用于深度学习框架的细粒度计算通信执行的制作方法

本申请要求2017年5月5日提交的62/502,453号美国临时申请的权益，该美国临时申请藉此通过引用而被纳入本文。实施例总体上涉及数据处理，且更具体地涉及经由通用图形处理单元进行的数据处理。
背景技术：
当前的并行图形数据处理包括被开发用于对图形数据执行特定操作的系统和方法，这些特定操作如例如线性内插、曲面细分、栅格化、纹理映射、深度测试等。传统上，图形处理器使用固定功能计算单元来处理图形数据；然而，最近，图形处理器的多个部分已变得可编程，从而使得这样的处理器能够支持用于处理顶点和片段数据的更广泛种类的操作。为进一步提高性能，图形处理器通常实施处理技术(比如，流水线操作)，这些处理技术试图贯穿图形流水线的不同部分来并行处理尽可能多的图形数据。具有单指令多线程(simt)架构的并行图形处理器被设计成最大化图形流水线中的并行处理量。在simt架构中，多组并行线程试图尽可能经常地一起同步执行程序指令，以提高处理效率。用于simt架构的软件和硬件的一般性概述可以在以下两者中找到：shanecook的cuda编程(cudaprogramming)，第3章，第37-51页(2013年)；和/或nicholaswilt的cuda手册(gpu编程的综合指南(acomprehensiveguidetogpuprogramming))，章节2.6.2到3.1.2(2013年6月)。附图说明为使得可以详细地理解本发明的特征，可通过参考实施例来具有对本发明的更具体的描述，在附图中展示了这些实施例中的一些。然而，应注意的是，附图仅展示典型的实施例，且因此将不被视为限制所有实施例的范围。图1是展示了被配置成实现本文所述的实施例的一个或多个方面的计算机系统的框图；图2a至图2d展示了根据实施例的并行处理器部件；图3a至图3b是根据实施例的图形多处理器的框图；图4a至图4f展示了其中多个gpu通信地耦合至多个多核处理器的示例性架构；图5展示了根据实施例的图形处理流水线；图6展示了根据实施例的机器学习软件堆叠；图7展示了根据实施例的高度并行的通用图形处理单元；图8展示了根据实施例的多gpu计算系统；图9a至图9b展示了示例性深度神经网络的层；图10展示了示例性递归神经网络；图11展示了深度神经网络的训练和部署；图12是展示分布式学习的框图；图13展示了适合于使用训练模型执行推断的示例性推断用芯片上系统(soc)；图14a至图14e示出了根据本文中所述的实施例在跨多个计算节点所执行的分布式机器学习计算操作期间使用的通信模式；图15a至图15c示出了由本文中所述的实施例所提供的机器学习扩展库的体系结构细节；图16a至图16b示出了由本文中所述的实施例所启用的分布式机器学习训练；图16c示出了根据实施例的使用点对点原语的节点间通信；图17a示出了根据实施例的多节点计算系统；图17b示出了根据实施例的具有分布式虚拟地址的点对点网络；图18示出了根据实施例的替代的mlsl架构；图19a示出了适合用于细粒度计算和通信重叠的张量计算操作；图19b示出了根据实施例的多节点系统之间的同步存储器访问；图19c示出了被加以扩展以实现高速缓存存储器数据的粗粒度高速缓存一致性的存储器通信语义；图20a-20b示出了描述用于经由mlslapi来实现分布式机器学习的操作的流程图；图21a-21b示出了根据本文中所描述的实施例的执行神经网络的分布式训练的方法；图22是根据本文中所述的实施例的数据处理系统的框图；图23是根据实施例的处理系统的框图。图24是根据实施例的处理器的框图；图25是根据实施例的图形处理器的框图；图26是根据一些实施例的图形处理器的图形处理引擎的框图；图27是由附加实施例提供的图形处理器的框图；图28展示了线程执行逻辑，所述线程执行逻辑包括在一些实施例中采用的处理元件阵列；图29是展示了根据一些实施例的图形处理器指令格式的框图；图30是根据另一个实施例的图形处理器的框图；图31a至图31b展示了根据一些实施例的图形处理器命令格式和命令序列；图32展示了根据一些实施例的数据处理系统的示例性图形软件架构；图33是展示了根据实施例的ip核开发系统的框图；图34是展示了根据实施例的示例性芯片上系统集成电路的框图；图35是展示了根据实施例的附加图形处理器的框图；以及图36是展示了根据实施例的芯片上系统集成电路的附加示例性图形处理器的框图。具体实施方式在一些实施例中，图形处理单元(gpu)被可通信地耦合到主机/处理器核以加速图形操作、机器学习操作、模式分析操作、以及各种通用gpu(gpgpu)功能。gpu可通过总线或另一互连(例如，诸如pcie或nvlink之类的高速互连)被可通信地耦合到主机处理器/核。在其他实施例中，gpu可被集成在与核相同的封装或芯片上，并通过内部处理器总线/互连(即，在封装或芯片的内部)被可通信地耦合到核。不管gpu被连接的方式，处理器核可以以工作描述符中所包含的命令/指令的序列的形式将工作分配给gpu。gpu随后使用专用电路/逻辑以用于高效地处理这些命令/指令。在以下描述中，阐述了很多特定细节来提供更全面的理解。然而，将对本领域技术人员显而易见的是，没有这些特定细节中的一个或多个，也可实践本文中所描述的实施例。在其他实例中，未描述公知的特征以避免使本实施例的细节变得模糊。系统概述图1是展示了被配置成实现本文所述的实施例的一个或多个方面的计算机系统100的框图。计算系统100包括处理子系统101，所述处理子系统具有一个或多个处理器102和系统存储器104，所述一个或多个处理器和所述系统存储器经由互连路径进行通信，所述互连路径可以包括存储器中枢105。存储器中枢105可以是芯片组部件内的单独的部件，也可以集成在一个或多个处理器102内。存储器中枢105经由通信链路106与i/o子系统111耦合。i/o子系统111包括i/o中枢107，所述i/o中枢可以使得计算系统100能够从一个或多个输入设备108接收输入。另外，i/o中枢107可以使得显示控制器(所述显示控制器可以被包括在一个或多个处理器102中)能够向一个或多个显示设备110a提供输出。在一个实施例中，与i/o中枢107耦合的一个或多个显示设备110a可以包括本地显示设备、内部显示设备或嵌入式显示设备。在一个实施例中，处理子系统101包括一个或多个并行处理器112，所述一个或多个并行处理器经由总线或其他通信链路113耦合至存储器中枢105。通信链路113可以是任意数量的基于标准的通信链路技术或协议(诸如但不限于pciexpress)中的一个，也可以是供应方特定的通信接口或通信结构。在一个实施例中，一个或多个并行处理器112形成以计算为中心的并行或向量处理系统，所述系统包括大量处理核和/或处理集群诸如集成众核(mic)处理器。在一个实施例中，一个或多个并行处理器112形成图形处理子系统，所述图形处理子系统可以向经由i/o中枢107耦合的一个或多个显示设备110a中的一个输出像素。一个或多个并行处理器112还可以包括显示控制器和显示接口(未示出)以实现到一个或多个显示设备110b的直接连接。在i/o子系统111内，系统存储单元114可以连接至i/o中枢107来为计算系统100提供存储机制。i/o开关116可以用于提供接口机制以实现i/o中枢107和可以集成到平台中的其他部件诸如网络适配器118和/或无线网络适配器119以及可以经由一个或多个插入式设备120添加的各种其他设备之间的连接。网络适配器118可以是以太网适配器或另一种有线网络适配器。无线网络适配器119可以包括wi-fi、蓝牙、近场通信(nfc)或包括一个或多个无线电装置的其他网络设备中的一个或多个。计算系统100可以包括未明确示出的其他部件，这些部件包括usb或其他端口连接件、光存储驱动器、视频捕获设备等，也可以连接至i/o中枢107。图1中将各种部件互连的通信路径可以使用任何合适的协议诸如基于pci(外围部件互连)的协议(例如，pci-express)，或(多个)任何其他总线或点对点通信接口和/或协议诸如nv-link高速互连或本领域中已知的互连协议来实现。在一个实施例中，一个或多个并行处理器112并入有为进行图形和视频处理而优化的电路，包括例如视频输出电路，并且所述电路构成图形处理单元(gpu)。在另一个实施例中，一个或多个并行处理器112并入有为进行通用处理而优化的电路，同时保留了本文更详细描述的基础计算架构。在又一个实施例中，计算系统100的各部件可以与一个或多个其他系统元件集成在单个集成电路上。例如，一个或多个并行处理器112、存储器中枢105、(多个)处理器102和i/o中枢107可以集成到芯片上系统(soc)集成电路中。可替代地，计算系统100的各部件可以集成到单个封装中以形成封装中系统(sip)配置。在其他实施例中，计算系统100的各部件的至少一部分可以集成到多芯片模块(mcm)中，所述多芯片模块可以与其他多芯片模块互连成模块化计算系统。应当理解，本文所示的计算系统100是例示性的并且变型和修改是可能的。连接拓扑可以根据需要进行修改，所述连接拓扑包括桥的数量和安排、(多个)处理器102的数量和(多个)并行处理器112的数量。例如，在一些实施例中，系统存储器104直接而不是通过桥连接至(多个)处理器102，而其他设备经由存储器中枢105和(多个)处理器102与系统存储器104进行通信。在其他替代性拓扑中，(多个)并行处理器112连接至i/o中枢107或直接连接至一个或多个处理器102中的一个，而不是连接至存储器中枢105。在其他实施例中，i/o中枢107和存储器中枢105可以集成到单个芯片中。一些实施例可以包括经由多个插座附接的(多个)处理器102的两个或更多个组，这两个或更多个组可以与(多个)并行处理器112的两个或更多个实例耦合。本文示出的一些特定部件是可选的并且可能不被包括在计算系统100的所有实现中。例如，可以支持任意数量的插入式卡或外围装置，或者可以省去一些部件。此外，一些架构可以使用不同的术语来描述与图1所示类似的部件。例如，在一些架构中，存储器中枢105可以被称为北桥，而i/o中枢107可以被称为南桥。图2a展示了根据实施例的并行处理器200。并行处理器200的各种部件可以使用诸如可编程处理器、专用集成电路(asic)或现场可编程门阵列(fpga)的一个或多个集成电路设备来实现。根据实施例，所展示的并行处理器200是图1所示的一个或多个并行处理器112的变体。在一个实施例中，并行处理器200包括并行处理单元202。所述并行处理单元包括i/o单元204，所述i/o单元实现与其他设备包括并行处理单元202的其他实例的通信。i/o单元204可以直接连接至其他设备。在一个实施例中，i/o单元204经由诸如存储器中枢105的中枢或开关接口的使用来与其他设备连接。存储器中枢105与i/o单元204之间的连接形成通信链路113。在并行处理单元202内，i/o单元204与主机接口206和存储器交叉开关216连接，其中主机接口206接收涉及执行处理操作的命令，并且存储器交叉开关216接收涉及执行存储器操作的命令。当主机接口206经由i/o单元204接收命令缓冲时，主机接口206可以将用于执行那些命令的工作操作引导至前端208。在一个实施例中，前端208与调度器210耦合，所述调度器被配置成将命令或其他工作项目分布至处理集群阵列212。在一个实施例中，调度器210确保处理集群阵列212被正确配置，并且在将任务分布至处理集群阵列212中的处理集群之前处于有效状态。在一个实施例中，经由在微控制器上执行的固件逻辑来实现调度器210。经微控制器实现的调度器210可配置成在粗粒度和细粒度下执行复杂的调度和工作分布操作，从而使得能够快速抢占和上下文切换在处理阵列212上执行的线程。在一个实施例中，主机软件可以经由多个图形处理门铃机制中的一者来证明用于在处理阵列212上调度的工作负荷。然后，这些工作负荷可以由调度器微控制器内的调度器210逻辑跨越处理阵列212自动地分布。处理集群阵列212可以包括多达“n”个处理集群(例如，集群214a，集群214b，一直到集群214n)。处理集群阵列212的每个集群214a至214n均可执行大量并发线程。调度器210可以使用各种调度和/或工作分发算法来向处理集群阵列212的集群214a至214n分配工作，这些算法可以依据每种类型的程序或计算引起的工作负荷而变化。调度可以由调度器210动态地处置，或者可以在编译被配置成由处理集群阵列212执行的程序逻辑的过程中由编译器逻辑部分地协助。在一个实施例中，处理集群阵列212的不同集群214a至214n可以被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。处理集群阵列212可以被配置成执行各种类型的并行处理操作。在一个实施例中，处理集群阵列212被配置成执行通用并行计算操作。例如，处理集群阵列212可以包括用于执行处理任务包括视频和/或音频数据的过滤，执行建模操作包括物理操作，以及执行数据变换的逻辑。在一个实施例中，处理集群阵列212被配置成执行并行图形处理操作。在其中并行处理器200被配置成执行图形处理操作的实施例中，处理集群阵列212可以包括用于支持此类图形处理操作的执行的附加逻辑，包括但不限于用于执行纹理操作的纹理采样逻辑以及曲面细分逻辑和其他顶点处理逻辑。另外，处理集群阵列212可以被配置成执行与图形处理相关的着色器程序，诸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。并行处理单元202可以经由i/o单元204从系统存储器传递数据以进行处理。在处理期间，可以在处理期间将经传递的数据存储到片上存储器(例如，并行处理器存储器222)，然后写回到系统存储器。在一个实施例中，当并行处理单元202用于执行图形处理时，调度器210可以被配置成将处理工作负荷分成大致相等大小的任务，以更好地使得图形处理操作能够分发到处理集群阵列212的多个集群214a至214n。在一些实施例中，处理集群阵列212的各部分可以被配置成执行不同类型的处理。例如，第一部分可以被配置成执行顶点着色和拓扑生成，第二部分可以被配置成执行曲面细分和几何着色，第三部分可以被配置成执行像素着色或其他屏幕空间操作，以产生渲染的图像进行显示。由集群214a至214n中的一个或多个产生的中间数据可以存储在缓冲器中以允许中间数据在集群214a至214n之间传输以用于进一步处理。在操作期间，处理集群阵列212可以接收将经由调度器210执行的处理任务，所述调度器从前端208接收定义处理任务的命令。对于图形处理操作，处理任务可以包括要处理的数据例如表面(补片(patch))数据、图元数据、顶点数据和/或像素数据以及定义如何处理数据的状态参数和命令(例如，要执行哪个程序)的索引。调度器210可以被配置成获取对应于任务的索引或者可以从前端208接收索引。前端208可以被配置成确保处理集群阵列212在由传入命令缓冲器(例如，批处理缓冲器、入栈缓冲器等)指定的工作负荷被发起之前被配置成有效状态。并行处理单元202的一个或多个实例中的每一个均可与并行处理器存储器222耦合。并行处理器存储器222可以经由存储器交叉开关216来访问，所述存储器交叉开关可以从处理集群阵列212以及i/o单元204接收存储器请求。存储器交叉开关216可以经由存储器接口218访问并行处理器存储器222。存储器接口218可以包括多个分区单元(例如，分区单元220a，分区单元220b，一直到分区单元220n)，这些分区单元可以各自耦合至并行处理器存储器222的一部分(例如，存储器单元)。在一个实现中，分区单元220a至220n的数量被配置成等于存储器单元的数量，使得第一分区单元220a具有对应的第一存储器单元224a，第二分区单元220b具有对应的存储器单元224b，以及第n分区单元220n具有对应的第n存储器单元224n。在其他实施例中，分区单元220a至220n的数量可能不等于存储器设备的数量。在各种实施例中，存储器单元224a至224n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，诸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。在一个实施例中，存储器单元224a至224n还可以包括3d堆叠式存储器，包括但不限于高带宽存储器(hbm)。本领域技术人员将会理解，存储器单元224a至224n的具体实现可以变化，并且可以由各种常规设计之一进行选择。诸如帧缓冲器或纹理映射的渲染目标可存储在存储器单元224a至224n上，从而允许分区单元220a至220n并行地写入每个渲染目标的各部分，以高效地使用并行处理器存储器222的可用带宽。在一些实施例中，为了支持利用系统存储器连同本地高速缓存存储器的统一存储器设计，可以将并行处理器存储器222的本地实例排除在外。在一个实施例中，处理集群阵列212的集群214a至214n中的任一个可以处理将写入并行处理器存储器222内的存储器单元224a至224n中的任一个的数据。存储器交叉开关216可以被配置成将每个集群214a至214n的输出传递到任何分区单元220a至220n或另一个集群214a至214n，这可以对所述输出执行附加处理操作。每个集群214a至214n均可通过存储器交叉开关216与存储器接口218进行通信以针对各种外部存储器设备进行读取或写入操作。在一个实施例中，存储器交叉开关216可连接至存储器接口218以与i/o单元204通信，并且可连接至并行处理器存储器222的本地实例，从而使得不同处理集群214a至214n内的处理单元能够与系统存储器或对于并行处理单元202并非本地的其他存储器进行通信。在一个实施例中，存储器交叉开关216可以使用虚拟信道来分离集群214a至214n与分区单元220a至220n之间的业务流。虽然并行处理单元202的单个实例展示为在并行处理器200内，但并行处理单元202的任意数量的实例也可以被包括在内。例如，可以在单个插入式卡上提供并行处理单元202的多个实例，或者可以使多个插入式卡互连。即使不同实例具有不同的处理核数量、不同的本地并行处理器存储量和/或其他配置差异，并行处理单元202的不同实例也可以被配置成交互操作。例如，以及在一个实施例中，并行处理单元202的一些实例可以包括相对于其他实例的较高精度的浮点单元。并入有并行处理单元202或并行处理器200的一个或多个实例的系统可以以各种配置和形状因数来实现，包括但不限于台式计算机、膝上型计算机或手持式个人计算机、服务器、工作站、游戏控制台和/或嵌入式系统。图2b是根据实施例的分区单元220的框图。在一个实施例中，分区单元220是图2a的分区单元220a至220n中的一者的实例。如所展示，分区单元220包括l2高速缓存221、帧缓冲器接口225和rop226(栅格操作单元)。l2高速缓存221是读/写高速缓存，其被配置成执行负荷并存储从存储器交叉开关216和rop226接收的操作。由l2高速缓存221将读未命中和紧急回写请求输出至帧缓冲器接口225以供处理。也可以经由帧缓冲器接口225将更新发送至帧缓冲器以供处理。在一个实施例中，帧缓冲器接口225与并行处理器存储器中的存储器单元(比如，图2的存储器单元224a至224n(例如，在并行处理器存储器222内))之一接口连接。在图形应用中，rop226是处理单元，其执行栅格操作(比如，模板印刷(stencil)、z测试、混色等等)。然后，rop226输出被存储在图形存储器中的已处理图形数据。在一些实施例中，rop226包括压缩逻辑，所述压缩逻辑用于压缩被写入至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。压缩逻辑可以是使用多种压缩算法中的一种或多种的无损压缩逻辑。由rop226执行的压缩的类型可以基于待压缩的数据的统计特性而变化。例如，在一个实施例中，逐图块地对深度和颜色数据执行δ色彩压缩。在一些实施例中，rop226被包括在每个处理集群(例如，图2的集群214a至214n)内而不是分区单元220内。在这个实施例中，通过存储器交叉开关216而不是像素片段数据来传输对像素数据的读取和写入请求。经处理图形数据可以显示在显示设备诸如图1的一个或多个显示设备110中的一个上，由(多个)处理器102路由以用于进一步处理，或者由图2a的并行处理器200内的处理实体中的一个路由以用于进一步处理。图2c是根据实施例的并行处理单元内的处理集群214的框图。在一个实施例中，处理集群是图2的处理集群214a至214n中的一个的实例。处理集群214可以被配置成并行地执行多个线程，其中术语“线程”是指在特定输入数据集上执行的特定程序的实例。在一些实施例中，使用单指令多数据(simd)指令发布技术来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。在其他实施例中，使用单指令多线程(simt)技术来使用被配置成向处理集群的每一个内的一组处理引擎发出指令的公共指令单元来支持大量大致同步线程的并行执行。与所有处理引擎通常执行相同指令的simd执行机制不同，simt执行允许不同线程更容易地遵循穿过给定线程程序的发散执行路径。本领域技术人员将会理解，simd处理机制表示simt处理机制的功能子集。处理集群214的操作可以经由向simt并行处理器分发处理任务的流水线管理器232来控制。流水线管理器232从图2的调度器210接收指令并且经由图形多处理器234和/或纹理单元236来管理那些指令的执行。所展示的图形多处理器234是simt并行处理器的示例性实例。然而，不同架构的各种类型的simt并行处理器可以被包括在处理集群214内。图形多处理器234的一个或多个实例可以被包括在处理集群214内。图形多处理器234可以处理数据，并且数据交叉开关240可以用于将经处理数据分配到包括其他着色单元的多个可能目的地中的一个。流水线管理器232可以通过为将经由数据交叉开关240分发的数据指定目的地来促进经处理数据的分发。处理集群214内的每个图形多处理器234均可包括相同的功能执行逻辑组(例如，算术逻辑单元、加载存储单元等)。功能执行逻辑可以通过流水线方式进行配置，其中可以在完成先前的指令之前发出新的指令。功能执行逻辑支持各种运算，包括整数和浮点算数、比较运算、布尔运算、位移位和各种代数函数的计算。在一个实施例中，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意组合。传输到处理集群214的指令构成线程。在一组并行处理引擎上执行的一组线程是线程组。线程组在不同的输入数据上执行相同的程序。线程组内的每个线程均可被分配到图形多处理器234内的不同处理引擎。线程组可以包括比图形多处理器234内的处理引擎的数量更少的线程。当线程组包括比处理引擎的数量更少的线程时，处理引擎中的一个或多个处理引擎可能在处理所述线程组的周期期间空闲。线程组还可以包括比图形多处理器234内的处理引擎的数量更多的线程。当线程组包括比图形多处理器234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上执行处理。在一个实施例中，可以在图形多处理器234上同时执行多个线程组。在一个实施例中，图形多处理器234包括用于执行加载和存储操作的内部高速缓存存储器。在一个实施例中，图形多处理器234可以放弃内部高速缓存而是在处理集群214内使用高速缓存存储器(例如，l1高速缓存308)。每个图形多处理器234还可以访问在所有处理集群214之间共享的分区单元(例如，图2的分区单元220a至220n)内的l2高速缓存，并且可以用于在线程之间传递数据。图形多处理器234还可以访问片外全局存储器，所述片外全局存储器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多个。并行处理单元202外部的任何存储器可以用作全局存储器。其中处理集群214包括图形多处理器234的多个实例的实施例可以共享可以在l1高速缓存308中存储的公共指令和数据。每个处理集群214均可包括被配置成将虚拟地址映射到物理地址的mmu245(存储器管理单元)。