对应)。在至少一个实施例中,像素1318与像素1308相对应,像素1320与像素1310相对应。
在至少一个实施例中,可以至少部分地基于深度来确定像素1318和像素1320之间的分离(例如,在先前帧1312中)是由于单个对象的移动(例如,像素1318和像素1320来自从当前帧1302到先前帧1312变大的单个对象)还是由于多个对象的移动(例如,像素1318来自与像素1320不同的对象)引起的,如本文所述。在至少一个实施例中,例如,如果对象1314的像素的深度信息与对象1316的像素的深度信息不同(例如,相差超过阈值),则可以确定像素1318和像素1320来自不同的对象。在至少一个实施例中,阈值至少部分地基于当前帧1302和/或先前帧1312的内容。在至少一个实施例中,例如,具有许多彼此紧密靠近的对象的密集场景具有较低的阈值(例如,基于深度确定对象分离度的较低容限),而具有较少对象或相距较远的对象的稀疏场景具有较高的阈值(例如,基于深度确定对象分离度的较高容限)。在至少一个实施例中,例如,如果对象1304的像素的深度信息与对象1306的像素的深度信息不同(例如,相差超过阈值),则还可以确定像素1308和像素1310实际上不是邻近像素(例如,很可能来自不同的对象),因此在分析像素1310时不必考虑像素1308,在分析像素1308时也不必考虑像素1310。在至少一个实施例中,如果对象1304和对象1306的像素深度差不同于对象1314和对象1316的像素深度差(例如,对象移动在深度上相互靠近或相互远离),则还可以确定像素1308和像素1310(或像素1318和像素1320)不是邻近像素。
图14示出了根据至少一个实施例的示例图1400,在该示例图中,确定了用于像素插值的滤波器大小。在至少一个实施例中,源帧1402(例如,先前帧,诸如本文所述的那些帧)包括一个具有八个邻近像素(例如,在二维中)的标为{A、B、C、D、E、F、G、H}的像素。在至少一个实施例中,第一目的帧1404包括向左移动两个像素的所述像素,所述八个邻近像素也标记为{A、B、C、D、E、F、G、H}。在至少一个实施例中,源帧1402的像素“A”对应第一目的帧1404的像素“A”,源帧1402的像素“B”对应第一目的帧1404的像素“B”,等等。在至少一个实施例中,与邻近像素1406的最大距离是一个二维向量,表示从源帧1402移动到第一目的帧1404后,任何邻近像素与所述像素的最远距离为(1,1)(例如,在任何维度上都不超过一个像素的距离)。在至少一个实施例中,与邻近像素1406的最大距离用于在混合像素时确定滤波器大小,如本文至少结合图16所描述的。
在至少一个实施例中,第二目的帧1408包括像素(例如,源帧1402的像素),所述八个邻近像素也标记为{A、B、C、D、E、F、G、H}。在至少一个实施例中,源帧1402的像素“A”对应第二目的帧1408的像素“A”,源帧1402的像素“B”对应第二目的帧1408的像素“B”,等等。在至少一个实施例中,与邻近像素1410的最大距离是二维向量,如上所述,表示从源帧1402移动到第二目的帧1408后,任一邻近像素与所述像素的最远距离。在至少一个实施例中,到邻近像素1410的最大距离是运动和/或调整对象大小后,像素到所述像素的邻近像素的绝对值(例如,正值)距离。在至少一个实施例中,例如,与邻近像素1410的最大距离为(4,2),因为像素“D”相距4个像素,像素“B”和“G”都相距2个像素。
在至少一个实施例中,与邻近像素1410的最大距离用于在混合像素时确定滤波器大小,如本文至少结合图16所述,在至少一个实施例中,例如,与邻近像素1410的最大距离为(4,2),表示适当的滤波器大小在x维度(例如,水平或左右)为+/-4像素,在y维度(例如,垂直或上下)为+/-2像素。在至少一个实施例中,算上中心像素,与邻近像素1410最大距离为(4,2)的滤波器大小为9x5像素。在至少一个实施例中,滤波器包括填充,从而例如,与邻近像素1410的最大距离为(4,2)的滤波器大小为11x7像素。在至少一个实施例中,滤波器为正方形,从而例如,与邻近像素1410的最大距离为(4,2)的滤波器大小为9x9像素。在至少一个实施例中,滤波器可以是圆形(例如,半径为4像素),或多边形(例如,基于第二目的帧1408中邻近像素的位置),或其他形状。在至少一个实施例中,不同形状(例如圆形、矩形、多边形)的滤波器由正方形矩阵表示,未使用的值没有贡献(例如,它们为零)。
在至少一个实施例中,滤波器为一维、二维(例如,如本文所示)、三维、四维或更高维。在至少一个实施例中,滤波器具有与源帧1402相同的维度(例如,对于2D图像,生成2D滤波器)。在至少一个实施例中,滤波器具有与源帧不同的维度,从而例如,三维(或更高维)滤波器用于散射二维图像,或二维(或更低维)滤波器用于散射三维图像。
图15示出了根据至少一个实施例的示例图1500,在该示例图中,,使用运动和深度确定用于像素插值的滤波器大小。在至少一个实施例中,源帧1502(例如,源帧1402,在此至少结合图14所描述的)包括具有八个邻近像素(例如,在二维中)的标为{A、B、C、D、E、F、G、H}的像素。在至少一个实施例中,诸如本文至少结合图1所述的处理器102的处理器计算像素与所述像素的邻近像素之间的深度差1504。在至少一个实施例中,例如,在深度1506中,所述像素处于深度0,邻近像素“A”、邻近像素“D”和邻近像素“F”处于深度5,邻近像素“B”和邻近像素“C”处于深度0,邻近像素“E”、邻近像素“H”和邻近像素“G”处于深度1。
在至少一个实施例中,如果邻近像素1508的深度差大于阈值(例如,深度差大于1,在图15中),则在确定与邻近像素的最大距离时忽略所述邻近像素,如本文所述。在至少一个实施例中,例如,在目的帧1510中,运动后,邻近像素“A”与像素的距离为(4,0),邻近像素“D”与所述像素的距离为(4,1),邻近像素“F”与所述像素的距离为(4,2)。在至少一个实施例中,与邻近像素1512的最大距离为(1,1),因为在确定与邻近像素1512的最大距离为(1,1)时,邻近像素“A”、邻近像素“D”和邻近像素“F”被忽略,因为它们处于不同的深度(例如,大于阈值)。在图15未示出的至少一个实施例中,如果选择阈值为10,则与邻近像素的最大距离为(4,2)。在至少一个实施例中,可以至少部分地基于源帧的内容来选择不同的阈值。
图16示出了根据至少一个实施例的用于生成和应用用于自适应散射的滤波器的示例过程1600。在至少一个实施例中,例如,在此至少与图1相关联地描述的处理器诸如处理器110执行示例过程1600。在至少一个实施例中,诸如本文至少结合图2描述的处理器210的处理器使用诸如本文至少结合图2描述的神经网络212的神经网络来实施例过程1600。在至少一个实施例中,示例过程1600说明了本文至少结合图11-15描述的技术、系统和方法。
在至少一个实施例中,在示例过程1600的步骤1602,接收源帧。在至少一个实施例中,在步骤1602接收的源帧是当前帧(例如,当前帧106)、先前帧(例如,先前帧104)或其他此类帧。在至少一个实施例中,在步骤1602接收的源帧是预处理帧,诸如预处理帧128之一。在至少一个实施例中,在步骤1602接收的源帧是中间帧,或混合中间帧,或插值帧,如本文所述。在至少一个实施例中,在步骤1602之后,示例过程1600在步骤1604继续。
在至少一个实施例中,在示例过程1600的步骤1604,选择一个像素。在至少一个实施例中,在步骤1604,选择的像素是第一像素(例如,在图像的左上角)。在至少一个实施例中,至少部分地基于从另一个过程接收到的信息选择像素。在至少一个实施例中,像素由神经网络选择,诸如本文至少结合图1所述的神经网络110。在至少一个实施例中,像素是随机选择的,或使用某种随机过程。在至少一个实施例中,在步骤1604之后,示例过程1600在步骤1606继续。
在至少一个实施例中,在示例过程1600的步骤1606,确定在步骤1604选择的像素是否是洞的一部分(例如,确定所选择的像素是否不具有使用诸如本文中至少结合图4-10所描述的技术来处理所述像素所必需的有效的深度、运动和/或颜色信息(例如,执行DLFG,如本文所述)。在至少一个实施例中,在步骤1606,确定在步骤1604选择的像素是否是洞的一部分,至少部分取决于当前的预处理、处理或后处理类型和/或所述类型的预处理、处理或后处理所需的数据类型。在至少一个实施例中,例如,对于光流,需要深度数据。在至少一个实施例中,没有有效深度的像素是洞的一部分。在至少一个实施例中,对于颜色修复,没有有效颜色值的像素是洞的一部分。在至少一个实施例中,例如,如果确定在步骤1604中选择的像素不是洞的一部分,并且在步骤1604中选择的像素具有有效数据(“否(NO)”分支),则示例过程1600在步骤1608继续。在至少一个实施例中,例如,如果确定在步骤1604中选择的像素是洞的一部分,并且在步骤1604中选择的像素没有有效数据(“是(YES)”分支),则示例过程1600在步骤1610继续。
在至少一个实施例中,在示例过程1600的步骤1608,当像素不属于洞时,不需要对所述像素进行修复(例如,对于当前数据类型)。在至少一个实施例中,在步骤1608之后,示例过程1600终止。在至少一个实施例中,在步骤1608之后,示例过程1600在步骤1604继续,使用上述技术选择另一个像素。在至少一个实施例中,在步骤1608之后,示例处理过程在步骤1602继续接收另一个源帧。在图16中未示出的至少一个实施例中,例如,在步骤1604中选择的像素是使用示例过程1600选择用于处理的多个像素之一。在至少一个实施例中,多个像素由多个线程从步骤1602接收的源帧中选择。
在至少一个实施例中,在示例过程1600的步骤1610,确定在步骤1604中选择的不具有有效数据的像素是否具有有效的深度数据。在至少一个实施例中,例如,在步骤1610,像素可以具有一些有效数据(例如,颜色或运动),但缺少其他有效数据(例如,深度)。在至少一个实施例中,例如,没有有效深度的像素会给光流、静态流分析和/或运动流带来不准确的结果。在至少一个实施例中,例如,如果确定在步骤1604中选择的不具有有效数据的像素也不具有有效深度数据(“否(NO)”分支),则示例过程1610在步骤1612中继续。在至少一个实施例中,例如,如果确定在步骤1604中选择的不具有有效数据的像素确实具有有效的深度数据(“是(YES)”分支),则示例过程1600在步骤1614继续。
在至少一个实施例中,在示例过程1600的步骤1612,为在步骤1604中选择的没有有效数据且也没有有效深度数据的像素计算深度。在至少一个实施例中,在步骤1612,使用一个或更多个邻近像素计算深度。在至少一个实施例中,深度的计算是启发式的(例如,估计)。在至少一个实施例中,在无法计算深度的情况下,深度被赋予默认值(例如,非常高的深度值)。在至少一个实施例中,在步骤1612之后,示例过程1600在步骤1614继续。
在至少一个实施例中,在示例过程1600的步骤1614,至少部分地基于邻近像素的深度和位置来确定滤波器大小。在至少一个实施例中,例如,如上所述,使用与邻近像素的最大距离(例如,与邻近像素1410的最大距离)来计算滤波器大小。在至少一个实施例中,例如,如上所述,使用到邻近像素的最大距离(例如,到邻近像素1512的最大距离)计算滤波器大小,该到邻近像素的最大距离对作为不同对象的像素的邻近像素打折。在至少一个实施例中,在步骤1614之后,示例过程1600在步骤1616继续。
在至少一个实施例中,在示例过程1600的步骤1616,使用上述技术生成滤波器(例如,滤波器或内核,其大小基于与邻近像素的最大距离,并具有基于运动流方向的滤波器元素或矩阵元素,如本文至少结合图12所述,从而例如,当使用在步骤1616生成的滤波器时(例如,与源图像卷积),从正确的邻近像素修复像素数据。在至少一个实施例中,在步骤1616之后,示例过程1600在步骤1618继续。
在至少一个实施例中,例如,在示例过程1600的步骤1618,将步骤1616生成的滤波器应用于源帧,用有效数据修复洞。在至少一个实施例中,例如,如果过程1600在诸如过程300的过程处理中间帧(例如,在步骤308)时执行,则处理过程1600可以用邻近像素的有效运动数据修复运动数据中的洞,如本文所述。在至少一个实施例中,在步骤1618之后,示例过程1600终止。在至少一个实施例中,在步骤1618之后,示例在步骤1604继续选择另一个像素。在至少一个实施例中,在步骤1618之后,示例在步骤1602继续接收另一个源帧。
在至少一个实施例中,示例过程1600的操作以不同于图16所示的顺序实施。在至少一个实施例中,同时或并行地实施示例过程1600的操作,从而例如,同时实施步骤1614和步骤1616,或者在步骤1604同时选择多个像素。在至少一个实施例中,例如,使用诸如本文所述的系统和方法,通过在诸如本文所述的一个或更多个处理器上执行的多个线程来实施示例过程1600的操作。
推理和训练逻辑
图17A示出了用于执行与一个或更多个实施例相关联的推理和/或训练操作的推理和/或训练逻辑1715。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于代码和/或数据存储1701,用于存储前向和/或输出权重和/或输入/输出数据,和/或在一个或更多个实施例的方面中配置被训练为和/或用于推理的神经网络的神经元或层的其他参数。在至少一个实施例中,训练逻辑1715可以包括或耦合到用于存储图形代码或其他软件以控制时序和/或顺序的代码和/或数据存储1701,其中权重和/或其他参数信息被加载以配置逻辑,包括整数和/或浮点单元(统称为算术逻辑单元(ALU))。在至少一个实施例中,代码(诸如图代码)基于该代码所对应的神经网络的架构将权重或其他参数信息加载到处理器ALU中。在至少一个实施例中,代码和/或数据存储1701存储在使用一个或更多个实施例的方面训练和/或推理期间的输入/输出数据和/或权重参数的前向传播期间结合一个或更多个实施例训练或使用的神经网络的每个层的权重参数和/或输入/输出数据。在至少一个实施例中,代码和/或数据存储1701的任何部分都可以包括在其他片上或片外数据存储内,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,代码和/或数据存储1701的任何部分可以在一个或更多个处理器或其他硬件逻辑设备或电路的内部或外部。在至少一个实施例中,代码和/或数据存储1701可以是高速缓存存储器、动态随机可寻址存储器(“DRAM”)、静态随机可寻址存储器(“SRAM”)、非易失性存储器(例如闪存)或其他存储。在至少一个实施例中,对代码和/或数据存储1701是在处理器的内部还是外部的选择,例如,或者由DRAM、SRAM、闪存或某种其他存储类型组成,可以取决于存储片上或片外的可用存储空间,正在执行训练和/或推理功能的延迟要求,在神经网络的推理和/或训练中使用的数据的批大小或这些因素的某种组合。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于代码和/或数据存储1705,以存储与在一个或更多个实施例的方面中被训练为和/或用于推理的神经网络的神经元或层相对应的反向和/或输出权重和/或输入/输出数据神经网络。在至少一个实施例中,在使用一个或更多个实施例的方面训练和/或推理期间,代码和/或数据存储1705存储在输入/输出数据和/或权重参数的反向传播期间结合一个或更多个实施例训练或使用的神经网络的每个层的权重参数和/或输入/输出数据。在至少一个实施例中,训练逻辑1715可以包括或耦合到用于存储图代码或其他软件以控制时序和/或顺序的代码和/或数据存储1705,其中权重和/或其他参数信息被加载以配置逻辑,该逻辑包括整数和/或浮点单元(统称为算术逻辑单元(ALU))。
在至少一个实施例中,代码(诸如图代码)使得基于该代码所对应的神经网络的架构将权重或其他参数信息加载到处理器ALU中。在至少一个实施例中,代码和/或数据存储1705的任何部分可以与其他片上或片外数据存储一起包括,包括处理器的L1、L2或L3高速缓存或系统存储器。在至少一个实施例中,代码和/或数据存储1705的任何部分可以在一个或更多个处理器或其他硬件逻辑设备或电路上的内部或外部。在至少一个实施例中,代码和/或数据存储1705可以是高速缓存存储器、DRAM、SRAM、非易失性存储器(例如闪存)或其他存储。在至少一个实施例中,代码和/或数据存储1705是在处理器的内部还是外部的选择,例如,是由DRAM、SRAM、闪存还是其他某种存储类型组成,取决于可用存储是片上还是片外,正在执行的训练和/或推理功能的延迟要求,在神经网络的推理和/或训练中使用的数据批量大小或这些因素的某种组合。
在至少一个实施例中,代码和/或数据存储1701以及代码和/或数据存储1705可以是分开的存储结构。在至少一个实施例中,代码和/或数据存储1701以及代码和/或数据存储1705可以是相同的存储结构。在至少一个实施例中,代码和/或数据存储1701以及代码和/或数据存储1705可以部分地被组合和部分分离。在至少一个实施例中,代码和/或数据存储1701以及代码和/或数据存储1705的任何部分可以与其他片上或片外数据存储包括在一起,包括处理器的L1、L2或L3高速缓存或系统存储器。
在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于一个或更多个算术逻辑单元(“ALU”)1710(包括整数和/或浮点单元),用于至少部分地基于训练和/或推理代码(例如,图代码)或由其指示来执行逻辑和/或数学运算,其结果可能会产生存储在激活存储1720中的激活(例如,来自神经网络内部的层或神经元的输出值),其是存储在代码和/或数据存储1701和/或代码和/或数据存储1705中的输入/输出和/或权重参数数据的函数。在至少一个实施例中,激活响应于执行指令或其他代码,由ALU 1710执行的线性代数和/或基于矩阵的数学生成在激活存储1720中存储的激活,其中存储在代码和/或数据存储1705中和/或代码和/或数据存储1701中的权重值用作具有其他值的操作数,例如偏置值、梯度信息、动量值或其他参数或超参数,可以将任何或所有这些存储在代码和/或数据存储1705或代码和/或数据存储1701或其他片上或片外存储中。
在至少一个实施例中,一个或更多个处理器或其他硬件逻辑设备或电路中包括一个或更多个ALU 1710,而在另一个实施例中,一个或更多个ALU 1710可以在处理器或其他硬件逻辑设备或使用它们(例如协处理器)的电路外。在至少一个实施例中,可以将一个或更多个ALU 1710包括在处理器的执行单元之内,或者以其他方式包括在由处理器的执行单元可访问的ALU组中,该处理器的执行单元可以在同一处理器内或者分布在不同类型的不同处理器之间(例如,中央处理单元、图形处理单元、固定功能单元等)。在至少一个实施例中,代码和/或数据存储1701、代码和/或数据存储1705以及激活存储1720可以共享处理器或其他硬件逻辑设备或电路,而在另一个实施例中,它们可以在不同的处理器或其他硬件逻辑设备或电路或相同和不同处理器或其他硬件逻辑设备或电路的某种组合中。在至少一个实施例中,激活存储1720的任何部分可以与其他片上或片外数据存储包括在一起,包括处理器的L1、L2或L3高速缓存或系统存储器。此外,推理和/或训练代码可以与处理器或其他硬件逻辑或电路可访问的其他代码一起存储,并可以使用处理器的提取、解码、调度、执行、退出和/或其他逻辑电路来提取和/或处理。
在至少一个实施例中,激活存储1720可以是高速缓存存储器、DRAM、SRAM、非易失性存储器(例如,闪存)或其他存储。在至少一个实施例中,激活存储1720可以完全地或部分地在一个或更多个处理器或其他逻辑电路内部或外部。在至少一个实施例中,可以取决于片上或片外可用的存储,进行训练和/或推理功能的延迟要求,在推理和/或训练神经网络中使用的数据的批量大小或这些因素的某种组合,选择激活存储1720是处理器的内部还是外部,例如,或者包含DRAM、SRAM、闪存或其他存储类型。
在至少一个实施例中,图17A中所示的推理和/或训练逻辑1715可以与专用集成电路(“ASIC”)结合使用,例如来自Google的
在至少一个实施例中,关于图17A所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图17A所示或所描述的至少一个组件用于实施本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,推理和/或训练逻辑1715用于实施本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,例如,关于图17A所示或描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文描述的其他系统、方法或操作所描述的至少一个方面。在至少一个实施例中,例如,推理和/或训练逻辑1715用于实施有关示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图17B示出了根据至少一个实施例的推理和/或训练逻辑1715。在至少一个实施例中,推理和/或训练逻辑1715可以包括但不限于硬件逻辑,其中计算资源被专用或以其他方式唯一地连同对应于神经网络内的一层或更多层神经元的权重值或其他信息一起使用。在至少一个实施例中,图17B中所示的推理和/或训练逻辑1715可以与专用集成电路(ASIC)结合使用,例如来自Google的
在至少一个实施例中,代码和/或数据存储1701和1705以及相应的计算硬件1702和1706中的每一个分别对应于神经网络的不同层,使得从代码和/或数据存储1701和计算硬件1702的一个存储/计算对1701/1702得到的激活提供作为代码和/或数据存储1705和计算硬件1706的下一个存储/计算对1705/1706的输入,以便反映神经网络的概念组织。在至少一个实施例中,每个存储/计算对1701/1702和1705/1706可以对应于一个以上的神经网络层。在至少一个实施例中,在推理和/或训练逻辑1715中可以包括在存储计算对1701/1702和1705/1706之后或与之并行的附加存储/计算对(未示出)。
在至少一个实施例中,关于图17B所示或所述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图17B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图17B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
神经网络训练和部署
图18示出了根据至少一个实施例的深度神经网络的训练和部署。在至少一个实施例中,使用训练数据集1802来训练未经训练的神经网络1806。在至少一个实施例中,训练框架1804是PyTorch框架,而在其他实施例中,训练框架1804是TensorFlow,Boost,Caffe,Microsoft Cognitive Toolkit/CNTK,MXNet,Chainer,Keras,Deeplearning4j或其他训练框架。在至少一个实施例中,训练框架1804训练未经训练的神经网络1806,并使它能够使用本文所述的处理资源来训练,以生成经训练的神经网络1808。在至少一个实施例中,权重可以被随机选择或通过使用深度信念网络预训练。在至少一个实施例中,可以以有监督、部分有监督或无监督的方式执行训练。
在至少一个实施例中,使用有监督学习来训练未经训练的神经网络1806,其中训练数据集1802包括与用于输入的期望输出配对的输入,或者其中训练数据集1802包括具有已知输出的输入和神经网络1806是手动分级的输出。在至少一个实施例中,以有监督的方式来训练未经训练的神经网络1806,并且处理来自训练数据集1802的输入,并将结果输出与一组期望或想要的输出进行比较。在至少一个实施例中,然后通过未经训练的神经网络1806将误差传播回去。在至少一个实施例中,训练框架1804调整控制未经训练的神经网络1806的权重。在至少一个实施例中,训练框架1804包括用于监视未经训练的神经网络1806向模型(例如,经训练的神经网络1808)收敛的程度的工具,适于基于输入数据(例如新数据集1812)生成正确答案(例如结果1814)的模型。在至少一个实施例中,训练框架1804反复训练未经训练的神经网络1806,同时调整权重以使用损失函数和调整算法(例如随机梯度下降)来改善未经训练的神经网络1806的输出。在至少一个实施例中,训练框架1804训练未经训练的神经网络1806,直到未经训练的神经网络1806达到期望的精度为止。在至少一个实施例中,然后可以部署经训练的神经网络1808以实现任何数量的机器学习操作。
在至少一个实施例中,使用无监督学习来训练未经训练的神经网络1806,其中未经训练的神经网络1806尝试使用未标记的数据来训练自己。在至少一个实施例中,无监督学习训练数据集1802将包括输入数据,而没有任何关联的输出数据或“地面实况”数据。在至少一个实施例中,未经训练的神经网络1806可以学习训练数据集1802内的分组,并且可以确定各个输入如何与未经训练的数据集1802相关。在至少一个实施例中,可以使用无监督训练来在经训练的神经网络1808中生成自组织图,其能够执行对减少新数据集1812的维度有用的操作。在至少一个实施例中,无监督训练也可以用于执行异常检测,这允许识别新数据集1812中偏离新数据集1812的正常模式的数据点。
在至少一个实施例中,可以使用半监督学习,这是一种技术,其中在训练数据集1802中包括标记数据和未标记数据的混合。在至少一个实施例中,训练框架1804可以用于例如通过转移的学习技术来执行递增学习。在至少一个实施例中,递增学习使得经训练的神经网络1808能够适应新数据集1812,而不会忘记在初始训练期间注入到经训练的神经网络1808内的知识。
在至少一个实施例中,关于图18所示或所述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图18所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图18所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
数据中心
图19示出了可以使用至少一个实施例的示例数据中心1900。在至少一个实施例中,数据中心1900包括数据中心基础设施层1910、框架层1920、软件层1930和应用程序层1940。
在至少一个实施例中,如图19所示,数据中心基础设施层1910可以包括资源协调器1912、分组计算资源1914和节点计算资源(“节点C.R.”)1916(1)-1916(N),其中“N”代表正整数(其可以是与其他图中使用的整数不同的整数“N”)。在至少一个实施例中,节点C.R.1916(1)-1916(N)可以包括但不限于任何数量的中央处理单元(“CPU”)或其他处理器(包括加速器、现场可编程门阵列(FPGA)、图形处理器等),存储器存储设备1918(1)-1918(N)(例如动态只读存储器、固态硬盘或磁盘驱动器),网络输入/输出(“NW I/O”)设备,网络交换机,虚拟机(“VM”),电源模块和冷却模块等。在至少一个实施例中,节点C.R.1916(1)-1916(N)中的一个或更多个节点C.R.可以是具有一个或更多个上述计算资源的服务器。
在至少一个实施例中,分组计算资源1914可以包括容纳在一个或更多个机架内的节点C.R.的单独分组(未示出),或者容纳在各个地理位置的数据中心内的许多机架(也未示出)。在至少一个实施例中,分组的计算资源1914内的节点C.R.的单独分组可以包括可以被配置或分配为支持一个或更多个工作负载的分组的计算、网络、存储器或存储资源。在至少一个实施例中,可以将包括CPU或处理器的几个节点C.R.分组在一个或更多个机架内,以提供计算资源来支持一个或更多个工作负载。在至少一个实施例中,一个或更多个机架还可以包括任何数量的电源模块、冷却模块和网络交换机,以任意组合。
在至少一个实施例中,资源协调器1912可以配置或以其他方式控制一个或更多个节点C.R.1916(1)-1916(N)和/或分组的计算资源1914。在至少一个实施例中,资源协调器1912可以包括用于数据中心1900的软件设计基础结构(“SDI”)管理实体。在至少一个实施例中,资源协调器1112可以包括硬件、软件或其某种组合。
在至少一个实施例中,如图19所示,框架层1920包括作业调度器1922、配置管理器1924、资源管理器1926和分布式文件系统1928。在至少一个实施例中,框架层1920可以包括支持软件层1930的软件1932和/或应用程序层1940的一个或更多个应用程序1942的框架。在至少一个实施例中,软件1932或应用程序1942可以分别包括基于Web的服务软件或应用程序,例如由Amazon Web Services,Google Cloud和Microsoft Azure提供的服务或应用程序。在至少一个实施例中,框架层1920可以是但不限于一种免费和开放源软件网络应用程序框架,例如可以利用分布式文件系统1928来进行大范围数据处理(例如“大数据”)的Apache Spark
在至少一个实施例中,包括在软件层1930中的软件1932可以包括由节点C.R.1916(1)-1916(N)的至少一部分,分组的计算资源1914和/或框架层1920的分布式文件系统1928使用的软件。在至少一个实施例中,一种或更多种类型的软件可以包括但不限于Internet网页搜索软件、电子邮件病毒扫描软件、数据库软件和流视频内容软件。
在至少一个实施例中,应用程序层1940中包括的一个或更多个应用程序1942可以包括由节点C.R.1916(1)-1916(N)的至少一部分、分组计算资源1914和/或框架层1920的分布式文件系统1928使用的一种或更多种类型的应用程序。在至少一个实施例中,一种或更多种类型的应用程序可以包括但不限于任何数量的基因组学应用程序、认知计算、应用程序和机器学习应用程序,包括训练或推理软件,机器学习框架软件(例如PyTorch、TensorFlow、Caffe等)或其他与一个或更多个实施例结合使用的机器学习应用程序。
在至少一个实施例中,配置管理器1924、资源管理器1926和资源协调器1912中的任何一个可以基于以任何技术上可行的方式获取的任何数量和类型的数据来实现任何数量和类型的自我修改动作。在至少一个实施例中,自我修改动作可以减轻数据中心1900的数据中心操作员做出可能不好的配置决定并且可以避免数据中心的未充分利用和/或执行差的部分。
在至少一个实施例中,数据中心1900可以包括工具、服务、软件或其他资源,以根据本文所述的一个或更多个实施例来训练一个或更多个机器学习模型或者使用一个或更多个机器学习模型来预测或推理信息。例如,在至少一个实施例中,可以通过使用上文关于数据中心1900描述的软件和计算资源,根据神经网络架构通过计算权重参数来训练机器学习模型。在至少一个实施例中,通过使用通过本文所述的一种或更多种训练技术计算出的权重参数,可以使用上面与关于数据中心1900所描述的资源,使用对应于一个或更多个神经网络的经训练的机器学习模型来推理或预测信息。
在至少一个实施例中,数据中心可以使用CPU、专用集成电路(ASIC)、GPU、FPGA或其他硬件来使用上述资源来执行训练和/或推理。此外,上述的一个或更多个软件和/或硬件资源可以配置成一种服务,以允许用户训练或执行信息推理,例如图像识别、语音识别或其他人工智能服务。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图19中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或体系架构,或者本文所述的神经网络用例计算的权重参数推理或预测操作。
在至少一个实施例中,关于图19所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图19所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图19所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
超级计算
以下附图提出但不限于可以用于实现至少一个实施例的示例性基于超级计算机的系统。
在至少一个实施例中,超级计算机可以指代展现出实质性并行性并且包括至少一个芯片的硬件系统,其中系统中的芯片通过网络互连并且被放置在层级组织的外壳中。在至少一个实施例中,填充具有若干机架的机器室的大型硬件系统是超级计算机的一个特定示例,每个机架包含若干板/机架模块,每个板/机架模块包含全部通过可缩放网络互连的若干芯片。在至少一个实施例中,这种大型硬件系统的单个机架是超级计算机的另一示例。在至少一个实施例中,展现出实质性并行性并且包含若干硬件组件的单个芯片可以同样地被认为是超级计算机,因为随着特征尺寸可以减小,可以合并在单个芯片中的硬件的量也可以增加。
图20A示出了根据至少一个实施例的芯片级的超级计算机2000。在至少一个实施例中,在FPGA或ASIC芯片内,主计算在称为线程单元的有限状态机(2004)内执行。在至少一个实施例中,任务和同步网络(2002)连接有限状态机,并且用于以正确的顺序调度线程和执行操作。在至少一个实施例中,使用存储器网络(2006、2010)访问在芯片上分区的多级高速缓存层次结构(2008、2012)。在至少一个实施例中,使用存储器控制器(2016)和片外存储器网络(2014)访问片外存储器。在至少一个实施例中,当设计不适合单个逻辑芯片时,I/O控制器(2018)用于跨芯片通信。
图20B示出了根据至少一个实施例的在机架模块级处的超级计算机。在至少一个实施例中,在机架模块内,存在多个FPGA或ASIC芯片(2020),其连接到构成主加速器存储器的一个或更多个DRAM单元(2022)。在至少一个实施例中,每个FPGA/ASIC芯片使用板上的宽总线与它的相邻FPGA/ASIC芯片连接,具有差分高速信令(2024)。在至少一个实施例中,每个FPGA/ASIC芯片也连接到至少一个高速串行通信电缆。
图20C示出了根据至少一个实施例的在机架级的超级计算机。图20D示出了根据至少一个实施例的在整个系统级的超级计算机。在至少一个实施例中,参照图20C和图20D,在机架中的机架模块之间以及整个系统中跨机架,高速串行光或铜电缆(2026,2028)用于实现可扩展的、可能不完全的超立方体网络。在至少一个实施例中,加速器的FPGA/ASIC芯片中的一个通过PCI-Express连接(2030)连接到主机系统。在至少一个实施例中,主机系统包括运行应用的软件部分的主机微处理器(2034)和由与加速器上的存储器保持一致的一个或更多个主机存储器DRAM单元(2032)组成的存储器。在至少一个实施例中,主机系统可以是机架之一上的独立模块,或可以与超级计算机的模块之一集成。在至少一个实施例中,立方连接的循环拓扑提供通信链路以为大型超级计算机创建超立方网络。在至少一个实施例中,机架模块上的小组FPGA/ASIC芯片可充当单个超立方体节点,使得与单个芯片相比,每组的外部链路的总数增加。在至少一个实施例中,一个群组包含机架模块上的芯片A、B、C和D,该机架模块具有在环面组织中连接A、B、C和D的内部宽差分总线。在至少一个实施例中,存在12条将机架模块连接到外部世界的串行通信电缆。在至少一个实施例中,机架模块上的芯片A连接至串行通信电缆0、1、2。在至少一个实施例中,芯片B连接至电缆3、4、5。在至少一个实施例中,芯片C连接至6、7、8。在至少一个实施例中,芯片D连接至9、10、11。在至少一个实施例中,构成机架模块的整个组{A,B,C,D}可以形成超级计算机系统内的超立方体节点,其中高达212=4096个机架模块(16384个FPGA/ASIC芯片)。在至少一个实施例中,对于芯片A在组{A,B,C,D}的链路4上发送消息,消息必须首先路由至具有板载差分宽总线连接的芯片B。在至少一个实施例中,在链路4上到达目的地为芯片A的组{A,B,C,D}(即,到达B)的消息也必须首先被路由到组{A,B,C,D}内内部的正确的目的地芯片(A)。在至少一个实施例中,还可以实现其他大小的并行超级计算机系统。
在至少一个实施例中,关于图20-20D所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图20A-20D所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图20A-20D所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
计算机系统
图21是示出根据至少一个实施例示例性计算机系统的框图,该示例性计算机系统可以是具有互连的设备和组件的系统,片上系统(SOC)或它们的某种形成有处理器的组合,该处理器可以包括执行单元以执行指令。在至少一个实施例中,根据本公开,例如本文所述的实施例,计算机系统2100可以包括但不限于组件,例如处理器2102,其执行单元包括逻辑以执行用于过程数据的算法。在至少一个实施例中,计算机系统2100可以包括处理器,例如可从加利福尼亚圣塔克拉拉的英特尔公司(Intel Corporation of Santa Clara,California)获得的
实施例可以用在其他设备中,例如手持设备和嵌入式应用程序。手持设备的一些示例包括蜂窝电话、互联网协议(Internet Protocol)设备、数码相机、个人数字助理(“PDA”)和手持PC。在至少一个实施例中,嵌入式应用程序可以包括微控制器、数字信号处理器(“DSP”)、片上系统、网络计算机(“NetPC”)、机顶盒、网络集线器、广域网(“WAN”)交换机,或根据至少一个实施例可以执行一个或更多个指令的任何其他系统。
在至少一个实施例中,计算机系统2100可包括但不限于处理器2102,该处理器2102可包括但不限于一个或更多个执行单元2108,以根据本文描述的技术执行机器学习模型训练和/或推理。在至少一个实施例中,计算机系统2100是单处理器台式机或服务器系统,但是在另一个实施例中,计算机系统2100可以是多处理器系统。在至少一个实施例中,处理器2102可以包括但不限于复杂指令集计算机(“CISC”)微处理器、精简指令集计算(“RISC”)微处理器、超长指令字(“VLIW”)微处理器、实现指令集组合的处理器,或任何其他处理器设备,例如数字信号处理器。在至少一个实施例中,处理器2102可以耦合到处理器总线2110,该处理器总线2110可以在处理器2102与计算机系统2100中的其他组件之间传输数据信号。
在至少一个实施例中,处理器2102可以包括但不限于1级(“L1”)内部高速缓存存储器(“cache”)2104。在至少一个实施例中,处理器2102可以具有单个内部高速缓存或多级内部缓存。在至少一个实施例中,高速缓存存储器可以驻留在处理器2102的外部。根据特定的实现和需求,其他实施例也可以包括内部和外部高速缓存的组合。在至少一个实施例中,寄存器文件2106可以在各种寄存器中存储不同类型的数据,包括但不限于整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器。
在至少一个实施例中,包括但不限于执行整数和浮点运算的逻辑的执行单元2108,其也位于处理器2102中。在至少一个实施例中,处理器2102还可以包括微码(“ucode”)只读存储器(“ROM”),用于存储某些宏指令的微代码。在至少一个实施例中,执行单元2108可以包括用于处理封装指令集2109的逻辑。在至少一个实施例中,通过将封装指令集2109包括在通用处理器的指令集中,以及要执行指令的相关电路,可以使用处理器2102中的封装数据来执行许多多媒体应用程序使用的操作。在至少一个实施例中,可以通过使用处理器的数据总线的全宽度来在封装的数据上执行操作来加速和更有效地执行许多多媒体应用程序,这可能不需要在该处理器的数据总线上传输较小的数据单元来一次执行一个数据元素的一个或更多个操作。
在至少一个实施例中,执行单元2108也可以用在微控制器、嵌入式处理器、图形设备、DSP和其他类型的逻辑电路中。在至少一个实施例中,计算机系统2100可以包括但不限于存储器2120。在至少一个实施例中,存储器2120可以为动态随机存取存储器(“DRAM”)设备、静态随机存取存储器(“SRAM”)设备、闪存设备或另一个存储设备。在至少一个实施例中,存储器2120可以存储由处理器2102可以执行的由数据信号表示的指令2119和/或数据2121。
在至少一个实施例中,系统逻辑芯片可以耦合到处理器总线2110和存储器2120。在至少一个实施例中,系统逻辑芯片可以包括但不限于存储器控制器集线器(“MCH”)2116,并且处理器2102可以经由处理器总线2110与MCH 2116通信。在至少一个实施例中,MCH2116可以提供到存储器2120的高带宽存储器路径2118以用于指令和数据存储以及用于图形命令、数据和纹理的存储。在至少一个实施例中,MCH 2116可以在处理器2102、存储器2120和计算机系统2100中的其他组件之间启动数据信号,并且在处理器总线2110、存储器2120和系统I/O接口2122之间桥接数据信号。在至少一个实施例中,系统逻辑芯片可以提供用于耦合到图形控制器的图形端口。在至少一个实施例中,MCH 2116可以通过高带宽存储器路径2118耦合到存储器2120,并且图形/视频卡2112可以通过加速图形端口(Accelerated Graphics Port)(“AGP”)互连2114耦合到MCH 2116。
在至少一个实施例中,计算机系统2100可以使用系统I/O接口2122作为专有集线器接口总线来将MCH 2116耦合到I/O控制器集线器(“ICH”)2130。在至少一个实施例中,ICH2130可以通过本地I/O总线提供与某些I/O设备的直接连接。在至少一个实施例中,本地I/O总线可以包括但不限于用于将外围设备连接到存储器2120、芯片组和处理器2102的高速I/O总线。示例可以包括但不限于音频控制器2129、固件集线器(“Flash BIOS”)2128、无线收发器2126、数据存储2124、包含用户输入和键盘接口2125的传统I/O控制器2123、串行扩展端口2127(例如通用串行总线(USB)端口)和网络控制器2134。在至少一个实施例中,数据存储2124可以包括硬盘驱动器、软盘驱动器、CD-ROM设备、闪存设备或其他大容量存储设备。
在至少一个实施例中,图21示出了包括互连的硬件设备或“芯片”的系统,而在其他实施例中,图21可以示出SoC。在至少一个实施例中,图21中示出的设备可以与专有互连、标准化互连(例如,PCIe)或其某种组合互连。在至少一个实施例中,计算机系统2100的一个或更多个组件使用计算快速链路(CXL)互连来互连。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图21的系统中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图21所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图21所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图21所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图22是示出根据至少一个实施例的用于利用处理器2210的电子设备2200的框图。在至少一个实施例中,电子设备2200可以是,例如但不限于,笔记本电脑、塔式服务器、机架服务器、刀片服务器、膝上型计算机、台式机、平板电脑、移动设备、电话、嵌入式计算机或任何其他合适的电子设备。
在至少一个实施例中,电子设备2200可以包括但不限于通信地耦合到任何合适数量或种类的组件、外围设备、模块或设备的处理器2210。在至少一个实施例中,处理器2210使用总线或接口耦合,诸如I
在至少一个实施例中,图22可以包括显示器2224、触摸屏2225、触摸板2230、近场通信单元(“NFC”)2245、传感器集线器2240、热传感器2246、快速芯片组(“EC”)2235、可信平台模块(“TPM”)2238、BIOS/固件/闪存(“BIOS,FW Flash”)2222、DSP 2260、驱动器2220(例如固态磁盘(“SSD”)或硬盘驱动器(“HDD”))、无线局域网单元(“WLAN”)2250、蓝牙单元2252、无线广域网单元(“WWAN”)2256、全球定位系统(GPS)单元2255、相机(“USB 3.0相机”)2254(例如USB 3.0相机)和/或以例如LPDDR3标准实现的低功耗双倍数据速率(“LPDDR”)存储器单元(“LPDDR3”)2215。这些组件可以各自以任何合适的方式实现。
在至少一个实施例中,其他组件可以通过本文所述的组件通信地耦合到处理器2210。在至少一个实施例中,加速度计2241、环境光传感器(“ALS”)2242、罗盘2243和陀螺仪2244可以可通信地耦合到传感器集线器2240。在至少一个实施例中,热传感器2239、风扇2237、键盘2236和触摸板2230可以通信地耦合到EC 2235。在至少一个实施例中,扬声器2263、耳机2264和麦克风(“mic”)2265可以通信地耦合到音频单元(“音频编解码器和D类放大器”)2262,其又可以通信地耦合到DSP 2260。在至少一个实施例中,音频单元2262可以包括例如但不限于音频编码器/解码器(“编解码器”)和D类放大器。在至少一个实施例中,SIM卡(“SIM”)2257可以通信地耦合到WWAN单元2256。在至少一个实施例中,组件(诸如WLAN单元2250和蓝牙单元2252以及WWAN单元2256)可以被实现为下一代形式因素(NGFF)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图22中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图22所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图22所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图22所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图23示出了根据至少一个实施例的计算机系统2300。在至少一个实施例中,计算机系统2300配置为实现贯穿本公开描述的各种过程和方法。
