Введение
В последней статье, посвященной этой теме, мы обсуждали алгоритмы с точки зрения временной сложности.
Теперь, когда мы знакомы с этой частью, давайте посмотрим дальше в исследовании, сначала перейдя к параметрам ЦП, которые можно оптимизировать с помощью машинного обучения.
Соображения относительно проектных параметров ЦП
1.Энергия
Сначала мы инициализируем энергопотребление ЦП, например. У меня есть MacBook Pro, у которого есть начальный предел = S. Который изначально S=100% на пике. Но по мере того, как использование устройства увеличивается, и оно проходит циклы зарядки и разрядки, оно теряет свою первоначальную ценность.
2.Архитектура
Чтобы архитектура была как минимум оптимальной, лучше выбрать ЦП, использующий архитектуру RISC, потому что:
- RISC использовал больше оперативной памяти и меньше ПЗУ
- Дизайн конвейера инструкций прост, потому что он использует простые аргументы и операторы.
- ARM CORTEX M — это предложение
3. Тепловыделение
- Чем больше количество процессоров, тем больше тепловыделение (в ваттах), которое является стандартом кремниевой промышленности для расчета тепловой энергии.
2. Правило вариации =
A) Больше процессоров, больше нагрузки и
Б) Больше ОЗУ, больше рабочая нагрузка, если она не распределена ~ для меньшего энергопотребления для одного процесса.
…..
Подводя итог, мы можем сказать, что ЦП может лучше всего решать часть алгоритмов временной сложности, когда:
— — — — — — — — — — — — — — — — — — — -
