Text clustering performance evaluation

Abstract

Apparatuses, systems, and techniques generating one or more cluster performance evaluation metrics that allow for evaluation of the performance of an unsupervised natural language processing clustering algorithms to be used with unlabeled data. At least one embodiment pertains to methods of generating one or more cluster performance evaluation metrics based, at least in part, on one or more vectors generated by one or more neural networks to indicate a relationship among members of one or more clusters of data generated using the one or more data clustering algorithms, according to various novel techniques described herein.

Description

TEXT CLUSTERING PERFORMANCE EVALUATIONTECHNICAL FIELD

[0001] At least one embodiment pertains to processors and / or computer resources performing and evaluating natural language processing ( “NLP” ) models.BACKGROUND

[0002] Semantic clustering is a machine learning algorithm that assigns related words or phrases to a same group or cluster. A drawback to semantic clustering algorithms is that it nontrivial to measure how a clustering model is performing, especially when data sets are unlabeled and clustering is performed unsupervised.BRIEF DESCRIPTION OF DRAWINGS

[0003] FIG. 1 illustrates an example of a system that generates performance metrics of a text clustering algorithm, according to at least one embodiment;

[0004] FIG. 2 illustrates an example of a system of generating a holistic cluster performance metric according to at least one embodiment;

[0005] FIG. 3 illustrates an example of unclustered data component, according to at least one embodiment;

[0006] FIG. 4 illustrates an example of a duplicate cluster data component, according to at least one embodiment;

[0007] FIG. 5 illustrates an example of a noisy cluster data component, according to at least one embodiment;

[0008] FIG. 6 illustrates an example of a parent sub-clustered component, according to at least one embodiment;

[0009] FIG. 7 illustrates an example of system that generates a visualization of an cluster assignments, according to at least one embodiment;

[0010] FIG. 8 is a cluster data visualization plot, according to at least one embodiment;

[0011] FIG. 9 is an illustration of a system that implements generating cluster performance evaluation metrics, according to at least one embodiment;

[0012] FIG. 10 is a flow diagram of a method that implements generating cluster performance evaluation metrics, according to at least one embodiment;

[0013] FIG. 11A illustrates logic, according to at least one embodiment;

[0014] FIG. 11B illustrates logic, according to at least one embodiment;

[0015] FIG. 12 illustrates training and deployment of a neural network, according to at least one embodiment;

[0016] FIG. 13 illustrates an example data center system, according to at least one embodiment;

[0017] FIG. 14A illustrates an example of an autonomous vehicle, according to at least one embodiment;

[0018] FIG. 14B illustrates an example of camera locations and fields of view for the autonomous vehicle of FIG. 14A, according to at least one embodiment;

[0019] FIG. 14C is a block diagram illustrating an example system architecture for the autonomous vehicle of FIG. 14A, according to at least one embodiment;

[0020] FIG. 14D is a diagram illustrating a system for communication between cloud-based server (s) and the autonomous vehicle of FIG. 14A, according to at least one embodiment;

[0021] FIG. 15 is a block diagram illustrating a computer system, according to at least one embodiment;

[0022] FIG. 16 is a block diagram illustrating a computer system, according to at least one embodiment;

[0023] FIG. 17 illustrates a computer system, according to at least one embodiment;

[0024] FIG. 18 illustrates a computer system, according to at least one embodiment;

[0025] FIG. 19A illustrates a computer system, according to at least one embodiment;

[0026] FIG. 19B illustrates a computer system, according to at least one embodiment;

[0027] FIG. 19C illustrates a computer system, according to at least one embodiment;

[0028] FIG. 19D illustrates a computer system, according to at least one embodiment;

[0029] FIGS. 19E and 19F illustrate a shared programming model, according to at least one embodiment;

[0030] FIG. 20 illustrates exemplary integrated circuits and associated graphics processors, according to at least one embodiment;

[0031] FIGS. 21A and 21B illustrate exemplary integrated circuits and associated graphics processors, according to at least one embodiment;

[0032] FIGS. 22A and 22B illustrate additional exemplary graphics processor logic according to at least one embodiment;

[0033] FIG. 23 illustrates a computer system, according to at least one embodiment;

[0034] FIG. 24A illustrates a parallel processor, according to at least one embodiment;

[0035] FIG. 24B illustrates a partition unit, according to at least one embodiment;

[0036] FIG. 24C illustrates a processing cluster, according to at least one embodiment;

[0037] FIG. 24D illustrates a graphics multiprocessor, according to at least one embodiment;

[0038] FIG. 25 illustrates a multi-graphics processing unit (GPU) system, according to at least one embodiment;

[0039] FIG. 26 illustrates a graphics processor, according to at least one embodiment;

[0040] FIG. 27 is a block diagram illustrating a processor micro-architecture for a processor, according to at least one embodiment;

[0041] FIG. 28 illustrates a deep learning application processor, according to at least one embodiment;

[0042] FIG. 29 is a block diagram illustrating an example neuromorphic processor, according to at least one embodiment;

[0043] FIG. 30 illustrates at least portions of a graphics processor, according to one or more embodiments;

[0044] FIG. 31 illustrates at least portions of a graphics processor, according to one or more embodiments;

[0045] FIG. 32 illustrates at least portions of a graphics processor, according to one or more embodiments;

[0046] FIG. 33 is a block diagram of a graphics processing engine of a graphics processor in accordance with at least one embodiment;

[0047] FIG. 34 is a block diagram of at least portions of a graphics processor core, according to at least one embodiment;

[0048] FIGS. 35A and 35B illustrate thread execution logic including an array of processing elements of a graphics processor core according to at least one embodiment;

[0049] FIG. 36 illustrates a parallel processing unit ( “PPU” ) , according to at least one embodiment;

[0050] FIG. 37 illustrates a general processing cluster ( “GPC” ) , according to at least one embodiment;

[0051] FIG. 38 illustrates a memory partition unit of a parallel processing unit ( “PPU” ) , according to at least one embodiment;

[0052] FIG. 39 illustrates a streaming multi-processor, according to at least one embodiment;

[0053] FIG. 40 is an example data flow diagram for an advanced computing pipeline, in accordance with at least one embodiment;

[0054] FIG. 41 is a system diagram for an example system for training, adapting, instantiating and deploying machine learning models in an advanced computing pipeline, in accordance with at least one embodiment;

[0055] FIG. 42 includes an example illustration of an advanced computing pipeline 4110A for processing imaging data, in accordance with at least one embodiment;

[0056] FIG. 43A includes an example data flow diagram of a virtual instrument supporting an ultrasound device, in accordance with at least one embodiment;

[0057] FIG. 43B includes an example data flow diagram of a virtual instrument supporting an CT scanner, in accordance with at least one embodiment;

[0058] FIG. 44A illustrates a data flow diagram for a process to train a machine learning model, in accordance with at least one embodiment; and

[0059] FIG. 44B is an example illustration of a client-server architecture to enhance annotation tools with pre-trained annotation models, in accordance with at least one embodiment.DETAILED DESCRIPTION

[0060] In at least one embodiment, an output of a data clustering algorithm is examined and a score to indicate how well a clustering algorithm performed is generated. In at least one embodiment, an evaluation metric is a score generated that identifies how well clusters are grouped together based on semantic similarity within and between said clusters. In at least one embodiment, an evaluation metric is a score is generated by passing output clusters, which consist of raw text and inferenced cluster grouping, to a neural network, which then transforms raw text into vectors that represent semantic meaning of each string of text. In at least one embodiment, a distance between text string vectors is calculated both for inter-cluster and intra-cluster vectors. In at least one embodiment, distance calculation is used to determine how related or unrelated texts strings are from each other. In at least one embodiment, distance calculations are used to identify text data that have not been assigned to a cluster, to identify duplicate pieces of text data, and to detect text data that may be treated as noise. In at least one embodiment, unclustered text data, duplicate text data, noisy text data, and distance calculations are used to produce an overall score for a data clustering algorithm.

[0061] In at least one embodiment, raw text data is textual data provided by a user. In at least one embodiment, user feedback is entered through a software application in which a user may submit issues related to the software application. In at least one embodiment, raw text data may be free from semantic constraints and may be entered in a user’s language of choice. In at least one embodiment, text submitted by a user via an application client or through a webpage forum may be passes through and accumulated into a user issue feedback data store. In at least one embodiment, to analyze raw textual unstructured and ungrouped data point, a clustering algorithm may be used to help identify underlying patterns in user feedback and identify common and new issues faced by users in a given time period. In at least one embodiment, a  system may generate metrics to aid in monitoring accuracy and performance of clustering of user feedback.

[0062] FIG. 1 illustrates an example of a system 100 that generates performance metrics of a text clustering algorithm, according to at least one embodiment. In at least one embodiment, a performance metric is a score that provides a quantitative measure of an amount or error in a clustering algorithm. In at least one embodiment, system 100 includes a cloud network 102 that may include a data store 104, a clustering component 106 and a clustering performance evaluator 108. In at least one embodiment, data store 104 may contain a plurality of text data that may be made up of unlabeled and unsupervised strings of text. In at least one embodiment, data store 104 may contain text data received from a client 110 where text data is provided by a user 112. In at least one embodiment, user 112 may provide text data through client 110 that is text feedback related to applications that may be within cloud network 102. In at least one embodiment, text data stored in data store 104 may be scraped from application feedback forums.

[0063] In at least one embodiment, clustering component 106 may include one or more NLP neural networks to cause text data stored in date store 104 to be clustered into semantically similar groupings. In at least one embodiment, clustering component 106 may contain Bidirectional Encoder Representations from Transformers ( “BERT” ) NLP model to cause text data to be clustered into semantically similar groups.

[0064] In at least one embodiment, clustering component 106 may output text cluster groups to clustering performance evaluator 108. In at least one embodiment, clustering performance evaluator may use raw text data from data store 104 and clustered text data from clustering component 106 to generate clustering performance metrics that measure semantic grouping performance of said clustering component 106. In at least one embodiment, clustering performance evaluator 108 may output performance metrics to administrator client 114. In at least one embodiment, administrator 116 may update parameters of clustering component 106 through administrator client 114 based on performance metrics generated by clustering performance evaluator 108 and provided to administration client 114.

[0065] FIG. 2 illustrates an example of a system 200 of generating a holistic cluster performance metric according to at least one embodiment. In at least one embodiment text data 202 may be obtained. In at least one embodiment, text data 202 may be stored in data store 104  and may be text data of FIG. 1. Returning to FIG. 2, in at least one embodiment, text data 202 is processed by data preprocessing component 204 such that text data is modified to a standard format that does not alter substance of text data. In at least one embodiment, data preprocessing component may modify punctuation, spelling and grammar mistakes contained within text data 202, without modifying meaning or substance of text data strings. In at least one embodiment, data preprocessing component may translate text data from language text data 202 originated in to a common language to be used as input to NLP clustering component 206. In at least one embodiment, text data 202 that is provided to NLP clustering component 206 is ensured to be of a standard format and common language by data preprocessing component 204.

[0066] In at least one embodiment, NLP clustering component 206 receives preprocessed text data from data preprocessing component 204. In at least one embodiment, NLP clustering component 206 generates vector representations of each string of text data 202, where vectorized representations may be used to identify semantic similarity between strings of text data. In at least one embodiment, a BERT NLP model is used to generate vectorized representations of text data 202 for identifying semantic similarity. In at least one embodiment, based on identified semantic similarity using vectorized representations of text data, said text data is grouped into clusters of semantically similar strings of text data. In at least one embodiment, where text data is of feedback related to an application, feedback containing “I cannot hear any sound” and “please fix headphone output issue” would be labeled by NLP clustering component to be semantically similar and identified as being part of a cluster, whereas “my game is lagging when I press fire” would be identified as not being semantically similar and not identified as part of a cluster related to sound issues.

[0067] In at least one embodiment, vectorized form of text data 202 is provided from NLP clustering component 206 to vector matrix generation 208. In at least one embodiment, vector matrix generation 208 may generate an angular distance between each vector representing a string of text data 202. In at least one embodiment, an angular distance between each vector is generated using a cosine similarity matrix and said angular distance represents a semantic relationship between said vectors. In at least one embodiment, an angular distance between vectors indicates a semantic relationship between said vectors. In at least one embodiment, a cosine similarity matrix of vectorized text data is generated by taking a scalar product of each  string of text data with every other string of text data intra-cluster as well as inter-cluster. In at least one embodiment, a similarity matrix may be used to identify an amount of unclustered text stings, duplicate cluster text strings, noisy text strings and / or duplicate sub-clusters.

[0068] In at least one embodiment, a similarity matrix generated by vector matrix generation 208 is provided to a unclustered data component 210, a duplicate cluster data component 212, a noisy cluster data component 214 and / or a parent sub-clustering component 216. In at least one embodiment, unclustered data component 210 generates a metric of cluster data coverage that measures an amount of strings of text data that are not identified as a part of a cluster by NLP clustering component 206. In at least one embodiment, unclustered text data may be where a string of text is not identified as being semantically similar to a cluster of text data, but is in fact, semantically related to a cluster. In at least one embodiment, unclustered data is data that has been processed through a clustering algorithm but has not been made a part of a group. In at least one embodiment, an example of unclustered text data may be a text string “my game is running slow” that is not identified as being in cluster of text data related to “game is lagging. ”

[0069] In at least one embodiment, duplicate cluster data component 212 generates a metric of a overall duplication cluster score that measures an amount of cluster groups that are semantically related but identified as semantically unrelated by NLP clustering component 206. In at least one embodiment, an example of a duplicate cluster may be where one cluster is identified as “my game is freezing” and another cluster separately identified as “program keeps crashing” , where both groups should be identified as a single cluster.

[0070] In at least one embodiment, noisy cluster data component 214 generates a metric of a cluster noise grade that measures an amount of strings of text data within a cluster that are not in fact semantically related, but have been identified as being semantically related by NLP clustering component 206. In at least one embodiment, an example of noisy cluster data may be where in a cluster identified as “application won’t launch” contains string of text data “application has no sound” , where sting of text data is not semantically related to rest of cluster group.

[0071] In at least one embodiment, parent sub-clustering component 216 generates a metric of an overall parent cluster score that measures an amount of sub-clusters generated that are so semantically related to other sub-clusters within a parent cluster grouping that they sub-clusters  should be merged. In at least one embodiment, an example of semantically unrelated sub-clusters may be where parent cluster is “program is running poorly” and one sub-cluster is “application has lag” and another sub-cluster is “program running slowly. ”

[0072] In at least one embodiment, metrics that evaluate performance of NLP clustering component 206 are generated by unclustered data component 210, duplicate cluster data component 212, noisy cluster data component 214 and parent sub-clustering component 216 are provided to cluster quality engine 218. In at least one embodiment, cluster quality engine generates a single holistic performance metric representative of a data clustering algorithm used in NLP clustering component 206 based on a density amount of text data and individual metrics generated by unclustered data component 210, duplicate cluster data component 212, noisy cluster data component 214 and parent sub-clustering component 216. In at least one embodiment, holistic cluster performance 220 may be represented by an equation:

[0073] In at least one embodiment, cluster quality engine 218 may output holistic cluster performance 220 metric to allow for determining overall performance of NLP data clustering algorithm’s performance.

[0074] FIG. 3 illustrates an example of unclustered data component 300 that generates a metric that measures an amount of strings of text data that are not identified as a part of a cluster by NLP clustering algorithm, according to at least one embodiment. In at least one embodiment, unclustered data component 300 may be unclustered data component 210 of FIG. 2. Returning to FIG. 3, in at least one embodiment, cluster coverage component may use a similarity matrix generated from vectorized text data strings, which may be used to determine semantic similarity between lone, unclustered text strings and clusters. In at least one embodiment, unclustered text data 304 may be determined by cluster coverage component 302. In at least one embodiment, text data eliminator 306 may be used to quantify overall data coverage spanned by clustering algorithm being used. In at least one embodiment, using a well defined threshold may be used to determine which text strings were unclustered due to either being spatially ambiguous or a true outlier data point. In at least one embodiment, a cluster coverage metric cluster coverage  score 308 is generated based on a determined amount of unclustered test strings that should have been clustered.

[0075] FIG. 4 illustrates an example of a duplicate cluster data component 400 that generates a metric that measures an amount of cluster groups that are semantically related but identified as semantically unrelated by NLP clustered algorithm, according to at least one embodiment. In at least one embodiment, duplicate cluster data component 400 may be duplicate cluster data component 212 of FIG. 2. Returning to FIG. 4, in at least one embodiment, inter-cluster interaction component 402 may use a similarity matrix generated from vectorized text data strings, which may be used to determine semantic relatedness between clusters, which in turn may identify duplicate clusters 404. In at least one embodiment, a duplication and merger component 406 determines whether clusters identified as semantically related require merger as duplicates, and based on a determined amount of duplicate clusters, a duplicate cluster score 408 metric is generated.

[0076] FIG. 5 illustrates an example of a noisy cluster data component 500 that generates a metric that measures an amount of strings of text data within a cluster that are not in fact semantically related, but have been identified as being semantically related by NLP clustering algorithm, according to at least one embodiment. In at least one embodiment, noisy cluster data component 500 may be noisy cluster data component 214 of FIG. 2. Returning to FIG. 5, in at least one embodiment, intra-cluster interaction component 502 may use a similarity matrix generated from vectorized text data strings, which may be used to determine an amount of noisy text data in a cluster 504. In at least one embodiment, noisy data in a cluster may be used to segregate clusters into four noise grades used for cluster evaluation. In at least one embodiment, a noise profiling 506 may take a weighted sum of all determined cluster noise grades to generate an overall noise grade 508. In at least one embodiment, weights used by noise profiling 506 may be determined by cluster size and overall contribution of cluster to data size.

[0077] FIG. 6 illustrates an example of a parent sub-clustering component 600 that generates a metric of an overall parent cluster score that measures an amount of sub-clusters generated that may not be semantically related to other sub-clusters within a parent cluster grouping. In at least one embodiment, parent sub-clustering component 600 may be parent sub-clustering component 216 of FIG. 2. Retuning to FIG. 6, in at least one embodiment, density based sub-clustering  component 602 may use a similarity matrix generated from vectorized text data strings to identify parent clusters 604. In at least one embodiment, a hierarchy assignment component 606 may generate parent-cluster information using a density based clustering procedure that identifies centroids of density within a given cluster and determines whether clusters should be formed as distinct clusters. In at least one embodiment, an interaction between two cosine matrices defined over a predefined threshold decides whether two clusters under study are duplicates of each other or not. In at least one embodiment, based on an amount of clusters that should be formed as distinct clusters, a parent cluster score 608 may be generated.

[0078] FIG. 7 illustrates an example of system 700 that generates a visualization of an cluster assignments for qualitative analysis, according to at least one embodiment. In at least one embodiment, text data 702 may be obtained. In at least one embodiment, text data 702 may be stored in text store 104 and may be text data of FIG. 1. Returning to FIG. 7, in at least one embodiment, text data 702 is processed by data preprocessing component 704 such that text data is modified to a standard format that does not alter substance of text data. In at least one embodiment, data preprocessing component may modify punctuation, spelling and grammar mistakes contained within text data 702, without modifying meaning or substance of text data strings. In at least one embodiment, data preprocessing component may translate text data from language text data 702 originated in to a common language to be used as input to NLP clustering component 706. In at least one embodiment, text data that is provided to NLP clustering component 706 is ensured to be of a standard format and common language by data preprocessing component 704.

[0079] In at least one embodiment, NLP clustering component 706 receives preprocessed text data from data preprocessing component 704. In at least one embodiment, NLP clustering component 706 generates vector representations of each string of text data 702, where vectorized representations may be used to identify semantic similarity between strings of text data. In at least one embodiment, vectorized representation of text data by NLP clustering component 706 is proved to a dimensionality reduction component 708 to generate visualization plots. In at least one embodiment, dimensionality reduction component 708 uses t-Distributed Stochastic Neighbor Embedding ( “t-SNE” ) as an algorithm for dimensionality reduction and data visualization of text data 702 so to generate a cluster data visualization plot 710. In at least one  embodiment, dimensionality reduction component 708 has a parameter toggling option between three levels to define data density of plot.

[0080] FIG. 8 is a cluster data visualization plot 800, according to at least one embodiment. In at least one embodiment the cluster data visualization plot 800 is the cluster data visualization plot 710 of FIG. 7. Returning to FIG. 8, in at least one embodiment, section A of cluster data visualization plot 800 may depict noise issues amongst a cluster group and section B may be depict where duplicate clusters are present based on overlapping regions and section C may display how clustered data points may be far from its density center and still be a part of a cluster. In at least one embodiment, cluster data visualization plot 800 may allow for the qualitative identification of clustering problems and identification of parameters requiring updating with a corresponding clustering algorithm.

[0081] FIG. 9 is an illustration of a system 900 that implements generating cluster performance evaluation metrics, according to at least one embodiment. In at least one embodiment, system 900 may include one or more components described in FIGS. 1-7 and system 700 may be use, in whole or in part, by system 100, system 200, and in connection and / or conjunction with component 300, component 400, component 500, component 600 and / or system 700. In at least one embodiment, a component can refer to various combinations of hardware and software that are configured to perform the described operations.

[0082] In at least one embodiment, system 900 includes having one or more processor (s) 902, memory 904, storage 906 and a network 908. In at least one embodiment, processor (s) 902 may perform components including a text data cleaning component 910, a text data translation component 912, a NLP component 914, a vectorial matrix generator 916, an unclustered component 918, a duplicate cluster component 920, a noisy cluster component 922, a parent cluster component 924, a cluster quality engine 926, a dimensionality reduction component 928, and a data visualization component 930.

[0083] FIG. 10 is a flow diagram of a method 1000 that implements generating cluster performance evaluation metrics, according to at least one embodiment. In at least one embodiment, method 1000 may include one or more components described in FIGS. 1-7 and method 1000 may be use, in whole or in part, by system 100, system 200, and in connection  and / or conjunction with component 300, component 400, component 500, component 600 and / or system 700.

[0084] At block 1002, a text data set may be obtained, according to at least one embodiment.

[0085] At block 1004, a vectorized representation of a text data set may be generated and cluster groupings may be identified, according to at least one embodiment.

[0086] At block 1006, a vectorial similarity matrix of a vectorized representation of a text data set may be generated, according to at least one embodiment.

[0087] At block 1008, a cluster coverage score, a duplicate cluster score, a noise grade, and a parent cluster score may be generated using a similarity matrix, according to at least one embodiment.

[0088] At block 1010, a holistic performance metric may be generated based on a data density threshold, a cluster coverage score, a duplicate cluster score, a noise grade, and a parent cluster score, according to at least one embodiment.

[0089] LOGIC

[0090] FIG. 11A illustrates logic 1115 which, as described elsewhere herein, can be used in one or more devices to perform operations such as those discussed herein in accordance with at least one embodiment. In at least one embodiment, logic 1115 is used to perform inferencing and / or training operations associated with one or more embodiments. In at least one embodiment, logic 1115 is inference and / or training logic. Details regarding logic 1115 are provided below in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic refers to any combination of software logic, hardware logic, and / or firmware logic to provide functionality or operations described herein, wherein logic may be, collectively or individually, embodied as circuitry that forms part of a larger system, for example, an integrated circuit (IC) , system-on-chip (SoC) , or one or processors (e.g., CPU, GPU) .

[0091] In at least one embodiment, logic 1115 may include, without limitation, code and / or data storage 1101 to store forward and / or output weight and / or input / output data, and / or other parameters to configure neurons or layers of a neural network trained and / or used for inferencing in aspects of one or more embodiments. In at least one embodiment, logic 1115 may include, or  be coupled to code and / or data storage 1101 to store graph code or other software to control timing and / or order, in which weight and / or other parameter information is to be loaded to configure, logic, including integer and / or floating point units (collectively, arithmetic logic units (ALUs) ) . In at least one embodiment, code, such as graph code, loads weight or other parameter information into processor ALUs based on an architecture of a neural network to which such code corresponds. In at least one embodiment, code and / or data storage 1101 stores weight parameters and / or input / output data of each layer of a neural network trained or used in conjunction with one or more embodiments during forward propagation of input / output data and / or weight parameters during training and / or inferencing using aspects of one or more embodiments. In at least one embodiment, any portion of code and / or data storage 1101 may be included with other on-chip or off-chip data storage, including a processor’s L1, L2, or L3 cache or system memory.

[0092] In at least one embodiment, any portion of code and / or data storage 1101 may be internal or external to one or more processors or other hardware logic devices or circuits. In at least one embodiment, code and / or code and / or data storage 1101 may be cache memory, dynamic randomly addressable memory ( “DRAM” ) , static randomly addressable memory ( “SRAM” ) , non-volatile memory (e.g., flash memory) , or other storage. In at least one embodiment, a choice of whether code and / or code and / or data storage 1101 is internal or external to a processor, for example, or comprising DRAM, SRAM, flash or some other storage type may depend on available storage on-chip versus off-chip, latency requirements of training and / or inferencing functions being performed, batch size of data used in inferencing and / or training of a neural network, or some combination of these factors.

[0093] In at least one embodiment, logic 1115 may include, without limitation, a code and / or data storage 1105 to store backward and / or output weight and / or input / output data corresponding to neurons or layers of a neural network trained and / or used for inferencing in aspects of one or more embodiments. In at least one embodiment, code and / or data storage 1105 stores weight parameters and / or input / output data of each layer of a neural network trained or used in conjunction with one or more embodiments during backward propagation of input / output data and / or weight parameters during training and / or inferencing using aspects of one or more embodiments. In at least one embodiment, logic 1115 may include, or be coupled to code and / or  data storage 1105 to store graph code or other software to control timing and / or order, in which weight and / or other parameter information is to be loaded to configure, logic, including integer and / or floating point units (collectively, arithmetic logic units (ALUs) ) .

[0094] In at least one embodiment, code, such as graph code, causes the loading of weight or other parameter information into processor ALUs based on an architecture of a neural network to which such code corresponds. In at least one embodiment, any portion of code and / or data storage 1105 may be included with other on-chip or off-chip data storage, including a processor’s L1, L2, or L3 cache or system memory. In at least one embodiment, any portion of code and / or data storage 1105 may be internal or external to one or more processors or other hardware logic devices or circuits. In at least one embodiment, code and / or data storage 1105 may be cache memory, DRAM, SRAM, non-volatile memory (e.g., flash memory) , or other storage. In at least one embodiment, a choice of whether code and / or data storage 1105 is internal or external to a processor, for example, or comprising DRAM, SRAM, flash memory or some other storage type may depend on available storage on-chip versus off-chip, latency requirements of training and / or inferencing functions being performed, batch size of data used in inferencing and / or training of a neural network, or some combination of these factors.

[0095] In at least one embodiment, code and / or data storage 1101 and code and / or data storage 1105 may be separate storage structures. In at least one embodiment, code and / or data storage 1101 and code and / or data storage 1105 may be a combined storage structure. In at least one embodiment, code and / or data storage 1101 and code and / or data storage 1105 may be partially combined and partially separate. In at least one embodiment, any portion of code and / or data storage 1101 and code and / or data storage 1105 may be included with other on-chip or off-chip data storage, including a processor’s L1, L2, or L3 cache or system memory.

[0096] In at least one embodiment, logic 1115 may include, without limitation, one or more arithmetic logic unit (s) ( “ALU (s) ” ) 1110, including integer and / or floating point units, to perform logical and / or mathematical operations based, at least in part on, or indicated by, training and / or inference code (e.g., graph code) , a result of which may produce activations (e.g., output values from layers or neurons within a neural network) stored in an activation storage 1120 that are functions of input / output and / or weight parameter data stored in code and / or data storage 1101 and / or code and / or data storage 1105. In at least one embodiment, activations  stored in activation storage 1120 are generated according to linear algebraic and or matrix-based mathematics performed by ALU (s) 1110 in response to performing instructions or other code, wherein weight values stored in code and / or data storage 1105 and / or data storage 1101 are used as operands along with other values, such as bias values, gradient information, momentum values, or other parameters or hyperparameters, any or all of which may be stored in code and / or data storage 1105 or code and / or data storage 1101 or another storage on or off-chip.