在其他实施例中，mmu245中的一个或多个实例可以驻留在图2的存储器接口218内。mmu245包括用于将虚拟地址映射到图块(tile)的物理地址和可选地高速缓存行索引的一组页表条目(pte)。mmu245可以包括可以驻留在图形多处理器234或l1高速缓存或处理集群214内的地址转换后备缓冲器(tlb)或高速缓存。对物理地址进行处理以分发表面数据访问局部性以实现分区单元之间的高效请求交错。可以使用高速缓存行索引来确定对高速缓存行的请求是命中还是未命中。在图形和计算应用中，处理集群214可以被配置成使得每个图形多处理器234均耦合至纹理单元236以执行纹理映射操作，例如确定纹理样本位置、读取纹理数据和过滤纹理数据。纹理数据是从内部纹理l1高速缓存(未示出)或者在一些实施例中从图形多处理器234内的l1高速缓存读取，并且是根据需要从l2高速缓存、本地并行处理器存储器或系统存储器获取。每个图形多处理器234向数据交叉开关240输出经处理任务以向另一个处理集群214提供经处理任务以用于进一步处理或经由存储器交叉开关216在l2高速缓存、本地并行处理器存储器或系统存储器中存储经处理任务。prerop242(预先栅格操作单元)被配置成从图形多处理器234接收数据，将数据引导到rop单元，这些rop单元可以如本文所述的那样用分区单元(例如，图2的分区单元220a至220n)定位。prerop242单元可以对颜色混合进行优化、组织像素颜色数据并执行地址转换。应当理解，本文所述的核架构是例示性的并且变型和修改是可能的。例如图形多处理器234、纹理单元236、prerop242等任意数量的处理单元可以被包括在处理集群214内。此外，虽然仅示出一个处理集群214，但如本文所述的并行处理单元可以包括处理集群214的任意数量的实例。在一个实施例中，每个处理集群214均可被配置成使用单独的和不同的处理单元、l1高速缓存等来独立于其他处理集群214而操作。图2d示出了根据一个实施例的图形多处理器234。在这样的实施例中，图形多处理器234与处理集群214的流水线管理器232耦合。图形多处理器234具有执行流水线，所述执行流水线包括但不限于指令高速缓存252、指令单元254、地址映射单元256、寄存器堆258、一个或多个通用图形处理单元(gpgpu)核262和一个或多个加载/存储单元266。gpgpu核262和加载/存储单元266经由存储器和高速缓存互连268与高速缓存存储器272和共享存储器270耦合。在一个实施例中，指令高速缓存252从流水线管理器232接收要执行的指令流。将这些指令高速缓存在指令高速缓存252中并分派用于由指令单元254执行。指令单元254可以将指令作为线程组(例如，经线)进行分派，线程组的每个线程均被分配到gpgpu核262内的不同执行单元。指令可以通过在统一地址空间内指定地址来访问本地、共享或全局地址空间中的任一个。地址映射单元256可以用于将统一地址空间中的地址转换成可由加载/存储单元266访问的不同存储器地址。寄存器堆258为图形多处理器234的功能单元提供一组寄存器。寄存器堆258为连接至图形多处理器234的功能单元(例如，gpgpu核262、加载/存储单元266)的数据路径的操作数提供临时存储。在一个实施例中，寄存器堆258在功能单元中的每一个之间进行划分，使得每个功能单元均被分配寄存器文件258的专用部分。在一个实施例中，寄存器堆258在正由图形多处理器234执行的不同经线之间进行划分。gpgpu核262可以各自包括用于执行图形多处理器234的指令的浮点单元(fpu)和/或整数算数逻辑单元(alu)。根据实施例，gpgpu核262的架构可以类似，也可以不同。例如，在一个实施例中，gpgpu核262的第一部分包括单精度fpu和整数alu，而gpgpu核的第二部分包括双精度fpu。在一个实施例中，fpu可以实现ieee754-2008浮点算数标准或启用可变精度浮点算数。另外，图形多处理器234还可以包括用于执行诸如复制矩形或像素混合操作的特定功能的一个或多个固定功能或特殊功能单元。在一个实施例中，gpgpu核中的一个或多个还可以包含固定或特殊功能逻辑。在一个实施例中，gpgpu核262包括能够对多组数据执行单指令的simd逻辑。在一个实施例中，gpgpu核262可以物理地执行simd4、simd8和simd16指令，并且逻辑地执行simd1、simd2和simd32指令。gpgpu核的所述simd指令可以由着色器编译器在编译时间生成，或在执行针对单程序多数据(spmd)或simt架构被写入并编译的程序时自动地生成。可以经由单simd指令来执行被配置成用于simt执行模型的程序的多个线程。例如且在一个实施例中，可以经由单个simd8逻辑单元来并行执行八个simt线程，这八个simt线程执行相同或类似的操作。存储器和高速缓存互连268是互连网络，所述互连网络将图形多处理器234的功能单元中的每一个连接至寄存器堆258和共享存储器270。在一个实施例中，存储器和高速缓存互连268是允许加载/存储单元266在共享存储器270与寄存器堆258之间实现加载和存储操作的交叉开关互连。寄存器堆258可以以与gpgpu核262相同的频率操作，因此gpgpu核262与寄存器堆258之间的数据传递具有非常低的等待时间。共享存储器270可以用于实现在图形多处理器234内的功能单元上执行的线程之间的通信。例如，高速缓存存储器272可以用作数据高速缓存，以高速缓存在功能单元与纹理单元236之间通信的纹理数据。共享存储器270也可以用作经高速缓存的受管理的程序。除了在高速缓存存储器272内存储的经自动高速缓存的数据之外，在gpgpu核262上执行的线程还可以在共享存储器内以编程方式存储数据。图3a至图3b示出了根据实施例的附加图形多处理器。所展示的图形多处理器325、350是图2c的图形多处理器234的变体。所展示的图形多处理器325、350可以被配置成能够同时执行大量执行线程的流式多处理器(sm)。图3a展示了根据附加实施例的图形多处理器325。图形多处理器325包括相对于图2d的图形多处理器234的执行资源单元的多个附加实例。例如，图形多处理器325可以包括指令单元332a至332b、寄存器堆334a至334b和(多个)纹理单元344a至344b的多个实例。图形多处理器325还包括多组图形或计算执行单元(例如，gpgpu核336a至336b、gpgpu核337a至337b、gpgpu核338a至338b)和多组加载/存储单元340a至340b。在一个实施例中，执行资源单元具有公共指令高速缓存330、纹理和/或数据高速缓存存储器342和共享存储器346。各种部件可以经由互连结构327通信。在一个实施例中，互连结构327包括一个或多个交叉开关以实现在图形多处理器325的各部件之间的通信。在一个实施例中，互连结构327是单独的、高速网络结构层，图形多处理器325的每个部件堆叠在其上。图形多处理器325的部件经由互连结构327与远程部件通信。例如，gpgpu核336a至336b、337a至337b以及3378a至338b可以各自经由互连结构327与共享存储器346通信。互连结构327可以仲裁图形多处理器325内的通信以确保部件之间公平的带宽分配。图3b展示了根据附加实施例的图形多处理器350。如图2d和图3a所示，图形处理器包括多组执行资源356a至356d，其中每组执行资源均包括多个指令单元、寄存器堆、gpgpu核和加载存储单元。执行资源356a至356d可以与(多个)纹理单元360a至360d一起工作以进行纹理操作，同时共享指令高速缓存354和共享存储器362。在一个实施例中，执行资源356a至356d可以共享指令高速缓存354和共享存储器362以及纹理和/或数据高速缓存存储器358a至358b的多个实例。各种部件可以经由与图3a的互连结构327类似的互连结构352进行通信。本领域的技术人员将理解，图1、图2a至图2d和图3a至图3b中所述的架构是描述性的，而不限制本发明的实施例的范围。因此，本文所述的技术可以在任何适当配置的处理单元上实现，包括但不限于：一个或多个移动应用处理器；一个或多个台式计算机或服务器中央处理单元(cpu)，包括多核cpu；一个或多个并行处理单元诸如图2的并行处理单元202；以及一个或多个图形处理器或专用处理单元，而不脱离本文所述的实施例的范围。在一些实施例中，如本文所述的并行处理器或gpgpu通信地耦合至主机/处理器核以加快图形操作、机器学习操作、模式分析操作和各种通用gpu(gpgpu)功能。gpu可以通过总线或其他互连(例如，诸如pcie或nvlink的高速互连)通信地耦合至主机处理器/核。在其他实施例中，gpu可以与核一样集成在相同的封装或芯片上并且通过内部处理器总线/互连(即，在封装或芯片内部)通信地耦合至所述核。不管gpu连接的方式如何，处理器核都可以以工作描述符中包含的命令/指令序列的形式向gpu分配工作。然后，gpu使用专用电路/逻辑来高效地处理这些命令/指令。用于gpu到主机处理器互连的技术图4a展示了其中多个gpu410至413通过高速链路440至443(例如，总线、点对点互连等)通信地耦合至多个多核处理器405至406的示例性架构。在一个实施例中，高速链路440至443支持4gb/s、30gb/s、80gb/s或更高的通信吞吐量，这取决于实现。可以使用各种互连协议，包括但不限于pcie4.0或5.0和nvlink2.0。然而，本发明的基本原理不限于任何特定的通信协议或吞吐量。此外，在一个实施例中，gpu410至413中的两个或更多个通过高速链路444至445互连，这可以使用与用于高速链路440至443的协议/链路相同或不同的协议/链路来实现。类似地，多核处理器405至406中的两个或更多个可以通过高速链路433连接，所述高速链路可以是以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，图4a中所示的各种系统部件之间的所有通信均可使用相同的协议/链路(例如，通过公共互连结构)来完成。然而，如所提及的，本发明的基本原理不限于任何特定类型的互连技术。在一个实施例中，每个多核处理器405至406分别经由存储器互连430至431通信地耦合至处理器存储器401至402，并且每个gpu410至413分别通过gpu存储器互连450至453通信地耦合至gpu存储器420至423。存储器互连430至431和450至453可以利用相同或不同的存储器访问技术。以示例而不是限制的方式，处理器存储器401至402和gpu存储器420至423可以是诸如动态随机存取存储器(dram)(包括堆叠式dram)、图形ddrsdram(gddr)(例如，gddr5、gddr6)或高带宽存储器(hbm)的易失性存储器，和/或可以是诸如3dxpoint或nano-ram的非易失性存储器。在一个实施例中，存储器的某个部分可以是易失性存储器，而另一个部分可以是非易失性存储器(例如，使用两级存储器(2lm)层级结构)。如下所述，尽管各种处理器405至406和gpu410至413均可分别物理地耦合至特定存储器401至402、420至423，但可以实现统一存储器架构，其中相同的虚拟系统地址空间(也称为“有效地址”空间)分发在所有各种物理存储器中。例如，处理器存储器401至402可以各自包括64gb的系统存储器地址空间，并且gpu存储器420至423可以各自包括32gb的系统存储器地址空间(导致在所述示例中产生总共256gb的可寻址存储空间)。图4b展示了根据一个实施例的多核处理器407与图形加速模块446之间的互连的附加细节。图形加速模块446可以包括集成在经由高速链路440耦合至处理器407的线卡上的一个或多个gpu芯片。可替代地，图形加速模块446可以与处理器407一样集成在相同的封装或芯片上。所展示的处理器407包括多个核460a至460d，这些核各自具有转换后备缓冲器461a至461d和一个或多个高速缓存462a至462d。这些核可以包括用于执行指令和处理未展示的数据以避免模糊本发明的基本原理的各种其他部件(例如，指令获取单元、分支预测单元、解码器、执行单元、重排序缓冲器等)。高速缓存462a至462d可以包括1级(l1)和2级(l2)高速缓存。此外，一个或多个共享高速缓存426可以被包括在高速缓存层级结构中并由各组核460a至460d共享。例如，处理器407的一个实施例包括24个核，这些核各自具有它自己的l1高速缓存、12个共享l2高速缓存和12个共享l3高速缓存。在这个实施例中，l2高速缓存和l3高速缓存中的一个由两个相邻核共享。处理器407和图形加速器集成模块446与系统存储器441连接，所述系统存储器可以包括处理器存储器401至402。通过一致性总线464经由核间通信来为各种高速缓存462a至462d、456和系统存储器441中存储的数据和指令保持一致性。例如，每个高速缓存均可具有与其关联的高速缓存一致性逻辑/电路，以响应于所检测的对特定高速缓存行的读取或写入而通过一致性总线464进行通信。在一个实现中，通过一致性总线464实现高速缓存窥探协议以窥探高速缓存访问。本领域技术人员可以很好理解高速缓存窥探/一致性技术，以避免模糊本发明的基本原理，这里不再详细描述。在一个实施例中，代理电路425将图形加速模块446通信地耦合至一致性总线464，从而允许图形加速模块446作为核的对等体参与缓存一致性协议。具体地讲，接口435通过高速链路440(例如，pcie总线、nvlink等)向代理电路425提供连接性，并且接口437将图形加速模块446连接至链路440。在一个实现中，加速器集成电路436代表图形加速模块446的多个图形处理引擎431、432、43n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。图形处理引擎431、432、43n可以各自包括单独的图形处理单元(gpu)。可替代地，图形处理引擎431、432、43n可以在gpu内包括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)、采样器和块图像传输引擎。换句话讲，图形加速模块可以是具有多个图形处理引擎431、432、43n的gpu，或图形处理引擎431至432、43n可以是集成在公共包、线卡或芯片上的单独gpu。在一个实施例中，加速器集成电路436包括存储器管理单元(mmu)439，所述mmu439用于执行诸如虚拟到物理存储器转换(也称为有效到实际存储器转换)的各种存储器管理功能和用于访问系统存储器441的存储器访问协议。mmu439还可以包括用于高速缓存虚拟/有效到物理/实际地址转换的转换后备缓冲器(tlb)(未示出)。在一个实施例中，加速器集成电路436包括获取单元491以用于获取限定要被执行的操作的命令、指令、工作描述符等。在一个实现中，高速缓存438存储用于由图形处理引擎431-432、n高效访问的命令和数据。在一个实施例中，使高速缓存438和图形存储器433-434、n中存储的数据与核高速缓存462a至462d、456以及系统存储器411保持一致。如所提及的，这可以经由代理电路425来完成，所述代理电路425代表高速缓存438和存储器433-434、n参与高速缓存一致性机制(例如，向高速缓存438发送与处理器高速缓存462a至462d、456上的高速缓存行的修改/访问相关的更新并从高速缓存438接收更新)。一组寄存器449存储由图形处理引擎431至432、43n执行的线程的上下文数据，并且上下文管理电路448管理线程上下文。例如，上下文管理电路448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种线程的上下文(例如，其中第一线程被保存并且第二线程被存储，使得第二线程可以由图形处理引擎执行)。例如，在上下文切换时，上下文管理电路448可以将当前寄存器值存储到存储器中的指定区域(例如，由上下文指针标识)。所述上下文管理电路可以在返回上下文时恢复寄存器值。在一个实施例中，中断管理电路447接收并处理从系统设备所接收的中断。在一个实现中，由mmu439将来自图形处理引擎431的虚拟/有效地址转换为系统存储器411中的实际/物理地址。加速器集成电路436的一个实施例支持多个(例如，4个、8个、16个)图形加速器模块446和/或其他加速器设备。图形加速器模块446可以专用于在处理器407上执行的单个应用，或者可以在多个应用之间共享。在一个实施例中，呈现虚拟图形执行环境，其中图形处理引擎431至432、43n的资源与多个应用或虚拟机(vm)共享。资源可以被细分为基于与vm和/或应用相关联的处理要求和优先级而分配给不同的vm和/或应用的“分片”。因此，加速器集成电路充当图形加速模块446的系统的桥，并提供地址转换和系统存储器高速缓存服务。此外，加速器集成电路436可以为主机处理器提供虚拟化设施以管理图形处理引擎、中断和存储器管理的虚拟化。由于图形处理引擎431至432、43n的硬件资源显式地地映射到由主机处理器407看到的实际地址空间，因此任何主处理器都可以使用有效地址值来为这些资源直接寻址。在一个实施例中，加速器集成电路436的一个功能是图形处理引擎431至432、43n的物理分离，使得它们作为独立单元出现在系统上。如所提及的，在所展示的实施例中，一个或多个图形存储器433至434、43m分别耦合至图形处理引擎431至432、43n中的每一个。图形存储器433至434、43m存储正由图形处理引擎431至432、43n中的每一个处理的指令和数据。图形存储器433至434，43m可以是诸如dram(包括堆叠式dram)、gddr存储器(例如，gddr5、gddr6)或hbm的易失性存储器，和/或可以是诸如3dxpoint或nano-ram的非易失性存储器。在一个实施例中，为了减少链路440上的数据流量，使用偏置技术来确保图形存储器433至434、43m中存储的数据是图形处理引擎431至432、43n最频繁使用，并且核460a至460d优选不使用(至少不频繁使用)的数据。类似地，偏置机制试图使核(并且优选地不是图形处理引擎431至432、43n)所需的数据保持在核和系统存储器411的高速缓存462a至462d、456内。图4c展示了其中加速器集成电路436集成在处理器407内的另一个实施例。在这个实施例中，图形处理引擎431至432、43n经由接口437和接口435来直接通过高速链路440与加速器集成电路436进行通信(这也可以利用任何形式的总线或接口协议)。加速器集成电路436可以执行与关于图4b所描述的操作相同的操作，但考虑到其与一致性总线462和高速缓存462a至462d、426紧密接近，可能以较高的吞吐量进行操作。一个实施例支持不同的编程模型，包括专用进程编程模型(不具有图形加速模块虚拟化)和共享编程模型(具有虚拟化)。共享编程模型可以包括由加速器集成电路436控制的编程模型和由图形加速模块446控制的编程模型。在专用进程模型的一个实施例中，图形处理引擎431至432、43n在单个操作系统下专用于单个应用或进程。单个应用可以将其他应用请求集中到图形引擎431至432、43n，从而在vm/分区内提供虚拟化。在专用进程编程模型中，图形处理引擎431至432、43n可以由多个vm/应用分区共享。共享模型需要系统管理程序，所述系统管理程序用于将图形处理引擎431至432、43n虚拟化，以允许由每个操作系统进行访问。对于没有管理程序的单分区系统，图形处理引擎431至432、43n由操作系统拥有。在这两种情况下，操作系统都可以将图形处理引擎431至432、43n虚拟化以提供对每个进程或应用的访问。对于共享编程模型，图形加速模块446或单独图形处理引擎431至432、43n使用进程句柄来选择进程要素。在一个实施例中，进程要素被存储在系统存储器411中并且可使用本文所述的有效地址到实际地址转换技术来寻址。所述进程句柄可以是在向图形处理引擎431至432、43n注册它的上下文(即，调用系统软件以向进程要素链表添加进程要素)时向主机进程提供特定于实现的值。所述进程句柄的低16位可以是进程要素链表内的进程要素的偏移量。图4d展示了示例性加速器集成分片490。如本文所用，“分片”包括加速器集成电路436的处理资源的指定部分。系统存储器411内的应用有效地址空间482存储进程要素483。在一个实施例中，进程要素483响应于来自在处理器407上执行的应用480的gpu调用481而被存储。进程要素483包含相应应用480的处理状态。进程要素483中包含的工作描述符(wd)484可以是应用所请求的单个作业，或者可以包含指向作业队列的指针。在后一种情况下，wd484是指向应用地址空间482中的作业请求队列的指针。图形加速模块446和/或单独图形处理引擎431至432、43n可以由系统中的全部或部分进程共享。本发明的实施例包括用于建立处理状态并向图形加速模块446发送wd484以在虚拟环境中开始作业的基础结构。在一个实现中，专用进程编程模型是特定于具体实施的。在这个模型中，单个进程拥有图形加速模块446或单独的图形处理引擎431。由于图形加速模块446由单个进程拥有，因此管理程序初始化加速器集成电路436以获得所属分区，并且操作系统在图形加速模块446被分配时初始化加速器集成电路436以获取所属进程。在操作中，加速器集成分片490中的wd获取单元491获取下一个wd484，所述wd包括将由图形加速模块446的图形处理引擎之一进行的工作的指示。如图所示，来自wd484的数据可以被存储在寄存器449中并由mmu439、中断管理电路447和/或上下文管理电路446使用。例如，mmu439的一个实施例包括用于访问os虚拟地址空间485内的段/页表486的段/页步行(walk)电路。中断管理电路447可以处理从图形加速模块446所接收的中断事件492。当执行图形操作时，由图形处理引擎431至432、43n生成的有效地址493由mmu439转换为实际地址。在一个实施例中，针对每个图形处理引擎431至432、43n和/或图形加速模块446复制同一组寄存器449，并且可以由管理程序或操作系统初始化这一组寄存器。这些复制的寄存器中的每一个均可被包括在加速器集成分片490中。表1中示出了可以由管理程序初始化的示例性寄存器。表1-管理程序初始化寄存器1分片控制寄存器2实际地址(ra)调度进程区域指针3授权掩码覆盖(override)寄存器4中断向量表条目偏移5中断向量表条目极限6状态寄存器7逻辑分区id8实际地址(ra)管理程序加速器利用记录指针9存储描述寄存器表2中示出了可以由操作系统初始化的示例性寄存器。表2-操作系统初始化寄存器1进程和线程标识2有效地址(ea)上下文保存/恢复指针3虚拟地址(ra)加速器利用记录指针4虚拟地址(ra)存储段表指针5授权掩码6工作描述符在一个实施例中，每个wd484均特定于特定图形加速模块446和/或图形处理引擎431至432、43n。所述wd包含图形处理引擎431至432、43n完成其工作所需的所有信息，或者所述wd可以是指向应用已经建立了要完成的工作命令队列的存储器位置的指针。图4e展示了共享模型的一个实施例的附加细节。所述实施例包括其中存储了进程要素列表499的管理程序实际地址空间498。管理程序实际地址空间498可经由管理程序496来访问，所述管理程序将操作系统495的图形加速模块引擎虚拟化。共享编程模型允许来自系统中的全部或部分分区的全部或部分进程使用图形加速模块446。有两种编程模型，其中图形加速模块446由多个进程和分区共享：时间分片共享和图形直接共享。在这个模型中，系统管理程序496拥有图形加速模块446并且使其功能对所有操作系统495可用。为使图形加速模块446支持系统管理程序496的虚拟化，图形加速模块446可遵守以下要求：1)应用作业请求必须是自主的(即，不需要维持作业之间的状态)，或者图形加速模块446必须提供上下文保存和恢复机制。2)图形加速模块446保证在指定时间量内完成应用作业请求，包括任何转换错误，或者图形加速模块446提供抢占作业处理的能力。3)当以直接共享编程模型操作时，必须保证进程中图形加速模块446的公平性。