在至少一个实施例中,计算机系统2300包括但不限于至少一个中央处理单元(“CPU”)2302,该中央处理单元(“CPU”)2302连接到使用任何合适协议实现的通信总线2310,诸如PCI(“外围设备互联”)、外围组件互连Express(“PCI-Express”)、AGP(“加速图形端口”)、超传输或任何其他总线或点对点通信协议。在至少一个实施例中,计算机系统2300包括但不限于主存储器2304和控制逻辑(例如,实现为硬件、软件或其组合),并且数据可以采取随机存取存储器(“RAM”)的形式存储在主存储器2304中。在至少一个实施例中,网络接口子系统(“网络接口”)2322提供到其他计算设备和网络的接口,用于使用计算机系统2300接收数据并将数据传输到其他系统。
在至少一个实施例中,计算机系统2300在至少一个实施例中包括但不限于输入设备2308、并行处理系统2312和显示设备2306,它们可以使用常规的阴极视线管(“CRT”)、液晶显示器(“LCD”)、发光二极管(“LED”)显示器、等离子显示器或其他合适的显示技术实现。在至少一个实施例中,从输入设备2308(诸如键盘、鼠标、触摸板、麦克风等)接收用户输入。在至少一个实施例中,本文所述模块中的每一个可以位于单个半导体平台上以形成处理系统。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图23中使用,以至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算出的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图23所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图23所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图23所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图24示出了根据至少一个实施例的计算机系统2400。在至少一个实施例中,计算机系统2400包括但不限于计算机2410和USB棒2420。在至少一个实施例中,计算机2410可以包括但不限于任何数量和类型的处理器(未示出)和存储器(未示出)。在至少一个实施例中,计算机2410包括但不限于服务器、云实例、膝上型计算机和台式计算机。
在至少一个实施例中,USB棒2420包括但不限于处理单元2430、USB接口2440和USB接口逻辑2450。在至少一个实施例中,处理单元2430可以是能够执行指令的任何指令执行系统、装置或设备。在至少一个实施例中,处理单元2430可以包括但不限于任何数量和类型的处理核心(未示出)。在至少一个实施例中,处理单元2430包括专用集成电路(“ASIC”),其被优化以执行与机器学习相关联的任何量和类型的操作。例如,在至少一个实施例中,处理单元2430是被优化以执行机器学习推理操作的张量处理单元(“TPC”)。在至少一个实施例中,处理单元2430是视觉处理单元(“VPU”),其被优化以执行机器视觉和机器学习推理操作。
在至少一个实施例中,USB接口2440可以是任何类型的USB连接器或USB插座。例如,在至少一个实施例中,USB接口2440是用于数据和电力的USB 3.0类型C插座。在至少一个实施例中,USB接口2440是USB 3.0类型A连接器。在至少一个实施例中,USB接口逻辑2450可包括使处理单元2430能够经由USB连接器2440与设备(例如,计算机2410)对接的任何量和类型的逻辑。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。关于推理和/或训练逻辑1715的细节在本文中结合图17A和/或17B提供。在至少一个实施例中,推理和/或训练逻辑1715可以在系统图24中用于至少部分地基于使用在此描述的神经网络训练操作、神经网络功能和/或架构、或神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图24所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图24所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图24所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图25A示出了示例性架构,其中多个GPU 2510(1)-2510(N)通过高速链路2540(1)-2540(N)(例如,总线/点对点互连等)通信地耦合到多个多核心处理器2505(1)-2505(M)。在至少一个实施例中,高速链路2540(1)-2540(N)支持4GB/s、30GB/s、80GB/s或更高的通信吞吐量。在至少一个实施例中,可以使用各种互连协议,包括但不限于PCIe 4.0或5.0以及NVLink 2.0。在各个图中,“N”和“M”表示正整数,其值可因图而异。
此外,在至少一个实施例中,两个或更多个GPU 2510通过高速链路2529(1)-2529(2)互连,该高速链路可以使用与用于高速链路2540(1)-2540(N)的协议/链路类似或不同的协议/链路来实现。类似地,两个或更多个多核心处理器2505可以通过高速链路2528连接,该高速链路可以是以20GB/s、30GB/s、120GB/s或更高的速度运行的对称多处理器(SMP)总线。可替代地,可以使用类似的协议/链路(例如,通过公共互连结构)来完成图25A中所示的各种系统组件之间的所有通信。
在至少一个实施例中,每个多核心处理器2505分别经由存储器互连2526(1)-2526(M)通信地耦合到处理器存储器2501(1)-2501(M),并且每个GPU 2510(1)-2510(N)分别通过GPU存储器互连2550(1)-2550(N)通信地耦合到GPU存储器2520(1)-2520(N)。在至少一个实施例中,存储器互连2526和2550可以利用相似或不同的存储器访问技术。作为示例而非限制,处理器存储器2501(1)-2501(M)和GPU存储器2520可以是易失性存储器,诸如动态随机存取存储器(DRAM)(包括堆叠的DRAM)、图形DDR SDRAM(GDDR)(例如GDDR5、GDDR6),或高带宽存储器(HBM),和/或可以是非易失性存储器,例如3D XPoint或Nano-Ram。在至少一个实施例中,处理器存储器2501的某些部分可以是易失性存储器,而另一部分可以是非易失性存储器(例如,使用两级存储器(2LM)层次结构)。
如本文所述,尽管各种多核心处理器2505和GPU 2510可以分别物理地耦合到特定存储器2501、2520,和/或可以实现统一存储器架构,其中虚拟系统地址空间(也称为“有效地址”空间)分布在各个物理存储器之间。例如,处理器存储器2501(1)-2501(M)可以各自包含64GB的系统存储器地址空间,并且GPU存储器2520(1)-2520(N)可以各自包含32GB的系统存储器地址空间,从而当M=2和N=4时,导致总计256GB的可寻址存储器大小。N和M也可能是其他值。
图25B示出了根据一个示例性实施例的用于多核心处理器2507和图形加速模块2546之间互连的附加细节。在至少一个实施例中,图形加速模块2546可以包括集成在线路卡上的一个或更多个GPU芯片,该线路卡经由高速链路2540(例如,PCIe总线、NVLink等)耦合到处理器2507。在至少一个实施例中,图形加速模块2546可以选择性地集成在具有处理器2507的封装或芯片上。
在至少一个实施例中,处理器2507包括多个核心2560A-2560D,每个核心都具有转换后备缓冲区(“TLB”)2561A-2561D和一个或更多个高速缓存2562A-2562D。在至少一个实施例中,核心2560A-2560D可以包括未示出的各种其他组件,用于执行指令和处理数据。在至少一个实施例中,高速缓存2562A-2562D可以包括级别1(L1)和级别2(L2)高速缓存。此外,一个或更多个共享高速缓存2556可以被包括在高速缓存2562A-2562D中,并且由各组核心2560A-2560D共享。例如,处理器2507的一个实施例包括24个核心,每个核心具有其自己的L1高速缓存,十二个共享的L2高速缓存,和十二个共享的L3高速缓存。在该实施例中,两个相邻核心共享一个或更多个L2和L3高速缓存。在至少一个实施例中,处理器2507和图形加速模块2546与系统存储器2514连接,该系统存储器2514可以包括图25A中的处理器存储器2501(1)-2501(M)。
在至少一个实施例中,通过一致性总线2564经由核心间通信为存储在各个高速缓存2562A-2562D、2556和系统存储器2514中的数据和指令维护一致性。在至少一个实施例中,例如,每个高速缓存可以具有与其相关联的高速缓存一致性逻辑/电路,以响应于检测到对特定高速缓存行的读取或写入通过一致性总线2564进行通信。在至少一个实施例中,通过一致性总线2564实现高速缓存监听协议,以监听(snoop)高速缓存访问。
在至少一个实施例中,代理电路2525将图形加速模块2546通信地耦合到一致性总线2564,从而允许图形加速模块2546作为核心2560A-2560D的对等方参与高速缓存一致性协议。特别地,在至少一个实施例中,接口2535通过高速链路2540提供到代理电路2525的连接,并且接口2537将图形加速模块2546连接到高速链路2540。
在至少一个实施例中,加速器集成电路2536代表图形加速模块2546的多个图形处理引擎2531(1)-2531(N)提供高速缓存管理、存储器访问、上下文管理和中断管理服务。在至少一个实施例中,图形处理引擎2531(1)-2531(N)可各自包括单独的图形处理单元(GPU)。在至少一个实施例中,图形处理引擎2531(1)-2531(N)选择性地可以包括GPU内的不同类型的图形处理引擎,诸如图形执行单元、媒体处理引擎(例如,视频编码器/解码器)、采样器和blit引擎。在至少一个实施例中,图形加速模块2546可以是具有多个图形处理引擎2531(1)-2531(N)的GPU,或者图形处理引擎2531(1)-2531(N)可以是集成在通用封装、线路卡或芯片上的各个GPU。
在至少一个实施例中,加速器集成电路2536包括存储器管理单元(MMU)2539,用于执行各种存储器管理功能,例如虚拟到物理存储器转换(也称为有效到真实存储器转换),还包括用于访问系统存储器2514的存储器访问协议。在至少一个实施例中,MMU 2539还可包括转换后备缓冲区(“TLB”)(未示出),用于高速缓存虚拟/有效到物理/真实地址转换。在至少一个实施例中,高速缓存2538可以存储命令和数据,用于图形处理引擎2531(1)-2531(N)有效地访问。在至少一个实施例中,可能使用获取单元2544,将存储在高速缓存2538和图形存储器2533(1)-2533(M)中的数据与核心高速缓存2562A-2562D、2556和系统存储器2514保持一致。如前所述,可以经由代表高速缓存2538和图形存储器2533(1)-2533(M)的代理电路2525来完成该任务(例如,将与处理器高速缓存2562A-2562D、2556上的高速缓存行的修改/访问有关的更新发送到高速缓存2538,并从高速缓存2538接收更新)。
在至少一个实施例中,一组寄存器2545存储由图形处理引擎2531(1)-2531(N)执行的线程的上下文数据,并且上下文管理电路2548管理线程上下文。例如,上下文管理电路2548可以执行保存和恢复操作,以在上下文切换期间保存和恢复各个线程的上下文(例如,其中保存第一线程并且存储第二线程,以便可以由图形处理引擎执行第二线程)。例如,上下文管理电路2548在上下文切换时,可以将当前寄存器值存储到存储器中的(例如,由上下文指针标识的)指定区域。然后,当返回上下文时可以恢复寄存器值。在至少一个实施例中,中断管理电路2547接收并处理从系统设备接收的中断。
在至少一个实施例中,通过MMU 2539将来自图形处理引擎2531的虚拟/有效地址转换为系统存储器2514中的真实/物理地址。在至少一个实施例中,加速器集成电路2536支持多个(例如,4、8、16)图形加速器模块2546和/或其他加速器设备。在至少一个实施例中,图形加速器模块2546可以专用于在处理器2507上执行的单个应用程序,或者可以在多个应用程序之间共享。在至少一个实施例中,呈现了虚拟化的图形执行环境,其中图形处理引擎2531(1)-2531(N)的资源与多个应用程序或虚拟机(VM)共享。在至少一个实施例中,可以基于处理要求和与VM和/或应用程序相关联的优先级,将资源细分为“切片”,其被分配给不同的VM和/或应用程序。
在至少一个实施例中,加速器集成电路2536作为图形加速模块2546的系统的桥来执行,并提供地址转换和系统存储器高速缓存服务。另外,在至少一个实施例中,加速器集成电路2536可以为主机处理器提供虚拟化设施,以管理图形处理引擎2531(1)-2531(N)的虚拟化、中断和存储器管理。
在至少一个实施例中,由于图形处理引擎2531(1)-2531(N)的硬件资源被明确地映射到主机处理器2507看到的真实地址空间,因此任何主机处理器都可以使用有效地址值直接寻址这些资源。在至少一个实施例中,加速器集成电路2536的一个功能是物理分离图形处理引擎2531(1)-2531(N),使得它们在系统看来为独立的单元。
在至少一个实施例中,一个或更多个图形存储器2533(1)-2533(M)分别耦合到每个图形处理引擎2531(1)-2531(N),并且N=M。在至少一个实施例中,图形存储器2533(1)-2533(M)存储指令和数据,所述指令和数据由每个图形处理引擎2531(1)-2531(N)处理。在至少一个实施例中,图形存储器2533(1)-2533(M)可以是易失性存储器,例如DRAM(包括堆叠的DRAM)、GDDR存储器(例如,GDDR5,GDDR6)或HBM,和/或可以是非易失性存储器,例如3DXPoint或Nano-Ram。
在至少一个实施例中,为了减少高速链路2540上的数据流量,可以使用偏置技术以确保存储在图形存储器2533(1)-2533(M)中的数据是图形处理引擎2531(1)-2531(N)最常使用的并且最好核心2560A-2560D不使用(至少不经常使用)的数据。类似地,在至少一个实施例中,偏置机制试图将核心(并且优选地不是图形处理引擎2531(-1)-2531(N))需要的数据保持在高速缓存2562A-2562D、2556和系统存储器2514中。
图25C示出了另一个示例性实施例,其中加速器集成电路2536被集成在处理器2507内。在该实施例中,图形处理引擎2531(1)-2531(N)经由接口2537和接口2535(同样可以是任何形式的总线或接口协议)通过高速链路2540直接与加速器集成电路2536通信。在至少一个实施例中,加速器集成电路2536可以执行与关于图25B描述的操作类似的操作。但是由于它紧密靠近一致性总线2564和高速缓存2562A-2562D、2556,可能具有更高的吞吐量。在至少一个实施例中,加速器集成电路支持不同的编程模型,包括专用进程编程模型(无图形加速模块虚拟化)和共享编程模型(具有虚拟化),所述编程模型可以包括由加速器集成电路2536控制的编程模型和由图形加速模块2546控制的编程模型。
在至少一个实施例中,图形处理引擎2531(1)-2531(N)专用于单个操作系统下的单个应用程序或进程。在至少一个实施例中,单个应用程序可以将其他应用程序请求收敛(funnel)到图形处理引擎2531(1)-2531(N),从而在VM/分区内提供虚拟化。
在至少一个实施例中,图形处理引擎2531(1)-2531(N)可以被多个VM/应用程序分区共享。在至少一个实施例中,共享模型可以使用系统管理程序来虚拟化图形处理引擎2531(1)-2531(N),以允许每个操作系统进行访问。在至少一个实施例中,对于没有管理程序的单分区系统,操作系统拥有图形处理引擎2531(1)-2531(N)。在至少一个实施例中,操作系统可以虚拟化图形处理引擎2531(1)-2531(N),以提供对每个进程或应用程序的访问。
在至少一个实施例中,图形加速模块2546或个体图形处理引擎2531(1)-2531(N)使用进程句柄来选择进程元素。在至少一个实施例中,进程元素被存储在系统存储器2514中,并且可使用本文所述的有效地址到真实地址转换技术来寻址。在至少一个实施例中,进程句柄可以是特定于实现方式的值,其在向图形处理引擎2531(1)-2531(N)注册其上下文时提供给主机进程(即,调用系统软件以将进程元素添加到进程元素链接列表)。在至少一个实施例中,进程句柄的较低16位可以是进程元素在进程元素链接列表中的偏移量。
图25D示出了示例性加速器集成切片2590。在至少一个实施例中,“切片”包括加速器集成电路2536的处理资源的指定部分。在至少一个实施例中,应用程序是系统存储器2514中的有效地址空间2582,其存储进程元素2583。在至少一个实施例中,响应于来自在处理器2507上执行的应用程序2580的GPU调用2581,存储进程元素2583。在至少一个实施例中,进程元素2583包含相应的应用程序2580的进程状态。在至少一个实施例中,包含在进程元素2583中的工作描述符(WD)2584可以是由应用程序请求的单个作业,或者可以包含指向作业队列的指针。在至少一个实施例中,WD 2584是指向应用程序的有效地址空间2582中的作业请求队列的指针。
在至少一个实施例中,图形加速模块2546和/或各个图形处理引擎2531(1)-2531(N)可以由系统中所有进程或进程子集共享。在至少一个实施例中,可以包括用于设置进程状态并将WD 2584发送到图形加速模块2546以在虚拟化环境中开始作业的基础设施。
在至少一个实施例中,专用进程编程模型是特定于实现方式的。在至少一个实施例中,在该模型中,单个进程拥有图形加速模块2546或个体图形处理引擎2531。在至少一个实施例中,当图形加速模块2546由单个进程拥有时,管理程序初始化用于所拥有的分区的加速器集成电路2536,当指派了图形加速模块2546时,操作系统初始化用于所拥有的进程的加速器集成电路2536。
在至少一个实施例中,在操作中,加速器集成切片2590中的WD获取单元2591获取下一个WD 2584,其包括要由图形加速模块2546的一个或更多个图形处理引擎完成的工作的指示。在至少一个实施例中,来自WD 2584的数据可以存储在寄存器2545中,并由MMU2539、中断管理电路2547和/或上下文管理电路2548使用,如图所示。例如,MMU 2539的一个实施例包括用于访问OS虚拟地址空间2585内的段/页表2586的段/页漫游电路。在至少一个实施例中,中断管理电路2547可以处理从图形加速模块2546接收的中断事件2592。在至少一个实施例中,当执行图形操作时,由图形处理引擎2531(1)-2531(N)生成的有效地址2593被MMU 2539转换为真实地址。
在一个实施例中,为每个图形处理引擎2531(1)-2531(N)和/或图形加速模块2546复制寄存器2545,并且所述寄存器2545可以由管理程序或操作系统初始化。在至少一个实施例中,这些复制的寄存器中的每一个可以被包括在加速器集成切片2590中。可以由管理程序初始化的示例性寄存器在表1中示出。
表2中示出了可由操作系统初始化的示例性寄存器。
在至少一个实施例中,每个WD 2584特定于特定的图形加速模块2546和/或图形处理引擎2531(1)-2531(N)。在至少一个实施例中,它包含图形处理引擎2531(1)-2531(N)完成工作所需的所有信息,或者它可以是指向存储器位置的指针,在该存储器位置应用程序已经设置了要完成的工作的命令队列。
图25E示出了共享模型的一个示例性实施例的附加细节。该实施例包括管理程序真实地址空间2598,其中存储了进程元素列表2599。在至少一个实施例中,可经由管理程序2596来访问管理程序实地址空间2598,所述管理程序2596虚拟化用于操作系统2595的图形加速模块引擎。
在至少一个实施例中,共享编程模型允许来自系统中全部分区或分区子集的全部进程或进程子集使用图形加速模块2546。在至少一个实施例中,存在两种编程模型,其中图形加速模块2546由多个进程和分区共享,即,时间切片共享和图形定向共享。
在至少一个实施例中,在该模型中,系统管理程序2596拥有图形加速模块2546,并使其功能可用于所有操作系统2595。在至少一个实施例中,对于图形加速模块2546通过系统管理程序2596支持虚拟化,图形加速模块2546可以遵守某些要求,例如(1)应用程序的作业请求必须是自主的(即,不需要在作业之间保持状态),或者图形加速模块2546必须提供上下文保存和恢复机制,(2)图形加速模块2546保证应用程序的作业请求在指定的时间量内完成,包括任何转换错误,或者图形加速模块2546提供了抢占作业处理的能力,并且(3)在有向共享编程模型中进行操作时,必须确保图形加速模块2546进程之间的公平性。
在至少一个实施例中,需要应用程序2580使用图形加速模块类型、工作描述符(WD)、权限屏蔽寄存器(AMR)值和上下文保存/恢复区域指针(CSRP)进行操作系统2595系统调用。在至少一个实施例中,图形加速模块类型描述了用于系统调用的目标加速函数。在至少一个实施例中,图形加速模块类型可以是系统特定的值。在至少一个实施例中,WD是专门为图形加速模块2546格式化的,并且可以采用图形加速模块2546命令、指向用户定义的结构的有效地址指针、指向命令队列的有效地址指针的形式,或描述要由图形加速模块2546完成的工作的任何其他数据结构。
在至少一个实施例中,AMR值是用于当前进程的AMR状态。在至少一个实施例中,传递给操作系统的值与设置AMR的应用程序类似。在至少一个实施例中,如果加速器集成电路2536(未示出)和图形加速模块2546的实现不支持用户权限屏蔽覆写寄存器(UAMOR),则在管理程序调用中传递AMR之前,操作系统可以将当前UAMOR值应用于AMR值。在至少一个实施例中,管理程序2596可以在将AMR放入进程元素2583中之前选择性地应用当前权限屏蔽覆写寄存器(AMOR)值。在至少一个实施例中,CSRP是寄存器2545中的一个,所述寄存器包含应用程序的有效地址空间2582中的区域的有效地址,供图形加速模块2546保存和恢复上下文状态。在至少一个实施例中,如果不需要在作业之间保存状态或者当作业被抢占时,则该指针是可选的。在至少一个实施例中,上下文保存/恢复区域可以是固定的系统存储器。
在接收到系统调用时,操作系统2595可以验证应用程序2580已经注册并且被授予使用图形加速模块2546的权限。然后,在至少一个实施例中,操作系统2595使用表3中所示的信息来调用管理程序2596。
在至少一个实施例中,在接收到管理程序调用时,管理程序2596验证操作系统2595已注册并被授予使用图形加速模块2546的权限。然后,在至少一个实施例中,管理程序2596将进程元素2583放入相应的图形加速模块2546类型的进程元素链接列表中。在至少一个实施例中,进程元素可以包括表4中所示的信息。
在至少一个实施例中,管理程序初始化多个加速器集成切片2590寄存器2545。
如图25F所示,在至少一个实施例中,使用统一存储器,所述统一存储器可经由用于访问物理处理器存储器2501(1)-2501(N)和GPU存储器2520(1)-2520(N)的公共虚拟存储器地址空间来寻址。在该实现方式中,在GPU 2510(1)-2510(N)上执行的操作利用相同的虚拟/有效存储器地址空间来访问处理器存储器2501(1)-2501(M),反之亦然,从而简化了可编程性。在至少一个实施例中,虚拟/有效地址空间的第一部分被分配给处理器存储器2501(1),第二部分被分配给第二处理器存储器2501(N),第三部分被分配给GPU存储器2520(1),以此类推。在至少一个实施例中,整个虚拟/有效存储器空间(有时称为有效地址空间)由此分布在处理器存储器2501和GPU存储器2520的每一个中,从而允许任何处理器或GPU采用映射到任何物理存储器的虚拟地址访问该存储器。
在至少一个实施例中,一个或更多个MMU 2539A-2539E内的偏置/一致性管理电路2594A-2594E确保一个或更多个主机处理器(例如,2505)与GPU 2510的高速缓存之间的高速缓存一致性,并实现指示应在其中存储某些类型的数据的物理存储器的偏置技术。在至少一个实施例中,虽然在图25F中示出了偏置/一致性管理电路2594A-2594E的多个实例,但可以在一个或更多个主机处理器2505的MMU内和/或在加速器集成电路2536内实现偏置/一致性电路。
一个实施例允许将GPU存储器2520映射为系统存储器的一部分,并使用共享虚拟存储器(SVM)技术进行访问,但不会遭受与完整系统高速缓存一致性相关的性能缺陷。在至少一个实施例中,将GPU存储器2520作为系统存储器来访问而无需繁重的高速缓存一致性开销的能力为GPU卸载提供了有利的操作环境。在至少一个实施例中,该布置允许主机处理器2505的软件设置操作数并访问计算结果,而没有传统的I/O DMA数据拷贝的开销。在至少一个实施例中,这样的传统拷贝包括驱动程序调用、中断和存储器映射I/O(MMIO)访问,相对于简单的存储器访问而言,这些访问效率均较低。在至少一个实施例中,在没有高速缓存一致性开销的情况下访问GPU存储器2520的能力对于卸载的计算的执行时间可能是关键的。在至少一个实施例中,例如,在具有大量流式写入存储器流量的情况下,高速缓存一致性开销可以显著降低GPU 2510所看到的有效写入带宽。在至少一个实施例中,操作数设置的效率、结果访问的效率和GPU计算的效率可能会在确定GPU卸载的有效性方面发挥作用。
在至少一个实施例中,GPU偏置和主机处理器偏置的选择由偏置追踪器数据结构驱动。在至少一个实施例中,例如,可以使用偏置表,所述偏置表可以是页面粒度结构(例如,以存储器页面的粒度来控制),该页面粒度结构包括每个GPU附加的存储器页面1或2位。在至少一个实施例中,在GPU 2510中具有或不具有偏置高速缓存(例如,用于高速缓存偏置表的频繁/最近使用的条目)的情况下,可以在一个或更多个GPU存储器2520的被盗存储器范围中实现偏置表。替代地,在至少一个实施例中,可以在GPU内维护整个偏置表。
在至少一个实施例中,在实际访问GPU存储器之前,访问与对GPU附加存储器2520的每次访问相关联的偏置表条目,从而引起以下操作。在至少一个实施例中,来自GPU 2510的在GPU偏置中找到其页面的本地请求被直接转发到对应的GPU存储器2520。在至少一个实施例中,来自GPU的在主机偏置中找到其页面的本地请求被转发至处理器2505(例如,通过本文所述的高速链路)。在至少一个实施例中,来自处理器2505的在主机处理器偏置中找到所请求页面的请求完成了与正常存储器读取类似的请求。替代地,可以将指向GPU偏置页面的请求转发到GPU 2510。在至少一个实施例中,如果GPU当前不使用页面,则GPU可随后将页面迁移到主机处理器偏置。在至少一个实施例中,页面的偏置状态可以通过基于软件的机制、基于硬件辅助的软件的机制、或者在有限的情况下通过纯粹基于硬件的机制来改变。
在至少一个实施例中,一种用于改变偏置状态的机制采用API调用(例如OpenCL),所述API调用随后调用GPU的设备驱动程序,所述设备驱动程序随后发送消息(或使命令描述符入队)到GPU,引导GPU改变偏置状态,并在某些迁移中在主机中执行高速缓存刷新操作。在至少一个实施例中,高速缓存刷新操作用于从主机处理器2505偏置到GPU偏置的迁移,但是不用于相反的迁移。
在至少一个实施例中,高速缓存一致性是通过暂时渲染主机处理器2505无法高速缓存的GPU偏置页面来维护的。在至少一个实施例中,为了访问这些页面,处理器2505可以请求来自GPU 2510的访问,GPU 2510可以或可以不立即授予访问权限。因此,在至少一个实施例中,为了减少处理器2505和GPU 2510之间的通信,确保GPU偏置页面是GPU所需的页面而不是主机处理器2505所需的页面是有益的,反之亦然。
在至少一个实施例中,关于图25A-25F所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图25A-25F所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图25A-25F所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图26示出了根据本文所述的各个实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图26是示出根据至少一个实施例的可使用一个或更多个IP核心制造的芯片集成电路2600上的示例性系统的框图。在至少一个实施例中,集成电路2600包括一个或更多个应用程序处理器2605(例如,CPU)、至少一个图形处理器2610,并且可以另外包括图像处理器2615和/或视频处理器2620,其中任意一个可能是模块化IP核心。在至少一个实施例中,集成电路2600包括外围或总线逻辑,其包括USB控制器2625、UART控制器2630、SPI/SDIO控制器2635和I
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在集成电路2600中用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文描述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图26所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图26所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图26所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图27A-27B示出了根据本文所述的各个实施例的示例性集成电路和相关联的图形处理器,其可以使用一个或更多个IP核心来制造。除了图示之外,在至少一个实施例中可以包括其他逻辑和电路,包括附加的图形处理器/核心、外围接口控制器或通用处理器核心。
图27A-27B是示出根据本文描述的实施例的在SoC内使用的示例性图形处理器的框图。图27A示出了根据至少一个实施例的芯片集成电路上系统的示例性图形处理器2710,其可以使用一个或更多个IP核心来制造。图27B示出了根据至少一个实施例的芯片集成电路上系统的另外示例性图形处理器2740,其可以使用一个或更多个IP核心来制造。在至少一个实施例中,图27A的图形处理器2710是低功耗图形处理器核心。在至少一个实施例中,图27B的图形处理器2740是更高性能的图形处理器核心。在至少一个实施例中,每个图形处理器2710、2740可以是图37的图形处理器2610的变体。
在至少一个实施例中,图形处理器2710包括顶点处理器2705和一个或更多个片段处理器2715A-2715N(例如2715A、2715B、2715C、2715D至2715N-1和2715N)。在至少一个实施例中,图形处理器2710可以经由单独的逻辑来执行不同的着色器程序,使得顶点处理器2705被优化以执行针对顶点着色器程序的操作,而一个或更多个片段处理器2715A-2715N执行片段(例如,像素)着色操作用于片段或像素或着色器程序。在至少一个实施例中,顶点处理器2705执行3D图形管线的顶点处理阶段并生成图元和顶点数据。在至少一个实施例中,一个或更多个片段处理器2715A-2715N使用由顶点处理器2705生成的图元和顶点数据来生成在显示设备上显示的帧缓冲区。在至少一个实施例中,一个或更多个片段处理器2715A-2715N被优化以执行如在OpenGL API中所提供的片段着色器程序,其可以用于执行与在Direct 3D API中所提供的像素着色器程序类似的操作。
在至少一个实施例中,图形处理器2710附加地包括一个或更多个存储器管理单元(MMU)2720A-2720B、一个或更多个高速缓存2725A-2725B和一个或更多个电路互连2730A-2730B。在至少一个实施例中,一个或更多个MMU 2720A-2720B提供用于图形处理器2710的虚拟到物理地址的映射,包括用于顶点处理器2705和/或片段处理器2715A-2715N,其可以引用存储在存储器中的顶点或图像/纹理数据,除了存储在一个或更多个高速缓存2725A-2725B中的顶点或图像/纹理数据之外。在至少一个实施例中,一个或更多个MMU 2720A-2720B可以与系统内的其他MMU同步,包括与图26的一个或更多个应用程序处理器2605、图像处理器2615和/或视频处理器2620相关联的一个或更多个MMU,使得每个处理器2605-2620可以参与共享或统一的虚拟存储器系统。在至少一个实施例中,一个或更多个电路互连2730A-2730B使图形处理器2710能够经由SoC的内部总线或经由直接连接与SoC内的其他IP核心相连接。
在至少一个实施例中,图形处理器2740包括一个或更多个着色器核心2755A-2755N(例如,2755A、2755B、2755C、2755D、2755E、2755F到2755N-1和2755N),如图27B所示,其提供了统一的着色器核心架构,其中单个核心或类型或核心可以执行所有类型的可编程着色器代码,包括用于实现顶点着色器、片段着色器和/或计算着色器的着色器程序代码。在至少一个实施例中,多个着色器核心可以变化。在至少一个实施例中,图形处理器2740包括核心间任务管理器2745,其充当线程分派器以将执行线程分派给一个或更多个着色器核心2755A-2755N和分块单元2758,以加速基于图块渲染的分块操作,其中在图像空间中细分了场景的渲染操作,例如,以利用场景内的局部空间一致性或优化内部缓存的使用。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图27A和/或图27B中集成电路中用于至少部分地基于使用神经网络训练操作、神经网络函数或架构,或本文所述的神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图27A-27B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图27A-27B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图27A-27B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图28A-28B示出了根据本文描述的实施例的附加示例性图形处理器逻辑。在至少一个实施例中,图28A示出了可以包括在图26的图形处理器2610内的图形核心2800,并且在至少一个实施例中,其可以是如图27B所示的统一着色器核心2755A-2755N。图28B示出了在至少一个实施例中的适用于在多芯片模块上部署的高度并行的通用图形处理单元(“GPGPU”)2830。
在至少一个实施例中,图形核心2800包括共享指令高速缓存2802、纹理单元2818和高速缓存/共享存储器2820,它们对于图形核心2800内的执行资源是通用的。在至少一个实施例中,图形核心2800可包括多个切片2801A-2801N或每个核心的分区,并且图形处理器可包括图形核心2800的多个实例。在至少一个实施例中,切片2801A-2801N可包括支持逻辑,所述逻辑包括本地指令高速缓存2804A-2804N、线程调度器2806A-2806N、线程分派器2808A-2808N和一组寄存器2810A-2810N。在至少一个实施例中,切片2801A-2801N可以包括一组附加功能单元(AFU 2812A-2812N)、浮点单元(FPU 2814A-2814N)、整数算术逻辑单元(ALU 2816A-2816N)、地址计算单元(ACU 2813A-2813N)、双精度浮点单元(DPFPU 2815A-2815N)和矩阵处理单元(MPU 2817A-2817N)。
在至少一个实施例中,FPU 2814A-2814N可以执行单精度(32位)和半精度(16位)浮点运算,而DPFPU 2815A-2815N则执行双精度(64位)浮点运算点操作。在至少一个实施例中,ALU 2816A-2816N可以以8位、16位和32位精度执行可变精度整数运算,并且可以配置为混合精度运算。在至少一个实施例中,MPU 2817A-2817N还可被配置用于混合精度矩阵运算,包括半精度浮点运算和8位整数运算。在至少一个实施例中,MPU 2817-2817N可以执行各种矩阵运算以加速机器学习应用程序框架,包括使得能够支持加速的通用矩阵到矩阵乘法(GEMM)。在至少一个实施例中,AFU 2812A-2812N可以执行浮点数或整数单元不支持的附加逻辑运算,包括三角运算(例如,正弦,余弦等)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。这里结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形核心2800中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
图28B示出了在至少一个实施例中的通用处理单元(GPGPU)2830,其可以被配置为使得高度并行的计算操作能够由一组图形处理单元来执行。在至少一个实施例中,GPGPU2830可以直接链接到GPGPU 2830的其他实例,以创建多GPU集群以提高用于深度神经网络的训练速度。在至少一个实施例中,GPGPU 2830包括主机接口2832,以实现与主机处理器的连接。在至少一个实施例中,主机接口2832是PCI Express接口。在至少一个实施例中,主机接口2832可以是厂商专用的通信接口或通信结构。在至少一个实施例中,GPGPU 2830接收主机处理器的命令,并使用全局调度器2834,以将与那些命令相关联的执行线程分配给一组计算集群2836A-2836H。在至少一个实施例中,计算群集2836A-2836H共享高速缓存存储器2838。在至少一个实施例中,高速缓存存储器2838可以用作计算群集2836A-2836H内的高速缓存存储器的更高级别的高速缓存。
在至少一个实施例中,GPGPU 2830包括存储器2844A-2844B,所述存储器2844A-2844B经由一组存储器控制器2842A-2842B与计算集群2836A-2836H耦合。在至少一个实施例中,存储器2844A-2844B可以包括各种类型的存储器设备,包括动态随机存取存储器(DRAM)或图形随机存取存储器,例如同步图形随机存取存储器(SGRAM),其包括图形双倍数据速率(GDDR)存储器。
在至少一个实施例中,计算集群2836A-2836H每个都包括一组图形核心,例如图28A的图形核心2800,所述图形核心可以包括多种类型的整数和浮点逻辑单元,所述逻辑单元可以在计算机各种精度范围上执行计算操作,包括适用于机器学习计算的精度。例如,在至少一个实施例中,每个计算集群2836A-2836H中的浮点单元的至少一个子集可以被配置为执行16位或32位浮点运算,而浮点单元的不同子集可以配置为执行64位浮点运算。
在至少一个实施例中,GPGPU 2830的多个实例可以被配置为用作计算集群。在至少一个实施例中,计算集群2836A-2836H用于同步和数据交换的通信在实施例之间变化。在至少一个实施例中,GPGPU 2830的多个实例通过主机接口2832进行通信。在至少一个实施例中,GPGPU 2830包括I/O集线器2839,所述I/O集线器2839将GPGPU 2830与GPU链路2840耦合,使得能够直接连接到GPGPU 2830的其他实例。在至少一个实施例中,GPU链路2840耦合到专用GPU到GPU桥,所述桥使得GPGP 2830的多个实例之间能够通信和同步。在至少一个实施例中,GPU链路2840与高速互连耦合,以向其他GPGPU或并行处理器发送和接收数据。在至少一个实施例中,GPGPU 2830的多个实例位于单独的数据处理系统中,并通过可通过主机接口2832访问的网络设备进行通信。在至少一个实施例中,GPU链路2840可被配置为使得能够连接到主机除主机接口2832之外或作为其替代的处理器。
在至少一个实施例中,GPGPU 2830可以被配置为训练神经网络。在至少一个实施例中,可以在推理平台内使用GPGPU 2830。在至少一个实施例中,在其中使用GPGPU 2830进行推理的情况下,相对于使用GPGPU 2830训练神经网络时,GPGPU 2830可以包括更少的计算集群2836A-2836H。在至少一个实施例中,与存储器2844A-2844B相关联的存储器技术可以在推理和训练配置之间有所不同,其中更高带宽的存储器技术专用于训练配置。在至少一个实施例中,GPGPU 2830的推理配置可以支持推理特定指令。例如,在至少一个实施例中,推理配置可以提供对一个或更多个8位整数点积指令的支持,该指令可以在部署的神经网络的推理操作期间使用。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在GPGPU 2830中使用,用于至少部分地基于使用神经网络训练操作、神经网络功能和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图28A-28B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图28A-28B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图28A-28B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图29示出了根据至少一个实施例的计算机系统2900的框图。在至少一个实施例中,计算机系统2900包括具有一个或更多个处理器2902的处理子系统2901和系统存储器2904,所述系统存储器2904经由可包括存储器集线器2905的互连路径通信。在至少一个实施例中,存储器集线器2905可以是芯片组部件内的单独部件,或者可以集成在一个或更多个处理器2902内。在至少一个实施例中,存储器集线器2905通过通信链路2906与I/O子系统2911耦合。在一个实施例中,I/O子系统2911包括I/O集线器2907,所述I/O集线器可以使计算机系统2900能够接收来自一个或更多个输入设备2908的输入。在至少一个实施例中,I/O集线器2907可以使显示控制器向一个或更多个显示设备2910A提供输出,所述显示控制器可以包括在一个或更多个处理器2902中。在至少一个实施例中,与I/O集线器2907耦合的一个或更多个显示设备2910A可以包括本地,内部或嵌入式显示设备。
在至少一个实施例中,处理子系统2901包括经由总线或其他通信链路2913耦合到存储器集线器2905的一个或更多个并行处理器2912中。在至少一个实施例中,通信链路2913可以使用任何一种许多基于标准的通信链路技术或协议,例如但不限于PCI Express,或者可以是特定于供应商的通信接口或通信结构。在至少一个实施例中,一个或更多个并行处理器2912形成计算集中的并行或向量处理系统,所述系统可以包括大量处理核心和/或处理集群,例如多集成核心(MIC)处理器。在至少一个实施例中,一个或更多个并行处理器2912形成图形处理子系统,所述图形处理子系统可以将像素输出到经由I/O集线器2907耦合的一个或更多个显示设备2910A之一。在至少一个实施例中,并行处理器2912还可以包括显示控制器和显示接口(未示出),以使得能够直接连接到一个或更多个显示设备2910B。
在至少一个实施例中,系统存储单元2914可以连接到I/O集线器2907,以提供用于计算机系统2900的存储机制。在至少一个实施例中,I/O交换机2916可以用于提供一个接口机制,以实现I/O集线器2907与其他组件之间的连接,例如可以集成到平台中的网络适配器2918和/或无线网络适配器2919,以及可以通过一个或更多个附加设备2920添加的各种其他设备。在至少一个实施例中,网络适配器2918可以是以太网适配器或另一有线网络适配器。在至少一个实施例中,无线网络适配器2919可以包括Wi-Fi、蓝牙、近场通信(NFC)中的一个或更多个,或包括一个或更多个无线电设备的其他网络设备。
在至少一个实施例中,计算机系统2900可以包括未明确示出的其他组件,所述其他组件包括USB或其他端口连接、光学存储驱动器、视频捕获设备等,所述其他组件也可以连接到I/O集线器2907。在至少一个实施例中,可以使用任何合适的协议(例如基于PCI(外围组件互连)的协议(例如PCI-Express)或其他总线或点对点通信接口和/或协议)来实现互连图29中各个组件的通信路径,例如NV-Link高速互连或互连协议。
在至少一个实施例中,一个或更多个并行处理器2912包括为图形和视频处理而优化的电路,所述电路包括例如视频输出电路,并构成图形处理单元(GPU)。在至少一个实施例中,并行处理器2912包括为通用处理而优化的电路。在至少一个实施例中,计算机系统2900的组件可以与单个集成电路上的一个或更多个其他系统元件集成。例如,在至少一个实施例中,并行处理器2912、存储器集线器2905、处理器2902和I/O集线器2907,可以被集成到片上系统(SoC)集成电路中。在至少一个实施例中,计算机系统2900的组件可以被集成到单个封装中,以形成系统级封装(SIP)配置。在至少一个实施例中,计算机系统2900的组件的至少一部分可以被集成到多芯片模块(MCM)中,所述多芯片模块可以与其他多芯片模块互连到模块化计算机系统中。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图29的系统2900中使用,用于至少部分地基于使用神经网络训练操作、神经网络函数和/或架构或本文所述的神经网络用例计算的权重参数来推理或预测操作。