[0097] In at least one embodiment, ALU (s) 1110 are included within one or more processors or other hardware logic devices or circuits, whereas in another embodiment, ALU (s) 1110 may be external to a processor or other hardware logic device or circuit that uses them (e.g., a co-processor) . In at least one embodiment, ALUs 1110 may be included within a processor’s execution units or otherwise within a bank of ALUs accessible by a processor’s execution units either within same processor or distributed between different processors of different types (e.g., central processing units, graphics processing units, fixed function units, etc. ) . In at least one embodiment, code and / or data storage 1101, code and / or data storage 1105, and activation storage 1120 may share a processor or other hardware logic device or circuit, whereas in another embodiment, they may be in different processors or other hardware logic devices or circuits, or some combination of same and different processors or other hardware logic devices or circuits. In at least one embodiment, any portion of activation storage 1120 may be included with other on-chip or off-chip data storage, including a processor’s L1, L2, or L3 cache or system memory. Furthermore, inferencing and / or training code may be stored with other code accessible to a processor or other hardware logic or circuit and fetched and / or processed using a processor’s fetch, decode, scheduling, execution, retirement and / or other logical circuits.

[0098] In at least one embodiment, activation storage 1120 may be cache memory, DRAM, SRAM, non-volatile memory (e.g., flash memory) , or other storage. In at least one embodiment, activation storage 1120 may be completely or partially within or external to one or more processors or other logical circuits. In at least one embodiment, a choice of whether activation storage 1120 is internal or external to a processor, for example, or comprising DRAM, SRAM, flash memory or some other storage type may depend on available storage on-chip versus off-chip, latency requirements of training and / or inferencing functions being performed, batch size  of data used in inferencing and / or training of a neural network, or some combination of these factors.

[0099] In at least one embodiment, logic 1115 illustrated in FIG. 11A may be used in conjunction with an application-specific integrated circuit ( “ASIC” ) , such as a Processing Unit from Google, an inference processing unit (IPU) from GraphcoreTM, or a   (e.g., “Lake Crest” ) processor from Intel Corp. In at least one embodiment, logic 1115 illustrated in FIG. 11A may be used in conjunction with central processing unit ( “CPU” ) hardware, graphics processing unit ( “GPU” ) hardware or other hardware, such as field programmable gate arrays ( “FPGAs” ) .

[0100] FIG. 11B illustrates logic 1115, according to at least one embodiment. In at least one embodiment, logic 1115 is inference and / or training logic. In at least one embodiment, logic 1115 may include, without limitation, hardware logic in which computational resources are dedicated or otherwise exclusively used in conjunction with weight values or other information corresponding to one or more layers of neurons within a neural network. In at least one embodiment, logic 1115 illustrated in FIG. 11B may be used in conjunction with an application-specific integrated circuit (ASIC) , such as Processing Unit from Google, an inference processing unit (IPU) from GraphcoreTM, or a  (e.g., “Lake Crest” ) processor from Intel Corp. In at least one embodiment, logic 1115 illustrated in FIG. 11B may be used in conjunction with central processing unit (CPU) hardware, graphics processing unit (GPU) hardware or other hardware, such as field programmable gate arrays (FPGAs) . In at least one embodiment, logic 1115 includes, without limitation, code and / or data storage 1101 and code and / or data storage 1105, which may be used to store code (e.g., graph code) , weight values and / or other information, including bias values, gradient information, momentum values, and / or other parameter or hyperparameter information. In at least one embodiment illustrated in FIG. 11B, each of code and / or data storage 1101 and code and / or data storage 1105 is associated with a dedicated computational resource, such as computational hardware 1102 and computational hardware 1106, respectively. In at least one embodiment, each of computational hardware 1102 and computational hardware 1106 comprises one or more ALUs that perform mathematical functions, such as linear algebraic functions, only on information stored in code and / or data  storage 1101 and code and / or data storage 1105, respectively, result of which is stored in activation storage 1120.

[0101] In at least one embodiment, each of code and / or data storage 1101 and 1105 and corresponding computational hardware 1102 and 1106, respectively, correspond to different layers of a neural network, such that resulting activation from one storage / computational pair 1101 / 1102 of code and / or data storage 1101 and computational hardware 1102 is provided as an input to a next storage / computational pair 1105 / 1106 of code and / or data storage 1105 and computational hardware 1106, in order to mirror a conceptual organization of a neural network. In at least one embodiment, each of storage / computational pairs 1101 / 1102 and 1105 / 1106 may correspond to more than one neural network layer. In at least one embodiment, additional storage / computation pairs (not shown) subsequent to or in parallel with storage / computation pairs 1101 / 1102 and 1105 / 1106 may be included in logic 1115.

[0102] NEURAL NETWORK TRAINING AND DEPLOYMENT

[0103] FIG. 12 illustrates training and deployment of a deep neural network, according to at least one embodiment. In at least one embodiment, untrained neural network 1206 is trained using a training dataset 1202. In at least one embodiment, training framework 1204 is a PyTorch framework, whereas in other embodiments, training framework 1204 is a TensorFlow, Boost, Caffe, Microsoft Cognitive Toolkit / CNTK, MXNet, Chainer, Keras, Deeplearning4j, or other training framework. In at least one embodiment, training framework 1204 trains an untrained neural network 1206 and enables it to be trained using processing resources described herein to generate a trained neural network 1208. In at least one embodiment, weights may be chosen randomly or by pre-training using a deep belief network. In at least one embodiment, training may be performed in either a supervised, partially supervised, or unsupervised manner.

[0104] In at least one embodiment, untrained neural network 1206 is trained using supervised learning, wherein training dataset 1202 includes an input paired with a desired output for an input, or where training dataset 1202 includes input having a known output and an output of untrained neural network 1206 is manually graded. In at least one embodiment, untrained neural network 1206 is trained in a supervised manner and processes inputs from training dataset 1202 and compares resulting outputs against a set of expected or desired outputs. In at least one embodiment, errors are then propagated back through untrained neural network 1206. In at least  one embodiment, training framework 1204 adjusts weights that control untrained neural network 1206. In at least one embodiment, training framework 1204 includes tools to monitor how well untrained neural network 1206 is converging towards a model, such as trained neural network 1208, suitable to generating correct answers, such as in result 1214, based on input data such as a new dataset 1212. In at least one embodiment, training framework 1204 trains untrained neural network 1206 repeatedly while adjust weights to refine an output of untrained neural network 1206 using a loss function and adjustment algorithm, such as stochastic gradient descent. In at least one embodiment, training framework 1204 trains untrained neural network 1206 until untrained neural network 1206 achieves a desired accuracy. In at least one embodiment, trained neural network 1208 can then be deployed to implement any number of machine learning operations.

[0105] In at least one embodiment, untrained neural network 1206 is trained using unsupervised learning, wherein untrained neural network 1206 attempts to train itself using unlabeled data. In at least one embodiment, unsupervised learning training dataset 1202 will include input data without any associated output data or “ground truth” data. In at least one embodiment, untrained neural network 1206 can learn groupings within training dataset 1202 and can determine how individual inputs are related to training dataset 1202. In at least one embodiment, unsupervised training can be used to generate a self-organizing map in trained neural network 1208 capable of performing operations useful in reducing dimensionality of new dataset 1212. In at least one embodiment, unsupervised training can also be used to perform anomaly detection, which allows identification of data points in new dataset 1212 that deviate from normal patterns of new dataset 1212.

[0106] In at least one embodiment, semi-supervised learning may be used, which is a technique in which in training dataset 1202 includes a mix of labeled and unlabeled data. In at least one embodiment, training framework 1204 may be used to perform incremental learning, such as through transferred learning techniques. In at least one embodiment, incremental learning enables trained neural network 1208 to adapt to new dataset 1212 without forgetting knowledge instilled within trained neural network 1208 during initial training.

[0107] In at least one embodiment, training framework 1204 is a framework processed in connection with a software development toolkit such as an OpenVINO (Open Visual Inference  and Neural network Optimization) toolkit. In at least one embodiment, an OpenVINO toolkit is a toolkit such as those developed by Intel Corporation of Santa Clara, CA. In at least one embodiment, OpenVINO comprises logic 1115 or uses logic 1115 to perform operations described herein. In at least one embodiment, an SoC, integrated circuit, or processor uses OpenVINO to perform operations described herein.

[0108] In at least one embodiment, OpenVINO is a toolkit for facilitating development of applications, specifically neural network applications, for various tasks and operations, such as human vision emulation, speech recognition, natural language processing, recommendation systems, and / or variations thereof. In at least one embodiment, OpenVINO supports neural networks such as convolutional neural networks (CNNs) , recurrent and / or attention-based neural networks, and / or various other neural network models. In at least one embodiment, OpenVINO supports various software libraries such as OpenCV, OpenCL, and / or variations thereof.

[0109] In at least one embodiment, OpenVINO supports neural network models for various tasks and operations, such as classification, segmentation, object detection, face recognition, speech recognition, pose estimation (e.g., humans and / or objects) , monocular depth estimation, image inpainting, style transfer, action recognition, colorization, and / or variations thereof.

[0110] In at least one embodiment, OpenVINO comprises one or more software tools and / or modules for model optimization, also referred to as a model optimizer. In at least one embodiment, a model optimizer is a command line tool that facilitates transitions between training and deployment of neural network models. In at least one embodiment, a model optimizer optimizes neural network models for execution on various devices and / or processing units, such as a GPU, CPU, PPU, GPGPU, and / or variations thereof. In at least one embodiment, a model optimizer generates an internal representation of a model, and optimizes said model to generate an intermediate representation. In at least one embodiment, a model optimizer reduces a number of layers of a model. In at least one embodiment, a model optimizer removes layers of a model that are utilized for training. In at least one embodiment, a model optimizer performs various neural network operations, such as modifying inputs to a model (e.g., resizing inputs to a model) , modifying a size of inputs of a model (e.g., modifying a batch size of a model) , modifying a model structure (e.g., modifying layers of a model) , normalization, standardization,  quantization (e.g., converting weights of a model from a first representation, such as floating point, to a second representation, such as integer) , and / or variations thereof.

[0111] In at least one embodiment, OpenVINO comprises one or more software libraries for inferencing, also referred to as an inference engine. In at least one embodiment, an inference engine is a C++ library, or any suitable programming language library. In at least one embodiment, an inference engine is utilized to infer input data. In at least one embodiment, an inference engine implements various classes to infer input data and generate one or more results. In at least one embodiment, an inference engine implements one or more API functions to process an intermediate representation, set input and / or output formats, and / or execute a model on one or more devices.

[0112] In at least one embodiment, OpenVINO provides various abilities for heterogeneous execution of one or more neural network models. In at least one embodiment, heterogeneous execution, or heterogeneous computing, refers to one or more computing processes and / or systems that utilize one or more types of processors and / or cores. In at least one embodiment, OpenVINO provides various software functions to execute a program on one or more devices. In at least one embodiment, OpenVINO provides various software functions to execute a program and / or portions of a program on different devices. In at least one embodiment, OpenVINO provides various software functions to, for example, run a first portion of code on a CPU and a second portion of code on a GPU and / or FPGA. In at least one embodiment, OpenVINO provides various software functions to execute one or more layers of a neural network on one or more devices (e.g., a first set of layers on a first device, such as a GPU, and a second set of layers on a second device, such as a CPU) .

[0113] In at least one embodiment, OpenVINO includes various functionality similar to functionalities associated with a CUDA programming model, such as various neural network model operations associated with frameworks such as TensorFlow, PyTorch, and / or variations thereof. In at least one embodiment, one or more CUDA programming model operations are performed using OpenVINO. In at least one embodiment, various systems, methods, and / or techniques described herein are implemented using OpenVINO.

[0114] DATA CENTER

[0115] FIG. 13 illustrates an example data center 1300, in which at least one embodiment may be used. In at least one embodiment, data center 1300 includes a data center infrastructure layer 1310, a framework layer 1320, a software layer 1330 and an application layer 1340.

[0116] In at least one embodiment, as shown in FIG. 13, data center infrastructure layer 1310 may include a resource orchestrator 1312, grouped computing resources 1314, and node computing resources ( “node C.R. s” ) 1316 (1) -1316 (N) , where “N” represents a positive integer (which may be a different integer “N” than used in other figures) . In at least one embodiment, node C.R. s 1316 (1) -1316 (N) may include, but are not limited to, any number of central processing units ( “CPUs” ) or other processors (including accelerators, field programmable gate arrays (FPGAs) , graphics processors, etc. ) , memory storage devices 1318 (1) -1318 (N) (e.g., dynamic read-only memory, solid state storage or disk drives) , network input / output ( “NW I / O” ) devices, network switches, virtual machines ( “VMs” ) , power modules, and cooling modules, etc. In at least one embodiment, one or more node C.R. s from among node C.R. s 1316 (1) -1316 (N) may be a server having one or more of above-mentioned computing resources.

[0117] In at least one embodiment, grouped computing resources 1314 may include separate groupings of node C.R. s housed within one or more racks (not shown) , or many racks housed in data centers at various geographical locations (also not shown) . In at least one embodiment, separate groupings of node C.R. s within grouped computing resources 1314 may include grouped compute, network, memory or storage resources that may be configured or allocated to support one or more workloads. In at least one embodiment, several node C.R. s including CPUs or processors may grouped within one or more racks to provide compute resources to support one or more workloads. In at least one embodiment, one or more racks may also include any number of power modules, cooling modules, and network switches, in any combination.

[0118] In at least one embodiment, resource orchestrator 1312 may configure or otherwise control one or more node C.R. s 1316 (1) -1316 (N) and / or grouped computing resources 1314. In at least one embodiment, resource orchestrator 1312 may include a software design infrastructure ( “SDI” ) management entity for data center 1300. In at least one embodiment, resource orchestrator 1112 may include hardware, software or some combination thereof.

[0119] In at least one embodiment, as shown in FIG. 13, framework layer 1320 includes a job scheduler 1322, a configuration manager 1324, a resource manager 1326 and a distributed file system 1328. In at least one embodiment, framework layer 1320 may include a framework to support software 1332 of software layer 1330 and / or one or more application (s) 1342 of application layer 1340. In at least one embodiment, software 1332 or application (s) 1342 may respectively include web-based service software or applications, such as those provided by Amazon Web Services, Google Cloud and Microsoft Azure. In at least one embodiment, framework layer 1320 may be, but is not limited to, a type of free and open-source software web application framework such as Apache SparkTM (hereinafter “Spark” ) that may utilize distributed file system 1328 for large-scale data processing (e.g., “big data” ) . In at least one embodiment, job scheduler 1322 may include a Spark driver to facilitate scheduling of workloads supported by various layers of data center 1300. In at least one embodiment, configuration manager 1324 may be capable of configuring different layers such as software layer 1330 and framework layer 1320 including Spark and distributed file system 1328 for supporting large-scale data processing. In at least one embodiment, resource manager 1326 may be capable of managing clustered or grouped computing resources mapped to or allocated for support of distributed file system 1328 and job scheduler 1322. In at least one embodiment, clustered or grouped computing resources may include grouped computing resources 1314 at data center infrastructure layer 1310. In at least one embodiment, resource manager 1326 may coordinate with resource orchestrator 1312 to manage these mapped or allocated computing resources.

[0120] In at least one embodiment, software 1332 included in software layer 1330 may include software used by at least portions of node C.R. s 1316 (1) -1316 (N) , grouped computing resources 1314, and / or distributed file system 1328 of framework layer 1320. In at least one embodiment, one or more types of software may include, but are not limited to, Internet web page search software, e-mail virus scan software, database software, and streaming video content software.

[0121] In at least one embodiment, application (s) 1342 included in application layer 1340 may include one or more types of applications used by at least portions of node C.R. s 1316 (1) -1316 (N) , grouped computing resources 1314, and / or distributed file system 1328 of framework layer 1320. In at least one embodiment, one or more types of applications may include, but are not limited to, any number of a genomics application, a cognitive compute, application and a  machine learning application, including training or inferencing software, machine learning framework software (e.g., PyTorch, TensorFlow, Caffe, etc. ) or other machine learning applications used in conjunction with one or more embodiments.

[0122] In at least one embodiment, any of configuration manager 1324, resource manager 1326, and resource orchestrator 1312 may implement any number and type of self-modifying actions based on any amount and type of data acquired in any technically feasible fashion. In at least one embodiment, self-modifying actions may relieve a data center operator of data center 1300 from making possibly bad configuration decisions and possibly avoiding underutilized and / or poor performing portions of a data center.

[0123] In at least one embodiment, data center 1300 may include tools, services, software or other resources to train one or more machine learning models or predict or infer information using one or more machine learning models according to one or more embodiments described herein. For example, in at least one embodiment, a machine learning model may be trained by calculating weight parameters according to a neural network architecture using software and computing resources described above with respect to data center 1300. In at least one embodiment, trained machine learning models corresponding to one or more neural networks may be used to infer or predict information using resources described above with respect to data center 1300 by using weight parameters calculated through one or more training techniques described herein.

[0124] In at least one embodiment, data center may use CPUs, application-specific integrated circuits (ASICs) , GPUs, FPGAs, or other hardware to perform training and / or inferencing using above-described resources. Moreover, one or more software and / or hardware resources described above may be configured as a service to allow users to train or performing inferencing of information, such as image recognition, speech recognition, or other artificial intelligence services.

[0125] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in data center 1300 for inferencing or predicting operations based, at least in part, on weight parameters calculated  using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0126] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0127] AUTONOMOUS VEHICLE

[0128] FIG. 14A illustrates an example of an autonomous vehicle 1400, according to at least one embodiment. In at least one embodiment, autonomous vehicle 1400 (alternatively referred to herein as “vehicle 1400” ) may be, without limitation, a passenger vehicle, such as a car, a truck, a bus, and / or another type of vehicle that accommodates one or more passengers. In at least one embodiment, vehicle 1400 may be a semi-tractor-trailer truck used for hauling cargo. In at least one embodiment, vehicle 1400 may be an airplane, robotic vehicle, or other kind of vehicle.

[0129] Autonomous vehicles may be described in terms of automation levels, defined by National Highway Traffic Safety Administration ( “NHTSA” ) , a division of US Department of Transportation, and Society of Automotive Engineers ( “SAE” ) “Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles” (e.g., Standard No. J3016-201806, published on June 15, 2018, Standard No. J3016-201609, published on September 30, 2016, and previous and future versions of this standard) . In at least one embodiment, vehicle 1400 may be capable of functionality in accordance with one or more of Level 1 through Level 5 of autonomous driving levels. For example, in at least one embodiment, vehicle 1400 may be capable of conditional automation (Level 3) , high automation (Level 4) , and / or full automation (Level 5) , depending on embodiment.

[0130] In at least one embodiment, vehicle 1400 may include, without limitation, components such as a chassis, a vehicle body, wheels (e.g., 2, 4, 6, 8, 18, etc. ) , tires, axles, and other components of a vehicle. In at least one embodiment, vehicle 1400 may include, without limitation, a propulsion system 1450, such as an internal combustion engine, hybrid electric power plant, an all-electric engine, and / or another propulsion system type. In at least one  embodiment, propulsion system 1450 may be connected to a drive train of vehicle 1400, which may include, without limitation, a transmission, to enable propulsion of vehicle 1400. In at least one embodiment, propulsion system 1450 may be controlled in response to receiving signals from a throttle / accelerator (s) 1452.

[0131] In at least one embodiment, a steering system 1454, which may include, without limitation, a steering wheel, is used to steer vehicle 1400 (e.g., along a desired path or route) when propulsion system 1450 is operating (e.g., when vehicle 1400 is in motion) . In at least one embodiment, steering system 1454 may receive signals from steering actuator (s) 1456. In at least one embodiment, a steering wheel may be optional for full automation (Level 5) functionality. In at least one embodiment, a brake sensor system 1446 may be used to operate vehicle brakes in response to receiving signals from brake actuator (s) 1448 and / or brake sensors.

[0132] In at least one embodiment, controller (s) 1436, which may include, without limitation, one or more system on chips ( “SoCs” ) (not shown in FIG. 14A) and / or graphics processing unit (s) ( “GPU (s) ” ) , provide signals (e.g., representative of commands) to one or more components and / or systems of vehicle 1400. For instance, in at least one embodiment, controller (s) 1436 may send signals to operate vehicle brakes via brake actuator (s) 1448, to operate steering system 1454 via steering actuator (s) 1456, to operate propulsion system 1450 via throttle / accelerator (s) 1452. In at least one embodiment, controller (s) 1436 may include one or more onboard (e.g., integrated) computing devices that process sensor signals, and output operation commands (e.g., signals representing commands) to enable autonomous driving and / or to assist a human driver in driving vehicle 1400. In at least one embodiment, controller (s) 1436 may include a first controller for autonomous driving functions, a second controller for functional safety functions, a third controller for artificial intelligence functionality (e.g., computer vision) , a fourth controller for infotainment functionality, a fifth controller for redundancy in emergency conditions, and / or other controllers. In at least one embodiment, a single controller may handle two or more of above functionalities, two or more controllers may handle a single functionality, and / or any combination thereof.

[0133] In at least one embodiment, controller (s) 1436 provide signals for controlling one or more components and / or systems of vehicle 1400 in response to sensor data received from one or more sensors (e.g., sensor inputs) . In at least one embodiment, sensor data may be received from,  for example and without limitation, global navigation satellite systems ( “GNSS” ) sensor (s) 1458 (e.g., Global Positioning System sensor (s) ) , RADAR sensor (s) 1460, ultrasonic sensor (s) 1462, LIDAR sensor (s) 1464, inertial measurement unit ( “IMU” ) sensor (s) 1466 (e.g., accelerometer (s) , gyroscope (s) , a magnetic compass or magnetic compasses, magnetometer (s) , etc. ) , microphone (s) 1496, stereo camera (s) 1468, wide-view camera (s) 1470 (e.g., fisheye cameras) , infrared camera (s) 1472, surround camera (s) 1474 (e.g., 360 degree cameras) , long-range cameras (not shown in FIG. 14A) , mid-range camera (s) (not shown in FIG. 14A) , speed sensor (s) 1444 (e.g., for measuring speed of vehicle 1400) , vibration sensor (s) 1442, steering sensor (s) 1440, brake sensor (s) (e.g., as part of brake sensor system 1446) , and / or other sensor types.

[0134] In at least one embodiment, one or more of controller (s) 1436 may receive inputs (e.g., represented by input data) from an instrument cluster 1432 of vehicle 1400 and provide outputs (e.g., represented by output data, display data, etc. ) via a human-machine interface ( “HMI” ) display 1434, an audible annunciator, a loudspeaker, and / or via other components of vehicle 1400. In at least one embodiment, outputs may include information such as vehicle velocity, speed, time, map data (e.g., a High Definition map (not shown in FIG. 14A) ) , location data (e.g., vehicle’s 1400 location, such as on a map) , direction, location of other vehicles (e.g., an occupancy grid) , information about objects and status of objects as perceived by controller (s) 1436, etc. For example, in at least one embodiment, HMI display 1434 may display information about presence of one or more objects (e.g., a street sign, caution sign, traffic light changing, etc. ) , and / or information about driving maneuvers vehicle has made, is making, or will make (e.g., changing lanes now, taking exit 34B in two miles, etc. ) .

[0135] In at least one embodiment, vehicle 1400 further includes a network interface 1424 which may use wireless antenna (s) 1426 and / or modem (s) to communicate over one or more networks. For example, in at least one embodiment, network interface 1424 may be capable of communication over Long-Term Evolution ( “LTE” ) , Wideband Code Division Multiple Access ( “WCDMA” ) , Universal Mobile Telecommunications System ( “UMTS” ) , Global System for Mobile communication ( “GSM” ) , IMT-CDMA Multi-Carrier ( “CDMA2000” ) networks, etc. In at least one embodiment, wireless antenna (s) 1426 may also enable communication between objects in environment (e.g., vehicles, mobile devices, etc. ) , using local area network (s) , such as  Bluetooth, Bluetooth Low Energy ( “LE” ) , Z-Wave, ZigBee, etc., and / or low power wide-area network (s) ( “LPWANs” ) , such as LoRaWAN, SigFox, etc. protocols.

[0136] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in vehicle 1400 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0137] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0138] FIG. 14B illustrates an example of camera locations and fields of view for autonomous vehicle 1400 of FIG. 14A, according to at least one embodiment. In at least one embodiment, cameras and respective fields of view are one example embodiment and are not intended to be limiting. For instance, in at least one embodiment, additional and / or alternative cameras may be included and / or cameras may be located at different locations on vehicle 1400.

[0139] In at least one embodiment, camera types for cameras may include, but are not limited to, digital cameras that may be adapted for use with components and / or systems of vehicle 1400. In at least one embodiment, camera (s) may operate at automotive safety integrity level ( “ASIL” ) B and / or at another ASIL. In at least one embodiment, camera types may be capable of any image capture rate, such as 60 frames per second (fps) , 1220 fps, 240 fps, etc., depending on embodiment. In at least one embodiment, cameras may be capable of using rolling shutters, global shutters, another type of shutter, or a combination thereof. In at least one embodiment, color filter array may include a red clear clear clear ( “RCCC” ) color filter array, a red clear clear blue ( “RCCB” ) color filter array, a red blue green clear ( “RBGC” ) color filter array, a Foveon X3 color filter array, a Bayer sensors ( “RGGB” ) color filter array, a monochrome sensor color filter array, and / or another type of color filter array. In at least one embodiment, clear pixel  cameras, such as cameras with an RCCC, an RCCB, and / or an RBGC color filter array, may be used in an effort to increase light sensitivity.

[0140] In at least one embodiment, one or more of camera (s) may be used to perform advanced driver assistance systems ( “ADAS” ) functions (e.g., as part of a redundant or fail-safe design) . For example, in at least one embodiment, a Multi-Function Mono Camera may be installed to provide functions including lane departure warning, traffic sign assist and intelligent headlamp control. In at least one embodiment, one or more of camera (s) (e.g., all cameras) may record and provide image data (e.g., video) simultaneously.

[0141] In at least one embodiment, one or more cameras may be mounted in a mounting assembly, such as a custom designed (three-dimensional ( “3D” ) printed) assembly, in order to cut out stray light and reflections from within vehicle 1400 (e.g., reflections from dashboard reflected in windshield mirrors) which may interfere with camera image data capture abilities. With reference to wing-mirror mounting assemblies, in at least one embodiment, wing-mirror assemblies may be custom 3D printed so that a camera mounting plate matches a shape of a wing-mirror. In at least one embodiment, camera (s) may be integrated into wing-mirrors. In at least one embodiment, for side-view cameras, camera (s) may also be integrated within four pillars at each corner of a cabin.

[0142] In at least one embodiment, cameras with a field of view that include portions of an environment in front of vehicle 1400 (e.g., front-facing cameras) may be used for surround view, to help identify forward facing paths and obstacles, as well as aid in, with help of one or more of controller (s) 1436 and / or control SoCs, providing information critical to generating an occupancy grid and / or determining preferred vehicle paths. In at least one embodiment, front-facing cameras may be used to perform many similar ADAS functions as LIDAR, including, without limitation, emergency braking, pedestrian detection, and collision avoidance. In at least one embodiment, front-facing cameras may also be used for ADAS functions and systems including, without limitation, Lane Departure Warnings ( “LDW” ) , Autonomous Cruise Control ( “ACC” ) , and / or other functions such as traffic sign recognition.