在一个实施例中，对于共享模型，需要应用480来利用图形加速模块446类型、工作描述符(wd)、授权掩码寄存器(amr)值以及上下文保存/恢复区域指针(csrp)来进行操作系统495系统调用。图形加速模块446类型描述了系统调用的目标加速功能。图形加速模块446类型可以是特定于系统的值。所述wd专门针对图形加速模块446来格式化，并且可以呈以下形式：图形加速模块446命令；指向用户定义结构的有效地址指针；指向命令队列的有效地址指针；或用于描述将由图形加速模块446进行的工作的任何其他数据结构。在一个实施例中，amr值是用于当前进程的amr状态。传递给操作系统的值与设置amr的应用类似。如果加速器集成电路436和图形加速模块446的实现不支持用户授权掩码覆盖寄存器(uamor)，则操作系统可以在管理程序调用中传递amr之前向amr值应用当前uamor值。在将amr置于进程要素483之前，管理程序496可以可选地应用当前授权掩码覆盖寄存器(amor)值。在一个实施例中，csrp是包含应用地址空间482中供图形加速模块446保存和恢复上下文状态的区域的有效地址的寄存器449中的一个。如果不需要在作业之间保存状态或当作业被抢占时，这个指针是可选的。所述上下文保存/恢复区域可以是插接的系统存储器。在接收到系统调用时，操作系统495可以验证应用480已注册并被授权使用图形加速模块446。操作系统495然后利用表3中所示的信息来调用管理程序496。表3-操作系统对管理程序的调用参数1工作描述符(wd)2授权掩码寄存器(amr)值(可能已掩蔽)3有效地址(ea)上下文保存/恢复区域指针(csrp)4进程id(pid)和可选的线程id(tid)5虚拟地址(va)加速器利用记录指针(aurp)6存储段表指针(sstp)的虚拟地址7逻辑中断服务号(lisn)在接收到管理程序调用时，管理程序496可以验证操作系统495已注册并被授权使用图形加速模块446。管理程序496然后将进程要素483针对对应图形加速模块446类型放入进程要素链表中。进程要素可以包含表4中所示的信息。表4-进程要素信息在一个实施例中，管理程序将加速器集成分片490的多个寄存器449初始化。如图4f所展示，本发明的一个实施例采用可经由用于访问物理处理器存储器401至402和gpu存储器420至423的公共虚拟存储器地址空间来寻址的统一存储器。在这个实现中，在gpu410至413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401至402，反之亦然，由此简化可编程性。在一个实施例中，将虚拟/有效地址空间的第一部分分配给处理器存储器401，将第二部分分配给第二处理器存储器402，将第三部分分配给gpu存储器420，以此类推。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401至402和gpu存储器420至423中的每一个上，从而允许任何处理器或gpu访问具有映射到所述存储器的虚拟地址的任何物理存储器。在一个实施例中，mmu439a至439e中的一个或多个内的偏置/一致性管理电路494a至494e确保了主机处理器(例如，405)与gpu410至413的高速缓存之间的高速缓存一致性，并且实现了指示其中应当存储某些类型的数据的物理存储器的偏置技术。尽管在图4f中展示了偏置/一致性管理电路494a至494e的多个实例，但偏置/一致性电路也可以在一个或多个主机处理器405的mmu内和/或在加速器集成电路436内实现。一个实施例允许将gpu附接的存储器420至423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，但不会遭受与全系统高速缓存一致性相关的典型性能缺陷。gpu附接的存储器420至423作为系统存储器来访问的能力不会造成繁重的高速缓存一致性开销，这为gpu卸载提供了有利的操作环境。这种安排允许主机处理器405软件设置操作数并访问计算结果，而不具有传统i/odma数据拷贝的开销。这些传统拷贝涉及驱动器调用、中断和存储器映射i/o(mmio)访问，这些访问相对于简单内存访问来说都是低效的。同时，在不具有高速缓存一致性开销的情况下访问gpu附接存储器420至423的能力对于卸载计算的执行时间可能是关键的。例如，在具有大量流式写入存储器业务的情况下，高速缓存一致性开销可以显著降低由gpu410至413看到的有效写入带宽。操作数设置的效率、结果访问的效率以及gpu计算的效率都在确定gpu卸载的有效性方面发挥着重要作用。在一个实现中，gpu偏置与主机处理器偏置之间的选择由偏置跟踪器数据结构驱动。例如，可以使用偏置表，所述偏置表可以是每个gpu附接存储器页包括1或2个位的页粒度结构(即，以存储器页的粒度来控制)。偏置表可以在一个或多个gpu附接存储器420至423的被盗存储器范围内实现，在gpu410至413中具有或不具有偏置高速缓存(例如，以高速缓存频繁/最近使用的偏置表的条目)。可替代地，整个偏置表均可保持在gpu内。在一个实现中，在实际访问gpu存储器之前访问与对gpu附接存储器420至423的每次访问相关联的偏置表条目，从而使得以下操作。首先，将来自gpu410至413的在gpu偏置中发现其页的本地请求直接转发到对应的gpu存储器420至423。将来自gpu的在主机偏置中发现其页的本地请求转发给处理器405(例如，如上所述通过高速链路)。在一个实施例中，来自处理器405的在主机处理器偏置中发现所请求的页的请求完成了像正常存储器读取那样的请求。可替代地，可以将针对gpu偏置页的请求转发给gpu410至413。如果gpu当前未使用所述页，则gpu可以将所述页转换为主机处理器偏置。页的偏置状态可以通过基于软件的机制、基于硬件辅助软件的机制，或者对于一组有限的情况，基于仅硬件的机制来改变。一种用于改变偏置状态的机制采用api调用(例如opencl)，所述api调用继而调用gpu设备驱动器，所述驱动器继而向gpu发送消息(或将命令描述符入队)，从而引导所述gpu改变偏置状态，并且对于某些转换，在主机中执行高速缓存转储清除操作。所述高速缓存转储清除操作是从主机处理器405偏置到gpu偏置的转换所必需的，而对于相反转换则不是必需的。在一个实施例中，通过暂时呈现主机处理器405不可高速缓存的gpu偏置页来保持缓存一致性。为了访问这些页，处理器405可以请求来自gpu410的访问，gpu可以依据实现立即授权访问也可以不授权访问。因此，为了减少处理器405与gpu410之间的通信，有利的是确保gpu偏置页是gpu所需但不是主机处理器405所需的页，反之亦然。图形处理流水线图5展示了根据实施例的图形处理流水线500。在一个实施例中，图形处理器可以实现所展示的图形处理流水线500。所述图形处理器可以被包括在如本文所述的并行处理子系统诸如图2的并行处理器200内，在一个实施例中，所述并行处理器是图1的(多个)并行处理器112的变体。如本文所述，各种并行处理系统可以经由并行处理单元(例如，图2的并行处理单元202)的一个或多个实例来实现图形处理流水线500。例如，着色器单元(例如，图3的图形多处理器234)可以被配置成执行顶点处理单元504、曲面细分控制处理单元508、曲面细分评估处理单元512、几何处理单元516和片段/像素处理单元524中的一个或多个的功能。数据组装器502，图元组装器506、514、518，曲面细分单元510，栅格器522和栅格操作单元526的功能还可以由处理集群(例如，图3的处理集群214)内的其他处理引擎和对应的分区单元(例如，图2的分区单元220a至220n)执行。图形处理流水线500还可以使用一个或多个功能的专用处理单元来实现。在一个实施例中，图形处理流水线500的一个或多个部分可以由通用处理器(例如，cpu)内的并行处理逻辑执行。在一个实施例中，图形处理流水线500的一个或多个部分可经由存储器接口528访问片上存储器(例如，如图2所示的并行处理器存储器222)，所述存储器接口可以是图2的存储器接口218的实例。在一个实施例中，数据组装器502是收集表面和图元的顶点数据的处理单元。数据组装器502然后向顶点处理单元504输出包括顶点属性的顶点数据。顶点处理单元504是可编程执行单元，所述可编程执行单元执行顶点着色器程序，从而照明和变换如顶点着色器程序所指定的顶点数据。顶点处理单元504读取高速缓存、本地或系统存储器中存储的用于处理顶点数据的数据，并且可以编程为将顶点数据从基于对象的坐标表示变换为世界空间坐标空间或归一化设备坐标空间。图元组装器506的第一实例从顶点处理单元504接收顶点属性。图元组装器506根据需要读取所存储的顶点属性并构造图形图元以由曲面细分控制处理单元508进行处理。图形图元包括如各种图形处理应用编程接口(api)所支持的三角形、线段、点、补片等等。曲面细分控制处理单元508将输入顶点视为几何补片的控制点。这些控制点从来自补片的输入表示(例如，补片的基础)变换为适用于由曲面细分评估处理单元512进行表面评估的表示。曲面细分控制处理单元508还可以计算几何补片的边缘的曲面细分因子。曲面细分因子适用于单个边缘，并量化与边缘相关的依赖于视图的细节等级。曲面细分单元510被配置成接收补片的边缘的曲面细分因子并将补片细分为多个几何图元诸如线、三角形或四边形图元，所述多个几何图元被传输到曲面细分评估处理单元512。曲面细分评估处理单元512对细分的补片的参数化坐标进行操作以生成与几何图元相关的每个顶点的表面表示和顶点属性。图元组装器514的第二实例从曲面细分评估处理单元512接收顶点属性，根据需要读取所存储的顶点属性，并构造图形图元以由几何处理单元516处理。几何处理单元516是可编程执行单元，所述可编程执行单元执行几何着色器程序，以变换如几何着色器程序所指定的从图元组装器514所接收的图形图元。在一个实施例中，几何处理单元516被编程为将图形图元细分为一个或多个新的图形图元并且计算用于将新的图形图元栅格化的参数。在一些实施例中，几何处理单元516可以添加或删除几何流中的元素。几何处理单元516向图元组装器518输出指定新图形图元的参数和顶点。图元组装器518从几何处理单元516接收参数和顶点，并构建图形图元以由视口缩放、拣选和剪辑单元520进行处理。几何处理单元516读取并行处理器存储器或系统存储器中存储的数据以用于处理几何数据。视口缩放、拣选和剪辑单元520执行剪辑、拣选和视口缩放，并向栅格器522输出经处理的图形图元。栅格器522可以执行深度拣选和其他基于深度的优化。栅格器522还对新图形图元执行扫描转换以生成段并向段/像素处理单元524输出这些段和关联的覆盖数据。片段/像素处理单元524是被配置成执行片段着色器程序或像素着色器程序的可编程执行单元。片段/像素处理单元524变换从栅格器522所接收的片段或像素，如片段或像素着色器程序所指定的。例如，片段/像素处理单元524可以被编程为执行包括但不限于纹理映射、着色、混合、纹理校正和透视校正的操作，以产生输出到栅格操作单元526的着色片段或像素。片段/像素处理单元524可以读取并行处理器存储器或系统存储器中存储的数据，以在处理片段数据时使用。片段或像素着色器程序可以被配置成依据针对处理单元进行配置的采样速率以样本、像素、图块或其他粒度着色。栅格操作单元526是执行包括但不限于模板印刷、z测试、混合等栅格操作的处理单元，并且将像素数据作为经处理图形数据输出以存储在图形存储器中(例如，图2中的并行处理器存储器222，和/或如图1中的系统存储器104，以在一个或多个显示设备110上显示或者由一个或多个处理器102或(多个)并行处理器112中的一个进一步处理。在一些实施例中，栅格操作单元526被配置成压缩写入存储器的z或颜色数据，并解压缩从存储器读取的z或颜色数据。机器学习概述机器学习算法是可以基于一组数据来学习的算法。机器学习算法的实施例可以被设计成对数据集内的高阶抽象进行建模。例如，图像识别算法可以用于确定给定的输入属于若干种类别中的哪一种；回归算法可以在给定输入的情况下输出数值；并且模式识别算法可以用于生成翻译文本或执行文本至语音和/或语音识别。一种示例类型的机器学习算法是神经网络。存在许多类型的神经网络；一种简单类型的神经网络是前馈网络。可将前馈网络实现为无环图，其中节点布置在层中。通常，前馈网络拓扑包括输入层和输出层，输入层和输出层通过至少一个隐藏层分开。隐藏层将由输入层接收到的输入变换为对在输出层中生成输出有用的表示。网络节点经由边缘全连接至相邻层中的节点，但每个层内的节点之间不存在边缘。在前馈网络的输入层的节点处接收的数据经由激活函数被传播(即，“前馈”)至输出层的节点，所述激活函数基于系数(“权重”)来计算网络中的每个连续层的节点的状态，所述系数分别与连接这些层的边缘中的每一个相关联。取决于由执行的算法所表示的特定模型，来自神经网络算法的输出可以采用各种形式。在可以使用机器学习算法来对具体问题进行建模之前，使用训练数据集来训练所述算法。训练神经网络涉及：选择网络拓扑；使用表示被网络建模的问题的一组训练数据；以及调节权重，直到网络模型针对训练数据集的所有实例表现为具有最小误差。例如，在用于神经网络的监督式学习训练过程期间，将由网络响应于表示训练数据集中的实例的输入所产生的输出与所述实例的“正确”的已标记输出相比较；计算表示所述输出与已标记输出之间的差异的误差信号；以及当将误差信号向后传播穿过网络的层时，调节与所述连接相关联的权重以最小化所述误差。当从训练数据集的实例中生成的每个输出的误差被最小化时，网络被视为“已经过训练”。机器学习算法的准确度会受到用于训练所述算法的数据集的质量的很大影响。训练过程可以是计算密集型的，并且在常规通用处理器上可能需要大量的时间。因此，使用并行处理硬件来训练许多类型的机器学习算法。这对于优化神经网络的训练是特别有用的，因为在调节神经网络中的系数时执行的计算本身自然地适于并行实现方式。具体地，许多机器学习算法和软件应用已被适配成在通用图形处理装置内使用并行处理硬件。图6是机器学习软件堆叠600的广义图。机器学习应用602可以被配置成使用训练数据集来训练神经网络或使用已训练的深度神经网络来实现机器智能。机器学习应用602可以包括神经网络和/或专用软件的训练和推断功能，所述功能可以用于在部署之前训练神经网络。机器学习应用602可以实现任何类型的机器智能，包括但不限于：图像识别、映射和定位、自主导航、语音合成、医学成像或语言翻译。可以经由机器学习框架604来实现针对机器学习应用602的硬件加速。机器学习框架604可以提供机器学习图元(primitive)库。机器学习图元是机器学习算法通常执行的基本操作。在没有机器学习框架604的情况下，将需要机器学习算法的开发者创建和优化与机器学习算法相关联的主要计算逻辑，然后在开发出新的并行处理器时重新优化所述计算逻辑。相反，机器学习应用可以被配置成使用由机器学习框架604提供的图元来执行必要的计算。示例性图元包括张量卷积、激活函数和池化，它们是在训练卷积神经网络(cnn)时执行的计算操作。机器学习框架604还可以提供图元以用于实现由许多机器学习算法执行的基本线性代数子程序，比如矩阵和向量运算。机器学习框架604可以处理从机器学习应用602接收的输入数据，并生成至计算框架606的适当输入。计算框架606可以使提供给gpgpu驱动器608的底层指令抽象化，以使得机器学习框架604能够经由gpgpu硬件610来利用硬件加速而无需机器学习框架604非常熟悉gpgpu硬件610的架构。另外，计算框架606可以跨越多种类型和各代gpgpu硬件610来实现针对机器学习框架604的硬件加速。gpgpu机器学习加速图7展示根据实施例的高度并行的通用图形处理单元700。在一个实施例中，通用处理单元(gpgpu)700可以被配置成在处理与训练深度神经网络相关联的这种类型的计算工作负荷中特别高效。另外，gpgpu700可以直接链接至gpgpu的其他实例以用于创建多gpu集群，从而改进特别深的神经网络的训练速度。gpgpu700包括主机接口702以用于实现与主机处理器的连接。在一个实施例中，主机接口702是pciexpress接口。然而，主机接口还可以是供应方特定的通信接口或通信结构。gpgpu700从主机处理器接收命令，并使用全局调度器704以将与那些命令相关联的执行线程分布至一组计算集群706a至706h。计算集群706a至706h共享高速缓存存储器708。高速缓存存储器708可以充当计算集群706a至706h内的高速缓存存储器中的高级高速缓存。gpgpu700包括存储器714a至714b，所述存储器经由一组存储器控制器712a至712b与计算集群706a至h耦合。在各种实施例中，存储器714a至714b可以包括各种类型的存储器装置，包括动态随机存取存储器(dram)或图形随机存取存储器(比如，同步图形随机存取存储器(sgram)，包括图形双数据速率(gddr)存储器)。在一个实施例中，存储器单元224a至224n还可包括3d堆叠式存储器，包括但不限于高带宽存储器(hbm)。在一个实施例中，每个计算集群706a至706h包括一组图形多处理器，比如图4a的图形多处理器400。计算集群的图形多处理器包括多种类型的整数和浮点逻辑单元，这些单元可以在一系列精度(包括适合于机器学习计算的精度)下执行计算操作。例如且在一个实施例中，计算集群706a至h中的每一者的浮点单元的至少一个子集可以被配置成执行16位或32位浮点运算，而浮点单元的一不同子集可以被配置成执行64位浮点运算。gpgpu700的多个实例可以被配置成作为计算集群来操作。由计算集群用于同步和数据交换的通信机制跨实施例变化。在一个实施例中，gpgpu700的多个实例通过主机接口702来通信。在一个实施例中，gpgpu700包括使gpgpu700与gpu链路710耦合的i/o中枢708，所述gpu链路实现至gpgpu的其他实例的直接连接。在一个实施例中，gpu链路710耦合至专用gpu-gpu桥，所述gpu-gpu桥实现gpgpu700的多个实例之间的通信和同步。在一个实施例中，gpu链路710与高速互连耦合，以用于将数据传输和接收至其他gpgpu或并行处理器。在一个实施例中，gpgpu700的多个实例位于单独的数据处理系统中并且经由网络装置来通信，所述网络装置可经由主机接口702来访问。在一个实施例中，除主机接口702之外或作为主机接口的替代例，gpu链路710也可以被配置成使得能够连接至主机处理器。虽然gpgpu700的所展示配置可以被配置成训练神经网络，但是一个实施例提供了gpgpu700的替代性配置，其可以被配置成用于部署在高性能或低功率推断用平台内。在推断配置中，gpgpu700包括相对于训练配置更少的计算集群706a至h。另外，与存储器714a至714b相关联的存储器技术可在推断和训练配置之间有所不同。在一个实施例中，gpgpu700的推断配置可以支持推断特定的指令。例如，推断配置可以提供对一个或多个8位整数点积指令的支持，这些指令通常在用于已部署神经网络的推断操作期间使用。图8展示根据实施例的多gpu计算系统800。多gpu计算系统800可以包括处理器802，所述处理器经由主机接口开关804耦合至多个gpgpu806a至d。在一个实施例中，主机接口开关804是将处理器802耦合至pciexpress总线的pciexpress开关装置，处理器802可以通过所述pciexpress总线与这组gpgpu806a至d通信。多个gpgpu806a至806d中的每一个可以是图7的gpgpu700的实例。gpgpu806a至d可以经由一组高速点对点gpu-gpu链路816互连。高速gpu-gpu链路可以经由专用gpu链路(比如，如图7中的gpu链路710)连接至gpgpu806a至806d中的每一个。p2pgpu链路816使得gpgpu806a至d中的每一个之间能够直接通信，而无需通过主机接口总线(处理器802连接至所述主机接口总线)来通信。在gpu-gpu业务针对p2pgpu链路的情况下，主机接口总线仍然可用于系统存储器访问或与多gpu计算系统800的其他实例通信(例如，经由一个或多个网络装置)。虽然在所展示的实施例中gpgpu806a至d经由主机接口开关804连接至处理器802，但是在一个实施例中，处理器802包括对p2pgpu链路816的直接支持并且可以直接连接至gpgpu806a至806d。机器学习神经网络实现方式由本文描述的实施例提供的计算架构可以被配置成执行特别适合于训练和部署用于机器学习的神经网络的这些类型的并行处理。可以将神经网络一般化为具有图表关系的函数的网络。如本领域中众所周知的，存在机器学习中所使用的多种类型的神经网络实现方式。一种示例性类型的神经网络是如先前描述的前馈网络。第二种示例性类型的神经网络是卷积神经网络(cnn)。cnn是用于处理具有已知的、网格状拓扑的数据(比如，图像数据)的专用前馈神经网络。因此，cnn通常用于计算机视觉和图像识别应用，但它们也可用于其他类型的模式识别，比如语音和语言处理。cnn输入层中的节点被组织为一组“滤波器”(受视网膜中发现的感受野启发的特征检测器)，并且每一组滤波器的输出被传播至网络的连续层中的节点。用于cnn的计算包括将卷积数学运算应用于每个滤波器以产生所述滤波器的输出。卷积是由两个函数执行以产生第三个函数的一种专门的数学运算，所述第三个函数是两个原始函数中的一个的修改版本。在卷积网络术语中，关于卷积的第一个函数可以被称为输入，而第二个函数可以被称为卷积核。输出可被称为特征图。例如，至卷积层的输入可以是多维数据阵列，其定义输入图像的各种颜色分量。卷积核可以是多维参数阵列，其中通过针对神经网络的训练过程来适配所述参数。递归神经网络(rnn)是一类前馈神经网络，其包括层之间的反馈连接。rnn使得能够通过跨神经网络的不同部分共享参数数据来对序列数据进行建模。rnn的架构包括循环。这些循环表示变量的当前值在未来的时间对其自身值的影响，因为来自rnn的输出数据的至少一部分被用作反馈以用于处理序列中的后续输入。由于语言数据可被组成的可变本质，这个特征使rnn变得对语言处理特别有用。下文描述的图呈现了示例性前馈、cnn和rnn网络，以及描述了用于分别训练和部署那些类型的网络中的每一种的通用过程。将理解，这些描述就本文描述的任何特定实施例而论是示例性且非限制性的，并且一般说来可以通常将所展示的概念应用于深度神经网络和机器学习技术。上文描述的示例性神经网络可以用于执行深度学习。深度学习是使用深度神经网络进行的机器学习。与仅包括单个隐藏层的浅层神经网络相反，深度学习中使用的深度神经网络是由多个隐藏层组成的人工神经网络。更具深度的神经网络通常训练起来更具计算密集性。然而，网络的附加隐藏层实现了多步模式识别，所述多步模式识别相对于浅层机器学习技术导致减少的输出误差。深度学习中使用的深度神经网络通常包括前端网络以用于执行耦合至表示数学模型的后端网络的特征识别，所述数学模型可以基于提供给所述模型的特征表示来执行操作(例如，目标分类、语音识别等)。深度学习使得能够执行机器学习，而无需针对所述模型执行手工特征工程。相反，深度神经网络可以基于输入数据内的统计结构或相关性来学习特征。所学习的特征可以提供给数学模型，所述数学模型可以将所检测的特征映射至输出。由网络使用的数学模型通常专用于待执行的特定任务，并且不同的模型将用于执行不同的任务。一旦将神经网络结构化，就可以将学习模型应用于网络以将网络训练成执行特定任务。学习模型描述如何在模型内调节权重以减少网络的输出误差。反向传播误差是一种用于训练神经网络的常用方法。向网络呈现输入向量以供处理。使用损失函数将网络的输出与期望的输出相比较，并且为输出层中的每个神经元计算误差值。然后，向后传播这些误差值，直到每个神经元具有粗略地表示其对原始输出的贡献的相关联误差值。然后，网络可以使用算法(比如，随机梯度下降算法)从那些误差中学习，以更新神经网络的权重。图9a至b展示示例性卷积神经网络。图9a展示cnn内的各个层。如图9a中所示，用于对图像处理进行建模的示例性cnn可以接收输入902，所述输入描述输入图像的红、绿和蓝(rgb)分量。输入902可以由多个卷积层(例如，卷积层904、卷积层906)处理。