在至少一个实施例中,关于图29所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图29所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图29所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
处理器
图30A示出了根据至少一个实施例的并行处理器3000。在至少一个实施例中,并行处理器3000的各种组件可以使用一个或更多个集成电路设备来实现,例如可编程处理器、专用集成电路(ASIC)或现场可编程门阵列(FPGA)。在至少一个实施例中,所示的并行处理器3000是根据示例性实施例的图29所示的一个或更多个并行处理器2912的变体。
在至少一个实施例中,并行处理器3000包括并行处理单元3002。在至少一个实施例中,并行处理单元3002包括I/O单元3004,其使得能够与其他设备进行通信,包括并行处理单元3002的其他实例。在至少一个实施例中,I/O单元3004可以直接连接到其他设备。在至少一个实施例中,I/O单元3004通过使用集线器或交换机接口(例如,存储器集线器3005)与其他设备连接。在至少一个实施例中,存储器集线器3005与I/O单元3004之间的连接形成通信链路3013。在至少一个实施例中,I/O单元3004与主机接口3006和存储器交叉开关3016连接,其中主机接口3006接收用于执行处理操作的命令,而存储器交叉开关3016接收用于执行存储器操作的命令。
在至少一个实施例中,当主机接口3006经由I/O单元3004接收命令缓冲区时,主机接口3006可以引导工作操作以执行那些命令到前端3008。在至少一个实施例中,前端3008与调度器3010耦合,调度器3010配置成将命令或其他工作项分配给处理集群阵列3012。在至少一个实施例中,调度器3010确保在将任务分配给处理集群阵列3012之前,处理集群阵列3012被正确地配置并且处于有效状态。在至少一个实施例中,调度器3010通过在微控制器上执行的固件逻辑来实现。在至少一个实施例中,微控制器实现的调度器3010可配置成以粗粒度和细粒度执行复杂的调度和工作分配操作,从而实现对在处理阵列3012上执行的线程的快速抢占和上下文切换。在至少一个实施例中,主机软件可以证明用于通过多个图形处理路径之一在处理阵列3012上进行调度的工作负载。在至少一个实施例中,工作负载然后可以由包括调度器3010的微控制器内的调度器3010逻辑在处理阵列3012上自动分配。
在至少一个实施例中,处理集群阵列3012可以包括多达“N”个处理集群(例如,集群3014A、集群3014B到集群3014N),其中“N”代表一个正整数(可以是与其他图中使用的整数“N”不同的整数)。在至少一个实施例中,处理集群阵列3012的每个集群3014A-3014N可以执行大量并发线程。在至少一个实施例中,调度器3010可以使用各种调度和/或工作分配算法将工作分配给处理集群阵列3012的集群3014A-3014N,其可以根据每种程序或计算类型产生的工作负载而变化。在至少一个实施例中,调度可以由调度器3010动态地处理,或者可以在配置为由处理集群阵列3012执行的程序逻辑的编译期间部分地由编译器逻辑来辅助。在至少一个实施例中,可将处理集群阵列3012的不同的集群3014A-3014N分配用于处理不同类型的程序或用于执行不同类型的计算。
在至少一个实施例中,处理集群阵列3012可以配置成执行各种类型的并行处理操作。在至少一个实施例中,处理集群阵列3012配置成执行通用并行计算操作。例如,在至少一个实施例中,处理集群阵列3012可以包括执行处理任务的逻辑,该处理任务包括对视频和/或音频数据的过滤,执行建模操作,包括物理操作以及执行数据转换。
在至少一个实施例中,处理集群阵列3012配置成执行并行图形处理操作。在至少一个实施例中,处理集群阵列3012可以包括附加逻辑以支持这种图形处理操作的执行,包括但不限于执行纹理操作的纹理采样逻辑,以及镶嵌逻辑和其他顶点处理逻辑。在至少一个实施例中,处理集群阵列3012可以配置成执行与图形处理有关的着色器程序,例如但不限于顶点着色器、曲面细分着色器、几何着色器和像素着色器。在至少一个实施例中,并行处理单元3002可以经由I/O单元3004从系统存储器传送数据以进行处理。在至少一个实施例中,在处理期间,可以在处理期间将传送的数据存储到片上存储器(例如,并行处理器存储器3022),然后将其写回到系统存储器。
在至少一个实施例中,当并行处理单元3002用于执行图形处理时,调度器3010可以配置成将处理工作负载划分为近似相等大小的任务,以更好地将图形处理操作分配给处理集群阵列3012的多个集群3014A-3014N。在至少一个实施例中,处理集群阵列3012的部分可以配置成执行不同类型的处理。例如,在至少一个实施例中,第一部分可以配置成执行顶点着色和拓扑生成,第二部分可以配置成执行镶嵌和几何着色,并且第三部分可以配置成执行像素着色或其他屏幕空间操作,以生成用于显示的渲染图像。在至少一个实施例中,可以将由集群3014A-3014N中的一个或更多个产生的中间数据存储在缓冲区中,以允许在集群3014A-3014N之间传输中间数据以进行进一步处理。
在至少一个实施例中,处理集群阵列3012可以经由调度器3010接收要执行的处理任务,该调度器3010从前端3008接收定义处理任务的命令。在至少一个实施例中,处理任务可以包括要被处理的数据的索引,例如,表面(补丁)数据、原始数据、顶点数据和/或像素数据,以及状态参数和定义如何处理数据的命令(例如,要执行什么程序)。在至少一个实施例中,调度器3010可以配置成获取与任务相对应的索引,或者可以从前端3008接收索引。在至少一个实施例中,前端3008可以配置成确保在启动由传入命令缓冲区(例如,批缓冲区(batch-buffer)、推送缓冲区等)指定的工作负载之前,处理集群阵列3012配置成有效状态。
在至少一个实施例中,并行处理单元3002的一个或更多个实例中的每一个可以与并行处理器存储器3022耦合。在至少一个实施例中,可以经由存储器交叉开关3016访问并行处理器存储器3022,所述存储器交叉开关3016可以接收来自处理集群阵列3012以及I/O单元3004的存储器请求。在至少一个实施例中,存储器交叉开关3016可以经由存储器接口3018访问并行处理器存储器3022。在至少一个实施例中,存储器接口3018可以包括多个分区单元(例如,分区单元3020A、分区单元3020B到分区单元3020N),其可各自耦合至并行处理器存储器3022的一部分(例如,存储器单元)。在至少一个实施例中,多个分区单元3020A-3020N为配置为等于存储器单元的数量,使得第一分区单元3020A具有对应的第一存储器单元3024A,第二分区单元3020B具有对应的存储器单元3024B,第N分区单元3020N具有对应的第N存储器单元3024N。在至少一个实施例中,分区单元3020A-3020N的数量可以不等于存储器单元的数量。
在至少一个实施例中,存储器单元3024A-3024N可以包括各种类型的存储器设备,包括动态随机存取存储器(DRAM)或图形随机存取存储器,例如同步图形随机存取存储器(SGRAM),包括图形双倍数据速率(GDDR)存储器。在至少一个实施例中,存储器单元3024A-3024N还可包括3D堆叠存储器,包括但不限于高带宽存储器(HBM)。在至少一个实施例中,可以跨存储器单元3024A-3024N来存储诸如帧缓冲区或纹理映射的渲染目标,从而允许分区单元3020A-3020N并行地写入每个渲染目标的部分,以有效地使用并行处理器存储器3022的可用带宽。在至少一个实施例中,可以排除并行处理器存储器3022的本地实例,以有利于利用系统存储器与本地高速缓存存储器结合的统一存储器设计。
在至少一个实施例中,处理集群阵列3012的集群3014A-3014N中的任何一个都可以处理将被写入并行处理器存储器3022内的任何存储器单元3024A-3024N中的数据。在至少一个实施例中,存储器交叉开关3016可以配置为将每个集群3014A-3014N的输出传输到任何分区单元3020A-3020N或另一个集群3014A-3014N,集群3014A-3014N可以对输出执行其他处理操作。在至少一个实施例中,每个集群3014A-3014N可以通过存储器交叉开关3016与存储器接口3018通信,以从各种外部存储设备读取或写入各种外部存储设备。在至少一个实施例中,存储器交叉开关3016具有到存储器接口3018的连接以与I/O单元3004通信,以及到并行处理器存储器3022的本地实例的连接,从而使不同处理集群3014A-3014N内的处理单元与系统存储器或不是并行处理单元3002本地的其他存储器进行通信。在至少一个实施例中,存储器交叉开关3016可以使用虚拟通道来分离集群3014A-3014N和分区单元3020A-3020N之间的业务流。
在至少一个实施例中,可以在单个插入卡上提供并行处理单元3002的多个实例,或者可以将多个插入卡互连。在至少一个实施例中,并行处理单元3002的不同实例可以配置成相互操作,即使不同实例具有不同数量的处理核心,不同数量的本地并行处理器存储器和/或其他配置差异。例如,在至少一个实施例中,并行处理单元3002的一些实例可以包括相对于其他实例而言更高精度的浮点单元。在至少一个实施例中,结合并行处理单元3002或并行处理器3000的一个或更多个实例的系统可以以各种配置和形式因素来实现,包括但不限于台式机、膝上型计算机或手持式个人计算机、服务器、工作站、游戏机和/或嵌入式系统。
在至少一个实施例中,关于图30A所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图30A所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图30A所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图30B是根据至少一个实施例的分区单元3020的框图。在至少一个实施例中,分区单元3020是图30A的分区单元3020A-3020N之一的实例。在至少一个实施例中,分区单元3020包括L2高速缓存3021、帧缓冲区接口3025和ROP 3026(光栅操作单元)。在至少一个实施例中,L2高速缓存3021是读/写高速缓存,其配置成执行从存储器交叉开关3016和ROP3026接收的加载和存储操作。在至少一个实施例中,L2高速缓存3021将读取未命中和紧急回写请求输出到帧缓冲区接口3025以进行处理。在至少一个实施例中,还可以经由帧缓冲区接口3025将更新发送到帧缓冲区以进行处理。在至少一个实施例中,帧缓冲区接口3025与并行处理器存储器中的存储器单元(诸如图30A的存储器单元3024A-3024N(例如,在并行处理器存储器3022内))之一相互作用。
在至少一个实施例中,ROP 3026是一种处理单元,其执行光栅操作,诸如模版、z测试、混合等。在至少一个实施例中,ROP 3026然后输出存储在图形存储器中的处理后的图形数据。在至少一个实施例中,ROP 3026包括压缩逻辑以压缩被写入存储器的深度或颜色数据并解压缩从存储器读取的深度或颜色数据。在至少一个实施例中,压缩逻辑可以是利用多种压缩算法中的一种或更多种的无损压缩逻辑。在至少一个实施例中,ROP 3026执行的压缩的类型可以基于要压缩的数据的统计特性而变化。例如,在至少一个实施例中,基于每图块基础上的深度和颜色数据执行增量颜色压缩。
在至少一个实施例中,ROP 3026包括在每个处理集群内(例如,图30A的集群3014A-3014N),而不是在分区单元3020内。在至少一个实施例中,通过存储器交叉开关3016而不是像素片段数据传输对像素数据的读取和写入请求。在至少一个实施例中,经处理的图形数据可以在显示设备上(诸如图29的一个或更多个显示设备2910之一)显示,由处理器2902路由以供进一步处理,或者由图30A的并行处理器3000内的处理实体之一路由以供进一步处理。
在至少一个实施例中,关于图30B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图30B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图30B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图30C是根据至少一个实施例的并行处理单元内的处理集群3014的框图。在至少一个实施例中,处理集群是图30A的处理集群3014A-3014N之一的实例。在至少一个实施例中,处理集群3014可以配置成并行执行许多线程,其中“线程”是指在特定的一组输入数据上执行的特定程序的实例。在至少一个实施例中,单指令多数据(SIMD)指令发布技术用于支持大量线程的并行执行而无需提供多个独立的指令单元。在至少一个实施例中,使用单指令多线程(SIMT)技术来支持并行执行大量一般同步的线程,这使用了公共指令单元,该公共指令单元配置成向每个处理集群内的一组处理引擎发出指令。
在至少一个实施例中,可以通过将处理任务分配给SIMT并行处理器的管线管理器3032来控制处理集群3014的操作。在至少一个实施例中,管线管理器3032从图30A的调度器3010接收指令,通过图形多处理器3034和/或纹理单元3036管理这些指令的执行。在至少一个实施例中,图形多处理器3034是SIMT并行处理器的示例性实例。然而,在至少一个实施例中,处理集群3014内可以包括不同架构的各种类型的SIMT并行处理器。在至少一个实施例中,在处理集群3014内可以包括图形多处理器3034的一个或更多个实例。在至少一个实施例中,图形多处理器3034可以处理数据,并且数据交叉开关3040可以用于将处理后的数据分发到多个可能的目的(包括其他着色器单元)地之一。在至少一个实施例中,管线管理器3032可以通过指定要经由数据交叉开关3040分配的处理后的数据的目的地来促进处理后的数据的分配。
在至少一个实施例中,处理集群3014内的每个图形多处理器3034可以包括相同的一组功能执行逻辑(例如,算术逻辑单元、加载存储单元等)。在至少一个实施例中,可以以管线方式配置功能执行逻辑,其中可以在先前的指令完成之前发出新的指令。在至少一个实施例中,功能执行逻辑支持多种操作,包括整数和浮点算术、比较操作、布尔运算、移位和各种代数函数的计算。在至少一个实施例中,可以利用相同的功能单元硬件来执行不同的操作,并且可以存在功能单元的任何组合。
在至少一个实施例中,传送到处理集群3014的指令构成线程。在至少一个实施例中,跨一组并行处理引擎执行的一组线程是线程组。在至少一个实施例中,线程组在不同的输入数据上执行通用程序。在至少一个实施例中,线程组内的每个线程可被分配给图形多处理器3034内的不同处理引擎。在至少一个实施例中,线程组可包括比图形多处理器3034内的多个处理引擎更少的线程。在至少一个实施例中,当线程组包括的线程数少于处理引擎的数量时,一个或更多个处理引擎在正在处理该线程组的循环期间可能是空闲的。在至少一个实施例中,线程组还可以包括比图形多处理器3034内的多个处理引擎更多的线程。在至少一个实施例中,当线程组包括比图形多处理器3034内的处理引擎的数量更多的线程时,可以在连续的时钟周期内执行处理。在至少一个实施例中,可以在图形多处理器3034上同时执行多个线程组。
在至少一个实施例中,图形多处理器3034包括内部高速缓存存储器,以执行加载和存储操作。在至少一个实施例中,图形多处理器3034可以放弃内部高速缓存并使用处理集群3014内的高速缓存存储器(例如,L1高速缓存3048)。在至少一个实施例中,每个图形多处理器3034还可以访问分区单元(例如,图30A的分区单元3020A-3020N)内的L2高速缓存,这些分区单元在所有处理集群3014之间共享并且可以用于在线程之间传输数据。在至少一个实施例中,图形多处理器3034还可以访问片外全局存储器,其可以包括本地并行处理器存储器和/或系统存储器中的一个或更多个。在至少一个实施例中,并行处理单元3002外部的任何存储器都可以用作全局存储器。在至少一个实施例中,处理集群3014包括图形多处理器3034的多个实例,它们可以共享可以存储在L1高速缓存3048中的公共指令和数据。
在至少一个实施例中,每个处理集群3014可以包括配置成将虚拟地址映射为物理地址的存储器管理单元(“MMU”)3045。在至少一个实施例中,MMU 3045的一个或更多个实例可以驻留在图30A的存储器接口3018内。在至少一个实施例中,MMU 3045包括一组页表条目(PTE),其用于将虚拟地址映射到图块的物理地址以及可选地映射到高速缓存行索引。在至少一个实施例中,MMU 3045可以包括地址转换后备缓冲区(TLB)或可以驻留在图形多处理器3034或L1高速缓存3048或处理集群3014内的高速缓存。在至少一个实施例中,处理物理地址以分配表面数据访问局部性,以便在分区单元之间进行有效的请求交织。在至少一个实施例中,高速缓存行索引可以用于确定对高速缓存线的请求是命中还是未命中。
在至少一个实施例中,可以配置处理集群3014,使得每个图形多处理器3034耦合到纹理单元3036,以执行纹理映射操作,所述操作确定纹理样本位置、读取纹理数据以及过滤纹理数据。在至少一个实施例中,根据需要从内部纹理L1高速缓存(未示出)或从图形多处理器3034内的L1高速缓存中读取纹理数据,并从L2高速缓存、本地并行处理器存储器或系统存储器中获取纹理数据。在至少一个实施例中,每个图形多处理器3034将处理后的任务输出到数据交叉开关3040,以将处理后的任务提供给另一处理集群3014以进行进一步处理或将处理后的任务存储在L2高速缓存、本地并行处理器存储器、或经由存储器交叉开关3016的系统存储器中。在至少一个实施例中,preROP 3042(光栅前操作单元)配置成从图形多处理器3034接收数据,将数据引导至ROP单元,该ROP单元可以与本文所述的分区单元(例如,图30A的分区单元3020A-3020N)一起定位。在至少一个实施例中,PreROP 3042单元可以执行用于颜色混合的优化、组织像素颜色数据以及执行地址转换。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形处理集群3014中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络函数和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图30C所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图30C所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图30C所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图30D示出了根据至少一个实施例的图形多处理器3034。在至少一个实施例中,图形多处理器3034与处理集群3014的管线管理器3032耦合。在至少一个实施例中,图形多处理器3034具有执行管线,该执行管线包括但不限于指令高速缓存3052、指令单元3054、地址映射单元3056、寄存器文件3058、一个或更多个通用图形处理单元(GPGPU)核心3062和一个或更多个加载/存储单元3066。在至少一个实施例中,GPGPU核心3062和加载/存储单元3066与高速缓存存储器3072和共享存储器3070通过存储器和高速缓存互连3068耦合。
在至少一个实施例中,指令高速缓存3052从管线管理器3032接收要执行的指令流。在至少一个实施例中,将指令高速缓存在指令高速缓存3052中并将其分派以供指令单元3054执行。在一个实施例中,指令单元3054可以分派指令作为线程组(例如,线程束),将线程组的每个线程分配给GPGPU核心3062内的不同执行单元。在至少一个实施例中,指令可以通过在统一地址空间内指定地址来访问任何本地、共享或全局地址空间。在至少一个实施例中,地址映射单元3056可以用于将统一地址空间中的地址转换成可以由加载/存储单元3066访问的不同的存储器地址。
在至少一个实施例中,寄存器文件3058为图形多处理器3034的功能单元提供了一组寄存器。在至少一个实施例中,寄存器文件3058为连接到图形多处理器3034的功能单元(例如,GPGPU核心3062、加载/存储单元3066)的数据路径的操作数提供了临时存储。在至少一个实施例中,在每个功能单元之间划分寄存器文件3058,使得为每个功能单元分配寄存器文件3058的专用部分。在至少一个实施例中,寄存器文件3058在图形多处理器3034正在执行的不同线程束之间划分。
在至少一个实施例中,GPGPU核心3062可以各自包括用于执行图形多处理器3034的指令的浮点单元(FPU)和/或整数算术逻辑单元(ALU)。在至少一个实施例中,GPGPU核心3062在架构上可以相似或架构可能有所不同。在至少一个实施例中,GPGPU核心3062的第一部分包括单精度FPU和整数ALU,而GPGPU核心的第二部分包括双精度FPU。在至少一个实施例中,FPU可以实现用于浮点算法的IEEE 754-2008标准或启用可变精度浮点算法。在至少一个实施例中,图形多处理器3034可以另外包括一个或更多个固定功能或特殊功能单元,以执行特定功能,诸如复制矩形或像素混合操作。在至少一个实施例中,GPGPU核心3062中的一个或更多个也可以包括固定或特殊功能逻辑。
在至少一个实施例中,GPGPU核心3062包括能够对多组数据执行单个指令的SIMD逻辑。在一个实施例中,GPGPU核心3062可以物理地执行SIMD4、SIMD8和SIMD16指令,并且在逻辑上执行SIMD1、SIMD2和SIMD32指令。在至少一个实施例中,用于GPGPU核心的SIMD指令可以在编译时由着色器编译器生成,或者在执行针对单程序多数据(SPMD)或SIMT架构编写和编译的程序时自动生成。在至少一个实施例中,可以通过单个SIMD指令来执行为SIMT执行模型配置的程序的多个线程。例如,在至少一个实施例中,可以通过单个SIMD8逻辑单元并行执行执行相同或相似操作的八个SIMT线程。
在至少一个实施例中,存储器和高速缓存互连3068是将图形多处理器3034的每个功能单元连接到寄存器文件3058和共享存储器3070的互连网络。在至少一个实施例中,存储器和高速缓存互连3068是交叉开关互连,其允许加载/存储单元3066在共享存储器3070和寄存器文件3058之间实现加载和存储操作。在至少一个实施例中,寄存器文件3058可以以与GPGPU核心3062相同的频率操作,从而在GPGPU核心3062和寄存器文件3058之间进行数据传输的延迟非常低。在至少一个实施例中,共享存储器3070可以用于启用在图形多处理器3034内的功能单元上执行的线程之间的通信。在至少一个实施例中,高速缓存存储器3072可以用作例如数据高速缓存,以高速缓存在功能单元和纹理单元3036之间通信的纹理数据。在至少一个实施例中,共享存储器3070也可以用作程序管理的高速缓存。在至少一个实施例中,除了存储在高速缓存存储器3072中的自动高速缓存的数据之外,在GPGPU核心3062上执行的线程还可以以编程方式将数据存储在共享存储器中。
在至少一个实施例中,如本文所述的并行处理器或GPGPU通信地耦合到主机/处理器核心,以加速图形操作、机器学习操作、模式分析操作以及各种通用GPU(GPGPU)功能。在至少一个实施例中,GPU可以通过总线或其他互连(例如,诸如PCIe或NVLink的高速互连)通信地耦合到主机处理器/核心。在至少一个实施例中,GPU可以与核心集成在封装或芯片上,并通过内部处理器总线/互连(即,封装或芯片的内部)通信地耦合到核心。在至少一个实施例中,不管GPU连接的方式如何,处理器核心可以以工作描述符中包含的命令/指令序列的形式向该GPU分配工作。在至少一个实施例中,该GPU然后使用专用电路/逻辑来有效地处理这些命令/指令。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形多处理器3034中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图30D所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图30D所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图30D所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图31示出了根据至少一个实施例的多GPU计算系统3100。在至少一个实施例中,多GPU计算系统3100可以包括经由主机接口交换机3104耦合到多个通用图形处理单元(GPGPU)3106A-D的处理器3102。在至少一个实施例中,主机接口交换机3104是将处理器3102耦合到PCI Express总线的PCI Express交换机设备,处理器3102可以通过PCIExpress总线与GPGPU 3106A-D通信。在至少一个实施例中,GPGPU 3106A-D可以经由一组高速P2P GPU到GPU链路3116互连。在至少一个实施例中,GPU到GPU链路3116经由专用GPU链路连接到GPGPU 3106A-D中的每一个。在至少一个实施例中,P2P GPU链路3116使得能够在每个GPGPU 3106A-D之间进行直接通信,而无需通过处理器3102所连接的主机接口交换机3104进行通信。在至少一个实施例中,在GPU到GPU业务定向到P2P GPU链路3116的情况下,主机接口交换机3104保持可用于系统存储器访问或例如经由一个或更多个网络设备与多GPU计算系统3100的其他实例进行通信。虽然在至少一个实施例中,GPGPU 3106A-D经由主机接口交换机3104连接到处理器3102,但是在至少一个实施例中,处理器3102包括对P2PGPU链路3116的直接支持,并且可以直接连接到GPGPU 3106A-D。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在多GPU计算系统3100中使用,用于至少部分地基于使用本文描述的神经网络训练操作、神经网络函数和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图31所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图31所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图31所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图32是根据至少一个实施例的图形处理器3200的框图。在至少一个实施例中,图形处理器3200包括环形互连3202、管线前端3204、媒体引擎3237和图形核心3280A-3280N。在至少一个实施例中,环形互连3202将图形处理器3200耦合到其他处理单元,所述处理单元包括其他图形处理器或一个或更多个通用处理器核心。在至少一个实施例中,图形处理器3200是集成在多核心处理系统内的许多处理器之一。
在至少一个实施例中,图形处理器3200经由环形互连3202接收多批命令。在至少一个实施例中,输入的命令由管线前端3204中的命令流转化器(streamer)3203解释。在至少一个实施例中,图形处理器3200包括可扩展执行逻辑,用于经由图形核心3280A-3280N执行3D几何处理和媒体处理。在至少一个实施例中,对于3D几何处理命令,命令流转化器3203将命令提供给几何管线3236。在至少一个实施例中,对于至少一些媒体处理命令,命令流转化器3203将命令提供给视频前端3234,该视频前端与媒体引擎3237耦合。在至少一个实施例中,媒体引擎3237包括用于视频和图像后处理的视频质量引擎(VQE)3230,以及用于提供硬件加速的媒体数据编码和解码的多格式编码/解码(MFX)3233引擎。在至少一个实施例中,几何管线3236和媒体引擎3237各自生成用于由至少一个图形核心3280提供的线程执行资源的执行线程。
在至少一个实施例中,图形处理器3200包括具有(featuring)图形核心3280A-3280N(其可以是模块化的并且有时被称为核心切片)的可扩展线程执行资源,每个图形核心具有多个子核心3250A-3250N,3260A-3260N(有时称为核心子切片)。在至少一个实施例中,图形处理器3200可以具有任意数量的图形核心3280A。在至少一个实施例中,图形处理器3200包括具有至少第一子核心3250A和第二子核心3260A的图形核心3280A。在至少一个实施例中,图形处理器3200是具有单个子核心(例如3250A)的低功率处理器。在至少一个实施例中,图形处理器3200包括多个图形核心3280A-3280N,每个图形核心包括一组第一子核心3250A-3250N和一组第二子核心3260A-3260N。在至少一个实施例中,第一子核心3250A-3250N中的每个子核心至少包括第一组执行单元3252A-3252N和媒体/纹理采样器3254A-3254N。在至少一个实施例中,第二子核心3260A-3260N中的每个子核心至少包括第二组执行单元3262A-3262N和采样器3264A-3264N。在至少一个实施例中,每个子核心3250A-3250N,3260A-3260N共享一组共享资源3270A-3270N。在至少一个实施例中,共享资源包括共享高速缓存存储器和像素操作逻辑。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715可以在图形处理器3200中用于至少部分地基于使用本文描述的神经网络训练操作、神经网络功能和/或架构或神经网络用例计算的权重参数来进行推理或预测操作。
在至少一个实施例中,关于图32所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图32所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图32所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图33是根据至少一个实施例的说明用于处理器3300的微架构的框图,该处理器3300可以包括用于执行指令的逻辑电路。在至少一个实施例中,处理器3300可以执行指令,包括x86指令、ARM指令、用于专用集成电路(ASIC)的专用指令等。在至少一个实施例中,处理器3300可以包括用于存储封装数据的寄存器,例如作为加利福尼亚州圣克拉拉市英特尔公司采用MMX技术启用的微处理器中的64位宽MMX
在至少一个实施例中,处理器3300包括有序前端(“前端”)3301,以提取要执行的指令并准备稍后在处理器管线中使用的指令。在至少一个实施例中,前端3301可以包括几个单元。在至少一个实施例中,指令预取器3326从存储器中获取指令并将指令提供给指令解码器3328,指令解码器3328又对指令进行解码或解释。例如,在至少一个实施例中,指令解码器3328将接收到的指令解码为机器可执行的所谓的“微指令”或“微操作”(也称为“微操作”或“微指令”)的一个或更多个操作。在至少一个实施例中,指令解码器3328将指令解析为操作码以及相应的数据和控制字段,其可以由微架构用来使用以根据至少一个实施例来执行操作。在至少一个实施例中,追踪高速缓存3330可以将解码的微指令组装成微指令队列3334中的程序排序的序列或追踪以供执行。在至少一个实施例中,当追踪高速缓存3330遇到复杂指令时,微码ROM 3332提供完成操作所需的微指令。
在至少一个实施例中,可以将一些指令转换成单个微操作,而另一些指令则需要几个微操作来完成全部操作。在至少一个实施例中,如果需要多于四个的微指令来完成一条指令,则指令解码器3328可以访问微码ROM 3332以执行该指令。在至少一个实施例中,可以将指令解码为少量的微指令以在指令解码器3328处进行处理。在至少一个实施例中,如果需要多个微指令完成该操作,则可以将指令存储在微码ROM 3332中。在至少一个实施例中,追踪高速缓存器3330参考入口点可编程逻辑阵列(“PLA”)以确定正确的微指令指针,用于根据至少一个实施例从微码ROM 3332读取微码序列以完成一个或更多个指令。在至少一个实施例中,在微码ROM 3332完成对指令的微操作排序之后,机器的前端3301可以恢复从追踪高速缓存3330获取微操作。
在至少一个实施例中,乱序执行引擎(“乱序引擎”)3303可以准备用于执行的指令。在至少一个实施例中,乱序执行逻辑具有多个缓冲区,以使指令流平滑并重新排序,以在指令沿管线下降并被调度执行时优化性能。在至少一个实施例中,乱序执行引擎3303包括但不限于分配器/寄存器重命名器3340、存储器微指令队列3342、整数/浮点微指令队列3344、存储器调度器3346、快速调度器3302、慢速/通用浮点调度器(“慢速/通用FP调度器”)3304和简单浮点调度器(“简单FP调度器”)3306。在至少一个实施例中,快速调度器3302、慢速/通用浮点调度器3304和简单浮点调度器3306也统称为“微指令调度器3302、3304、3306”。在至少一个实施例中,分配器/寄存器重命名器3340分配每个微指令按序列执行所需要的机器缓冲区和资源。在至少一个实施例中,分配器/寄存器重命名器3340将逻辑寄存器重命名为寄存器文件中的条目。在至少一个实施例中,分配器/寄存器重命名器3340还为两个微指令队列之一中的每个微指令分配条目,存储器微指令队列3342用于存储器操作和整数/浮点微指令队列3344用于非存储器操作,在存储器调度器3346和微指令调度器3302、3304、3306的前面。在至少一个实施例中,微指令调度器3302、3304、3306基于它们的从属输入寄存器操作数源的就绪性和需要完成的执行资源微指令的可用性来确定何时准备好执行微指令。至少一个实施例的快速调度器3302可以在主时钟周期的每个一半上调度,而慢速/通用浮点调度器3304和简单浮点调度器3306可以在每个主处理器时钟周期调度一次。在至少一个实施例中,微指令调度器3302、3304、3306对调度端口进行仲裁,以调度用于执行的微指令。
在至少一个实施例中,执行块3311包括但不限于整数寄存器文件/支路网络3308、浮点寄存器文件/支路网络(“FP寄存器文件/支路网络”)3310、地址生成单元(“AGU”)3312和3314、快速算术逻辑单元(“快速ALU”)3316和3318、慢速算术逻辑单元(“慢速ALU”)3320、浮点ALU(“FP”)3322和浮点移动单元(“FP移动”)3324。在至少一个实施例中,整数寄存器文件/支路网络3308和浮点寄存器文件/旁路网络3310在本文中也称为“寄存器文件3308、3310”。在至少一个实施例中,AGU 3312和3314、快速ALU 3316和3318、慢速ALU 3320、浮点ALU 3322和浮点移动单元3324在本文中也称为“执行单元3312、3314、3316、3318、3320、3322和3324”。在至少一个实施例中,执行块3311可以包括但不限于任意数量(包括零)和类型的寄存器文件、支路网络、地址生成单元和执行单元(以任何组合)。
在至少一个实施例中,寄存器网络3308、3310可以布置在微指令调度器3302、3304、3306与执行单元3312、3314、3316、3318、3320、3322和3324之间。在至少一个实施例中,整数寄存器文件/支路网络3308执行整数运算。在至少一个实施例中,浮点寄存器文件/支路网络3310执行浮点操作。在至少一个实施例中,寄存器网络3308、3310中的每一个可以包括但不限于支路网络,该支路网络可以绕过或转发尚未写入寄存器文件中的刚刚完成的结果到新的从属对象。在至少一个实施例中,寄存器网络3308、3310可以彼此通信数据。在至少一个实施例中,整数寄存器文件/支路网络3308可以包括但不限于两个单独的寄存器文件、一个寄存器文件用于低阶32位数据,第二寄存器文件用于高阶32位数据。在至少一个实施例中,浮点寄存器文件/支路网络3310可以包括但不限于128位宽的条目,因为浮点指令通常具有宽度为64至128位的操作数。
在至少一个实施例中,执行单元3312、3314、3316、3318、3320、3322、3324可以执行指令。在至少一个实施例中,寄存器网络3308、3310存储微指令需要执行的整数和浮点数据操作数值。在至少一个实施例中,处理器3300可以包括但不限于任何数量的执行单元3312、3314、3316、3318、3320、3322、3324及其组合。在至少一个实施例中,浮点ALU 3322和浮点移动单元3324,可以执行浮点、MMX、SIMD、AVX和SSE或其他操作,包括专门的机器学习指令。在至少一个实施例中,浮点ALU 3322可以包括但不限于64位乘64位浮点除法器,以执行除法、平方根和余数微操作。在至少一个实施例中,可以用浮点硬件来处理涉及浮点值的指令。在至少一个实施例中,可以将ALU操作传递给快速ALU 3316、3318。在至少一个实施例中,快速ALU 3316、3318可以以半个时钟周期的有效延迟执行快速操作。在至少一个实施例中,大多数复杂的整数运算进入慢速ALU 3320,因为慢速ALU 3320可以包括但不限于用于长延迟类型操作的整数执行硬件,例如乘法器、移位、标志逻辑和分支处理。在至少一个实施例中,存储器加载/存储操作可以由AGU 3312、3314执行。在至少一个实施例中,快速ALU 3316、快速ALU 3318和慢速ALU 3320可以对64位数据操作数执行整数运算。在至少一个实施例中,可以实现快速ALU 3316、快速ALU 3318和慢速ALU 3320以支持包括十六、三十二、128、256等的各种数据位大小。在至少一个实施例中,浮点ALU 3322和浮点移动单元3324可以实现为支持具有各种宽度的位的一定范围的操作数,例如可以结合SIMD和多媒体指令对128位宽封装数据操作数进行操作。
在至少一个实施例中,微指令调度器3302、3304、3306在父加载完成执行之前调度从属操作。在至少一个实施例中,由于可以在处理器3300中推测性地调度和执行微指令,处理器3300还可以包括用于处理存储器未命中的逻辑。在至少一个实施例中,如果数据高速缓存中的数据加载未命中,则可能存在在管线中正在运行的从属操作,其使调度器暂时没有正确的数据。在至少一个实施例中,一种重放机制追踪踪并重新执行使用不正确数据的指令。在至少一个实施例中,可能需要重放从属操作并且可以允许完成独立操作。在至少一个实施例中,处理器的至少一个实施例的调度器和重放机制也可以设计为捕获用于文本串比较操作的指令序列。
在至少一个实施例中,“寄存器”可以指代可以用作识别操作数的指令的一部分的机载处理器存储位置。在至少一个实施例中,寄存器可以是那些可以从处理器外部使用的寄存器(从程序员的角度来看)。在至少一个实施例中,寄存器可能不限于特定类型的电路。相反,在至少一个实施例中,寄存器可以存储数据、提供数据并执行本文描述的功能。在至少一个实施例中,本文描述的寄存器可以通过处理器内的电路使用多种不同技术来实现,例如专用物理寄存器、使用寄存器重命名动态分配的物理寄存器、专用和动态分配的物理寄存器的组合等。在至少一个实施例中,整数寄存器存储32位整数数据。至少一个实施例的寄存器文件还包含八个用于封装数据的多媒体SIMD寄存器。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,可以将推理和/或训练逻辑1715的部分或全部并入执行块3311以及示出或未示出的其他存储器或寄存器。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用执行块3311中示出的一个或更多个ALU。此外,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,该寄存器和/或寄存器配置执行块3311的ALU以执行一种或更多种本文所述的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,关于图33所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图33所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图33所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图34示出了根据至少一个实施例的深度学习应用程序处理器3400。在至少一个实施例中,深度学习应用程序处理器3400使用指令,如果由深度学习应用程序处理器3400执行,则指令使深度学习应用程序处理器3400执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中,深度学习应用程序处理器3400是专用集成电路(ASIC)。在至少一个实施例中,应用程序处理器3400执行矩阵乘法运算或者“硬连线”到硬件中,作为执行一个或更多个指令或两者的结果。在至少一个实施例中,深度学习应用程序处理器3400包括但不限于处理集群3410(1)-3410(12)、芯片间链路(“ICL”)3420(1)-3420(12)、芯片间控制器(“ICC”)3430(1)-3430(2)、第二代高带宽存储器(“HBM2”)3440(1)-3440(4)、存储器控制器(“Mem Ctrlr”)3442(1)-3442(4)、高带宽存储器物理层(“HBM PHY”)3444(1)-3444(4)、管理控制器中央处理单元(“管理控制器CPU”)3450、串行外围设备接口、内部集成电路和通用输入/输出块(“SPI、I2C、GPIO”)3460,外围组件互连快速控制器和直接存储器访问块(“PCIe控制器和DMA”)3470、以及十六通道外围组件互连快速端口(“PCI Express x 16”)3480。
在至少一个实施例中,处理集群3410可以执行深度学习操作,包括基于一种或更多种训练技术计算的权重参数的推理或预测操作,包括本文所述的那些技术。在至少一个实施例中,每个处理集群3410可以包括但不限于任何数量和类型的处理器。在至少一个实施例中,深度学习应用程序处理器3400可以包括任何数量和类型的处理集群3410。在至少一个实施例中,芯片间链路3420是双向的。在至少一个实施例中,芯片间链路3420和芯片间控制器3430使多个深度学习应用程序处理器3400能够交换信息,包括从执行一个或更多个神经网络中体现的一种或更多种机器学习算法而产生的激活信息。在至少一个实施例中,深度学习应用程序处理器3400可以包括任意数量(包括零)和类型的ICL 3420和ICC 3430。
在至少一个实施例中,HBM2 3440提供总共32GB的存储器。在至少一个实施例中,HBM2 3440(i)与存储器控制器3442(i)和HBM PHY 3444(i)都相关联,其中“i”是任意整数。在至少一个实施例中,任何数量的HBM2 3440可以提供任何类型和总量的高带宽存储器,并且可以与任何数量(包括零)和类型的存储器控制器3442和HBM PHY 3444相关联。在至少一个实施例中,可以用任何数量和类型的块替换SPI、I2C、GPIO 3460、PCIe控制器和DMA 3470和/或PCIe 3480,以任何技术上可行的方式实现任何数量和类型的通信标准。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用程序处理器用于训练机器学习模型(例如神经网络),以预测或推理提供给深度学习应用程序处理器3400的信息。在至少一个实施例中,深度学习应用程序处理器3400用于基于已经由另一处理器或系统或由深度学习应用程序处理器3400训练的经训练的机器学习模型(例如,神经网络)来推理或预测信息。在至少一个实施例中,处理器3400可以用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,关于图34所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图34所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图34所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图35是根据至少一个实施例的神经形态处理器3500的框图。在至少一个实施例中,神经形态处理器3500可以从神经形态处理器3500外部的源接收一个或更多个输入。在至少一个实施例中,这些输入可以被传输到神经形态处理器3500内的一个或更多个神经元3502。在至少一个实施例中,可以使用包括一个或更多个算术逻辑单元(ALU)的电路或逻辑来实现神经元3502及其组件。在至少一个实施例中,神经形态处理器3500可以包括但不限于成千上万个神经元3502的实例,但是可以使用任何合适数量的神经元3502。在至少一个实施例中,神经元3502的每个实例可以包括神经元输入3504和神经元输出3506。在至少一个实施例中,神经元3502可以生成可以传输到神经元3502的其他实例的输入的输出。在至少一个实施例中,神经元输入3504和神经元输出3506可以经由突触3508互连。
在至少一个实施例中,神经元3502和突触3508可以互连,使得神经形态处理器3500操作以处理或分析由神经形态处理器3500接收的信息。在至少一个实施例中,当通过神经元输入3504接收到的输入超过阈值时,神经元3502可以发送输出脉冲(或“触发”或“峰值”)。在至少一个实施例中,神经元3502可以对在神经元输入3504处接收到的信号进行求和或积分。例如,在至少一个实施例中,神经元3502可以实现为有泄漏的积分-触发神经元,其中如果求和(称为“膜电位”)超过阈值,则神经元3502可以使用诸如sigmoid或阈值函数的传递函数来产生输出(或“触发”)。在至少一个实施例中,泄漏的积分-触发神经元可以将在神经元输入3504处接收到的信号求和成膜电位,并且可以应用程序衰减因子(或泄漏)以减小膜电位。在至少一个实施例中,如果在神经元输入3504处接收到足够快以超过阈值的多个输入信号(即,在膜电势衰减得太低而不能触发之前),则泄漏的积分-触发神经元可能会触发。在至少一个实施例中,神经元3502可以使用接收输入、将输入积分到膜电位、并衰减膜电位的电路或逻辑来实现。在至少一个实施例中,可以对输入求平均,或者可以使用任何其他合适的传递函数。此外,在至少一个实施例中,神经元3502可以包括但不限于当将传递函数应用程序于神经元输入3504的结果超过阈值时在神经元输出3506处产生输出尖峰的比较器电路或逻辑。在至少一个实施例中,一旦神经元3502触发,它可以通过例如将膜电位复位为0或另一合适的默认值来忽略先前接收的输入信息。在至少一个实施例中,一旦膜电位被重置为0,则神经元3502可以在合适的时间段(或修复期)之后恢复正常操作。