[0143] In at least one embodiment, a variety of cameras may be used in a front-facing configuration, including, for example, a monocular camera platform that includes a CMOS ( “complementary metal oxide semiconductor” ) color imager. In at least one embodiment, a  wide-view camera 1470 may be used to perceive objects coming into view from a periphery (e.g., pedestrians, crossing traffic or bicycles) . Although only one wide-view camera 1470 is illustrated in FIG. 14B, in other embodiments, there may be any number (including zero) wide-view cameras on vehicle 1400. In at least one embodiment, any number of long-range camera (s) 1498 (e.g., a long-view stereo camera pair) may be used for depth-based object detection, especially for objects for which a neural network has not yet been trained. In at least one embodiment, long-range camera (s) 1498 may also be used for object detection and classification, as well as basic object tracking.

[0144] In at least one embodiment, any number of stereo camera (s) 1468 may also be included in a front-facing configuration. In at least one embodiment, one or more of stereo camera (s) 1468 may include an integrated control unit comprising a scalable processing unit, which may provide a programmable logic ( “FPGA” ) and a multi-core micro-processor with an integrated Controller Area Network ( “CAN” ) or Ethernet interface on a single chip. In at least one embodiment, such a unit may be used to generate a 3D map of an environment of vehicle 1400, including a distance estimate for all points in an image. In at least one embodiment, one or more of stereo camera (s) 1468 may include, without limitation, compact stereo vision sensor (s) that may include, without limitation, two camera lenses (one each on left and right) and an image processing chip that may measure distance from vehicle 1400 to target object and use generated information (e.g., metadata) to activate autonomous emergency braking and lane departure warning functions. In at least one embodiment, other types of stereo camera (s) 1468 may be used in addition to, or alternatively from, those described herein.

[0145] In at least one embodiment, cameras with a field of view that include portions of environment to sides of vehicle 1400 (e.g., side-view cameras) may be used for surround view, providing information used to create and update an occupancy grid, as well as to generate side impact collision warnings. For example, in at least one embodiment, surround camera (s) 1474 (e.g., four surround cameras as illustrated in FIG. 14B) could be positioned on vehicle 1400. In at least one embodiment, surround camera (s) 1474 may include, without limitation, any number and combination of wide-view cameras, fisheye camera (s) , 360 degree camera (s) , and / or similar cameras. For instance, in at least one embodiment, four fisheye cameras may be positioned on a front, a rear, and sides of vehicle 1400. In at least one embodiment, vehicle 1400 may use three  surround camera (s) 1474 (e.g., left, right, and rear) , and may leverage one or more other camera (s) (e.g., a forward-facing camera) as a fourth surround-view camera.

[0146] In at least one embodiment, cameras with a field of view that include portions of an environment behind vehicle 1400 (e.g., rear-view cameras) may be used for parking assistance, surround view, rear collision warnings, and creating and updating an occupancy grid. In at least one embodiment, a wide variety of cameras may be used including, but not limited to, cameras that are also suitable as a front-facing camera (s) (e.g., long-range cameras 1498 and / or mid-range camera (s) 1476, stereo camera (s) 1468, infrared camera (s) 1472, etc., ) as described herein.

[0147] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0148] FIG. 14C is a block diagram illustrating an example system architecture for autonomous vehicle 1400 of FIG. 14A, according to at least one embodiment. In at least one embodiment, each of components, features, and systems of vehicle 1400 in FIG. 14C is illustrated as being connected via a bus 1402. In at least one embodiment, bus 1402 may include, without limitation, a CAN data interface (alternatively referred to herein as a “CAN bus” ) . In at least one embodiment, a CAN may be a network inside vehicle 1400 used to aid in control of various features and functionality of vehicle 1400, such as actuation of brakes, acceleration, braking, steering, windshield wipers, etc. In at least one embodiment, bus 1402 may be configured to have dozens or even hundreds of nodes, each with its own unique identifier (e.g., a CAN ID) . In at least one embodiment, bus 1402 may be read to find steering wheel angle, ground speed, engine revolutions per minute ( “RPMs” ) , button positions, and / or other vehicle status indicators. In at least one embodiment, bus 1402 may be a CAN bus that is ASIL B compliant.

[0149] In at least one embodiment, in addition to, or alternatively from CAN, FlexRay and / or Ethernet protocols may be used. In at least one embodiment, there may be any number of busses forming bus 1402, which may include, without limitation, zero or more CAN busses, zero or more FlexRay busses, zero or more Ethernet busses, and / or zero or more other types of busses  using different protocols. In at least one embodiment, two or more busses may be used to perform different functions, and / or may be used for redundancy. For example, a first bus may be used for collision avoidance functionality and a second bus may be used for actuation control. In at least one embodiment, each bus of bus 1402 may communicate with any of components of vehicle 1400, and two or more busses of bus 1402 may communicate with corresponding components. In at least one embodiment, each of any number of system (s) on chip (s) ( “SoC (s) ” ) 1404 (such as SoC 1404 (A) and SoC 1404 (B) ) , each of controller (s) 1436, and / or each computer within vehicle may have access to same input data (e.g., inputs from sensors of vehicle 1400) , and may be connected to a common bus, such CAN bus.

[0150] In at least one embodiment, vehicle 1400 may include one or more controller (s) 1436, such as those described herein with respect to FIG. 14A. In at least one embodiment, controller (s) 1436 may be used for a variety of functions. In at least one embodiment, controller (s) 1436 may be coupled to any of various other components and systems of vehicle 1400, and may be used for control of vehicle 1400, artificial intelligence of vehicle 1400, infotainment for vehicle 1400, and / or other functions.

[0151] In at least one embodiment, vehicle 1400 may include any number of SoCs 1404. In at least one embodiment, each of SoCs 1404 may include, without limitation, central processing units ( “CPU (s) ” ) 1406, graphics processing units ( “GPU (s) ” ) 1408, processor (s) 1410, cache (s) 1412, accelerator (s) 1414, data store (s) 1416, and / or other components and features not illustrated. In at least one embodiment, SoC (s) 1404 may be used to control vehicle 1400 in a variety of platforms and systems. For example, in at least one embodiment, SoC (s) 1404 may be combined in a system (e.g., system of vehicle 1400) with a High Definition ( “HD” ) map 1422 which may obtain map refreshes and / or updates via network interface 1424 from one or more servers (not shown in FIG. 14C) .

[0152] In at least one embodiment, CPU (s) 1406 may include a CPU cluster or CPU complex (alternatively referred to herein as a “CCPLEX” ) . In at least one embodiment, CPU (s) 1406 may include multiple cores and / or level two ( “L2” ) caches. For instance, in at least one embodiment, CPU (s) 1406 may include eight cores in a coherent multi-processor configuration. In at least one embodiment, CPU (s) 1406 may include four dual-core clusters where each cluster has a dedicated L2 cache (e.g., a 2 megabyte (MB) L2 cache) . In at least one embodiment, CPU (s)  1406 (e.g., CCPLEX) may be configured to support simultaneous cluster operations enabling any combination of clusters of CPU (s) 1406 to be active at any given time.

[0153] In at least one embodiment, one or more of CPU (s) 1406 may implement power management capabilities that include, without limitation, one or more of following features: individual hardware blocks may be clock-gated automatically when idle to save dynamic power; each core clock may be gated when such core is not actively executing instructions due to execution of Wait for Interrupt ( “WFI” )  / Wait for Event ( “WFE” ) instructions; each core may be independently power-gated; each core cluster may be independently clock-gated when all cores are clock-gated or power-gated; and / or each core cluster may be independently power-gated when all cores are power-gated. In at least one embodiment, CPU (s) 1406 may further implement an enhanced algorithm for managing power states, where allowed power states and expected wakeup times are specified, and hardware / microcode determines which best power state to enter for core, cluster, and CCPLEX. In at least one embodiment, processing cores may support simplified power state entry sequences in software with work offloaded to microcode.

[0154] In at least one embodiment, GPU (s) 1408 may include an integrated GPU (alternatively referred to herein as an “iGPU” ) . In at least one embodiment, GPU (s) 1408 may be programmable and may be efficient for parallel workloads. In at least one embodiment, GPU (s) 1408 may use an enhanced tensor instruction set. In at least one embodiment, GPU (s) 1408 may include one or more streaming microprocessors, where each streaming microprocessor may include a level one ( “L1” ) cache (e.g., an L1 cache with at least 96 KB storage capacity) , and two or more streaming microprocessors may share an L2 cache (e.g., an L2 cache with a 512 KB storage capacity) . In at least one embodiment, GPU (s) 1408 may include at least eight streaming microprocessors. In at least one embodiment, GPU (s) 1408 may use compute application programming interface (s) (API (s) ) . In at least one embodiment, GPU (s) 1408 may use one or more parallel computing platforms and / or programming models (e.g., NVIDIA’s CUDA model) .

[0155] In at least one embodiment, one or more of GPU (s) 1408 may be power-optimized for best performance in automotive and embedded use cases. For example, in at least one embodiment, GPU (s) 1408 could be fabricated on Fin field-effect transistor ( “FinFET” ) circuitry. In at least one embodiment, each streaming microprocessor may incorporate a number of mixed-precision processing cores partitioned into multiple blocks. For example, and without limitation,  64 PF32 cores and 32 FP64 cores could be partitioned into four processing blocks. In at least one embodiment, each processing block could be allocated 16 FP32 cores, 8 FP64 cores, 16 INT32 cores, two mixed-precision NVIDIA Tensor cores for deep learning matrix arithmetic, a level zero ( “L0” ) instruction cache, a scheduler (e.g., warp scheduler) or sequencer, a dispatch unit, and / or a 64 KB register file. In at least one embodiment, streaming microprocessors may include independent parallel integer and floating-point data paths to provide for efficient execution of workloads with a mix of computation and addressing calculations. In at least one embodiment, streaming microprocessors may include independent thread scheduling capability to enable finer-grain synchronization and cooperation between parallel threads. In at least one embodiment, streaming microprocessors may include a combined L1 data cache and shared memory unit in order to improve performance while simplifying programming.

[0156] In at least one embodiment, one or more of GPU (s) 1408 may include a high bandwidth memory ( “HBM” ) and / or a 16 GB HBM2 memory subsystem to provide, in some examples, about 900 GB / second peak memory bandwidth. In at least one embodiment, in addition to, or alternatively from, HBM memory, a synchronous graphics random-access memory ( “SGRAM” ) may be used, such as a graphics double data rate type five synchronous random-access memory ( “GDDR5” ) .

[0157] In at least one embodiment, GPU (s) 1408 may include unified memory technology. In at least one embodiment, address translation services ( “ATS” ) support may be used to allow GPU (s) 1408 to access CPU (s) 1406 page tables directly. In at least one embodiment, embodiment, when a GPU of GPU (s) 1408 memory management unit ( “MMU” ) experiences a miss, an address translation request may be transmitted to CPU (s) 1406. In response, 2 CPU of CPU (s) 1406 may look in its page tables for a virtual-to-physical mapping for an address and transmit translation back to GPU (s) 1408, in at least one embodiment. In at least one embodiment, unified memory technology may allow a single unified virtual address space for memory of both CPU (s) 1406 and GPU (s) 1408, thereby simplifying GPU (s) 1408 programming and porting of applications to GPU (s) 1408.

[0158] In at least one embodiment, GPU (s) 1408 may include any number of access counters that may keep track of frequency of access of GPU (s) 1408 to memory of other processors. In at least one embodiment, access counter (s) may help ensure that memory pages are moved to  physical memory of a processor that is accessing pages most frequently, thereby improving efficiency for memory ranges shared between processors.

[0159] In at least one embodiment, one or more of SoC (s) 1404 may include any number of cache (s) 1412, including those described herein. For example, in at least one embodiment, cache (s) 1412 could include a level three ( “L3” ) cache that is available to both CPU (s) 1406 and GPU (s) 1408 (e.g., that is connected to CPU (s) 1406 and GPU (s) 1408) . In at least one embodiment, cache (s) 1412 may include a write-back cache that may keep track of states of lines, such as by using a cache coherence protocol (e.g., MEI, MESI, MSI, etc. ) . In at least one embodiment, a L3 cache may include 4 MB of memory or more, depending on embodiment, although smaller cache sizes may be used.

[0160] In at least one embodiment, one or more of SoC (s) 1404 may include one or more accelerator (s) 1414 (e.g., hardware accelerators, software accelerators, or a combination thereof) . In at least one embodiment, SoC (s) 1404 may include a hardware acceleration cluster that may include optimized hardware accelerators and / or large on-chip memory. In at least one embodiment, large on-chip memory (e.g., 4 MB of SRAM) , may enable a hardware acceleration cluster to accelerate neural networks and other calculations. In at least one embodiment, a hardware acceleration cluster may be used to complement GPU (s) 1408 and to off-load some of tasks of GPU (s) 1408 (e.g., to free up more cycles of GPU (s) 1408 for performing other tasks) . In at least one embodiment, accelerator (s) 1414 could be used for targeted workloads (e.g., perception, convolutional neural networks ( “CNNs” ) , recurrent neural networks ( “RNNs” ) , etc. ) that are stable enough to be amenable to acceleration. In at least one embodiment, a CNN may include a region-based or regional convolutional neural networks ( “RCNNs” ) and Fast RCNNs (e.g., as used for object detection) or other type of CNN.

[0161] In at least one embodiment, accelerator (s) 1414 (e.g., hardware acceleration cluster) may include one or more deep learning accelerator ( “DLA” ) . In at least one embodiment, DLA (s) may include, without limitation, one or more Tensor processing units ( “TPUs” ) that may be configured to provide an additional ten trillion operations per second for deep learning applications and inferencing. In at least one embodiment, TPUs may be accelerators configured to, and optimized for, performing image processing functions (e.g., for CNNs, RCNNs, etc. ) . In at least one embodiment, DLA (s) may further be optimized for a specific set of neural network  types and floating point operations, as well as inferencing. In at least one embodiment, design of DLA (s) may provide more performance per millimeter than a typical general-purpose GPU, and typically vastly exceeds performance of a CPU. In at least one embodiment, TPU (s) may perform several functions, including a single-instance convolution function, supporting, for example, INT8, INT16, and FP16 data types for both features and weights, as well as post-processor functions. In at least one embodiment, DLA (s) may quickly and efficiently execute neural networks, especially CNNs, on processed or unprocessed data for any of a variety of functions, including, for example and without limitation: a CNN for object identification and detection using data from camera sensors; a CNN for distance estimation using data from camera sensors; a CNN for emergency vehicle detection and identification and detection using data from microphones; a CNN for facial recognition and vehicle owner identification using data from camera sensors; and / or a CNN for security and / or safety related events.

[0162] In at least one embodiment, DLA (s) may perform any function of GPU (s) 1408, and by using an inference accelerator, for example, a designer may target either DLA (s) or GPU (s) 1408 for any function. For example, in at least one embodiment, a designer may focus processing of CNNs and floating point operations on DLA (s) and leave other functions to GPU (s) 1408 and / or accelerator (s) 1414.

[0163] In at least one embodiment, accelerator (s) 1414 may include programmable vision accelerator ( “PVA” ) , which may alternatively be referred to herein as a computer vision accelerator. In at least one embodiment, PVA may be designed and configured to accelerate computer vision algorithms for advanced driver assistance system ( “ADAS” ) 1438, autonomous driving, augmented reality ( “AR” ) applications, and / or virtual reality ( “VR” ) applications. In at least one embodiment, PVA may provide a balance between performance and flexibility. For example, in at least one embodiment, each PVA may include, for example and without limitation, any number of reduced instruction set computer ( “RISC” ) cores, direct memory access ( “DMA” ) , and / or any number of vector processors.

[0164] In at least one embodiment, RISC cores may interact with image sensors (e.g., image sensors of any cameras described herein) , image signal processor (s) , etc. In at least one embodiment, each RISC core may include any amount of memory. In at least one embodiment, RISC cores may use any of a number of protocols, depending on embodiment. In at least one  embodiment, RISC cores may execute a real-time operating system ( “RTOS” ) . In at least one embodiment, RISC cores may be implemented using one or more integrated circuit devices, application specific integrated circuits ( “ASICs” ) , and / or memory devices. For example, in at least one embodiment, RISC cores could include an instruction cache and / or a tightly coupled RAM.

[0165] In at least one embodiment, DMA may enable components of PVA to access system memory independently of CPU (s) 1406. In at least one embodiment, DMA may support any number of features used to provide optimization to a PVA including, but not limited to, supporting multi-dimensional addressing and / or circular addressing. In at least one embodiment, DMA may support up to six or more dimensions of addressing, which may include, without limitation, block width, block height, block depth, horizontal block stepping, vertical block stepping, and / or depth stepping.

[0166] In at least one embodiment, vector processors may be programmable processors that may be designed to efficiently and flexibly execute programming for computer vision algorithms and provide signal processing capabilities. In at least one embodiment, a PVA may include a PVA core and two vector processing subsystem partitions. In at least one embodiment, a PVA core may include a processor subsystem, DMA engine (s) (e.g., two DMA engines) , and / or other peripherals. In at least one embodiment, a vector processing subsystem may operate as a primary processing engine of a PVA, and may include a vector processing unit ( “VPU” ) , an instruction cache, and / or vector memory (e.g., “VMEM” ) . In at least one embodiment, VPU core may include a digital signal processor such as, for example, a single instruction, multiple data ( “SIMD” ) , very long instruction word ( “VLIW” ) digital signal processor. In at least one embodiment, a combination of SIMD and VLIW may enhance throughput and speed.

[0167] In at least one embodiment, each of vector processors may include an instruction cache and may be coupled to dedicated memory. As a result, in at least one embodiment, each of vector processors may be configured to execute independently of other vector processors. In at least one embodiment, vector processors that are included in a particular PVA may be configured to employ data parallelism. For instance, in at least one embodiment, plurality of vector processors included in a single PVA may execute a common computer vision algorithm, but on different regions of an image. In at least one embodiment, vector processors included in a  particular PVA may simultaneously execute different computer vision algorithms, on one image, or even execute different algorithms on sequential images or portions of an image. In at least one embodiment, among other things, any number of PVAs may be included in hardware acceleration cluster and any number of vector processors may be included in each PVA. In at least one embodiment, PVA may include additional error correcting code ( “ECC” ) memory, to enhance overall system safety.

[0168] In at least one embodiment, accelerator (s) 1414 may include a computer vision network on-chip and static random-access memory ( “SRAM” ) , for providing a high-bandwidth, low latency SRAM for accelerator (s) 1414. In at least one embodiment, on-chip memory may include at least 4 MB SRAM, comprising, for example and without limitation, eight field-configurable memory blocks, that may be accessible by both a PVA and a DLA. In at least one embodiment, each pair of memory blocks may include an advanced peripheral bus ( “APB” ) interface, configuration circuitry, a controller, and a multiplexer. In at least one embodiment, any type of memory may be used. In at least one embodiment, a PVA and a DLA may access memory via a backbone that provides a PVA and a DLA with high-speed access to memory. In at least one embodiment, a backbone may include a computer vision network on-chip that interconnects a PVA and a DLA to memory (e.g., using APB) .

[0169] In at least one embodiment, a computer vision network on-chip may include an interface that determines, before transmission of any control signal / address / data, that both a PVA and a DLA provide ready and valid signals. In at least one embodiment, an interface may provide for separate phases and separate channels for transmitting control signals / addresses / data, as well as burst-type communications for continuous data transfer. In at least one embodiment, an interface may comply with International Organization for Standardization ( “ISO” ) 26262 or International Electrotechnical Commission ( “IEC” ) 61508 standards, although other standards and protocols may be used.

[0170] In at least one embodiment, one or more of SoC (s) 1404 may include a real-time ray-tracing hardware accelerator. In at least one embodiment, real-time ray-tracing hardware accelerator may be used to quickly and efficiently determine positions and extents of objects (e.g., within a world model) , to generate real-time visualization simulations, for RADAR signal interpretation, for sound propagation synthesis and / or analysis, for simulation of SONAR  systems, for general wave propagation simulation, for comparison to LIDAR data for purposes of localization and / or other functions, and / or for other uses.

[0171] In at least one embodiment, accelerator (s) 1414 can have a wide array of uses for autonomous driving. In at least one embodiment, a PVA may be used for key processing stages in ADAS and autonomous vehicles. In at least one embodiment, a PVA’s capabilities are a good match for algorithmic domains needing predictable processing, at low power and low latency. In other words, a PVA performs well on semi-dense or dense regular computation, even on small data sets, which might require predictable run-times with low latency and low power. In at least one embodiment, such as in vehicle 1400, PVAs might be designed to run classic computer vision algorithms, as they can be efficient at object detection and operating on integer math.

[0172] For example, according to at least one embodiment of technology, a PVA is used to perform computer stereo vision. In at least one embodiment, a semi-global matching-based algorithm may be used in some examples, although this is not intended to be limiting. In at least one embodiment, applications for Level 3-5 autonomous driving use motion estimation / stereo matching on-the-fly (e.g., structure from motion, pedestrian recognition, lane detection, etc. ) . In at least one embodiment, a PVA may perform computer stereo vision functions on inputs from two monocular cameras.

[0173] In at least one embodiment, a PVA may be used to perform dense optical flow. For example, in at least one embodiment, a PVA could process raw RADAR data (e.g., using a 4D Fast Fourier Transform) to provide processed RADAR data. In at least one embodiment, a PVA is used for time of flight depth processing, by processing raw time of flight data to provide processed time of flight data, for example.

[0174] In at least one embodiment, a DLA may be used to run any type of network to enhance control and driving safety, including for example and without limitation, a neural network that outputs a measure of confidence for each object detection. In at least one embodiment, confidence may be represented or interpreted as a probability, or as providing a relative “weight” of each detection compared to other detections. In at least one embodiment, a confidence measure enables a system to make further decisions regarding which detections should be considered as true positive detections rather than false positive detections. In at least one embodiment, a system may set a threshold value for confidence and consider only detections  exceeding threshold value as true positive detections. In an embodiment in which an automatic emergency braking ( “AEB” ) system is used, false positive detections would cause vehicle to automatically perform emergency braking, which is obviously undesirable. In at least one embodiment, highly confident detections may be considered as triggers for AEB. In at least one embodiment, a DLA may run a neural network for regressing confidence value. In at least one embodiment, neural network may take as its input at least some subset of parameters, such as bounding box dimensions, ground plane estimate obtained (e.g., from another subsystem) , output from IMU sensor (s) 1466 that correlates with vehicle 1400 orientation, distance, 3D location estimates of object obtained from neural network and / or other sensors (e.g., LIDAR sensor (s) 1464 or RADAR sensor (s) 1460) , among others.

[0175] In at least one embodiment, one or more of SoC (s) 1404 may include data store (s) 1416 (e.g., memory) . In at least one embodiment, data store (s) 1416 may be on-chip memory of SoC (s) 1404, which may store neural networks to be executed on GPU (s) 1408 and / or a DLA. In at least one embodiment, data store (s) 1416 may be large enough in capacity to store multiple instances of neural networks for redundancy and safety. In at least one embodiment, data store (s) 1416 may comprise L2 or L3 cache (s) .

[0176] In at least one embodiment, one or more of SoC (s) 1404 may include any number of processor (s) 1410 (e.g., embedded processors) . In at least one embodiment, processor (s) 1410 may include a boot and power management processor that may be a dedicated processor and subsystem to handle boot power and management functions and related security enforcement. In at least one embodiment, a boot and power management processor may be a part of a boot sequence of SoC (s) 1404 and may provide runtime power management services. In at least one embodiment, a boot power and management processor may provide clock and voltage programming, assistance in system low power state transitions, management of SoC (s) 1404 thermals and temperature sensors, and / or management of SoC (s) 1404 power states. In at least one embodiment, each temperature sensor may be implemented as a ring-oscillator whose output frequency is proportional to temperature, and SoC (s) 1404 may use ring-oscillators to detect temperatures of CPU (s) 1406, GPU (s) 1408, and / or accelerator (s) 1414. In at least one embodiment, if temperatures are determined to exceed a threshold, then a boot and power management processor may enter a temperature fault routine and put SoC (s) 1404 into a lower  power state and / or put vehicle 1400 into a chauffeur to safe stop mode (e.g., bring vehicle 1400 to a safe stop) .

[0177] In at least one embodiment, processor (s) 1410 may further include a set of embedded processors that may serve as an audio processing engine which may be an audio subsystem that enables full hardware support for multi-channel audio over multiple interfaces, and a broad and flexible range of audio I / O interfaces. In at least one embodiment, an audio processing engine is a dedicated processor core with a digital signal processor with dedicated RAM.

[0178] In at least one embodiment, processor (s) 1410 may further include an always-on processor engine that may provide necessary hardware features to support low power sensor management and wake use cases. In at least one embodiment, an always-on processor engine may include, without limitation, a processor core, a tightly coupled RAM, supporting peripherals (e.g., timers and interrupt controllers) , various I / O controller peripherals, and routing logic.

[0179] In at least one embodiment, processor (s) 1410 may further include a safety cluster engine that includes, without limitation, a dedicated processor subsystem to handle safety management for automotive applications. In at least one embodiment, a safety cluster engine may include, without limitation, two or more processor cores, a tightly coupled RAM, support peripherals (e.g., timers, an interrupt controller, etc. ) , and / or routing logic. In a safety mode, two or more cores may operate, in at least one embodiment, in a lockstep mode and function as a single core with comparison logic to detect any differences between their operations. In at least one embodiment, processor (s) 1410 may further include a real-time camera engine that may include, without limitation, a dedicated processor subsystem for handling real-time camera management. In at least one embodiment, processor (s) 1410 may further include a high-dynamic range signal processor that may include, without limitation, an image signal processor that is a hardware engine that is part of a camera processing pipeline.

[0180] In at least one embodiment, processor (s) 1410 may include a video image compositor that may be a processing block (e.g., implemented on a microprocessor) that implements video post-processing functions needed by a video playback application to produce a final image for a player window. In at least one embodiment, a video image compositor may perform lens distortion correction on wide-view camera (s) 1470, surround camera (s) 1474, and / or on in-cabin monitoring camera sensor (s) . In at least one embodiment, in-cabin monitoring camera sensor (s)  are preferably monitored by a neural network running on another instance of SoC 1404, configured to identify in cabin events and respond accordingly. In at least one embodiment, an in-cabin system may perform, without limitation, lip reading to activate cellular service and place a phone call, dictate emails, change a vehicle’s destination, activate or change a vehicle’s infotainment system and settings, or provide voice-activated web surfing. In at least one embodiment, certain functions are available to a driver when a vehicle is operating in an autonomous mode and are disabled otherwise.

[0181] In at least one embodiment, a video image compositor may include enhanced temporal noise reduction for both spatial and temporal noise reduction. For example, in at least one embodiment, where motion occurs in a video, noise reduction weights spatial information appropriately, decreasing weights of information provided by adjacent frames. In at least one embodiment, where an image or portion of an image does not include motion, temporal noise reduction performed by video image compositor may use information from a previous image to reduce noise in a current image.

[0182] In at least one embodiment, a video image compositor may also be configured to perform stereo rectification on input stereo lens frames. In at least one embodiment, a video image compositor may further be used for user interface composition when an operating system desktop is in use, and GPU (s) 1408 are not required to continuously render new surfaces. In at least one embodiment, when GPU (s) 1408 are powered on and active doing 3D rendering, a video image compositor may be used to offload GPU (s) 1408 to improve performance and responsiveness.

[0183] In at least one embodiment, one or more SoC of SoC (s) 1404 may further include a mobile industry processor interface ( “MIPI” ) camera serial interface for receiving video and input from cameras, a high-speed interface, and / or a video input block that may be used for a camera and related pixel input functions. In at least one embodiment, one or more of SoC (s) 1404 may further include an input / output controller (s) that may be controlled by software and may be used for receiving I / O signals that are uncommitted to a specific role.