可选地，来自所述多个卷积层的输出可由一组全连接层908处理。全连接层中的神经元具有至前一层中的所有激活函数的完全连接，如先前针对前馈网络所描述的。来自全连接层908的输出可以用于从网络中生成输出结果。可以使用矩阵乘法而非卷积来计算全连接层908内的激活函数。并非所有的cnn实现方式都使用全连接层908。例如，在一些实现方式中，卷积层906可以生成cnn的输出。卷积层被稀疏地连接，这不同于全连接层908中发现的传统神经网络配置。传统神经网络层被全连接，使得每个输出单元与每个输入单元相互作用。然而，卷积层被稀疏地连接，这是因为感受野的卷积的输出(而非感受野中的每个节点的相应状态值)被输入至后续层的节点，如所展示。与卷积层相关联的核执行卷积运算，所述卷积运算的输出被发送至下一个层。在卷积层内执行的降维是使得cnn能够进行缩放以处理大图像的一个方面。图9b展示在cnn的卷积层内的示例性计算阶段。可以在卷积层914的三个阶段中处理至cnn的卷积层的输入912。这三个阶段可以包括卷积阶段916、检测器阶段918和池化阶段920。然后，卷积层914可以将数据输出至连续的卷积层。网络的最后一个卷积层可以生成输出特征图数据或提供至全连接层的输入，例如以生成至cnn的输入的分类值。在卷积阶段916中并行执行若干个卷积，以产生一组线性激活函数。卷积阶段916可以包括仿射变换，所述仿射变换是可以被指定为线性变换外加平移的任何变换。仿射变换包括旋转、平移、缩放和这些变换的组合。卷积阶段计算连接至输入中特定区域的函数的输出(例如，神经元)，所述特定区域可以被确定为与神经元相关联的本地区域。神经元计算神经元的权重与本地输入(神经元连接至所述本地输入)中的区域之间的点积。来自卷积阶段916的输出定义由卷积层914的连续阶段处理的一组线性激活函数。线性激活函数可以由检测器阶段918处理。在检测器阶段918中，每个线性激活函数由非线性激活函数处理。非线性激活函数增加整体网络的非线性性质，而不影响卷积层的感受野。可使用若干种类型的非线性激活函数。一个具体的类型是修正线性单元(relu)，其使用被定义为f(x)＝max(0，x)的激活函数，使得激活函数被阈值化为零。池化阶段920使用池化函数，所述池化函数用附近输出的概括统计数值来代替卷积层906的输出。池化函数可以用于将平移不变性引入到神经网络中，使得至输入的轻微平移不改变池化输出。本地平移的不变性在输入数据的特征存在性比特征的精确位置更加重要的情况下可以是有用的。可以在池化阶段920期间使用各种类型的池化函数，包括最大池化、平均池化和l2范数池化。另外，一些cnn实现方式不包括池化阶段。相反，这样的实现方式代用附加的卷积阶段，所述附加的卷积阶段相对于先前的卷积阶段具有增大的步幅。然后，来自卷积层914的输出可以由下一个层922处理。下一个层922可以是附加的卷积层或是全连接层908中的一者。例如，图9a的第一卷积层904可以输出至第二卷积层906，而第二卷积层可以输出至全连接层908中的第一层。图10展示了示例性递归神经网络1000。在递归神经网络(rnn)中，网络的先前状态影响网络的当前状态的输出。可以使用各种各样的函数以各种各样的方式来建立rnn。rnn的使用通常围绕使用数学模型以基于先前的输入序列来预测未来。例如，rnn可用于执行统计语言建模以在给定先前的字序列的情况下预测即将来临的字。可以将所展示的rnn1000描述为具有以下各项：输入层1002，其接收输入向量；隐藏层1004，用于实现递归函数；反馈机制1005，用于实现先前状态的‘存储器’；以及输出层1006，用于输出结果。rnn1000基于时间步长来操作。经由反馈机制1005基于先前的时间步长来影响rnn在给定的时间步长的状态。针对给定的时间步长，由先前状态和在当前时间步长的输入来定义隐藏层1004的状态。在第一时间步长的初始输入(x1)可以由隐藏层1004处理。第二输入(x2)可以由隐藏层1004使用在处理初始输入(x1)期间所确定的状态信息来处理。可以将给定的状态计算为st＝f(uxt+wst-1)，其中，u和w是参数矩阵。函数f通常为非线性，比如双曲正切函数(tanh)或修正函数f(x)＝max(0，x)的变体。然而，隐藏层1004中使用的特定数学函数可以取决于rnn1000的特定实现方式细节而变化。除所描述的基本cnn和rnn网络之外，还可实现那些网络的变化。一个示例rnn变体是长短期记忆(lstm)rnn。lstmrnn能够学习对于处理更长的语言序列来说可有必要的长期依赖。cnn的变体是卷积深度置信网络，所述卷积深度置信网络具有类似于cnn的结构并且以类似于深度置信网络的方式受训练。深度置信网络(dbn)是由随机性(随机)变量的多个层组成的生成式神经网络。可以使用贪婪式无监督式学习来逐层训练dbn。然后，dbn的学习权重可以用于通过确定用于神经网络的一组最佳初始权重来提供预训练神经网络。图11展示深度神经网络的训练和部署。一旦已针对任务将给定的网络结构化，就使用训练数据集1102来训练神经网络。已开发出各种训练框架1104以用于实现对训练过程的硬件加速。例如，图6的机器学习框架604可被配置为训练框架604。训练框架604可以跟未训练的神经网络1106挂钩，并且使得能够使用本文描述的并行处理资源来训练未训练的神经网以生成已训练的神经网1108。为了开始训练过程，可随机地或通过使用深度置信网络进行预训练来选择初始权重。然后，以监督或无监督的方式来执行训练循环。监督式学习是一种学习方法，其中将训练作为仲裁操作来执行，比如当训练数据集1102包括输入(其与所述输入的期望输出成对)时，或在训练数据集包括具有已知的输出的输入并且神经网络的输出被手动地分级的情况下。网络处理输入，并且将所得输出与一组预期或期望的输出相比较。然后，通过系统反向传播误差。训练框架1104可以进行调节，以调节控制未训练的神经网络1106的权重。训练框架1104可以提供工具以用于监测未训练的神经网络1106在多大程度上收敛于适合基于已知的输入数据生成正确的答案的模型。当调节网络的权重以改善由神经网络生成的输出时，反复地出现训练过程。训练过程可以继续，直到神经网络达到与已训练的神经网1108相关联的统计上期望的准确度。然后，可以部署已训练的神经网络1108以实现任何数量的机器学习操作。无监督式学习是一种学习方法，其中网络试图使用未标记数据来训练其自身。因此，针对无监督式学习，训练数据集1102将包括输入数据而无任何关联的输出数据。未训练的神经网络1106可以学习未标记输入内的分组，并且可以确定个别输入如何与整体数据集相关。无监督式训练可以用于生成自组织映射，所述自组织映射是能够执行在数据降维中有用的操作的一种类型的已训练神经网络1107。无监督式训练还可以用于执行异常检测，所述异常检测允许识别输入数据集中偏离数据正常模式的数据点。还可采用监督式和无监督式训练的变化。半监督式学习是一项技术，其中训练数据集1102包括相同分布的已标记数据和未标记数据的混合。增量学习是监督式学习的变体，其中连续地使用输入数据以用于进一步训练模型。增量学习使得已训练的神经网络1108能够适配于新数据1112，而不忘记在初始训练期间根植在网络内的知识。不管是监督式还是无监督式，用于特别深的神经网络的训练过程对于单个计算节点而言可能是过于计算密集的。可以使用计算节点的分布式网络而非使用单个计算节点来加速训练过程。图12是展示分布式学习的框图。分布式学习是训练模型，其使用多个分布式计算节点来执行神经网络的监督式或无监督式训练。所述分布式计算节点可以各自包括一个或多个主机处理器以及通用处理节点中的一者或多者，比如如图700中的高度并行的通用图形处理单元700。如所展示，分布式学习可以执行模型并行化1202、数据并行化1204或模型和数据并行化1204的组合。在模型并行1202中，分布式系统中的不同计算节点可以对单个网络的不同部分执行训练计算。例如，可以由分布式系统的不同处理节点对神经网络的每层进行训练。模型并行的益处包括扩展到特别大的模型的能力。拆分与神经网络的不同层相关联的计算使得能够训练非常大的神经网络，其中所有层的权重将不适合单个计算节点的存储器。在某些实例中，模型并行对于执行大型神经网络的无监督训练特别有用。在模型并行化的另一个示例中，可以跨越特征图维度跨多个计算节点对神经网络模型的一个或多个层中的计算进行拆分以减小每个节点模型参数的大小。在数据并行化1204中，分布式网络的不同节点具有模型的完整实例，并且每个节点接收数据的不同部分。然后，组合来自不同节点的结果。虽然用于数据并行化的不同方法是有可能的，但是数据并行训练方法都需要一项组合结果并使每个节点之间的模型参数同步的技术。用于组合数据的示例性方法包括参数求平均和基于更新的数据并行化。参数求平均训练在训练数据的子集上的每个节点，并且将全局参数(例如，权重、偏差)设定至来自每个节点的参数的平均值。参数求平均使用保持参数数据的中心参数服务器。基于更新的数据并行化类似于参数求平均，除了以下情况之外：传递模型的更新而非将来自节点的参数传递到参数服务器。另外，可以以分散的方式执行基于更新的数据并行化，其中更新被压缩并且在节点之间传递。例如，可以在分布式系统中实现经组合的模型和数据并行化1206，在所述分布式系统中，每个计算节点包括多个gpu。每个节点可以具有模型的完整实例，其中每个节点内的单独gpu用于训练模型的不同部分。分布式训练相对于单个机器上的训练具有增加的开销。然而，本文描述的并行处理器和gpgpu可以各自实现各项技术以用于减少分布式训练的开销，包括用于实现高带宽gpu-gpu数据传递和加速的远程数据同步的技术。示例性机器学习应用可以应用机器学习以解决多项技术问题，包括但不限于计算机视觉、自主驾驶和导航、语音识别以及语言处理。计算机视觉传统上已是机器学习应用的最活跃研究领域之一。计算机视觉的应用范围为从重现人类视觉能力(比如，识别人脸)到创建新类别的视觉能力。例如，计算机视觉应用可以被配置成从视频中可见的物体中所诱导的振动来识别声波。并行处理器加速的机器学习使得能够使用明显大于先前可行的训练数据集的训练数据集来训练计算机视觉应用，并且使得能够使用低功率并行处理器来部署推断用系统。并行处理器加速的机器学习具有自主驾驶应用，包括车道和道路标志识别、障碍回避、导航和驾驶控制。加速的机器学习技术可以用于基于数据集来训练驱动模型，所述数据集定义对特定训练输入的适当响应。本文描述的并行处理器可以使得能够快速训练用于自主驾驶解决方案的日益复杂的神经网络，并且使得能够将低功率推断用处理器部署在适合于集成到自主车辆中的移动平台中。并行处理器加速的深度神经网络已实现用于自动语音识别(asr)的机器学习方法。asr包括创建在给定的输入声序列的情况下计算最可能的语言序列的函数。使用深度神经网络的加速的机器学习已实现代替先前用于asr的隐马尔可夫模型(hmm)和高斯混合模型(gmm)。并行处理器加速的机器学习还可以用于加速自然语言处理。自动学习程序可以使用统计推断算法以产生对于误差的或不熟悉的输入具有鲁棒性的模型。示例性自然语言处理器应用包括人类语言之间的自动机器翻译。可以将用于机器学习的并行处理平台划分为训练平台和部署平台。训练平台通常高度并行，并且包括优化以用于加速多gpu单节点训练和多节点多gpu训练。适合于训练的示例性并行处理器包括图700的高度并行的通用图形处理单元700和图800的多gpu计算系统800。相反，部署的机器学习平台通常包括适合于用在比如相机、自主机器人和自主车辆的产品中的低功率并行处理器。图13展示适合于使用训练模型执行推断的示例性推断用芯片上系统(soc)1300。soc1300可以集成多个处理部件，包括媒体处理器1302、视觉处理器1304、gpgpu1306和多核处理器1308。soc1300可以另外包括片上存储器1305，所述片上存储器可以实现可由所述处理部件中的每一个访问的共享片上数据池。所述处理部件可以针对低功率操作被优化，以用于使得能够部署至各种各样的机器学习平台(包括自主车辆和自主机器人)。例如，可以将soc1300的一种实现方式用作用于自主车辆的主控制系统的一部分。在soc1300被配置成用于自主车辆中的情况下，soc被设计和配置成用于符合部署管辖权的相关功能安全标准。在操作期间，媒体处理器1302和视觉处理器1304可以一致地工作以加速计算机视觉操作。媒体处理器1302可以使得能够对多个高分辨率(例如，4k、8k)视频流进行低延迟解码。可以将已解码的视频流写入到片上存储器1305中的缓冲器。然后，视觉处理器1304可以解析已解码的视频，并且对已解码视频的帧执行初步处理操作以准备使用已训练的图像识别模型来处理帧。例如，视觉处理器1304可以加速用于cnn(用于对高分辨率视频数据执行图像识别)的卷积运算，而后端模型计算由gpgpu1306执行。多核处理器1308可以包括控制逻辑，以用于有助于数据传递的排序和同步以及由媒体处理器1302和视觉处理器1304执行的共享存储器操作。多核处理器1308还可以充当应用处理器，以用于执行可以使用gpgpu1306的推断计算能力的软件应用。例如，可以于在多核处理器1308上执行的软件中实现导航和驾驶逻辑的至少一部分。这样的软件可以直接将计算工作负荷发布给gpgpu1306，或可以将计算工作负荷发布给多核处理器1308，所述多核处理器可以将那些操作的至少一部分卸载到gpgpu1306。gpgpu1306可以包括计算集群，比如高度并行的通用图形处理单元700内的计算集群706a至706h的低功率配置。gpgpu1306内的计算集群可以支持被显式地地优化以用于对已训练的神经网络执行推断计算的指令。例如，gpgpu1306可以支持用于执行低精度计算(比如，8位和4位整数向量运算)的指令。用于可扩展分布式机器学习的抽象层目前，需要开发使用分布式深度学习的应用的数据科学家明确实现计算节点之间的通信系统。实现用于分布式深度学习的底层通信系统需要一些分布式或联网计算节点通信技术的知识，包括实现此类技术所需的库。例如，为了实现分布式深度学习模型(如数据并行、模型并行、或混合并行(混合数据和模型并行))，可能需要应用开发人员使用低层通信库(如消息传递接口(mpi)库)来明确构建通信基础架构。然后，将需要应用开发人员确定要传递的特定数据单元以及将传输和接收此类信息的特定节点。由于深度学习应用开发人员可能不是构建分布式计算基础架构领域特定领域的专家，因此在针对给定深度学习应用所开发的通信实现中可能不包括许多最优实践和优化。用于深度学习的分布式处理通常被执行用于加速针对神经网络的训练过程。可以执行多种形式的分布式深度学习，如模型并行1202、数据并行1204、以及模型和数据并行1206，如图12所示。模型和数据并行还可以被称为混合并行，并且通常描述了模型和数据并行的任何组合。可以使用多种并行模式(如数据并行、模型并行、或数据和模型并行的混合)来实现分布式机器学习，如图12中所示。如关于图12所描述，数据并行针对每个计算节点使用相同的模型，每个节点处理数据的不同部分。模型并行针对每个计算节点使用相同的数据，模型在计算节点之间进行拆分。为了使得能够进行通信，使用多种类型的低层通信模式在节点之间传递数据。下面的表5中示出了所使用的低层通信模式。表5——低层通信操作图14a至图14e示出了根据本文中所述的实施例在跨多个计算节点所执行的分布式机器学习计算操作期间使用的通信模式。图14a示出了用于使用数据并行进行机器学习计算的数据传递。图14b示出了用于使用模型并行进行分布式机器学习计算的数据传递。图14c示出了使用混合并行跨多个节点对机器学习计算进行划分。图14d示出了跨越多个节点并跨多个层使用混合并行的分布式机器学习计算。图14e示出了可以用于分布式机器学习的一组示例性消息传送模式操作。在图14a至图14e中的每幅图中，输入数据1402由具有一组权重1404的机器学习模型进行处理以生成一组激活1408或部分激活1406。如图14a中所示，可以实现数据并行，其中输入数据1402沿着小批维度进行拆分并且相同的模型在各节点上进行复制。在若干计算节点上对小批进行拆分，每个节点负责使用小批中的样本的子集针对所有模型参数计算梯度。在每个节点上独立进行前向传播。在一个实施例中，在后向(backward)传递期间仅执行一次通信，以针对可学习参数计算梯度的平均值。使用全归约操作1405来更新用于下一次前向传递的每层的权重。在一个实施例中，可以启用分布式权重更新，其中使用归约_散播来在执行随机梯度下降之前计算梯度的平均值，并且在随机梯度下降之后使用全聚集操作来在各节点上同步权重。如图14b中所示，可以实现模型并行，其中在多个节点上拆分模型或一组权重。通常，执行模型的计算的不同部分的模型并行在同一批示例的不同节点上同时执行。对于模型并行，输入数据也被拆分了(例如，沿着通道维度)，如图14b中所示。使用所示的方法，执行归约操作以计算激活的总数以获得实际输出，并且然后将激活进行散播以用于计算针对下一层的激活。可以执行归约_散播1407操作以在单次通信操作中传递数据。在后向传递中，执行全聚集操作以组合每个节点上所计算出的梯度条。如图14c中所示，可以执行混合并行，其中在激活和权重上进行划分以最小化倾斜矩阵。对于神经网络的层，输入数据1402、权重数据1404、和/或激活数据1406被划分并分布在多个计算节点(例如，节点0-节点3)上。节点0接收第一输入数据块1402a和权重数据1404a。在节点0处执行计算操作以生成第一部分激活1406a。同样，节点1接收第二输入数据块1402b和权重数据1404b。在节点1处执行计算操作以生成第二部分激活1406b。节点2可以对第三输入数据1402c和权重数据1404c执行计算操作以生成第三部分激活1406c。节点3可以对第四输入数据1402d和权重数据1404d执行计算操作以生成第四部分激活1406d。图14d示出了针对神经网络的给定层(层n-1)的部分激活数据1406a-1406b到神经网络的连续层(层n)的传递。经由多个节点(节点0、节点1)，基于对输入数据1402a-1402b和权重数据1404a-1404b的数学运算(例如，卷积)的应用来生成一组部分激活1406a-1406b。例如，在一个实施例中，使用归约_散播操作1410，其对来自多个节点的层n-1的部分激活1406a-1406b执行归约操作，并将结果散播到多个节点作为供在神经网络的层n中使用的激活。图14e示出了用于传递用于机器学习操作的神经网络的分布式训练的数据的示例性通信操作。低层消息传送库用于在神经网络的分布式训练期间启用用于权重和激活数据的数据传递。具有n个层1421a、1421b、1421n(例如，层1、层2到层n)的示例性神经网络可以通过在连续层上执行连续前向计算操作以进行分布式训练，以启用通过神经网络的激活数据的前向传播1426。在前向传播1426期间，例如，在第一层和连续层是隐藏层或非输出层的情况下，使用全互换1409通信操作将激活数据从第一层1421a传递到连续层1421b。全互换1409操作将生成激活或部分激活数据的计算节点的独特数据传递到所有可用的接收者，这些接收者使用激活数据作为用于连续层上的操作的输入数据。当传递数据到最终层(例如，层n)时，执行归约散播操作1410，其关于图14b进行描述。在反向传播1428期间，执行分布式随机梯度下降以生成更新的权重数据。对层n执行初始全归约操作1412，并且执行一组全归约操作1411a、1411b、1411n以更新用于下一次前向传递的每层的权重。全归约操作是归约操作，其结果被广播或传递到通信组中所有进程的接收缓冲区。反向传播1428还可以包括全聚集1413和全互换1414通信操作。对于全聚集操作1413，从全部任务聚集数据，并将组合的数据分布到全部任务。对于全互换操作1414，来自所有进程的数据被传递到所有进程。可以使用任何低层消息传送库(如mpi、grpc、或zeromq)来实现执行针对机器学习的分布式计算操作所需的数据传递。然而，没有多处理器通信库的领域级专业知识，实现示例性通信操作可能是困难的。此外，将这些操作扩展到非常大量的节点可能是困难的。如果没有关于分布式计算技术的特定领域知识，那么实现可以处置数百或数千个节点之间通信的机器学习的可扩展通信系统可能会显著延长针对机器学习应用的开发时间。本文中所述的实施例提供各种技术来抽象针对深度学习应用的分布式通信系统细节。在一个实施例中，提供了机器学习扩展库(mlsl)，其使深度学习应用开发人员能够开发分布式深度学习应用，而不需要启用多节点深度学习所需的特定通信细节的知识。深度学习应用的应用开发人员可以使用深度学习领域专用术语来指定由本文中所述的实施例所提供的应用和库技术所使用的分布式计算系统的类型，可以实现启用所请求的分布式计算系统所需的特定底层通信方法。图15a至图15c示出了由本文中所述的实施例所提供的机器学习扩展库的体系结构细节。图15a示出了示例性机器学习体系结构栈1500。图15b示出了mlsl体系结构1511的细节。图15c示出了由实施例启用的示例性通信端点。图15a示出了示例性机器学习体系结构栈1500，其可以是图6的机器学习软件栈600的变体。机器学习体系结构栈1500包括从传感器阵列所提供的输入数据1502到执行各种计算、存储、或通信操作的硬件1514元件的多个软件和硬件层。示例性机器学习体系结构栈1500的每层可以是隐藏较高层的实现细节的不透明抽象层，同时使用由较低层所提供的函数来实现较高层所需的函数。将输入数据1502提供给应用层1504。在一个实施例中，输入数据1502是多模式输入，包括但不限于视频和/或图像数据、来自多个传感器的数据、以及外部信号数据。应用1504包括多模式融合和决策应用，其可以处理输入以启用机器学习任务如图像理解、视频摘要、语音和自然语言处理、路径规划、导航、或本文中所述的任何其他机器学习实现。应用1504与一个或多个机器学习框架1506(如但不限于caffe、theano、torch、tensorflow或任何其他基于脚本的机器学习框架)通信以实现机器学习特定操作。机器学习框架1506可以使机器学习操作能够使用任何数量的神经网络拓扑1508中的一个来执行，包括但不限于cnn、rnn、lstm、通用深度神经网络和增强学习网络。机器学习框架1506经由一个或多个构建块1510来实现神经网络拓扑1508。示例性构建块1510包括单精度浮点通用矩阵乘法(sgemm)块、卷积构建块从、快速傅立叶变换/winograd块、单源最短路径(sssp)计算块从、稀疏矩阵-矩阵乘法(spgemm)块、以及由本文中所述的实施例所提供的机器学习扩展库(mlsl)1511。构建块1510可以各自实现多种算法1512，以使框架1506所请求的计算操作能够实现神经网络拓扑1508。算法1512包括优化以增强统计和体系结构效率、启用云部署、并且启用到大量节点的扩展。在一个实施例中，mlsl1511包括算法1512，以使得能够将机器学习操作扩展到大量节点。在一个实施例中，可以经由可以被硬件1514的一个或多个元件加速的软件库来实现构建块1510。在一个实施例中，构建块1510的至少一部分可以在硬件1514内实现。例如，基于fpga或asic的加速器可以包括定制逻辑，以启用mlsl1511的一部分或一个或多个gemm库。可以使用硬件1514的各种部件来实现机器学习体系结构栈1500的较高层的函数。硬件1514的部件包括但不限于cpu或另一个通用处理器，其任务是执行与计算和/或操作系统相关的计算。硬件1514还包括基于集成众核(mic)或通用gpu的并行处理系统。在一些实施例中，硬件1514包括基于fpga或asic的深度学习加速器。硬件1514的结构互连部件用于使得能够进行各种部件与高带宽易失性或非易失性存储器之间的高速通信。易失性存储器技术可以包括本文中所述的任何图形存储器技术，包括hbm和gddr存储器。非易失性存储器技术可以包括闪存(包括3dnand闪存)、或其他存储器技术(如3dxpoint存储器)。图15b根据实施例示出了的mlsl体系结构1511的细节。mlsl体系结构1511包括具有机器学习专用抽象1513以及非机器学习专用抽象1515的抽象层。抽象与驱动底层消息传送库1519的通信模块1517相接口。