在至少一个实施例中,神经元3502可以通过突触3508互连。在至少一个实施例中,突触3508可以操作以将从第一神经元3502的输出的信号传输到第二神经元3502的输入。在至少一个实施例中,神经元3502可以在一个以上的突触3508实例上传输信息。在至少一个实施例中,神经元输出3506的一个或更多个实例可以通过突触3508的实例连接到同一神经元3502中神经元输入3504的实例。在至少一个实施例中,相对于突触3508的那个实例,神经元3502的实例产生要在突触3508的实例上传输的输出可以被称为“突触前神经元”。在至少一个实施例中,相对于突触3508的实例,神经元3502的实例接收通过突触3508的实例传输的输入可以被称为“突触后神经元”。在至少一个实施例中,关于突触3508的各种实例,因为神经元3502的实例可以接收来自一个或更多个突触3508实例的输入,并且还可以通过一个或更多个突触3508实例传输输出,因此神经元3502的单个实例可以既是“突触前神经元”又是“突触后神经元”。
在至少一个实施例中,神经元3502可以被组织成一层或更多层。在至少一个实施例中,神经元3502的每个实例可以具有一个神经元输出3506,该神经元输出3506可以通过一个或更多个突触3508扇出到一个或更多个神经元输入3504。在至少一个实施例中,第一层3510中的神经元3502的神经元输出3506可以连接到第二层3512中的神经元3502的神经元输入3504。在至少一个实施例中,层3510可以被称为“前馈层”。在至少一个实施例中,在第一层3510的实例中神经元3502的每个实例可以扇出到第二层3512中的神经元3502的每个实例。在至少一个实施例中,第一层3510可以被称为“完全连接的前馈层”。在至少一个实施例中,在第二层3512的每个实例中的神经元3502的每个实例扇出到少于在第三层3514中的神经元3502的所有实例。在至少一个实施例中,第二层3512可以被称为“稀疏连接的前馈层”。在至少一个实施例中,第二层3512中的神经元3502可以扇出到多个其他层中的神经元3502,也包括扇出到第二层3512中的神经元3502。在至少一个实施例中,第二层3512可以被称为“循环层”。在至少一个实施例中,神经形态处理器3500可以包括但不限于循环层和前馈层的任何合适的组合,包括但不限于稀疏连接的前馈层和完全连接的前馈层。
在至少一个实施例中,神经形态处理器3500可以包括但不限于可重新配置的互连架构或专用硬连线互连,以将突触3508连接到神经元3502。在至少一个实施例中,神经形态处理器3500可以包括但不限于电路或逻辑,其根据神经网络拓扑结构和神经元扇入/扇出,允许根据需要将突触分配给不同神经元3502。例如,在至少一个实施例中,可以使用互连结构(诸如片上网络)或通过专用连接将突触3508连接到神经元3502。在至少一个实施例中,可以使用电路或逻辑来实现突触互连及其组件。
在至少一个实施例中,关于图35所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图35所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图35所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图36示出了根据至少一个实施例的处理系统。在至少一个实施例中,系统3600包括一个或更多个处理器3602和一个或更多个图形处理器3608,并且可以是单处理器台式机系统、多处理器工作站系统或具有大量处理器3602或处理器核心3607的服务器系统。在至少一个实施例中,系统3600是结合在片上系统(SoC)集成电路内的处理平台,以在移动、手持或嵌入式设备使用。
在至少一个实施例中,系统3600可以包括或结合在基于服务器的游戏平台中,包括游戏和媒体控制台的游戏控制台、移动游戏控制台、手持游戏控制台或在线游戏控制台。在至少一个实施例中,系统3600是移动电话、智能电话、平板计算设备或移动互联网设备。在至少一个实施例中,处理系统3600还可包括与可穿戴设备耦合或集成在可穿戴设备中,例如智能手表可穿戴设备、智能眼镜设备、增强现实设备或虚拟现实设备。在至少一个实施例中,处理系统3600是电视或机顶盒设备,其具有一个或更多个处理器3602以及由一个或更多个图形处理器3608生成的图形界面。
在至少一个实施例中,一个或更多个处理器3602每个包括一个或更多个处理器核心3607,以处理指令,该指令在被执行时执行针对系统和用户软件的操作。在至少一个实施例中,一个或更多个处理器核心3607中的每一个被配置为处理特定指令序列3609。在至少一个实施例中,指令序列3609可以促进复杂指令集计算(CISC)、精简指令集计算(RISC),或通过超长指令字(VLIW)进行计算。在至少一个实施例中,处理器核心3607可以各自处理不同的指令序列3609,该指令序列可以包括有助于仿真其他指令序列的指令。在至少一个实施例中,处理器核心3607还可以包括其他处理设备,例如数字信号处理器(DSP)。
在至少一个实施例中,处理器3602包括高速缓存存储器3604。在至少一个实施例中,处理器3602可以具有单个内部高速缓存或更多个级别的内部高速缓存。在至少一个实施例中,高速缓存存储器在处理器3602的各个组件之间共享。在至少一个实施例中,处理器3602还使用外部高速缓存(例如,三级(L3)高速缓存或最后一级高速缓存(LLC))(未示出),可以使用已知的高速缓存一致性技术在处理器核心3607之间共享该外部高速缓存。在至少一个实施例中,处理器3602中另外包括寄存器文件3606,处理器可以包括用于存储不同类型的数据的不同类型的寄存器(例如,整数寄存器、浮点寄存器、状态寄存器和指令指针寄存器)。在至少一个实施例中,寄存器文件3606可以包括通用寄存器或其他寄存器。
在至少一个实施例中,一个或更多个处理器3602与一个或更多个接口总线3610耦合,以在处理器3602与系统3600中的其他组件之间传输通信信号,例如地址、数据或控制信号。在至少一个实施例中,接口总线3610可以是处理器总线,例如直接媒体接口(DMI)总线的版本。在至少一个实施例中,接口总线3610不限于DMI总线,并且可以包括一个或更多个外围组件互连总线(例如,PCI,PCI Express)、存储器总线或其他类型的接口总线。在至少一个实施例中,处理器3602包括集成存储器控制器3616和平台控制器集线器3630。在至少一个实施例中,存储器控制器3616促进存储器设备与处理系统3600的其他组件之间的通信,而平台控制器集线器(PCH)3630通过本地I/O总线提供到输入/输出(I/O)设备的连接。
在至少一个实施例中,存储器设备3620可以是动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存设备、相变存储设备或具有适当的性能以用作处理器存储器。在至少一个实施例中,存储设备3620可以用作处理系统3600的系统存储器,以存储数据3622和指令3621,以在一个或更多个处理器3602执行应用程序或过程时使用。在至少一个实施例中,存储器控制器3616还与可选的外部图形处理器3612耦合,其可以与处理器3602中的一个或更多个图形处理器3608通信以执行图形和媒体操作。在至少一个实施例中,显示设备3611可以连接至处理器3602。在至少一个实施例中,显示设备3611可以包括内部显示设备中的一个或更多个,例如在移动电子设备或膝上型设备或通过显示器接口(例如显示端口(DisplayPort)等)连接的外部显示设备中。在至少一个实施例中,显示设备3611可以包括头戴式显示器(HMD),诸如用于虚拟现实(VR)应用或增强现实(AR)应用中的立体显示设备。
在至少一个实施例中,平台控制器集线器3630使外围设备能够通过高速I/O总线连接到存储设备3620和处理器3602。在至少一个实施例中,I/O外围设备包括但不限于音频控制器3646、网络控制器3634、固件接口3628、无线收发器3626、触摸传感器3625、数据存储设备3624(例如,硬盘驱动器、闪存等)。在至少一个实施例中,数据存储设备3624可以经由存储接口(例如,SATA)或经由外围总线来连接,诸如外围组件互连总线(例如,PCI、PCIe)。在至少一个实施例中,触摸传感器3625可以包括触摸屏传感器、压力传感器或指纹传感器。在至少一个实施例中,无线收发器3626可以是Wi-Fi收发器、蓝牙收发器或移动网络收发器,诸如3G、4G或长期演进(LTE)收发器。在至少一个实施例中,固件接口3628使能与系统固件的通信,并且可以是例如统一可扩展固件接口(UEFI)。在至少一个实施例中,网络控制器3634可以启用到有线网络的网络连接。在至少一个实施例中,高性能网络控制器(未示出)与接口总线3610耦合。在至少一个实施例中,音频控制器3646是多通道高清晰度音频控制器。在至少一个实施例中,处理系统3600包括可选的传统(legacy)I/O控制器3640,用于将传统(例如,个人系统2(PS/2))设备耦合到系统3600。在至少一个实施例中,平台控制器集线器3630还可以连接到一个或更多个通用串行总线(USB)控制器3642,该控制器连接输入设备,诸如键盘和鼠标3643组合、相机3644或其他USB输入设备。
在至少一个实施例中,存储器控制器3616和平台控制器集线器3630的实例可以集成到离散的外部图形处理器中,例如外部图形处理器3612。在至少一个实施例中,平台控制器集线器3630和/或存储器控制器3616可以在一个或更多个处理器3602的外部。例如,在至少一个实施例中,系统3600可以包括外部存储器控制器3616和平台控制器集线器3630,其可以配置成在与处理器3602通信的系统芯片组中的存储器控制器集线器和外围控制器集线器。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1715可以结合到图形处理器3608中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用一个或更多个ALU,所述ALU体现在3D管线中。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑之外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器3608的ALU,以执行一种或更多种本文所述的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,关于图36所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图36所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图36所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图37是根据至少一个实施例的具有一个或更多个处理器核心3702A-3702N、集成存储器控制器3714和集成图形处理器3708的处理器3700的框图。在至少一个实施例中,处理器3700可以包含附加核心,多达并包括以虚线框表示的附加核心3702N。在至少一个实施例中,每个处理器核心3702A-3702N包括一个或更多个内部高速缓存单元3704A-3704N。在至少一个实施例中,每个处理器核心还可以访问一个或更多个共享高速缓存单元3706。
在至少一个实施例中,内部高速缓存单元3704A-3704N和共享高速缓存单元3706表示处理器3700内的高速缓存存储器层次结构。在至少一个实施例中,高速缓存存储器单元3704A-3704N可以包括每个处理器核心内的至少一级指令和数据高速缓存以及共享中级高速缓存中的一级或更多级缓存,例如2级(L2)、3级(L3)、4级(L4)或其他级别的高速缓存,其中将外部存储器之前的最高级别的高速缓存归类为LLC。在至少一个实施例中,高速缓存一致性逻辑维持各种高速缓存单元3706和3704A-3704N之间的一致性。
在至少一个实施例中,处理器3700还可包括一组一个或更多个总线控制器单元3716和系统代理核心3710。在至少一个实施例中,一个或更多个总线控制器单元3716管理一组外围总线,例如一个或更多个PCI或PCIe总线。在至少一个实施例中,系统代理核心3710为各种处理器组件提供管理功能。在至少一个实施例中,系统代理核心3710包括一个或更多个集成存储器控制器3714,以管理对各种外部存储器设备(未示出)的访问。
在至少一个实施例中,一个或更多个处理器核心3702A-3702N包括对多线程同时进行的支持。在至少一个实施例中,系统代理核心3710包括用于在多线程处理期间协调和操作核心3702A-3702N的组件。在至少一个实施例中,系统代理核心3710可以另外包括电源控制单元(PCU),该电源控制单元包括用于调节处理器核心3702A-3702N和图形处理器3708的一个或更多个电源状态的逻辑和组件。
在至少一个实施例中,处理器3700还包括用于执行图处理操作的图形处理器3708。在至少一个实施例中,图形处理器3708与共享高速缓存单元3706和包括一个或更多个集成存储器控制器3714的系统代理核心3710耦合。在至少一个实施例中,系统代理核心3710还包括用于驱动图形处理器输出到一个或更多个耦合的显示器的显示器控制器3711。在至少一个实施例中,显示器控制器3711也可以是经由至少一个互连与图形处理器3708耦合的独立模块,或者可以集成在图形处理器3708内。
在至少一个实施例中,基于环的互连单元3712用于耦合处理器3700的内部组件。在至少一个实施例中,可以使用替代性互连单元,例如点对点互连、交换互连或其他技术。在至少一个实施例中,图形处理器3708经由I/O链路3713与环形互连3712耦合。
在至少一个实施例中,I/O链路3713代表多种I/O互连中的至少一种,包括促进各种处理器组件与高性能嵌入式存储器模块3718(例如eDRAM模块)之间的通信的封装I/O互连。在至少一个实施例中,处理器核心3702A-3702N和图形处理器3708中的每一个使用嵌入式存储器模块3718作为共享的最后一级高速缓存。
在至少一个实施例中,处理器核心3702A-3702N是执行公共指令集架构的同质核心。在至少一个实施例中,处理器核心3702A-3702N在指令集架构(ISA)方面是异构的,其中一个或更多个处理器核心3702A-3702N执行公共指令集,而一个或更多个其他处理器核心3702A-3702N执行公共指令集的子集或不同指令集。在至少一个实施例中,就微架构而言,处理器核心3702A-3702N是异构的,其中具有相对较高功耗的一个或更多个核心与具有较低功耗的一个或更多个功率核心耦合。在至少一个实施例中,处理器3700可以在一个或更多个芯片上实现或被实现为SoC集成电路。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1715可以结合到处理器3700中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用一个或更多个ALU,所述ALU体现在图37中的3D管线、图形核心3702、共享功能逻辑,或其他逻辑中。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑之外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置处理器3700的ALU以执行一种或更多种本文所述的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,关于图37所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图37所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图37所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图38是图形处理器3800的框图,该图形处理器可以是分立的图形处理单元,或者可以是与多个处理核心集成的图形处理器。在至少一个实施例中,图形处理器3800经由存储器映射的I/O接口与图形处理器3800上的寄存器以及放置在存储器中的命令进行通信。在至少一个实施例中,图形处理器3800包括用于访问存储器的存储器接口3814。在至少一个实施例中,存储器接口3814是到本地存储器、一个或更多个内部高速缓存、一个或更多个共享的外部高速缓存和/或到系统存储器的接口。
在至少一个实施例中,图形处理器3800还包括用于将显示输出数据驱动到显示设备3820的显示控制器3802。在至少一个实施例中,显示控制器3802包括用于显示设备3820的一个或更多个覆盖平面的硬件以及多层视频或用户接口元素的组合。在至少一个实施例中,显示设备3820可以是内部或外部显示设备。在至少一个实施例中,显示设备3820是头戴式显示设备,例如虚拟现实(VR)显示设备或增强现实(AR)显示设备。在至少一个实施例中,图形处理器3800包括视频编解码器引擎3806,以将媒体编码、解码或转码为一种或更多种媒体编码格式,从一种或更多种媒体编码格式编码、解码或转码,或在一种或更多种媒体编码格式之间进行编码、解码或转码,所述媒体编码格式包括但不限于运动图像专家组(MPEG)格式(例如MPEG-2),高级视频编码(AVC)格式(例如H.264/MPEG-4AVC,以及美国电影电视工程师协会(SMPTE)421M/VC-1)和联合图像专家组(JPEG)格式(例如JPEG)和MotionJPEG(MJPEG)格式。
在至少一个实施例中,图形处理器3800包括块图像传送(BLIT)引擎3804,以执行二维(2D)光栅化器操作,包括例如位边界块传送。但是,在至少一个实施例中,使用图形处理引擎(GPE)3810的一个或更多个组件来执行2D图形操作。在至少一个实施例中,GPE 3810是用于执行图形操作(包括三维(3D)图形操作和媒体操作)的计算引擎。
在至少一个实施例中,GPE 3810包括用于执行3D操作的3D管线3812,例如使用对3D图元形状(例如,矩形、三角形等)进行操作的处理功能来渲染三维图像和场景。在至少一个实施例中,3D管线3812包括执行各种任务和/或产生到3D/媒体子系统3815的执行线程的可编程和固定功能元素。虽然3D管线3812可用于执行媒体操作,但是在至少一个实施例中,GPE 3810还包括媒体管线3816,其用于执行媒体操作,诸如视频后处理和图像增强。
在至少一个实施例中,媒体管线3816包括固定功能或可编程逻辑单元,用于执行一种或更多种专门的媒体操作,例如视频解码加速,视频去隔行和视频编码加速,代替或代表视频编解码器引擎3806。在至少一个实施例中,媒体管线3816还包括线程产生单元,用于产生线程以在3D/媒体子系统3815上执行。在至少一个实施例中,产生的线程在3D/媒体子系统3815中包含的一个或更多个图形执行单元上执行媒体操作的计算。
在至少一个实施例中,3D/媒体子系统3815包括用于执行3D管线3812和媒体管线3816产生的线程的逻辑。在至少一个实施例中,3D管线3812和媒体管线3816将线程执行请求发送到3D/媒体子系统3815,其包括用于仲裁各种请求并将其分派给可用线程执行资源的线程分派逻辑。在至少一个实施例中,执行资源包括用于处理3D和媒体线程的图形执行单元的阵列。在至少一个实施例中,3D/媒体子系统3815包括用于线程指令和数据的一个或更多个内部高速缓存。在至少一个实施例中,子系统3815还包括共享存储器,其包括寄存器和可寻址存储器,以在线程之间共享数据并存储输出数据。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,可以将推理和/或训练逻辑1715的部分或全部合并到处理器3800中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用3D管线3812中包含的一个或更多个ALU。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑以外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器3800的ALU以执行一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练技术。
在至少一个实施例中,关于图38所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图38所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图38所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图39是根据至少一个实施例的图形处理器的图形处理引擎3910的框图。在至少一个实施例中,图形处理引擎(GPE)3910是图38中所示的GPE 3810的版本。在至少一个实施例中,媒体管线3916是可选的,并且可以不显式地包括在GPE 3910中。在至少一个实施例中,单独的媒体和/或图像处理器耦合到GPE 3910。
在至少一个实施例中,GPE 3910耦合到或包括命令流转化器3903,其向3D管线3912和/或媒体管线3916提供命令流。在至少一个实施例中,命令流转化器3903耦合到存储器,所述存储器可以是系统存储器,也可以是内部高速缓存存储器和共享高速缓存存储器中的一个或更多个。在至少一个实施例中,命令流转化器3903从存储器接收命令,并且将命令发送到3D管线3912和/或媒体管线3916。在至少一个实施例中,命令是从环形缓冲区中获取的指令、基元或微操作,该环形缓冲区存储用于3D管线3912和媒体管线3916的命令。在至少一个实施例中,环形缓冲区还可以包括存储各批多个命令的批命令缓冲区。在至少一个实施例中,用于3D管线3912的命令还可以包括对存储在存储器中的数据的引用,例如但不限于用于3D管线3912的顶点和几何数据和/或用于媒体管线3916的图像数据和存储器对象。在至少一个实施例中,3D管线3912和媒体管线3916通过执行操作或通过将一个或更多个执行线程分派到图形核心阵列3914,来处理命令和数据。在至少一个实施例中,图形核心阵列3914包括一个或更多个图形核心块(例如,一个或更多个图形核心3915A、一个或更多个图形核心3915B),每个块包括一个或更多个图形核心。在至少一个实施例中,每个图形核心包括一组图形执行资源,所述图形执行资源包括通用和图形特定的执行逻辑,用于执行图形和计算操作,以及固定功能纹理处理和/或机器学习和人工智能加速逻辑,包括图17A和图17B中的推理和/或训练逻辑1715。
在至少一个实施例中,3D管线3912包括固定功能和可编程逻辑,用于通过处理指令并将执行线程分派到图形核心阵列3914,来处理一个或更多个着色器程序,例如顶点着色器、几何着色器、像素着色器、片段着色器、计算着色器或其他着色器程序。在至少一个实施例中,图形核心阵列3914提供统一的执行资源块,所述执行资源块用于处理着色器程序。在至少一个实施例中,在图形核心阵列3914的图形核心3915A-3915B内的多用途执行逻辑(例如,执行单元)包括对各种3D API着色器语言的支持,并且可以执行与多个着色器关联的多个同时执行线程。
在至少一个实施例中,图形核心阵列3914还包括执行逻辑,用于执行媒体功能,诸如视频和/或图像处理。在至少一个实施例中,除了图形处理操作之外,执行单元还包括可编程以执行并行通用计算操作的通用逻辑。
在至少一个实施例中,输出数据可以将数据输出到统一返回缓冲区(URB)3918中的存储器,所述输出数据由在图形核心阵列3914上执行的线程生成。在至少一个实施例中,URB 3918可以存储多个线程的数据。在至少一个实施例中,URB 3918可以用于在图形核心阵列3914上执行的不同线程之间发送数据。在至少一个实施例中,URB 3918还可用于图形核心阵列3914上的线程与共享功能逻辑3920内的固定功能逻辑之间的同步。
在至少一个实施例中,图形核心阵列3914是可缩放的,使得图形核心阵列3914包括可变数量的图形核心,每个图形核心具有基于GPE 3910的目标功率和性能水平的可变数量的执行单元。在至少一个实施例中,执行资源是动态可伸缩的,使得执行资源可以根据需要被启用或禁用。
在至少一个实施例中,图形核心阵列3914耦合到共享功能逻辑3920,该共享功能逻辑包括在图形核心阵列3914中的图形核心之间共享的多个资源。在至少一个实施例中,由共享功能逻辑3920执行的共享功能体现在向图形核心阵列3914提供专门的补充功能的硬件逻辑单元中。在至少一个实施例中,共享功能逻辑3920包括但不限于采样器单元3921、数学单元3922和线程间通信(ITC)逻辑3923。在至少一个实施例中,一个或更多个高速缓存3925被包含在或耦合到共享功能逻辑3920中。
在至少一个实施例中,如果对专用功能的需求不足以包含在图形核心阵列3914中,则使用共享功能。在至少一个实施例中,专用功能的单个实例在共享功能逻辑3920中使用,并且在图形核心阵列3914内的其他执行资源之间共享。在至少一个实施例中,特定共享功能可以包括在图形核心阵列3914内的共享功能逻辑3926内,所述特定共享功能在图形核心阵列3914广泛使用的共享功能逻辑3920内。在至少一个实施例中,图形核心阵列3914内的共享功能逻辑3926可包括共享功能逻辑3920内的一些或全部逻辑。在至少一个实施例中,共享功能逻辑3920内的所有逻辑元件可在图形核心阵列3914的共享功能逻辑3926内复制。在至少一个实施例中,排除共享功能逻辑3920,以支持图形核心阵列3914内的共享功能逻辑3926。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,部分或全部推理和/或训练逻辑1715可以结合到图形处理器3910中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用一个或更多个ALU,所述ALU体现在3D管线3912、图形核心3915、共享功能逻辑3926、共享功能逻辑3920或图39中的其他逻辑中。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑之外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器3910的ALU,以执行一种或更多种本文所述的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,关于图39所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图39所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图39所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图40是根据本文所述的至少一个实施例的图形处理器核心4000的硬件逻辑的框图。在至少一个实施例中,图形处理器核心4000被包括在图形核心阵列内。在至少一个实施例中,图形处理器核心4000(有时称为核心切片)可以是模块化图形处理器内的一个或更多个图形核心。在至少一个实施例中,图形处理器核心4000是一个图形核心切片的示例,并且本文所述的图形处理器可以基于目标功率和性能包络线包括多个图形核心切片。在至少一个实施例中,每个图形核心4000可以包括与多个子核心4001A-4001F耦合的固定功能块4030,也称为子切片,其包括通用和固定功能逻辑的模块。
在至少一个实施例中,固定功能块4030包括几何和固定功能管线4036,例如,在较低性能和/或较低功率的图形处理器实施方式中,该几何和固定功能管线4036可以由图形处理器4000中的所有子核心共享。在至少一个实施例中,几何和固定功能管线4036包括3D固定功能管线、视频前端单元,线程产生器和线程分派器以及管理统一返回缓冲区的统一返回缓冲区管理器。
在固定的至少一个实施例中,固定功能块4030还包括图形SoC接口4037、图形微控制器4038和媒体管线4039。在至少一个实施例中,图形SoC接口4037提供了图形核心4000以及片上集成电路系统中的其他处理器核心之间的接口。在至少一个实施例中,图形微控制器4038是可编程子处理器,其可配置为管理图形处理器4000的各种功能,包括线程分派、调度和抢占。在至少一个实施例中,媒体管线4039包括有助于对包括图像和视频数据的多媒体数据进行解码、编码、预处理和/或后处理的逻辑。在至少一个实施例中,媒体管线4039经由对子核心4001-4001F内的计算或采样逻辑的请求来实现媒体操作。
在至少一个实施例中,SoC接口4037使图形核心4000能够与通用应用程序处理器核心(例如,CPU)和/或SoC内的其他组件通信,包括存储器层次结构元素,诸如共享的最后一级高速缓存、系统RAM和/或嵌入式片上或封装DRAM。在至少一个实施例中,SoC接口4037还可以使得能够与SoC内的固定功能设备(例如,相机成像管线)进行通信,并且使得能够使用和/或实现可以在图形核心4000和SoC内部的CPU之间共享的全局存储器原子。在至少一个实施例中,图形SoC接口4037还可以实现用于图形处理器核心4000的电源管理控制,并且启用图形处理器核心4000的时钟域与SoC内的其他时钟域之间的接口。在至少一个实施例中,SoC接口4037使得能够从命令流转化器和全局线程分派器接收命令缓冲区,其配置为向图形处理器内的一个或更多个图形核心中的每一个提供命令和指令。在至少一个实施例中,当要执行媒体操作时,可以将命令和指令分派给媒体管线4039,或者当要执行图形处理操作时,可以将其分配给几何形状和固定功能管线(例如,几何形状和固定功能管线4036,和/或几何形状和固定功能管线4014)。
在至少一个实施例中,图形微控制器4038可以配置为对图形核心4000执行各种调度和管理任务。在至少一个实施例中,图形微控制器4038可以在子核心4001A-4001F中的执行单元(EU)阵列4002A-4002F、4004A-4004F内的各种图形并行引擎上执行图形和/或计算工作负载调度。在至少一个实施例中,在包括图形核心4000的SoC的CPU核心上执行的主机软件可以提交多个图形处理器路径之一的工作负载,其调用适当的图形引擎上的调度操作。在至少一个实施例中,调度操作包括确定接下来要运行哪个工作负载、将工作负载提交给命令流转化器、抢先在引擎上运行的现有工作负载、监控工作负载的进度以及在工作负载完成时通知主机软件。在至少一个实施例中,图形微控制器4038还可以促进图形核心4000的低功率或空闲状态,从而为图形核心4000提供在图形核心4000内独立于操作系统和/或系统上的图形驱动程序软件的跨低功率状态转换的保存和恢复寄存器的能力。
在至少一个实施例中,图形核心4000可以具有比所示的子核心4001A-4001F多或少达N个模块化子核心。对于每组N个子核心,在至少一个实施例中,图形核心4000还可以包括共享功能逻辑4010、共享和/或高速缓存存储器4012、几何/固定功能管线4014以及附加的固定功能逻辑4016以加速各种图形和计算处理操作。在至少一个实施例中,共享功能逻辑4010可以包括可由图形核心4000内的每个N个子核心共享的逻辑单元(例如,采样器、数学和/或线程间通信逻辑)。在至少一个实施例中,共享和/或高速缓存存储器4012可以是图形核心4000内的N个子核心4001A-4001F的最后一级高速缓存,并且还可以用作可由多个子核心访问的共享存储器。在至少一个实施例中,可以包括几何/固定功能管线4014来代替固定功能块4030内的几何/固定功能管线4036,并且可以包括相似的逻辑单元。
在至少一个实施例中,图形核心4000包括附加的固定功能逻辑4016,其可以包括供图形核心4000使用的各种固定功能加速逻辑。在至少一个实施例中,附加的固定功能逻辑4016包括用于仅位置着色中使用的附加的几何管线。在仅位置着色中,存在至少两个几何管线,而在几何和固定功能管线4014、4036内的完整几何管线和剔除管线中,其是可以包括在附加的固定功能逻辑4016中的附加几何管线。在至少一个实施例中,剔除管线是完整几何管线的修整版。在至少一个实施例中,完整管线和剔除管线可以执行应用程序的不同实例,每个实例具有单独的环境。在至少一个实施例中,仅位置着色可以隐藏被丢弃的三角形的长剔除运行,从而在某些情况下可以更早地完成着色。例如,在至少一个实施例中,附加固定功能逻辑4016中的剔除管线逻辑可以与主应用程序并行执行位置着色器,并且通常比完整管线更快地生成关键结果,因为剔除管线获取并遮蔽顶点的位置属性,无需执行光栅化和将像素渲染到帧缓冲区。在至少一个实施例中,剔除管线可以使用生成的临界结果来计算所有三角形的可见性信息,而与这些三角形是否被剔除无关。在至少一个实施例中,完整管线(在这种情况下可以称为重播管线)可以消耗可见性信息来跳过剔除的三角形以仅遮盖最终传递到光栅化阶段的可见三角形。
在至少一个实施例中,附加的固定功能逻辑4016还可包括机器学习加速逻辑,例如固定功能矩阵乘法逻辑,用于实现包括用于机器学习训练或推理的优化。
在至少一个实施例中,在每个图形子核心4001A-4001F内包括一组执行资源,其可用于响应于图形管线、媒体管线或着色器程序的请求来执行图形、媒体和计算操作。在至少一个实施例中,图形子核心4001A-4001F包括多个EU阵列4002A-4002F、4004A-4004F,线程分派和线程间通信(TD/IC)逻辑4003A-4003F,3D(例如,纹理)采样器4005A-4005F,媒体采样器4006A-4006F,着色器处理器4007A-4007F和共享本地存储器(SLM)4008A-4008F。在至少一个实施例中,EU阵列4002A-4002F、4004A-4004F每个都包含多个执行单元,这些执行单元是通用图形处理单元,能够为图形、媒体或计算操作提供服务,执行浮点和整数/定点逻辑运算,包括图形、媒体或计算着色器程序。在至少一个实施例中,TD/IC逻辑4003A-4003F为子核心内的执行单元执行本地线程分派和线程控制操作,并促进在子核心的执行单元上执行的线程之间的通信。在至少一个实施例中,3D采样器4005A-4005F可以将与纹理或其他3D图形相关的数据读取到存储器中。在至少一个实施例中,3D采样器可以基于与给定纹理相关联的配置的采样状态和纹理格式来不同地读取纹理数据。在至少一个实施例中,媒体采样器4006A-4006F可以基于与媒体数据相关联的类型和格式来执行类似的读取操作。在至少一个实施例中,每个图形子核心4001A-4001F可以可替代地包括统一的3D和媒体采样器。在至少一个实施例中,在每个子核心4001A-4001F内的执行单元上执行的线程可以利用每个子核心内的共享本地存储器4008A-4008F,以使在线程组内执行的线程能够使用片上存储器的公共池来执行。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715的部分或全部可以被合并到图形处理器4000中。例如,在至少一个实施例中,本文描述的训练和/或推理技术可以使用在3D管线、图形微控制器4038、几何和固定功能管线4014和4036或图40中的其他逻辑中体现的一个或更多个ALU。此外,在至少一个实施例中,本文描述的推理和/或训练操作可以使用除图17A或图17B所示的逻辑以外的逻辑来完成。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置图形处理器4000的ALU以执行一种或更多种本文介绍的机器学习算法、神经网络架构、用例或训练技术。
在至少一个实施例中,关于图40所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图40所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图40所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图41A和图41B示出了根据至少一个实施例的包括图形处理器核心的处理元件的阵列的线程执行逻辑4100。图41A示出了至少一个实施例,其中使用了线程执行逻辑4100。图41B示出了根据至少一个实施例的图形执行单元4108的示例性内部细节。
如图41A中所示,在至少一个实施例中,线程执行逻辑4100包括着色器处理器4102、线程分派器4104、指令高速缓存4106、包括多个执行单元4107A-4107N和4108A-4108N的可缩放执行单元阵列、采样器4110、数据高速缓存4112和数据端口4114。在至少一个实施例中,可缩放执行单元阵列可以例如基于工作负载的计算要求,通过启用或禁用一个或更多个执行单元(例如,执行单元4108A-N或4107A-N中的任意一个)来动态缩放。在至少一个实施例中,可缩放执行单元通过链路到每个执行单元的互连结构互连。在至少一个实施例中,线程执行逻辑4100包括通过指令高速缓存4106、数据端口4114、采样器4110和执行单元4107或4108中的一个或更多个到存储器(诸如系统存储器或高速缓存存储器)的一个或更多个连接。在至少一个实施例中,每个执行单元(例如4107A)是独立的可编程通用计算单元,其能够执行多个同时的硬件线程,同时针对每个线程并行处理多个数据元素。在至少一个实施例中,执行单元4107和/或4108的阵列可缩放以包括任意数量的单独执行单元。
在至少一个实施例中,执行单元4107和/或4108主要用于执行着色器程序。在至少一个实施例中,着色器处理器4102可以处理各种着色器程序并经由线程分派器4104来分派与着色器程序相关联的执行线程。在至少一个实施例中,线程分派器4104包括用于仲裁来自图形和媒体管线的线程初始化庆祝以及在执行单元4107和/或4108中的一个或更多个执行单元上实例化请求的线程的逻辑。例如,在至少一个实施例中,几何管线可以将顶点、镶嵌或几何着色器分派到线程执行逻辑以进行处理。在至少一个实施例中,线程分派器4104还可以处理来自执行着色器程序的运行时线程产生请求。
在至少一个实施例中,执行单元4107和/或4108支持一种指令集,该指令集包括对许多标准3D图形着色器指令的本机支持,从而使图形库(例如Direct 3D和OpenGL)中的着色器程序只需最少的转换即可执行。在至少一个实施例中,执行单元支持顶点和几何处理(例如,顶点程序、几何程序、和/或顶点着色器)、像素处理(例如,像素着色器、片段着色器)和通用处理(例如,计算和媒体着色器)。在至少一个实施例中,每个执行单元4107和/或4108包括一个或更多个算术逻辑单元(ALU),能够执行多发出单指令多数据(SIMD),并且多线程操作实现了高效的执行环境尽管有更高的延迟存储器访问。在至少一个实施例中,每个执行单元内的每个硬件线程具有专用的高带宽寄存器文件和相关的独立线程状态。在至少一个实施例中,执行是每个时钟到管线的多次发出,管线能够进行整数、单精度和双精度浮点运算、SIMD分支功能、逻辑运算、先验运算和其他其他运算。在至少一个实施例中,在等待来自存储器或共享功能之一的数据时,执行单元4107和/或4108内的依赖性逻辑使等待线程休眠直到返回了所请求的数据。在至少一个实施例中,当等待线程正在休眠时,硬件资源可以专用于处理其他线程。例如,在至少一个实施例中,在与顶点着色器操作相关联的延迟期间,执行单元可以对像素着色器、片段着色器或另一类型的着色器程序(包括不同的顶点着色器)执行操作。
在至少一个实施例中,执行单元4107和/或4108中的每一个执行单元在数据元素的阵列上进行操作。在至少一个实施例中,多个数据元素是“执行大小”或指令的通道数。在至少一个实施例中,执行通道是用于指令内的数据元素访问、屏蔽和流控制的执行的逻辑单元。在至少一个实施例中,多个通道可以独立于用于特定图形处理器的多个物理算术逻辑单元(ALU)或浮点单元(FPU)。在至少一个实施例中,执行单元4107和/或4108支持整数和浮点数据类型。
在至少一个实施例中,执行单元指令集包括SIMD指令。在至少一个实施例中,各种数据元素可以作为封装数据类型存储在寄存器中,并且执行单元将基于那些元素的数据大小来处理各种元素。例如,在至少一个实施例中,当对256位宽的向量进行操作时,将向量的256位存储在寄存器中,并且执行单元对向量进行操作,作为四个单独的64位封装数据元素(四字(QW)大小数据元素)、八个单独的32位封装数据元素(双字(DW)大小数据元素)、十六个单独的16位封装数据元素(单词(W)大小数据元素)或三十二个单独的8位数据元素(字节(B)大小的数据元素)。然而,在至少一个实施例中,不同的向量宽度和寄存器大小是可能的。
在至少一个实施例中,一个或更多个执行单元可以被组合成具有执行对于融合EU的线程控制逻辑(4111A-4111N)的融合执行单元4109A-4109N,例如将执行单元4107A与执行单元4108A融合为融合执行单元4109A中。在至少一个实施例中,可以将多个EU合并成一个EU组。在至少一个实施例中,融合EU组中的EU的数量可以配置为执行单独的SIMD硬件线程,融合的EU组中的EU的数量可能根据各个实施例而变化。在至少一个实施例中,每个EU可以执行各种SIMD宽度,包括但不限于SIMD8、SIMD16和SIMD32。在至少一个实施例中,每个融合图形执行单元4109A-4109N包括至少两个执行单元。例如,在至少一个实施例中,融合执行单元4109A包括第一EU 4107A、第二EU 4108A以及第一EU 4107A和第二EU 4108A共有的线程控制逻辑4111A。在至少一个实施例中,线程控制逻辑4111A控制在融合图形执行单元4109A上执行的线程,从而允许融合执行单元4109A-4109N内的每个EU使用公共指令指针寄存器来执行。
在至少一个实施例中,一个或更多个内部指令高速缓存(例如4106)被包括在线程执行逻辑4100中以高速缓存用于执行单元的线程指令。在至少一个实施例中,包括一个或更多个数据高速缓存(例如4112)以在线程执行期间高速缓存线程数据。在至少一个实施例中,包括采样器4110以提供用于3D操作的纹理采样和用于媒体操作的媒体采样。在至少一个实施例中,采样器4110包括专门的纹理或媒体采样功能,以在将采样数据提供给执行单元之前在采样过程中处理纹理或媒体数据。
在执行期间,在至少一个实施例中,图形和媒体管线通过线程产生和分派逻辑将线程发起请求发送到线程执行逻辑4100。在至少一个实施例中,一旦一组几何对象已经被处理并光栅化成像素数据,则在着色器处理器4102内的像素处理器逻辑(例如,像素着色器逻辑、片段着色器逻辑等)被调用以进一步计算输出信息并且导致将结果写入输出表面(例如,颜色缓冲区、深度缓冲区、模板缓冲区等)。在至少一个实施例中,像素着色器或片段着色器计算要在光栅化对象上插值的各种顶点属性的值。在至少一个实施例中,着色器处理器4102内的像素处理器逻辑然后执行应用程序接口(API)提供的像素或片段着色器程序。在至少一个实施例中,为了执行着色器程序,着色器处理器4102经由线程分派器4104将线程分派到执行单元(例如4108A)。在至少一个实施例中,着色器处理器4102使用采样器4110中的纹理采样逻辑来访问存储在存储器中的纹理贴图中的纹理数据。在至少一个实施例中,对纹理数据和输入几何数据的算术运算为每个几何片段计算像素颜色数据,或者丢弃一个或更多个像素以进行进一步处理。
在至少一个实施例中,数据端口4114提供了一种用于线程执行逻辑4100的存储器访问机制,以将处理后的数据输出到存储器以在图形处理器输出管线上进行进一步处理。在至少一个实施例中,数据端口4114包括或耦合到一个或更多个高速缓存存储器(例如,数据高速缓存4112)以高速缓存数据以便经由数据端口进行存储器访问。
如图41B所示,在至少一个实施例中,图形执行单元4108可以包括指令获取单元4137、通用寄存器文件阵列(GRF)4124、架构寄存器文件阵列(ARF)4126、线程仲裁器4122、发送单元4130、分支单元4132、一组SIMD浮点单元(FPU)4134,以及一组专用整数SIMD ALU4135。在至少一个实施例中,GRF 4124和ARF 4126包括一组与可以在图形执行单元4108中活跃的每个同时硬件线程相关联的通用寄存器文件和架构寄存器文件。在至少一个实施例中,在ARF 4126中维护每个线程架构状态,而在线程执行期间使用的数据存储在GRF 4124中。在至少一个实施例中,每个线程的执行状态,包括每个线程的指令指针,可以被保存在ARF 4126中的线程专用寄存器中。
在至少一个实施例中,图形执行单元4108具有一种架构,该架构是同时多线程(SMT)和细粒度交错多线程(IMT)的组合。在至少一个实施例中,架构具有模块化配置,该模块化配置可以在设计时基于同时线程的目标数量和每个执行单元的寄存器数量来进行微调,其中执行单元资源在用于执行多个同时线程的逻辑上分配。
在至少一个实施例中,图形执行单元4108可以共同发布多个指令,每个指令可以是不同的指令。在至少一个实施例中,图形执行单元线程4108的线程仲裁器4122可以将指令分派到发送单元4130、分支单元4132或SIMD FPU 4134之一以供执行。在至少一个实施例中,每个执行线程可以访问GRF 4124中的128个通用寄存器,其中每个寄存器可以存储32个字节,可以作为32位数据元素的SIMD 8元素向量进行访问。在至少一个实施例中,每个执行单元线程可以访问GRF 4124中的4KB,尽管实施例不限于此,并且在其他实施例中可以提供更多或更少的寄存器资源。在至少一个实施例中,尽管每个执行单元的线程数量也可以根据实施例而变化,但是最多可以同时执行七个线程。在其中七个线程可以访问4KB的至少一个实施例中,GRF 4124可以存储总共28KB。在至少一个实施例中,灵活的寻址模式可以允许将寄存器一起寻址以有效地建立更宽的寄存器或表示跨步的矩形块数据结构。