[0184] In at least one embodiment, one or more SoC of SoC (s) 1404 may further include a broad range of peripheral interfaces to enable communication with peripherals, audio encoders / decoders ( “codecs” ) , power management, and / or other devices. In at least one  embodiment, SoC (s) 1404 may be used to process data from cameras (e.g., connected over Gigabit Multimedia Serial Link and Ethernet channels) , sensors (e.g., LIDAR sensor (s) 1464, RADAR sensor (s) 1460, etc. that may be connected over Ethernet channels) , data from bus 1402 (e.g., speed of vehicle 1400, steering wheel position, etc. ) , data from GNSS sensor (s) 1458 (e.g., connected over a Ethernet bus or a CAN bus) , etc. In at least one embodiment, one or more SoC of SoC (s) 1404 may further include dedicated high-performance mass storage controllers that may include their own DMA engines, and that may be used to free CPU (s) 1406 from routine data management tasks.

[0185] In at least one embodiment, SoC (s) 1404 may be an end-to-end platform with a flexible architecture that spans automation Levels 3-5, thereby providing a comprehensive functional safety architecture that leverages and makes efficient use of computer vision and ADAS techniques for diversity and redundancy, and provides a platform for a flexible, reliable driving software stack, along with deep learning tools. In at least one embodiment, SoC (s) 1404 may be faster, more reliable, and even more energy-efficient and space-efficient than conventional systems. For example, in at least one embodiment, accelerator (s) 1414, when combined with CPU (s) 1406, GPU (s) 1408, and data store (s) 1416, may provide for a fast, efficient platform for Level 3-5 autonomous vehicles.

[0186] In at least one embodiment, computer vision algorithms may be executed on CPUs, which may be configured using a high-level programming language, such as C, to execute a wide variety of processing algorithms across a wide variety of visual data. However, in at least one embodiment, CPUs are oftentimes unable to meet performance requirements of many computer vision applications, such as those related to execution time and power consumption, for example. In at least one embodiment, many CPUs are unable to execute complex object detection algorithms in real-time, which is used in in-vehicle ADAS applications and in practical Level 3-5 autonomous vehicles.

[0187] Embodiments described herein allow for multiple neural networks to be performed simultaneously and / or sequentially, and for results to be combined together to enable Level 3-5 autonomous driving functionality. For example, in at least one embodiment, a CNN executing on a DLA or a discrete GPU (e.g., GPU (s) 1420) may include text and word recognition, allowing reading and understanding of traffic signs, including signs for which a neural network  has not been specifically trained. In at least one embodiment, a DLA may further include a neural network that is able to identify, interpret, and provide semantic understanding of a sign, and to pass that semantic understanding to path planning modules running on a CPU Complex.

[0188] In at least one embodiment, multiple neural networks may be run simultaneously, as for Level 3, 4, or 5 driving. For example, in at least one embodiment, a warning sign stating “Caution: flashing lights indicate icy conditions, ” along with an electric light, may be independently or collectively interpreted by several neural networks. In at least one embodiment, such warning sign itself may be identified as a traffic sign by a first deployed neural network (e.g., a neural network that has been trained) , text “flashing lights indicate icy conditions” may be interpreted by a second deployed neural network, which informs a vehicle’s path planning software (preferably executing on a CPU Complex) that when flashing lights are detected, icy conditions exist. In at least one embodiment, a flashing light may be identified by operating a third deployed neural network over multiple frames, informing a vehicle’s path-planning software of a presence (or an absence) of flashing lights. In at least one embodiment, all three neural networks may run simultaneously, such as within a DLA and / or on GPU (s) 1408.

[0189] In at least one embodiment, a CNN for facial recognition and vehicle owner identification may use data from camera sensors to identify presence of an authorized driver and / or owner of vehicle 1400. In at least one embodiment, an always-on sensor processing engine may be used to unlock a vehicle when an owner approaches a driver door and turns on lights, and, in a security mode, to disable such vehicle when an owner leaves such vehicle. In this way, SoC (s) 1404 provide for security against theft and / or carjacking.

[0190] In at least one embodiment, a CNN for emergency vehicle detection and identification may use data from microphones 1496 to detect and identify emergency vehicle sirens. In at least one embodiment, SoC (s) 1404 use a CNN for classifying environmental and urban sounds, as well as classifying visual data. In at least one embodiment, a CNN running on a DLA is trained to identify a relative closing speed of an emergency vehicle (e.g., by using a Doppler effect) . In at least one embodiment, a CNN may also be trained to identify emergency vehicles specific to a local area in which a vehicle is operating, as identified by GNSS sensor (s) 1458. In at least one embodiment, when operating in Europe, a CNN will seek to detect European sirens, and when in North America, a CNN will seek to identify only North American sirens. In at least one  embodiment, once an emergency vehicle is detected, a control program may be used to execute an emergency vehicle safety routine, slowing a vehicle, pulling over to a side of a road, parking a vehicle, and / or idling a vehicle, with assistance of ultrasonic sensor (s) 1462, until emergency vehicles pass.

[0191] In at least one embodiment, vehicle 1400 may include CPU (s) 1418 (e.g., discrete CPU (s) , or dCPU (s) ) , that may be coupled to SoC (s) 1404 via a high-speed interconnect (e.g., PCIe) . In at least one embodiment, CPU (s) 1418 may include an X86 processor, for example. CPU (s) 1418 may be used to perform any of a variety of functions, including arbitrating potentially inconsistent results between ADAS sensors and SoC (s) 1404, and / or monitoring status and health of controller (s) 1436 and / or an infotainment system on a chip ( “infotainment SoC” ) 1430, for example. In at least one embodiment, SoC (s) 1404 includes one or more interconnects, and an interconnect can include a peripheral component interconnect express (PCIe) .

[0192] In at least one embodiment, vehicle 1400 may include GPU (s) 1420 (e.g., discrete GPU (s) , or dGPU (s) ) , that may be coupled to SoC (s) 1404 via a high-speed interconnect (e.g., NVIDIA’s NVLINK channel) . In at least one embodiment, GPU (s) 1420 may provide additional artificial intelligence functionality, such as by executing redundant and / or different neural networks, and may be used to train and / or update neural networks based at least in part on input (e.g., sensor data) from sensors of a vehicle 1400.

[0193] In at least one embodiment, vehicle 1400 may further include network interface 1424 which may include, without limitation, wireless antenna (s) 1426 (e.g., one or more wireless antennas for different communication protocols, such as a cellular antenna, a Bluetooth antenna, etc. ) . In at least one embodiment, network interface 1424 may be used to enable wireless connectivity to Internet cloud services (e.g., with server (s) and / or other network devices) , with other vehicles, and / or with computing devices (e.g., client devices of passengers) . In at least one embodiment, to communicate with other vehicles, a direct link may be established between vehicle 1400 and another vehicle and / or an indirect link may be established (e.g., across networks and over the Internet) . In at least one embodiment, direct links may be provided using a vehicle-to-vehicle communication link. In at least one embodiment, a vehicle-to-vehicle communication link may provide vehicle 1400 information about vehicles in proximity to  vehicle 1400 (e.g., vehicles in front of, on a side of, and / or behind vehicle 1400) . In at least one embodiment, such aforementioned functionality may be part of a cooperative adaptive cruise control functionality of vehicle 1400.

[0194] In at least one embodiment, network interface 1424 may include an SoC that provides modulation and demodulation functionality and enables controller (s) 1436 to communicate over wireless networks. In at least one embodiment, network interface 1424 may include a radio frequency front-end for up-conversion from baseband to radio frequency, and down conversion from radio frequency to baseband. In at least one embodiment, frequency conversions may be performed in any technically feasible fashion. For example, frequency conversions could be performed through well-known processes, and / or using super-heterodyne processes. In at least one embodiment, radio frequency front end functionality may be provided by a separate chip. In at least one embodiment, network interfaces may include wireless functionality for communicating over LTE, WCDMA, UMTS, GSM, CDMA2000, Bluetooth, Bluetooth LE, Wi-Fi, Z-Wave, ZigBee, LoRaWAN, and / or other wireless protocols.

[0195] In at least one embodiment, vehicle 1400 may further include data store (s) 1428 which may include, without limitation, off-chip (e.g., off SoC (s) 1404) storage. In at least one embodiment, data store (s) 1428 may include, without limitation, one or more storage elements including RAM, SRAM, dynamic random-access memory ( “DRAM” ) , video random-access memory ( “VRAM” ) , flash memory, hard disks, and / or other components and / or devices that may store at least one bit of data.

[0196] In at least one embodiment, vehicle 1400 may further include GNSS sensor (s) 1458 (e.g., GPS and / or assisted GPS sensors) , to assist in mapping, perception, occupancy grid generation, and / or path planning functions. In at least one embodiment, any number of GNSS sensor (s) 1458 may be used, including, for example and without limitation, a GPS using a USB connector with an Ethernet-to-Serial (e.g., RS-232) bridge.

[0197] In at least one embodiment, vehicle 1400 may further include RADAR sensor (s) 1460. In at least one embodiment, RADAR sensor (s) 1460 may be used by vehicle 1400 for long-range vehicle detection, even in darkness and / or severe weather conditions. In at least one embodiment, RADAR functional safety levels may be ASIL B. In at least one embodiment, RADAR sensor (s) 1460 may use a CAN bus and / or bus 1402 (e.g., to transmit data generated by RADAR sensor (s)  1460) for control and to access object tracking data, with access to Ethernet channels to access raw data in some examples. In at least one embodiment, a wide variety of RADAR sensor types may be used. For example, and without limitation, RADAR sensor (s) 1460 may be suitable for front, rear, and side RADAR use. In at least one embodiment, one or more sensor of RADAR sensors (s) 1460 is a Pulse Doppler RADAR sensor.

[0198] In at least one embodiment, RADAR sensor (s) 1460 may include different configurations, such as long-range with narrow field of view, short-range with wide field of view, short-range side coverage, etc. In at least one embodiment, long-range RADAR may be used for adaptive cruise control functionality. In at least one embodiment, long-range RADAR systems may provide a broad field of view realized by two or more independent scans, such as within a 250 m (meter) range. In at least one embodiment, RADAR sensor (s) 1460 may help in distinguishing between static and moving objects, and may be used by ADAS system 1438 for emergency brake assist and forward collision warning. In at least one embodiment, sensors 1460 (s) included in a long-range RADAR system may include, without limitation, monostatic multimodal RADAR with multiple (e.g., six or more) fixed RADAR antennae and a high-speed CAN and FlexRay interface. In at least one embodiment, with six antennae, a central four antennae may create a focused beam pattern, designed to record vehicle’s 1400 surroundings at higher speeds with minimal interference from traffic in adjacent lanes. In at least one embodiment, another two antennae may expand field of view, making it possible to quickly detect vehicles entering or leaving a lane of vehicle 1400.

[0199] In at least one embodiment, mid-range RADAR systems may include, as an example, a range of up to 160 m (front) or 80 m (rear) , and a field of view of up to 42 degrees (front) or 150 degrees (rear) . In at least one embodiment, short-range RADAR systems may include, without limitation, any number of RADAR sensor (s) 1460 designed to be installed at both ends of a rear bumper. When installed at both ends of a rear bumper, in at least one embodiment, a RADAR sensor system may create two beams that constantly monitor blind spots in a rear direction and next to a vehicle. In at least one embodiment, short-range RADAR systems may be used in ADAS system 1438 for blind spot detection and / or lane change assist.

[0200] In at least one embodiment, vehicle 1400 may further include ultrasonic sensor (s) 1462. In at least one embodiment, ultrasonic sensor (s) 1462, which may be positioned at a front, a back,  and / or side location of vehicle 1400, may be used for parking assist and / or to create and update an occupancy grid. In at least one embodiment, a wide variety of ultrasonic sensor (s) 1462 may be used, and different ultrasonic sensor (s) 1462 may be used for different ranges of detection (e.g., 2.5 m, 4 m) . In at least one embodiment, ultrasonic sensor (s) 1462 may operate at functional safety levels of ASIL B.

[0201] In at least one embodiment, vehicle 1400 may include LIDAR sensor (s) 1464. In at least one embodiment, LIDAR sensor (s) 1464 may be used for object and pedestrian detection, emergency braking, collision avoidance, and / or other functions. In at least one embodiment, LIDAR sensor (s) 1464 may operate at functional safety level ASIL B. In at least one embodiment, vehicle 1400 may include multiple LIDAR sensors 1464 (e.g., two, four, six, etc. ) that may use an Ethernet channel (e.g., to provide data to a Gigabit Ethernet switch) .

[0202] In at least one embodiment, LIDAR sensor (s) 1464 may be capable of providing a list of objects and their distances for a 360-degree field of view. In at least one embodiment, commercially available LIDAR sensor (s) 1464 may have an advertised range of approximately 100 m, with an accuracy of 2 cm to 3 cm, and with support for a 100 Mbps Ethernet connection, for example. In at least one embodiment, one or more non-protruding LIDAR sensors may be used. In such an embodiment, LIDAR sensor (s) 1464 may include a small device that may be embedded into a front, a rear, a side, and / or a corner location of vehicle 1400. In at least one embodiment, LIDAR sensor (s) 1464, in such an embodiment, may provide up to a 120-degree horizontal and 35-degree vertical field-of-view, with a 200 m range even for low-reflectivity objects. In at least one embodiment, front-mounted LIDAR sensor (s) 1464 may be configured for a horizontal field of view between 45 degrees and 135 degrees.

[0203] In at least one embodiment, LIDAR technologies, such as 3D flash LIDAR, may also be used. In at least one embodiment, 3D flash LIDAR uses a flash of a laser as a transmission source, to illuminate surroundings of vehicle 1400 up to approximately 200 m. In at least one embodiment, a flash LIDAR unit includes, without limitation, a receptor, which records laser pulse transit time and reflected light on each pixel, which in turn corresponds to a range from vehicle 1400 to objects. In at least one embodiment, flash LIDAR may allow for highly accurate and distortion-free images of surroundings to be generated with every laser flash. In at least one embodiment, four flash LIDAR sensors may be deployed, one at each side of vehicle 1400. In at  least one embodiment, 3D flash LIDAR systems include, without limitation, a solid-state 3D staring array LIDAR camera with no moving parts other than a fan (e.g., a non-scanning LIDAR device) . In at least one embodiment, flash LIDAR device may use a 5 nanosecond class I (eye-safe) laser pulse per frame and may capture reflected laser light as a 3D range point cloud and co-registered intensity data.

[0204] In at least one embodiment, vehicle 1400 may further include IMU sensor (s) 1466. In at least one embodiment, IMU sensor (s) 1466 may be located at a center of a rear axle of vehicle 1400. In at least one embodiment, IMU sensor (s) 1466 may include, for example and without limitation, accelerometer (s) , magnetometer (s) , gyroscope (s) , a magnetic compass, magnetic compasses, and / or other sensor types. In at least one embodiment, such as in six-axis applications, IMU sensor (s) 1466 may include, without limitation, accelerometers and gyroscopes. In at least one embodiment, such as in nine-axis applications, IMU sensor (s) 1466 may include, without limitation, accelerometers, gyroscopes, and magnetometers.

[0205] In at least one embodiment, IMU sensor (s) 1466 may be implemented as a miniature, high performance GPS-Aided Inertial Navigation System ( “GPS / INS” ) that combines micro-electro-mechanical systems ( “MEMS” ) inertial sensors, a high-sensitivity GPS receiver, and advanced Kalman filtering algorithms to provide estimates of position, velocity, and attitude. In at least one embodiment, IMU sensor (s) 1466 may enable vehicle 1400 to estimate its heading without requiring input from a magnetic sensor by directly observing and correlating changes in velocity from a GPS to IMU sensor (s) 1466. In at least one embodiment, IMU sensor (s) 1466 and GNSS sensor (s) 1458 may be combined in a single integrated unit.

[0206] In at least one embodiment, vehicle 1400 may include microphone (s) 1496 placed in and / or around vehicle 1400. In at least one embodiment, microphone (s) 1496 may be used for emergency vehicle detection and identification, among other things.

[0207] In at least one embodiment, vehicle 1400 may further include any number of camera types, including stereo camera (s) 1468, wide-view camera (s) 1470, infrared camera (s) 1472, surround camera (s) 1474, long-range camera (s) 1498, mid-range camera (s) 1476, and / or other camera types. In at least one embodiment, cameras may be used to capture image data around an entire periphery of vehicle 1400. In at least one embodiment, which types of cameras used depends on vehicle 1400. In at least one embodiment, any combination of camera types may be  used to provide necessary coverage around vehicle 1400. In at least one embodiment, a number of cameras deployed may differ depending on embodiment. For example, in at least one embodiment, vehicle 1400 could include six cameras, seven cameras, ten cameras, twelve cameras, or another number of cameras. In at least one embodiment, cameras may support, as an example and without limitation, Gigabit Multimedia Serial Link ( “GMSL” ) and / or Gigabit Ethernet communications. In at least one embodiment, each camera might be as described with more detail previously herein with respect to FIG. 14A and FIG. 14B.

[0208] In at least one embodiment, vehicle 1400 may further include vibration sensor (s) 1442. In at least one embodiment, vibration sensor (s) 1442 may measure vibrations of components of vehicle 1400, such as axle (s) . For example, in at least one embodiment, changes in vibrations may indicate a change in road surfaces. In at least one embodiment, when two or more vibration sensors 1442 are used, differences between vibrations may be used to determine friction or slippage of road surface (e.g., when a difference in vibration is between a power-driven axle and a freely rotating axle) .

[0209] In at least one embodiment, vehicle 1400 may include ADAS system 1438. In at least one embodiment, ADAS system 1438 may include, without limitation, an SoC, in some examples. In at least one embodiment, ADAS system 1438 may include, without limitation, any number and combination of an autonomous / adaptive / automatic cruise control ( “ACC” ) system, a cooperative adaptive cruise control ( “CACC” ) system, a forward crash warning ( “FCW” ) system, an automatic emergency braking ( “AEB” ) system, a lane departure warning ( “LDW” ) system, a lane keep assist ( “LKA” ) system, a blind spot warning ( “BSW” ) system, a rear cross-traffic warning ( “RCTW” ) system, a collision warning ( “CW” ) system, a lane centering ( “LC” ) system, and / or other systems, features, and / or functionality.

[0210] In at least one embodiment, ACC system may use RADAR sensor (s) 1460, LIDAR sensor (s) 1464, and / or any number of camera (s) . In at least one embodiment, ACC system may include a longitudinal ACC system and / or a lateral ACC system. In at least one embodiment, a longitudinal ACC system monitors and controls distance to another vehicle immediately ahead of vehicle 1400 and automatically adjusts speed of vehicle 1400 to maintain a safe distance from vehicles ahead. In at least one embodiment, a lateral ACC system performs distance keeping,  and advises vehicle 1400 to change lanes when necessary. In at least one embodiment, a lateral ACC is related to other ADAS applications, such as LC and CW.

[0211] In at least one embodiment, a CACC system uses information from other vehicles that may be received via network interface 1424 and / or wireless antenna (s) 1426 from other vehicles via a wireless link, or indirectly, over a network connection (e.g., over the Internet) . In at least one embodiment, direct links may be provided by a vehicle-to-vehicle ( “V2V” ) communication link, while indirect links may be provided by an infrastructure-to-vehicle ( “I2V” ) communication link. In general, V2V communication provides information about immediately preceding vehicles (e.g., vehicles immediately ahead of and in same lane as vehicle 1400) , while I2V communication provides information about traffic further ahead. In at least one embodiment, a CACC system may include either or both I2V and V2V information sources. In at least one embodiment, given information of vehicles ahead of vehicle 1400, a CACC system may be more reliable and it has potential to improve traffic flow smoothness and reduce congestion on road.

[0212] In at least one embodiment, an FCW system is designed to alert a driver to a hazard, so that such driver may take corrective action. In at least one embodiment, an FCW system uses a front-facing camera and / or RADAR sensor (s) 1460, coupled to a dedicated processor, DSP, FPGA, and / or ASIC, that is electrically coupled to provide driver feedback, such as a display, speaker, and / or vibrating component. In at least one embodiment, an FCW system may provide a warning, such as in form of a sound, visual warning, vibration and / or a quick brake pulse.

[0213] In at least one embodiment, an AEB system detects an impending forward collision with another vehicle or other object, and may automatically apply brakes if a driver does not take corrective action within a specified time or distance parameter. In at least one embodiment, AEB system may use front-facing camera (s) and / or RADAR sensor (s) 1460, coupled to a dedicated processor, DSP, FPGA, and / or ASIC. In at least one embodiment, when an AEB system detects a hazard, it will typically first alert a driver to take corrective action to avoid collision and, if that driver does not take corrective action, that AEB system may automatically apply brakes in an effort to prevent, or at least mitigate, an impact of a predicted collision. In at least one embodiment, an AEB system may include techniques such as dynamic brake support and / or crash imminent braking.

[0214] In at least one embodiment, an LDW system provides visual, audible, and / or tactile warnings, such as steering wheel or seat vibrations, to alert driver when vehicle 1400 crosses lane markings. In at least one embodiment, an LDW system does not activate when a driver indicates an intentional lane departure, such as by activating a turn signal. In at least one embodiment, an LDW system may use front-side facing cameras, coupled to a dedicated processor, DSP, FPGA, and / or ASIC, that is electrically coupled to provide driver feedback, such as a display, speaker, and / or vibrating component. In at least one embodiment, an LKA system is a variation of an LDW system. In at least one embodiment, an LKA system provides steering input or braking to correct vehicle 1400 if vehicle 1400 starts to exit its lane.

[0215] In at least one embodiment, a BSW system detects and warns a driver of vehicles in an automobile’s blind spot. In at least one embodiment, a BSW system may provide a visual, audible, and / or tactile alert to indicate that merging or changing lanes is unsafe. In at least one embodiment, a BSW system may provide an additional warning when a driver uses a turn signal. In at least one embodiment, a BSW system may use rear-side facing camera (s) and / or RADAR sensor (s) 1460, coupled to a dedicated processor, DSP, FPGA, and / or ASIC, that is electrically coupled to driver feedback, such as a display, speaker, and / or vibrating component.

[0216] In at least one embodiment, an RCTW system may provide visual, audible, and / or tactile notification when an object is detected outside a rear-camera range when vehicle 1400 is backing up. In at least one embodiment, an RCTW system includes an AEB system to ensure that vehicle brakes are applied to avoid a crash. In at least one embodiment, an RCTW system may use one or more rear-facing RADAR sensor (s) 1460, coupled to a dedicated processor, DSP, FPGA, and / or ASIC, that is electrically coupled to provide driver feedback, such as a display, speaker, and / or vibrating component.

[0217] In at least one embodiment, conventional ADAS systems may be prone to false positive results which may be annoying and distracting to a driver, but typically are not catastrophic, because conventional ADAS systems alert a driver and allow that driver to decide whether a safety condition truly exists and act accordingly. In at least one embodiment, vehicle 1400 itself decides, in case of conflicting results, whether to heed result from a primary computer or a secondary computer (e.g., a first controller or a second controller of controllers 1436) . For example, in at least one embodiment, ADAS system 1438 may be a backup and / or secondary  computer for providing perception information to a backup computer rationality module. In at least one embodiment, a backup computer rationality monitor may run redundant diverse software on hardware components to detect faults in perception and dynamic driving tasks. In at least one embodiment, outputs from ADAS system 1438 may be provided to a supervisory MCU. In at least one embodiment, if outputs from a primary computer and outputs from a secondary computer conflict, a supervisory MCU determines how to reconcile conflict to ensure safe operation.

[0218] In at least one embodiment, a primary computer may be configured to provide a supervisory MCU with a confidence score, indicating that primary computer’s confidence in a chosen result. In at least one embodiment, if that confidence score exceeds a threshold, that supervisory MCU may follow that primary computer’s direction, regardless of whether that secondary computer provides a conflicting or inconsistent result. In at least one embodiment, where a confidence score does not meet a threshold, and where primary and secondary computers indicate different results (e.g., a conflict) , a supervisory MCU may arbitrate between computers to determine an appropriate outcome.

[0219] In at least one embodiment, a supervisory MCU may be configured to run a neural network (s) that is trained and configured to determine, based at least in part on outputs from a primary computer and outputs from a secondary computer, conditions under which that secondary computer provides false alarms. In at least one embodiment, neural network (s) in a supervisory MCU may learn when a secondary computer’s output may be trusted, and when it cannot. For example, in at least one embodiment, when that secondary computer is a RADAR-based FCW system, a neural network (s) in that supervisory MCU may learn when an FCW system is identifying metallic objects that are not, in fact, hazards, such as a drainage grate or manhole cover that triggers an alarm. In at least one embodiment, when a secondary computer is a camera-based LDW system, a neural network in a supervisory MCU may learn to override LDW when bicyclists or pedestrians are present and a lane departure is, in fact, a safest maneuver. In at least one embodiment, a supervisory MCU may include at least one of a DLA or a GPU suitable for running neural network (s) with associated memory. In at least one embodiment, a supervisory MCU may comprise and / or be included as a component of SoC (s) 1404.

[0220] In at least one embodiment, ADAS system 1438 may include a secondary computer that performs ADAS functionality using traditional rules of computer vision. In at least one embodiment, that secondary computer may use classic computer vision rules (if-then) , and presence of a neural network (s) in a supervisory MCU may improve reliability, safety and performance. For example, in at least one embodiment, diverse implementation and intentional non-identity makes an overall system more fault-tolerant, especially to faults caused by software (or software-hardware interface) functionality. For example, in at least one embodiment, if there is a software bug or error in software running on a primary computer, and non-identical software code running on a secondary computer provides a consistent overall result, then a supervisory MCU may have greater confidence that an overall result is correct, and a bug in software or hardware on that primary computer is not causing a material error.

[0221] In at least one embodiment, an output of ADAS system 1438 may be fed into a primary computer’s perception block and / or a primary computer’s dynamic driving task block. For example, in at least one embodiment, if ADAS system 1438 indicates a forward crash warning due to an object immediately ahead, a perception block may use this information when identifying objects. In at least one embodiment, a secondary computer may have its own neural network that is trained and thus reduces a risk of false positives, as described herein.

[0222] In at least one embodiment, vehicle 1400 may further include infotainment SoC 1430 (e.g., an in-vehicle infotainment system (IVI) ) . Although illustrated and described as an SoC, infotainment system SoC 1430, in at least one embodiment, may not be an SoC, and may include, without limitation, two or more discrete components. In at least one embodiment, infotainment SoC 1430 may include, without limitation, a combination of hardware and software that may be used to provide audio (e.g., music, a personal digital assistant, navigational instructions, news, radio, etc. ) , video (e.g., TV, movies, streaming, etc. ) , phone (e.g., hands-free calling) , network connectivity (e.g., LTE, WiFi, etc. ) , and / or information services (e.g., navigation systems, rear-parking assistance, a radio data system, vehicle related information such as fuel level, total distance covered, brake fuel level, oil level, door open / close, air filter information, etc. ) to vehicle 1400. For example, infotainment SoC 1430 could include radios, disk players, navigation systems, video players, USB and Bluetooth connectivity, carputers, in-car entertainment, WiFi, steering wheel audio controls, hands free voice control, a heads-up display  ( “HUD” ) , HMI display 1434, a telematics device, a control panel (e.g., for controlling and / or interacting with various components, features, and / or systems) , and / or other components. In at least one embodiment, infotainment SoC 1430 may further be used to provide information (e.g., visual and / or audible) to user (s) of vehicle 1400, such as information from ADAS system 1438, autonomous driving information such as planned vehicle maneuvers, trajectories, surrounding environment information (e.g., intersection information, vehicle information, road information, etc. ) , and / or other information.

[0223] In at least one embodiment, infotainment SoC 1430 may include any amount and type of GPU functionality. In at least one embodiment, infotainment SoC 1430 may communicate over bus 1402 with other devices, systems, and / or components of vehicle 1400. In at least one embodiment, infotainment SoC 1430 may be coupled to a supervisory MCU such that a GPU of an infotainment system may perform some self-driving functions in event that primary controller (s) 1436 (e.g., primary and / or backup computers of vehicle 1400) fail. In at least one embodiment, infotainment SoC 1430 may put vehicle 1400 into a chauffeur to safe stop mode, as described herein.