消息传送库1519使用优化的低层通信例程来通过高性能通信结构1521传输数据。mlsl体系结构1511使机器学习软件的开发人员能够使用机器学习专用抽象1513来开发可扩展机器学习应用。在一个实施例中，机器学习专用抽象1513使得应用开发人员能够使用机器学习领域特定知识来驱动针对神经网络层的计算操作的可扩展性能。机器学习抽象1513使应用能够以对底层体系结构透明的方式来被开发，使机器学习应用能够自动适应任何数量的硬件1514元件，包括多种类型的计算和结构元件。除了机器学习专用抽象1513之外，还可以由mlsl体系结构1511提供一组非机器学习专用抽象1515。非机器学习专用抽象1515使得机器学习应用的开发人员能够在更高的抽象水平上定义应用的一个或多个非机器学习细节，诸如与机器学习无关的一个或多个实现特定细节或操作系统细节。在一个实施例中，机器学习专用抽象1513使得神经网络层适合支持多种类型的并行(例如，数据、机器、混合)。机器学习专用抽象1513还支持层到层通信抽象，以便允许开发人员容易地实现用于不同层类型和并行的通信模式。使用机器学习特定术语来定义不同层类型和并行，所述机器学习特定术语使用机器学习专用抽象1513，并且通过通信模块1517、消息传送库1519、和高性能通信结构1521启用用于那些层类型的通信。机器学习专用抽象1513还使得能够进行跨所定义的神经网络层的智能消息调度，同时抽象出在应用水平实现机器学习技术所需的数据布局和变换。在一个实施例中，通信模块1517包括驱动底层消息传送库1519的逻辑。通信模块1517包括各种优化，以使得能够在用于执行分布式机器学习的各计算节点之间传输机器学习数据的同时高效地驱动网络。通信模块1517包括用于优化网络带宽并启用低延迟时间通信的逻辑。机器学习专用抽象1513和/或非机器学习专用抽象1515可以指定或证明接口以使得应用开发人员能够指定任务为管理分布式通信的处理器资源。在一个实施例中，可以指定特定的处理器。在一个实施例中，指定与通信相关联的处理器的数量。在一个实施例中，可以指定计算和通信资源之间的混合。在一个实施例中，通信模块1517包括用于自适应地分配处理器核以用于驱动和执行针对通信模块1517和/或消息传送库1519的操作的逻辑。在一个实施例中，通信模块1517可以自适应地分配用于通信的处理资源，而不需要来自机器学习专用抽象1513或非机器学习专用抽象1515的明确指示。在一个实施例中，通信模块1517可以自适应地调整或分配处理资源以试图使可用网络资源完全饱和，从而试图最小化分布式系统内的通信的延迟时间影响。例如，如果通信模块1517确定未以数据使高性能通信结构1521完全饱和，则如果分布式计算系统的整体吞吐量将增加，则可以分配额外的处理器或处理器核来执行网络任务。在一个实施例中，被分配用于驱动消息传送库1519的计算资源的量可以基于高性能通信结构的带宽而变化。对于较高带宽的结构，可能需要更大的计算资源来使网络饱和。高性能通信结构1521可以通过任何数量的高速网络连接技术来实现，包括但不限于以太网、无限带宽技术、全向路径互连、或者经由点到点互连的网格，诸如nvlink。在一个实施例中，通信模块1517包括通过启用处理节点之间的异步通信来确保分布式计算操作的前向进行的逻辑。由通信模块1517启用的异步通信允许进行重叠的计算和通信操作，所述重叠的计算和通信操作高效交织以便优化计算和通信效率和吞吐量。在一个实施例中，通信模块1517还支持优先化的通信信道以使得能够进行竞争通信请求的优先化解决。消息传送库1519使用优化的低层通信例程来通过高性能通信结构1521传输数据。对于底层消息传送库1519和高性能通信结构1521，mlsl体系结构1511是不可知的。在一个实施例中，消息传送库是基于mpi的库。在这样的实施例中，使用mpi函数(例如，mpi_alltoall、mpi_allreduce、mpi_allgather等)来实现机器学习应用所使用的通信模式。在一些实施例中，grpc或zeromq库和相关联的函数被用于消息传送。在一个实施例中，还可以使用nccl集合通信例程。nccl提供通信例程，如全聚集、归约、和广播，以加速跨多个gpgpu的多gpu机器学习训练。图15c示出了由本文中所述的实施例启用的示例性通信端点。虽然所描述的技术不限于mpi实现，但是相对于mpi库来说明由这些实施例所提供的概念。在常规通信器1525中，进程与等级或另一个通信id相关联。进程可以支持针对多线程的通信，每个线程都与进程的等级或标识符相关联。本文中所述的实施例利用网络端点来启用分布式计算系统的各个计算节点之间的通信。每个端点通信器1530允许进程、通信等级或id与使用端点进行通信的各种线程之间的灵活安排。端点通信器1530可以被动态地配置，使得进程可以与多个等级相关联，并且每个等级可以与单独的进程相关联。在这种配置中，每个线程可以通过多处理器消息传送系统发送数据，而不考虑等级之间的线程争用。或者，一个线程可以与多个等级相关联，使单个线程能够具有多个通信信道。在一个实施例中，经由机器学习专用抽象1513明确指定端点通信器1530的一个或多个实例。在一个实施例中，端点通信器1530的实例的数量与被分配用于执行网络通信的核的数量直接相关。在一个实施例中，机器学习专用抽象1513使程序员能够使用机器学习特定术语来指定网络的类型和所需的并行度，并且mlsl体系结构1511可以动态地构建通信基础架构，包括被分配给联网操作的核的数量和通信端点1530的相关联的数量。在各种实施例中，图15c的通信系统可以使用明确的开发人员定义的变量来构建，或者基于由应用开发人员所定义的机器学习基础架构来动态地构建。在一个实施例中，机器学习应用可以定义执行针对机器学习应用的计算操作的多个应用进程1536。mlsl1534可以向应用进程1536暴露接口，从而实现可扩展到大量计算节点的通信系统。在这样的配置中，针对每个应用进程1536(例如，进程0、进程1、进程2)支持多个通信等级或标识符，在一个实施例中，每个应用进程可以是mpi进程。一组端点进程1532可以由mlsl1534发起，其中单独的端点进程被定义为支持应用进程1536内的进程的每个等级或标识符。在一个实施例中，机器学习特定领域感知可以与通信操作的全局视图相结合以确定要使用多少个端点。基于通信需要，mlsl1534可以动态地扩展端点进程1532的数量。图16a至图16b示出了由本文中所述的实施例所启用的分布式机器学习训练。图16a示出了使用多个节点执行的针对神经网络的训练过程。mlslapi可用于定义包括多个节点的分布式训练系统。在一个实施例中，多个节点可以包括第一节点1610(节点0)和第二节点1620(节点1)。每个节点1610、1620被配置成用于执行前向计算操作1612、1622和后向计算操作1614、1624。对于后向计算1614、1624，计算权重δ1616、1626并且执行随机梯度下降1618、1628以生成权重值更新。由mlslapi所启用的通信操作以字母/数字块表示，它们执行表6中所示的操作。表6——mlsl通信操作通信行动通信阶段1.激活a.开始通信2.激活梯度b.等待结束通信3.权重梯度4.更新的权重如图16a中所示，mlslapi使用分布式前向计算1612、1622进行前向传播，所述分布式前向计算在开始前向计算操作之前等待结束传入数据的通信的第一通信块和为所计算的数据开始通信的第二通信块的范围中。例如，开发人员可以使用第一mlslapi命令(节点0[1b])来配置第一节点1610处的第一层的前向计算操作1612以等待结束接收将被用作前向计算1612的输入数据的激活数据的通信。前向计算1612在完成激活数据的通信后自动开始。在完成前向计算1612后，可以使用第二mlslapi命令(节点0[1a])来开始激活数据的通信。从第一节点1610输出的进行通信的激活数据是由第一层所生成的激活数据，并且被用作具有在第二节点1620处执行的前向计算1622的第二层的输入数据。第二节点1620处的前向计算1622在开始计算操作(节点1[1b])之前等待结束激活数据的通信，并且在完成时开始前向计算1622所生成的激活数据(节点1[1b])的通信。在一个实施例中，mlslapi使用分布式后向计算1624、1612进行后向传播，分布式后向计算在开始后向计算操作1624之前等待结束传入激活梯度的通信的第三mlslapi使能通信块(节点1[2b])和开始进行所计算的激活梯度的通信的第四mlslapi使能通信块(节点1[2a])的范围中。以类似的方式，mlslapi使得能够进行用于权重δ计算1626从、1616的权重梯度和经由分布式随机梯度更新1628、1618所确定的更新的权重的传输和接收。如图16b所示，每个节点1610、1620也可以用于执行神经网络的多个层的计算操作。在一个实施例中，图16a中所示的前向计算操作1612、1622被执行为多个层(层n、层n+1)上的多个计算操作1612a-1612b、1622a-1622b。同样，图16a中所示的后向计算操作1624、1614也可以被执行为多个计算操作1624a-1624b、1614a-1614b。对于每个节点1610、1620，mlslapi可以使激活1602、1604能够在每个节点上的多个神经网络层之间进行传递，而在后向计算操作1624a-1624b、1614a-1614b后对更新的权重1606、1608进行分布。在一个实施例中，mlslapi针对同一神经网络的不同层使得能够使用不同类型的并行化。可以由mlsl根据层属性自动进行并行的选择，如可学习参数的数量和激活的数量。基于为层所确定的并行，还可以确定所需的通信类型。例如，当前一层使用数据并行而下一层使用模型并行时，调用全部到全部通信模式以重新分布数据。一般来说，通信模式和情景的变化是显著的。通过对通信细节进行抽象，mlslapi可以显著地简化机器学习框架开发人员的生活。各种机器学习结构可以通过mlslapi实现。硬件实现的用于机器学习的点对点原语加载和存储操作足以在软件中实现较高阶的分布式共享存储器操作的执行。然而，单靠加载和存储原语可能不足以实现用于点对点通信的适当硬件解决方案。本文中所描述的实施例可以扩展本领域中已知的简单的点对点原语(primitive)，以实现更加丰富的语义，诸如但不限于，支持远程原子操作(remoteatomics)、远程过程调用(rpc)、带收集列表的加载(loadwithgatherlist)、带散播列表的存储(storewithscatterlist)、以及带通知的存储(storewithnotify)，所述通知包括与通信同步的通知，以允许节点之间以及节点内的gpgpu、mic或并行处理器卡之间的更有效的通信和同步，特别是当点对点通信协议(诸如nvlink互连/协议的版本)正在使用中时。图16c示出了根据实施例的使用点对点原语的节点间通信。在一个实施例中，计算集群1630可以跨多个节点执行分布式神经网络训练过程。对于p数量个节点，每个节点1631a-1631p(例如，节点1到节点p)可以执行如本文中所述的前向传播和反向传播。在一个实施例中，每个节点处理不同组的的层1632a-1632p，每节点一组，其中，每组具有层l0-ln。在神经网络的前向传播(fp)和反向传播(bp)操作期间，可以在节点之间交换与层1632a-1632p相关联的数据。数据交换的精确模型可以基于使用中的并行模型(例如，数据、模型、混合等)而变化。例如并且在一个实施例中，每个节点1631a-1631p可以具有神经网络模型的副本，并且不同的输入数据可以被提供给每个节点。可以由每个节点1631a-1631p来生成数个权重δ1634。在一个实现中，可以执行全归约操作，其中求和单元1636在接收缓冲器中接收该组权重δ，并且生成权重δ数据的总和1637。求和单元1636可以是节点1631a-1631p中的任何一个或单独的控制节点。随机梯度下降逻辑单元(sgd1638)可以生成一组新的权重1640，这一组新的权重1640然后被发送到每个节点。在一个实施例中，为了促进节点1631a-1631p之间的信息交换，每个节点可以包括硬件实现的点对点原语单元(ppp1634a-1634p)以使节点能够以同步的方式交换数据。本文中所描述的点对点技术可在如图15b中的通信模块1517内实现，该通信模块1517可以存在于每个节点内。每个节点内的点对点原语逻辑可以与一组发送缓冲器(tx1641a-1641p)以及接收缓冲器(rx1642a-1642p)相关联。为了在节点11631a和节点p1631p之间交换数据，节点p的点对点原语单元1643p可以向节点1发布将特定数据块发送给节点p的请求。针对该数据块的依赖性一得到满足(诸如，例如，当与该数据相关联的计算操作完成时)，节点11631a就将该数据块发送给节点p1631p(例如，经由发送缓冲器1641a)。节点p1631p可以继续执行其他操作，直到被节点11631a通知。所请求的数据的计算操作一旦完成，节点11631a就可以对节点p上的接收缓冲器1642p执行远程写入以写入所请求的数据。在一个实施例中，节点11631a可通知节点p1631p已经完成写入。在一个实施例中，节点p1631p可以监测被提供给节点11631pa的接收缓冲器1642p的地址以用于存储器更新，并且一旦节点p1631p注意到已经发生对接收缓冲器1642p的存储器写入，就将写入的存储器复制出。可以使用各种作为基础的方法来实现点对点通信。在一个实施例中，远程过程调用可以用于节点以在不同节点上远程地执行逻辑操作。远程逻辑可以监测与接收节点所需要的数据相关联的地址空间，并且一旦计算操作完成就发起从发送节点的传送。除了具有“带通知的存储”和远程过程调用支持外，还可以实现各种附加的原语，如上所述，其中，这样的原语包括但不限于远程原子、带收集列表的加载，带散播列表的存储，以及其他类型的同步通信。例如，在一个实施例中，可以从节点11631a到节点p1631p执行远程原子存储，使得节点1的存储器中的数据作为单个不可分的操作被存储到节点p中的存储器。可以使用节点1和节点p的接口逻辑所支持的硬件原语来执行原子存储。节点1可以向节点p发送消息以实现原子存储，该消息可以通过节点p的接口逻辑来接收。节点p中的接口逻辑然后可以锁定节点p的存储器内的存储器地址，执行存储操作，并释放对存储器地址的锁定，使得节点p的存储器可以利用从节点1提供的数据来原子地更新。在一个实施中，可完全在节点的结构接口逻辑内执行这样的操作。在各个实施例中，原语操作用来在节点的接口逻辑内执行带收集列表的加载、带收集列表的存储、或其他类型的同步通信操作。在布置成网格、圆环或超立方体的计算节点中，每个节点处的路由器允许将消息沿着最有效路径被定向到目的地，以用于在非直接连接的节点之间的消息。本文中所描述的实施例提供了可以被配置成在间接连接的节点之间路由存储器写入或消息的结构互连逻辑。代替使用节点标识符，在一个实施例中，结构互连逻辑可以基于与要被中继的消息、写入或分组相关联的目标存储器地址来路由数据。这样的技术可以在硬件中实现高效的分布式存储器系统，特别是对于点对点结构互连而言。图17a示出了根据实施例的多节点计算系统1700。多节点计算系统1700的每个节点与图8的多gpu计算系统800类似。gpgpu806a-806d各自经由一组p2pgpu链路816来互连。gpgpu1706a-1706d各自经由p2pgpu链路1716来互连。gpgpu1706a-1706d可以各自经由主机接口开关1704来与处理器1702通信。gpgpu806a-806d和gpgpu1706a-1706d不直接互连。然而，gpgpu806b可以经由p2pgpu桥接链路1708与gpgpu1706a通信。在一些现有实现中，为了在间接连接的gpgpu之间(例如在gpgpu806a到gpgpu1706d之间)传递数据，可能需要多次手动传递。本文中描述的实施例实现了在经由点对点链路进行连接的gpgpu之间自动地路由通信。在一个实施例中，通过将节点映射到分布式虚拟存储器系统来执行自动路由。图17b示出了根据实施例的具有分布式虚拟地址的点对点网络。在一个实施例中，一组节点1721(节点1-3)可以参与多层神经网络1722(层0-3)的分布式训练。可以执行协商，使得每个节点内的存储器地址与分布式虚拟地址空间1730内的虚拟地址相关联。在一个实施例中，每个节点中的特定物理地址范围被映射到与该节点相关联的虚拟地址，使得每个节点中的相同物理地址被映射到分布式虚拟地址空间1730。分布式虚拟地址映射在节点之间交换，使得每个节点都知道每个其他节点的地址范围。例如，节点1可以被分配一个在第一存储器地址范围1723([0x1000至0x1500])内的存储器地址。节点2可以被分配一个在第二存储器地址范围1725([0x2000至0x2500])内的存储器地址。节点3可以被分配一个在第三存储器地址范围1727([0x3000至0x3500])内存储器地址。节点1可以通过向节点3发布对数据的请求并提供给节点3第一地址范围1723内的地址来从节点3请求数据。节点1知道节点3具有[0x3000至0x3500]的地址范围，并且在由以下公式定义的地址处在存储器中具有接收缓冲器：基于节点的地址+接收缓冲器偏移。节点1可以向节点3处的接收缓冲器请求同步写入，其中该写入是请求在节点3的地址空间(例如，第三地址范围1727)内的给定读取地址处读取数据的消息。节点1上的结构接口可以基于写入地址来确定该消息是去往节点3的。然后，结构接口可以确定，为了与节点3进行通信，该消息可以经由节点2被路由。然后，节点1可以请求经由节点2的中继。节点2上的结构接口基于目的地地址可以确定该消息是意在用于节点3的，并将该消息中继到节点3中的接收缓冲器。这样的技术可以显著提高通信操作的效率，所述通信操作诸如，涉及所有节点之间的通信交换的全归约或全聚集操作。细粒度计算通信本文中所描述的实施例提供了用于表达计算和通信操作的统一api，以及使计算和通信操作能够以细粒度方式重叠的对应实现。细粒度重叠计算为机器学习计算框架提供了益处，并有助于在多卡和/或多节点实现中实现更高的计算和通信效率。例如并且在一个实施例中，在深度学习训练反向传播期间的权重更新操作中使用数据并行化。反向传播(backpropagation)，如上(例如在图16a中)所述，包括权重δ计算、节点间/卡间权重δ通信、以及使用随机梯度下降的更新权重计算。使用不同的计算和通信api以及实现方式的数个实现可能无法做到最大量的并行化，因为这些操作是以固定次序并以粗粒度水平来顺序执行的，而这种并行化可能在计算节点或并行处理器卡的内部被加以利用，或是在所有计算节点或并行处理器上被加以利用。本文中所描述的实施例通过以细粒度细节实现对计算操作和通信操作的调度和执行来实现改进的计算和通信并行化。通过实现细粒度计算和通信执行，可以实现更高效的计算和通信重叠，从而实现计算和通信资源的提高的并行化和改进的利用。图18示出了根据实施例的替代的mlsl架构1811。替代的mlsl架构1811类似于图15b的mlsl架构1511，区别在于机器学习专用抽象和通信模块1816被合并为单个模块。抽象机器学习计算功能和通信功能的合并实现了计算和通信重叠的较细粒度。在待处理操作上正阻塞的消费者线程和/或核可以被置于睡眠并且一旦阻塞的操作完成就被唤醒。可以在个别的数据依赖性的粒度上执行计算操作，使得只要针对计算单元的依赖性到满足，计算单元就可以被执行并被立即传输到其他节点。可以提供将计算和通信操作进行组合的合并的api，使得计算操作可以与通信或同步操作或原语相关联，并且计算单元一完成，计算的数据就可以被传输。图19a示出了适合用于细粒度计算和通信重叠的张量(tensor)计算操作。本文中所描述的合并的计算和通信api可以使较大的计算操作能够被细分成较小的块，而不是在结果被通信给其他节点之前等待整个通信操作完成，一旦计算操作的个别部分完成，结果就可以以较精细粒度被通信。例如，图19a示出了细粒度的成块的(blocked)xgemm操作，该操作被制定为在m，n和k维度上具有并行性的多个小块gemm操作。针对峰值架构性能而被优化的模式内gemm内核可以并行地应用于计算操作的数个子单元。例如并且在一个实施例中，计算操作的一部分可以使用第一数据块1902和第二数据块1904来执行，以生成n×m矩阵1906的一部分。可以在第一数据块1902和第二数据块1904上执行该操作，并且可以在整个矩阵操作完成之前分配结果。在这样的实施例中，可基于权重1912与输入1914之间的多个细粒度计算操作的集合(例如，求和)来生成输出[m，n]1916。这种技术允许计算和通信操作在神经网络分布式训练期间不仅在层之间重叠，而且还在层内重叠。当子计算操作完成时，这些操作可以例如使用本文中所描述的点对点原语传输到相关节点，从而实现计算和通信操作之间的更大重叠并且提高整体系统效率。这种技术与现有的计算和通信解决方案不同，后者在将结果传输到其他节点之前执行一整套计算操作。计算和通信的细粒度执行需要灵活的同步机制，以实现对于计算和通信资源的调度安排(orchestrate)有效使用。在一个实施例中，细粒度执行和通信是经由扩展的存储器语义以任意张量的粒度来实现的。待处理操作上正阻塞的消费者线程和/或核可以被置于睡眠，并且阻塞的操作一完成，其就被唤醒，而不依赖于轮询。以存储器/高速缓存行粒度定义的传统的满/空位过于细粒度，以至于对于此目的来说不是最佳的。其他解决方案(诸如monitor/mwait)只能跟踪连续的地址，并且在地址范围内的任何存储器写入都会唤醒消费者。作为对现有解决方案的改进，一个实施例提供了一种用于将张量操作与同步语义相关联的方法和装置，其允许消费者线程仅当在张量上定义的所有操作完成时才被唤醒。图19b示出了根据实施例的多节点系统1920内的同步存储器访问。如所示，生产者节点1930和消费者节点1940各自可访问共享存储器1950，该共享存储器1950可以是在多个节点上映射的分布式且共享的虚拟地址空间。生产者节点1930产生将由消费者节点1940消费的数据。当消费者节点1940具有对要由生产者节点1930计算的张量数据1955的依赖性时，消费者节点1940可以阻塞并休眠，直到所有需要的张量数据1955被写入存储器1950。采用现有的语义，当对地址执行任何写入时，消费者节点1940可能被中断。然而，当消费者节点1940对要被写入的所有数据具有依赖性时，这种语义的使用可能是不适当的。如果消费者节点1940依赖于所有张量数据1955，而不是依赖于张量数据的任何给定单位，则在张量数据1955内唤醒任何存储器访问将导致为数众多的虚假唤醒。此外，在一个实施例中，张量被存储为存储器中的不具有连续地址的多维阵列。现有的语义可能无法监测不在一组连续存储器地址内驻留的数据。因此，诸如监测器和等待语义之类的现有语义不能容易地用于监测张量。本文中所描述的实施例证明了一种使消费者节点1940能够监测与存储作为存储器中的多维阵列的张量相关联的一组非连续地址的技术。在这样的实施例中，消费者节点1940可以指示张量数据1955将要被监测，并且与张量数据1955相关联的所有存储器地址都可以被监测以用于更新。在一个实施例中，消费者节点1940可以请求监测被应用于特定类型的更新，诸如从生产者节点1930向张量数据1955存储器地址的远程写入。此外，提供了一种语义，该语义允许消费者节点1940可以请求在所有被监测的地址已经被写入时被通知到。进一步地，该机制可用于调整同步边界处的硬件高速缓存一致性的粒度和维持，如图19c中所示。图19c示出了图19b的存储器通信语义可被扩展成实现高速缓存存储器数据的粗粒度高速缓存一致性。由于张量数据跨越生产者节点和消费者节点两者上的多个高速缓存行，因此本文中所描述的技术可以实现以更适合张量数据的粗粒度来执行高速缓存一致性，而不是在常规系统中使用的高速缓存行一致性例如，在一个实施例中，生产者节点1930包括高速缓存存储器1935，该高速缓存存储器1935可以在张量数据1955被存储到共享存储器1950之前，对由生产者节点1930内的计算集群1932a-1932b生成的张量数据1955进行高速缓存。