在至少一个实施例中,经由由消息传递发送单元4130执行的“发送”指令来调度存储器操作、采样器操作和其他更长延迟的系统通信。在至少一个实施例中,将分支指令分派到分支单元4132促进SIMD发散和最终收敛。
在至少一个实施例中,图形执行单元4108包括一个或更多个SIMD浮点单元(FPU)4134,以执行浮点操作。在至少一个实施例中,一个或更多个FPU 4134还支持整数计算。在至少一个实施例中,一个或更多个FPU 4134可以SIMD执行多达M个32位浮点(或整数)运算,或者SIMD执行多达2M个16位整数或16位浮点运算。在至少一个实施例中,至少一个FPU提供扩展的数学能力以支持高吞吐量的先验数学函数和双精度64位浮点。在至少一个实施例中,还存在一组8位整数SIMD ALU 4135,并且可以被专门优化以执行与机器学习计算相关的操作。
在至少一个实施例中,可以在图形子核心分组(例如,子切片)中实例化图形执行单元4108的多个实例的阵列。在至少一个实施例中,执行单元4108可以跨多个执行通道执行指令。在至少一个实施例中,在图形执行单元4108上执行的每个线程在不同的通道上执行。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。下面结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,推理和/或训练逻辑1715的部分或全部可以被结合到线程执行逻辑4100中。此外,在至少一个实施例中,可以使用除了图17A或图17B中所示的逻辑之外的逻辑来完成在此描述的推理和/或训练操作。在至少一个实施例中,权重参数可以存储在片上或片外存储器和/或寄存器(示出或未示出)中,其配置线程执行逻辑4100的ALU以执行一种或更多种机器学习算法、神经网络架构、用例或本文介绍的训练技术。
在至少一个实施例中,关于图41A-41B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图41A-41B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图41A-41B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图42示出了根据至少一个实施例的并行处理单元(“PPU”)4200。在至少一个实施例中,PPU 4200配置有机器可读代码,该机器可读代码如果由PPU 4200执行,则使得PPU4200执行贯穿本公开描述的一些或全部过程和技术。在至少一个实施例中,PPU 4200是在一个或更多个集成电路设备上实现的多线程处理器,并且利用多线程作为被设计为处理在多个线程上并行执行的计算机可读指令(也称为机器可读指令或简单的指令)的延迟隐藏技术。在至少一个实施例中,线程是指执行线程,并且是被配置为由PPU 4200执行的一组指令的实例。在至少一个实施例中,PPU 4200是图形处理单元(“GPU”),图形处理单元配置为实现用于处理三维(“3D”)图形数据的图形渲染管线,以便生成用于在显示设备(诸如液晶显示器(“LCD”)设备)上显示的二维(“2D”)图像数据。在至少一个实施例中,PPU 4200用于执行计算,诸如线性代数运算和机器学习运算。图42仅出于说明性目的示出了示例并行处理器,并且应被解释为在本公开的范围内设想的处理器架构的非限制性示例,并且可以采用任何适当的处理器来对其进行补充和/或替代。
在至少一个实施例中,一个或更多个PPU 4200配置成加速高性能计算(“HPC”)、数据中心和机器学习应用程序。在至少一个实施例中,PPU 4200配置成加速深度学习系统和应用程序,包括以下非限制性示例:自动驾驶汽车平台、深度学习、高精度语音、图像、文本识别系统、智能视频分析、分子模拟、药物发现、疾病诊断、天气预报、大数据分析、天文学、分子动力学模拟、财务建模、机器人技术、工厂自动化、实时语言翻译、在线搜索优化以及个性化用户推荐等。
在至少一个实施例中,PPU 4200包括但不限于输入/输出(“I/O”)单元4206、前端单元4210、调度器单元4212、工作分配单元4214、集线器4216、交叉开关(“Xbar”)4220、一个或更多个通用处理集群(“GPC”)4218和一个或更多个分区单元(“存储器分区单元”)4222。在至少一个实施例中,PPU 4200通过一个或更多个高速GPU互连(“GPU互连”)4208连接到主机处理器或其他PPU 4200。在至少一个实施例中,PPU 4200通过系统总线4202连接到主机处理器或其他外围设备。在一个实施例中,PPU 4200连接到包括一个或更多个存储器设备(“存储器”)4204的本地存储器。在至少一个实施例中,存储器设备4204包括但不限于一个或更多个动态随机存取存储器(“DRAM”)设备。在至少一个实施例中,一个或更多个DRAM设备配置和/或可配置为高带宽存储器(“HBM”)子系统,并且在每个设备内堆叠有多个DRAM管芯。
在至少一个实施例中,高速GPU互连4208可以指代系统使用其来进行缩放的基于线的多通道通信链路,并包括与一个或更多个中央处理单元结合的一个或更多个PPU 4200(“CPU”),支持PPU 4200和CPU之间的缓存相干以及CPU主控。在至少一个实施例中,高速GPU互连4208通过集线器4216将数据和/或命令传输到PPU 4200的其他单元,例如一个或更多个复制引擎、视频编码器、视频解码器、电源管理单元和/或在图42中可能未明确示出的其他组件。
在至少一个实施例中,I/O单元4206配置为通过系统总线4202从主机处理器(图42中未示出)发送和接收通信(例如,命令、数据)。在至少一个实施例中,I/O单元4206直接通过系统总线4202或通过一个或更多个中间设备(例如存储器桥)与主机处理器通信。在至少一个实施例中,I/O单元4206可以经由系统总线4202与一个或更多个其他处理器(例如一个或更多个PPU 4200)通信。在至少一个实施例中,I/O单元4206实现外围组件互连Express(“PCIe”)接口,用于通过PCIe总线进行通信。在至少一个实施例中,I/O单元4206实现用于与外部设备通信的接口。
在至少一个实施例中,I/O单元4206对经由系统总线4202接收的分组进行解码。在至少一个实施例中,至少一些分组表示被配置为使PPU 4200执行各种操作的命令。在至少一个实施例中,I/O单元4206如命令所指定的那样将解码的命令发送到PPU 4200的各种其他单元。在至少一个实施例中,命令被发送到前端单元4210和/或被发送到集线器4216或PPU 4200的其他单元,例如一个或更多个复制引擎、视频编码器、视频解码器、电源管理单元等(图42中未明确示出)。在至少一个实施例中,I/O单元4206配置为在PPU 4200的各种逻辑单元之间路由通信。
在至少一个实施例中,由主机处理器执行的程序在缓冲区中对命令流进行编码,该缓冲区将工作负载提供给PPU 4200以进行处理。在至少一个实施例中,工作负载包括指令和要由那些指令处理的数据。在至少一个实施例中,缓冲区是可由主机处理器和PPU4200两者访问(例如,读/写)的存储器中的区域—主机接口单元可以配置为访问经由I/O单元4206通过系统总线4202传输的存储器请求连接到系统总线4202的系统存储器中的缓冲区。在至少一个实施例中,主机处理器将命令流写入缓冲区,然后将指示命令流开始的指针发送给PPU 4200,使得前端单元4210接收指向一个或更多个命令流指针并管理一个或更多个命令流,从命令流中读取命令并将命令转发到PPU 4200的各个单元。
在至少一个实施例中,前端单元4210耦合到调度器单元4212,该调度器单元4212配置各种GPC 4218以处理由一个或更多个命令流定义的任务。在至少一个实施例中,调度器单元4212配置为追踪与调度器单元4212管理的各种任务有关的状态信息,其中状态信息可以指示任务被分配给哪个GPC 4218,任务是活跃的还是非活跃的,与任务相关联的优先级等等。在至少一个实施例中,调度器单元4212管理在一个或更多个GPC 4218上执行的多个任务。
在至少一个实施例中,调度器单元4212耦合到工作分配单元4214,该工作分配单元4214配置为分派任务以在GPC 4218上执行。在至少一个实施例中,工作分配单元4214追踪从调度器单元4212接收到的多个调度任务并且工作分配单元4214管理每个GPC 4218的待处理任务池和活跃任务池。在至少一个实施例中,待处理任务池包括多个时隙(例如32个时隙),这些时隙包含分配给要由特定的GPC 4218处理的任务;活跃任务池可包括用于由GPC 4218主动处理的任务的多个时隙(例如4个时隙),以使随着GPC 4218中的一个完成任务的执行,该任务将从GPC 4218的活动任务池中逐出,并且从待处理任务池中选择另一个任务,并布置其在GPC 4218上执行。在至少一个实施例中,如果活跃任务在GPC 4218上处于空闲状态,例如在等待数据依赖性解决时,则活跃任务从GPC 4218中驱逐并返回到待处理任务池,同时选择了待处理任务池中的另一个任务并调度在GPC 4218上执行。
在至少一个实施例中,工作分配单元4214经由XBar 4220与一个或更多个GPC4218通信。在至少一个实施例中,XBar 4220是互连网络,其将PPU 4200的许多单元耦合到PPU 4200的其他单元,并且可以配置为将工作分配单元4214耦合到特定的GPC 4218。在至少一个实施例中,一个或更多个PPU 4200的其他单元也可以通过集线器4216连接到XBar4220。
在至少一个实施例中,任务由调度器单元4212管理,并由工作分配单元4214分配给GPC 4218之一。在至少一个实施例中,GPC 4218配置为处理任务并产生结果。在至少一个实施例中,结果可以由GPC 4218中的其他任务消耗,通过XBar 4220路由到不同的GPC 4218或存储在存储器4204中。在至少一个实施例中,结果可以通过分区单元4222写到存储器4204中,其实现了用于向存储器4204写入数据或从存储器4204读取数据的存储器接口。在至少一个实施例中,结果可以经由高速GPU互连4208传输到另一PPU 4200或CPU。在至少一个实施例中,PPU 4200包括但不限于U个分区单元4222,其等于耦合到PPU 4200的分离且不同的存储器设备4204的数量,本文结合图44更详细地描述。
在至少一个实施例中,主机处理器执行驱动器核心,该驱动程序核心实现应用程序编程接口(API),该应用程序编程接口使在主机处理器上执行的一个或更多个应用程序能够调度操作以在PPU 4200上执行。在一个实施例中,多个计算应用程序由PPU 4200同时执行,并且PPU 4200为多个计算应用程序提供隔离、服务质量(“QoS”)和独立的地址空间。在至少一个实施例中,应用程序生成指令(例如,以API调用的形式),该指令使驱动器核心生成一个或更多个任务以供PPU 4200执行,并且驱动器核心将任务输出至由PPU 4200处理的一个或更多个流。在至少一个实施例中,每个任务包括一个或更多个相关线程组,其可以被称为线程束(warp)。在至少一个实施例中,线程束包括可以并行执行的多个相关线程(例如32个线程)。在至少一个实施例中,协作线程可以指代多个线程,包括用于执行任务并且通过共享存储器交换数据的指令,结合图38根据至少一个实施例更详细地描述了线程和协作线程。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用程序处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给PPU 4200的信息。在至少一个实施例中,PPU 4200用于基于已由另一处理器或系统或PPU 4200训练过的训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,PPU 4200可用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,关于图42所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图42所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图42所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图43示出了根据至少一个实施例的通用处理集群(“GPC”)4300。在至少一个实施例中,GPC 4300是图42的GPC 4218。在至少一个实施例中,每个GPC 4300包括但不限于用于处理任务的多个硬件单元,并且每个GPC 4300包括但不限于管线管理器4302、预光栅操作单元(“preROP”)4304、光栅引擎4308、工作分配交叉开关(“WDX”)4316、存储器管理单元(“MMU”)4318、一个或更多个数据处理集群(“DPC”)4306,以及部件的任何合适组合。
在至少一个实施例中,GPC 4300的操作由管线管理器4302控制。在至少一个实施例中,管线管理器4302管理一个或更多个DPC 4306的配置,以处理分配给GPC 4300的任务。在至少一个实施例中,管线管理器4302配置一个或更多个DPC 4306中的至少一个以实现图形渲染管线的至少一部分。在至少一个实施例中,DPC 4306配置为在可编程流式多处理器(“SM”)4314上执行顶点着色器程序。在至少一个实施例中,管线管理器4302配置为将从工作分配单元接收的数据包路由到GPC 4300内的适当逻辑单元,以及在至少一个实施例中,可以将一些数据包路由到preROP 4304和/或光栅引擎4308中的固定功能硬件单元,而可以将其他数据包路由到DPC 4306以由原始引擎4312或SM 4314进行处理。在至少一个实施例中,管线管理器4302配置DPC 4306中的至少一个以实现神经网络模型和/或计算管线。
在至少一个实施例中,preROP单元4304配置为在至少一个实施例中将由光栅引擎4308和DPC 4306生成的数据路由到分区单元4222中的光栅操作(“ROP”)单元,上面结合图42更详细地描述。在至少一个实施例中,preROP单元4304配置为执行用于颜色混合的优化、组织像素数据、执行地址转换等等。在至少一个实施例中,光栅引擎4308包括但不限于配置为执行各种光栅操作的多个固定功能硬件单元,并且在至少一个实施例中,光栅引擎4308包括但不限于设置引擎、粗光栅引擎、剔除引擎、裁剪引擎、精细光栅引擎、图块聚合引擎及其任意合适的组合。在至少一个实施例中,设置引擎接收变换后的顶点并生成与由顶点定义的几何图元相关联的平面方程;平面方程式被传送到粗光栅引擎以生成基本图元的覆盖信息(例如,图块的x、y覆盖范围掩模);粗光栅引擎的输出将传输到剔除引擎,在剔除引擎中与z测试失败的图元相关联的片段将被剔除,并传输到剪切引擎,在剪切引擎中剪切位于视锥范围之外的片段。在至少一个实施例中,将经过裁剪和剔除的片段传递给精细光栅引擎,以基于设置引擎生成的平面方程式生成像素片段的属性。在至少一个实施例中,光栅引擎4308的输出包括将由任何适当的实体(例如,由在DPC 4306内实现的片段着色器)处理的片段。
在至少一个实施例中,包括在GPC 4300中的每个DPC 4306包括但不限于M管线控制器(“MPC”)4310;图元引擎4312;一个或更多个SM 4314;及其任何合适的组合。在至少一个实施例中,MPC 4310控制DPC 4306的操作,将从管线管理器4302接收的分组路由到DPC4306中的适当单元。在至少一个实施例中,将与顶点相关联的分组路由到图元引擎4312,图元引擎4312配置为从存储器中获取与顶点关联的顶点属性;相反,可以将与着色器程序相关联的数据包发送到SM 4314。
在至少一个实施例中,SM 4314包括但不限于可编程流式处理器,其配置为处理由多个线程表示的任务。在至少一个实施例中,SM 4314是多线程的并且配置为同时执行来自特定线程组的多个线程(例如32个线程),并且实现单指令、多数据(“SIMD”)架构,其中将一组线程(例如,线程束)中的每个线程配置为基于相同的指令集来处理不同的数据集。在至少一个实施例中,线程组中的所有线程执行通用指令集。在至少一个实施例中,SM 4314实施单指令、多线程(“SIMT”)架构,其中一组线程中的每个线程配置为基于通用指令集来处理不同的数据集,但是其中线程组中的各个线程允许在执行期间发散。在至少一个实施例中,为每个线程束维护程序计数器、调用栈和执行状态,从而当线程束中的线程发散时,实现线程束和线程束内的串行执行之间的并发性。在另一个实施例中,为每个单独的线程维护程序计数器、调用栈和执行状态,从而使得在线程束内和线程束之间的所有线程之间具有相等的并发性。在至少一个实施例中,为每个单独的线程维持执行状态,并且可以收敛并并行地执行执行通用指令的线程以提高效率。本文更详细地描述SM 4314的至少一个实施例。
在至少一个实施例中,MMU 4318在GPC 4300和存储器分区单元(例如,图42的分区单元4222)之间提供接口,并且MMU 4318提供虚拟地址到物理地址的转换、存储器保护以及存储器请求的仲裁。在至少一个实施例中,MMU 4318提供一个或更多个转换后备缓冲区(“TLB”),用于执行虚拟地址到存储器中的物理地址的转换。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用程序处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给GPC 4300的信息。在至少一个实施例中,GPC 4300用于基于已由另一处理器或系统或GPC 4300训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,GPC 4300可用于执行本文所述的一个或更多个神经网络用例。
在至少一个实施例中,关于图43所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图43所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图43所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图44示出了根据至少一个实施例的并行处理单元(“PPU”)的存储器分区单元4400。在至少一个实施例中,存储器分区单元4400包括但不限于光栅操作(“ROP”)单元4402;二级(“L2”)高速缓存4404;存储器接口4406;及其任何合适的组合。在至少一个实施例中,存储器接口4406耦合到存储器。在至少一个实施例中,存储器接口4406可以实现32、64、128、1024位数据总线,或者类似的实现方式用于高速数据传输。在至少一个实施例中,PPU包括U个存储器接口4406,其中U是正整数,每对分区单元4400一个存储器接口4406,其中每对分区单元4400连接到对应的存储器设备。例如,在至少一个实施例中,PPU可以连接至多达Y个存储器设备,例如高带宽存储器堆栈或图形双数据速率版本5同步动态随机存取存储器(“GDDR5 SDRAM”)。
在至少一个实施例中,存储器接口4406实现高带宽存储器第二代(“HBM2”)存储器接口,并且Y等于U的一半。在至少一个实施例中,HBM2存储器堆栈与PPU一起位于物理封装上,与传统的GDDR5 SDRAM系统相比,可提供大量功率并节省面积。在至少一个实施例中,每个HBM2堆栈包括但不限于四个存储器管芯,且Y=4,每个HBM2堆栈包括每个管芯两个128位通道,用于总共8个通道和1024位的数据总线宽度。在至少一个实施例中,存储器支持单错误校正双错误检测(“SECDED”)错误校正码(“ECC”)以保护数据。在至少一个实施例中,ECC可以为对数据损坏敏感的计算应用程序提供更高的可靠性。
在至少一个实施例中,PPU实现了多级存储器层次结构。在至少一个实施例中,存储器分区单元4400支持统一存储器以为中央处理单元(“CPU”)和PPU存储器提供单个统一虚拟地址空间,从而实现虚拟存储器系统之间的数据共享。在至少一个实施例中,追踪PPU对位于其他处理器上的存储器的访问频率,以确保将存储器页面移动到更频繁地访问页面的PPU的物理存储器。在至少一个实施例中,高速GPU互连4208支持地址转换服务,其允许PPU直接访问CPU的页表,并通过PPU提供对CPU存储器的完全访问。
在至少一个实施例中,复制引擎在多个PPU之间或PPU与CPU之间传输数据。在至少一个实施例中,复制引擎可以为未被映射到页表中的地址生成页面错误,并且存储器分区单元4400然后为页面错误提供服务,将地址映射到页表中,之后复制引擎执行传输。在至少一个实施例中,为多个处理器之间的多个复制引擎操作固定(即不可分页)存储器,从而实质上减少了可用存储器。在至少一个实施例中,在硬件页面故障的情况下,可以将地址传递给复制引擎,而无需考虑是否驻留存储器页,并且复制过程是透明的。
根据至少一个实施例,来自图42的存储器4204或其他系统存储器的数据由存储器分区单元4400获取,并将其存储在L2高速缓存4404中,L2高速缓存4404位于芯片上并且在各种GPC之间共享。在至少一个实施例中,每个存储器分区单元4400包括但不限于与对应的存储器设备相关联的L2高速缓存的至少一部分。在至少一个实施例中,在GPC内的各个单元中实现较低级别的高速缓存。在至少一个实施例中,图43的每个SM 4314可以实现一级(“L1”)高速缓存,其中L1高速缓存是专用于特定SM 4314的私有存储器,并且从L2高速缓存4404中获取数据并将其存储在每个L1高速缓存中,用于在SM 4314的功能单元中进行处理。在至少一个实施例中,L2高速缓存4404耦合到存储器接口4406和图42所示的XBar4220。
在至少一个实施例中,ROP单元4402执行与像素颜色有关的图形光栅操作,诸如颜色压缩、像素混合等。在至少一个实施例中,ROP单元4402结合光栅引擎4308实施深度测试,从光栅引擎4308的剔除引擎接收与像素片段相关联的样本位置的深度。在至少一个实施例中,针对在与片段关联的样本位置的深度缓冲区中的相应深度测试深度。在至少一个实施例中,如果该片段通过了针对该样本位置的该深度测试,则ROP单元4402更新深度缓冲区,并将该深度测试的结果发送给光栅引擎4308。将意识到,分区单元4400的数量可以不同于GPC的数量,因此,可以在至少一个实施例中将每个ROP单元4402耦合到每个GPC。在至少一个实施例中,ROP单元4402追踪从不同GPC接收到的分组,并且确定ROP单元4402生成的结果是否要通过XBar4220路由到。
在至少一个实施例中,关于图44所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图44所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图44所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图45示出了根据至少一个实施例的流式多处理器(“SM”)4500。在至少一个实施例中,SM 4500是图43的SM。在至少一个实施例中,SM 4500包括但不限于指令高速缓存4502;一个或更多个调度器单元4504;寄存器文件4508;一个或更多个处理核心(“核心”)4510;一个或更多个特殊功能单元(“SFU”)4512;一个或更多个加载/存储单元(“LSU”)4514;互连网络4516;共享存储器/一级(“L1”)高速缓存4518;和/或其任何合适的组合。
在至少一个实施例中,工作分配单元调度任务以在并行处理单元(“PPU”)的通用处理集群(“GPC”)上执行,并且每个任务被分配给GPC内部的特定数据处理集群(“DPC”),并且如果任务与着色器程序相关联,则将该任务分配给SM 4500之一。在至少一个实施例中,调度器单元4504从工作分配单元接收任务并管理分配给SM 4500的一个或更多个线程块的指令调度。在至少一个实施例中,调度器单元4504调度线程块以作为并行线程的线程束来执行,其中,每个线程块被分配至少一个线程束。在至少一个实施例中,每个线程束执行线程。在至少一个实施例中,调度器单元4504管理多个不同的线程块,将线程束分配给不同的线程块,然后在每个时钟周期内将来自多个不同的协作组的指令分派给各种功能单元(例如,处理核心4510、SFU 4512和LSU 4514)。
在至少一个实施例中,协作组可以指用于组织通信线程组的编程模型,其允许开发者表达线程正在通信的粒度,从而能够表达更丰富、更有效的并行分解。在至少一个实施例中,协作启动API支持线程块之间的同步以执行并行算法。在至少一个实施例中,常规编程模型的应用程序提供了用于同步协作线程的单一、简单的构造:跨线程块的所有线程的屏障(例如,syncthreads()函数)。但是,在至少一个实施例中,程序员可以在小于线程块粒度的情形下来定义线程组,并在所定义的组内进行同步,以实现更高的性能、设计灵活性以及以集合组范围功能接口的形式实现软件重用。在至少一个实施例中,协作组使程序员能够以子块(即,小到单个线程)和多块粒度明确定义线程组,并执行集合操作,例如对协作组中的线程进行同步。在至少一个实施例中,该编程模型支持跨软件边界的干净组合,从而库和实用程序功能可以在其本地环境中安全地同步,而不必进行关于收敛的假设。在至少一个实施例中,协作组图元使协作并行的新模式成为可能,包括但不限于生产者-消费者并行,机会主义并行以及整个线程块网格上的全局同步。
在至少一个实施例中,调度单元4506配置为将指令发送到功能单元中的一个或更多个,并且调度器单元4504并包括但不限于两个调度单元4506,该两个调度单元4506使得来自共同线程束的两个不同指令能够在每个时钟周期被调度。在至少一个实施例中,每个调度器单元4504包括单个调度单元4506或附加调度单元4506。
在至少一个实施例中,每个SM 4500在至少一个实施例中包括但不限于寄存器文件4508,该寄存器文件4508为SM 4500的功能单元提供了一组寄存器。在至少一个实施例中,寄存器文件4508在每个功能单元之间划分,从而为每个功能单元分配寄存器文件4508的专用部分。在至少一个实施例中,寄存器文件4508在由SM 4500执行的不同线程束之间划分,并且寄存器文件4508为连接到功能单元的数据路径的操作数提供临时存储。在至少一个实施例中,每个SM 4500包括但不限于多个L个处理核心4510,其中L是正整数。在至少一个实施例中,SM 4500包括但不限于大量(例如128个或更多)不同的处理核心4510。在至少一个实施例中,每个处理核心4510包括但不限于全管线、单精度、双精度和/或混合精度处理单元,其包括但不限于浮点算术逻辑单元和整数算术逻辑单元。在至少一个实施例中,浮点算术逻辑单元实现用于浮点算术的IEEE 754-2008标准。在至少一个实施例中,处理核心4510包括但不限于64个单精度(32位)浮点核心、64个整数核心、32个双精度(64位)浮点核心和8个张量核心。
根据至少一个实施例,张量核心配置为执行矩阵运算。在至少一个实施例中,一个或更多个张量核心包括在处理核心4510中。在至少一个实施例中,张量核心配置为执行深度学习矩阵算术,例如用于神经网络训练和推理的卷积运算。在至少一个实施例中,每个张量核心在4×4矩阵上操作并且执行矩阵乘法和累加运算D=A×B+C,其中A、B、C和D是4×4矩阵。
在至少一个实施例中,矩阵乘法输入A和B是16位浮点矩阵,并且累加矩阵C和D是16位浮点或32位浮点矩阵。在至少一个实施例中,张量核心对16位浮点输入数据进行32位浮点累加运算。在至少一个实施例中,16位浮点乘法使用64个运算,并得到全精度乘积,然后使用32位浮点加法与其他中间乘积累加起来,以进行4x4x4矩阵乘法。在至少一个实施例中,张量核心用于执行由这些较小元件构成的更大的二维或更高维度的矩阵运算。在至少一个实施例中,API(诸如CUDA 9C++API)公开专门的矩阵加载、矩阵乘法和累加以及矩阵存储操作,以有效地使用来自CUDA-C++程序的张量核心。在至少一个实施例中,在CUDA级别,线程束级别接口假定跨越所有32个线程束线程的16×16大小的矩阵。
在至少一个实施例中,每个SM 4500包括但不限于执行特殊功能(例如,属性评估、倒数平方根等)的M个SFU 4512。在至少一个实施例中,SFU 4512包括但不限于配置为遍历分层树数据结构的树遍历单元。在至少一个实施例中,SFU 4512包括但不限于配置为执行纹理映射过滤操作的纹理单元。在至少一个实施例中,纹理单元配置为从存储器中加载纹理映射(例如,纹理像素的2D阵列)和采样纹理映射,以产生采样的纹理值以供由SM 4500执行的着色器程序使用。在至少一个实施例中,将纹理映射存储在共享存储器/L1高速缓存4518中。在至少一个实施例中,根据至少一个实施例,纹理单元使用mip映射(mip-maps)(例如,细节级别不同的纹理映射)来实现纹理操作(诸如过滤操作)。在至少一个实施例中,每个SM 4500包括但不限于两个纹理单元。
在至少一个实施例中,每个SM 4500包括但不限于实现共享存储器/L1高速缓存4518与寄存器文件4508之间的加载和存储操作的N个LSU 4514。在至少一个实施例中,互连网络4516将每个功能单元连接到寄存器文件4508,并且LSU 4514连接到寄存器文件4508和共享存储器/L1高速缓存4518。在至少一个实施例中,互连网络4516是交叉开关,其可以配置为将任何功能单元连接到寄存器文件4508中的任何寄存器,并且将LSU 4514连接到寄存器文件4508和共享存储器/L1高速缓存4518中的存储器位置。
在至少一个实施例中,共享存储器/L1高速缓存4518是片上存储器的阵列,其在至少一个实施例中允许SM 4500与图元引擎之间以及SM 4500中的线程之间的数据存储和通信。在至少一个实施例中,共享存储器/L1高速缓存4518包括但不限于128KB的存储容量,并且位于从SM 4500到分区单元的路径中。在至少一个实施例中,共享存储器/L1高速缓存4518在至少一个实施例中用于高速缓存读取和写入。在至少一个实施例中,共享存储器/L1高速缓存4518、L2高速缓存和存储器中的一个或更多个是后备存储。
在至少一个实施例中,将数据高速缓存和共享存储器功能组合到单个存储器块中,为两种类型的存储器访问提供了改进的性能。在至少一个实施例中,容量由不使用共享存储器的程序使用或将其用作高速缓存,例如如果共享存储器配置为使用一半容量,并且纹理和加载/存储操作可以使用剩余容量。根据至少一个实施例,在共享存储器/L1高速缓存4518内的集成使共享存储器/L1高速缓存4518能够用作用于流传输数据的高吞吐量管线,同时提供对频繁重用的数据的高带宽和低延迟访问。在至少一个实施例中,当配置用于通用并行计算时,与图形处理相比,可以使用更简单的配置。在至少一个实施例中,绕过固定功能图形处理单元,从而创建了更加简单的编程模型。在至少一个实施例中,在通用并行计算配置中,工作分配单元直接将线程的块分配和分布给DPC。在至少一个实施例中,块中的线程执行通用程序,在计算中使用唯一的线程ID以确保每个线程生成唯一的结果,使用SM 4500执行程序并执行计算,使用共享存储器/L1高速缓存4518在线程之间进行通信,以及使用LSU 4514通过共享存储器/L1高速缓存4518和存储器分区单元来读写全局存储器。在至少一个实施例中,当被配置用于通用并行计算时,SM 4500向调度器单元4504写入可以用来在DPC上启动新工作的命令。
在至少一个实施例中,PPU被包括在台式计算机、膝上型计算机、平板电脑、服务器、超级计算机、智能电话(例如,无线、手持设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备等中或与之耦合。在至少一个实施例中,PPU被实现在单个半导体衬底上。在至少一个实施例中,PPU与一个或更多个其他设备(例如附加的PPU、存储器、精简指令集计算机(“RISC”)CPU,一个或更多个存储器管理单元(“MMU”)、数模转换器(“DAC”)等)一起被包括在片上系统(“SoC”)中。
在至少一个实施例中,PPU可以被包括在包括一个或更多个存储设备的图形卡上。在至少一个实施例中,该图形卡可以配置为与台式计算机主板上的PCIe插槽相连接。在至少一个实施例中,该PPU可以是包括在主板的芯片组中的集成图形处理单元(“iGPU”)。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。在至少一个实施例中,深度学习应用程序处理器用于训练机器学习模型(诸如神经网络),以预测或推理提供给SM 4500的信息。在至少一个实施例中,SM 4500用于基于已由另一处理器或系统或由SM 4500训练过的机器学习模型(例如,神经网络)推理或预测信息。在至少一个实施例中,SM 4500可用于执行一个或更多个本文所述的神经网络用例。
在至少一个实施例中,关于图45所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图45所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图45所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
计算平台
公开了实施例,其涉及用于高级计算的虚拟化计算平台,诸如医疗应用程序中的图像推理和图像处理。实施例可可以包括但不限于射线照相、磁共振成像(MRI)、核医学、超声、超声检查、弹性成像、光声成像、断层扫描、超声心动图、功能近红外光谱和磁粒子成像,或其组合。在至少一个实施例中,本文所述的虚拟化计算平台和相关过程可以附加地或替代地用于但不限于法医科学分析、地下探测和成像(例如,石油勘探、考古学、古生物学等)、地形学、海洋学、地质学、骨学、气象学、智能区域或目标追踪和监测、传感器数据处理(如雷达、声呐、激光雷达等)和/或基因组学和基因测序。
参考图46,图46是根据至少一个实施例的用于生成和部署图像处理和推理管线的过程4600的示例数据流图。在至少一个实施例中,过程4600可以被部署用于成像设备、处理设备、基因组学设备、基因测序设备、放射设备和/或一个或更多个设施4602处的其他设备类型,该设施例如医疗设施、医院、医疗机构、诊所、研究或诊断实验室等。在至少一个实施例中,过程4600可以被部署为对测序数据进行基因组分析和推理。可以使用本文所述的系统和过程来执行基因组分析的示例,所述基因组分析的实例包括但不限于识别变体、突变检测和基因表达量化。
在至少一个实施例中,过程4600可以在训练系统4604和/或部署系统4606内执行。在至少一个实施例中,训练系统4604可以用于执行机器学习模型(例如,神经网络、对象检测算法、计算机视觉算法等)的训练、部署和实现,以用于部署系统4606。在至少一个实施例中,部署系统4606可以被配置为在分布式计算环境中卸载处理和计算资源,以减少设施4602的基础设施需求。在至少一个实施例中,部署系统4606可以提供管线平台用于选择、定制和实现虚拟仪器,以在设施4602处与成像设备(如MRI、CT扫描、X射线、超声波等)或测序设备一起使用。在至少一个实施例中,虚拟仪器可以包括用于针对由成像设备、测序设备、放射线设备和/或其他设备类型生成的成像数据执行一个或更多个处理操作的软件定义的应用程序。在至少一个实施例中,管线中的一个或更多个应用程序在应用程序执行期间,可以使用或调用部署系统4606的服务(例如,推理、可视化、计算、AI等)。
在至少一个实施例中,在高级处理和推理管线中使用的一些应用程序可以使用机器学习模型或其他AI来执行一个或更多个处理步骤。在至少一个实施例中,可以使用在设施4602处生成(并存储在设施4602处的一个或更多个图片存档和通信系统(PACS)服务器上)的数据4608(例如成像数据)在设施4602处训练机器学习模型,可以使用来自另一个或更多个设施(例如,不同的医院、实验室、诊所等)的成像或测序数据4608来训练机器学习模型,或其组合。在至少一个实施例中,训练系统4604可以用于提供应用程序、服务和/或其他资源,以生成用于部署系统4606的工作的、可部署的机器学习模型。
在至少一个实施例中,模型注册表4624可以由对象存储支持,该对象存储可以支持版本控制和对象元数据。在至少一个实施例中,可以从云平台内通过例如云存储(例如,图47的云4726)兼容的应用程序编程接口(API)来访问对象存储。在至少一个实施例中,模型注册表4624内的机器学习模型可以由与API交互的系统的开发者或合作伙伴上传、列出、修改或删除。在至少一个实施例中,API可以提供对方法的访问,所述方法允许具有适当凭证的用户将模型与应用程序相关联,使得模型可以作为应用程序的容器化实例化的执行的一部分来执行。
在至少一个实施例中,训练管线4704(图47)可以包括以下情形:其中设施4602正在训练他们自己的机器学习模型,或者具有需要优化或更新的现有机器学习模型。在至少一个实施例中,可以接收由成像设备、测序设备和/或其他类型设备生成的成像数据4608。在至少一个实施例中,一旦接收到成像数据4608,AI辅助注释4610就可以用于帮助生成与成像数据4608相对应的注释,以用作机器学习模型的地面实况数据。在至少一个实施例中,AI辅助注释4610可以包括一个或更多个机器学习模型(例如,卷积神经网络(CNN)),可以对该机器学习模型进行训练,以生成对应于某些类型的成像数据4608(例如,来自某些设备)的注释,和/或成像数据4608中某些类型的异常。在至少一个实施例中,然后AI辅助注释4610可以被直接使用,或者可以使用注释工具(例如,由研究人员、临床医生、医生、科学家等)进行调整或微调,以生成地面实况数据。在至少一个实施例中,在一些示例中,标记的临床数据4612(例如,由临床医生、医生、科学家、技术人员等提供的注释)可以用作训练机器学习模型的地面实况数据。在至少一个实施例中,AI辅助注释4610、标记的临床数据4612或其组合可以用作训练机器学习模型的地面实况数据。在至少一个实施例中,经训练的机器学习模型可以被称为输出模型4616,并且可以由部署系统4606使用,如本文所述。
在至少一个实施例中,训练管线4704(图47)可以包括以下情形:其中设施4602需要机器学习模型,以用于执行用于部署系统4606中的一个或更多个应用程序的一个或更多个处理任务,但是设施4602当前可能没有这种机器学习模型(或者可能没有为此目的而优化的、高效的或有效的模型)。在至少一个实施例中,可以从模型注册表4624中选择现有的机器学习模型。在至少一个实施例中,模型注册表4624可以包括机器学习模型,其被训练为对成像数据执行各种不同的推理任务。在至少一个实施例中,可以在来自不同的设施(例如,位于远处的设施)而不是设施4602的成像数据上训练模型注册表4624中的机器学习模型。在至少一个实施例中,机器学习模型可能已经在来自一个位置、两个位置或任意数量的位置的成像数据上进行训练。在至少一个实施例中,当在来自特定位置的成像数据上进行训练时,可以在该位置处进行训练,或者至少以保护成像数据的机密性或限制成像数据从场外转移的方式进行训练(例如,遵守HIPAA法规、隐私法规等)。在至少一个实施例中,一旦在一个位置处训练了模型或部分地训练了模型,则可以将机器学习模型添加到模型注册表4624。在至少一个实施例中,然后可以在任意数量的其他设施处对机器学习模型进行重新训练或更新,经重新训练或更新的模型可以在模型注册表4624中使用。在至少一个实施例中,然后可以从模型注册表4624中选择机器学习模型(并称为输出模型4616),并且可以在部署系统4606中,以执行用于部署系统的一个或更多个应用程序的一个或更多个处理任务。
在至少一个实施例中,训练管线4704(图47)可用于包括设施4602的场景中,所述设施需要机器学习模型,以用于执行用于部署系统4606中的一个或更多个应用程序的一个或更多个处理任务,但是设施4602当前可能没有这样的机器学习模型(或者可能没有优化的、高效的或有效的模型)。在至少一个实施例中,由于用于训练机器学习模型的训练数据的种群差异、遗传变异、稳健性,训练数据异常的多样性,和/或训练数据的其他问题,从模型注册表4624中选择的机器学习模型可能不会针对在设施4602处生成的成像数据4608进行微调或优化。在至少一个实施例中,AI辅助注释4610可以用于帮助生成与成像数据4608相对应的注释,以用作训练或更新机器学习模型的地面实况数据。在至少一个实施例中,标记的临床数据4612(例如,由临床医生、医生、科学家等提供的注释)可以用作训练机器学习模型的地面实况数据。在至少一个实施例中,重新训练或更新机器学习模型可以称为模型训练4614。在至少一个实施例中,模型训练4614(例如AI辅助注释4610,标记的临床数据4612或其组合)可以用作重新训练或更新机器学习模型的地面实况数据。
在至少一个实施例中,部署系统4606可以包括软件4618、服务4620、硬件4622和/或其他组件、特征和功能。在至少一个实施例中,部署系统4606可以包括软件“栈”,以使软件4618可以构建在服务4620的顶部上,并且可以使用服务4620来执行一些或全部处理任务,并且服务4620和软件4618可以构建在硬件4622的顶部上,并使用硬件4622来执行部署系统4606的处理、存储和/或其他计算任务。
在至少一个实施例中,软件4618可以包括任意数量的不同容器,其中每个容器可以执行应用程序的实例化。在至少一个实施例中,每个应用程序可以在高级处理和推理管线中执行一个或更多个处理任务(例如,推理、对象检测、特征检测、分割、图像增强、校准等)。在至少一个实施例中,对于每种类型的成像设备(例如CT、MRI、X射线、超声、超声检查、超声心动图等)、测序设备、放射学设备、基因组学设备等,可能有任意数量的容器,其可以对由设备生成的成像数据4608(或其他数据类型,例如本文所述的数据类型)执行数据处理任务。在至少一个实施例中,除了接收和配置成像数据以供每个容器使用和/或在通过管线处理后由设施4602使用的容器以外,还可以基于对处理成像数据4608想要的或所需的不同容器的选择来定义高级处理和推理管线(例如,以将输出转换回可用的数据类型,诸如医学数字成像和通信(DICOM)数据、放射信息系统(RIS)数据、临床信息系统(CIS)数据、远程过程调用(RPC)数据、基本上符合表示状态传输(REST)接口的数据、基本上符合基于文件接口的数据、和/或原始数据,以便在设施4602进行存储和显示)。在至少一个实施例中,软件4618内的容器组合(例如,其构成管线)可以被称为虚拟仪器(如本文中更详细地描述的),并且虚拟仪器可以利用服务4620和硬件4622来执行容器中实例化的应用程序的部分或全部处理任务。
在至少一个实施例中,数据处理管线可以响应于推理请求(例如,来自部署系统4606的用户的请求,例如临床医生,医生,放射科医生等)接收DICOM、RIS、CIS、符合REST、RPC、原始、和/或其他格式的输入数据(例如,成像数据4608)。在至少一个实施例中,输入数据可以代表由一个或更多个成像设备、测序设备、放射设备、基因组设备和/或其他设备类型生成的一个或更多个图像、视频和/或其他数据表示。在至少一个实施例中,数据可以作为数据处理管线的一部分进行预处理,以准备数据用于由一个或更多个应用程序处理。在至少一个实施例中,可以在管线的一个或更多个推理任务或其他处理任务的输出上执行后处理,以准备下一个应用程序的输出数据和/或准备输出数据,以供用户传输和/或使用(例如作为对推理请求的响应)。在至少一个实施例中,推理任务可以由一个或更多个机器学习模型执行,例如经训练或部署的神经网络,所述模型可以包括训练系统4604的输出模型4616。
在至少一个实施例中,数据处理管线的任务可以封装在容器中,每个容器表示能够引用机器学习模型的应用程序和虚拟化计算环境的离散、全功能实例化。在至少一个实施例中,容器或应用程序可被发布到容器注册表(本文更详细地描述)的私有(例如,有限访问)区域中,并且经训练或部署的模型可存储在模型注册表4624中,并与一个或更多个应用程序相关联。在至少一个实施例中,应用程序的图像(例如,容器图像)可在容器注册表中使用,并且一旦用户从容器注册表中选择图像以用于在管线中部署,则该图像可用于生成用于应用程序的实例化的容器,以供用户的系统使用。
在至少一个实施例中,开发者(例如,软件开发者、临床医生、医生等)可以开发、发布和存储应用程序(例如,作为容器),用于对所提供的数据执行图像处理和/或推理。在至少一个实施例中,可以使用与系统相关联的软件开发工具包(SDK)来执行开发、发布和/或存储(例如,以确保开发的应用程序和/或容器符合系统或与系统兼容)。在至少一个实施例中,所开发的应用程序可以使用SDK在本地测试(例如,在第一设施处,对来自第一设施的数据进行测试),所述SDK作为系统(例如图47中的系统4700)可以支持至少某些服务4620。在至少一个实施例中,由于DICOM对象可能包含一到数百个图像或其他数据类型,并且由于数据的变化,因此开发者可负责管理(例如,设置构造,用于将预处理构建到应用程序中等)传入的DICOM数据的提取和准备。在至少一个实施例中,一旦通过系统4700的验证(例如,为了准确性、安全性、患者隐私等),应用程序便会在容器注册表中可用,以供用户(例如,医院、诊所、实验室、医疗保健提供者等)选择和/或实现,以对用户的设施(例如第二设施)处的数据执行一个或更多个处理任务。
在至少一个实施例中,开发者随后可以通过网络共享应用程序或容器,以供系统(例如,图47的系统4700)的用户访问和使用。在至少一个实施例中,可以将完成并经过验证的应用程序或容器存储在容器注册表中,并且可以将相关的机器学习模型存储在模型注册表4624中。在至少一个实施例中,请求实体(例如,医疗机构的用户)(其提供推理或图像处理请求)可以浏览容器注册表和/或模型注册表4624,以获得应用程序、容器、数据集、机器学习模型等,选择所需的元素组合以包含在数据处理管线中,并提交图像处理请求。在至少一个实施例中,请求可以包括执行请求所必需的输入数据(以及在一些示例中与患者相关的数据),和/或可以包括对在处理请求时要执行的应用程序和/或机器学习模型的选择。在至少一个实施例中,然后可以将请求传递到部署系统4606的一个或更多个组件(例如,云),以执行数据处理管线的处理。在至少一个实施例中,由部署系统4606进行的处理可以包括引用从容器注册表和/或模型注册表4624中选择的元素(例如,应用程序、容器、模型等)。在至少一个实施例中,一旦通过管线生成结果,结果可返回给用户以供参考(例如,用于在本地、本地工作站或终端上执行的查看应用程序套件中进行查看)。在至少一个实施例中,放射科医生可以从数据处理管线接收结果,所述数据处理管线包括任意数量的应用程序和/或容器,其中结果可以包括X射线、CT扫描、MRI等中的异常检测。