[0224] In at least one embodiment, vehicle 1400 may further include instrument cluster 1432 (e.g., a digital dash, an electronic instrument cluster, a digital instrument panel, etc. ) . In at least one embodiment, instrument cluster 1432 may include, without limitation, a controller and / or supercomputer (e.g., a discrete controller or supercomputer) . In at least one embodiment, instrument cluster 1432 may include, without limitation, any number and combination of a set of instrumentation such as a speedometer, fuel level, oil pressure, tachometer, odometer, turn indicators, gearshift position indicator, seat belt warning light (s) , parking-brake warning light (s) , engine-malfunction light (s) , supplemental restraint system (e.g., airbag) information, lighting controls, safety system controls, navigation information, etc. In some examples, information may be displayed and / or shared among infotainment SoC 1430 and instrument cluster 1432. In at least one embodiment, instrument cluster 1432 may be included as part of infotainment SoC 1430, or vice versa.

[0225] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non- transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0226] FIG. 14D is a diagram of a system for communication between cloud-based server (s) and autonomous vehicle 1400 of FIG. 14A, according to at least one embodiment. In at least one embodiment, system may include, without limitation, server (s) 1478, network (s) 1490, and any number and type of vehicles, including vehicle 1400. In at least one embodiment, server (s) 1478 may include, without limitation, a plurality of GPUs 1484 (A) -1484 (H) (collectively referred to herein as GPUs 1484) , PCIe switches 1482 (A) -1482 (D) (collectively referred to herein as PCIe switches 1482) , and / or CPUs 1480 (A) -1480 (B) (collectively referred to herein as CPUs 1480) . In at least one embodiment, GPUs 1484, CPUs 1480, and PCIe switches 1482 may be interconnected with high-speed interconnects such as, for example and without limitation, NVLink interfaces 1488 developed by NVIDIA and / or PCIe connections 1486. In at least one embodiment, GPUs 1484 are connected via an NVLink and / or NVSwitch SoC and GPUs 1484 and PCIe switches 1482 are connected via PCIe interconnects. Although eight GPUs 1484, two CPUs 1480, and four PCIe switches 1482 are illustrated, this is not intended to be limiting. In at least one embodiment, each of server (s) 1478 may include, without limitation, any number of GPUs 1484, CPUs 1480, and / or PCIe switches 1482, in any combination. For example, in at least one embodiment, server (s) 1478 could each include eight, sixteen, thirty-two, and / or more GPUs 1484.

[0227] In at least one embodiment, server (s) 1478 may receive, over network (s) 1490 and from vehicles, image data representative of images showing unexpected or changed road conditions, such as recently commenced road-work. In at least one embodiment, server (s) 1478 may transmit, over network (s) 1490 and to vehicles, neural networks 1492, updated or otherwise, and / or map information 1494, including, without limitation, information regarding traffic and road conditions. In at least one embodiment, updates to map information 1494 may include, without limitation, updates for HD map 1422, such as information regarding construction sites, potholes, detours, flooding, and / or other obstructions. In at least one embodiment, neural networks 1492, and / or map information 1494 may have resulted from new training and / or experiences represented in data received from any number of vehicles in an environment, and / or  based at least in part on training performed at a data center (e.g., using server (s) 1478 and / or other servers) .

[0228] In at least one embodiment, server (s) 1478 may be used to train machine learning models (e.g., neural networks) based at least in part on training data. In at least one embodiment, training data may be generated by vehicles, and / or may be generated in a simulation (e.g., using a game engine) . In at least one embodiment, any amount of training data is tagged (e.g., where associated neural network benefits from supervised learning) and / or undergoes other pre-processing. In at least one embodiment, any amount of training data is not tagged and / or pre-processed (e.g., where associated neural network does not require supervised learning) . In at least one embodiment, once machine learning models are trained, machine learning models may be used by vehicles (e.g., transmitted to vehicles over network (s) 1490) , and / or machine learning models may be used by server (s) 1478 to remotely monitor vehicles.

[0229] In at least one embodiment, server (s) 1478 may receive data from vehicles and apply data to up-to-date real-time neural networks for real-time intelligent inferencing. In at least one embodiment, server (s) 1478 may include deep-learning supercomputers and / or dedicated AI computers powered by GPU (s) 1484, such as a DGX and DGX Station machines developed by NVIDIA. However, in at least one embodiment, server (s) 1478 may include deep learning infrastructure that uses CPU-powered data centers.

[0230] In at least one embodiment, deep-learning infrastructure of server (s) 1478 may be capable of fast, real-time inferencing, and may use that capability to evaluate and verify health of processors, software, and / or associated hardware in vehicle 1400. For example, in at least one embodiment, deep-learning infrastructure may receive periodic updates from vehicle 1400, such as a sequence of images and / or objects that vehicle 1400 has located in that sequence of images (e.g., via computer vision and / or other machine learning object classification techniques) . In at least one embodiment, deep-learning infrastructure may run its own neural network to identify objects and compare them with objects identified by vehicle 1400 and, if results do not match and deep-learning infrastructure concludes that AI in vehicle 1400 is malfunctioning, then server (s) 1478 may transmit a signal to vehicle 1400 instructing a fail-safe computer of vehicle 1400 to assume control, notify passengers, and complete a safe parking maneuver.

[0231] In at least one embodiment, server (s) 1478 may include GPU (s) 1484 and one or more programmable inference accelerators (e.g., NVIDIA’s TensorRT 3 devices) . In at least one embodiment, a combination of GPU-powered servers and inference acceleration may make real-time responsiveness possible. In at least one embodiment, such as where performance is less critical, servers powered by CPUs, FPGAs, and other processors may be used for inferencing. In at least one embodiment, hardware structure (s) 1115 are used to perform one or more embodiments. Details regarding hardware structure (s) 1115 are provided herein in conjunction with FIGS. 11A and / or 11B.

[0232] COMPUTER SYSTEMS

[0233] FIG. 15 is a block diagram illustrating an exemplary computer system, which may be a system with interconnected devices and components, a system-on-a-chip (SOC) or some combination thereof formed with a processor that may include execution units to execute an instruction, according to at least one embodiment. In at least one embodiment, a computer system 1500 may include, without limitation, a component, such as a processor 1502 to employ execution units including logic to perform algorithms for process data, in accordance with present disclosure, such as in embodiment described herein. In at least one embodiment, computer system 1500 may include processors, such as Processor family, XeonTM,  XScaleTM and / or StrongARMTM,  CoreTM, or NervanaTM microprocessors available from Intel Corporation of Santa Clara, California, although other systems (including PCs having other microprocessors, engineering workstations, set-top boxes and like) may also be used. In at least one embodiment, computer system 1500 may execute a version of WINDOWS operating system available from Microsoft Corporation of Redmond, Wash., although other operating systems (UNIX and Linux, for example) , embedded software, and / or graphical user interfaces, may also be used.

[0234] Embodiments may be used in other devices such as handheld devices and embedded applications. Some examples of handheld devices include cellular phones, Internet Protocol devices, digital cameras, personal digital assistants ( “PDAs” ) , and handheld PCs. In at least one embodiment, embedded applications may include a microcontroller, a digital signal processor ( “DSP” ) , system on a chip, network computers ( “NetPCs” ) , set-top boxes, network hubs, wide  area network ( “WAN” ) switches, or any other system that may perform one or more instructions in accordance with at least one embodiment.

[0235] In at least one embodiment, computer system 1500 may include, without limitation, processor 1502 that may include, without limitation, one or more execution units 1508 to perform machine learning model training and / or inferencing according to techniques described herein. In at least one embodiment, computer system 1500 is a single processor desktop or server system, but in another embodiment, computer system 1500 may be a multiprocessor system. In at least one embodiment, processor 1502 may include, without limitation, a complex instruction set computer ( “CISC” ) microprocessor, a reduced instruction set computing ( “RISC” ) microprocessor, a very long instruction word ( “VLIW” ) microprocessor, a processor implementing a combination of instruction sets, or any other processor device, such as a digital signal processor, for example. In at least one embodiment, processor 1502 may be coupled to a processor bus 1510 that may transmit data signals between processor 1502 and other components in computer system 1500.

[0236] In at least one embodiment, processor 1502 may include, without limitation, a Level 1 ( “L1” ) internal cache memory ( “cache” ) 1504. In at least one embodiment, processor 1502 may have a single internal cache or multiple levels of internal cache. In at least one embodiment, cache memory may reside external to processor 1502. Other embodiments may also include a combination of both internal and external caches depending on particular implementation and needs. In at least one embodiment, a register file 1506 may store different types of data in various registers including, without limitation, integer registers, floating point registers, status registers, and an instruction pointer register.

[0237] In at least one embodiment, execution unit 1508, including, without limitation, logic to perform integer and floating point operations, also resides in processor 1502. In at least one embodiment, processor 1502 may also include a microcode ( “ucode” ) read only memory ( “ROM” ) that stores microcode for certain macro instructions. In at least one embodiment, execution unit 1508 may include logic to handle a packed instruction set 1509. In at least one embodiment, by including packed instruction set 1509 in an instruction set of a general-purpose processor, along with associated circuitry to execute instructions, operations used by many multimedia applications may be performed using packed data in processor 1502. In at least one  embodiment, many multimedia applications may be accelerated and executed more efficiently by using a full width of a processor’s data bus for performing operations on packed data, which may eliminate a need to transfer smaller units of data across that processor’s data bus to perform one or more operations one data element at a time.

[0238] In at least one embodiment, execution unit 1508 may also be used in microcontrollers, embedded processors, graphics devices, DSPs, and other types of logic circuits. In at least one embodiment, computer system 1500 may include, without limitation, a memory 1520. In at least one embodiment, memory 1520 may be a Dynamic Random Access Memory ( “DRAM” ) device, a Static Random Access Memory ( “SRAM” ) device, a flash memory device, or another memory device. In at least one embodiment, memory 1520 may store instruction (s) 1519 and / or data 1521 represented by data signals that may be executed by processor 1502.

[0239] In at least one embodiment, a system logic chip may be coupled to processor bus 1510 and memory 1520. In at least one embodiment, a system logic chip may include, without limitation, a memory controller hub ( “MCH” ) 1516, and processor 1502 may communicate with MCH 1516 via processor bus 1510. In at least one embodiment, MCH 1516 may provide a high bandwidth memory path 1518 to memory 1520 for instruction and data storage and for storage of graphics commands, data and textures. In at least one embodiment, MCH 1516 may direct data signals between processor 1502, memory 1520, and other components in computer system 1500 and to bridge data signals between processor bus 1510, memory 1520, and a system I / O interface 1522. In at least one embodiment, a system logic chip may provide a graphics port for coupling to a graphics controller. In at least one embodiment, MCH 1516 may be coupled to memory 1520 through high bandwidth memory path 1518 and a graphics / video card 1512 may be coupled to MCH 1516 through an Accelerated Graphics Port ( “AGP” ) interconnect 1514.

[0240] In at least one embodiment, computer system 1500 may use system I / O interface 1522 as a proprietary hub interface bus to couple MCH 1516 to an I / O controller hub ( “ICH” ) 1530. In at least one embodiment, ICH 1530 may provide direct connections to some I / O devices via a local I / O bus. In at least one embodiment, a local I / O bus may include, without limitation, a high-speed I / O bus for connecting peripherals to memory 1520, a chipset, and processor 1502. Examples may include, without limitation, an audio controller 1529, a firmware hub ( “flash BIOS” ) 1528, a wireless transceiver 1526, a data storage 1524, a legacy I / O controller 1523  containing user input and keyboard interfaces 1525, a serial expansion port 1527, such as a Universal Serial Bus ( “USB” ) port, and a network controller 1534. In at least one embodiment, data storage 1524 may comprise a hard disk drive, a floppy disk drive, a CD-ROM device, a flash memory device, or other mass storage device.

[0241] In at least one embodiment, FIG. 15 illustrates a system, which includes interconnected hardware devices or “chips” , whereas in other embodiments, FIG. 15 may illustrate an exemplary SoC. In at least one embodiment, devices illustrated in FIG. 15 may be interconnected with proprietary interconnects, standardized interconnects (e.g., PCIe) or some combination thereof. In at least one embodiment, one or more components of computer system 1500 are interconnected using compute express link (CXL) interconnects.

[0242] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in computer system 1500 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0243] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0244] FIG. 16 is a block diagram illustrating an electronic device 1600 for utilizing a processor 1610, according to at least one embodiment. In at least one embodiment, electronic device 1600 may be, for example and without limitation, a notebook, a tower server, a rack server, a blade server, a laptop, a desktop, a tablet, a mobile device, a phone, an embedded computer, or any other suitable electronic device.

[0245] In at least one embodiment, electronic device 1600 may include, without limitation, processor 1610 communicatively coupled to any suitable number or kind of components, peripherals, modules, or devices. In at least one embodiment, processor 1610 is coupled using a  bus or interface, such as a I2C bus, a System Management Bus ( “SMBus” ) , a Low Pin Count (LPC) bus, a Serial Peripheral Interface ( “SPI” ) , a High Definition Audio ( “HDA” ) bus, a Serial Advance Technology Attachment ( “SATA” ) bus, a Universal Serial Bus ( “USB” ) (versions 1, 2, 3, etc. ) , or a Universal Asynchronous Receiver / Transmitter ( “UART” ) bus. In at least one embodiment, FIG. 16 illustrates a system, which includes interconnected hardware devices or “chips” , whereas in other embodiments, FIG. 16 may illustrate an exemplary SoC. In at least one embodiment, devices illustrated in FIG. 16 may be interconnected with proprietary interconnects, standardized interconnects (e.g., PCIe) or some combination thereof. In at least one embodiment, one or more components of FIG. 16 are interconnected using compute express link (CXL) interconnects.

[0246] In at least one embodiment, FIG. 16 may include a display 1624, a touch screen 1625, a touch pad 1630, a Near Field Communications unit ( “NFC” ) 1645, a sensor hub 1640, a thermal sensor 1646, an Express Chipset ( “EC” ) 1635, a Trusted Platform Module ( “TPM” ) 1638, BIOS / firmware / flash memory ( “BIOS, FW Flash” ) 1622, a DSP 1660, a drive 1620 such as a Solid State Disk ( “SSD” ) or a Hard Disk Drive ( “HDD” ) , a wireless local area network unit ( “WLAN” ) 1650, a Bluetooth unit 1652, a Wireless Wide Area Network unit ( “WWAN” ) 1656, a Global Positioning System (GPS) unit 1655, a camera ( “USB 3.0 camera” ) 1654 such as a USB 3.0 camera, and / or a Low Power Double Data Rate ( “LPDDR” ) memory unit ( “LPDDR3” ) 1615 implemented in, for example, an LPDDR3 standard. These components may each be implemented in any suitable manner.

[0247] In at least one embodiment, other components may be communicatively coupled to processor 1610 through components described herein. In at least one embodiment, an accelerometer 1641, an ambient light sensor ( “ALS” ) 1642, a compass 1643, and a gyroscope 1644 may be communicatively coupled to sensor hub 1640. In at least one embodiment, a thermal sensor 1639, a fan 1637, a keyboard 1636, and touch pad 1630 may be communicatively coupled to EC 1635. In at least one embodiment, speakers 1663, headphones 1664, and a microphone ( “mic” ) 1665 may be communicatively coupled to an audio unit ( “audio codec and class D amp” ) 1662, which may in turn be communicatively coupled to DSP 1660. In at least one embodiment, audio unit 1662 may include, for example and without limitation, an audio coder / decoder ( “codec” ) and a class D amplifier. In at least one embodiment, a SIM card  ( “SIM” ) 1657 may be communicatively coupled to WWAN unit 1656. In at least one embodiment, components such as WLAN unit 1650 and Bluetooth unit 1652, as well as WWAN unit 1656 may be implemented in a Next Generation Form Factor ( “NGFF” ) .

[0248] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in electronic device 1600 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0249] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0250] FIG. 17 illustrates a computer system 1700, according to at least one embodiment. In at least one embodiment, computer system 1700 is configured to implement various processes and methods described throughout this disclosure.

[0251] In at least one embodiment, computer system 1700 comprises, without limitation, at least one central processing unit ( “CPU” ) 1702 that is connected to a communication bus 1710 implemented using any suitable protocol, such as PCI ( “Peripheral Component Interconnect” ) , peripheral component interconnect express ( “PCI-Express” ) , AGP ( “Accelerated Graphics Port” ) , HyperTransport, or any other bus or point-to-point communication protocol (s) . In at least one embodiment, computer system 1700 includes, without limitation, a main memory 1704 and control logic (e.g., implemented as hardware, software, or a combination thereof) and data are stored in main memory 1704, which may take form of random access memory ( “RAM” ) . In at least one embodiment, a network interface subsystem ( “network interface” ) 1722 provides an interface to other computing devices and networks for receiving data from and transmitting data to other systems with computer system 1700.

[0252] In at least one embodiment, computer system 1700, in at least one embodiment, includes, without limitation, input devices 1708, a parallel processing system 1712, and display devices 1706 that can be implemented using a conventional cathode ray tube ( “CRT” ) , a liquid crystal display ( “LCD” ) , a light emitting diode ( “LED” ) display, a plasma display, or other suitable display technologies. In at least one embodiment, user input is received from input devices 1708 such as keyboard, mouse, touchpad, microphone, etc. In at least one embodiment, each module described herein can be situated on a single semiconductor platform to form a processing system.

[0253] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding inference and / or training logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in computer system 1700 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0254] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0255] FIG. 18 illustrates a computer system 1800, according to at least one embodiment. In at least one embodiment, computer system 1800 includes, without limitation, a computer 1810 and a USB stick 1820. In at least one embodiment, computer 1810 may include, without limitation, any number and type of processor (s) (not shown) and a memory (not shown) . In at least one embodiment, computer 1810 includes, without limitation, a server, a cloud instance, a laptop, and a desktop computer.

[0256] In at least one embodiment, USB stick 1820 includes, without limitation, a processing unit 1830, a USB interface 1840, and USB interface logic 1850. In at least one embodiment, processing unit 1830 may be any instruction execution system, apparatus, or device capable of executing instructions. In at least one embodiment, processing unit 1830 may include, without limitation, any number and type of processing cores (not shown) . In at least one embodiment,  processing unit 1830 comprises an application specific integrated circuit ( “ASIC” ) that is optimized to perform any amount and type of operations associated with machine learning. For instance, in at least one embodiment, processing unit 1830 is a tensor processing unit ( “TPC” ) that is optimized to perform machine learning inference operations. In at least one embodiment, processing unit 1830 is a vision processing unit ( “VPU” ) that is optimized to perform machine vision and machine learning inference operations.

[0257] In at least one embodiment, USB interface 1840 may be any type of USB connector or USB socket. For instance, in at least one embodiment, USB interface 1840 is a USB 3.0 Type-C socket for data and power. In at least one embodiment, USB interface 1840 is a USB 3.0 Type-A connector. In at least one embodiment, USB interface logic 1850 may include any amount and type of logic that enables processing unit 1830 to interface with devices (e.g., computer 1810) via USB connector 1840.

[0258] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in computer system 1800 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0259] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0260] FIG. 19A illustrates an exemplary architecture in which a plurality of GPUs 1910 (1) -1910 (N) is communicatively coupled to a plurality of multi-core processors 1905 (1) -1905 (M) over high-speed links 1940 (1) -1940 (N) (e.g., buses, point-to-point interconnects, etc. ) . In at least one embodiment, high-speed links 1940 (1) -1940 (N) support a communication throughput of 4 GB / s, 30 GB / s, 80 GB / s or higher. In at least one embodiment, various interconnect protocols may be used including, but not limited to, PCIe 4.0 or 5.0 and NVLink 2.0. In various figures, “N” and “M” represent positive integers, values of which may be different from figure to  figure. In at least one embodiment, one or more GPUs in a plurality of GPUs 1910 (1) -1910 (N) includes one or more graphics cores (also referred to simply as “cores” ) 2200 as disclosed in Figures 22A and 22B. In at least one embodiment, one or more graphics cores 2200 may be referred to as streaming multiprocessors ( “SMs” ) , stream processors ( “SPs” ) , stream processing units ( “SPUs” ) , compute units ( “CUs” ) , execution units ( “EUs” ) , and / or slices, where a slice in this context can refer to a portion of processing resources in a processing unit (e.g., 16 cores, a ray tracing unit, a thread director or scheduler) .

[0261] In addition, and in at least one embodiment, two or more of GPUs 1910 are interconnected over high-speed links 1929 (1) -1929 (2) , which may be implemented using similar or different protocols / links than those used for high-speed links 1940 (1) -1940 (N) . Similarly, two or more of multi-core processors 1905 may be connected over a high-speed link 1928 which may be symmetric multi-processor (SMP) buses operating at 20 GB / s, 30 GB / s, 120 GB / s or higher. Alternatively, all communication between various system components shown in FIG. 19A may be accomplished using similar protocols / links (e.g., over a common interconnection fabric) .

[0262] In at least one embodiment, each multi-core processor 1905 is communicatively coupled to a processor memory 1901 (1) -1901 (M) , via memory interconnects 1926 (1) -1926 (M) , respectively, and each GPU 1910 (1) -1910 (N) is communicatively coupled to GPU memory 1920 (1) -1920 (N) over GPU memory interconnects 1950 (1) -1950 (N) , respectively. In at least one embodiment, memory interconnects 1926 and 1950 may utilize similar or different memory access technologies. By way of example, and not limitation, processor memories 1901 (1) -1901 (M) and GPU memories 1920 may be volatile memories such as dynamic random access memories (DRAMs) (including stacked DRAMs) , Graphics DDR SDRAM (GDDR) (e.g., GDDR5, GDDR6) , or High Bandwidth Memory (HBM) and / or may be non-volatile memories such as 3D XPoint or Nano-Ram. In at least one embodiment, some portion of processor memories 1901 may be volatile memory and another portion may be non-volatile memory (e.g., using a two-level memory (2LM) hierarchy) .

[0263] As described herein, although various multi-core processors 1905 and GPUs 1910 may be physically coupled to a particular memory 1901, 1920, respectively, and / or a unified memory architecture may be implemented in which a virtual system address space (also referred to as “effective address” space) is distributed among various physical memories. For example,  processor memories 1901 (1) -1901 (M) may each comprise 64 GB of system memory address space and GPU memories 1920 (1) -1920 (N) may each comprise 32 GB of system memory address space resulting in a total of 256 GB addressable memory when M=2 and N=4. Other values for N and M are possible.

[0264] FIG. 19B illustrates additional details for an interconnection between a multi-core processor 1907 and a graphics acceleration module 1946 in accordance with one exemplary embodiment. In at least one embodiment, graphics acceleration module 1946 may include one or more GPU chips integrated on a line card which is coupled to processor 1907 via high-speed link 1940 (e.g., a PCIe bus, NVLink, etc. ) . In at least one embodiment, graphics acceleration module 1946 may alternatively be integrated on a package or chip with processor 1907.

[0265] In at least one embodiment, processor 1907 includes a plurality of cores 1960A-1960D (which may be referred to as “execution units” ) , each with a translation lookaside buffer ( “TLB” ) 1961A-1961D and one or more caches 1962A-1962D. In at least one embodiment, cores 1960A-1960D may include various other components for executing instructions and processing data that are not illustrated. In at least one embodiment, caches 1962A-1962D may comprise Level 1 (L1) and Level 2 (L2) caches. In addition, one or more shared caches 1956 may be included in caches 1962A-1962D and shared by sets of cores 1960A-1960D. For example, one embodiment of processor 1907 includes 24 cores, each with its own L1 cache, twelve shared L2 caches, and twelve shared L3 caches. In this embodiment, one or more L2 and L3 caches are shared by two adjacent cores. In at least one embodiment, processor 1907 and graphics acceleration module 1946 connect with system memory 1914, which may include processor memories 1901 (1) -1901 (M) of FIG. 19A.

[0266] In at least one embodiment, coherency is maintained for data and instructions stored in various caches 1962A-1962D, 1956 and system memory 1914 via inter-core communication over a coherence bus 1964. In at least one embodiment, for example, each cache may have cache coherency logic / circuitry associated therewith to communicate to over coherence bus 1964 in response to detected reads or writes to particular cache lines. In at least one embodiment, a cache snooping protocol is implemented over coherence bus 1964 to snoop cache accesses.

[0267] In at least one embodiment, a proxy circuit 1925 communicatively couples graphics acceleration module 1946 to coherence bus 1964, allowing graphics acceleration module 1946 to  participate in a cache coherence protocol as a peer of cores 1960A-1960D. In particular, in at least one embodiment, an interface 1935 provides connectivity to proxy circuit 1925 over high-speed link 1940 and an interface 1937 connects graphics acceleration module 1946 to high-speed link 1940.

[0268] In at least one embodiment, an accelerator integration circuit 1936 provides cache management, memory access, context management, and interrupt management services on behalf of a plurality of graphics processing engines 1931 (1) -1931 (N) of graphics acceleration module 1946. In at least one embodiment, graphics processing engines 1931 (1) -1931 (N) may each comprise a separate graphics processing unit (GPU) . In at least one embodiment, plurality of graphics processing engines 1931 (1) -1931 (N) of graphics acceleration module 1946 include one or more graphics cores 2200 as discussed in connection with Figures 22A and 22B. In at least one embodiment, graphics processing engines 1931 (1) -1931 (N) alternatively may comprise different types of graphics processing engines within a GPU, such as graphics execution units, media processing engines (e.g., video encoders / decoders) , samplers, and blit engines. In at least one embodiment, graphics acceleration module 1946 may be a GPU with a plurality of graphics processing engines 1931 (1) -1931 (N) or graphics processing engines 1931 (1) -1931 (N) may be individual GPUs integrated on a common package, line card, or chip.

[0269] In at least one embodiment, accelerator integration circuit 1936 includes a memory management unit (MMU) 1939 for performing various memory management functions such as virtual-to-physical memory translations (also referred to as effective-to-real memory translations) and memory access protocols for accessing system memory 1914. In at least one embodiment, MMU 1939 may also include a translation lookaside buffer (TLB) (not shown) for caching virtual / effective to physical / real address translations. In at least one embodiment, a cache 1938 can store commands and data for efficient access by graphics processing engines 1931 (1) -1931 (N) . In at least one embodiment, data stored in cache 1938 and graphics memories 1933 (1) -1933 (M) is kept coherent with core caches 1962A-1962D, 1956 and system memory 1914, possibly using a fetch unit 1944. As mentioned, this may be accomplished via proxy circuit 1925 on behalf of cache 1938 and memories 1933 (1) -1933 (M) (e.g., sending updates to cache 1938 related to modifications / accesses of cache lines on processor caches 1962A-1962D, 1956 and receiving updates from cache 1938) .

[0270] In at least one embodiment, a set of registers 1945 store context data for threads executed by graphics processing engines 1931 (1) -1931 (N) and a context management circuit 1948 manages thread contexts. For example, context management circuit 1948 may perform save and restore operations to save and restore contexts of various threads during contexts switches (e.g., where a first thread is saved and a second thread is stored so that a second thread can be execute by a graphics processing engine) . For example, on a context switch, context management circuit 1948 may store current register values to a designated region in memory (e.g., identified by a context pointer) . It may then restore register values when returning to a context. In at least one embodiment, an interrupt management circuit 1947 receives and processes interrupts received from system devices.