此外，对用于消费者节点1940的计算集群1942a-1942b的张量数据1955的低延迟访问可由消费者节点1940中的高速缓存存储器1945来实现。替代以高速缓存行粒度维持高速缓存一致性，可以以张量数据1955的被监测的粒度执行生产者节点1930的高速缓存存储器1935与消费者节点1940的高速缓存存储器1945之间的一致性更新。在多节点、高速缓存一致性系统(诸如经由高速缓存一致性互连耦合的多gpu系统)内的粗存储器更新的使用情况下，这些成批的一致性更新可导致对存储器总线带宽的更有效使用。图20a-20b示出了描述用于通过mlslapi启用分布式机器学习的操作的流程图。图20a中示出了一般操作。图20b中示出了mlsl设置。如图20a中所示，如框2002所示，一般mlsl操作包括创建要在分布式计算系统的多极计算节点之间执行的通信操作的全局视图的操作。全局视图是使用机器学习特定语言来进行结构化的，这些语言将在机器学习应用的应用开发人员的领域知识范围内。在一个实施例中，全局视图在mlsl机器学习抽象层的内部，并且使用由mlsl机器学习抽象层所提供的api命令来指定。内部全局视图使mlsl能够执行称为自检的操作。自检使得能够使用全局视图来获得为机器学习实现所执行的通信的深刻理解。在一个实施例中，自检被用于确定图中的通信操作的通信成本以及追踪计算和通信操作的重叠，如框2004所示。在一个实施例中，通信损失根据计算节点之间的数据通信所引入的计算延迟时间来量化。另外，自检持续追踪两次连续通信操作的计算成本。然后，此信息可以用来有效地调度通信操作。例如，如果计算成本较高，则可以在此时间期间调度多个通信操作。对于较小的计算成本，调度可以选择发送较短的通信操作或将较大的通信操作拆分为可以隐藏在有用计算操作之后的较小部分。可以使用跟踪重叠来确定通信时间与有用计算重叠的程度。在一个实施例中，计算和通信时间可以通过针对少数时期运行实际机器学习拓扑或使用具有用于所述平台的不同消息大小和层类型的延迟的预填充数据库来获得。在一个实施例中，根据重叠的计算和通信时间的周期数量或重叠的计算和通信操作被执行的时间量来量化重叠。在一些实施例中，可以执行此类操作的组合。在一个实施例中，自检能力可以暴露给应用开发人员以使能识别性能瓶颈和/或用于执行调试操作。在一个实施例中，应用开发人员可以明确指定要用于神经网络的每层的并行类型。在一个实施例中，全局视图和自检可以用于自动确定用于给定层和给定平台的类型并行，如框2006所示。要使用的最优并行类型可以通过在运行时尝试不同的组合或使用启发式来确定。例如，当权重的大小大于激活的大小时，一种启发式可以指示在激活的大小大于权重的大小或模型并行时使用数据并行。权重或激活的大小部分基于激活和权重数据的x和y维度的比较来确定。在一个实施例中，在分布式训练期间，可以在运行时为神经网络的每层评估多种类型的并行。然后可以基于运行时评估所指示的通信效率来确定要用于神经网络层的并行。在一个实施例中，如框2008所示，一般mlsl逻辑另外执行操作以使用全局视图自动确定消息的调度和优先化。例如，自检能力使mlsl逻辑能够执行尝试各种组合的操作，并选择调度和优先化的最优组合。调度机制包括使用优先化的信道、延迟低优先级消息、和/或拆分大消息。此类技术可以至少部分地通过包括在mlsl库对象内的软件逻辑来实现。mlsl逻辑可以至少部分地以硬件执行，例如，在网络接口控制器或主机结构接口内。虽然一些实施例能够自动确定通信的调度和优先级，但是在一个实施例中，应用开发人员可以通过安排通信开始和等待操作以获得最优性能来明确地对消息传送进行调度和优先化，因为最优调度和优先化可以因平台和神经网络拓扑而变化。在一个实施例中，如框2010所示，基于使用mlslapi指定的机器学习专用信息，一般mlsl逻辑还执行操作以自动确定网络端点的最优数量和核的数量。在一个实施例中，mlslapi可以使用机器学习拓扑来实现分布式机器学习系统的指定，包括神经网络拓扑以及相关联的机器学习网络的层数。在一个实施例中，可以使用mlsl全局视图和平台数据来推断端点和网络通信核的数量。例如，当使用更多核驱动网络时，通信性能可以得到改善。然而，考虑用于计算的核的数量和用于通信的核的数量之间的权衡来执行网络核的分配。因此，在一个实施例中，mlsl自检允许平衡计算和通信时间以优化总体系统性能。例如，用于通信的核的数量可以动态变化，并且可以基于对总计算时间的影响来选择核的最优数量。或者，可以绕过自动确定，并且应用开发人员可以明确指定要用于通信的核的数量和网络端点的相关联的数量。如图20b中所示，如框2012所示，用于mlsl设置的操作包括初始化mlsl库以使得能够使用mlslapi的第一操作。然后可以使用mlsl逻辑来创建会话对象并设置全局小批大小，如框2014所示。可以基于本地批大小的总和来确定全局小批大小。然后可以使用mlsl逻辑来创建分布对象，所述分布对象指示用于数据并行的多个分区和用于模型并行的多个分区，如框2016所示。如框2018所示，然后可以使用mlsl逻辑为神经网络的每层创建操作对象。在一个实施例中，为每层创建操作对象包括创建辅助operationreginfo对象，所述对象保持关于可学习参数和激活形状的信息。这些参数定义了输入和输出激活与操作的参数之间的特定关系。mlslapi使开发人员能够将输入/输出激活形状和参数的形状添加到operationreginfo对象。使用mlslapi，开发人员可以创建操作对象、删除operationreginfo对象、并设置操作之间的依赖性。然后通过使用关于批大小和形状的信息，开发人员可以使用mlslapi为关于参数、输入激活、和相对于输入激活的梯度分配缓冲区。由于链接的操作共享共同的激活，链接操作可以在事务的一侧进行分配，并在其他大小的事务上重新使用。(它们应当只在一侧进行分配并在另一侧重新使用)。在一个实施例中，mlsl库提供专用分配器，其实现了专门的优化。在一个实施例中，在框2014创建的会话对象包括可用于完成操作目标的创建的提交(commit)方法。然后可以使用mlsl逻辑来执行机器学习框架工作流程，其中用mlslapi调用包装工作流程的计算部分，如框2020所示。在一个实施例中，mlslapi调用实现激活、关于激活的梯度和关于参数的梯度的自动交换。然后可以使用mlsl逻辑来基于在框2022执行的机器学习框架工作流程来更新参数。图21a-21b示出了根据本实施例的执行神经网络的分布式训练的方法。可以使用如本文中所描述的图形处理逻辑来执行神经网络的分布式训练，其中图形处理逻辑被包括在多个互连的工作者节点内。在各种实施例中，多个互连的工作者节点可以在单个计算设备或机箱(chassis)内，或者可以跨多个计算设备或机箱分布。例如，多个互连的工作者节点可以以与图17中的多节点计算系统1700类似的方式进行配置。在一个实施例中，如图21a处所示，方法包括将库存储在存储器中，其中库被配置成在神经网络的分布式训练期间促进数据的传输，如框2102处所示。数据可以与神经网络的可训练参数相关联。在训练期间，多个节点可以经由网络接口发送和接收与可训练参数相关联的梯度数据，如框2104处所示。节点可以经由通用处理器执行由库提供的指令，如框2106处所示。这些指令可以使通用处理器将网络接口配置成在机器学习框架的工作流期间发送和接收与可训练参数相关联的梯度数据。此外，工作节点可以经由图形处理器执行与机器学习框架工作流相关联的计算操作，以生成与可训练参数相关联的梯度数据，如框2108所示。计算操作可以与经由网络接口的梯度数据的发送和接收交错。交错的计算操作可以重叠，使得可以在对第二部分数据执行计算操作的同时发送第一部分数据。图21b示出了可以使用本文中所描述的图形处理逻辑来执行的神经网络的分布式训练方法。在各实施例中，多个互连的工作者节点可以在单个计算设备或机箱内，或者可以跨多个计算设备或机箱分布。该方法可以由通用处理器内的一个或多个处理设备、图形处理器或结构接口内的处理器来实现。下面描述的第一或第二指令可以是由如图15b、18中的机器学习扩展架构1511、1811内的库或本文中所描述的等效库(诸如nccl库)提供的指令，。在一个实施例中，如框2112处所示，该方法包括将第一组指令存储在第一存储器中，所述第一组指令包括机器学习框架。第一存储器可以是可由数据处理系统内的所有或大多数部件访问的系统存储器。例如，第一存储器可以是如图1中的系统存储器104。如框2114处所示，该方法附加地包括经由结构接口实现与该组可训练机器学习参数相关联的数据的发送和接收。可以由与高性能通信结构(诸如图15b的消息传送库1519和高性能通信结构1521)通信的消息传递库执行或促进数据的发送和接收。在一个实施例中，如框2116处所示，该方法附加地包括经由一组通用处理器核来执行第一组指令。执行第一组指令包括提供用于计算可训练机器学习参数的梯度的训练工作流，并与第二组指令通信。第二组指令可以促进经由结构接口发送和接收梯度。如框2118处所示，该方法附加地包括经由图形处理器执行与训练工作流相关联的计算操作。执行该计算操作可以包括生成可训练机器学习参数的梯度。在一个实施例中，梯度可以被存储在图形处理器和结构接口之间共享的存储器中，从而允许在不需要在发送之前将数据存储在系统存储器中的情况下发送梯度数据。图22是根据本文中所述的实施例的数据处理系统2200的框图。数据处理系统2200是具有处理器2202、统一存储器2210、和包括机器学习加速逻辑的gpgpu2220的异构处理系统。处理器2202和gpgpu2220可以是如本文中所述的任何处理器和gpgpu/并行处理器。处理器2202可以执行存储在系统存储器2212中的用于编译器2215的指令。编译器2215在处理器2202上执行以将源代码2214a编译成经编译代码2214b。经编译代码2214b可以包括可以由处理器2202执行的代码和/或可以由gpgpu2220执行的代码。在编译期间，编译器2215可以执行操作来插入元数据，包括关于存在于经编译代码2214b中的数据并行的水平的提示和/或关于与将基于经编译代码2214b分派的线程相关联的数据本地性的提示。编译器2215可以包括执行这样的操作必需的信息，或者可以借助运行时库2216(如本文中所述的机器学习扩展库(mlsl))来执行操作。运行时库2216还可以便于编译器2215编译源代码2214a并且包括在运行时与经编译代码2214b链接的指令，以便于执行gpgpu2220上的经编译指令。统一存储器2210表示可以由处理器2202和gpgpu2220访问的统一地址空间。统一存储器包括系统存储器2212以及gpgpu存储器2218。gpgpu存储器2218包括gpgpu2220内的gpgpu本地存储器2228，并且还可以包括系统存储器2212中的部分或全部。例如，存储在系统存储器2212中的经编译代码2214b也可以被映射到gpgpu存储器2218中供gpgpu2220进行访问。gpgpu2220包括多个计算块2224a-2224n，每个计算块包括如图2中的一个或多个处理集群214a-214n或处理阵列212的一个或多个实例。gpgpu2220还包括可以用作计算块2224a-2224n的共享资源的一组寄存器2224、高速缓存存储器2226、以及功率和性能模块2225。功率和性能模块2225可以被配置成用于调整计算块2224a-2224n的功率输送和时钟频率以在繁重的工作负载下为计算块2224a-2224n内的空闲部件供电。gpgpu2220包括gpgpu本地存储器2228，其是与gpgpu2220共享图形卡或多芯片模块的物理存储器。在一个实施例中，gpgpu2220包括图形和计算加速逻辑，其包括指令获取和解码单元2221、调度器单元2222和机器学习固定功能单元2223。获取和解码单元2221是包括用于获取和解码要由gpgpu220计算的指令的逻辑的获取和解码单元。在一个实施例中，所执行的指令可以经由调度器单元2222对经由计算块2224a-2224n和/或机器学习固定功能单元2223执行的一组操作和/或微操作进行排序和/或序列化。在一个实施例中，机器学习固定功能单元2223是被明确且专门配置成用于执行大量并行矩阵乘法操作的专用集成电路。在一个实施例中，机器学习固定功能单元2223被配置成用于对具有非二次幂滤波器大小的卷积滤波器执行矩阵乘法。在一个实施例中，机器学习固定功能单元2223是现场可编程门阵列(fpga)，其提供可以在工作负载之间更新的固定功能逻辑。在一些实施例中，gpgpu2220包括集成结构接口2230和结构接口高速缓存2232。在一个实施例中，集成结构接口2230附加地包括mlsl结构模块2231，该mlsl结构模块使结构接口能够为某些mlsl操作提供硬件加速。结构接口2230可以实现与高性能通信结构(诸如，图15b的高性能通信结构1521)的通信。结构接口2230具有被映射到gpgpu本地存储器2228的至少一部分的地址空间，并且在一个实施例中可以参与由处理器2202和gpgpu2220共享的统一存储器2210。.结构接口高速缓存2232用于高速缓存从通信结构接收到的或要被发送到通信结构的数据，该通信结构实现了计算节点之间的数据通信。在一个实施例中，当计算结果由gpgpu2220计算并被存储在gpgpu本地存储器2228内时，结构接口2230可以将数据从gpgpu本地存储器2228发送到其他计算节点。在这样的实施例中，不需要将数据发送到系统存储器2212，除非需要数据以供处理器2202上执行的应用使用。mlsl结构模块2231被配置成促进节点之间的数据的低延迟传输。在各实施例中，mlsl结构模块2231可以是被配置为执行由mlsl或等同的机器学习扩展库提供的固件的固件模块。在一个实施例中，mlsl结构模块2231是配置成执行指令以实现如本文中所描述的点对点通信原语的处理器或微控制器。在一个实施例中，mlsl结构模块2231可以接收与由mlsl运行时(例如运行时库2216)管理的数据对象相关联的gpgpu在本地存储器2228内的一组地址。例如，可以将用于存储要由gpgpu2220生成的激活数据的输出缓冲器的地址范围提供给mlsl结构模块2231。mlsl结构模块2231然后可以被配置成监测地址范围中的更新。当地址范围接收到由gpgpu2220输出的激活数据的写入时，mlsl结构模块2231可以直接将传递调度到结构接口2230以传递输出的激活数据。mlsl结构模块2231也可以用于实现本文中所描述的细粒度通信和点对点硬件通信技术。由结构接口2230支持的协议可以改变。在一个实施例中，结构接口2230是高速以太网接口。在一个实施例中，结构接口2230是全向路径(omni-path)互连接口。在一个实施例中，结构接口2230是无限带宽技术(infiniband)接口。在一个实施例中，结构接口2230是某一版本的nvlink接口，或另一基于nvhs的互连。其他结构接口技术也可被支持。应当理解，对于某些实现，比在上文中所描述的示例更少或更多地配备的系统可以是优选的。因此，取决于众多因素(如价格约束、性能要求、技术改进或其他情况)数据处理系统2200的配置可以因实现不同而改变。本文中所述的实施例可以在高性能计算和机器学习训练环境中找到广泛的用途。因此，本描述预期数据处理系统2200以及本文中所述的其他数据处理和计算系统被实现为分布式计算系统内的高性能服务器或服务器阵列。这种分布式计算系统可以在数据中心或服务器场内实现。然而，实施例不限于此类实现，并且本文中所述的技术还可以用于较低性能设备的大规模分布式计算系统(诸如但不限于移动或手持设备、平板计算设备、或连接的消费电子设备)中。附加示例性图形处理系统上文描述的实施例的细节可以被包括在下文描述的图形处理系统和装置内。图23至图36的图形处理系统和装置展示了可以实现上文描述的技术中的任一项和全部的替代性系统和图形处理硬件。附加示例性图形处理系统概览图23是根据实施例的处理系统2300的框图。在各实施例中，系统2300包括一个或多个处理器2302以及一个或多个图形处理器2308，并且可以是单处理器台式系统、多处理器工作站系统或具有大量处理器2302或处理器核2307的服务器系统。在一个实施例中，系统2300是被纳入到用于在移动设备、手持式设备或嵌入式设备中使用的芯片上系统(soc)集成电路内的处理平台。系统2300的实施例可以包括或并入基于服务器的游戏平台、游戏控制台，包括游戏与媒体控制台、移动游戏控制台、手持式游戏控制台、或在线游戏控制台。在一些实施例中，系统2300是移动电话、智能电话、平板计算设备或移动互联网设备。数据处理系统2300还可包括可穿戴设备(诸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)、与所述可穿戴设备耦合、或者集成在所述可穿戴设备中。在一些实施例中，数据处理系统2300是电视或机顶盒设备，所述电视或机顶盒设备具有一个或多个处理器2302以及由一个或多个图形处理器2308生成的图形界面。在一些实施例中，一个或多个处理器2302每个包括用于处理指令的一个或多个处理器核2307，所述指令在被执行时执行系统和用户软件的操作。在一些实施例中，一个或多个处理器核2307中的每个处理器核被配置成用于处理特定的指令集2309。在一些实施例中，指令集2309可以促进复杂指令集计算(cisc)、精简指令集计算(risc)、或经由超长指令字(vliw)的计算。多个处理器核2307可以各自处理不同的指令集2309，所述指令集可以包括用于促进对其他指令集进行仿真的指令。处理器核2307还可以包括其他处理设备，如数字信号处理器(dsp)。在一些实施例中，处理器2302包括高速缓存存储器2304。取决于架构，处理器2302可以具有单个内部高速缓存或内部高速缓存的多个级。在一些实施例中，在处理器2302的各部件当中共享高速缓存存储器。在一些实施例中，处理器2302还使用外部高速缓存(例如，3级(l3)高速缓存或末级高速缓存(llc))(未示出)，可以使用已知的高速缓存一致性技术来在处理器核2307当中共享外部高速缓存。另外地，寄存器堆2306包括在处理器2302中，所述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)。一些寄存器可以是通用寄存器，而其他寄存器可以特定于处理器2302的设计。在一些实施例中，处理器2302耦合至处理器总线2310，所述处理器总线用于在处理器2302与系统2300内的其他部件之间传输通信信号，例如地址、数据、或控制信号。在一个实施例中，系统2300使用示例性‘中枢’系统架构，包括存储器控制器中枢2316和输入输出(i/o)控制器中枢2330。存储器控制器中枢2316促进存储器设备与系统2300的其他部件之间的通信，而i/o控制器中枢(ich)2330经由本地i/o总线提供与i/o设备的连接。在一个实施例中，存储器控制器中枢2316的逻辑集成在处理器内。存储器设备2320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、相变存储器设备、或具有合适的性能用作处理存储器的某个其他存储器设备。在一个实施例中，存储器设备2320可作为系统2300的系统存储器进行操作，以存储数据2322和指令2321，以供在一个或多个处理器2302执行应用或进程时使用。存储器控制器中枢2316还与可选的外部图形处理器2312耦合，所述可选的外部图形处理器可以与处理器2302中的一个或多个图形处理器2308通信，从而执行图形和媒体操作。在一些实施例中，ich2330使得外围部件经由高速i/o总线连接至存储器设备2320和处理器2302。i/o外围装置包括但不限于：音频控制器2346、固件接口2328、无线收发机2326(例如，wi-fi、蓝牙)、数据存储设备2324(例如，硬盘驱动器、闪存等)、以及用于将传统(例如，个人系统2(ps/2))设备耦合至所述系统的传统i/o控制器2340。一个或多个通用串行总线(usb)控制器2342连接多个输入设备，例如键盘和鼠标2344组合。网络控制器2334还可以耦合至ich2330。在一些实施例中，高性能网络控制器(未示出)耦合至处理器总线2310。应当理解，所示出的系统2300是示例性的而非限制性的，因为还可以使用以不同方式配置的其他类型的数据处理系统。例如，i/o控制器中枢2330可以集成在一个或多个处理器2302内，或者存储器控制器中枢2316和i/o控制器中枢2330可以集成在分立式外部图形处理器(诸如外部图形处理器2312)内。图24是处理器2400的实施例的框图，所述处理器具有一个或多个处理器核2402a至2402n、集成存储器控制器2414、以及集成图形处理器2408。图24的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用，但不限于这些。处理器2400可包括多达且包括由虚线框表示的附加核2402n的附加核。处理器核2402a至2402n各自包括一个或多个内部高速缓存单元2404a至2404n。在一些实施例中，每个处理器核还可以访问一个或多个共享的高速缓存单元2406。内部高速缓存单元2404a至2404n和共享高速缓存单元2406表示处理器2400内部的高速缓存存储器层级结构。高速缓存存储器层级结构可以包括每个处理器核内的至少一级指令和数据高速缓存以及一级或多级共享中级高速缓存，诸如2级(l2)、3级(l3)、4级(l4)、或其他级的高速缓存，其中，最高级的高速缓存在外部存储器之前被分类为llc。在一些实施例中，高速缓存一致性逻辑维持各高速缓存单元2406与2404a至2404n之间的一致性。在一些实施例中，处理器2400还可以包括一组一个或多个总线控制器单元2416和系统代理核2410。一个或多个总线控制器单元2416管理一组外围总线，诸如一个或多个外围部件互连总线(例如，pci、pciexpress)。系统代理核2410提供对各处理器部件的管理功能。在一些实施例中，系统代理核2410包括一个或多个集成存储器控制器2414用于管理对各外部存储器设备(未示出)的访问。在一些实施例中，处理器核2402a至2402n中的一个或多个包括对同步多线程的支持。在这种实施例中，系统代理核2410包括用于在多线程处理过程中协调和操作核2402a至2402n的部件。另外，系统代理核2410还可以包括功率控制单元(pcu)，所述功率控制单元包括用于调节处理器核2402a至2402n的功率状态的逻辑和部件以及图形处理器2408。在一些实施例中，另外，处理器2400还包括用于执行图形处理操作的图形处理器2408。在一些实施例中，图形处理器2408耦合至共享高速缓存单元2406集以及系统代理核2410，所述系统代理核包括一个或多个集成存储器控制器2414。在一些实施例中，显示控制器2411与图形处理器2408耦合以便将图形处理器输出驱动到一个或多个耦合的显示器。在一些实施例中，显示控制器2411可以是经由至少一个互连与图形处理器耦合的单独模块，或者可以集成在图形处理器2408或系统代理核2410内。在一些实施例中，基于环的互连单元2412用于耦合处理器2400的内部部件。然而，可以使用替代性互连单元，比如点到点互连、切换式互连、或其他技术，包括本领域众所周知的技术。在一些实施例中，图形处理器2408经由i/o链路2413与环形互连2412耦合。示例性i/o链路2413表示多个i/o互连中的多个品种中的至少一种，包括促进各处理器部件与高性能嵌入式存储器模块2418(比如edram模块)之间的通信的封装体i/o互连。在一些实施例中，处理器核2402a至2402n中的每个处理器核以及图形处理器2408将嵌入式存储器模块2418用作共享末级高速缓存。在一些实施例中，处理器核2402a至2402n是执行相同指令集架构的均质核。在另一实施例中，处理器核2402a至2402n在指令集架构(isa)方面是异构的，其中，处理器核2402a至2402n中的一者或多者执行第一指令集，而其他核中的至少一者执行所述第一指令集的子集或不同的指令集。在一个实施例中，处理器核2402a至2402n就微架构而言是同质的，其中，具有相对较高功耗的一个或多个核与具有较低功耗的一个或多个功率核耦合。