在至少一个实施例中,为了帮助处理或执行管线中的应用程序或容器,可以利用服务4620。在至少一个实施例中,服务4620可以包括计算服务、人工智能(AI)服务、可视化服务和/或其他服务类型。在至少一个实施例中,服务4620可以提供软件4618中的一个或更多个应用程序所共有的功能,因此可以将功能抽象为可以被应用程序调用或利用的服务。在至少一个实施例中,由服务4620提供的功能可以动态且更有效地运行,同时还可以通过允许应用程序并行地处理数据(例如,使用图47中的并行计算平台4730)来很好地缩放。在至少一个实施例中,不是要求共享服务4620提供的相同功能的每个应用程序都必须具有服务4620的相应实例,而是可以在各种应用程序之间和之中共享服务4620。在至少一个实施例中,作为非限制性示例,服务可包括可用于执行检测或分割任务的推理服务器或引擎。在至少一个实施例中,可以包括模型训练服务,其可以提供机器学习模型训练和/或重新训练能力。在至少一个实施例中,可以还包括数据增强服务,其可以提供GPU加速的数据(例如,DICOM、RIS、CIS、符合REST、RPC、原始等)提取、调整大小、缩放和/或其他增强。在至少一个实施例中,可以使用可视化服务,其可以添加图像渲染效果(例如射线追踪、光栅化、降噪、锐化等),以向二维(2D)和/或三维(3D)模型添加真实感。在至少一个实施例中,可以包括虚拟仪器服务,其为虚拟仪器的管线内的其他应用程序提供波束赋形、分割、推理、成像和/或支持。
在至少一个实施例中,在服务4620包括AI服务(例如,推理服务)的情况下,作为应用程序执行的一部分,可以通过调用(例如,作为API调用)推理服务(例如,推理服务器),以执行一个或更多个机器学习模型或其处理,来执行与用于异常检测(例如,肿瘤、生长异常、瘢痕形成等)的应用程序相关联的一个或更多个机器学习模型。在至少一个实施例中,在另一应用程序包括用于分割任务的一个或更多个机器学习模型的情况下,应用程序可以调用推理服务来执行机器学习模型,以用于执行与分割任务相关联的一个或更多个处理操作。在至少一个实施例中,实现高级处理和推理管线的软件4618,其包括分割应用程序和异常检测应用程序,可以被管线化,因为每个应用程序可以调用相同的推理服务来执行一个或更多个推理任务。
在至少一个实施例中,硬件4622可包括GPU、CPU、图形卡、AI/深度学习系统(例如,AI超级计算机,诸如NVIDIA的DGX超级计算机系统)、云平台或其组合。在至少一个实施例中,可以使用不同类型的硬件4622,以为部署系统4606中的软件4618和服务4620提供高效的、专门构建的支持。在至少一个实施例中,可以实现使用GPU处理来在AI/深度学习系统内、云系统中、和/或部署系统4606的其他处理组件中进行本地处理(例如,在设施4602处),以提高图像处理、图像重建、分割、MRI检查、中风或心脏病发作检测(例如实时地)、渲染的图像质量等的效率、准确性和效能。在至少一个实施例中,设施可包括成像设备、基因组设备、测序设备,和/或本地的其他设备类型,其可以利用GPU生成代表受试者解剖结构的成像数据。
在至少一个实施例中,作为非限制性示例,关于深度学习、机器学习和/或高性能计算,可以针对GPU处理优化软件4618和/或服务4620。在至少一个实施例中,部署系统4606和/或训练系统4604的计算环境中的至少一些可以在具有GPU优化的软件(例如,NVIDIADGX系统的硬件和软件组合)的数据中心、一个或更多个超级计算机或高性能计算机系统中执行。在至少一个实施例中,数据中心可以符合HIPAA的规定,使得关于患者数据的隐私性安全地处理成像数据和/或其他患者数据的接收、处理和传输。在至少一个实施例中,如本文所述,硬件4622可包括任意数量的GPU,所述GPU可被调用以并行执行数据处理。在至少一个实施例中,云平台还可包括用于深度学习任务的GPU优化执行、机器学习任务或其他计算任务的GPU处理。在至少一个实施例中,可以使用AI/深度学习超级计算机和/或GPU优化的软件(例如,如在NVIDIA的DGX系统上提供的)作为硬件抽象和缩放平台,来执行云平台(例如,NVIDIA的NGC)。在至少一个实施例中,云平台可以在多个GPU上集成应用程序容器集群系统或协调系统(例如,KUBERNETES),以实现无缝缩放和负载均衡。
在至少一个实施例中,关于图46所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图46所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图46所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图47是根据至少一个实施例的用于生成和部署成像部署管线的示例系统4700的系统图。在至少一个实施例中,系统4700可以用于实现图46的过程4600和/或其他过程,包括高级处理和推理管线。在至少一个实施例中,系统4700可以包括训练系统4604和部署系统4606。在至少一个实施例中,可以使用软件4618、服务4620和/或硬件4622,来实现训练系统4604和部署系统4606,如本文所述。
在至少一个实施例中,系统4700(例如,训练系统4604和/或部署系统4606)可以在云计算环境中(例如,使用云4726)实现。在至少一个实施例中,系统4700可以在本地实现(关于医疗服务设施),或者作为云计算资源和本地计算资源的组合来实现。在至少一个实施例中,在实现云计算的实施例中,患者数据可以与系统4700的一个或更多个组件分离,或者未由系统4700的一个或更多个组件处理,这将导致处理不符合HIPAA和/或其他数据处理和隐私法规或法律。在至少一个实施例中,可以通过制定安全措施或协议,将对云4726中的API的访问权限限制为授权用户。在至少一个实施例中,安全协议可以包括网络令牌,其可以由认证(例如,AuthN、AuthZ、Gluecon等)服务签名,并且可以携带适当的授权。在至少一个实施例中,虚拟仪器的API(本文中描述)或系统4700的其他实例可以被限制为已被审核或授权用于交互的一组公共IP。
在至少一个实施例中,系统4700的各个组件可以使用多种不同网络类型中的任何一种在彼此之间进行通信,所述不同网络类型包括但不限于经由有线和/或无线通信协议的局域网(LAN)和/或广域网(WAN)。在至少一个实施例中,系统4700的设施和组件之间的通信(例如,用于发送推理请求、用于接收推理请求的结果等)可以通过一个或更多个数据总线、无线数据协议(Wi-Fi)、有线数据协议(例如以太网)等进行传送。
在至少一个实施例中,类似于本文关于图46所描述的,训练系统4604可以执行训练管线4704。在至少一个实施例中,其中部署系统4606将在部署管线4710中使用一个或更多个机器学习模型,训练管线4704可用于训练或重新训练一个或更多个(例如,预训练的)模型,和/或实现一个或更多个预训练模型4706(例如,无需重新训练或更新)。在至少一个实施例中,作为训练管线4704的结果,可以生成输出模型4616。在至少一个实施例中,训练管线4704可以包括任意数量的处理步骤,诸如但不限于成像数据(或其他输入数据)的转换或适配(例如,使用DICOM适配器4702A将DICOM图像转换为适合于由各自的机器学习模型处理的另一种格式,例如Neuroimaging信息技术倡议(NIfTI)格式)、AI辅助注释4610、成像数据4608的标记或注释(用于生成标记的临床数据4612)、从模型注册表中选择模型、模型训练4614、训练、重新训练或更新模型,和/或其他处理步骤。在至少一个实施例中,对于由部署系统4606使用的不同的机器学习模型,可以使用不同的训练管线4704。在至少一个实施例中,类似于关于图46描述的第一示例的训练管线4704可用于第一机器学习模型,类似于关于图46描述的第二示例的训练管线4704可用于第二机器学习模型,类似于关于图46描述的第三示例的训练管线4704可用于第三机器学习模型。在至少一个实施例中,可以根据每个相应机器学习模型的要求来使用训练系统4604内任务的任何组合。在至少一个实施例中,一个或更多个机器学习模型可能已经被训练并准备好用于部署,因此训练系统4604可能不会对机器学习模型进行任何处理,并且一个或更多个机器学习模型可以由部署系统4606来实现。
在至少一个实施例中,根据实现或实施例,输出模型4616和/或预训练模型4706可包括任何类型的机器学习模型。在至少一个实施例中并且不限于此,系统4700使用的机器学习模型可以包括使用线性回归、逻辑回归、决策树、支持向量机(SVM)、朴素贝叶斯、k-最近邻(Knn)、k均值聚类、随机森林、降维算法、梯度提升算法、神经网络(例如,自动编码器、卷积、递归、感知器、长/短期记忆(LSTM)、Hopfield、Boltzmann、深层信念、反卷积、生成对抗、液体状态机等),和/或其他类型的机器学习模型。
在至少一个实施例中,训练管线4704可以包括AI辅助注释,如本文关于至少图50B更详细描述的。在至少一个实施例中,可以通过任何数量的技术来生成标记的临床数据4612(例如,传统注释)。在至少一个实施例中,在一些示例中可以在绘图程序(例如,注释程序)、计算机辅助设计(CAD)程序、标记程序、适用于生成地面实况的注释或标签的另一类型的应用程序中、和/或可以手绘,生成标签或其他注释。在至少一个实施例中,地面实况数据可以被合成产生(例如,从计算机模型或渲染生成)、真实产生(例如,从真实世界数据设计和生成)、机器自动产生(例如,使用特征分析和学习从数据中提取特征,然后生成标签)、人工注释(例如,标记器或注释专家,定义标签的位置)和/或其组合。在至少一个实施例中,对于成像数据4608(或机器学习模型使用的其他数据类型)的每个实例,可以存在由训练系统4604生成的相应的地面实况数据。在至少一个实施例中,可以作为部署管线4710的一部分执行AI辅助注释;补充或代替训练管线4704中包括的AI辅助注释。在至少一个实施例中,系统4700可以包括多层平台,所述多层平台可以包括诊断应用程序(或其他应用程序类型)的软件层(例如软件4618),其可以执行一个或更多个医学成像和诊断功能。在至少一个实施例中,系统4700可以通信地耦合到(例如,经由加密链路)一个或更多个设施的PACS服务器网络。在至少一个实施例中,系统4700可被配置为从PACS服务器(例如,经由DICOM适配器4702或诸如RIS、CIS、符合REST、RPC、原始等的另一数据类型适配器)访问和引用数据(例如,DICOM数据、RIS数据、原始数据、CIS数据、符合REST的数据、RPC、原始数据等),以执行操作,例如训练机器学习模型、部署机器学习模型、图像处理、推理和/或其他操作。
在至少一个实施例中,软件层可以被实现为安全的、加密的和/或经认证的API,通过所述API可以从外部环境(例如,设施4602)援引(invoke)(例如,调用(call))应用程序或容器。在至少一个实施例中,应用程序随后可以调用或执行一个或更多个服务4620,以执行与各自的应用程序相关联的计算、AI或可视化任务,并且软件4618和/或服务4620可以利用硬件4622以有效和高效的方式执行处理任务。
在至少一个实施例中,部署系统4606可以执行部署管线4710。在至少一个实施例中,部署管线4710可以包括任意数量的应用程序,所述应用程序可以是顺序的、非顺序的,或者以其他方式应用于成像数据(和/或其他数据类型)-包括AI辅助注释,所述成像数据由成像设备、测序设备、基因组学设备等生成,如上所述。在至少一个实施例中,如本文所述,用于个体设备的部署管线4710可以被称为用于设备的虚拟仪器(例如,虚拟超声仪器、虚拟CT扫描仪器、虚拟测序仪器等)。在至少一个实施例中,对于单个设备,可以存在不止一个部署管线4710,这取决于从设备生成的数据所期望的信息。在至少一个实施例中,在期望从MRI机器检测到异常的情况下,可以存在第一部署管线4710,并且在期望从MRI机器的输出进行图像增强的情况下,可以存在第二部署管线4710。
在至少一个实施例中,可用于部署管线4710的应用程序可包括可用于对成像数据或来自设备的其他数据执行处理任务的任何应用程序。在至少一个实施例中,不同的应用程序可负责图像增强、分割、重建、异常检测、对象检测、特征检测、治疗规划、剂量测定、波束规划(或其他辐射治疗程序)和/或其他分析、图像处理或推理任务。在至少一个实施例中,部署系统4606可以为每个应用程序定义构造,使得部署系统4606(例如,医疗设施、实验室、诊所等)的用户可以理解构造并将应用程序适配为在其各自的设施内实现。在至少一个实施例中,可以选择用于图像重建的应用程序,以包括在部署管线4710中,但是由成像设备生成的数据类型可以与在应用程序内使用的数据类型不同。在至少一个实施例中,可以在部署管线4710内使用DICOM适配器4702B(和/或DICOM读取器)或另一数据类型的适配器或读取器(例如,RIS、CIS、符合REST、RPC、原始等),以将数据转换为可由部署系统4606内的应用程序使用。在至少一个实施例中,对DICOM、RIS、CIS、符合REST、RPC、原始和/或其他数据类型库的访问可以被累积和预处理,包括解码、提取和/或对数据执行任何卷积、颜色校正、锐化、gamma和/或其他增强。在至少一个实施例中,DICOM、RIS、CIS、符合REST、RPC和/或原始数据可以是无序的,并且可以执行预传递以组织数据或对收集的数据排序。在至少一个实施例中,由于各种应用程序可以共享公共图像操作,因此在一些实施例中,可以使用数据增强库(例如,作为服务4620之一)来加速这些操作。在至少一个实施例中,为了避免依赖于CPU处理的传统处理方法的瓶颈,并行计算平台4730可用于这些处理任务的GPU加速。
在至少一个实施例中,图像重建应用程序可包括处理任务,该处理任务包括使用机器学习模型。在至少一个实施例中,用户可能希望使用他们自己的机器学习模型,或者从模型注册表4624中选择机器学习模型。在至少一个实施例中,用户可以实现他们自己的机器学习模型或选择机器学习模型,以包含在执行处理任务的应用程序中。在至少一个实施例中,应用程序可以是可选择的和可定制的,并且通过定义应用程序的构造,针对特定用户的应用程序的部署和实现被呈现为更加无缝的用户体验。在至少一个实施例中,通过利用系统4700的其他特征(例如服务4620和硬件4622),部署管线4710可以更加用户友好,提供更容易的集成,并且产生更准确、高效和及时的结果。
在至少一个实施例中,部署系统4606可以包括用户接口4714(例如,图形用户接口、Web接口等),所述用户接口可以被用于选择要包括在部署管线4710中的应用程序、布置应用程序、修改或改变应用程序或其参数或构造、在设置和/或部署期间使用部署管线4710以及与其交互,和/或以其他方式与部署系统4606交互。在至少一个实施例中,尽管没有关于训练系统4604示出,但是用户接口4714(或不同的用户接口)可用于选择在部署系统4606中使用的模型、用于选择用于在训练系统4604中训练或重新训练的模型,和/或用于以其他方式与训练系统4604交互。
在至少一个实施例中,除了应用程序协调系统4728之外,还可以使用管线管理器4712来管理部署管线4710的应用程序或容器与服务4620和/或硬件4622之间的交互。在至少一个实施例中,管线管理器4712可以被配置为促进从应用程序到应用程序、从应用程序到服务4620,和/或从应用程序或服务到硬件4622的交互。在至少一个实施例中,尽管示出为包括在软件4618中,这并不旨在进行限制,并且在一些示例中(例如,如图48所示),管线管理器4712可以被包括在服务4620中。在至少一个实施例中,应用程序协调系统4728(例如,Kubernetes、DOCKER等)可以包括容器协调系统,其可以将应用程序分组到容器中,作为用于协调、管理、缩放和部署的逻辑单元。在至少一个实施例中,通过将来自部署管线4710的应用程序(例如,重建应用程序、分割应用程序等)与各个容器相关联,每个应用程序可以在自包含的环境(例如,在内核级)中执行,以提高速度和效率。
在至少一个实施例中,每个应用程序和/或容器(或其映像)可以被单独开发、修改和部署(例如,第一用户或开发者可以开发、修改和部署第一应用程序,第二用户或开发者可以开发、修改和部署与第一用户或开发者分开的第二应用程序),这可以允许专注并关注单个应用程序和/或容器的任务,而不受另一个应用程序或容器的任务的阻碍。在至少一个实施例中,管线管理器4712和应用程序协调系统4728可以辅助不同容器或应用程序之间的通信和协作。在至少一个实施例中,只要每个容器或应用程序的预期输入和/或输出是系统已知的(例如,基于应用程序或容器的构造),则应用程序协调系统4728和/或管线管理器4712可以促进每个应用程序或容器之间和之中的通信以及资源的共享。在至少一个实施例中,由于部署管线4710中的一个或更多个应用程序或容器可以共享相同的服务和资源,因此应用程序协调系统4728可以在各个应用程序或容器之间和之中进行协调、负载均衡,并确定服务或资源的共享。在至少一个实施例中,调度器可用于追踪应用程序或容器的资源需求、这些资源的当前使用或计划使用,以及资源可用性。因此,在至少一个实施例中,考虑到系统的需求和可用性,调度器可以将资源分配给不同的应用程序,并在应用程序之间和之中分配资源。在一些示例中,调度器(和/或应用程序协调系统4728的其他组件)可以基于施加在系统上的约束(例如,用户约束)来确定资源可用性和分布,例如服务质量(QoS)、对数据输出的迫切需求(例如,以确定是执行实时处理还是延迟处理)等。
在至少一个实施例中,由部署系统4606中的应用程序或容器利用并由其共享的服务4620,可以包括计算服务4716、AI服务4718、可视化服务4720和/或其他服务类型。在至少一个实施例中,应用程序可以调用(例如,执行)一个或更多个服务4620,以执行针对应用程序的处理操作。在至少一个实施例中,应用程序可以利用计算服务4716来执行超级计算或其他高性能计算(HPC)任务。在至少一个实施例中,可以利用一个或更多个计算服务4716来执行并行处理(例如,使用并行计算平台4730),以通过一个或更多个应用程序和/或单个应用程序的一个或更多个任务基本上同时地处理数据。在至少一个实施例中,并行计算平台4730(例如,NVIDIA的CUDA)可以在GPU(GPGPU)(例如,GPU 4722)上实现通用计算。在至少一个实施例中,并行计算平台4730的软件层可以提供对GPU的虚拟指令集和并行计算元素的访问,以执行计算内核。在至少一个实施例中,并行计算平台4730可以包括存储器,并且在一些实施例中,可以在多个容器之间和之中,和/或在单个容器内的不同处理任务之间和之中共享存储器。在至少一个实施例中,可以为多个容器和/或容器内的多个进程生成进程间通信(IPC)调用,以使用来自并行计算平台4730的共享存储器段的相同数据(例如,其中一应用程序或更多个应用程序的多个不同阶段正在处理相同的信息)。在至少一个实施例中,不是复制数据并将数据移动到存储器中的不同位置(例如,读/写操作),而是可以将存储器相同位置中的相同数据用于任何数量的处理任务(例如,在同一时间、不同时间等)。在至少一个实施例中,由于作为处理的结果数据被用于生成新数据,因此数据的新位置的该信息可以在各个应用程序之间存储和共享。在至少一个实施例中,数据的位置以及经更新或修改的数据的位置可以是如何理解容器中的有效负载的定义的一部分。
在至少一个实施例中,可以利用AI服务4718来执行推理服务,该推理服务用于执行与应用程序相关联的机器学习模型(例如,任务为执行应用程序的一个或更多个处理任务)。在至少一个实施例中,AI服务4718可以利用AI系统4724来执行机器学习模型(例如,诸如CNN之类的神经网络)以用于分割、重建、对象检测、特征检测、分类和/或其他推理任务。在至少一个实施例中,部署管线4710的应用程序可以使用来自训练系统4604的一个或更多个输出模型4616和/或应用程序的其他模型,来对成像数据(例如,DICOM数据、RIS数据、CIS数据、符合REST的数据、RPC数据、原始数据等)执行推理。在至少一个实施例中,使用应用程序协调系统4728(例如,调度器)进行推理的两个或更多个示例可以是可用的。在至少一个实施例中,第一类别可以包括高优先级/低延时路径,其可以实现更高服务水平协议,例如用于在紧急情况下对紧急请求执行推理,或者在诊断过程中用于放射科医生。在至少一个实施例中,第二类别可以包括标准优先级路径,其可用于可能不紧急的请求或者可以在稍后的时间执行分析的情况。在至少一个实施例中,应用程序协调系统4728可以基于优先级路径来分配资源(例如,服务4620和/或硬件4622),以用于AI服务4718的不同推理任务。
在至少一个实施例中,共享存储器可以被安装到系统4700中的AI服务4718。在至少一个实施例中,共享存储器可以操作为高速缓存(或其他存储设备类型),并且可以用于处理来自应用程序的推理请求。在至少一个实施例中,当提交推理请求时,部署系统4606的一组API实例可以接收请求,并且可以选择一个或更多个实例(例如,为了最佳拟合、为了负载均衡等)来处理请求。在至少一个实施例中,为了处理请求,可以将请求输入到数据库中,如果尚未在高速缓存中,则可以从模型注册表4624定位机器学习模型,验证步骤可以确保将适当的机器学习模型加载到高速缓存中(例如,共享存储),和/或可以将模型的副本保存到高速缓存中。在至少一个实施例中,如果应用程序尚未运行或没有足够的应用程序的实例,则可使用调度器(例如,管线管理器4712的调度器)来启动在请求中引用的应用程序。在至少一个实施例中,如果尚未启动推理服务器来执行模型,则可以启动推理服务器。在至少一个实施例中,每个模型可以启动任意数量的推理服务器。在至少一个实施例中,在将推理服务器聚类的拉(pull)模型中,每当负载均衡有利时,就可以将模型高速缓存。在至少一个实施例中,推理服务器可以静态加载到相应的分布式服务器中。
在至少一个实施例中,可以使用在容器中运行的推理服务器来执行推理。在至少一个实施例中,推理服务器的实例可以与模型(并且可选地与模型的多个版本)相关联。在至少一个实施例中,如果在接收到对模型执行推理的请求时推理服务器的实例不存在,则可以加载新实例。在至少一个实施例中,当启动推理服务器时,可以将模型传递到推理服务器,使得可以使用相同的容器来服务不同的模型,只要推理服务器作为不同的实例运行即可。
在至少一个实施例中,在应用程序执行期间,可以接收对给定应用程序的推理请求,并且可以加载(如果尚未加载的话)容器(例如,托管推理服务器的实例),以及可以调用启动程序。在至少一个实施例中,容器中的预处理逻辑可以(例如,使用CPU和/或GPU)对传入的数据进行加载、解码和/或执行任何附加的预处理。在至少一个实施例中,一旦数据准备好进行推理,容器就可以根据需要对数据进行推理。在至少一个实施例中,这可以包括对一个图像(例如,手部X射线)的单个推理调用,或可要求对数百个图像(例如,胸部CT)进行推理。在至少一个实施例中,应用程序可在完成之前总结结果,其可以包括但不限于单个置信度得分、像素级分割、体素级分割、生成可视化或生成文本以总结结果。在至少一个实施例中,可以为不同的模型或应用程序分配不同的优先级。例如,一些模型可具有实时(TAT小于1分钟)优先级,而其他模型可具有较低的优先级(例如,TAT小于10分钟)。在至少一个实施例中,模型执行时间可以从请求机构或实体进行测量,并且可以包括合作网络遍历时间以及推理服务的执行时间。
在至少一个实施例中,请求在服务4620和推理应用程序之间的传送可以隐藏在软件开发工具包(SDK)后面,并且可以通过队列提供鲁棒的传输。在至少一个实施例中,将通过API将请求放置在队列中,以用于个体应用程序/租户ID组合,并且SDK将从队列中拉取请求并将请求提供给应用程序。在至少一个实施例中,在SDK将从中拾取队列的环境中,可以提供队列的名称。在至少一个实施例中,通过队列的异步通信可能有用,因为它可以允许应用程序的任何实例在其可用时拾取工作。在至少一个实施例中,可以通过队列将结果传送回去,以确保没有数据丢失。在至少一个实施例中,队列还可以提供对工作进行分割的能力,因为最高优先级的工作可以进入与应用程序的大多数实例连接的队列,而最低优先级的工作可以进入与单个实例连接的队列,所述实例按照接收到的顺序处理任务。在至少一个实施例中,应用程序可以在GPU加速的实例上运行,所述实例在云4726中生成,并且推理服务可以在GPU上执行推理。
在至少一个实施例中,可以利用可视化服务4720来生成用于查看应用程序和/或部署管线4710输出的可视化。在至少一个实施例中,可视化服务4720可以利用GPU 4722来生成可视化。在至少一个实施例中,可视化服务4720可以实现诸如射线追踪之类的渲染效果,以生成更高质量的可视化。在至少一个实施例中,可视化可以包括但不限于2D图像渲染、3D体渲染、3D体重建、2D层析切片、虚拟现实显示、增强现实显示等。在至少一个实施例中,可以使用虚拟化环境来生成虚拟交互显示或环境(例如,虚拟环境),以供系统用户(例如,医生、护士、放射科医生等)进行交互。在至少一个实施例中,可视化服务4720可以包括内部可视化器、电影和/或其他渲染或图像处理能力或功能(例如,射线追踪、光栅化、内部光学器件等)。
在至少一个实施例中,硬件4622可以包括GPU 4722、AI系统4724、云4726和/或用于执行训练系统4604和/或部署系统4606的任何其他硬件。在至少一个实施例中,GPU 4722(例如,NVIDIA的TESLA和/或QUADRO GPU)可包括可用于执行计算服务4716、AI服务4718、可视化服务4720、其他服务和/或软件4618的任何特征或功能的处理任务的任意数量的GPU。例如,对于AI服务4718,GPU 4722可用于对成像数据(或机器学习模型使用的其他数据类型)执行预处理,对机器学习模型的输出执行后处理和/或执行推理(例如以执行机器学习模型)。在至少一个实施例中,云4726、AI系统4724和/或系统4700的其他组件可以使用GPU4722。在至少一个实施例中,云4726可以包括用于深度学习任务的GPU优化的平台。在至少一个实施例中,AI系统4724可以使用GPU,并且可以使用一个或更多个AI系统4724来执行云4726(或者任务为深度学习或推理的至少部分)。同样,尽管硬件4622被示出为离散组件,但这并不意图是限制,并且硬件4622的任何组件可以与硬件4622的任何其他组件组合,或由硬件4622的任何其他组件利用。
在至少一个实施例中,AI系统4724可包括专门构建的计算系统(例如,超级计算机或HPC),该计算系统配置用于推理、深度学习、机器学习和/或其他人工智能任务。在至少一个实施例中,除了CPU、RAM、存储器和/或其他组件、特征或功能之外,AI系统4724(例如,NVIDIA的DGX)还可以包括可以使用多个GPU 4722来执行分GPU优化的软件(例如,软件栈)。在至少一个实施例中,可以在云4726中(例如,在数据中心中)实现一个或更多个AI系统4724,以执行系统4700的一些或全部基于AI的处理任务。
在至少一个实施例中,云4726可以包括GPU加速的基础设施(例如,NVIDIA的NGC),其可以提供用于执行系统4700的处理任务的GPU优化的平台。在至少一个实施例中,云4726可以包括AI系统4724,其用于执行系统4700的一个或更多个基于AI的任务(例如,作为硬件抽象和缩放平台)。在至少一个实施例中,云4726可以与利用多个GPU的应用程序协调系统4728集成,以实现应用程序和服务4620之间和之中的无缝缩放和负载均衡。在至少一个实施例中,如本文所述,云4726可以负责执行系统4700的至少一些服务4620,包括计算服务4716、AI服务4718和/或可视化服务4720。在至少一个实施例中,云4726可以执行大小批的推理(例如,执行NVIDIA的TENSOR RT),提供加速的并行计算API和平台4730(例如,NVIDIA的CUDA),执行应用程序协调系统4728(例如,KUBERNETES),提供图形渲染API和平台(例如,用于射线追踪,2D图形、3D图形和/或其他渲染技术以产生更高质量的电影效果),和/或可以为系统4700提供其他功能。
在至少一个实施例中,为了保护患者的机密性(例如,在非现场使用患者数据或记录的情况下),云4726可以包括注册表-例如深度学习容器注册表。在至少一个实施例中,注册表可以存储用于实例化应用程序的容器,所述应用程序可以对患者数据执行预处理、后处理或其他处理任务。在至少一个实施例中,云4726可接收数据,所述数据包括患者数据以及容器中传感器数据,仅对那些容器中的传感器数据执行所请求的处理,然后将结果输出和/或可视化转发给适当的各方和/或设备(例如用于可视化或诊断的本地医疗设备),而无需提取、存储或以其他方式访问患者数据。在至少一个实施例中,根据HIPAA和/或其他数据规定来保留患者数据的机密性。
在至少一个实施例中,关于图47所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图47所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图47所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图48包括根据至少一个实施例的用于处理成像数据的部署管线4710A的示例说明。在至少一个实施例中,系统4700——特别是部署系统4606(参见图46)——,可以用于将部署管线4710A定制、更新和/或集成到一个或更多个生产环境中。在至少一个实施例中,图48的部署管线4710A包括部署管线4710A的非限制性示例,其可以由设施(例如,在医院、诊所、实验室、研究环境等)处的特定用户(或用户团队)自定义。在至少一个实施例中,为了定义用于CT扫描仪4802的部署管线4710A,用户可以例如从容器注册表中选择一个或更多个应用程序,所述应用程序执行关于由CT扫描仪4802生成的成像数据的特定功能或任务。在至少一个实施例中,应用程序可以作为容器而应用到部署管线4710A,所述容器可以利用系统4700的服务4620和/或硬件4622。此外,部署管线4710A可以包括附加处理任务或应用程序,所述附加处理任务或应用程序可以被实现以准备供应用程序使用的数据(例如DICOM适配器4702B和DICOM读取器4806可在部署管线4710A中使用,以准备供CT重建4808、器官分割4810等使用的数据)。在至少一个实施例中,可以定制或选择部署管线4710A,以用于一致的部署、一次使用,或另一频率或间隔使用。在至少一个实施例中,用户可能希望在特定间隔内具有针对几个受试者的CT重建4808和器官分割4810,并且因此可以在该时间段内部署管线4710A。在至少一个实施例中,用户可以针对来自系统4700的每个请求选择用户想要针对该请求对该数据执行处理的应用程序。在至少一个实施例中,可以以任何间隔来调整部署管线4710A,并且由于系统4700内的容器结构的适应性和可缩放性,这可以是无缝的过程。
在至少一个实施例中,图48的部署管线4710A可以包括生成患者或受试者的成像数据的CT扫描仪4802。在至少一个实施例中,来自CT扫描仪4802的成像数据可以存储在与容纳CT扫描仪4802的设施相关联的PACS服务器4804上。在至少一个实施例中,PACS服务器4804可以包括软件和/或硬件组件,所述软件和/或硬件组件可以与设施处的成像模态(例如,CT扫描仪4802)直接接口。在至少一个实施例中,DICOM适配器4702B可以允许使用DICOM协议发送和接收DICOM对象。在至少一个实施例中,DICOM适配器4702B可以帮助准备或配置来自PACS服务器4804的DICOM数据,以供部署管线4710A使用。在至少一个实施例中,一旦通过DICOM适配器4702B处理了DICOM数据,管线管理器4712就可以将数据路由到部署管线4710A。在至少一个实施例中,DICOM读取器4806可以从DICOM数据(例如,原始正弦图数据,如可视化4816A中所示)提取图像文件和任何相关联的元数据。在至少一个实施例中,所提取的工作文件可以被存储在高速缓存中,以被部署管线4710A中的其他应用程序更快地处理。在至少一个实施例中,一旦DICOM读取器4806完成了提取和/或存储数据,就可以将完成信号传送到管线管理器4712。在至少一个实施例中,管线管理器4712随后可以发起或调用部署管线4710A中的一个或更多个其他应用程序或容器。
在至少一个实施例中,一旦数据(例如,原始正弦图数据)可用于由CT重建4808应用程序处理,就可以执行CT重建4808应用程序和/或容器。在至少一个实施例中,CT重建4808可以从高速缓存中读取原始正弦图数据,从原始正弦图数据中重建图像文件(例如,如可视化4816B所示),并且将所得图像文件存储在高速缓存中。在至少一个实施例中,在重建完成时,可以向管线管理器4712发送重建任务完成的信号。在至少一个实施例中,一旦重建完成,并且重建的图像文件可以被存储在高速缓存(或其他存储设备)中,则器官分割4810应用程序和/或容器可以由管线管理器4712触发。在至少一个实施例中,器官分割4810应用程序和/或容器可以从高速缓存中读取图像文件,将图像文件归一化或转换为适合推理的格式(例如,将图像文件转换为机器学习模型的输入分辨率),并对归一化的图像运行推理。在至少一个实施例中,为了对归一化的图像运行推理,器官分割4810应用程序和/或容器可以依赖服务4620,管线管理器4712和/或应用程序协调系统4728可以通过器官分割4810应用程序和/或容器来促进服务4620的使用。在至少一个实施例中,例如,器官分割4810应用程序和/或容器可以利用AI服务4718对归一化的图像执行推理,并且AI服务4718可以利用硬件4622(例如AI系统4724)来执行AI服务4718。在至少一个实施例中,推理结果可以是掩模文件(例如,如可视化4816C所示),所述掩模文件可以存储在高速缓存(或其他存储设备)中。
在至少一个实施例中,一旦处理DICOM数据和/或从DICOM数据提取的数据的应用程序已经完成处理,就可以为管线管理器4712生成信号。在至少一个实施例中,管线管理器4712随后可执行DICOM写入器4812,以从高速缓存(或其他存储设备)读取结果,将结果打包成DICOM格式(例如,作为DICOM输出4814),以供设施处生成请求的用户使用。在至少一个实施例中,DICOM输出4814随后可以被发送到DICOM适配器4702B,以准备DICOM输出4814,以存储在PACS服务器4804上(例如,以供设施处的DICOM查看器查看)。在至少一个实施例中,响应于对重建和分割的请求,可视化4816B和4816C可被生成并可供用户用于诊断、研究和/或其他目的。
尽管在部署管线4710A中图示为连续应用程序,但在至少一个实施例中,可以并行处理CT重建4808和器官分割4810应用程序。在至少一个实施例中,其中应用程序彼此不具有依赖性,并且数据可用于每个应用程序(例如,在DICOM读取器4806提取数据之后),应用程序可在同一时间、基本上在同一时间或有一些重叠地执行。在至少一个实施例中,在两个或更多个应用程序需要类似服务4620的情况下,系统4700的调度器可用于负载均衡以及在各个应用程序之间和之中分配计算或处理资源。在至少一个实施例中,在一些实施例中,并行计算平台4730可用于对应用程序执行并行处理,以减少部署管线4710A的运行时间以提供实时结果。
在至少一个实施例中并参考图49A-49B,部署系统4606可以实现为一个或更多个虚拟仪器,以使用成像设备(例如,CT扫描仪、X射线机、MRI机等)、测序设备、基因组学设备和/或其他设备类型来执行不同的功能,例如图像处理、分割、增强、AI、可视化和推理。在至少一个实施例中,系统4700可以允许创建和提供虚拟仪器,所述虚拟仪器可以包括软件定义的部署管线4710,该软件定义的部署管线4710可以接收由设备生成的原始/未经处理的输入数据并输出经处理/重建的数据。在至少一个实施例中,表示虚拟仪器的部署管线4710(例如4710A和4710B)可以在管线中实现智能(诸如通过利用机器学习模型),以向系统提供容器化的推理支持。在至少一个实施例中,虚拟仪器可以执行任何数量的容器,每个容器包括应用程序的实例。在至少一个实施例中,例如在想要实时处理的情况下,表示虚拟仪器的部署管线4710可以是静态的(例如,可以设置容器和/或应用程序),而在其他示例中,可以从应用程序或资源池中(例如,在容器注册表中)选择用于虚拟仪器的容器和/或应用程序(例如,基于每个请求)。
在至少一个实施例中,系统4700可以作为一个或更多个虚拟仪器在设施处的例如计算系统中被本地实例化或执行,该计算机系统部署在放射机器、成像设备和/或设施处的另一设备类型旁边或与之通信。然而,在至少一个实施例中,可以在设备本身的计算系统(例如,与成像设备集成在一起的计算系统)中,在本地数据中心(例如,本地部署的数据中心)中和/或云环境中(例如,在云4726中)实例化或执行本地安装。在至少一个实施例中,在一些示例中,可以由超级计算机或其他HPC系统实例化作为虚拟仪器操作的部署系统4606。在至少一个实施例中,本地安装可以允许用于实时处理的高带宽用途(例如,通过更高吞吐量的本地通信接口,例如以太网上的RF)。在至少一个实施例中,在虚拟仪器支持超声设备或其他成像模态的情况下,实时或近实时处理可能特别有用,在该超声设备或其他成像模态中,期望或需要即时可视化以进行准确的诊断和分析。在至少一个实施例中,当本地需求超过本地容量或能力时,云计算架构可能够动态地突发到云计算服务提供商或其他计算集群。在至少一个实施例中,如在本文中关于训练系统4604所描述的,云架构在被实现时可被调整用于训练神经网络或其他机器学习模型。在至少一个实施例中,在训练管线就位的情况下,机器学习模型可以在处理来自其支持的设备的附加数据时被不断地学习和改进。在至少一个实施例中,可以使用附加数据、新数据、现有机器学习模型和/或新的或更新的机器学习模型来持续改进虚拟仪器。
在至少一个实施例中,计算系统可以包括本文所述的硬件4622中的部分或全部,并且硬件4622可以以多种方式中的任一种来分布,包括:在设备内,作为耦合到设备并位于其附近的计算设备的一部分,在设施处的本地数据中心中和/或在云4726中。在至少一个实施例中,由于部署系统4606和相关联的应用程序或容器是在软件中创建的(例如,作为应用程序的离散容器化实例化),因此可以根据需要修改或定制虚拟仪器的行为、操作和配置以及由虚拟仪器生成的输出,无需更改或改变虚拟仪器支持的设备的原始输出。
在至少一个实施例中,关于图48所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图48所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图48所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图49A包括根据至少一个实施例的支持超声设备的虚拟仪器的示例数据流图。在至少一个实施例中,部署管线4710B可以利用系统4700的一个或更多个服务4620。在至少一个实施例中,部署管线4710B和服务4620可以利用本地或云4726中的系统的硬件4622。在一个实施例中,尽管未示出,但是可以通过管线管理器4712、应用程序协调系统4728和/或并行计算平台4730来促进过程4900。
在至少一个实施例中,过程4900可以包括从超声设备4902接收成像数据。在至少一个实施例中,成像数据可以DICOM格式(或其他格式,例如RIS、CIS、符合REST、RPC、原始等)存储在PACS服务器上,也可以由系统4700接收以通过部署管线4710进行处理,所述部署管线4710被选择或定制为超声设备4902的虚拟仪器(例如,虚拟超声)。在至少一个实施例中,可以直接从成像设备(例如,超声设备4902)接收成像数据,并由虚拟仪器对其进行处理。在至少一个实施例中,通信地耦合在成像设备和虚拟仪器之间的换能器或其他信号转换器可以将由成像设备生成的信号数据转换成可以由虚拟仪器处理的图像数据。在至少一个实施例中,原始数据和/或图像数据可应用于DICOM读取器4806,以提取数据,以供部署管线4710B的应用程序或容器使用。在至少一个实施例中,DICOM读取器4806可以利用数据扩充库4914(例如,NVIDIA的DALI)作为服务4620(例如,作为计算服务4716之一),用于提取、调整大小、重新缩放和/或以其他方式准备数据,以供应用程序或容器使用。
在至少一个实施例中,一旦准备好数据,就可以执行重建4906应用程序和/或容器,以将来自超声设备4902的数据重建为图像文件。在至少一个实施例中,在重建4906之后或与重建4906同时,可以执行检测4908应用程序和/或容器,以用于异常检测、对象检测、特征检测和/或与数据有关的其他检测任务。在至少一个实施例中,可以在检测4908期间使用在重建4906期间生成的图像文件以识别异常、对象、特征等。在至少一个实施例中,检测4908应用程序可以利用推理引擎4916(例如,作为AI服务4718之一),来对数据执行推理以生成检测。在至少一个实施例中,检测4908应用程序可以执行或调用一个或更多个机器学习模型(例如,来自训练系统4604)。
在至少一个实施例中,一旦重建4906和/或检测4908完成,则从这些应用程序和/或容器输出的数据可用于生成在工作站或显示终端上显示的可视化4910,例如可视化4912(例如,灰度输出)。在至少一个实施例中,可视化可以允许技术人员或其他用户将关于超声设备4902的部署管线4710B的结果可视化。在至少一个实施例中,可以通过利用系统4700的渲染组件4918(例如,可视化服务4720之一)来执行可视化4910。在至少一个实施例中,渲染组件4918可以执行2D、OpenGL或射线追踪服务以生成可视化4912。
在至少一个实施例中,关于图49A所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图49A所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图49A所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图49B包括根据至少一个实施例的支持CT扫描仪的虚拟仪器的示例数据流图。在至少一个实施例中,部署管线4710C可以利用系统4700的一个或更多个服务4620。在至少一个实施例中,部署管线4710C和服务4620可在本地或在云4726中利用系统的硬件4622。在至少一个实施例中,尽管未示出,但是管线管理器4712、应用程序协调系统4728和/或并行计算平台4730可以促进过程4920。
在至少一个实施例中,过程4920可以包括CT扫描仪4922生成可以由DICOM读取器4806接收的原始数据(例如,在处理等之后,直接经由PACS服务器4804接收)。在至少一个实施例中,虚拟CT(由部署管线4710C实例化)可以包括第一实时管线,用于监视患者(例如,患者运动检测AI 4926)和/或用于调整或优化CT扫描仪4922的曝光(例如,使用曝光控制AI4924)。在至少一个实施例中,一个或更多个应用程序(例如,4924和4926)可以利用服务4620,例如AI服务4718。在至少一个实施例中,曝光控制AI 4924应用程序(或容器)和/或患者运动检测AI 4926应用程序(或容器)的输出,可以用作对CT扫描仪4922和/或技术人员的反馈,以调整曝光(或CT扫描仪4922的其他设置)和/或通知患者减少运动。
在至少一个实施例中,部署管线4710C可以包括用于分析由CT扫描仪4922生成的数据的非实时管线。在至少一个实施例中,第二管线可以包括CT重建4808应用程序和/或容器、粗略检测AI 4928应用程序和/或容器、精细检测AI 4932应用程序和/或容器(例如,其中通过粗略检测AI 4928检测某些结果)、可视化4930应用程序和/或容器、以及DICOM写入器4812(和/或其他数据类型编写器,例如RIS、CIS、符合REST、RPC、原始文件等)应用程序和/或容器。在至少一个实施例中,由CT扫描仪4922生成的原始数据可以传递通过部署管线4710C的管线(被实例化为虚拟CT仪器)以生成结果。在至少一个实施例中,来自DICOM写入器4812的结果可被发送以供显示,和/或可被存储在PACS服务器4804上以供技术人员、从业者或其他用户稍后检索、分析或显示。
在至少一个实施例中,关于图49B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图49B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图49B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图50A示出了根据至少一个实施例的用于训练、重新训练或更新机器学习模型的过程5000的数据流图。在至少一个实施例中,可以使用作为非限制性示例的图47的系统4700来执行过程5000。在至少一个实施例中,过程5000可以利用系统4700的服务4020和/或硬件4022,如本文所述。在至少一个实施例中,由过程5000生成的精炼模型5012可以由部署系统4006针对部署管线4710中的一个或更多个容器化的应用程序执行。
在至少一个实施例中,模型训练4014可包括使用新的训练数据(例如,新的输入数据(诸如客户数据集5006),和/或与输入数据相关联的新的地面实况数据)重新训练或更新初始模型5004(例如,预训练模型)。在至少一个实施例中,为了重新训练或更新初始模型5004,可以重置或删除初始模型5004的输出或损失层,和/或用更新的或新的输出或损失层代替。在至少一个实施例中,初始模型5004可以具有从先前的训练中保留下来的先前精细调整的参数(例如,权重和/或偏差),因此训练或重新训练4014可能不需要花费与从头开始训练模型一样长的时间或不需要那么多的处理。在至少一个实施例中,在模型训练4014期间,通过重置或替换初始模型5004的输出或损失层,在新的客户数据集5006(例如图40的图像数据4008)上生成预测时,可以基于与输出或损失层的精度相关联的损失计算,更新和重新调整新数据集的参数。