[0271] In at least one embodiment, virtual / effective addresses from a graphics processing engine 1931 are translated to real / physical addresses in system memory 1914 by MMU 1939. In at least one embodiment, accelerator integration circuit 1936 supports multiple (e.g., 4, 8, 16) graphics accelerator modules 1946 and / or other accelerator devices. In at least one embodiment, graphics accelerator module 1946 may be dedicated to a single application executed on processor 1907 or may be shared between multiple applications. In at least one embodiment, a virtualized graphics execution environment is presented in which resources of graphics processing engines 1931 (1) -1931 (N) are shared with multiple applications or virtual machines (VMs) . In at least one embodiment, resources may be subdivided into “slices” which are allocated to different VMs and / or applications based on processing requirements and priorities associated with VMs and / or applications.

[0272] In at least one embodiment, accelerator integration circuit 1936 performs as a bridge to a system for graphics acceleration module 1946 and provides address translation and system memory cache services. In addition, in at least one embodiment, accelerator integration circuit 1936 may provide virtualization facilities for a host processor to manage virtualization of graphics processing engines 1931 (1) -1931 (N) , interrupts, and memory management.

[0273] In at least one embodiment, because hardware resources of graphics processing engines 1931 (1) -1931 (N) are mapped explicitly to a real address space seen by host processor 1907, any host processor can address these resources directly using an effective address value. In at least one embodiment, one function of accelerator integration circuit 1936 is physical separation of  graphics processing engines 1931 (1) -1931 (N) so that they appear to a system as independent units.

[0274] In at least one embodiment, one or more graphics memories 1933 (1) -1933 (M) are coupled to each of graphics processing engines 1931 (1) -1931 (N) , respectively and N=M. In at least one embodiment, graphics memories 1933 (1) -1933 (M) store instructions and data being processed by each of graphics processing engines 1931 (1) -1931 (N) . In at least one embodiment, graphics memories 1933 (1) -1933 (M) may be volatile memories such as DRAMs (including stacked DRAMs) , GDDR memory (e.g., GDDR5, GDDR6) , or HBM, and / or may be non-volatile memories such as 3D XPoint or Nano-Ram.

[0275] In at least one embodiment, to reduce data traffic over high-speed link 1940, biasing techniques can be used to ensure that data stored in graphics memories 1933 (1) -1933 (M) is data that will be used most frequently by graphics processing engines 1931 (1) -1931 (N) and preferably not used by cores 1960A-1960D (at least not frequently) . Similarly, in at least one embodiment, a biasing mechanism attempts to keep data needed by cores (and preferably not graphics processing engines 1931 (1) -1931 (N) ) within caches 1962A-1962D, 1956 and system memory 1914.

[0276] FIG. 19C illustrates another exemplary embodiment in which accelerator integration circuit 1936 is integrated within processor 1907. In this embodiment, graphics processing engines 1931 (1) -1931 (N) communicate directly over high-speed link 1940 to accelerator integration circuit 1936 via interface 1937 and interface 1935 (which, again, may be any form of bus or interface protocol) . In at least one embodiment, accelerator integration circuit 1936 may perform similar operations as those described with respect to FIG. 19B, but potentially at a higher throughput given its close proximity to coherence bus 1964 and caches 1962A-1962D, 1956. In at least one embodiment, an accelerator integration circuit supports different programming models including a dedicated-process programming model (no graphics acceleration module virtualization) and shared programming models (with virtualization) , which may include programming models which are controlled by accelerator integration circuit 1936 and programming models which are controlled by graphics acceleration module 1946.

[0277] In at least one embodiment, graphics processing engines 1931 (1) -1931 (N) are dedicated to a single application or process under a single operating system. In at least one embodiment, a  single application can funnel other application requests to graphics processing engines 1931 (1) -1931 (N) , providing virtualization within a VM / partition.

[0278] In at least one embodiment, graphics processing engines 1931 (1) -1931 (N) , may be shared by multiple VM / application partitions. In at least one embodiment, shared models may use a system hypervisor to virtualize graphics processing engines 1931 (1) -1931 (N) to allow access by each operating system. In at least one embodiment, for single-partition systems without a hypervisor, graphics processing engines 1931 (1) -1931 (N) are owned by an operating system. In at least one embodiment, an operating system can virtualize graphics processing engines 1931 (1) -1931 (N) to provide access to each process or application.

[0279] In at least one embodiment, graphics acceleration module 1946 or an individual graphics processing engine 1931 (1) -1931 (N) selects a process element using a process handle. In at least one embodiment, process elements are stored in system memory 1914 and are addressable using an effective address to real address translation technique described herein. In at least one embodiment, a process handle may be an implementation-specific value provided to a host process when registering its context with graphics processing engine 1931 (1) -1931 (N) (that is, calling system software to add a process element to a process element linked list) . In at least one embodiment, a lower 16-bits of a process handle may be an offset of a process element within a process element linked list.

[0280] FIG. 19D illustrates an exemplary accelerator integration slice 1990. In at least one embodiment, a “slice” comprises a specified portion of processing resources of accelerator integration circuit 1936. In at least one embodiment, an application is effective address space 1982 within system memory 1914 stores process elements 1983. In at least one embodiment, process elements 1983 are stored in response to GPU invocations 1981 from applications 1980 executed on processor 1907. In at least one embodiment, a process element 1983 contains process state for corresponding application 1980. In at least one embodiment, a work descriptor (WD) 1984 contained in process element 1983 can be a single job requested by an application or may contain a pointer to a queue of jobs. In at least one embodiment, WD 1984 is a pointer to a job request queue in an application’s effective address space 1982.

[0281] In at least one embodiment, graphics acceleration module 1946 and / or individual graphics processing engines 1931 (1) -1931 (N) can be shared by all or a subset of processes in a  system. In at least one embodiment, an infrastructure for setting up process states and sending a WD 1984 to a graphics acceleration module 1946 to start a job in a virtualized environment may be included.

[0282] In at least one embodiment, a dedicated-process programming model is implementation-specific. In at least one embodiment, in this model, a single process owns graphics acceleration module 1946 or an individual graphics processing engine 1931. In at least one embodiment, when graphics acceleration module 1946 is owned by a single process, a hypervisor initializes accelerator integration circuit 1936 for an owning partition and an operating system initializes accelerator integration circuit 1936 for an owning process when graphics acceleration module 1946 is assigned.

[0283] In at least one embodiment, in operation, a WD fetch unit 1991 in accelerator integration slice 1990 fetches next WD 1984, which includes an indication of work to be done by one or more graphics processing engines of graphics acceleration module 1946. In at least one embodiment, data from WD 1984 may be stored in registers 1945 and used by MMU 1939, interrupt management circuit 1947 and / or context management circuit 1948 as illustrated. For example, one embodiment of MMU 1939 includes segment / page walk circuitry for accessing segment / page tables 1986 within an OS virtual address space 1985. In at least one embodiment, interrupt management circuit 1947 may process interrupt events 1992 received from graphics acceleration module 1946. In at least one embodiment, when performing graphics operations, an effective address 1993 generated by a graphics processing engine 1931 (1) -1931 (N) is translated to a real address by MMU 1939.

[0284] In at least one embodiment, registers 1945 are duplicated for each graphics processing engine 1931 (1) -1931 (N) and / or graphics acceleration module 1946 and may be initialized by a hypervisor or an operating system. In at least one embodiment, each of these duplicated registers may be included in an accelerator integration slice 1990. Exemplary registers that may be initialized by a hypervisor are shown in Table 1.

[0285] Table 1 –Hypervisor Initialized Registers

[0286] Exemplary registers that may be initialized by an operating system are shown in Table 2.

[0287] Table 2 –Operating System Initialized Registers

[0288] In at least one embodiment, each WD 1984 is specific to a particular graphics acceleration module 1946 and / or graphics processing engines 1931 (1) -1931 (N) . In at least one embodiment, it contains all information required by a graphics processing engine 1931 (1) -1931 (N) to do work, or it can be a pointer to a memory location where an application has set up a command queue of work to be completed.

[0289] FIG. 19E illustrates additional details for one exemplary embodiment of a shared model. This embodiment includes a hypervisor real address space 1998 in which a process element list  1999 is stored. In at least one embodiment, hypervisor real address space 1998 is accessible via a hypervisor 1996 which virtualizes graphics acceleration module engines for operating system 1995.

[0290] In at least one embodiment, shared programming models allow for all or a subset of processes from all or a subset of partitions in a system to use a graphics acceleration module 1946. In at least one embodiment, there are two programming models where graphics acceleration module 1946 is shared by multiple processes and partitions, namely time-sliced shared and graphics directed shared.

[0291] In at least one embodiment, in this model, system hypervisor 1996 owns graphics acceleration module 1946 and makes its function available to all operating systems 1995. In at least one embodiment, for a graphics acceleration module 1946 to support virtualization by system hypervisor 1996, graphics acceleration module 1946 may adhere to certain requirements, such as (1) an application’s job request must be autonomous (that is, state does not need to be maintained between jobs) , or graphics acceleration module 1946 must provide a context save and restore mechanism, (2) an application’s job request is guaranteed by graphics acceleration module 1946 to complete in a specified amount of time, including any translation faults, or graphics acceleration module 1946 provides an ability to preempt processing of a job, and (3) graphics acceleration module 1946 must be guaranteed fairness between processes when operating in a directed shared programming model.

[0292] In at least one embodiment, application 1980 is required to make an operating system 1995 system call with a graphics acceleration module type, a work descriptor (WD) , an authority mask register (AMR) value, and a context save / restore area pointer (CSRP) . In at least one embodiment, graphics acceleration module type describes a targeted acceleration function for a system call. In at least one embodiment, graphics acceleration module type may be a system-specific value. In at least one embodiment, WD is formatted specifically for graphics acceleration module 1946 and can be in a form of a graphics acceleration module 1946 command, an effective address pointer to a user-defined structure, an effective address pointer to a queue of commands, or any other data structure to describe work to be done by graphics acceleration module 1946.

[0293] In at least one embodiment, an AMR value is an AMR state to use for a current process. In at least one embodiment, a value passed to an operating system is similar to an application setting an AMR. In at least one embodiment, if accelerator integration circuit 1936 (not shown) and graphics acceleration module 1946 implementations do not support a User Authority Mask Override Register (UAMOR) , an operating system may apply a current UAMOR value to an AMR value before passing an AMR in a hypervisor call. In at least one embodiment, hypervisor 1996 may optionally apply a current Authority Mask Override Register (AMOR) value before placing an AMR into process element 1983. In at least one embodiment, CSRP is one of registers 1945 containing an effective address of an area in an application’s effective address space 1982 for graphics acceleration module 1946 to save and restore context state. In at least one embodiment, this pointer is optional if no state is required to be saved between jobs or when a job is preempted. In at least one embodiment, context save / restore area may be pinned system memory.

[0294] Upon receiving a system call, operating system 1995 may verify that application 1980 has registered and been given authority to use graphics acceleration module 1946. In at least one embodiment, operating system 1995 then calls hypervisor 1996 with information shown in Table 3.

[0295] Table 3 –OS to Hypervisor Call Parameters

[0296] In at least one embodiment, upon receiving a hypervisor call, hypervisor 1996 verifies that operating system 1995 has registered and been given authority to use graphics acceleration module 1946. In at least one embodiment, hypervisor 1996 then puts process element 1983 into  a process element linked list for a corresponding graphics acceleration module 1946 type. In at least one embodiment, a process element may include information shown in Table 4.

[0297] Table 4 –Process Element Information

[0298] In at least one embodiment, hypervisor initializes a plurality of accelerator integration slice 1990 registers 1945.

[0299] As illustrated in FIG. 19F, in at least one embodiment, a unified memory is used, addressable via a common virtual memory address space used to access physical processor memories 1901 (1) -1901 (N) and GPU memories 1920 (1) -1920 (N) . In this implementation, operations executed on GPUs 1910 (1) -1910 (N) utilize a same virtual / effective memory address space to access processor memories 1901 (1) -1901 (M) and vice versa, thereby simplifying programmability. In at least one embodiment, a first portion of a virtual / effective address space is allocated to processor memory 1901 (1) , a second portion to second processor memory 1901 (N) , a third portion to GPU memory 1920 (1) , and so on. In at least one embodiment, an entire virtual / effective memory space (sometimes referred to as an effective address space) is thereby distributed across each of processor memories 1901 and GPU memories 1920, allowing  any processor or GPU to access any physical memory with a virtual address mapped to that memory.

[0300] In at least one embodiment, bias / coherence management circuitry 1994A-1994E within one or more of MMUs 1939A-1939E ensures cache coherence between caches of one or more host processors (e.g., 1905) and GPUs 1910 and implements biasing techniques indicating physical memories in which certain types of data should be stored. In at least one embodiment, while multiple instances of bias / coherence management circuitry 1994A-1994E are illustrated in FIG. 19F, bias / coherence circuitry may be implemented within an MMU of one or more host processors 1905 and / or within accelerator integration circuit 1936.

[0301] One embodiment allows GPU memories 1920 to be mapped as part of system memory, and accessed using shared virtual memory (SVM) technology, but without suffering performance drawbacks associated with full system cache coherence. In at least one embodiment, an ability for GPU memories 1920 to be accessed as system memory without onerous cache coherence overhead provides a beneficial operating environment for GPU offload. In at least one embodiment, this arrangement allows software of host processor 1905 to setup operands and access computation results, without overhead of tradition I / O DMA data copies. In at least one embodiment, such traditional copies involve driver calls, interrupts and memory mapped I / O (MMIO) accesses that are all inefficient relative to simple memory accesses. In at least one embodiment, an ability to access GPU memories 1920 without cache coherence overheads can be critical to execution time of an offloaded computation. In at least one embodiment, in cases with substantial streaming write memory traffic, for example, cache coherence overhead can significantly reduce an effective write bandwidth seen by a GPU 1910. In at least one embodiment, efficiency of operand setup, efficiency of results access, and efficiency of GPU computation may play a role in determining effectiveness of a GPU offload.

[0302] In at least one embodiment, selection of GPU bias and host processor bias is driven by a bias tracker data structure. In at least one embodiment, a bias table may be used, for example, which may be a page-granular structure (e.g., controlled at a granularity of a memory page) that includes 1 or 2 bits per GPU-attached memory page. In at least one embodiment, a bias table may be implemented in a stolen memory range of one or more GPU memories 1920, with or without a bias cache in a GPU 1910 (e.g., to cache frequently / recently used entries of a bias  table) . Alternatively, in at least one embodiment, an entire bias table may be maintained within a GPU.

[0303] In at least one embodiment, a bias table entry associated with each access to a GPU attached memory 1920 is accessed prior to actual access to a GPU memory, causing following operations. In at least one embodiment, local requests from a GPU 1910 that find their page in GPU bias are forwarded directly to a corresponding GPU memory 1920. In at least one embodiment, local requests from a GPU that find their page in host bias are forwarded to processor 1905 (e.g., over a high-speed link as described herein) . In at least one embodiment, requests from processor 1905 that find a requested page in host processor bias complete a request like a normal memory read. Alternatively, requests directed to a GPU-biased page may be forwarded to a GPU 1910. In at least one embodiment, a GPU may then transition a page to a host processor bias if it is not currently using a page. In at least one embodiment, a bias state of a page can be changed either by a software-based mechanism, a hardware-assisted software-based mechanism, or, for a limited set of cases, a purely hardware-based mechanism.

[0304] In at least one embodiment, one mechanism for changing bias state employs an API call (e.g., OpenCL) , which, in turn, calls a GPU’s device driver which, in turn, sends a message (or enqueues a command descriptor) to a GPU directing it to change a bias state and, for some transitions, perform a cache flushing operation in a host. In at least one embodiment, a cache flushing operation is used for a transition from host processor 1905 bias to GPU bias, but is not for an opposite transition.

[0305] In at least one embodiment, cache coherency is maintained by temporarily rendering GPU-biased pages uncacheable by host processor 1905. In at least one embodiment, to access these pages, processor 1905 may request access from GPU 1910, which may or may not grant access right away. In at least one embodiment, thus, to reduce communication between processor 1905 and GPU 1910 it is beneficial to ensure that GPU-biased pages are those which are required by a GPU but not host processor 1905 and vice versa.

[0306] Hardware structure (s) 1115 are used to perform one or more embodiments. Details regarding a hardware structure (s) 1115 may be provided herein in conjunction with FIGS. 11A and / or 11B.

[0307] FIG. 20 illustrates exemplary integrated circuits and associated graphics processors that may be fabricated using one or more IP cores, according to various embodiments described herein. In addition to what is illustrated, other logic and circuits may be included in at least one embodiment, including additional graphics processors / cores, peripheral interface controllers, or general-purpose processor cores.

[0308] FIG. 20 is a block diagram illustrating an exemplary system on a chip integrated circuit 2000 that may be fabricated using one or more IP cores, according to at least one embodiment. In at least one embodiment, integrated circuit 2000 includes one or more application processor (s) 2005 (e.g., CPUs) , at least one graphics processor 2010, and may additionally include an image processor 2015 and / or a video processor 2020, any of which may be a modular IP core. In at least one embodiment, integrated circuit 2000 includes peripheral or bus logic including a USB controller 2025, a UART controller 2030, an SPI / SDIO controller 2035, and an I22S / I22C controller 2040. In at least one embodiment, integrated circuit 2000 can include a display device 2045 coupled to one or more of a high-definition multimedia interface (HDMI) controller 2050 and a mobile industry processor interface (MIPI) display interface 2055. In at least one embodiment, storage may be provided by a flash memory subsystem 2060 including flash memory and a flash memory controller. In at least one embodiment, a memory interface may be provided via a memory controller 2065 for access to SDRAM or SRAM memory devices. In at least one embodiment, some integrated circuits additionally include an embedded security engine 2070.

[0309] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in integrated circuit 2000 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0310] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non- transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0311] FIGS. 21A and 21B illustrate exemplary integrated circuits and associated graphics processors that may be fabricated using one or more IP cores, according to various embodiments described herein. In addition to what is illustrated, other logic and circuits may be included in at least one embodiment, including additional graphics processors / cores, peripheral interface controllers, or general-purpose processor cores.

[0312] FIGS. 21A and 21B are block diagrams illustrating exemplary graphics processors for use within an SoC, according to embodiments described herein. FIG. 21A illustrates an exemplary graphics processor 2110 of a system on a chip integrated circuit that may be fabricated using one or more IP cores, according to at least one embodiment. FIG. 21B illustrates an additional exemplary graphics processor 2140 of a system on a chip integrated circuit that may be fabricated using one or more IP cores, according to at least one embodiment. In at least one embodiment, graphics processor 2110 of FIG. 21A is a low power graphics processor core. In at least one embodiment, graphics processor 2140 of FIG. 21B is a higher performance graphics processor core. In at least one embodiment, each of graphics processors 2110, 2140 can be variants of graphics processor 2010 of FIG. 20.

[0313] In at least one embodiment, graphics processor 2110 includes a vertex processor 2105 and one or more fragment processor (s) 2115A-2115N (e.g., 2115A, 2115B, 2115C, 2115D, through 2115N-1, and 2115N) . In at least one embodiment, graphics processor 2110 can execute different shader programs via separate logic, such that vertex processor 2105 is optimized to execute operations for vertex shader programs, while one or more fragment processor (s) 2115A-2115N execute fragment (e.g., pixel) shading operations for fragment or pixel shader programs. In at least one embodiment, vertex processor 2105 performs a vertex processing stage of a 3D graphics pipeline and generates primitives and vertex data. In at least one embodiment, fragment processor (s) 2115A-2115N use primitive and vertex data generated by vertex processor 2105 to produce a framebuffer that is displayed on a display device. In at least one embodiment, fragment processor (s) 2115A-2115N are optimized to execute fragment shader programs as provided for in an OpenGL API, which may be used to perform similar operations as a pixel shader program as provided for in a Direct 3D API.

[0314] In at least one embodiment, graphics processor 2110 additionally includes one or more memory management units (MMUs) 2120A-2120B, cache (s) 2125A-2125B, and circuit interconnect (s) 2130A-2130B. In at least one embodiment, one or more MMU (s) 2120A-2120B provide for virtual to physical address mapping for graphics processor 2110, including for vertex processor 2105 and / or fragment processor (s) 2115A-2115N, which may reference vertex or image / texture data stored in memory, in addition to vertex or image / texture data stored in one or more cache (s) 2125A-2125B. In at least one embodiment, one or more MMU (s) 2120A-2120B may be synchronized with other MMUs within a system, including one or more MMUs associated with one or more application processor (s) 2005, image processors 2015, and / or video processors 2020 of FIG. 20, such that each processor 2005-2020 can participate in a shared or unified virtual memory system. In at least one embodiment, one or more circuit interconnect (s) 2130A-2130B enable graphics processor 2110 to interface with other IP cores within SoC, either via an internal bus of SoC or via a direct connection.

[0315] In at least one embodiment, graphics processor 2140 includes one or more shader core (s) 2155A-2155N (e.g., 2155A, 2155B, 2155C, 2155D, 2155E, 2155F, through 2155N-1, and 2155N) as shown in FIG. 21B, which provides for a unified shader core architecture in which a single core or type or core can execute all types of programmable shader code, including shader program code to implement vertex shaders, fragment shaders, and / or compute shaders. In at least one embodiment, a number of shader cores can vary. In at least one embodiment, graphics processor 2140 includes an inter-core task manager 2145, which acts as a thread dispatcher to dispatch execution threads to one or more shader cores 2155A-2155N and a tiling unit 2158 to accelerate tiling operations for tile-based rendering, in which rendering operations for a scene are subdivided in image space, for example to exploit local spatial coherence within a scene or to optimize use of internal caches.

[0316] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in graphic processor 2110 and / or 2140 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0317] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0318] FIGS. 22A and 22B illustrate additional exemplary graphics processor logic according to embodiments described herein. In at least one embodiment, components illustrated in and described in connection with FIGS. 22A and 22B are integrated into a single system, such as a graphics processing unit (GPU) , SoC, or another type of processor. FIG. 22A illustrates a graphics core 2200 that may be included within graphics processor 2010 of FIG. 20, in at least one embodiment, and may be a unified shader core 2155A-2155N as in FIG. 21B in at least one embodiment. FIG. 22B illustrates a highly-parallel general-purpose graphics processing unit ( “GPGPU” , which can also be referred to as a “graphics processing unit” ) 2230 suitable for deployment on a multi-chip module in at least one embodiment. In at least one embodiment, graphics processing unit 2230 is a GPGPU that comprises a graphics processor. In at least one embodiment, integrated circuit 2000 comprises graphics core 2200, e.g., to form an integrated circuit and / or to form an SoC, where such an integrated circuit and / or such an SoC perform operations described herein.

[0319] In at least one embodiment, graphics core 2200 includes a shared instruction cache 2202, a texture unit 2218, and a cache / shared memory 2220 (e.g., including L1, L2, L3, last level cache, or other caches) that are common to execution resources within graphics core 2200. In at least one embodiment, graphics core 2200 can include multiple slices 2201A-2201N or a partition for each core, and a graphics processor can include multiple instances of graphics core 2200. In at least one embodiment, each slice 2201A-2201N refers to graphics core 2200. In at least one embodiment, slices 2201A-2201N have sub-slices, which are part of a slice 2201A-2201N. In at least one embodiment, slices 2201A-2201N are independent of other slices or dependent on other slices. In at least one embodiment, slices 2201A-2201N can include support logic including a local instruction cache 2204A-2204N, a thread scheduler (sequencer) 2206A-2206N, a thread dispatcher 2208A-2208N, and a set of registers 2210A-2210N. In at least one embodiment, slices 2201A-2201N can include a set of additional function units (AFUs 2212A- 2212N) , floating-point units (FPUs 2214A-2214N) , integer arithmetic logic units (ALUs 2216A-2216N) , address computational units (ACUs 2213A-2213N) , double-precision floating-point units (DPFPUs 2215A-2215N) , and matrix processing units (MPUs 2217A-2217N) . In at least one embodiment, MPUs 2217A-2217N are referred to as matrix engines.

[0320] In at least one embodiment, each slice 2201A-2201N includes one or more engines for floating point and integer vector operations and one or more engines to accelerate convolution and matrix operations in AI, machine learning, or large dataset workloads. In at least one embodiment, one or more slices 2201A-2201N include one or more vector engines to compute a vector (e.g., compute mathematical operations for vectors) . In at least one embodiment, a vector engine can compute a vector operation in 16-bit floating point (also referred to as “FP16” ) , 32-bit floating point (also referred to as “FP32” ) , or 64-bit floating point (also referred to as “FP64” ) . In at least one embodiment, one or more slices 2201A-2201N includes 16 vector engines that are paired with 16 matrix math units to compute matrix / tensor operations, where vector engines and math units are exposed via matrix extensions. In at least one embodiment, a slice a specified portion of processing resources of a processing unit, e.g., 16 cores and a ray tracing unit or 8 cores, a thread scheduler, a thread dispatcher, and additional functional units for a processor. In at least one embodiment, graphics core 2200 includes one or more matrix engines to compute matrix operations, e.g., when computing tensor operations.

[0321] In at least one embodiment, one or more slices 2201A-2201N includes one or more ray tracing units to compute ray tracing operations (e.g., 16 ray tracing units per slice slices 2201A-2201N) . In at least one embodiment, a ray tracing unit computes ray traversal, triangle intersection, bounding box intersect, or other ray tracing operations.

[0322] In at least one embodiment, one or more slices 2201A-2201N includes a media slice that encodes, decodes, and / or transcodes data; scales and / or format converts data; and / or performs video quality operations on video data.

[0323] In at least one embodiment, one or more slices 2201A-2201N are linked to L2 cache and memory fabric, link connectors, high-bandwidth memory (HBM) (e.g., HBM2e, HDM3) stacks, and a media engine. In at least one embodiment, one or more slices 2201A-2201N include multiple cores (e.g., 16 cores) and multiple ray tracing units (e.g., 16) paired to each core. In at least one embodiment, one or more slices 2201A-2201N has one or more L1 caches. In at  least one embodiment, one or more slices 2201A-2201N include one or more vector engines; one or more instruction caches to store instructions; one or more L1 caches to cache data; one or more shared local memories (SLMs) to store data, e.g., corresponding to instructions; one or more samplers to sample data; one or more ray tracing units to perform ray tracing operations; one or more geometries to perform operations in geometry pipelines and / or apply geometric transformations to vertices or polygons; one or more rasterizers to describe an image in vector graphics format (e.g., shape) and convert it into a raster image (e.g., a series of pixels, dots, or lines, which when displayed together, create an image that is represented by shapes) ; one or more a Hierarchical Depth Buffer (Hiz) to buffer data; and / or one or more pixel backends. In at least one embodiment, a slice 2201A-2201N includes a memory fabric, e.g., an L2 cache.

[0324] In at least one embodiment, FPUs 2214A-2214N can perform single-precision (32-bit) and half-precision (16-bit) floating point operations, while DPFPUs 2215A-2215N perform double precision (64-bit) floating point operations. In at least one embodiment, ALUs 2216A-2216N can perform variable precision integer operations at 8-bit, 16-bit, and 32-bit precision, and can be configured for mixed precision operations. In at least one embodiment, MPUs 2217A-2217N can also be configured for mixed precision matrix operations, including half-precision floating point and 8-bit integer operations. In at least one embodiment, MPUs 2217-2217N can perform a variety of matrix operations to accelerate machine learning application frameworks, including enabling support for accelerated general matrix to matrix multiplication (GEMM) . In at least one embodiment, AFUs 2212A-2212N can perform additional logic operations not supported by floating-point or integer units, including trigonometric operations (e.g., sine, cosine, etc. ) .

[0325] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in graphics core 2200 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0326] In at least one embodiment, graphics core 2200 includes an interconnect and a link fabric sublayer that is attached to a switch and a GPU-GPU bridge that enables multiple graphics  processors 2200 (e.g., 8) to be interlinked without glue to each other with load / store units (LSUs) , data transfer units, and sync semantics across multiple graphics processors 2200. In at least one embodiment, interconnects include standardized interconnects (e.g., PCIe) or some combination thereof.