另外，处理器2400可以实现在一个或多个芯片上或者被实现为具有除其他部件之外的所展示的部件的soc集成电路。图25是图形处理器2500的框图，所述图形处理器可以是分立式图形处理单元、或者可以是与多个处理核集成的图形处理器。在一些实施例中，图形处理器经由到图形处理器上的寄存器的映射i/o接口并且利用被放置在处理器存储器中的命令与存储器进行通信。在一些实施例中，图形处理器2500包括用于访问存储器的存储器接口2514。存储器接口2514可以是到本地存储器、一个或多个内部高速缓存、一个或多个共享外部高速缓存、和/或到系统存储器的接口。在一些实施例中，图形处理器2500还包括显示控制器2502，所述显示控制器用于将显示输出数据驱动到显示设备2520。显示控制器2502包括用于显示器的一个或多个重叠平面的硬件以及多层视频或用户接口元件的组成。在一些实施例中，图形处理器2500包括用于编码、解码、或者向、从或在一个或多个媒体编码格式之间进行媒体代码转换的视频编解码器引擎2506，包括但不限于：运动图像专家组(mpeg)(诸如mpeg-2)、高级视频编码(avc)格式(诸如h.264/mpeg-4avc)、以及电影&电视工程师协会(smpte)421m/vc-1、和联合图像专家组(jpeg)格式(诸如jpeg、以及运动jpeg(mjpeg)格式)。在一些实施例中，图形处理器2500包括用于执行二维(2d)栅格器操作包括例如位边界块传递的块图像传递(blit)引擎2504。然而，在一个实施例中，使用图形处理引擎(gpe)2510的一个或多个部件执行2d图形操作。在一些实施例中，gpe2510是用于执行图形操作的计算引擎，所述图形操作包括三维(3d)图形操作和媒体操作。在一些实施例中，gpe2510包括用于执行3d操作的3d流水线2512，比如使用作用于3d图元形状(例如，矩形、三角形等)的处理功能来渲染三维图像和场景。3d流水线2512包括可编程且固定的功能元件，所述可编程且固定的功能元件在到3d/媒体子系统2515的元件和/或生成的执行线程内执行各种任务。虽然3d流水线2512可以用于执行媒体操作，但是gpe2510的实施例还包括媒体流水线2516，所述媒体流水线具体地用于执行媒体操作，诸如视频后处理和图像增强。在一些实施例中，媒体流水线2516包括固定功能或可编程逻辑单元以便代替、或代表视频编解码器引擎2506来执行一种或多种专门的媒体操作，比如视频解码加速、视频解交织、以及视频编码加速。在一些实施例中，另外，媒体流水线2516还包括线程生成单元以便生成用于在3d/媒体子系统2515上执行的线程。所生成的线程对3d/媒体子系统2515中所包括的一个或多个图形执行单元执行对媒体操作的计算。在一些实施例中，3d/媒体子系统2515包括用于执行3d流水线2512和媒体流水线2516生成的线程的逻辑。在一个实施例中，流水线向3d/媒体子系统2515发送线程执行请求，所述3d/媒体子系统包括用于仲裁并将各请求分派到可用的线程执行资源的线程分派逻辑。执行资源包括用于处理3d和媒体线程的图形执行单元阵列。在一些实施例中，3d/媒体子系统2515包括用于线程指令和数据的一个或多个内部高速缓存。在一些实施例中，所述子系统还包括共享存储器(包括寄存器和可寻址存储器)以便在线程之间共享数据并用于存储输出数据。示例性附加图形处理引擎图26是根据一些实施例的图形处理器的图形处理引擎2610的框图。在一个实施例中，图形处理引擎(gpe)2610是图25所示的gpe2510的一个版本。图26的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用，但不限于这些。例如，展示了图25的3d流水线2512和媒体流水线2516。媒体流水线2516在gpe2610的一些实施例中是可选的，并且可以不显式地地包括在gpe2610内。例如以及在至少一个实施例中，单独的媒体和/或图像处理器被耦合至gpe2610。在一些实施例中，gpe2610与命令流转化器2603耦合或包括所述命令流转化器，所述命令流转化器向3d流水线2512和/或媒体流水线2516提供命令流。在一些实施例中，命令流转化器2603与存储器耦合，所述存储器可以是系统存储器、或内部高速缓存存储器和共享高速缓存存储器中的一个或多个高速缓存存储器。在一些实施例中，命令流转化器2603从存储器接收命令并将这些命令发送至3d流水线2512和/或媒体流水线2516。所述命令是从存储用于3d流水线2512和媒体流水线2516的环形缓冲器获取的指示。在一个实施例中，另外，环形缓冲器还可以包括存储多批多命令的批命令缓冲器。用于3d流水线2512的命令还可以包括对在存储器中存储的数据的引用，诸如但不限于用于3d流水线2512的顶点和几何数据和/或用于媒体流水线2516的图像数据和存储器对象。3d流水线2512和媒体流水线2516通过经由各自流水线内的逻辑执行操作或者通过将一个或多个执行线程分派至执行单元阵列2614来处理所述命令。在各种实施例中，3d流水线2512可以通过处理指令并将执行线程分派给图形核阵列2614来执行一个或多个着色器程序，诸如顶点着色器、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。图形核阵列2614提供统一的执行资源块。图形核阵列2614内的多用途执行逻辑(例如，执行单元)包括对各种3dapi着色器语言的支持，并且可以执行与多个着色器相关联的多个同时执行线程。在一些实施例中，图形核阵列2614还包括用于执行诸如视频和/或图像处理的媒体功能的执行逻辑。在一个实施例中，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。通用逻辑可以与图1的(多个)处理器核107或图24中的核2402a至2402n内的通用逻辑并行地或结合地执行处理操作。由在图形核阵列2614上执行的线程生成的输出数据可以将数据输出到统一返回缓冲器(urb)2618中的存储器。urb2618可以存储多个线程的数据。在一些实施例中，urb2618可以用于在图形核阵列2614上执行的不同线程之间发送数据。在一些实施例中，urb2618可以另外用于图形核阵列上的线程与共享功能逻辑2620内的固定功能逻辑之间的同步。在一些实施例中，图形核阵列2614是可缩放的，使得所述阵列包括可变数量的图形核，这些图形核各自具有基于gpe2610的目标功率和性能等级的可变数量的执行单元。在一个实施例中，执行资源是动态可缩放的，从而可以根据需要启用或禁用执行资源。图形核阵列2614与共享功能逻辑2620耦合，所述共享功能逻辑包括在图形核阵列中的图形核之间共享的多个资源。共享功能逻辑2620内的共享功能是向图形核阵列2614提供专用补充功能的硬件逻辑单元。在各种实施例中，共享功能逻辑2620包括但不限于采样器2621、数学2622和线程间通信(itc)2623逻辑。另外，一些实施例实现共享功能逻辑2620内的一个或多个高速缓存2625。在给定的专用功能的需求不足以包含在图形核阵列2614中的情况下实现共享功能。相反，所述专用功能的单个实例被实现为共享功能逻辑2620中的独立实体并且在图形核阵列2614内的执行资源之间共享。在图形核阵列2614之间共享并包括在图形核阵列2614内的精确的一组功能在各实施例之间变化。图27是图形处理器2700的另一个实施例的框图。图27的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用，但不限于这些。在一些实施例中，图形处理器2700包括环形互连2702、流水线前端2704、媒体引擎2737、以及图形核2780a至2780n。在一些实施例中，环形互连2702将图形处理器耦合至其他处理单元，包括其他图形处理器或者一个或多个通用处理器核。在一些实施例中，图形处理器是集成在多核处理系统内的多个处理器之一。在一些实施例中，图形处理器2700经由环形互连2702接收多批命令。传入命令由流水线前端2704中的命令流转化器2703来解译。在一些实施例中，图形处理器2700包括用于经由(多个)图形核2780a至2780n执行3d几何处理和媒体处理的可缩放执行逻辑。对于3d几何处理命令，命令流转化器2703将命令供应至几何流水线2736。针对至少一些媒体处理命令，命令流转化器2703将命令供应至视频前端2734，所述视频前端与媒体引擎2737耦合。在一些实施例中，媒体引擎2737包括用于视频和图像后处理的视频质量引擎(vqe)2730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)2733引擎。在一些实施例中，几何流水线2736和媒体引擎2737各自生成执行线程，所述执行线程用于由至少一个图形核2780a提供的线程执行资源。在一些实施例中，图形处理器2700包括可扩展线程执行资源表征模块核2780a至2780n(有时被称为核分片)，各个可扩展线程执行资源表征模块核具有多个子核2750a至2750n、2760a至2760n(有时被称为核子分片)。在一些实施例中，图形处理器2700可以具有任意数量的图形核2780a至2780n。在一些实施例中，图形处理器2700包括图形核2780a，所述图形核至少具有第一子核2750a和第二子核2760a。在其他实施例中，图形处理器是具有单个子核(例如，2750a)的低功率处理器。在一些实施例中，图形处理器2700包括多个图形核2780a至2780n，所述图形核各自包括一组第一子核2750a至2750n和一组第二子核2760a至2760n。所述一组第一子核2750a至2750n中的每个子核至少包括第一组执行单元2752a至2752n和媒体/纹理采样器2754a至2754n。所述一组第二子核2760a至2760n中的每个子核至少包括第二组执行单元2762a至2762n和采样器2764a至2764n。在一些实施例中，每个子核2750a至2750n、2760a至2760n共享一组共享资源2770a至2770n。在一些实施例中，所述共享资源包括共享高速缓存存储器和像素操作逻辑。其他共享资源也可以包括在图形处理器的各实施例中。示例性附加执行单元图28展示了线程执行逻辑2800，所述线程执行逻辑包括在gpe的一些实施例中采用的处理元件阵列。图28的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用，但不限于这些。在一些实施例中，线程执行逻辑2800包括着色器处理器2802、线程分派器2804、指令高速缓存2806、包括多个执行单元2808a至2808n的可扩展执行单元阵列、采样器2810、数据高速缓存2812、以及数据端口2814。在一个实施例中，可缩放执行单元阵列可以通过基于工作负荷的计算需求来启用或禁用一个或多个执行单元(例如，执行单元2808a，2808b，2808c，2808d，一直到2808n-1和2808n中的任一个)来动态地缩放。在一个实施例中，所包括的部件经由互连结构而互连，所述互连结构链接到部件中的每个部件。在一些实施例中，线程执行逻辑2800包括通过指令高速缓存2806、数据端口2814、采样器2810、以及执行单元阵列2808a至2808n中的一者或多者到存储器(如系统存储器或高速缓存存储器)的一个或多个连接件。在一些实施例中，每个执行单元(例如，2808a)是能够执行多个同步硬件线程同时针对每个线程并行地处理多个数据元素的独立可编程通用计算单元。在各种实施例中，执行单元2808a至2808n的阵列是可缩放的以包括任意数量的单独执行单元。在一些实施例中，执行单元2808a至2808n主要用于执行着色器程序。着色器处理器2802可以处理各种着色器程序并且经由线程分派器2804分派与着色器程序相关联的执行线程。在一个实施例中，线程分派器包括用于对来自图形和媒体流水线的线程发起请求进行仲裁并且在一个或多个执行单元2808a至2808n上实例化所请求的线程的逻辑。例如，几何流水线(例如，图27的2736)可以将顶点处理、曲面细分或几何处理线程分派至线程执行逻辑2800(图28)进行处理。在一些实施例中，线程分派器2804还可处理来自执行着色器程序的运行时间线程生成请求。在一些实施例中，执行单元2808a至2808n支持指令集(所述指令集包括对许多标准3d图形着色器指令的原生支持)，从而使得以最小的转换执行来自图形库(例如，direct3d和opengl)的着色器程序。这些执行单元支持顶点和几何处理(例如，顶点程序、几何程序、顶点着色器)、像素处理(例如，像素着色器、片段着色器)以及通用处理(例如，计算和媒体着色器)。执行单元2808a至2808n中的每一个都能够执行多发布单指令多数据(simd)，并且多线程操作能够在面对较高等待时间的存储器访问时实现高效的执行环境。每个执行单元内的每个硬件线程都具有专用的高带宽寄存器堆和相关的独立线程状态。对于具有整数、单精度浮点运算和双精度浮点运算、simd分支功能、逻辑运算、超越运算和其他混杂运算的流水线，执行是每个时钟的多发布。在等待来自存储器或共享功能之一的数据时，执行单元2808a至2808n内的依赖性逻辑使等待线程休眠，直到所请求的数据已返回。当等待线程正在休眠时，硬件资源可能会专门用于处理其他线程。例如，在与顶点着色器操作相关联的延迟期间，执行单元可以执行像素着色器、片段着色器或包括不同顶点着色器的另一种类型的着色器程序的操作。执行单元2808a至2808n中的每个执行单元在数据元素阵列上进行操作。数据元素的数量是“执行大小”、或指令的信道数。执行通道是执行数据元素访问、掩蔽、和指令内的流控制的逻辑单元。通道的数量可以与针对特定图形处理器的物理算术逻辑单元(alu)或浮点单元(fpu)的数量无关。在一些实施例中，执行单元2808a至2808n支持整数和浮点数据类型。执行单元指令集包括simd指令。各种数据元素可作为压缩数据类型存储在寄存器中，并且执行单元将基于元素的数据大小来处理各种元素。例如，当在256位宽的向量上进行操作时，所述256位的向量存储在寄存器中，并且所述执行单元作为四个单独64位压缩数据元素(四倍字长(qw)大小的数据元素)、八个单独32位压缩数据元素(双倍字长(dw)大小的数据元素)、十六个单独16位压缩数据元素(字长(w)大小的数据元素)、或三十二个单独8位数据元素(字节(b)大小的数据元素)在所述向量上进行操作。然而，不同的向量宽度和寄存器大小是可能的。一个或多个内部指令高速缓存(例如，2806)包括在所述线程执行逻辑2800中以便高速缓存所述执行单元的线程指令。在一些实施例中，一个或多个数据高速缓存(例如，2812)被包括用于高速缓存在线程执行过程中的线程数据。在一些实施例中，采样器2810被包括用于为3d操作提供纹理采样并且为媒体操作提供媒体采样。在一些实施例中，采样器2810包括专门的纹理或媒体采样功能，以便在向执行单元提供采样数据之前在采样过程中处理纹理或媒体数据。在执行过程中，图形和媒体流水线经由线程生成和分派逻辑向线程执行逻辑2800发送线程发起请求。一旦一组几何对象已经被处理并被栅格化成像素数据，则着色器处理器2802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)被调用以便进一步计算输出信息并且使得结果被写入到输出表面(例如，色彩缓冲器、深度缓冲器、模板印刷缓冲器等)。在一些实施例中，像素着色器或片段着色器计算各顶点属性的值，所述各顶点属性跨栅格化对象被内插。在一些实施例中，着色器处理器2802内的像素处理器逻辑然后执行应用编程接口(api)供应的像素或片段着色器程序。为了执行着色器程序，着色器处理器2802经由线程分派器2804将线程分派至执行单元(例如，2808a)。在一些实施例中，像素着色器2802使用采样器2810中的纹理采样逻辑来访问存储器中所存储的纹理图中的纹理数据。对纹理数据和输入几何数据的算术运算计算每个几何片段的像素颜色数据，或丢弃一个或多个像素而不进行进一步处理。在一些实施例中，数据端口2814提供存储器访问机制，供线程执行逻辑2800将经处理的数据输出至存储器以便在图形处理器输出流水线上进行处理。在一些实施例中，数据端口2814包括或耦合至一个或多个高速缓存存储器(例如，数据高速缓存2812)从而经由数据端口高速缓存数据以供存储器访问。图29是展示了根据一些实施例的图形处理器指令格式2900的框图。在一个或多个实施例中，图形处理器执行单元支持具有多种格式的指令的指令集。实线框展示了通常包括在执行单元指令中的部件，而虚线包括可选的部件或仅包括在指令子集中的部件。在一些实施例中，所描述和展示的指令格式2900是宏指令，因为它们是供应至执行单元的指令，这与从指令解码产生的微操作相反(一旦所述指令被处理)。在一些实施例中，图形处理器执行单元原生地支持采用128位指令格式2910的指令。64位紧凑指令格式2930可用于基于所选指令、多个指令选项和操作数数量的一些指令。原生128位指令格式710提供对所有指令选项的访问，而一些选项和操作限制在64位格式2930中。64位格式2930中可用的原生指令根据实施例而不同。在一些实施例中，使用索引字段2913中的一组索引值将指令部分地压缩。执行单元硬件基于索引值来参考一组压缩表，并使用压缩表输出来重构采用128位指令格式2910的原生指令。针对每种格式，指令操作码2912限定执行单元要执行的操作。执行单元跨每个操作数的多个数据元素来并行地执行每条指令。例如，响应于添加指令，执行单元跨每个颜色通道执行同步添加操作，所述颜色通道表示纹理元素或图片元素。默认地，执行单元跨操作数的所有数据通道执行每条指令。在一些实施例中，指令控制字段2914使能控制某些执行选项，诸如通道选择(例如，预测)以及数据通道排序(例如，混合)。针对采用128位指令格式2910的指令，执行大小字段2916限制了将并行执行的数据通道的数量。在一些实施例中，执行大小字段2916不可用于64位紧凑指令格式2930。一些执行单元指令具有多达三个操作数，包括两个源操作数(src02920、src12922)和一个目的地2918。在一些实施例中，执行单元支持双目的地指令，其中这些目的地之一是隐式的。数据操作指令可以具有第三源操作数(例如，src22924)，其中，指令操作码2912确定源操作数的数量。指令的最后的源操作数可以是利用所述指令传递的即时(例如，硬编码)值。在一些实施例中，128位指令格式2910包括访问/地址模式字段2926，所述访问/地址模式信息例如限定了是使用直接寄存器寻址模式还是间接寄存器寻址模式。当使用直接寄存器寻址模式时，直接由指令中的位来提供一个或多个操作数的寄存器地址。在一些实施例中，128位指令格式2910包括访问/地址模式字段2926，所述访问/地址模式字段指定指令的地址模式和/或访问模式。在一个实施例中，访问模式用于限定针对指令的数据访问对齐。一些实施例支持访问模式，包括16字节对齐访问模式和1字节对齐访问模式，其中，访问模式的字节对齐确定了指令操作数的访问对齐。例如，当在第一模式中时，指令可以使用字节对齐寻址以用于源操作数和目的地操作数，并且当在第二模式中时，指令可以使用16字节对齐寻址以用于所有的源操作数和目的地操作数。在一个实施例中，访问/地址模式字段2926的地址模式部分确定指令是使用直接寻址还是间接寻址。当使用直接寄存器寻址模式时，指令中的位直接提供一个或多个操作数的寄存器地址。当使用间接寄存器寻址模式时，可以基于指令中的地址寄存器值和地址立即数字段来计算一个或多个操作数的寄存器地址。在一些实施例中，基于操作码2912位字段对指令进行分组从而简化操作码解码2940。针对8位的操作码，第4、5、和6位允许执行单元确定操作码的类型。所示出的精确操作码分组仅是示例性的。在一些实施例中，移动和逻辑操作码组2942包括数据移动和逻辑指令(例如，移动(mov)、比较(cmp))。在一些实施例中，移动和逻辑组2942共享五个最高有效位(msb)，其中移动(mov)指令采用0000xxxxb的形式，而逻辑指令采用0001xxxxb的形式。流控制指令组2944(例如，调用(call)、跳(jmp))包括采用0010xxxxb形式(例如，0x20)的指令。混杂指令组2946包括指令的混合，包括采用0011xxxxb形式(例如，0x30)的同步指令(例如，等待(wait)、发送(send))。并行数学指令组2948包括采用0100xxxxb形式(例如，0x40)的按分量的算术指令(例如，加(add)、乘(mul))。并行数学组2948跨数据通道并行地执行算术运算。向量数学组2950包括采用0101xxxxb形式(例如，0x50)的算术指令(例如，dp4)。向量数学组对向量操作数执行算术运算，诸如点积运算。示例性附加图形流水线图30是图形处理器3000的另一个实施例的框图。图30的具有与此处任何其他附图中的元件相同的参考号(或名称)的那些元件可采用与在本文中其他地方描述的方式相类似的任何方式进行操作或起作用，但不限于这些。在一些实施例中，图形处理器3000包括图形流水线3020、媒体流水线3030、显示引擎3040、线程执行逻辑3050、以及渲染输出流水线3070。在一些实施例中，图形处理器3000是包括一个或多个通用处理核的多核处理系统内的图形处理器。图形处理器受到至一个或多个控制寄存器(未示出)的寄存器写入的控制或者经由环形互连3002经由发布至图形处理器3000的命令被控制。在一些实施例中，环形互连3002将图形处理器3000耦合至其他处理部件，比如其他图形处理器或通用处理器。来自环形互连3002的命令通过命令流转化器3003被解译，所述命令流转化器将指令供应至图形流水线3020或媒体流水线3030的单独部件。在一些实施例中，命令流转化器3003引导顶点获取器3005的操作，所述顶点获取器从存储器读取顶点数据并执行由命令流转化器3003所提供的顶点处理命令。在一些实施例中，顶点获取器3005将顶点数据提供给顶点着色器3007，所述顶点着色器对每个顶点执行坐标空间变换和照明操作。在一些实施例中，顶点获取器3005和顶点着色器3007通过经由线程分派器3031向执行单元3052a至3052b分派执行线程来执行顶点处理指令。在一些实施例中，执行单元3052a至3052b是具有用于执行图形和媒体操作的指令集的向量处理器阵列。在一些实施例中，执行单元3052a至3052b具有附接的l1高速缓存3051，所述高速缓存专用于每个阵列或在阵列之间共享。高速缓存可以被配置为数据高速缓存、指令高速缓存、或单个高速缓存，所述单个高速缓存被分区为包含不同分区中的数据和指令。在一些实施例中，图形流水线3020包括用于执行3d对象的硬件加速曲面细分的曲面细分部件。在一些实施例中，可编程的外壳着色器811配置曲面细分操作。可编程域着色器817提供对曲面细分输出的后端评估。曲面细分器3013在外壳着色器3011的方向上进行操作并且包含专用逻辑，所述专用逻辑用于基于粗糙几何模型来生成详细的几何对象集合，所述粗糙几何模型作为输入被提供至图形流水线3020。在一些实施例中，如果未使用曲面细分，则可以对曲面细分部件(例如，外壳着色器3011、曲面细分器3013、域着色器3017)进行旁路。在一些实施例中，完整的几何对象可以由几何着色器3019经由被分派至所述执行单元3052a至3052b的一个或多个线程来处理、或者可以直接行进至剪辑器3029。在一些实施例中，几何着色器在整个几何对象(而非顶点或者如图形流水线的先前级中的顶点补片)上进行操作。如果禁用曲面细分，则几何着色器3019从顶点着色器3007接收输入。在一些实施例中，几何着色器3019可由几何着色器程序编程以便在曲面细分单元被禁用时执行几何曲面细分。在栅格化之前，剪辑器3029处理顶点数据。剪辑器3029可以是固定功能的剪辑器或者具有剪辑和几何着色器功能的可编程剪辑器。在一些实施例中，渲染输出流水线3070中的栅格器和深度测试部件3073分派像素着色器以将几何对象转换成其每像素表示。在一些实施例中，像素着色器逻辑包括在线程执行逻辑3050中。