在至少一个实施例中,可以将经预训练的模型4706存储在数据存储或注册表中(例如,图40的模型注册表4024)。在至少一个实施例中,经预训练的模型4706可能已经至少部分地在除了执行过程5000的设施之外的一个或更多个设施处被训练。在至少一个实施例中,为了保护患者、受试者或不同设施的客户的隐私和权利,经预训练的模型4706可能已经使用本地生成的客户或患者数据在本地进行了训练。在至少一个实施例中,可以使用云4726和/或其他硬件4022来训练经预训练的模型4706,但是机密的、受隐私保护的患者数据可以不被传送到云4726的任何组件(或其他非本地硬件)、由其使用或由其访问。在至少一个实施例中,如果使用来自不止一个设施的患者数据来训练经预训练的模型4706,则在来自另一设施的患者或客户数据上进行训练之前,经预训练的模型4706可能已经针对每个设施进行了单独训练。在至少一个实施例中,例如在客户或患者数据已发布隐私问题(例如,通过放弃,用于实验用途等),或者其中客户或患者数据包括在公共数据集中的情况下,来自任意数量的设施的客户或患者数据可以用于在本地和/或外部训练经预训练的模型4706,例如在数据中心中或其他云计算基础设施中。
在至少一个实施例中,在选择应用程序以在部署管线4710中使用时,用户还可以选择用于特定应用程序的机器学习模型。在至少一个实施例中,用户可能没有模型以使用,因此用户可以选择要与应用程序一起使用的经预训练的模型4706。在至少一个实施例中,经预训练的模型4706可能没有被优化用于在用户设施的客户数据集5006上生成准确的结果(例如,基于患者多样性、人口统计、所使用的医学成像设备的类型等)。在至少一个实施例中,在将经预训练的模型4706部署到部署管线4710中以与一个或更多个应用程序一起使用之前,经预训练的模型4706可以被更新、重新训练和/或微调,以用于在各个设施处使用。
在至少一个实施例中,用户可以选择要更新、重新训练和/或微调的经预训练的模型4706,并且经预训练的模型4706可以称为过程5000中训练系统4004的初始模型5004。在至少一个实施例中,客户数据集5006(例如,成像数据、基因组数据、测序数据或由设施处的设备生成的其他数据类型)可用于对初始模型5004执行模型训练4014(其可包括但不限于传递学习),以生成精炼模型5012。在至少一个实施例中,可以由训练系统4004生成与客户数据集5006相对应的地面实况数据。在至少一个实施例中,可以至少部分地由临床医生、科学家、医生、从业者在设施处生成地面实况数据(例如,如图40中的标记的临床数据4012)。
在至少一个实施例中,在一些示例中可以使用AI辅助注释4010来生成地面实况数据。在至少一个实施例中,AI辅助注释4010(例如,使用AI辅助注释SDK实现)可以利用机器学习模型(例如,神经网络)来生成用于客户数据集的建议或预测的地面实况数据。在至少一个实施例中,用户5010可以在计算设备5008上的用户界面(图形用户界面(GUI))内使用注释工具。
在至少一个实施例中,用户5010可以经由计算设备5008与GUI交互,以编辑或微调注释或自动注释。在至少一个实施例中,多边形编辑特征可以用于将多边形的顶点移动到更精确或微调的位置。
在至少一个实施例中,一旦客户数据集5006具有相关联的地面实况数据,则地面实况数据(例如,来自AI辅助注释、手动标记等)可以在模型训练4014期间用于生成精炼模型5012。在至少一个实施例中,客户数据集5006可以被应用到初始模型5004任意次数,并且地面实况数据可以用于更新初始模型5004的参数,直到对于精炼模型5012达到可接受的精度水平为止。在至少一个实施例中,一旦生成精炼模型5012,就可以在设施处的一个或更多个部署管线4710内部署精炼模型5012,以用于执行关于医学成像数据的一个或更多个处理任务。
在至少一个实施例中,可以将精炼模型5012上传到模型注册表4024中的经预训练的模型4706,以由另一个设施选择。在至少一个实施例中,他的过程可以在任意数量的设施处完成,使得可以在新数据集上对精炼模型5012进一步精炼任意次数,以生成更通用的模型。
在至少一个实施例中,关于图50A所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图50A所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图50A所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图50B是根据至少一个实施例的用于利用经预训练的注释模型来增强注释工具的客户端-服务器架构5032的示例图示。在至少一个实施例中,可以基于客户端-服务器架构5032来实例化AI辅助注释工具5036。在至少一个实施例中,成像应用程序中的注释工具5036可以帮助放射线医生,例如识别器官和异常。在至少一个实施例中,成像应用程序可以包括软件工具,作为非限制性示例,所述软件工具帮助用户5010识别原始图像5034中(例如,在3D MRI或CT扫描中)的特定感兴趣器官上的几个极值点,并接收特定器官的所有2D切片的自动注释结果。在至少一个实施例中,结果可以作为训练数据5038存储在数据存储中,并且用作(例如但不限于)用于训练的地面实况数据。在至少一个实施例中,当计算设备5008发送用于AI辅助注释4610的极值点时,例如,深度学习模型可以接收该数据作为输入并返回分割器官或异常的推理结果。在至少一个实施例中,预实例化的注释工具(例如图50B中的AI辅助注释工具5036B)可以通过对服务器(诸如注释助手服务器5040)进行API调用(例如API调用5044)来增强,注释助手服务器5040可包括存储在例如注释模型注册表中的一组经预训练的模型5042。在至少一个实施例中,注释模型注册表可以存储经预训练的模型5042(例如,机器学习模型,诸如深度学习模型),其被预训练以对特定器官或异常执行AI辅助注释。在至少一个实施例中,可以通过使用训练管线4704来进一步更新这些模型。在至少一个实施例中,随着添加新的标记的临床数据4612,可以随时间改进预安装的注释工具。
推理和/或训练逻辑1715用于执行与一个或更多个实施例相关联的推理和/或训练操作。本文结合图17A和/或图17B提供关于推理和/或训练逻辑1715的细节。
在至少一个实施例中,关于图50B所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图50B所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图50B所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
软件系统
图51示出了根据至少一个实施例的编程平台的软件栈。在至少一个实施例中,编程平台是用于利用计算系统上的硬件来加速计算任务的平台。在至少一个实施例中,软件开发人员可以通过库、编译器指令和/或对编程语言的扩展来访问编程平台。在至少一个实施例中,编程平台可以是但不限于CUDA,Radeon开放计算平台(“ROCm”),OpenCL(由Khronosgroup开发的OpenCL
在至少一个实施例中,编程平台的软件栈5100为应用程序5101提供执行环境。在至少一个实施例中,应用程序5101可以包括能够在软件栈5100上启动的任何计算机软件。在至少一个实施例中,应用程序5101可以包括但不限于人工智能(“AI”)/机器学习(“ML”)应用程序,高性能计算(“HPC”)应用程序,虚拟桌面基础架构(“VDI”)或数据中心工作负载。
在至少一个实施例中,应用程序5101和软件栈5100在硬件5107上运行。在至少一个实施例中,硬件5107可以包括一个或更多个GPU,CPU,FPGA,AI引擎和/或支持编程平台的其他类型的计算设备。在至少一个实施例中,例如采用CUDA,软件栈5100可以是厂商专用的,并且仅与来自特定厂商的设备兼容。在至少一个实施例中,例如在采用OpenCL中,软件栈5100可以与来自不同供应商的设备一起使用。在至少一个实施例中,硬件5107包括连接到一个或更多个设备的主机,该设备可经由应用程序编程接口(“API”)调用被访问以执行计算任务。在至少一个实施例中,与硬件5107内的主机相比,其可以包括但不限于CPU(但还可以包括计算设备)及其存储器,硬件5107内的设备可以包括但不限于GPU,FPGA,AI引擎或其他计算设备(但还可以包括CPU)及其存储器。
在至少一个实施例中,编程平台的软件栈5100包括但不限于多个库5103,运行时(runtime)5105和设备内核驱动器5106。在至少一个实施例中,库5103中的每个库可以包括可以由计算机程序使用并在软件开发期间利用的数据和编程代码。在至少一个实施例中,库5103可以包括但不限于预写的代码和子例程,类,值,类型规范,配置数据,文档,帮助数据和/或消息模板。在至少一个实施例中,库5103包括被优化用于在一种或更多种类型的设备上执行的函数。在至少一个实施例中,库5103可以包括但不限于用于在设备上执行数学、深度学习和/或其他类型的运算的函数。在至少一个实施例中,库5203与对应的API 5202相关联,API 5202可包括一个或更多个API,其暴露在库5203中实现的函数。
在至少一个实施例中,将应用程序5101编写为源代码,该源代码被编译成可执行代码,如下面结合图56更详细讨论的。在至少一个实施例中,应用程序5101的可执行代码可以至少部分地在由软件栈5100提供的执行环境上运行。在至少一个实施例中,在应用程序5101的执行期间,可以得到需要在设备(与主机相比)上运行的代码。在这种情况下,在至少一个实施例中,可以调用运行时5105以在设备上加载和启动必需的代码。在至少一个实施例中,运行时5105可以包括能够支持应用程序5101的执行的任何技术上可行的运行时系统。
在至少一个实施例中,运行时5105被实现为与对应的API(其被示为API 5104)相关联的一个或更多个运行时库。在至少一个实施例中,一个或更多个这样的运行时库可以包括但不限于用于存储器管理,执行控制,设备管理,错误处理和/或同步等等的函数。在至少一个实施例中,存储器管理函数可以包括但不限于用于分配、解除分配和复制设备存储器以及在主机存储器和设备存储器之间传输数据的函数。在至少一个实施例中,执行控制函数可以包括但不限于在设备上启动函数(当函数是可从主机调用的全局函数时,有时称为“内核”)的函数,和用于在运行时库为要在设备上执行的给定函数维护的缓冲区中设置属性值的函数。
在至少一个实施例中,可以任何技术上可行的方式来实现运行时库和相应的API5104。在至少一个实施例中,一个(或任意数量的)API可以公开用于设备的细粒度控制的低级函数集,而另一(或任意数量的)API可以公开这样的较高级的函数集。在至少一个实施例中,可以在低级API之上构建高级运行时API。在至少一个实施例中,一个或更多个运行时API可以是在与语言无关的运行时API之上分层的特定于语言的API。
在至少一个实施例中,设备内核驱动器5106被配置为促进与底层设备的通信。在至少一个实施例中,设备内核驱动器5106可以提供诸如API 5104之类的API和/或其他软件所依赖的低级函数。在至少一个实施例中,设备内核驱动器5106可以被配置为在运行时将中间表示(“IR”)代码编译成二进制代码。在至少一个实施例中,对于CUDA,设备内核驱动器5106可以在运行时将非硬件专用的并行线程执行(“PTX”)IR代码编译为用于特定目标设备的二进制代码(高速缓存已编译的二进制代码),其有时也称为“最终”代码。在至少一个实施例中,这样做可以允许最终代码在目标设备上运行,而当源代码最初被编译为PTX代码时,该目标设备可能不存在。备选地,在至少一个实施例中,设备源代码可以离线地编译成二进制代码,而不需要设备内核驱动器5106在运行时编译IR代码。
在至少一个实施例中,关于图51所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图51所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图51所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图52示出了根据至少一个实施例的图51的软件栈5100的CUDA实现。在至少一个实施例中,可在其上启动应用程序5201的CUDA软件栈5200包括CUDA库5203,CUDA运行时5205,CUDA驱动器5207和设备内核驱动器5208。在至少一个实施例中,CUDA软件栈5200在硬件5209上执行,该硬件5209可以包括支持CUDA的GPU,其由加利福尼亚州圣克拉拉市的NVIDIA公司开发。
在至少一个实施例中,应用程序5201、CUDA运行时5205和设备内核驱动器5208可以分别执行与应用程序5101、运行时5105和设备内核驱动器5106类似的功能,以上结合图51对其进行了描述。在至少一个实施例中,CUDA驱动器5207包括实现CUDA驱动器API 5206的库(libcuda.so)。在至少一个实施例中,类似于由CUDA运行时库(cudart)实现的CUDA运行时API 5204,CUDA驱动器API 5206可以公开但不限于用于存储器管理、执行控制、设备管理、错误处理、同步和/或图形互操作性等的函数。在至少一个实施例中,CUDA驱动器API5206与CUDA运行时API 5204的不同之处在于,CUDA运行时API 5204通过提供隐式初始化、上下文(类似于进程)管理和模块(类似于动态加载的库)管理来简化设备代码管理。与高级CUDA运行时API 5204相反,在至少一个实施例中,CUDA驱动器API 5206是提供对设备的更细粒度控制的低级API,特别是关于上下文和模块加载。在至少一个实施例中,CUDA驱动器API 5206可以公开没有由CUDA运行时API 5204公开的用于上下文管理的函数。在至少一个实施例中,CUDA驱动器API 5206也与语言无关,并且除了支持CUDA运行时API 5204之外,还支持例如OpenCL。此外,在至少一个实施例中,包括CUDA运行时5205在内的开发库可被视为与驱动器组件分离,包括用户模式的CUDA驱动器5207和内核模式的设备驱动器5208(有时也称为“显示”驱动器)。
在至少一个实施例中,CUDA库5203可以包括但不限于数学库,深度学习库,并行算法库和/或信号/图像/视频处理库,并行计算应用程序(例如应用程序5201)可以利用这些库。在至少一个实施例中,CUDA库5203可包括数学库,例如cuBLAS库,其是用于执行线性代数运算的基本线性代数子程序(“BLAS”)的实现;用于计算快速傅立叶变换(“FFT”)的cuFFT库,以及用于生成随机数的cuRAND库等。在至少一个实施例中,CUDA库5203可以包括深度学习库,诸如用于深度神经网络的基元的cuDNN库和用于高性能深度学习推理的TensorRT平台等等。
在至少一个实施例中,关于图52所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图52所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图52所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图53示出了根据至少一个实施例的图51的软件栈5100的ROCm实现。在至少一个实施例中,可在其上启动应用程序5301的ROCm软件栈5300包括语言运行时5303,系统运行时5305,thunk 5307,ROCm内核驱动器5308和设备内核驱动器5309。在至少一个实施例中,ROCm软件栈5300在硬件5310上执行,硬件5310可以包括支持ROCm的GPU,其由加利福尼亚州圣克拉拉市的AMD公司开发。
在至少一个实施例中,应用程序5301可以执行与以上结合图51讨论的应用程序5101类似的功能。另外,在至少一个实施例中,语言运行时5303和系统运行时5305可以执行与以上结合图51讨论的运行时5105类似的功能。在至少一个实施例中,语言运行时5303和系统运行时5305的不同之处在于,系统运行时5305是实现ROCr系统运行时API 5304并利用异构系统架构(“HAS”)运行时API的语言无关运行时。在至少一个实施例中,HAS运行时API是一种瘦用户模式API,它公开接口以供访问和与AMD GPU交互,包括用于存储器管理、通过架构分派内核的执行控制、错误处理、系统和代理信息以及运行时初始化和关闭等的函数。在至少一个实施例中,与系统运行时5305相比,语言运行时5303是ROCr系统运行时API5304之上分层的特定于语言的运行时API 5302的实现。在至少一个实施例中,语言运行时API可以包括但不限于可移植异构计算接口(“HIP”)语言运行时API,异构计算编译器(“HCC”)语言运行时API或OpenCL API等等。特别是,HIP语言是C++编程语言的扩展,具有CUDA机制的功能相似版本,并且在至少一个实施例中,HIP语言运行时API包括与以上结合图52讨论的CUDA运行时API 5204相似的函数,例如用于存储器管理、执行控制、设备管理、错误处理和同步等的函数。
在至少一个实施例中,thunk(ROCt)5307是可用于与底层ROCm驱动器5308交互的接口。在至少一个实施例中,ROCm驱动器5308是ROCk驱动器,其是AMDGPU驱动器和HAS内核驱动器(amdkfd)的组合。在至少一个实施例中,AMDGPU驱动器是由AMD开发的用于GPU的设备内核驱动器,其执行与以上结合图51讨论的设备内核驱动器5106类似的功能。在至少一个实施例中,HAS内核驱动器是允许不同类型的处理器经由硬件特征更有效地共享系统资源的驱动器。
在至少一个实施例中,各种库(未示出)可以被包括在语言运行时5303上方的ROCm软件栈5300中,并且提供与以上结合图52讨论的CUDA库5203相似的功能。在至少一个实施例中,各种库可以包括但不限于数学、深度学习和/或其他库,例如实现与CUDA cuBLAS类似的函数的hipBLAS库,类似于CUDA cuFFT用于计算FFT的rocFFT库等。
在至少一个实施例中,关于图53所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图53所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图53所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图54示出了根据至少一个实施例的图51的软件栈5100的OpenCL实现。在至少一个实施例中,可以在其上启动应用程序5401的OpenCL软件栈5400包括OpenCL框架5405,OpenCL运行时5406和驱动器5407。在至少一个实施例中,OpenCL软件栈5400在不是特定于供应商的硬件5209上执行。在至少一个实施例中,由于由不同厂商开发的设备支持OpenCL,因此可能需要特定的OpenCL驱动器才能与来自此类厂商的硬件进行互操作。
在至少一个实施例中,应用程序5401,OpenCL运行时5406,设备内核驱动器5407和硬件5408可以分别执行与上面结合图51讨论的应用程序5101、运行时5105、设备内核驱动器5106和硬件5107类似的功能。在至少一个实施例中,应用程序5401还包括具有将在设备上执行的代码的OpenCL内核5402。
在至少一个实施例中,OpenCL定义了一种“平台”,其允许主机控制连接到该主机的设备。在至少一个实施例中,OpenCL框架提供平台层API和运行时API,示出为平台API5403和运行时API 5409。在至少一个实施例中,运行时API 5409使用上下文来管理设备上内核的执行。在至少一个实施例中,每个标识的设备可以与各自的上下文相关联,运行时API 5409可以使用该上下文来管理该设备的命令队列、程序对象和内核对象、共享存储器对象等。在至少一个实施例中,平台API 5403公开了允许设备上下文用于选择和初始化设备,经由命令队列将工作提交给设备,以及使得能够进行来自和去往设备的数据传输等的函数。另外,在至少一个实施例中,OpenCL框架提供各种内置函数(未示出),包括数学函数、关系函数和图像处理函数等。
在至少一个实施例中,编译器5404也被包括在OpenCL框架5405中。在至少一个实施例中,源代码可以在执行应用程序之前被离线编译或者在执行应用程序期间被在线编译。与CUDA和ROCm相反,至少一个实施例中的OpenCL应用程序可以由编译器5404在线编译,编译器5404被包括以代表可以用于将源代码和/或IR代码(例如标准可移植中间表示(“SPIR-V”)代码)编译为二进制代码的任意数量的编译器。可替代地,在至少一个实施例中,可以在执行这样的应用程序之前离线编译OpenCL应用程序。
在至少一个实施例中,关于图54所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图54所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图54所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图55示出了根据至少一个实施例的由编程平台支持的软件。在至少一个实施例中,编程平台5504被配置为支持应用程序5500可以依赖的各种编程模型5503、中间件和/或库5502以及框架5501。在至少一个实施例中,应用程序5500可以是使用例如深度学习框架(诸如,MXNet,PyTorch或TensorFlow)实现的AI/ML应用,其可以依赖于诸如cuDNN,NVIDIACollective Communications Library(“NCCL”)”和/或NVIDIA开发人员数据加载库(“DALI”)CUDA库之类的库,以在底层硬件上提供加速的计算。
在至少一个实施例中,编程平台5504可以是以上分别结合图52、图53和图54描述的CUDA、ROCm或OpenCL平台之一。在至少一个实施例中,编程平台5504支持多个编程模型5503,其是底层计算系统的抽象,其允许算法和数据结构的表达。在至少一个实施例中,编程模型5503可以暴露底层硬件的特征以便改善性能。在至少一个实施例中,编程模型5503可以包括但不限于CUDA,HIP,OpenCL,C++加速大规模并行性(“C++AMP”),开放多处理(“OpenMP”),开放加速器(“OpenACC”)和/或Vulcan计算(Vulcan Compute)。
在至少一个实施例中,库和/或中间件5502提供编程模型5504的抽象的实现。在至少一个实施例中,这样的库包括可由计算机程序使用并在软件开发期间利用的数据和编程代码。在至少一个实施例中,除了可以从编程平台5504获得的那些之外,这样的中间件还包括向应用程序提供服务的软件。在至少一个实施例中,库和/或中间件5502可以包括但不限于cuBLAS、cuFFT、cuRAND和其他CUDA库,或rocBLAS、rocFFT、rocRAND和其他ROCm库。另外,在至少一个实施例中,库和/或中间件5502可以包括NCCL和ROCm通信集合库(“RCCL”)库,其提供用于GPU的通信例程,用于深度学习加速的MIOpen库和/或用于线性代数、矩阵和向量运算、几何变换、数值求解器以及相关算法的本征库。
在至少一个实施例中,应用程序框架5501依赖于库和/或中间件5502。在至少一个实施例中,每个应用程序框架5501是用于实现应用软件的标准结构的软件框架。在至少一个实施例中,可以使用框架(诸如Caffe,Caffe2,TensorFlow,Keras,PyTorch或MxNet深度学习框架)来实现AI/ML应用。
在至少一个实施例中,关于图55所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图55所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图55所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图56示出了根据至少一个实施例的编译代码以在图51-54的编程平台之一上执行。在至少一个实施例中,编译器5601接收源代码5600,其包括主机代码以及设备代码两者。在至少一个实施例中,编译器5601被配置为将源代码5600转换为用于在主机上执行的主机可执行代码5602以及用于在设备上执行的设备可执行代码5603。在至少一个实施例中,源代码5600可以在执行应用程序之前离线编译,或者在执行应用程序期间在线编译。
在至少一个实施例中,源代码5600可以包括编译器5601支持的任何编程语言的代码,例如C++、C、Fortran等。在至少一个实施例中,源代码5600可以包括在单源(single-source)文件中,其具有主机代码和设备代码的混合,并在其中指示了设备代码的位置。在至少一个实施例中,单源文件可以是包括CUDA代码的.cu文件或包括HIP代码的.hip.cpp文件。备选地,在至少一个实施例中,源代码5600可以包括多个源代码文件,而不是单源文件,在该单源文件中主机代码和设备代码是分开的。
在至少一个实施例中,编译器5601被配置为将源代码5600编译成用于在主机上执行的主机可执行代码5602和用于在设备上执行的设备可执行代码5603。在至少一个实施例中,编译器5601执行操作,包括将源代码5600解析为抽象系统树(AST),执行优化以及生成可执行代码。在源代码5600包括单源文件的至少一个实施例中,编译器5601可以将设备代码与主机代码在这种单源文件中分开,将设备代码和主机代码分别编译成设备可执行代码5603和主机可执行代码5602,以及将设备可执行代码5603和主机可执行代码5602在单个文件中链接到一起。
在至少一个实施例中,主机可执行代码5602和设备可执行代码5603可以是任何合适的格式,例如二进制代码和/或IR代码。在CUDA的情况下,在至少一个实施例中,主机可执行代码5602可以包括本地对象代码,而设备可执行代码5603可以包括PTX中间表示的代码。在至少一个实施例中,在ROCm的情况下,主机可执行代码5602和设备可执行代码5603都可以包括目标二进制代码。
在至少一个实施例中,关于图56所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图56所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图56所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
计算设备
图57示出了根据至少一个实施例的多媒体系统。在至少一个实施例中,多媒体系统被称为游戏系统、多媒体控制台、游戏控制台和/或其变型。在至少一个实施例中,图57示出了计算机游戏处理设备的总体系统架构。
在至少一个实施例中,多媒体系统5700包括图形处理单元(GPU)5702。在至少一个实施例中,GPU 5702(可选地与CPU 5704结合)生成视频图像和音频,用于经由音频/视频(A/V)输出5708输出。在至少一个实施例中,结合音频处理器或替代地由音频处理器生成音频。在至少一个实施例中,GPU 5702利用视频编码器/视频编解码器(例如,编码器/解码器)形成用于图形处理的视频处理管线。在至少一个实施例中,将数据从GPU 5702提供到视频编码器/视频编解码器,并输出到A/V输出5708以便传输到显示器。在至少一个实施例中,GPU 5702连接到一个或更多个存储器控制器以便于访问不同类型的存储器,诸如随机存取存储器(RAM)5706。
在至少一个实施例中,GPU 5702是包括中央处理单元(CPU)5704的处理单元的一部分。在至少一个实施例中,GPU 5702和CPU 5704是加速处理单元(APU)的一部分。在至少一个实施例中,一个或更多个CPU 5704至少包括1级高速缓存、2级高速缓存和存储器。在至少一个实施例中,1级高速缓存和2级高速缓存临时存储数据并且减少存储器访问周期的数量。在至少一个实施例中,CPU 5704包括至少一个或更多个核心和一个或更多个级高速缓存。在至少一个实施例中,CPU 5704的存储器存储引导过程期间加载的可执行代码,例如当多媒体系统5700通电时。
在至少一个实施例中,GPU 5702和CPU 5704任选地经由输入/输出(I/O)桥接器5710与总线5712通信,该输入/输出(I/O)桥接器5710可以是GPU 5702和CPU 5704的分立组件或部分。在至少一个实施例中,数据存储部件(如系统存储器5726)和输入数据5728被连接到总线5712上。在至少一个实施例中,RAM 5706还与总线5712通信。在至少一个实施例中,一个或更多个辅助处理器5724连接到总线5712。在至少一个实施例中,提供辅助处理器5724来运行或支持结合多媒体系统5700执行的一个或更多个软件、软件应用、操作系统和/或其变型。
在至少一个实施例中,系统存储器5726存储在引导过程期间加载的应用数据。在至少一个实施例中,输入数据5728包括DVD/CD驱动器、蓝光驱动器、硬盘驱动器或其他可移动介质驱动器。在至少一个实施例中,输入数据5728在多媒体系统5700的外部或内部。在至少一个实施例中,经由输入数据5728访问应用数据以用于执行、回放和/或其变化。在至少一个实施例中,输入数据5728经由总线5712连接到I/O桥接器5710。
在至少一个实施例中,多媒体系统5700的一个或更多个组件经由一条或更多条总线连接,这些总线包括串行和并行总线、存储器总线、外围总线、以及使用各种总线架构(如外围组件互连(PCI)总线、PCI Express总线、和/或其变体)的处理器或局部总线。在至少一个实施例中,多媒体系统5700适当地经由音频/视频(A/V)输入端口5714、以太网端口5716、蓝牙无线链路5718、WiFi无线链路5720或一个或更多个通用串行总线(USB)端口5722与外围设备进行通信。在至少一个实施例中,经由A/V输出5708(如HDMI端口)输出音频和视频。
在至少一个实施例中,多媒体系统5700的视频和任选地音频通过A/V输出5708输出至一个或更多个显示设备。在至少一个实施例中,显示设备包括诸如电视、电子显示器、计算机监视器和/或其变形的设备。在至少一个实施例中,以不同形式(诸如立体)呈现视频。在至少一个实施例中,音频是通过一个或更多个音频设备以多种格式(诸如立体声、5.1环绕声或7.1环绕声)中的一种来呈现的。在至少一个实施例中,视频和音频被呈现给由用户佩戴的头戴式显示单元,诸如虚拟现实设备。
在至少一个实施例中,在多媒体系统5700启动时,将应用数据从系统存储器5726加载到CPU 5704的一个或更多个存储器和/或高速缓存中并且在CPU 5704上执行。在至少一个实施例中,应用程序呈现在导航至多媒体系统5700上可用的不同服务时提供用户体验的图形用户界面。在至少一个实施例中,从输入数据5728启动或播放输入数据5728的应用、媒体和/或其变形以向多媒体系统5700提供附加功能、应用、媒体和/或其变形。在至少一个实施例中,多媒体系统5700被配置为根据来自系统存储器5726的应用数据和输入数据5728来执行与计算机游戏相关联的可执行程序。
在至少一个实施例中,关于图57所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图57所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图57所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图58示出了根据至少一个实施例的分布式系统5800。在至少一个实施例中,分布式系统5800包括一个或更多个客户端计算设备5802、5804、5806和5808,该一个或更多个客户端计算设备5802、5804、5806和5808被配置为在一个或更多个网络5810上执行和操作诸如web浏览器、专有客户端和/或其变型的客户端应用。在至少一个实施例中,服务器5812可以经由网络5810与远程客户端计算设备5802、5804、5806和5808通信地耦合。
在至少一个实施例中,服务器5812可以被适配成用于运行一个或更多个服务或软件应用,如可以管理跨多个数据中心的单点登录(SSO)访问的会话活动的服务和应用。在至少一个实施例中,服务器5812还可以提供可以包括非虚拟和虚拟环境的其他服务或软件应用。在至少一个实施例中,这些服务可作为基于web的服务或云服务或者在软件即服务(SaaS)模型下提供给客户端计算设备5802、5804、5806和/或5808的用户。在至少一个实施例中,操作客户端计算设备5802、5804、5806和/或5808的用户可进而利用一个或更多个客户端应用与服务器5812交互以利用由这些组件提供的服务。
在至少一个实施例中,系统5800的软件组件5818、5820和5822在服务器5812上实现。在至少一个实施例中,系统5800的一个或更多个组件和/或由这些组件提供的服务还可由客户端计算设备5802、5804、5806和/或5808中的一个或更多个实现。在至少一个实施例中,操作客户端计算设备的用户然后可以利用一个或更多个客户端应用来使用由这些组件提供的服务。在至少一个实施例中,这些组件可以在硬件、固件、软件或其组合中实现。应了解,各种不同系统配置是可能的,其可不同于分布式系统5800。因此,图58中所示的实施例是用于实现实施例系统的分布式系统的一个示例,并不旨在进行限制。
在至少一个实施例中,客户端计算设备5802、5804、5806和/或5808可以包括各种类型的计算系统。在至少一个实施例中,客户端计算设备可以包括便携式手持设备(例如,
在至少一个实施例中,分布式系统5800中的一个或更多个网络5810可以是能够使用多种可用协议中的任一种支持数据通信的任何类型的网络,包括但不限于TCP/IP(传输控制协议/互联网协议)、SNA(系统网络架构)、IPX(互联网分组交换)、AppleTalk、和/或其变型。在至少一个实施例中,一个或更多个网络5810可以是局域网(LAN)、基于以太网的网络、令牌环、广域网、互联网、虚拟网络、虚拟专用网(VPN)、内联网、外联网、公共交换电话网(PSTN)、红外网络、无线网络(例如,在电气和电子协会(IEEE)802.11协议族、
在至少一个实施例中,服务器5812可以由一个或更多个通用计算机、专用服务器计算机(举例来讲,包括PC(个人计算机)服务器、
在至少一个实施例中,服务器5812可以运行任何操作系统、以及任何可商购的服务器操作系统。在至少一个实施例中,服务器5812还可以运行多种附加服务器应用和/或中层应用中的任何一种,包括HTTP(超文本传输协议)服务器、FTP(文件传输协议)服务器、CGI(通用网关接口)服务器、
在至少一个实施例中,服务器5812可包括用于分析和合并从客户端计算设备5802、5804、5806和5808的用户接收的数据馈送和/或事件更新的一个或更多个应用。在至少一个实施例中,数据馈送和/或事件更新可以包括但不限于:从一个或更多个第三方信息源和连续数据流接收的
在至少一个实施例中,分布式系统5800还可以包括一个或更多个数据库5814和5816。在至少一个实施例中,数据库可提供用于存储诸如用户交互信息、使用模式信息、适配规则信息和其他信息的信息的机制。在至少一个实施例中,数据库5814和5816可以驻留在多个位置。在至少一个实施例中,一个或更多个数据库5814和5816可以驻留在服务器5812本地的(和/或驻留在其中)非瞬态存储介质上。在至少一个实施例中,数据库5814和5816可远离服务器5812并且经由基于网络的或专用连接与服务器5812通信。在至少一个实施例中,数据库5814和5816可以驻留在存储区域网络(SAN)中。在至少一个实施例中,用于执行归属于服务器5812的功能的任何必要文件可以本地存储在服务器5812上和/或在适当时远程存储。在至少一个实施例中,数据库5814和5816可包括关系数据库,诸如适于响应于SQL格式化的命令来存储、更新和检索数据的数据库。
在至少一个实施例中,关于图58所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图58所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图58所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
超级采样神经网络
图59示出了根据至少一个实施例的超采样神经网络。在至少一个实施例中,神经网络5906被称为超采样神经网络、深度学习超采样(DLSS)网络、超采样网络和/或其变型。在至少一个实施例中,输入帧5902和运动向量5904由神经网络5906处理以生成输出帧5908。在至少一个实施例中,诸如结合图59-63描述的那些神经网络是DLSS网络。
在至少一个实施例中,输入帧5902是图像。在至少一个实施例中,输入帧5902是由一个或更多个计算机图形程序或软件生成的计算机生成的图像。在至少一个实施例中,输入帧5902是从一个或更多个图像捕获设备(如相机)捕获的图像。在至少一个实施例中,输入帧5902是视频的帧集合中的帧。在至少一个实施例中,输入帧5902是从一个或更多个视频捕获设备(诸如摄像机)捕获的视频的帧。在至少一个实施例中,输入帧5902是由一个或更多个计算机图形程序或软件生成的计算机生成的视频的帧。
在至少一个实施例中,输入帧5902是二维(2D)模型的渲染。在至少一个实施例中,输入帧5902是三维(3D)模型的渲染。在至少一个实施例中,输入帧5902由渲染计算机程序生成,该渲染计算机程序是包括可执行指令的计算机程序,当被执行时,这些指令至少部分地基于场景来生成图像。在至少一个实施例中,场景是指2D或3D模型。在至少一个实施例中,场景由各种特性来定义,诸如几何形状、视点、纹理、照明、阴影和/或其变化。在至少一个实施例中,计算机程序获得场景并且通过使用一个或更多个渲染算法来生成场景的图像。在至少一个实施例中,输入帧5902是通过使用一个或更多个光传输建模技术生成的图像。在至少一个实施例中,通过一个或更多个光栅化技术生成输入帧5902。在至少一个实施例中,通过一个或更多个光线投射技术来生成输入帧5902。在至少一个实施例中,通过一个或更多个光线追踪技术生成输入帧5902。
在至少一个实施例中,输入帧5902是由视频游戏程序生成的帧。在至少一个实施例中,视频游戏程序由包括生成实时计算机图形的图形硬件的一个或更多个计算设备执行。在至少一个实施例中,输入帧5902是实时生成的帧。在至少一个实施例中,输入帧5902是被预先渲染的帧。在至少一个实施例中,输入帧5902是在一个或更多个计算机图形显示硬件(诸如视频显示设备、移动设备、虚拟现实头戴式耳机和/或其变型)上显示的视频游戏的帧。在至少一个实施例中,视频游戏程序正在执行并生成3D场景,其中输入帧5902是3D场景的渲染。在至少一个实施例中,输入帧5902是由渲染设备以各种硬件和软件约束(诸如图形硬件限制、存储器限制和/或其变型)渲染的帧。
在至少一个实施例中,神经网络5906是获得输入帧并且生成输出帧的神经网络。在至少一个实施例中,神经网络5906是卷积自动编码器网络。在至少一个实施例中,神经网络5906是生成输入帧的更高质量版本的神经网络。在至少一个实施例中,帧的质量包括分辨率和混叠,其中高质量帧具有高分辨率和最小混叠。在至少一个实施例中,神经网络5906获得输入帧,并且生成具有比输入帧更高的分辨率和更低的混叠的输出帧。在至少一个实施例中,神经网络5906近实时地处理帧。在至少一个实施例中,近实时处理是指其中在从中生成输入的时间间隔内处理输入的处理。在至少一个实施例中,神经网络5906近实时地处理输入帧,使得在生成和/或呈现输入帧的时间间隔内处理所述输入帧。在至少一个实施例中,神经网络5906在一时间间隔内将输入帧处理成输出帧,使得输出帧可从具有最小等待时间的输入帧中获得。在至少一个实施例中,最小等待时间是指处于或低于定义的等待时间时间间隔阈值的等待时间。在至少一个实施例中,在具有最小等待时间的输入帧中可用的输出帧在定义的时间间隔内是可用的,所述定义的时间间隔可以是任何合适的值,诸如秒、一秒的分数和/或其变化。在至少一个实施例中,神经网络5906获得视频游戏的帧并且生成高分辨率、最低限度地混叠的输出帧。在至少一个实施例中,使用各种神经网络训练技术(诸如结合图60描述的那些技术)来训练神经网络5906。在至少一个实施例中,以可被感知为人类的连续运动的速率来生成输出帧,该速率可以指超过一定阈值的帧速率。在至少一个实施例中,以每秒20帧或超过20帧(fps)的目标速率生成输出帧,包括但不限于23.976fps、24fps、25fps、29.97fps、30fps、48fps、50fps、59.94fps、60fps、90fps、120fps、240fps和任何其他合适的目标帧速率。在至少一个实施例中,计算机系统可能缺乏计算资源来以目标帧速率(例如,以60fps的4K分辨率)连续地渲染高质量帧并且替代地渲染使用神经网络5906超采样以实现所述目标帧的较低分辨率帧(例如,以60fps渲染1080p分辨率并且超采样至4K分辨率)。
在至少一个实施例中,神经网络5906获得输入帧5902。在至少一个实施例中,神经网络5906从在一个或更多个计算设备(诸如视频游戏控制台、计算机、移动设备、和/或其变型)上执行的视频游戏程序获得输入帧5902。在至少一个实施例中,计算机程序(诸如视频游戏程序、计算机图形程序、渲染程序、和/或其变型)通过一个或更多个接口(诸如通过一个或更多个计算机网络发送、通过一个或更多个数据传送接口传送、和/或其变型)将输入帧5902提供给神经网络5906。在至少一个实施例中,神经网络5906获得输入帧5902,该输入帧是由视频游戏程序生成的图像。在至少一个实施例中,神经网络5906获得输入帧5902和相关联的运动向量5904,这些运动向量指示场景(例如,在输入帧5902中描绘的场景)中的对象正在移动的方向。在至少一个实施例中,运动向量是基于实体在先前帧中的位置来表示帧中的实体的向量。在至少一个实施例中,运动向量指示场景的帧的实体的运动或移动方向。在至少一个实施例中,运动向量5904包括指示输入帧5902的实体和/或对象的运动或移动方向的一个或更多个运动向量的集合。在至少一个实施例中,诸如视频游戏程序之类的程序生成输入帧5902和运动向量5904两者。
在至少一个实施例中,神经网络5906获得输入帧5902和运动向量5904,并且生成输出帧5908。在至少一个实施例中,神经网络5906从输入帧5902和/或相关联的运动向量5904生成输出帧5908。在至少一个实施例中,使用输入帧5902的高质量版本来训练神经网络5906,其中,经训练的神经网络5906生成输出帧5908以匹配输入帧5902的高质量版本。在至少一个实施例中,输出帧5908是输入帧5902的放大/较高分辨率版本。在至少一个实施例中,输出帧5908是输入帧5902的较高分辨率版本。在至少一个实施例中,输出帧5908具有比输入帧5902更低的混叠程度。在至少一个实施例中,输出帧5908是输入帧5902的更高质量的表示。在至少一个实施例中,神经网络5906获得输入帧5902(其是视频游戏的场景的实时渲染)和相关联的运动向量5904,并且生成输出帧5908(其是输入帧5902的高质量版本)。
在至少一个实施例中,关于图59所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图59所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图59所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图60示出了根据至少一个实施例的超采样神经网络的架构。在至少一个实施例中,神经网络6006被称为超采样神经网络、DLSS网络、超采样网络和/或其变型。在至少一个实施例中,神经网络6006被训练成从输入帧6002和运动向量6004生成输出帧6008。在至少一个实施例中,作为训练神经网络6006的一部分,将由神经网络6006生成的输出帧6008与参考帧6010进行比较以更新神经网络6006。
在至少一个实施例中,输入帧6002是根据结合图59描述的那些输入帧的输入帧。在至少一个实施例中,输入帧6002包括一个或更多个图像,称为帧。在至少一个实施例中,输入帧6002包括从一个或更多个图像和/或视频捕获设备捕获的一个或更多个图像。在至少一个实施例中,输入帧6002包括场景的一个或更多个渲染。在至少一个实施例中,输入帧6002包括由视频游戏程序生成的帧。在至少一个实施例中,视频游戏程序由包括生成实时计算机图形的图形硬件的一个或更多个计算设备执行。在至少一个实施例中,输入帧6002是被预先渲染的帧。在至少一个实施例中,视频游戏程序正在执行并生成3D场景,其中输入帧6002包括3D场景的渲染。在至少一个实施例中,输入帧6002是由渲染设备以不同硬件和软件约束(诸如图形硬件限制、存储器限制和/或其变型)渲染的帧。在至少一个实施例中,输入帧6002是用最小后处理技术(诸如抗混叠)渲染的帧(例如,输入帧6002包括用很小程度到没有程度的抗混叠渲染的帧)。
在至少一个实施例中,用于渲染的帧的后处理技术包括诸如但不限于以下各项的技术和效果:环境遮挡(例如,基于地平线的环境遮挡(HBAO)、屏幕空间环境遮挡(SSAO)),抗混叠(例如,快速近似抗混叠(FXAA)、超样本抗混叠(SSAA)、多采样抗混叠(MSAA)、时间抗混叠(TXAA))、布隆(bloom)、模糊(例如,景深、运动模糊),单元着色、色差、颜色校正、伽马校正、高动态范围渲染、粒子效应、着色、阴影映射、锐化、非锐化、放大、纹理滤波(例如,点、线性、双线性、三线性、各向异性),和/或其变型。在至少一个实施例中,输入帧6002是用很少或不用后处理技术和/或效果来渲染的帧。