[0327] In at least one embodiment, graphics core 2200 includes multiple tiles. In at least one embodiment, a tile is an individual die or one or more dies, where individual dies can be connected with an interconnect (e.g., embedded multi-die interconnect bridge (EMIB) ) . In at least one embodiment, graphics core 2200 includes a compute tile, a memory tile (e.g., where a memory tile can be exclusively accessed by different tiles or different chipsets such as a Rambo tile) , substrate tile, a base tile, a HMB tile, a link tile, and EMIB tile, where all tiles are packaged together in graphics core 2200 as part of a GPU. In at least one embodiment, graphics core 2200 can include multiple tiles in a single package (also referred to as a “multi tile package” ) . In at least one embodiment, a compute tile can have 8 graphics cores 2200, an L1 cache; and a base tile can have a host interface with PCIe 5.0, HBM2e, MDFI, and EMIB, a link tile with 8 links, 8 ports with an embedded switch. In at least one embodiment, tiles are connected with face-to-face (F2F) chip-on-chip bonding through fine-pitched, 36-micron, microbumps (e.g., copper pillars) . In at least one embodiment, graphics core 2200 includes memory fabric, which includes memory, and is tile that is accessible by multiple tiles. In at least one embodiment, graphics core 2200 stores, accesses, or loads its own hardware contexts in memory, where a hardware context is a set of data loaded from registers before a process resumes, and where a hardware context can indicate a state of hardware (e.g., state of a GPU) .

[0328] In at least one embodiment, graphics core 2200 includes serializer / deserializer (SERDES) circuitry that converts a serial data stream to a parallel data stream, or converts a parallel data stream to a serial data stream.

[0329] In at least one embodiment, graphics core 2200 includes a high speed coherent unified fabric (GPU to GPU) , load / store units, bulk data transfer and sync semantics, and connected GPUs through an embedded switch, where a GPU-GPU bridge is controlled by a controller.

[0330] In at least one embodiment, graphics core 2200 performs an API, where said API abstracts hardware of graphics core 2200 and access libraries with instructions to perform math operations (e.g., math kernel library) , deep neural network operations (e.g., deep neural network  library) , vector operations, collective communications, thread building blocks, video processing, data analytics library, and / or ray tracing operations.

[0331] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0332] FIG. 22B illustrates GPGPU 2230 that can be configured to enable highly-parallel compute operations to be performed by an array of graphics processing units, in at least one embodiment. In at least one embodiment, GPGPU 2230 can be linked directly to other instances of GPGPU 2230 to create a multi-GPU cluster to improve training speed for deep neural networks. In at least one embodiment, GPGPU 2230 includes a host interface 2232 to enable a connection with a host processor. In at least one embodiment, host interface 2232 is a PCI Express interface. In at least one embodiment, host interface 2232 can be a vendor-specific communications interface or communications fabric. In at least one embodiment, GPGPU 2230 receives commands from a host processor and uses a global scheduler 2234 (which may be referred to as a thread sequencer and / or asynchronous compute engine) to distribute execution threads associated with those commands to a set of compute clusters 2236A-2236H. In at least one embodiment, compute clusters 2236A-2236H share a cache memory 2238. In at least one embodiment, cache memory 2238 can serve as a higher-level cache for cache memories within compute clusters 2236A-2236H. In at least one embodiment, compute clusters 2236A-2236H comprise a slice or are referred to as “slices. ” In at least one embodiment, GPGPU 2230 is part of an SoC such as part of integrated circuit 2000 (FIG. 20) .

[0333] In at least one embodiment, GPGPU 2230 includes memory 2244A-2244B coupled with compute clusters 2236A-2236H via a set of memory controllers 2242A-2242B (e.g., one or more controllers for HBM2e) . In at least one embodiment, memory 2244A-2244B can include various types of memory devices including dynamic random access memory (DRAM) or graphics random access memory, such as synchronous graphics random access memory (SGRAM) , including graphics double data rate (GDDR) memory.

[0334] In at least one embodiment, compute clusters 2236A-2236H each include a set of graphics cores, such as graphics core 2200 of FIG. 22A, which can include multiple types of integer and floating point logic units that can perform computational operations at a range of precisions including suited for machine learning computations. For example, in at least one embodiment, at least a subset of floating point units in each of compute clusters 2236A-2236H can be configured to perform 16-bit or 32-bit floating point operations, while a different subset of floating point units can be configured to perform 64-bit floating point operations.

[0335] In at least one embodiment, multiple instances of GPGPU 2230 can be configured to operate as a compute cluster. In at least one embodiment, communication used by compute clusters 2236A-2236H for synchronization and data exchange varies across embodiments. In at least one embodiment, multiple instances of GPGPU 2230 communicate over host interface 2232. In at least one embodiment, GPGPU 2230 includes an I / O hub 2239 that couples GPGPU 2230 with a GPU link 2240 that enables a direct connection to other instances of GPGPU 2230. In at least one embodiment, GPU link 2240 is coupled to a dedicated GPU-to-GPU bridge that enables communication and synchronization between multiple instances of GPGPU 2230. In at least one embodiment, GPU link 2240 couples with a high-speed interconnect to transmit and receive data to other GPGPUs or parallel processors. In at least one embodiment, multiple instances of GPGPU 2230 are located in separate data processing systems and communicate via a network device that is accessible via host interface 2232. In at least one embodiment GPU link 2240 can be configured to enable a connection to a host processor in addition to or as an alternative to host interface 2232.

[0336] In at least one embodiment, GPGPU 2230 can be configured to train neural networks. In at least one embodiment, GPGPU 2230 can be used within an inferencing platform. In at least one embodiment, in which GPGPU 2230 is used for inferencing, GPGPU 2230 may include fewer compute clusters 2236A-2236H relative to when GPGPU 2230 is used for training a neural network. In at least one embodiment, memory technology associated with memory 2244A-2244B may differ between inferencing and training configurations, with higher bandwidth memory technologies devoted to training configurations. In at least one embodiment, an inferencing configuration of GPGPU 2230 can support inferencing specific instructions. For example, in at least one embodiment, an inferencing configuration can provide support for one or  more 8-bit integer dot product instructions, which may be used during inferencing operations for deployed neural networks.

[0337] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in GPGPU 2230 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0338] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0339] FIG. 23 is a block diagram illustrating a computing system 2300 according to at least one embodiment. In at least one embodiment, computing system 2300 includes a processing subsystem 2301 having one or more processor (s) 2302 and a system memory 2304 communicating via an interconnection path that may include a memory hub 2305. In at least one embodiment, memory hub 2305 may be a separate component within a chipset component or may be integrated within one or more processor (s) 2302. In at least one embodiment, memory hub 2305 couples with an I / O subsystem 2311 via a communication link 2306. In at least one embodiment, I / O subsystem 2311 includes an I / O hub 2307 that can enable computing system 2300 to receive input from one or more input device (s) 2308. In at least one embodiment, I / O hub 2307 can enable a display controller, which may be included in one or more processor (s) 2302, to provide outputs to one or more display device (s) 2310A. In at least one embodiment, one or more display device (s) 2310A coupled with I / O hub 2307 can include a local, internal, or embedded display device.

[0340] In at least one embodiment, processing subsystem 2301 includes one or more parallel processor (s) 2312 coupled to memory hub 2305 via a bus or other communication link 2313. In at least one embodiment, communication link 2313 may use one of any number of standards based communication link technologies or protocols, such as, but not limited to PCI Express, or  may be a vendor-specific communications interface or communications fabric. In at least one embodiment, one or more parallel processor (s) 2312 form a computationally focused parallel or vector processing system that can include a large number of processing cores and / or processing clusters, such as a many-integrated core (MIC) processor. In at least one embodiment, some or all of parallel processor (s) 2312 form a graphics processing subsystem that can output pixels to one of one or more display device (s) 2310A coupled via I / O Hub 2307. In at least one embodiment, parallel processor (s) 2312 can also include a display controller and display interface (not shown) to enable a direct connection to one or more display device (s) 2310B. In at least one embodiment, parallel processor (s) 2312 include one or more cores, such as graphics cores 2200 discussed herein.

[0341] In at least one embodiment, a system storage unit 2314 can connect to I / O hub 2307 to provide a storage mechanism for computing system 2300. In at least one embodiment, an I / O switch 2316 can be used to provide an interface mechanism to enable connections between I / O hub 2307 and other components, such as a network adapter 2318 and / or a wireless network adapter 2319 that may be integrated into platform, and various other devices that can be added via one or more add-in device (s) 2320. In at least one embodiment, network adapter 2318 can be an Ethernet adapter or another wired network adapter. In at least one embodiment, wireless network adapter 2319 can include one or more of a Wi-Fi, Bluetooth, near field communication (NFC) , or other network device that includes one or more wireless radios.

[0342] In at least one embodiment, computing system 2300 can include other components not explicitly shown, including USB or other port connections, optical storage drives, video capture devices, and like, may also be connected to I / O hub 2307. In at least one embodiment, communication paths interconnecting various components in FIG. 23 may be implemented using any suitable protocols, such as PCI (Peripheral Component Interconnect) based protocols (e.g., PCI-Express) , or other bus or point-to-point communication interfaces and / or protocol (s) , such as NV-Link high-speed interconnect, or interconnect protocols.

[0343] In at least one embodiment, parallel processor (s) 2312 incorporate circuitry optimized for graphics and video processing, including, for example, video output circuitry, and constitutes a graphics processing unit (GPU) , e.g., parallel processor (s) 2312 includes graphics core 2200. In at least one embodiment, parallel processor (s) 2312 incorporate circuitry optimized for  general purpose processing. In at least embodiment, components of computing system 2300 may be integrated with one or more other system elements on a single integrated circuit. For example, in at least one embodiment, parallel processor (s) 2312, memory hub 2305, processor (s) 2302, and I / O hub 2307 can be integrated into a system on chip (SoC) integrated circuit. In at least one embodiment, components of computing system 2300 can be integrated into a single package to form a system in package (SIP) configuration. In at least one embodiment, at least a portion of components of computing system 2300 can be integrated into a multi-chip module (MCM) , which can be interconnected with other multi-chip modules into a modular computing system.

[0344] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in computing system 2300 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0345] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0346] PROCESSORS

[0347] FIG. 24A illustrates a parallel processor 2400 according to at least one embodiment. In at least one embodiment, various components of parallel processor 2400 may be implemented using one or more integrated circuit devices, such as programmable processors, application specific integrated circuits (ASICs) , or field programmable gate arrays (FPGA) . In at least one embodiment, illustrated parallel processor 2400 is a variant of one or more parallel processor (s) 2312 shown in FIG. 23 according to an exemplary embodiment. In at least one embodiment, a parallel processor 2400 includes one or more graphics cores 2200.

[0348] In at least one embodiment, parallel processor 2400 includes a parallel processing unit 2402. In at least one embodiment, parallel processing unit 2402 includes an I / O unit 2404 that enables communication with other devices, including other instances of parallel processing unit  2402. In at least one embodiment, I / O unit 2404 may be directly connected to other devices. In at least one embodiment, I / O unit 2404 connects with other devices via use of a hub or switch interface, such as a memory hub 2405. In at least one embodiment, connections between memory hub 2405 and I / O unit 2404 form a communication link 2413. In at least one embodiment, I / O unit 2404 connects with a host interface 2406 and a memory crossbar 2416, where host interface 2406 receives commands directed to performing processing operations and memory crossbar 2416 receives commands directed to performing memory operations.

[0349] In at least one embodiment, when host interface 2406 receives a command buffer via I / O unit 2404, host interface 2406 can direct work operations to perform those commands to a front end 2408. In at least one embodiment, front end 2408 couples with a scheduler 2410 (which may be referred to as a sequencer) , which is configured to distribute commands or other work items to a processing cluster array 2412. In at least one embodiment, scheduler 2410 ensures that processing cluster array 2412 is properly configured and in a valid state before tasks are distributed to a cluster of processing cluster array 2412. In at least one embodiment, scheduler 2410 is implemented via firmware logic executing on a microcontroller. In at least one embodiment, microcontroller implemented scheduler 2410 is configurable to perform complex scheduling and work distribution operations at coarse and fine granularity, enabling rapid preemption and context switching of threads executing on processing array 2412. In at least one embodiment, host software can prove workloads for scheduling on processing cluster array 2412 via one of multiple graphics processing paths. In at least one embodiment, workloads can then be automatically distributed across processing array cluster 2412 by scheduler 2410 logic within a microcontroller including scheduler 2410.

[0350] In at least one embodiment, processing cluster array 2412 can include up to “N” processing clusters (e.g., cluster 2414A, cluster 2414B, through cluster 2414N) , where “N” represents a positive integer (which may be a different integer “N” than used in other figures) . In at least one embodiment, each cluster 2414A-2414N of processing cluster array 2412 can execute a large number of concurrent threads. In at least one embodiment, scheduler 2410 can allocate work to clusters 2414A-2414N of processing cluster array 2412 using various scheduling and / or work distribution algorithms, which may vary depending on workload arising for each type of program or computation. In at least one embodiment, scheduling can be handled  dynamically by scheduler 2410, or can be assisted in part by compiler logic during compilation of program logic configured for execution by processing cluster array 2412. In at least one embodiment, different clusters 2414A-2414N of processing cluster array 2412 can be allocated for processing different types of programs or for performing different types of computations.

[0351] In at least one embodiment, processing cluster array 2412 can be configured to perform various types of parallel processing operations. In at least one embodiment, processing cluster array 2412 is configured to perform general-purpose parallel compute operations. For example, in at least one embodiment, processing cluster array 2412 can include logic to execute processing tasks including filtering of video and / or audio data, performing modeling operations, including physics operations, and performing data transformations.

[0352] In at least one embodiment, processing cluster array 2412 is configured to perform parallel graphics processing operations. In at least one embodiment, processing cluster array 2412 can include additional logic to support execution of such graphics processing operations, including but not limited to, texture sampling logic to perform texture operations, as well as tessellation logic and other vertex processing logic. In at least one embodiment, processing cluster array 2412 can be configured to execute graphics processing related shader programs such as, but not limited to, vertex shaders, tessellation shaders, geometry shaders, and pixel shaders. In at least one embodiment, parallel processing unit 2402 can transfer data from system memory via I / O unit 2404 for processing. In at least one embodiment, during processing, transferred data can be stored to on-chip memory (e.g., parallel processor memory 2422) during processing, then written back to system memory.

[0353] In at least one embodiment, when parallel processing unit 2402 is used to perform graphics processing, scheduler 2410 can be configured to divide a processing workload into approximately equal sized tasks, to better enable distribution of graphics processing operations to multiple clusters 2414A-2414N of processing cluster array 2412. In at least one embodiment, portions of processing cluster array 2412 can be configured to perform different types of processing. For example, in at least one embodiment, a first portion may be configured to perform vertex shading and topology generation, a second portion may be configured to perform tessellation and geometry shading, and a third portion may be configured to perform pixel shading or other screen space operations, to produce a rendered image for display. In at least one  embodiment, intermediate data produced by one or more of clusters 2414A-2414N may be stored in buffers to allow intermediate data to be transmitted between clusters 2414A-2414N for further processing.

[0354] In at least one embodiment, processing cluster array 2412 can receive processing tasks to be executed via scheduler 2410, which receives commands defining processing tasks from front end 2408. In at least one embodiment, processing tasks can include indices of data to be processed, e.g., surface (patch) data, primitive data, vertex data, and / or pixel data, as well as state parameters and commands defining how data is to be processed (e.g., what program is to be executed) . In at least one embodiment, scheduler 2410 may be configured to fetch indices corresponding to tasks or may receive indices from front end 2408. In at least one embodiment, front end 2408 can be configured to ensure processing cluster array 2412 is configured to a valid state before a workload specified by incoming command buffers (e.g., batch-buffers, push buffers, etc. ) is initiated.

[0355] In at least one embodiment, each of one or more instances of parallel processing unit 2402 can couple with a parallel processor memory 2422. In at least one embodiment, parallel processor memory 2422 can be accessed via memory crossbar 2416, which can receive memory requests from processing cluster array 2412 as well as I / O unit 2404. In at least one embodiment, memory crossbar 2416 can access parallel processor memory 2422 via a memory interface 2418. In at least one embodiment, memory interface 2418 can include multiple partition units (e.g., partition unit 2420A, partition unit 2420B, through partition unit 2420N) that can each couple to a portion (e.g., memory unit) of parallel processor memory 2422. In at least one embodiment, a number of partition units 2420A-2420N is configured to be equal to a number of memory units, such that a first partition unit 2420A has a corresponding first memory unit 2424A, a second partition unit 2420B has a corresponding memory unit 2424B, and an N-th partition unit 2420N has a corresponding N-th memory unit 2424N. In at least one embodiment, a number of partition units 2420A-2420N may not be equal to a number of memory units.

[0356] In at least one embodiment, memory units 2424A-2424N can include various types of memory devices, including dynamic random access memory (DRAM) or graphics random access memory, such as synchronous graphics random access memory (SGRAM) , including graphics double data rate (GDDR) memory. In at least one embodiment, memory units 2424A-2424N  may also include 3D stacked memory, including but not limited to high bandwidth memory (HBM) , HBM2e, or HDM3. In at least one embodiment, render targets, such as frame buffers or texture maps may be stored across memory units 2424A-2424N, allowing partition units 2420A-2420N to write portions of each render target in parallel to efficiently use available bandwidth of parallel processor memory 2422. In at least one embodiment, a local instance of parallel processor memory 2422 may be excluded in favor of a unified memory design that utilizes system memory in conjunction with local cache memory.

[0357] In at least one embodiment, any one of clusters 2414A-2414N of processing cluster array 2412 can process data that will be written to any of memory units 2424A-2424N within parallel processor memory 2422. In at least one embodiment, memory crossbar 2416 can be configured to transfer an output of each cluster 2414A-2414N to any partition unit 2420A-2420N or to another cluster 2414A-2414N, which can perform additional processing operations on an output. In at least one embodiment, each cluster 2414A-2414N can communicate with memory interface 2418 through memory crossbar 2416 to read from or write to various external memory devices. In at least one embodiment, memory crossbar 2416 has a connection to memory interface 2418 to communicate with I / O unit 2404, as well as a connection to a local instance of parallel processor memory 2422, enabling processing units within different processing clusters 2414A-2414N to communicate with system memory or other memory that is not local to parallel processing unit 2402. In at least one embodiment, memory crossbar 2416 can use virtual channels to separate traffic streams between clusters 2414A-2414N and partition units 2420A-2420N.

[0358] In at least one embodiment, multiple instances of parallel processing unit 2402 can be provided on a single add-in card, or multiple add-in cards can be interconnected. In at least one embodiment, different instances of parallel processing unit 2402 can be configured to interoperate even if different instances have different numbers of processing cores, different amounts of local parallel processor memory, and / or other configuration differences. For example, in at least one embodiment, some instances of parallel processing unit 2402 can include higher precision floating point units relative to other instances. In at least one embodiment, systems incorporating one or more instances of parallel processing unit 2402 or parallel processor 2400 can be implemented in a variety of configurations and form factors, including but  not limited to desktop, laptop, or handheld personal computers, servers, workstations, game consoles, and / or embedded systems.

[0359] FIG. 24B is a block diagram of a partition unit 2420 according to at least one embodiment. In at least one embodiment, partition unit 2420 is an instance of one of partition units 2420A-2420N of FIG. 24A. In at least one embodiment, partition unit 2420 includes an L2 cache 2421, a frame buffer interface 2425, and a ROP 2426 (raster operations unit) . In at least one embodiment, L2 cache 2421 is a read / write cache that is configured to perform load and store operations received from memory crossbar 2416 and ROP 2426. In at least one embodiment, read misses and urgent write-back requests are output by L2 cache 2421 to frame buffer interface 2425 for processing. In at least one embodiment, updates can also be sent to a frame buffer via frame buffer interface 2425 for processing. In at least one embodiment, frame buffer interface 2425 interfaces with one of memory units in parallel processor memory, such as memory units 2424A-2424N of FIG. 24A (e.g., within parallel processor memory 2422) .

[0360] In at least one embodiment, ROP 2426 is a processing unit that performs raster operations such as stencil, z test, blending, etc. In at least one embodiment, ROP 2426 then outputs processed graphics data that is stored in graphics memory. In at least one embodiment, ROP 2426 includes compression logic to compress depth or color data that is written to memory and decompress depth or color data that is read from memory. In at least one embodiment, compression logic can be lossless compression logic that makes use of one or more of multiple compression algorithms. In at least one embodiment, a type of compression that is performed by ROP 2426 can vary based on statistical characteristics of data to be compressed. For example, in at least one embodiment, delta color compression is performed on depth and color data on a per-tile basis.

[0361] In at least one embodiment, ROP 2426 is included within each processing cluster (e.g., cluster 2414A-2414N of FIG. 24A) instead of within partition unit 2420. In at least one embodiment, read and write requests for pixel data are transmitted over memory crossbar 2416 instead of pixel fragment data. In at least one embodiment, processed graphics data may be displayed on a display device, such as one of one or more display device (s) 2310 of FIG. 23, routed for further processing by processor (s) 2302, or routed for further processing by one of processing entities within parallel processor 2400 of FIG. 24A.

[0362] FIG. 24C is a block diagram of a processing cluster 2414 within a parallel processing unit according to at least one embodiment. In at least one embodiment, a processing cluster is an instance of one of processing clusters 2414A-2414N of FIG. 24A. In at least one embodiment, processing cluster 2414 can be configured to execute many threads in parallel, where “thread” refers to an instance of a particular program executing on a particular set of input data. In at least one embodiment, single-instruction, multiple-data (SIMD) instruction issue techniques are used to support parallel execution of a large number of threads without providing multiple independent instruction units. In at least one embodiment, single-instruction, multiple-thread (SIMT) techniques are used to support parallel execution of a large number of generally synchronized threads, using a common instruction unit configured to issue instructions to a set of processing engines within each one of processing clusters.

[0363] In at least one embodiment, operation of processing cluster 2414 can be controlled via a pipeline manager 2432 that distributes processing tasks to SIMT parallel processors. In at least one embodiment, pipeline manager 2432 receives instructions from scheduler 2410 of FIG. 24A and manages execution of those instructions via a graphics multiprocessor 2434 and / or a texture unit 2436. In at least one embodiment, graphics multiprocessor 2434 is an exemplary instance of a SIMT parallel processor. However, in at least one embodiment, various types of SIMT parallel processors of differing architectures may be included within processing cluster 2414. In at least one embodiment, one or more instances of graphics multiprocessor 2434 can be included within a processing cluster 2414. In at least one embodiment, graphics multiprocessor 2434 can process data and a data crossbar 2440 can be used to distribute processed data to one of multiple possible destinations, including other shader units. In at least one embodiment, pipeline manager 2432 can facilitate distribution of processed data by specifying destinations for processed data to be distributed via data crossbar 2440.

[0364] In at least one embodiment, each graphics multiprocessor 2434 within processing cluster 2414 can include an identical set of functional execution logic (e.g., arithmetic logic units, load-store units, etc. ) . In at least one embodiment, functional execution logic can be configured in a pipelined manner in which new instructions can be issued before previous instructions are complete. In at least one embodiment, functional execution logic supports a variety of operations including integer and floating point arithmetic, comparison operations, Boolean  operations, bit-shifting, and computation of various algebraic functions. In at least one embodiment, same functional-unit hardware can be leveraged to perform different operations and any combination of functional units may be present.

[0365] In at least one embodiment, instructions transmitted to processing cluster 2414 constitute a thread. In at least one embodiment, a set of threads executing across a set of parallel processing engines is a thread group. In at least one embodiment, a thread group executes a common program on different input data. In at least one embodiment, each thread within a thread group can be assigned to a different processing engine within a graphics multiprocessor 2434. In at least one embodiment, a thread group may include fewer threads than a number of processing engines within graphics multiprocessor 2434. In at least one embodiment, when a thread group includes fewer threads than a number of processing engines, one or more of processing engines may be idle during cycles in which that thread group is being processed. In at least one embodiment, a thread group may also include more threads than a number of processing engines within graphics multiprocessor 2434. In at least one embodiment, when a thread group includes more threads than number of processing engines within graphics multiprocessor 2434, processing can be performed over consecutive clock cycles. In at least one embodiment, multiple thread groups can be executed concurrently on a graphics multiprocessor 2434.

[0366] In at least one embodiment, graphics multiprocessor 2434 includes an internal cache memory to perform load and store operations. In at least one embodiment, graphics multiprocessor 2434 can forego an internal cache and use a cache memory (e.g., L1 cache 2448) within processing cluster 2414. In at least one embodiment, each graphics multiprocessor 2434 also has access to L2 caches within partition units (e.g., partition units 2420A-2420N of FIG. 24A) that are shared among all processing clusters 2414 and may be used to transfer data between threads. In at least one embodiment, graphics multiprocessor 2434 may also access off-chip global memory, which can include one or more of local parallel processor memory and / or system memory. In at least one embodiment, any memory external to parallel processing unit 2402 may be used as global memory. In at least one embodiment, processing cluster 2414 includes multiple instances of graphics multiprocessor 2434 and can share common instructions and data, which may be stored in L1 cache 2448.

[0367] In at least one embodiment, each processing cluster 2414 may include an MMU 2445 (memory management unit) that is configured to map virtual addresses into physical addresses. In at least one embodiment, one or more instances of MMU 2445 may reside within memory interface 2418 of FIG. 24A. In at least one embodiment, MMU 2445 includes a set of page table entries (PTEs) used to map a virtual address to a physical address of a tile and optionally a cache line index. In at least one embodiment, MMU 2445 may include address translation lookaside buffers (TLB) or caches that may reside within graphics multiprocessor 2434 or L1 2448 cache or processing cluster 2414. In at least one embodiment, a physical address is processed to distribute surface data access locally to allow for efficient request interleaving among partition units. In at least one embodiment, a cache line index may be used to determine whether a request for a cache line is a hit or miss.

[0368] In at least one embodiment, a processing cluster 2414 may be configured such that each graphics multiprocessor 2434 is coupled to a texture unit 2436 for performing texture mapping operations, e.g., determining texture sample positions, reading texture data, and filtering texture data. In at least one embodiment, texture data is read from an internal texture L1 cache (not shown) or from an L1 cache within graphics multiprocessor 2434 and is fetched from an L2 cache, local parallel processor memory, or system memory, as needed. In at least one embodiment, each graphics multiprocessor 2434 outputs processed tasks to data crossbar 2440 to provide processed task to another processing cluster 2414 for further processing or to store processed task in an L2 cache, local parallel processor memory, or system memory via memory crossbar 2416. In at least one embodiment, a preROP 2442 (pre-raster operations unit) is configured to receive data from graphics multiprocessor 2434, and direct data to ROP units, which may be located with partition units as described herein (e.g., partition units 2420A-2420N of FIG. 24A) . In at least one embodiment, preROP 2442 unit can perform optimizations for color blending, organizing pixel color data, and performing address translations.

[0369] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in graphics processing cluster 2414 for inferencing or predicting operations based, at least in part, on weight  parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0370] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0371] FIG. 24D shows a graphics multiprocessor 2434 according to at least one embodiment. In at least one embodiment, graphics multiprocessor 2434 couples with pipeline manager 2432 of processing cluster 2414. In at least one embodiment, graphics multiprocessor 2434 has an execution pipeline including but not limited to an instruction cache 2452, an instruction unit 2454, an address mapping unit 2456, a register file 2458, one or more general purpose graphics processing unit (GPGPU) cores 2462, and one or more load / store units 2466, where one or more load / store units 2466 can perform load / store operations to load / store instructions corresponding to performing an operation. In at least one embodiment, GPGPU cores 2462 and load / store units 2466 are coupled with cache memory 2472 and shared memory 2470 via a memory and cache interconnect 2468. In at least one embodiment, GPGPU cores 2462 are part of an SoC such as part of integrated circuit 2000 in FIG. 20.