在一些实施例中，应用可对栅格器和深度测试部件3073进行旁路并且经由流出单元3023访问未栅格化的顶点数据。图形处理器3000具有互连总线、互连结构、或某个其他的互连机制，所述互连机制允许数据和消息在所述图形处理器的主要部件之中传递。在一些实施例中，执行单元3052a至3052b和(多个)相关联的高速缓存3051、纹理和媒体采样器3054、以及纹理/采样器高速缓存3058经由数据端口3056进行互连，以便执行存储器访问并且与处理器的渲染输出流水线部件进行通信。在一些实施例中，采样器3054、高速缓存3051、3058以及执行单元3052a至3052b各自具有单独的存储器访问路径。在一些实施例中，渲染输出流水线3070包含栅格器和深度测试部件3073，所述栅格器和深度测试部件将基于顶点的对象转换为相关联的基于像素的表示。在一些实施例中，栅格器逻辑包括用于执行固定功能三角形和线栅格化的窗口器/掩蔽器单元。相关联的渲染高速缓存3078和深度高速缓存3079在一些实施例中也是可用的。像素操作部件3077对数据进行基于像素的操作，然而在一些实例中，与2d操作(例如，利用混合的位块图像传递)相关联的像素操作由2d引擎3041执行、或者在显示时间由显示控制器3043使用重叠显示平面来代替。在一些实施例中，共享的l3高速缓存3075可用于所有的图形部件，从而允许在无需使用主系统存储器的情况下共享数据。在一些实施例中，图形处理器媒体流水线3030包括媒体引擎3037和视频前端3034。在一些实施例中，视频前端3034从命令流转化器3003接收流水线命令。在一些实施例中，媒体流水线3030包括单独的命令流转化器。在一些实施例中，视频前端3034在将所述命令发送至媒体引擎3037之前处理媒体命令。在一些实施例中，媒体引擎3037包括用于生成线程以用于经由线程分派器3031分派至线程执行逻辑3050的线程生成功能。在一些实施例中，图形处理器3000包括显示引擎3040。在一些实施例中，显示引擎3040在图形处理器3000外部并且经由环形互连3002、或某个其他互连总线或机构与图形处理器耦合。在一些实施例中，显示引擎3040包括2d引擎3041和显示控制器3043。在一些实施例中，显示引擎3040包含能够独立于3d流水线而操作的专用逻辑。在一些实施例中，显示控制器3043与显示设备(未示出)耦合，所述显示设备可以是系统集成显示设备(如在膝上型计算机中)、或者经由显示设备连接器附接的外部显示设备。在一些实施例中，图形流水线3020和媒体流水线3030可被配置成用于基于多个图形和媒体编程接口执行操作并且并非专用于任何一种应用编程接口(api)。在一些实施例中，图形处理器的驱动器软件将专用于特定图形或媒体库的api调度转换成可由图形处理器处理的命令。在一些实施例中，为全部来自khronosgroup的开放图形库(opengl)、开放计算语言(opencl)和/或vulkan图形和计算api提供了支持。在一些实施例中，也可以为微软公司的direct3d库提供支持。在一些实施例中，可以支持这些库的组合。还可以为开源计算机视觉库(opencv)提供支持。如果可做出从未来api的流水线到图形处理器的流水线的映射，则具有兼容3d流水线的未来api也将受到支持。图形流水线编程图31a是展示了根据一些实施例的图形处理器命令格式3100的框图。图31b是展示了根据实施例的图形处理器命令序列3110的框图。图31a中的实线框展示了通常包括在图形命令中的部件，而虚线包括是可选的或者仅包括在所述图形命令的子集中的部件。图31a的示例性图形处理器命令格式3100包括用于标识命令的目标客户端3102、命令操作代码(操作码)3104、以及用于命令的相关数据3106的数据字段。一些命令中还包括子操作码3105和命令大小3108。在一些实施例中，客户端3102限定了处理命令数据的图形设备的客户端单元。在一些实施例中，图形处理器命令解析器检查每个命令的客户端字段以便调整对命令的进一步处理并将命令数据路由至合适的客户端单元。在一些实施例中，图形处理器客户端单元包括存储器接口单元、渲染单元、2d单元、3d单元、和媒体单元。每个客户端单元具有对命令进行处理的相应处理流水线。一旦命令被客户端单元接收到，客户端单元就读取操作码3104以及子操作码3105(如果存在的话)从而确定要执行的操作。客户端单元使用数据字段3106内的信息来执行命令。针对一些命令，期望显式地的命令大小3108来限定命令的大小。在一些实施例中，命令解析器基于命令操作码自动地确定命令中的至少一些命令的大小。在一些实施例中，经由双倍字长的倍数对命令进行对齐。图31b中的流程图示出了示例性图形处理器命令序列3110。在一些实施例中，以图形处理器的实施例为特征的数据处理系统的软件或固件使用所示出的命令序列的版本来启动、执行并终止图形操作集合。仅出于示例性目的示出并描述了样本命令序列，如实施例并不限于这些特定命令或者此命令序列。而且，所述命令可以作为一批命令以命令序列被发布，从而使得图形处理器将以至少部分同时的方式处理命令序列。在一些实施例中，图形处理器命令序列3110可以以流水线转储清除命令3112开始以便使得任一活跃图形流水线完成针对所述流水线的当前未决命令。在一些实施例中，3d流水线3122和媒体流水线3124不同时进行操作。执行流水线转储清除以使得活动图形流水线完成任何未决命令。响应于流水线转储清除，用于图形处理器的命令解析器将停止命令处理直到活跃绘画引擎完成未决操作并且使得相关的读高速缓存失效。可选地，渲染高速缓存中被标记为‘脏’的任何数据可以被转储清除到存储器中。在一些实施例中，流水线转储清除命令3112可以用于流水线同步或者用在将图形处理器置于低功率状态之前。在一些实施例中，当命令序列需要图形处理器在流水线之间显式地地切换时，使用流水线选择命令3113。在一些实施例中，在发布流水线命令之前在执行情境中仅需要一次流水线选择命令3113，除非所述情境要发布针对两条流水线的命令。在一些实施例中，在经由流水线选择命令3113的流水线切换之前正好需要流水线转储清除命令3112。在一些实施例中，流水线控制命令3114配置用于操作的图形流水线并且用于对3d流水线3122和媒体流水线3124进行编程。在一些实施例中，流水线控制命令3114配置活跃流水线的流水线状态。在一个实施例中，流水线控制命令3114用于流水线同步并且用于在处理一批命令之前清除来自活跃流水线内的一个或多个高速缓存存储器中的数据。在一些实施例中，用于返回缓冲器状态的命令3116用于配置返回缓冲器的集合以供相应的流水线写入数据。一些流水线操作需要分配、选择、或配置一个或多个返回缓冲器，在处理过程中所述操作将中间数据写入所述一个或多个返回缓冲器中。在一些实施例中，图形处理器还使用一个或多个返回缓冲器以便存储输出数据并且执行跨线程通信。在一些实施例中，返回缓冲器状态3116包括选择返回缓冲器的大小和数量以用于流水线操作集合。命令序列中的剩余命令基于用于操作的活跃流水线而不同。基于流水线判定3120，所述命令序列被定制用于以3d流水线状态3130开始的3d流水线3122、或者在媒体流水线状态3140处开始的媒体流水线3124。用于3d流水线状态3130的命令包括用于顶点缓冲器状态、顶点元素状态、常量颜色状态、深度缓冲器状态、以及有待在处理3d图元命令之前配置的其他状态变量的3d状态设置命令。这些命令的值至少部分地基于使用中的特定3dapi来确定。在一些实施例中，3d流水线状态3130命令还能够选择性地禁用或旁路掉特定流水线元件(如果将不使用那些元件的话)。在一些实施例中，3d图元3132命令用于提交待由3d流水线处理的3d图元。经由3d图元3132命令传递给图形处理器的命令和相关联参数将被转发到所述图形流水线中的顶点获取功能。顶点获取功能使用3d图元3132命令数据来生成多个顶点数据结构。所述顶点数据结构被存储在一个或多个返回缓冲器中。在一些实施例中，3d图元3132命令用于经由顶点着色器对3d图元执行顶点操作。为了处理顶点着色器，3d流水线3122将着色器执行线程分派至图形处理器执行单元。在一些实施例中，经由执行3134命令或事件触发3d流水线3122。在一些实施例中，寄存器写入触发命令执行。在一些实施例中，经由命令序列中的‘前进’(‘go’)或‘拣选’(‘kick’)命令来触发执行。在一个实施例中，使用流水线同步命令来触发命令执行以便通过图形流水线转储清除命令序列。3d流水线将针对3d图元来执行几何处理。一旦完成操作，则对所产生的几何对象进行栅格化，并且像素引擎对所产生的像素进行着色。对于这些操作，还可以包括用于控制像素着色和像素后端操作的附加命令。在一些实施例中，当执行媒体操作时，图形处理器命令序列3110跟随在媒体流水线3124路径之后。一般地，针对媒体流水线3124进行编程的具体用途和方式取决于待执行的媒体或计算操作。在媒体解码过程中，特定的媒体解码操作可以被卸载到所述媒体流水线。在一些实施例中，还可对媒体流水线进行旁路，并且可使用由一个或多个通用处理核提供的资源来整体地或部分地执行媒体解码。在一个实施例中，媒体流水线还包括用于通用图形处理器单元(gpgpu)操作的元件，其中，所述图形处理器用于使用计算着色器程序来执行simd向量运算，所述计算着色器程序与渲染图形图元不是显式地相关的。在一些实施例中，以与3d流水线3122相似的方式对媒体流水线3124进行配置。将用于配置媒体流水线状态3140的一组命令分派或放置到命令队列中，在媒体对象命令3142之前。在一些实施例中，媒体流水线状态命令3140包括用于配置媒体流水线元件的数据，所述媒体流水线元件将用于处理媒体对象。这包括用于在媒体流水线内配置视频解码和视频编码逻辑的数据，诸如编码或解码格式。在一些实施例中，用于配置媒体流水线状态的命令3140还支持将一个或多个指针用于包含一批状态设置的“间接”状态元件。在一些实施例中，媒体对象命令3142将指针供应至媒体对象以用于由媒体流水线进行处理。媒体对象包括存储器缓冲器，所述存储器缓冲器包含待处理的视频数据。在一些实施例中，在发布媒体对象命令3142之前，所有的媒体流水线状态必须是有效的。一旦流水线状态被配置并且媒体对象命令3142被排队，则经由执行3144命令或等效的执行事件(例如，寄存器写入)来触发媒体流水线3124。然后可以通过由3d流水线3122或媒体流水线3124提供的操作对来自媒体流水线3124的输出进行后处理。在一些实施例中，以与媒体操作类似的方式来配置和执行gpgpu操作。图形软件架构图32展示了根据一些实施例的数据处理系统3200的示例性图形软件架构。在一些实施例中，软件架构包括3d图形应用3210、操作系统3220、以及至少一个处理器3230。在一些实施例中，处理器3230包括图形处理器3232以及一个或多个通用处理器核3234。图形应用3210和操作系统3220各自在数据处理系统的系统存储器3250中执行。在一些实施例中，3d图形应用3210包含一个或多个着色器程序，所述一个或多个着色器程序包括着色器指令3212。着色器语言指令可以采用高级着色器语言，诸如高级着色器语言(hlsl)或opengl着色器语言(glsl)。所述应用还包括可执行指令3214，所述可执行指令采用适合用于由通用处理器核3234执行的机器语言。所述应用还包括由顶点数据限定的图形对象3216。在一些实施例中，操作系统3220是来自微软公司的操作系统、专用unix式操作系统、或使用linux内核变体的开源unix式操作系统。操作系统3220可以支持图形api3222，诸如direct3dapi、openglapi或vulkanapi。当direct3dapi正在使用时，操作系统3220使用前端着色器编译器3224以将hlsl中的任何着色器指令3212编译成较低级的着色器语言。所述编译可以是即时(jit)编译，或者所述应用可执行着色器预编译。在一些实施例中，在对3d图形应用3210进行编译的过程中，将高级着色器编译成低级着色器。在一些实施例中，着色器指令3212以中间形式提供，诸如由vulkanapi使用的标准便携式中间表示(spir)的版本。在一些实施例中，用户模式图形驱动器3226包含后端着色器编译器3227，所述后端着色器编译器用于将着色器指令3212转换成硬件专用的表示。当在使用openglapi时，将采用glsl高级语言的着色器指令3212传递至用户模式图形驱动器3226以用于编译。在一些实施例中，用户模式图形驱动器3226使用操作系统内核模式功能3228来与内核模式图形驱动器3229进行通信。在一些实施例中，内核模式图形驱动器3229与图形处理器3232进行通信以便分派命令和指令。ip核实现至少一个实施例的一个或多个方面可以由存储在机器可读介质上的代表性代码实现，所述机器可读介质表示和/或限定集成电路诸如处理器内的逻辑。例如，机器可读介质可以包括表示处理器内的各个逻辑的指令。当由机器读取时，所述指令可以使机器制造用于执行本文所述的技术的逻辑。这类表示(称为“ip核”)是集成电路的逻辑的可重复使用单元，所述可重复使用单元可以作为对集成电路的结构进行描述的硬件模型而存储在有形、机器可读介质上。可以将硬件模型供应至在制造集成电路的制造机器上加载硬件模型的各消费者或制造设施。可以制造集成电路，从而使得电路执行与本文所述的实施例中的任一实施例相关联地描述的操作。图33是展示了根据实施例的可以用于制造集成电路以执行操作的ip核开发系统3300的框图。ip核开发系统3300可以用于生成可并入到更大的设计中或用于构建整个集成电路(例如，soc集成电路)的模块化、可重复使用设计。设计设施3330可采用高级编程语言(例如，c/c++)生成对ip核设计的软件仿真3310。软件仿真3310可用于使用仿真模型3312来设计、测试并验证ip核的行为。仿真模型3312可以包括功能、行为和/或时序仿真。然后可由仿真模型3312来创建或合成寄存器传输级(rtl)设计3315。rtl设计3315是对硬件寄存器之间的数字信号的流动进行建模的集成电路(包括使用建模的数字信号执行的相关联逻辑)的行为的抽象。除了rtl设计3315之外，还可以创建、设计或合成逻辑电平或晶体管电平处的较低层次设计。由此，初始设计和仿真的具体细节可以发生变化。可以由设计设施将rtl设计3315或等效方案进一步合成为硬件模型3320，所述硬件模型可以采用硬件描述语言(hdl)或物理设计数据的某种其他表示。可以进一步仿真或测试hdl以验证ip核设计。可使用非易失性存储器3340(例如，硬盘、闪存、或任何非易失性存储介质)来存储ip核设计以用于递送至第3方制造设施3365。可替代地，可以通过有线连接3350或无线连接3360来传输(例如，经由互联网)ip核设计。制造设施3365然后可以制造至少部分地基于ip核设计的集成电路。所制造的集成电路可被配置用于执行根据本文所述的至少一个实施例的操作。示例性芯片上系统集成电路图34至图36展示了根据本文所述的各种实施例的可以使用一个或多个ip核来制造的示例性集成电路和相关图形处理器。除了所展示的之外，还可以包括其他逻辑和电路，包括附加的图形处理器/核、外围接口控制器或通用处理器核。图34是展示了根据实施例的可以使用一个或多个ip核来制造的示例性芯片上系统集成电路3400的框图。示例性集成电路3400包括一个或多个应用处理器3405(例如，cpu)、至少一个图形处理器3410，并且另外还可以包括图像处理器3415和/或视频处理器3420，其中的任一项都可以是来自相同或多个不同设计设施的模块化ip核。集成电路3400包括外围或总线逻辑，包括usb控制器3425、uart控制器3430、spi/sdio控制器3435和i2s/i2c控制器3440。另外，集成电路还可以包括显示设备3445，所述显示设备耦合至高清晰度多媒体接口(hdmi)控制器3450和移动行业处理器接口(mipi)显示界面3455中的一项或多项。可以由闪存子系统3460(包括闪存和闪存控制器)来提供存储。可以经由存储器控制器3465来提供存储器接口以访问sdram或sram存储器设备。另外，一些集成电路还包括嵌入式安全引擎3470。图35是展示了根据实施例的可以使用一个或多个ip核来制造的芯片上系统集成电路的示例性图形处理器3510的框图。图形处理器3510可以是图34的图形处理器3410的变体。图形处理器3510包括顶点处理器3505和一个或多个片段处理器3515a至3515n(例如，3515a，3515b，3515c，3515d，一直到3515n-1和3515n)。图形处理器3510可以经由单独的逻辑执行不同的着色器程序，使得顶点处理器3505被优化以执行顶点着色器程序的操作，而一个或多个片段处理器3515a至3515n执行片段(例如，像素)着色操作以用于片段或像素着色器程序。顶点处理器3505执行3d图形流水线的顶点处理阶段并生成图元和顶点数据。(多个)片段处理器3515a至3515n使用由顶点处理器3505生成的图元和顶点数据来产生显示在显示设备上的帧缓冲器。在一个实施例中，(多个)片段处理器3515a至3515n被优化以执行openglapi中提供的片段着色器程序，这些片段着色器程序可以用于执行与direct3dapi中提供的像素着色器程序相似的操作。另外，图形处理器3510还包括一个或多个存储器管理单元(mmu)3520a至3520b、一个或多个高速缓存3525a至3525b和(多个)电路互连3530a至3530b。一个或多个mmu3520a至3520b为图形处理器3510包括为顶点处理器3505和/或一个或多个片段处理器3515a至3515n提供虚拟到物理地址映射，除了存储在一个或多个高速缓存3525a至3525b中的顶点或图像/纹理数据之外，所述虚拟到物理地址映射还可以引用存储在存储器中的顶点或图像/纹理数据。在一个实施例中，一个或多个mmu3520a至3520b可以与系统内的其他mmu包括与图34的一个或多个应用处理器3405、图像处理器3415和/或视频处理器3420相关联的一个或多个mmu同步，使得每个处理器3405至3420可以参与共享或统一的虚拟存储器系统。根据实施例，一个或多个电路互连3530a至3530b使得图形处理器3510能够经由soc的内部总线或经由直接连接来与soc内的其他ip核交互。图36是展示了根据实施例的可以使用一个或多个ip核来制造的芯片上系统集成电路的附加示例性图形处理器3610的框图。图形处理器3610可以是图34的图形处理器3410的变体。图形处理器3610包括图35的集成电路3500的一个或多个mmu3520a至3520b、高速缓存3525a至3525b和电路互连3530a至3530b。图形处理器3610包括一个或多个着色器核3615a至3615n(例如，3615a、3615b、3615c、3615d、3615e、3615f、一直到3615n-1和3615n)，所述一个或多个着色器核提供统一的着色器核架构，其中单个核或类型或核可以执行所有类型的可编程着色器代码包括着色器程序代码以实现顶点着色器、片段着色器和/或计算着色器。存在的着色器核的确切数量可以在实施例和实现中变化。另外，图形处理器3610还包括核间任务管理器3605，所述核间任务管理器充当用于将执行线程分派给一个或多个着色器核3615a至3615n的线程分派器和用于加快分块操作以进行基于图块的渲染的分块单元3618，其中场景的渲染操作在图像空间中被细分，例如以利用场景内的本地空间一致性或优化内部高速缓存的使用。本文中所述的实施例可以实现为以下各项中的任何一项或组合：使用母板互连的一个或多个微芯片或集成电路、硬连线逻辑、由存储器装置存储且由微处理器执行的软件、固件、专用集成电路(asic)和/或现场可编程门阵列(fpga)。以示例的方式，术语“逻辑”可以包括软件或硬件以及/或者软件和硬件的组合。可以将实施例作为例如计算机程序产品来提供，所述计算机程序产品可以包括其上存储有机器可执行指令的一种或多种机器可读介质，所述机器可执行指令当由一个或多个机器(如计算机、计算机的网络或其他电子装置)执行时可以使一个或多个机器执行根据本文中所述的实施例的操作。机器可读介质可以包括但不限于：软盘、光盘、cd-rom(cd盘-只读存储器)以及磁光盘、rom、ram、eprom(可擦除可编程只读存储器)、eeprom(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或者适用于存储机器可执行指令的其他类型非暂态机器可读介质。以下条款和/或示例涉及其特定实施例或示例。可在一个或多个实施例中的任何地方使用示例中的细节。可以以各种方式将不同的实施例或示例的各种特征与所包括的一些特征以及被排除的其他特征组合以适应各种不同的应用。示例可以包括主题，如，方法；用于执行方法的动作的装置；包括指令的至少一种机器可读介质，所述指令当由机器执行时使机器执行方法或装置的动作；或根据本文中所述的实施例和示例的设备或系统。各部件可以是用于执行所描述的操作或功能的装置。一个实施例提供了一种在分布式计算系统的多个计算节点之间传输数据的方法，所述方法包括：创建将在分布式计算系统的所述多个计算节点之间执行的通信操作的全局视图，所述全局视图是使用特定于与所述分布式计算系统相关联的机器学习模型的信息而创建的；使用所述全局视图来确定所述通信操作的通信成本；以及自动确定用于在所述分布式计算系统的所述多个计算节点之间传输所述数据的网络端点的数量。一个实施例提供了一种用于计算和分布用于神经网络的分布式训练的数据的系统，所述系统包括系统存储器，用于存储一组可训练的机器学习参数和库，以用于促进在所述神经网络的分布式训练期间的数据传输；结构接口，用于使得能够进行与所述一组可训练机器学习参数相关联的数据的传输和接收；第一组通用处理器核，用于执行由所述库所提供的指令，所述指令用于控制数据传输库；以及通用图形处理器，用于执行与机器学习框架工作流程相关联的计算操作，从而生成用于所述可训练机器学习参数的梯度数据，其中，所述第一组通用处理器核用于控制所述数据传输库在所述机器学习框架工作流程期间经由所述结构接口发送和接收训练数据。一个实施例提供了一种配置神经网络的分布式训练的系统，该系统包括：存储器，用于存储用以促进神经网络的分布式训练期间的数据传输的库(library)，所述数据与神经网络的可训练参数相关联；网络接口，用于发送和接收与可训练参数相关联的梯度数据；通用处理器，用于执行由所述库提供的指令，所述指令使所述通用处理器将所述网络接口配置成在机器学习框架的工作流期间发送和接收与所述可训练参数相关联的所述梯度数据；以及图形处理器，用于执行与机器学习框架工作流相关联的计算操作以生成与可训练参数相关联的梯度数据，其中，基于所述机器学习框架工作流，所述库将图形处理器上的计算操作与经由网络接口的梯度数据的发送和接收进行交错(interleave)。一个实施例提供了一种图形处理单元，该图形处理单元包括：包括一个或多个处理群集的计算块，该一个或多个处理群集执行与机器学习框架工作流相关联的计算操作，所述计算操作用于生成与神经网络的可训练参数相关联的梯度数据；存储设备，用于在神经网络的分布式训练期间存储梯度数据；以及与存储设备耦合的结构接口(fabricinterface)，所述结构接口发送和接收与可训练参数相关联的梯度数据。一个实施例提供了一种执行神经网络的分布式训练的方法，该方法包括：将库存储在存储器中，所述库用于促进在神经网络的分布式训练期间的数据传输，所述数据与神经网络的可训练参数相关联；经由网络接口发送和接收与可训练参数相关联的梯度数据；经由通用处理器执行由所述库提供的指令，所述指令用于使所述通用处理器将所述网络接口配置成在机器学习框架的工作流期间发送和接收与所述可训练参数相关联的所述梯度数据；以及经由图形处理器执行与机器学习框架工作流相关联的计算操作，以生成与可训练参数相关联的梯度数据，所述计算操作与经由网络接口的梯度数据的发送和接收交错。本领域内技术人员从前面的描述将可以理解，所述实施例的广泛技术可以用多种形式来实现。因此，尽管已结合其特定示例描述了所述实施例，然而所述实施例的真实范围不受此限，因为本领域内技术人员在研究附图、说明书和下面的权利要求书之后很容易理解其它的修正形式。当前第1页12