在至少一个实施例中,运动向量6004是指示输入帧6002的帧的对象的移动方向的一个或更多个向量的集合。在至少一个实施例中,运动向量是基于实体在先前帧中的位置来表示帧中的实体的向量。在至少一个实施例中,运动向量指示场景的帧的实体的运动或移动方向。在至少一个实施例中,运动向量6004由渲染输入帧6002的程序生成并与输入帧6002对应,其中,运动向量6004的第一组运动向量与输入帧6002的第一帧对应并指示在输入帧6002的第一帧中描述的对象和/或实体的运动。在至少一个实施例中,运动向量6004的第一组运动向量与输入帧6002的第一帧相对应,并且指示输入帧6002的第一帧的对象的运动(例如,输入帧6002的第一帧的对象在输入帧6002的后续帧中将潜在地处于或者移动到的方向和/或位置)。在至少一个实施例中,运动向量6004包括视频游戏程序生成的运动向量。在至少一个实施例中,视频游戏程序正在执行并生成3D场景,其中运动向量6004包括指示3D场景的对象和/或实体的移动的向量。
在至少一个实施例中,参考帧6010包括一个或更多个图像,称为帧。在至少一个实施例中,参考帧6010对应于输入帧6002(例如,参考帧6010的每个帧对应于输入帧6002的帧)。在至少一个实施例中,参考帧6010包括场景的一个或更多个渲染。在至少一个实施例中,参考帧6010包括由视频游戏程序生成的帧。在至少一个实施例中,参考帧6010是用各种后处理技术和/或效果渲染的帧。在至少一个实施例中,参考帧6010是输入帧6002的较高质量版本。在至少一个实施例中,使用最小后处理技术和/或效果从场景渲染输入帧6002的第一帧,并且使用后处理技术和/或效果从相同场景渲染参考帧6010的第一帧。在至少一个实施例中,参考帧6010是使用64x超采样(64xSS)渲染的帧。
在至少一个实施例中,参考帧6010是由一个或更多个超级计算设备渲染的帧,如结合图20描述的那些。在至少一个实施例中,输入帧6002和参考帧6010是从同一计算机图形应用或程序(例如,同一视频游戏程序)渲染的帧。在至少一个实施例中,参考帧6010和运动向量由一个或更多个渲染设备生成,其中,输入帧6002和运动向量6004是通过一个或更多个过程(例如,对所生成的参考帧6010和/或运动向量进行缩减以获得输入帧6002和运动向量6004、从所生成的参考帧6010和/或运动向量去除一个或更多个后处理技术和/或效果以获得输入帧6002和运动向量6004、以及其变体)从所生成的参考帧6010和运动向量获得的。在至少一个实施例中,一个或更多个渲染设备从特定计算机图形应用或程序(例如,视频游戏程序)生成输入帧6002、运动向量6004和/或参考帧6010。
在至少一个实施例中,神经网络6006被训练成用于处理输入帧6002和运动向量6004并且生成非常接近或匹配相应的参考帧6010的输出帧6008。在至少一个实施例中,一个或更多个渲染设备通过一个或更多个计算机图形应用或程序来生成并存储输入帧6002、运动向量6004和参考帧6010,其中一个或更多个系统检索所存储的输入帧6002、运动向量6004和参考帧6010以训练神经网络6006。在至少一个实施方式中,神经网络6006是卷积自动编码器网络。在至少一个实施例中,神经网络6006是使用来自特定计算机图形应用或程序(例如,视频游戏程序)的帧和/或运动向量来训练的,并且可用于生成用于特定计算机图形应用或程序的帧。在至少一个实施例中,神经网络6006被训练成生成输入帧6002的高质量版本(例如,放大/较高分辨率帧、抗混叠帧)作为输出帧6008。在至少一个实施例中,神经网络6006被训练成放大输入帧6002的帧并将输入帧6002的帧抗混叠为输出帧6008。在至少一个实施例中,神经网络6006利用运动向量6004来生成输出帧6008。在至少一个实施例中,神经网络6006从输入帧6002和运动向量6004生成输出帧6008的第一输出帧,从输出帧6008的第一输出帧、输入帧6002、和运动向量6004生成输出帧6008的第二输出帧,等等,以用于输出帧6008的后续输出帧。在至少一个实施例中,神经网络6006将来自运动向量6004的运动向量集合应用于输出帧6008的帧,以生成输出帧6008的后续帧。在至少一个实施例中,神经网络6006利用运动向量6004作为将运动向量应用于输出帧以生成后续输出帧的一个或更多个时间反馈过程的一部分。
在至少一个实施例中,输出帧6008是输入帧6002的更高质量版本,其可以指各种质量,如更高的分辨率、更高程度的各种后处理技术和/或效果、和/或其变化。在至少一个实施例中,视频游戏程序结合一个或更多个计算机图形硬件执行,其中帧被渲染并被输入到神经网络6006,其中神经网络6006生成对应的更高质量的帧(例如,经放大和/或抗混叠帧)。在至少一个实施例中,神经网络6006被训练成利用来自帧(例如,输入帧6002)的各种后处理技术和/或效果以最小的后处理技术和/或效果输出帧(例如,输出帧6008)。在至少一个实施例中,神经网络6006分别获得帧和相应的运动向量,诸如输入帧6002和运动向量6004的帧和运动向量,并且生成相应的高质量输出帧,诸如输出帧6008的帧(例如,具有各种后处理技术和/或效果的帧,诸如经放大的帧、抗混叠的帧、经放大的和抗混叠的帧、和/或其变型)。在至少一个实施例中,神经网络6006获得输入帧(例如,输入帧6002的帧)、先前输出帧(例如,输出帧6008的先前生成的输出帧)、和运动向量(例如,运动向量6004的运动向量),并且生成输出帧(例如,输出帧6008的后续输出帧)。
在至少一个实施例中,通过将所生成的输出帧6008与参考帧6010进行比较来训练和/或更新神经网络6006。在至少一个实施例中,结合图59训练和使用神经网络6006。在至少一个实施例中,神经网络6006由一个或更多个系统使用训练框架来训练或以其他方式更新,所述训练框架诸如PyTorch、TensorFlow、Boost、Caffe、Microsoft CognitiveToolkit/CNTK、MXNet、Chainer、Keras、Deechiming4j或任何合适的训练框架。在至少一个实施例中,通过将输出帧6008与参考帧6010进行比较、确定输出帧6008与参考帧6010之间的差、以及利用所确定的差来更新神经网络6006的权重和其他组件从而使得输出帧6008与参考帧6010之间的差最小化,来训练神经网络6006。
在至少一个实施例中,训练至少以受监督的、部分受监督的和/或无监督的方式来执行。在至少一个实施例中,神经网络6006被训练成将输入帧6002与参考帧6010匹配。在至少一个实施例中,神经网络6006由一个或更多个系统来训练,该系统使得神经网络6006从输入帧6002的帧产生输出帧6008的输出帧,并测量输出帧6008的输出帧与参考帧6010的对应帧之间的差。在至少一个实施例中,神经网络6006由一个或更多个系统来训练,该系统使得神经网络6006获得输入帧6002的帧并执行一个或更多个神经网络图像处理/生成/渲染操作(例如,生成新像素,修改现有像素)以生成输出帧6008的输出帧,将输出帧6008的输出帧与参考帧6010的对应帧进行比较,并且至少部分地基于输出帧6008的输出帧与参考帧6010的对应帧的比较来调整神经网络6006的权重。在至少一个实施例中,通过将两个帧的像素彼此进行比较来将输出帧6008的帧与参考帧6010的帧进行比较。在至少一个实施例中,通过比较帧的像素特性(例如,像素强度、像素亮度、像素颜色、像素对比度)并测量像素特性的差异(例如,帧的像素之间的像素强度、像素亮度、像素颜色、像素对比度的差异)来比较帧。在至少一个实施例中,使用一个或更多个反向传播过程结合一个或更多个损失函数来训练神经网络6006。在至少一个实施例中,使用在此描述的各种技术(诸如结合图18描述的那些技术)来训练神经网络6006。
在至少一个实施例中,关于图60所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图60所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图60所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图61示出了根据至少一个实施例的使用超采样神经网络进行流式传输的示例。在至少一个实施例中,神经网络6108处理由渲染一个或更多个设备6104生成的一个或更多个帧6106以生成一个或更多个输出帧6110,该输出帧经由一个或更多个网络6112被流式传输到具有流式传输能力的设备6114。在至少一个实施例中,神经网络6108被称为DLSS网络、超采样神经网络、超采样网络和/或其变型。在至少一个实施例中,使用诸如结合图60所描述的那些技术来训练神经网络6108。
在至少一个实施例中,服务器6102是一个或更多个计算机硬件和/或软件组件的集合。在至少一个实施例中,服务器6102向被称为客户端的其他程序或设备提供不同功能。在至少一个实施例中,服务器6102提供流服务。在至少一个实施例中,流服务是指向用户提供流媒体的服务。在至少一个实施例中,流媒体是指多媒体(例如,视频、音频),其在由提供者递送的同时被不断地接收和呈现给用户。在至少一个实施例中,服务器6102提供视频游戏流式传输服务。在至少一个实施例中,服务器6102提供服务,其中视频游戏的帧在被服务器6102递送/生成的同时被不断地接收和呈现给用户。在至少一个实施例中,服务器6102包括渲染设备6104。在至少一个实施例中,服务器6102包括实现神经网络6108的一个或更多个硬件和/或软件组件。在至少一个实施例中,服务器6102包括一个或更多个数据存储组件(例如,硬盘驱动器),其提供帧6106和输出帧6110的存储和处理。
在至少一个实施例中,一个或更多个渲染设备6104包括一个或更多个计算机图形渲染硬件和/或软件组件。在至少一个实施例中,一个或更多个渲染设备6104包括一个或更多个图形处理单元。在至少一个实施例中,一个或更多个渲染设备6104包括生成和/或渲染图形的一个或更多个计算设备。在至少一个实施例中,一个或更多个渲染设备6104包括从视频游戏生成渲染的一个或更多个计算设备。在至少一个实施例中,一个或更多个渲染设备6104渲染视频游戏或其他计算机图形程序的帧。在至少一个实施例中,渲染设备6104使用来自计算机图形程序(例如,视频游戏程序)的输入数据来渲染帧6106。
在至少一个实施例中,一个或更多个帧6106是由一个或更多个渲染设备6104渲染的帧。在至少一个实施例中,一个或更多个帧6106与指示一个或更多个帧6106的对象的移动方向的运动向量相关联。在至少一个实施例中,一个或更多个帧6106和相关联的运动向量由一个或更多个渲染设备6104生成。在至少一个实施例中,帧6106包括由特定视频游戏程序生成的帧。在至少一个实施例中,视频游戏程序由包括生成实时计算机图形的图形硬件(例如,一个或更多个渲染设备6104)的一个或更多个计算设备执行。在至少一个实施例中,视频游戏程序正在执行并生成3D场景,其中帧6106包括3D场景的渲染。在至少一个实施例中,一个或更多个帧6106是由渲染设备以不同硬件和软件约束(诸如图形硬件限制、存储器限制和/或其变型)渲染的帧。在至少一个实施例中,一个或更多个帧6106是用最小后处理技术(诸如抗混叠)渲染的帧(例如,一个或更多个帧6106包括用很小程度到没有程度的抗混叠渲染的帧)。
在至少一个实施例中,神经网络6108包括从输入帧生成高质量帧的一个或更多个神经网络。在至少一个实施例中,神经网络6108使用来自特定计算机图形应用或程序(例如,视频游戏程序)的帧来训练,并且可用于生成针对特定计算机图形应用或程序的帧。在至少一个实施例中,神经网络6108被训练成生成一个或更多个帧6106的高质量版本(例如,经放大/较高分辨率帧、抗混叠帧)。在至少一个实施例中,神经网络6108被训练成放大和抗混叠帧6106中的帧。在至少一个实施例中,视频游戏程序结合一个或更多个计算机图形硬件来执行,其中帧被渲染并被输入到神经网络6108(例如,帧6106被渲染设备6104渲染并被输入到神经网络6108),其中神经网络6108生成对应的更高质量的帧(例如,经放大和/或抗混叠的帧)。在至少一个实施例中,神经网络6108被训练成从具有最小后处理技术和/或效果的帧输出具有各种后处理技术和/或效果的帧。在至少一个实施例中,神经网络6108获得帧和相应的运动向量,并且生成相应的高质量输出帧(例如,具有各种后处理技术和/或效果的帧,诸如经放大的帧、抗混叠的帧、经放大的和抗混叠的帧、和/或其变型)。在至少一个实施例中,神经网络6108获得一个或更多个帧6106和运动向量并且生成一个或更多个输出帧6110。在至少一个实施例中,神经网络6108利用一个或更多个时间反馈过程,该一个或更多个时间反馈过程结合帧6106和相关联的运动向量来处理输出帧6110中的输出帧,以生成输出帧6110的后续帧。
在至少一个实施例中,输出帧6110对应于帧6106(例如,输出帧6110中的每个帧对应于帧6106中的一个帧)。在至少一个实施例中,一个或更多个输出帧6110是利用各种后处理技术和/或效果生成的帧。在至少一个实施例中,一个或更多个输出帧6110是一个或更多个帧6106的更高质量版本。在至少一个实施例中,一个或更多个输出帧6110包括一个或更多个帧6106的经放大(例如,较高分辨率)和/或抗混叠版本。
在至少一个实施例中,一个或更多个网络6112包括任何适合的计算机通信网络,如互联网。在至少一个实施例中,一个或更多个网络6112被密码保护、加密或以其他方式被保护。在至少一个实施例中,一个或更多个网络6112包括在其中发送和接收数据的一个或更多个计算机网络通信信道。在至少一个实施例中,一个或更多个网络6112提供服务器6102与有流式传输能力的设备6114之间的通信方法。在至少一个实施例中,经由网络6112将输出帧6110从服务器6102发送至具有流式传输能力的设备6114。
在至少一个实施例中,具有流式传输能力的设备6114是能够通过一个或更多个网络接收多媒体的计算设备。在至少一个实施例中,具有流式传输能力的设备6114是具有有限的图形渲染能力的设备,该设备不能渲染帧(如一个或更多个输出帧6110),但是能够经由一个或更多个网络6112访问服务器6102以获得一个或更多个输出帧6110。在至少一个实施例中,具有流式传输能力的设备6114是具有流式传输能力的计算设备,这样使得具有流式传输能力的设备6114包括从一个或更多个网络不断接收和/或获得多媒体的各种硬件和/或软件组件。在至少一个实施例中,具有流式传输能力的设备6114是计算设备,例如移动电话、膝上型计算机、计算机、游戏控制台、平板计算机、和/或其变体。在至少一个实施例中,具有流式传输能力的设备6114包括一个或更多个计算机网络组件,例如各种接收器、发射器、和/或收发器,这些组件获得和处理通过一个或更多个网络传输的多媒体。在至少一个实施例中,具有流式传输能力的设备6114可以由一个或更多个用户操作。在至少一个实施例中,具有流式传输能力的设备6114通过网络6112接收输出帧6110。在至少一个实施例中,具有流式传输能力的设备6114与在具有流式传输能力的设备6114上执行的显示和/或处理输出帧6110的一个或更多个程序相结合来接收输出帧6110。
在至少一个实施例中,具有流式传输能力的设备6114包括一个或更多个软件程序和/或应用程序,这些软件程序和/或应用程序处理所获得的一个或更多个输出帧6110并且提供一个或更多个输出帧6110以被一个或更多个用户观看(例如,经由具有流式传输能力的设备6114的电子视觉显示器)和/或与其交互(例如,经由具有流式传输能力的设备6114的各种用户输入硬件)。在至少一个实施例中,具有流式传输能力的设备6114包括一个或更多个电子视觉显示硬件,如液晶显示器(LCD)、发光二极管(LED)显示器、和/或其变体,以及一个或更多个用户输入硬件,如计算机鼠标、键盘、游戏控制器、和/或其变体,其中用户利用以与在具有流式传输能力的设备6114上执行的一个或更多个软件程序和/或应用进行交互。在至少一个实施例中,具有流式传输能力的设备6114经由网络6112向服务器6102提供用户输入的指示,其中,帧6106是由一个或更多个渲染设备6104至少部分地基于用户输入来生成的。
在至少一个实施例中,视频游戏程序在服务器6102上执行,其中帧6106是视频游戏程序的帧,其中帧6106由渲染设备6104来渲染,并且作为输出帧6110被处理和发送到具有流式传输能力的设备6114,其中用户结合输出帧6110与具有流式传输能力的设备6114交互(例如,输出帧6110是需要交互的视频游戏程序的帧,其中用户向具有流式传输能力的设备6114输入交互),其中用户交互被发送到服务器6102到视频游戏程序,以确定视频游戏程序的后续帧将如何由渲染设备6104渲染。在至少一个实施例中,帧6106至少部分地基于来自用户的输入结合具有流式传输能力的设备6114来渲染,并且由神经网络6108处理以生成输出帧6110,其中,一个或更多个输出帧6110被发送至具有流式传输能力的设备6114,其中,进一步的用户输入由具有流式传输能力的设备6114接收并且被发送至服务器6102以生成后续帧,然后后续帧由神经网络6108处理并发送到具有流式传输能力的设备6114,以此类推,用于后续帧和后续用户输入。
在至少一个实施例中,关于图61所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图61所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图61所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图62示出了根据至少一个实施例的使用超采样神经网络的模拟的示例。在至少一个实施例中,神经网络6208处理由一个或更多个渲染设备6204生成的一个或更多个帧6206以生成一个或更多个输出帧6210,输出帧6210被输出到一个或更多个模拟器显示器6212。在至少一个实施例中,神经网络6208被称为DLSS网络、超采样神经网络、超采样网络和/或其变型。在至少一个实施例中,使用诸如结合图60所描述的那些技术训练神经网络6208。
在至少一个实施例中,启用超采样神经网络的模拟器6202是一个或更多个计算机硬件和/或软件组件的集合。在至少一个实施例中,启用超采样神经网络的模拟器6202包括一个或更多个渲染设备6204。在至少一个实施例中,启用超采样神经网络的模拟器6202包括实现神经网络6208的一个或更多个硬件和/或软件组件。在至少一个实施例中,启用超采样神经网络的模拟器6202包括提供对帧6206和输出帧6210的存储和处理的一个或更多个数据存储组件(例如,硬盘驱动器)。
在至少一个实施例中,启用超采样神经网络的模拟器6202是执行不同模拟器程序(如飞行模拟器程序、驾驶模拟器程序、和/或其变体)的模拟器设备,如飞行模拟器、驾驶模拟器、和/或其变体。在至少一个实施例中,飞行模拟器是人工地重新创建飞机飞行和它飞行的环境的设备。在至少一个实施例中,飞行模拟器通过执行飞行模拟器程序来模拟飞行的各个方面,诸如飞机如何飞行的物理现象、飞机如何对各种飞行控制的应用作出反应、其他飞机系统的影响、以及诸如湍流、空气密度、风切变、云、降水、天气和/或其变化等因素对飞机的影响。在至少一个实施例中,飞行模拟器(例如,启用超采样神经网络的模拟器6202)包括模拟飞机的一个或更多个硬件组件,诸如飞机的驾驶舱的硬件,其允许用户与飞行模拟器进行交互(例如,硬件组件包括各种用户输入设备,诸如方向盘、控制器、操纵杆、按钮、开关、杠杆和/或其变型)。在至少一个实施例中,飞行模拟器包括用户结合飞行模拟器的硬件进行交互以模拟飞行的各个方面的一个或更多个显示器(例如,一个或更多个模拟器显示器6212)。在至少一个实施例中,驾驶模拟器是人工地重新创建机动车辆移动和机动车辆移动所在的环境的设备。在至少一个实施例中,驾驶模拟器通过执行驾驶模拟器程序来模拟机动车辆的操作的各个方面,诸如机动车辆的物理学、机动车辆如何对各种机动车辆控制的应用作出反应、其他机动车辆系统的影响、以及诸如环境变化、风、天气、和/或其变化等因素对机动车辆的影响。在至少一个实施例中,驾驶模拟器(例如,启用超采样神经网络的模拟器6202)包括模拟机动车辆的一个或更多个硬件组件,诸如机动车辆的驾驶员座椅的硬件,其允许用户与驾驶模拟器交互(例如,硬件组件包括各种用户输入设备,诸如方向盘、踏板、控制器、操纵杆、按钮、开关、杠杆和/或其变型)。在至少一个实施例中,驾驶模拟器包括用户结合驾驶模拟器的硬件进行交互以模拟驾驶或其他机动车辆操作的各个方面的一个或更多个显示器(例如,一个或更多个模拟器显示器6212)。在至少一个实施例中,一个或更多个模拟器显示器6212是启用超采样神经网络的模拟器6202的显示器。
在至少一个实施例中,一个或更多个渲染设备6204包括一个或更多个计算机图形渲染硬件和/或软件组件。在至少一个实施例中,一个或更多个渲染设备6204包括一个或更多个图形处理单元。在至少一个实施例中,一个或更多个渲染设备6204包括生成和/或渲染图形的一个或更多个计算设备。在至少一个实施例中,一个或更多个渲染设备6204包括从计算机图形程序(诸如视频游戏、模拟程序、模拟视频游戏和/或其变型)生成渲染的一个或更多个计算设备。在至少一个实施例中,一个或更多个渲染设备6204使用来自计算机图形程序(例如,模拟程序)的输入数据来渲染一个或更多个帧6206。
在至少一个实施例中,一个或更多个帧6206是由一个或更多个渲染设备6204渲染的帧。在至少一个实施例中,一个或更多个帧6206与指示一个或更多个帧6206的对象的移动方向的运动向量相关联。在至少一个实施例中,一个或更多个帧6206和相关联的运动向量由一个或更多个渲染设备6204生成。在至少一个实施例中,一个或更多个帧6206包括由特定模拟程序(诸如飞行模拟器程序、驾驶模拟器程序和/或其变型)生成的帧。在至少一个实施例中,模拟程序由包括生成实时计算机图形的图形硬件(例如,一个或更多个渲染设备6204)的一个或更多个计算设备执行。在至少一个实施例中,模拟程序正在执行并生成3D场景,其中帧6206包括3D场景的渲染。在至少一个实施例中,一个或更多个帧6206是用最小后处理技术(诸如抗混叠)来渲染的帧(例如,一个或更多个帧6206包括用很小程度到没有程度的抗混叠来渲染的帧)。
在至少一个实施例中,神经网络6208包括从输入帧生成高质量帧的一个或更多个神经网络。在至少一个实施例中,使用来自特定计算机图形应用或程序(例如,模拟程序)的帧来训练神经网络6208,并且该神经网络6208可用于生成针对特定计算机图形应用或程序的帧。在至少一个实施例中,神经网络6208被训练成生成一个或更多个帧6206的高质量版本(例如,放大/较高分辨率帧、抗混叠帧)。在至少一个实施例中,模拟程序结合一个或更多个计算机图形硬件执行,其中帧被渲染并被输入到神经网络6208(例如,帧6206被渲染设备6204渲染并被输入到神经网络6208),其中神经网络6208生成对应的更高质量的帧(例如,经放大和/或抗混叠的帧)。在至少一个实施例中,神经网络6208被训练成从具有最小后处理技术和/或效果的帧输出具有各种后处理技术和/或效果的帧。在至少一个实施例中,神经网络6208获得帧和相应的运动向量,并且生成相应的高质量输出帧(例如,具有各种后处理技术和/或效果的帧,诸如经放大/较高分辨率帧、抗混叠的帧、经放大和抗混叠的帧、和/或其变型)。在至少一个实施例中,神经网络6208获得一个或更多个帧6206和/或运动向量并且生成一个或更多个输出帧6210。在至少一个实施例中,神经网络6208利用一个或更多个时间反馈过程,一个或更多个时间反馈过程结合帧6206和相关联的运动向量来处理一个或更多个输出帧6210的输出帧以生成一个或更多个输出帧6210的后续帧。
在至少一个实施例中,一个或更多个输出帧6210对应于一个或更多个帧6206(例如,一个或更多个输出帧6210中的每个帧对应于一个或更多个帧6206中的帧)。在至少一个实施例中,一个或更多个输出帧6210是用各种后处理技术和/或效果生成的帧。在至少一个实施例中,一个或更多个输出帧6210是一个或更多个帧6206的更高质量版本。在至少一个实施例中,一个或更多个输出帧6210包括一个或更多个帧6206的放大的和/或抗混叠的版本。在至少一个实施例中,一个或更多个输出帧6210被显示在一个或更多个模拟器显示器6212上作为一个或更多个模拟器(例如,启用超采样神经网络的模拟器6202)的操作的一部分,诸如执行飞行模拟器程序的飞行模拟器、执行驾驶模拟器程序的驾驶模拟器和/或其变型。在至少一个实施例中,用户正在操作启用超采样神经网络的模拟器6202,并且至少部分地基于在模拟器显示器6212上显示的输出帧6210,通过一个或更多个用户输入设备执行一个或更多个动作。
在至少一个实施例中,关于图62所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图62所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图62所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
图63示出了根据至少一个实施例的使用超采样神经网络的设备的示例。在至少一个实施例中,神经网络6306处理由多媒体系统6302生成的一个或更多个帧6304以生成一个或更多个输出帧6308,其被输出到一个或更多个多媒体系统显示器6310。在至少一个实施例中,神经网络6306被称为DLSS网络、超采样神经网络、超采样网络和/或其变体。在至少一个实施例中,使用诸如结合图60所描述的那些技术来训练神经网络6306。
在至少一个实施例中,多媒体系统6302是一个或更多个计算机硬件和/或软件组件的集合。在至少一个实施例中,多媒体系统6302包括一个或更多个渲染设备。在至少一个实施例中,多媒体系统6302包括实现神经网络6306的一个或更多个硬件和/或软件组件。在至少一个实施例中,多媒体系统6302包括一个或更多个数据存储组件(例如,硬盘驱动器),其提供帧6304和输出帧6308的存储和处理。在至少一个实施例中,多媒体系统6302是游戏控制台,诸如根据图57描述的那些。在至少一个实施例中,多媒体系统6302是处理多媒体的任何合适的计算设备,诸如计算机、平板、游戏设备、游戏控制台、移动设备和/或其变型。在至少一个实施例中,一个或更多个多媒体系统显示器6310是显示来自多媒体系统6302的数据(例如,多媒体、视频游戏)的一个或更多个电子视觉显示硬件。在至少一个实施例中,一个或更多个多媒体系统显示器6310是多媒体系统6302的显示器。
在至少一个实施例中,多媒体系统6302包括一个或更多个计算机图形渲染硬件和/或软件组件。在至少一个实施例中,多媒体系统6302包括一个或更多个图形处理单元。在至少一个实施例中,多媒体系统6302包括生成和/或渲染图形的一个或更多个计算设备。在至少一个实施例中,多媒体系统6302包括执行各种程序(诸如视频游戏程序、软件应用、软件程序和/或其变型)的一个或更多个处理器。在至少一个实施例中,多媒体系统6302包括从诸如视频游戏之类的计算机图形程序生成渲染的一个或更多个计算设备。在至少一个实施例中,多媒体系统6302使用来自在多媒体系统6302上执行的计算机图形程序(例如,视频游戏程序)的输入数据来渲染帧6304。在至少一个实施例中,多媒体系统6302包括允许用户与多媒体系统6302进行交互的一个或更多个硬件组件(例如,硬件组件包括各种用户输入设备,如控制器、操纵杆、按钮、开关、杠杆和/或其变体)。在至少一个实施例中,多媒体系统6302连接到允许用户与在多媒体系统6302上执行的各种程序(例如,视频游戏程序)交互的一个或更多个用户输入设备。
在至少一个实施例中,一个或更多个帧6304是由多媒体系统6302渲染的帧。在至少一个实施例中,帧6304与指示帧6304的对象的移动方向的运动向量相关联。在至少一个实施例中,帧6304和相关联的运动向量由多媒体系统6302生成。在至少一个实施例中,帧6304包括由特定视频游戏程序生成的帧。在至少一个实施例中,视频游戏程序由包括生成实时计算机图形的图形硬件(例如,多媒体系统6302)的一个或更多个计算设备执行。在至少一个实施例中,视频游戏程序正在执行并生成3D场景,其中帧6304包括3D场景的渲染。在至少一个实施例中,一个或更多个帧6304是用最小后处理技术(诸如抗混叠)渲染的帧(例如,一个或更多个帧6304包括用很小程度到没有程度的抗混叠渲染的帧)。
在至少一个实施例中,神经网络6306包括从输入帧生成高质量帧的一个或更多个神经网络。在至少一个实施例中,神经网络6306使用来自特定计算机图形应用或程序(例如,视频游戏程序)的帧来训练,并且可用于生成特定计算机图形应用或程序的帧。在至少一个实施例中,神经网络6306被训练成生成一个或更多个帧6304的高质量版本(例如,经放大/较高分辨率帧、抗混叠帧)。在至少一个实施例中,视频游戏程序结合一个或更多个计算机图形硬件执行,其中帧被渲染并输入到神经网络6306(例如,帧6304由多媒体系统6302渲染并输入到神经网络6306),其中神经网络6306生成相应的较高质量帧(例如,经放大/较高分辨率和/或抗混叠帧)。在至少一个实施例中,神经网络6306被训练成从具有最小后处理技术和/或效果的帧输出具有各种后处理技术和/或效果的帧。在至少一个实施例中,神经网络6306获得帧和相应的运动向量,并且生成相应的高质量输出帧(例如,具有各种后处理技术和/或效果的帧,如经放大/较高分辨率帧、抗混叠的帧、经放大和抗混叠的帧、和/或其变型)。在至少一个实施例中,神经网络6306获得帧6304和/或运动向量并生成输出帧6308。在至少一个实施例中,神经网络6306利用一个或更多个时间反馈过程,该一个或更多个时间反馈过程结合帧6304和相关联的运动向量处理输出帧6308的输出帧以生成输出帧6308的后续帧。
在至少一个实施例中,一个或更多个输出帧6308对应于帧6304(例如,输出帧6308中的每个帧对应于帧6304中的一个帧)。在至少一个实施例中,一个或更多个输出帧6308是用各种后处理技术和/或效果生成的帧。在至少一个实施例中,一个或更多个输出帧6308是帧6304的更高质量版本。在至少一个实施例中,一个或更多个输出帧6308包括帧6304的放大的和/或抗混叠的版本。在至少一个实施例中,神经网络6306在一个或更多个帧6304的帧由多媒体系统6302渲染时不断生成一个或更多个输出帧6308的输出帧。在至少一个实施例中,一个或更多个输出帧6308被显示在多媒体显示器6310上作为一个或更多个视频游戏程序的操作的一部分。在至少一个实施例中,用户正在操作多媒体系统6302并且通过一个或更多个用户输入设备至少部分地基于显示在一个或更多个多媒体显示器6310上的一个或更多个输出帧6308来执行一个或更多个动作。
在至少一个实施例中,关于图63所示或所描述的至少一个组件用于执行结合图1-16所描述的技术和/或功能。在至少一个实施例中,关于图63所示或所描述的至少一个组件用于执行本文所述的操作,诸如至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在第一视频帧和第二视频帧之间生成一个或更多个中间视频帧。在至少一个实施例中,在至少一个实施例中,例如,关于图63所示或所描述的至少一个组件用于实施关于示例图100、示例图200、示例过程300、示例图400、示例图500、示例图600、示例图700、示例图800、示例图900、示例过程1000、示例图1100、示例图1200、示例图1300、示例图1400、示例图1500、示例过程1600和/或本文所述的其它系统、方法或操作所描述的至少一个方面。
本公开的至少一个实施例可以考虑以下条款来描述:
1.一种处理器,包括:
一个或更多个电路,所述一个或更多个电路用于至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在所述第一视频帧和所述第二视频帧之间生成一个或更多个中间视频帧。
2.根据条款1所述的处理器,其中,所述一个或更多个电路用于通过至少使用所述深度信息生成所述一个或更多个中间视频帧中的至少一个中间视频帧中的一个或更多个像素来生成所述一个或更多个中间视频帧,其中所述一个或更多个像素缺少在所述第一视频帧和所述第二视频帧中的至少一个中的一个或更多个对应像素。
3.根据条款1或2所述的处理器,其中,所述一个或更多个中间视频帧将使用神经网络生成。
4.根据条款1-3中任一项所述的处理器,其中,所述一个或更多个电路用于至少部分地基于一个或更多个混合因子来混合所述一个或更多个中间视频帧。
5.根据条款1-4中任一项所述的处理器,其中,所述一个或更多个电路用于通过至少使用所述深度信息以在中间帧中选择所述中间帧的一个或更多个像素来用于生成所述中间帧的一个或更多个其他像素,从而生成所述一个或更多个中间帧。
6.根据条款1-5中任一项所述的处理器,其中,所述一个或更多个电路用于使用所述深度信息生成一个或更多个滤波器,所述一个或更多个电路将使用所述一个或更多个滤波器来至少部分地基于所述一个或更多个中间帧的一个或更多个像素的一个或更多个邻近像素计算所述一个或更多个中间帧的所述一个或更多个像素。
7.根据条款1-6中任一项所述的处理器,其中,所述一个或更多个中间视频帧将至少部分地基于一个或更多个运动类型而被混合。
8.一种计算机实现的方法,包括:
至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在所述第一视频帧和所述第二视频帧之间生成一个或更多个中间视频帧。
9.根据条款8所述的计算机实现的方法,还包括:
至少部分地基于所述深度信息生成一个或更多个附加像素;以及
将所述一个或更多个附加像素添加到所述中间视频帧中的至少一个中间视频帧中。
10.根据条款8或9所述的计算机实现的方法,其中,所述深度信息用于确定与所述一个或更多个像素邻近的一个或更多个像素。
11.根据条款8所述的计算机实现的方法,其中,所述一个或更多个电路用于至少部分地基于所述第一视频帧和所述第二视频帧之间的光流来生成所述深度信息的至少部分。
12.根据条款8所述的计算机实现的方法,还包括:
接收从所述第一视频帧到所述第二视频帧的一个或更多个第一运动向量;至少部分地基于所述第一运动向量来生成从所述第二视频帧到所述第一视频帧的一个或更多个第二运动向量;以及
至少部分地基于混合所述第一运动向量和所述第二运动向量来生成所述一个或更多个中间视频帧。
13.根据条款8所述的计算机实现的方法,生成所述一个或更多个中间视频帧包括使用神经网络来生成所述一个或更多个中间视频帧。
14.根据条款8所述的计算机实现的方法,还包括:生成用于生成所述一个或更多个中间帧的滤波器。
15.一种计算机系统,包括:
一个或更多个处理器和存储指令的存储器,所述指令如果由所述一个或更多个处理器执行,则用于至少部分地基于第一视频帧或第二视频帧的一个或更多个像素的深度信息,在所述第一视频帧和所述第二视频帧之间生成一个或更多个中间视频帧。
16.根据条款15所述的计算机系统,其中,所述一个或更多个中间视频帧将至少部分地基于所述第一视频帧和所述第二视频帧中的至少一个中显示的动态对象的一个或更多个运动而进行混合。
17.根据条款15所述的计算机系统,其中,所述一个或更多个中间视频帧将至少部分地基于所述第一视频帧的第一视点位置和所述第二视频帧的第二视点位置而进行混合。
18.根据条款15所述的计算机系统,其中,一个或更多个中间视频帧将至少部分地基于所述第一视频帧和所述第二视频帧中的至少一个中显示的一个或更多个静态对象而进行混合。
19.根据条款15所述的计算机系统,其中,所述指令包括在至少一个所述中间视频帧中生成至少一个像素的指令,所述至少一个像素缺少在所述第一视频帧和所述第二视频帧中的至少一个中的对应像素。
20.根据条款15所述的计算机系统,其中,所述指令使得所述一个或更多个处理器生成所述一个或更多个中间视频帧,所述指令如果由所述一个或更多个处理器执行,则使所述一个或更多个处理器使用所述深度信息来至少部分地基于所述一个或更多个中间视频帧的多个其他像素来计算所述一个或更多个中间视频帧的一个或更多个像素值。
在至少一个实施例中,单个半导体平台可以指基于唯一单一半导体的集成电路或芯片。在至少一个实施例中,可以使用具有增加的连接性的多芯片模块,该多芯片模块模拟芯片上操作,并且相对于利用常规中央处理单元(“CPU”)和总线实现方式做出实质性改进。在至少一个实施例中,各种模块也可以根据用户的期望单独地位于半导体平台的各种组合中。
在至少一个实施例中,返回参考图23,呈机器可读可执行代码或计算机控制逻辑算法形式的计算机程序被存储在主存储器2304和/或辅助存储器中。计算机程序在由一个或更多个处理器执行时使得系统2300能够根据至少一个实施例执行各种功能。在至少一个实施例中,存储器2304、存储装置和/或任何其他存储装置是计算机可读介质的可能示例。在至少一个实施例中,辅助存储器可以指代任何合适的存储设备或系统,如硬盘驱动器和/或可移动存储驱动器,表示软盘驱动器、磁带驱动器、致密盘驱动器、数字通用盘(“DVD”)驱动器、记录设备、通用串行总线(“USB”)闪存等。在至少一个实施例中,在CPU 2302、并行处理系统2312、能够进行CPU 2302、并行处理系统2312两者的至少一部分能力的集成电路、芯片组(例如,被设计为作为用于执行相关功能的单元而工作和销售的一组集成电路等)、和/或集成电路的任何合适组合的上下文中实现不同先前附图的架构和/或功能。
在至少一个实施例中,在通用计算机系统、电路板系统、专用于娱乐目的的游戏控制台系统、专用系统等等的背景下实施不同先前附图的架构和/或功能性。在至少一个实施例中,计算机系统2300可以采取以下形式:台式计算机、膝上型计算机、平板计算机、服务器、超级计算机、智能电话(例如,无线手持式设备)、个人数字助理(“PDA”)、数码相机、车辆、头戴式显示器、手持式电子设备、移动电话设备、电视机、工作站、游戏控制台、嵌入式系统、和/或任何其他类型的逻辑。
在至少一个实施例中,并行处理系统2312包括但不限于多个并行处理单元(“PPU”)2314和相关联的存储器2316。在至少一个实施例中,PPU 2314经由互连2318和交换机2320或多路复用器连接到主机处理器或其他外围设备。在至少一个实施例中,并行处理系统2312跨PPU 2314分配计算任务,这些PPU可以是可并行的——例如,作为跨多个图形处理单元(“GPU”)线程块分配计算任务的一部分。在至少一个实施例中,跨PPU 2314中的一些或全部来共享和访问(例如,用于读和/或写访问)存储器,但是这种共享存储器可能会引起相对于使用本地存储器和驻留在PPU 2314中的寄存器的性能损失。在至少一个实施例中,PPU 2314的操作通过使用命令(诸如___syncothreads())来同步,其中,块中的所有线程(例如,跨多个PPU 2314执行)在继续之前达到代码的执行的某个点。
其他变型是在本披露的精神内。因此,虽然所公开的技术易受不同修改和替代构造的影响,但是其某些所示实施例在附图中示出并且在上文已经详细描述。然而,应当理解,并不旨在将本公开限制于所公开的一种或多种具体形式,而是相反,旨在覆盖落入如所附权利要求所限定的本公开的精神和范围内的所有修改、替代构造和等同物。
在描述所披露的实施例的上下文中(尤其是在以下权利要求的上下文中),术语“一个”和“一种”以及“所述”以及类似指示物的使用应被解释为涵盖单数和复数两者,除非在此另外指示或与上下文明显矛盾,并且不是作为术语的定义。除非另外指出,否则术语“包含”、“具有”、“包括”和“含有”应被解释为开放式术语(意味着“包括但不限于”)。当未修改并且指代物理连接时,“连接”应被解释为部分地或完全地包含在、附接至或连接在一起,即使存在介入物。除非本文中另外指明,否则本文中的值的范围的列举仅旨在用作单独地提及落入范围内的每个单独值的速记方法,并且每个单独值如同其在本文中单独地列举一样被结合到说明书中。在至少一个实施例中,除非另外指明或上下文矛盾,否则术语“集合”(例如,“项目集合”)或“子集”的使用将被解释为包括一个或更多个成员的非空集合。此外,除非另有说明或与上下文矛盾,否则术语对应集的“子集”不一定表示对应集的合适子集,而是子集和对应集可以相等。
除非另外确切地陈述或另外与上下文明显矛盾,否则连接语言(如“A、B和C中的至少一个”或“A、B和C中的至少一个”形式的短语)另外与通常使用的上下文一起被理解为呈现项目、术语等可以是A或B或C、或A和B和C的集合的任何非空子集。例如,在具有三个成员的组的示例性实例中,连接短语“A、B以及C中的至少一个”以及“A、B以及C中的至少一个”指以下组中的任一个:{A}、{B}、{C}、{A、B}、{A、C}、{B、C}、{A、B、C}。因此,这种连接语言一般不旨在暗示某些实施例要求各自存在A中的至少一个、B中的至少一个以及C中的至少一个。此外,除非上下文另有说明或矛盾,否则术语“多个”表示多个状态(例如,“多个项”表示多个项)。在至少一个实施例中,多个中的项的数目是至少两个,但是当显式地或通过上下文这样指示时可以更多。此外,除非另外陈述或从上下文另外清楚,否则短语“基于”是指“至少部分地基于”而不是“单独地基于”。
在此描述的过程的操作可以按任何适合的顺序执行,除非在此另外指示或另外与上下文明显矛盾。在至少一个实施例中,诸如本文中描述的那些过程(或其变型和/或组合)的过程在配置有可执行指令的一个或更多个计算机系统的控制下执行,并且通过硬件或其组合实施为在一个或更多个处理器上共同执行的代码(例如,可执行指令、一个或更多个计算机程序或一个或更多个应用)。在至少一个实施例中,代码例如以包括可由一个或更多个处理器执行的多个指令的计算机程序的形式存储在计算机可读存储介质上。在至少一个实施例中,计算机可读存储介质是非瞬态计算机可读存储介质,该非瞬态计算机可读存储介质不包括瞬态信号(例如,传播瞬态电或电磁传输)但包括在瞬态信号的收发器内的非瞬态数据存储电路(例如,缓冲区、高速缓存、和队列)。在至少一个实施例中,代码(例如,可执行代码或源代码)存储在具有存储在其上的可执行指令(或用于存储可执行指令的其他存储器)的一个或更多个非暂态计算机可读存储介质的集合上,所述可执行指令当由计算机系统的一个或更多个处理器执行(即,由于被执行)时使计算机系统执行本文中所描述的操作。在至少一个实施例中,一组非暂态计算机可读存储介质包括多个非暂态计算机可读存储介质,并且多个非暂态计算机可读存储介质中的单独的非暂态存储介质中的一个或更多个缺少所有代码,而多个非暂态计算机可读存储介质共同地存储所有代码。在至少一个实施例中,可执行指令被执行,使得不同的指令被不同的处理器执行一例如,非瞬态计算机可读存储介质存储指令,并且主中央处理单元(“CPU”)执行一些指令,而图形处理单元(“GPU”)执行其他指令。在至少一个实施例中,计算机系统的不同组件具有单独的处理器并且不同的处理器执行不同的指令子集。
因此,在至少一个实施例中,计算机系统被配置成实施一个或更多个服务,该一个或更多个服务单独地或共同地执行在此所描述的过程的操作,并且这样的计算机系统被配置有能够执行操作的适用硬件和/或软件。进一步,实现本公开的至少一个实施例的计算机系统是单个设备,并且在另一个实施例中,是分布式计算机系统,其包括不同地操作的多个设备,使得分布式计算机系统执行本文描述的操作,并且使得单个设备不执行所有操作。
使用在此提供的任何和所有实例或示例性语言(例如,“如”)仅旨在更好地阐明本披露的实施例并且不对本披露的范围造成限制,除非另外要求。说明书中的语言不应被解释为指示任何未要求保护的元件对本公开的实践是必不可少的。
在此引用的所有参考文献(包括出版物、专利申请、以及专利)通过引用结合在此,其程度如同每个参考文献被单独地并且特别地指明通过引用结合在此,并且以其全文在此列出。
在说明书和权利要求书中,可以使用术语“联接”和“连接”以及它们的派生词。应当理解,这些术语并不旨在作为彼此的同义词。相反,在具体示例中,“连接”或“耦接”可以用于指示两个或更多个元件彼此直接或间接物理或电接触。“耦合”还可以意味着两个或更多个元件彼此不直接接触,但仍彼此合作或交互。
除非另外确切地陈述,否则应当理解的是,贯穿说明书术语如“处理”、“计算”、“计算”、“确定”或类似术语是指计算机或计算系统或类似电子计算设备的动作和/或过程,该动作和/或过程将表示为计算系统的寄存器和/或存储器内的物理(如电子)量的数据操纵和/或转换为类似地表示为计算系统的存储器、寄存器或其他此类信息存储、传输或显示设备内的物理量的其他数据。
以类似的方式,术语“处理器”可以指处理来自寄存器和/或存储器的电子数据并且将该电子数据转换成可以存储在寄存器和/或存储器中的其他电子数据的任何装置或装置的一部分。作为非限制性实例,“处理器”可以是CPU或GPU。“计算平台”可以包括一个或更多个处理器。如本文所使用的,“软件”过程可包括例如随时间执行工作的软件和/或硬件实体,诸如任务、线程和智能代理。而且,每个过程可以指用于顺序地或并行地、连续地或间歇地执行指令的多个过程。在至少一个实施例中,术语“系统”和“方法”在此可互换地使用,只要系统可以体现一个或更多个方法并且方法可以被认为是系统。
在本文件中,可以参考获得、获取、接收或输入模拟或数字数据到子系统、计算机系统或计算机实现的机器中。在至少一个实施例中,获得、获取、接收或输入模拟和数字数据的过程可以以各种方式完成,诸如通过接收数据作为函数调用或对应用编程接口的调用的参数。在至少一个实施例中,获得、获取、接收或输入模拟或数字数据的过程可以通过经由串行或并行接口传送数据来完成。在至少一个实施例中,获得、获取、接收或输入模拟或数字数据的过程可通过经由计算机网络从提供实体向获取实体传送数据来完成。在至少一个实施例中,还可参考提供、输出、传送、发送或呈现模拟或数字数据。在不同示例中,提供、输出、传送、发送或呈现模拟或数字数据的过程可以通过传送数据作为函数调用的输入或输出参数、应用编程接口或进程间通信机制的参数来实现。
尽管本文中的描述阐述了所描述的技术的示例实现方式,但其他架构可以用于实现所描述的功能,并且旨在处于本披露的范围内。此外,尽管出于描述的目的可在上文定义职责的特定分布,但可根据环境以不同方式分布和划分不同功能和职责。
此外,尽管已经用结构特征和/或方法动作专用的语言描述了主题,但可以理解,所附权利要求书中所要求保护的主题不必限于所述具体特征或动作。相反,特定特征和动作被公开为实现权利要求的示例性形式。
- 一种基于视频帧自适应的视频增强方法及视频增强系统
- 一种基于视频帧自适应的视频增强方法及应用其的视频增强系统