[0372] In at least one embodiment, instruction cache 2452 receives a stream of instructions to execute from pipeline manager 2432. In at least one embodiment, instructions are cached in instruction cache 2452 and dispatched for execution by an instruction unit 2454. In at least one embodiment, instruction unit 2454 can dispatch instructions as thread groups (e.g., warps, wavefronts, waves) , with each thread of thread group assigned to a different execution unit within GPGPU cores 2462. In at least one embodiment, an instruction can access any of a local, shared, or global address space by specifying an address within a unified address space. In at least one embodiment, address mapping unit 2456 can be used to translate addresses in a unified address space into a distinct memory address that can be accessed by load / store units 2466.

[0373] In at least one embodiment, register file 2458 provides a set of registers for functional units of graphics multiprocessor 2434. In at least one embodiment, register file 2458 provides temporary storage for operands connected to data paths of functional units (e.g., GPGPU cores  2462, load / store units 2466) of graphics multiprocessor 2434. In at least one embodiment, register file 2458 is divided between each of functional units such that each functional unit is allocated a dedicated portion of register file 2458. In at least one embodiment, register file 2458 is divided between different warps (which may be referred to as wavefronts and / or waves) being executed by graphics multiprocessor 2434.

[0374] In at least one embodiment, GPGPU cores 2462 can each include floating point units (FPUs) and / or integer arithmetic logic units (ALUs) that are used to execute instructions of graphics multiprocessor 2434. In at least one embodiment, GPGPU cores 2462 can be similar in architecture or can differ in architecture. In at least one embodiment, a first portion of GPGPU cores 2462 include a single precision FPU and an integer ALU while a second portion of GPGPU cores include a double precision FPU. In at least one embodiment, FPUs can implement IEEE 754-2008 standard floating point arithmetic or enable variable precision floating point arithmetic. In at least one embodiment, graphics multiprocessor 2434 can additionally include one or more fixed function or special function units to perform specific functions such as copy rectangle or pixel blending operations. In at least one embodiment, one or more of GPGPU cores 2462 can also include fixed or special function logic.

[0375] In at least one embodiment, GPGPU cores 2462 include SIMD logic capable of performing a single instruction on multiple sets of data. In at least one embodiment, GPGPU cores 2462 can physically execute SIMD4, SIMD8, and SIMD16 instructions and logically execute SIMD1, SIMD2, and SIMD32 instructions. In at least one embodiment, SIMD instructions for GPGPU cores can be generated at compile time by a shader compiler or automatically generated when executing programs written and compiled for single program multiple data (SPMD) or SIMT architectures. In at least one embodiment, multiple threads of a program configured for an SIMT execution model can executed via a single SIMD instruction. For example, in at least one embodiment, eight SIMT threads that perform same or similar operations can be executed in parallel via a single SIMD8 logic unit.

[0376] In at least one embodiment, memory and cache interconnect 2468 is an interconnect network that connects each functional unit of graphics multiprocessor 2434 to register file 2458 and to shared memory 2470. In at least one embodiment, memory and cache interconnect 2468 is a crossbar interconnect that allows load / store unit 2466 to implement load and store operations  between shared memory 2470 and register file 2458. In at least one embodiment, register file 2458 can operate at a same frequency as GPGPU cores 2462, thus data transfer between GPGPU cores 2462 and register file 2458 can have very low latency. In at least one embodiment, shared memory 2470 can be used to enable communication between threads that execute on functional units within graphics multiprocessor 2434. In at least one embodiment, cache memory 2472 can be used as a data cache for example, to cache texture data communicated between functional units and texture unit 2436. In at least one embodiment, shared memory 2470 can also be used as a program managed cache. In at least one embodiment, threads executing on GPGPU cores 2462 can programmatically store data within shared memory in addition to automatically cached data that is stored within cache memory 2472.

[0377] In at least one embodiment, a parallel processor or GPGPU as described herein is communicatively coupled to host / processor cores to accelerate graphics operations, machine-learning operations, pattern analysis operations, and various general purpose GPU (GPGPU) functions. In at least one embodiment, a GPU may be communicatively coupled to host processor / cores over a bus or other interconnect (e.g., a high-speed interconnect such as PCIe or NVLink) . In at least one embodiment, an SoC comprises a parallel processor or GPGPU as described herein, where said parallel processor or said GPGPU is performed on said SoC. In at least one embodiment, a GPU may be integrated on a package or chip as cores and communicatively coupled to cores over an internal processor bus / interconnect internal to a package or chip. In at least one embodiment, regardless a manner in which a GPU is connected, processor cores may allocate work to such GPU in a form of sequences of commands / instructions contained in a work descriptor. In at least one embodiment, that GPU then uses dedicated circuitry / logic for efficiently processing these commands / instructions.

[0378] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in graphics multiprocessor 2434 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0379] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0380] FIG. 25 illustrates a multi-GPU computing system 2500, according to at least one embodiment. In at least one embodiment, multi-GPU computing system 2500 can include a processor 2502 coupled to multiple general purpose graphics processing units (GPGPUs) 2506A-D via a host interface switch 2504. In at least one embodiment, host interface switch 2504 is a PCI express switch device that couples processor 2502 to a PCI express bus over which processor 2502 can communicate with GPGPUs 2506A-D. In at least one embodiment, GPGPUs 2506A-D can interconnect via a set of high-speed point-to-point GPU-to-GPU links 2516. In at least one embodiment, GPU-to-GPU links 2516 connect to each of GPGPUs 2506A-D via a dedicated GPU link. In at least one embodiment, P2P GPU links 2516 enable direct communication between each of GPGPUs 2506A-D without requiring communication over host interface bus 2504 to which processor 2502 is connected. In at least one embodiment, with GPU-to-GPU traffic directed to P2P GPU links 2516, host interface bus 2504 remains available for system memory access or to communicate with other instances of multi-GPU computing system 2500, for example, via one or more network devices. While in at least one embodiment GPGPUs 2506A-D connect to processor 2502 via host interface switch 2504, in at least one embodiment processor 2502 includes direct support for P2P GPU links 2516 and can connect directly to GPGPUs 2506A-D. In at least one embodiment, GPGPUs 2506A-D is part of an SoC such as part of integrated circuit 2000 in FIG. 20, wherein GPGPUs 2506A-D performs operations described herein.

[0381] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in multi-GPU computing system 2500 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0382] In at least one embodiment, multi-GPU computing system 2500 includes one or more graphics cores 2200.

[0383] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0384] FIG. 26 is a block diagram of a graphics processor 2600, according to at least one embodiment. In at least one embodiment, graphics processor 2600 includes a ring interconnect 2602, a pipeline front-end 2604, a media engine 2637, and graphics cores 2680A-2680N. In at least one embodiment, ring interconnect 2602 couples graphics processor 2600 to other processing units, including other graphics processors or one or more general-purpose processor cores. In at least one embodiment, graphics processor 2600 is one of many processors integrated within a multi-core processing system. In at least one embodiment, graphics processor 2600 includes graphics core 2200.

[0385] In at least one embodiment, graphics processor 2600 receives batches of commands via ring interconnect 2602. In at least one embodiment, incoming commands are interpreted by a command streamer 2603 in pipeline front-end 2604. In at least one embodiment, graphics processor 2600 includes scalable execution logic to perform 3D geometry processing and media processing via graphics core (s) 2680A-2680N. In at least one embodiment, for 3D geometry processing commands, command streamer 2603 supplies commands to geometry pipeline 2636. In at least one embodiment, for at least some media processing commands, command streamer 2603 supplies commands to a video front end 2634, which couples with media engine 2637. In at least one embodiment, media engine 2637 includes a Video Quality Engine (VQE) 2630 for video and image post-processing and a multi-format encode / decode (MFX) 2633 engine to provide hardware-accelerated media data encoding and decoding. In at least one embodiment, geometry pipeline 2636 and media engine 2637 each generate execution threads for thread execution resources provided by at least one graphics core 2680.

[0386] In at least one embodiment, graphics processor 2600 includes scalable thread execution resources featuring graphics cores 2680A-2680N (which can be modular and are sometimes  referred to as core slices) , each having multiple sub-cores 2650A-2650N, 2660A-2660N (sometimes referred to as core sub-slices) . In at least one embodiment, graphics processor 2600 can have any number of graphics cores 2680A. In at least one embodiment, graphics processor 2600 includes a graphics core 2680A having at least a first sub-core 2650A and a second sub-core 2660A. In at least one embodiment, graphics processor 2600 is a low power processor with a single sub-core (e.g., 2650A) . In at least one embodiment, graphics processor 2600 includes multiple graphics cores 2680A-2680N, each including a set of first sub-cores 2650A-2650N and a set of second sub-cores 2660A-2660N. In at least one embodiment, each sub-core in first sub-cores 2650A-2650N includes at least a first set of execution units 2652A-2652N and media / texture samplers 2654A-2654N. In at least one embodiment, each sub-core in second sub-cores 2660A-2660N includes at least a second set of execution units 2662A-2662N and samplers 2664A-2664N. In at least one embodiment, each sub-core 2650A-2650N, 2660A-2660N shares a set of shared resources 2670A-2670N. In at least one embodiment, shared resources include shared cache memory and pixel operation logic. In at least one embodiment, graphics processor 2600 includes load / store units in pipeline front-end 2604.

[0387] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, logic 1115 may be used in graphics processor 2600 for inferencing or predicting operations based, at least in part, on weight parameters calculated using neural network training operations, neural network functions and / or architectures, or neural network use cases described herein.

[0388] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0389] FIG. 27 is a block diagram illustrating micro-architecture for a processor 2700 that may include logic circuits to perform instructions, according to at least one embodiment. In at least one embodiment, processor 2700 may perform instructions, including x86 instructions, ARM instructions, specialized instructions for application-specific integrated circuits (ASICs) , etc. In  at least one embodiment, processor 2700 may include registers to store packed data, such as 64-bit wide MMXTM registers in microprocessors enabled with MMX technology from Intel Corporation of Santa Clara, Calif. In at least one embodiment, MMX registers, available in both integer and floating point forms, may operate with packed data elements that accompany single instruction, multiple data ( “SIMD” ) and streaming SIMD extensions ( “SSE” ) instructions. In at least one embodiment, 128-bit wide XMM registers relating to SSE2, SSE3, SSE4, AVX, or beyond (referred to generically as “SSEx” ) technology may hold such packed data operands. In at least one embodiment, processor 2700 may perform instructions to accelerate machine learning or deep learning algorithms, training, or inferencing.

[0390] In at least one embodiment, processor 2700 includes an in-order front end ( “front end” ) 2701 to fetch instructions to be executed and prepare instructions to be used later in a processor pipeline. In at least one embodiment, front end 2701 may include several units. In at least one embodiment, an instruction prefetcher 2726 fetches instructions from memory and feeds instructions to an instruction decoder 2728 which in turn decodes or interprets instructions. For example, in at least one embodiment, instruction decoder 2728 decodes a received instruction into one or more operations called “micro-instructions” or “micro-operations” (also called “micro ops” or “uops” or “μ-ops” ) that a machine may execute. In at least one embodiment, instruction decoder 2728 parses an instruction into an opcode and corresponding data and control fields that may be used by micro-architecture to perform operations in accordance with at least one embodiment. In at least one embodiment, a trace cache 2730 may assemble decoded uops into program ordered sequences or traces in a uop queue 2734 for execution. In at least one embodiment, when trace cache 2730 encounters a complex instruction, a microcode ROM 2732 provides uops needed to complete an operation.

[0391] In at least one embodiment, some instructions may be converted into a single micro-op, whereas others need several micro-ops to complete full operation. In at least one embodiment, if more than four micro-ops are needed to complete an instruction, instruction decoder 2728 may access microcode ROM 2732 to perform that instruction. In at least one embodiment, an instruction may be decoded into a small number of micro-ops for processing at instruction decoder 2728. In at least one embodiment, an instruction may be stored within microcode ROM 2732 should a number of micro-ops be needed to accomplish such operation. In at least one  embodiment, trace cache 2730 refers to an entry point programmable logic array ( “PLA” ) to determine a correct micro-instruction pointer for reading microcode sequences to complete one or more instructions from microcode ROM 2732 in accordance with at least one embodiment. In at least one embodiment, after microcode ROM 2732 finishes sequencing micro-ops for an instruction, front end 2701 of a machine may resume fetching micro-ops from trace cache 2730.

[0392] In at least one embodiment, out-of-order execution engine ( “out of order engine” ) 2703 may prepare instructions for execution. In at least one embodiment, out-of-order execution logic has a number of buffers to smooth out and re-order flow of instructions to optimize performance as they go down a pipeline and get scheduled for execution. In at least one embodiment, out-of-order execution engine 2703 includes, without limitation, an allocator / register renamer 2740, a memory uop queue 2742, an integer / floating point uop queue 2744, a memory scheduler 2746, a fast scheduler 2702, a slow / general floating point scheduler ( “slow / general FP scheduler” ) 2704, and a simple floating point scheduler ( “simple FP scheduler” ) 2706. In at least one embodiment, fast schedule 2702, slow / general floating point scheduler 2704, and simple floating point scheduler 2706 are also collectively referred to herein as “uop schedulers 2702, 2704, 2706. ” In at least one embodiment, allocator / register renamer 2740 allocates machine buffers and resources that each uop needs in order to execute. In at least one embodiment, allocator / register renamer 2740 renames logic registers onto entries in a register file. In at least one embodiment, allocator / register renamer 2740 also allocates an entry for each uop in one of two uop queues, memory uop queue 2742 for memory operations and integer / floating point uop queue 2744 for non-memory operations, in front of memory scheduler 2746 and uop schedulers 2702, 2704, 2706. In at least one embodiment, uop schedulers 2702, 2704, 2706, determine when a uop is ready to execute based on readiness of their dependent input register operand sources and availability of execution resources uops need to complete their operation. In at least one embodiment, fast scheduler 2702 may schedule on each half of a main clock cycle while slow / general floating point scheduler 2704 and simple floating point scheduler 2706 may schedule once per main processor clock cycle. In at least one embodiment, uop schedulers 2702, 2704, 2706 arbitrate for dispatch ports to schedule uops for execution.

[0393] In at least one embodiment, execution block 2711 includes, without limitation, an integer register file / bypass network 2708, a floating point register file / bypass network ( “FP  register file / bypass network” ) 2710, address generation units ( “AGUs” ) 2712 and 2714, fast Arithmetic Logic Units (ALUs) ( “fast ALUs” ) 2716 and 2718, a slow Arithmetic Logic Unit ( “slow ALU” ) 2720, a floating point ALU ( “FP” ) 2722, and a floating point move unit ( “FP move” ) 2724. In at least one embodiment, integer register file / bypass network 2708 and floating point register file / bypass network 2710 are also referred to herein as “register files 2708, 2710. ” In at least one embodiment, AGUSs 2712 and 2714, fast ALUs 2716 and 2718, slow ALU 2720, floating point ALU 2722, and floating point move unit 2724 are also referred to herein as “execution units 2712, 2714, 2716, 2718, 2720, 2722, and 2724. ” In at least one embodiment, execution block 2711 may include, without limitation, any number (including zero) and type of register files, bypass networks, address generation units, and execution units, in any combination.

[0394] In at least one embodiment, register networks 2708, 2710 may be arranged between uop schedulers 2702, 2704, 2706, and execution units 2712, 2714, 2716, 2718, 2720, 2722, and 2724. In at least one embodiment, integer register file / bypass network 2708 performs integer operations. In at least one embodiment, floating point register file / bypass network 2710 performs floating point operations. In at least one embodiment, each of register networks 2708, 2710 may include, without limitation, a bypass network that may bypass or forward just completed results that have not yet been written into a register file to new dependent uops. In at least one embodiment, register networks 2708, 2710 may communicate data with each other. In at least one embodiment, integer register file / bypass network 2708 may include, without limitation, two separate register files, one register file for a low-order thirty-two bits of data and a second register file for a high order thirty-two bits of data. In at least one embodiment, floating point register file / bypass network 2710 may include, without limitation, 128-bit wide entries because floating point instructions typically have operands from 64 to 128 bits in width.

[0395] In at least one embodiment, execution units 2712, 2714, 2716, 2718, 2720, 2722, 2724 may execute instructions. In at least one embodiment, register networks 2708, 2710 store integer and floating point data operand values that micro-instructions need to execute. In at least one embodiment, processor 2700 may include, without limitation, any number and combination of execution units 2712, 2714, 2716, 2718, 2720, 2722, 2724. In at least one embodiment, floating point ALU 2722 and floating point move unit 2724, may execute floating point, MMX, SIMD, AVX and SSE, or other operations, including specialized machine learning instructions. In at  least one embodiment, floating point ALU 2722 may include, without limitation, a 64-bit by 64-bit floating point divider to execute divide, square root, and remainder micro ops. In at least one embodiment, instructions involving a floating point value may be handled with floating point hardware. In at least one embodiment, ALU operations may be passed to fast ALUs 2716, 2718. In at least one embodiment, fast ALUS 2716, 2718 may execute fast operations with an effective latency of half a clock cycle. In at least one embodiment, most complex integer operations go to slow ALU 2720 as slow ALU 2720 may include, without limitation, integer execution hardware for long-latency type of operations, such as a multiplier, shifts, flag logic, and branch processing. In at least one embodiment, memory load / store operations may be executed by AGUs 2712, 2714. In at least one embodiment, fast ALU 2716, fast ALU 2718, and slow ALU 2720 may perform integer operations on 64-bit data operands. In at least one embodiment, fast ALU 2716, fast ALU 2718, and slow ALU 2720 may be implemented to support a variety of data bit sizes including sixteen, thirty-two, 128, 256, etc. In at least one embodiment, floating point ALU 2722 and floating point move unit 2724 may be implemented to support a range of operands having bits of various widths, such as 128-bit wide packed data operands in conjunction with SIMD and multimedia instructions.

[0396] In at least one embodiment, uop schedulers 2702, 2704, 2706 dispatch dependent operations before a parent load has finished executing. In at least one embodiment, as uops may be speculatively scheduled and executed in processor 2700, processor 2700 may also include logic to handle memory misses. In at least one embodiment, if a data load misses in a data cache, there may be dependent operations in flight in a pipeline that have left a scheduler with temporarily incorrect data. In at least one embodiment, a replay mechanism tracks and re-executes instructions that use incorrect data. In at least one embodiment, dependent operations might need to be replayed and independent ones may be allowed to complete. In at least one embodiment, schedulers and a replay mechanism of at least one embodiment of a processor may also be designed to catch instruction sequences for text string comparison operations.

[0397] In at least one embodiment, “registers” may refer to on-board processor storage locations that may be used as part of instructions to identify operands. In at least one embodiment, registers may be those that may be usable from outside of a processor (from a programmer’s perspective) . In at least one embodiment, registers might not be limited to a  particular type of circuit. Rather, in at least one embodiment, a register may store data, provide data, and perform functions described herein. In at least one embodiment, registers described herein may be implemented by circuitry within a processor using any number of different techniques, such as dedicated physical registers, dynamically allocated physical registers using register renaming, combinations of dedicated and dynamically allocated physical registers, etc. In at least one embodiment, integer registers store 32-bit integer data. A register file of at least one embodiment also contains eight multimedia SIMD registers for packed data.

[0398] In at least one embodiment, processor 2700 or each core of processor 2700 includes one or more prefetchers, one or more fetchers, one or more pre-decoders, one or more decoders to decode data (e.g., instructions) , one or more instruction queues to process instructions (e.g., corresponding to operations or API calls) , one or more micro-operation (μOP) cache to store μOPs, one or more micro-operation (μOP) queues, an in-order execution engine, one or more load buffers, one or more store buffers, one or more reorder buffers, one or more fill buffers, an out-of-order execution engine, one or more ports, one or more shift and / or shifter units, one or more fused multiply accumulate (FMA) units, one or more load and store units ( “LSUs” ) to perform load of store operations corresponding to loading / storing data (e.g., instructions) to perform an operation (e.g., perform an API, an API call) , one or more matrix multiply accumulate (MMA) units, and / or one or more shuffle units to perform any function further described herein with respect to said processor 2700. In at least one embodiment processor 2700 can access, use, perform, or execute instructions corresponding to calling an API.

[0399] In at least one embodiment, processor 2700 includes one or more ultra path interconnects (UPIs) , e.g., that is a point-to-point processor interconnect; one or more PCIe’s; one or more accelerators to accelerate computations or operations; and / or one or more memory controllers. In at least one embodiment, processor 2700 includes a shared last level cache (LLC) that is coupled to one or more memory controllers, which can enable shared memory access across processor cores.

[0400] In at least one embodiment, processor 2700 or a core of processor 2700 has a mesh architecture where processor cores, on-chip caches, memory controllers, and I / O controllers are organized in rows and columns, with wires and switches connecting them at each intersection to allow for turns. In at least one embodiment, processor 2700 has one or more higher memory  bandwidths (HMBs, e.g., HMBe) to store data or cache data, e.g., in Double Data Rate 5 Synchronous Dynamic Random-Access Memory (DDR5 SDRAM) . In at least one embodiment, one or more components of processor 2700 are interconnected using compute express link (CXL) interconnects. In at least one embodiment, a memory controller uses a "least recently used" (LRU) approach to determine what gets stored in a cache. In at least one embodiment, processor 2700 includes one or more PCIe’s (e.g., PCIe 5.0) .

[0401] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment portions or all of logic 1115 may be incorporated into execution block 2711 and other memory or registers shown or not shown. For example, in at least one embodiment, training and / or inferencing techniques described herein may use one or more of ALUs illustrated in execution block 2711. Moreover, weight parameters may be stored in on-chip or off-chip memory and / or registers (shown or not shown) that configure ALUs of execution block 2711 to perform one or more machine learning algorithms, neural network architectures, use cases, or training techniques described herein.

[0402] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0403] FIG. 28 illustrates a deep learning application processor 2800, according to at least one embodiment. In at least one embodiment, deep learning application processor 2800 uses instructions that, if executed by deep learning application processor 2800, cause deep learning application processor 2800 to perform some or all of processes and techniques described throughout this disclosure. In at least one embodiment, deep learning application processor 2800 is an application-specific integrated circuit (ASIC) . In at least one embodiment, application processor 2800 performs matrix multiply operations either “hard-wired” into hardware as a result of performing one or more instructions or both. In at least one embodiment, deep learning application processor 2800 includes, without limitation, processing clusters 2810 (1) -2810 (12) , Inter-Chip Links ( “ICLs” ) 2820 (1) -2820 (12) , Inter-Chip Controllers ( “ICCs” ) 2830 (1) -2830 (2) ,  high-bandwidth memory second generation ( “HBM2” ) 2840 (1) -2840 (4) , memory controllers ( “Mem Ctrlrs” ) 2842 (1) -2842 (4) , high bandwidth memory physical layer ( “HBM PHY” ) 2844 (1) -2844 (4) , a management-controller central processing unit ( “management-controller CPU” ) 2850, a Serial Peripheral Interface, Inter-Integrated Circuit, and General Purpose Input / Output block ( “SPI, I2C, GPIO” ) 2860, a peripheral component interconnect express controller and direct memory access block ( “PCIe Controller and DMA” ) 2870, and a sixteen-lane peripheral component interconnect express port ( “PCI Express x 16” ) 2880.

[0404] In at least one embodiment, processing clusters 2810 may perform deep learning operations, including inference or prediction operations based on weight parameters calculated one or more training techniques, including those described herein. In at least one embodiment, each processing cluster 2810 may include, without limitation, any number and type of processors. In at least one embodiment, deep learning application processor 2800 may include any number and type of processing clusters 2800. In at least one embodiment, Inter-Chip Links 2820 are bi-directional. In at least one embodiment, Inter-Chip Links 2820 and Inter-Chip Controllers 2830 enable multiple deep learning application processors 2800 to exchange information, including activation information resulting from performing one or more machine learning algorithms embodied in one or more neural networks. In at least one embodiment, deep learning application processor 2800 may include any number (including zero) and type of ICLs 2820 and ICCs 2830.

[0405] In at least one embodiment, HBM2s 2840 provide a total of 32 Gigabytes (GB) of memory. In at least one embodiment, HBM2 2840 (i) is associated with both memory controller 2842 (i) and HBM PHY 2844 (i) where “i” is an arbitrary integer. In at least one embodiment, any number of HBM2s 2840 may provide any type and total amount of high bandwidth memory and may be associated with any number (including zero) and type of memory controllers 2842 and HBM PHYs 2844. In at least one embodiment, SPI, I2C, GPIO 2860, PCIe Controller and DMA 2870, and / or PCIe 2880 may be replaced with any number and type of blocks that enable any number and type of communication standards in any technically feasible fashion.

[0406] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment, deep learning application processor is used to train a machine learning model, such as a neural network, to predict or infer information  provided to deep learning application processor 2800. In at least one embodiment, deep learning application processor 2800 is used to infer or predict information based on a trained machine learning model (e.g., neural network) that has been trained by another processor or system or by deep learning application processor 2800. In at least one embodiment, processor 2800 may be used to perform one or more neural network use cases described herein.

[0407] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0408] FIG. 29 is a block diagram of a neuromorphic processor 2900, according to at least one embodiment. In at least one embodiment, neuromorphic processor 2900 may receive one or more inputs from sources external to neuromorphic processor 2900. In at least one embodiment, these inputs may be transmitted to one or more neurons 2902 within neuromorphic processor 2900. In at least one embodiment, neurons 2902 and components thereof may be implemented using circuitry or logic, including one or more arithmetic logic units (ALUs) . In at least one embodiment, neuromorphic processor 2900 may include, without limitation, thousands or millions of instances of neurons 2902, but any suitable number of neurons 2902 may be used. In at least one embodiment, each instance of neuron 2902 may include a neuron input 2904 and a neuron output 2906. In at least one embodiment, neurons 2902 may generate outputs that may be transmitted to inputs of other instances of neurons 2902. For example, in at least one embodiment, neuron inputs 2904 and neuron outputs 2906 may be interconnected via synapses 2908.

[0409] In at least one embodiment, neurons 2902 and synapses 2908 may be interconnected such that neuromorphic processor 2900 operates to process or analyze information received by neuromorphic processor 2900. In at least one embodiment, neurons 2902 may transmit an output pulse (or “fire” or “spike” ) when inputs received through neuron input 2904 exceed a threshold. In at least one embodiment, neurons 2902 may sum or integrate signals received at neuron inputs 2904. For example, in at least one embodiment, neurons 2902 may be implemented as leaky integrate-and-fire neurons, wherein if a sum (referred to as a “membrane potential” ) exceeds a  threshold value, neuron 2902 may generate an output (or “fire” ) using a transfer function such as a sigmoid or threshold function. In at least one embodiment, a leaky integrate-and-fire neuron may sum signals received at neuron inputs 2904 into a membrane potential and may also apply a decay factor (or leak) to reduce a membrane potential. In at least one embodiment, a leaky integrate-and-fire neuron may fire if multiple input signals are received at neuron inputs 2904 rapidly enough to exceed a threshold value (i.e., before a membrane potential decays too low to fire) . In at least one embodiment, neurons 2902 may be implemented using circuits or logic that receive inputs, integrate inputs into a membrane potential, and decay a membrane potential. In at least one embodiment, inputs may be averaged, or any other suitable transfer function may be used. Furthermore, in at least one embodiment, neurons 2902 may include, without limitation, comparator circuits or logic that generate an output spike at neuron output 2906 when result of applying a transfer function to neuron input 2904 exceeds a threshold. In at least one embodiment, once neuron 2902 fires, it may disregard previously received input information by, for example, resetting a membrane potential to 0 or another suitable default value. In at least one embodiment, once membrane potential is reset to 0, neuron 2902 may resume normal operation after a suitable period of time (or refractory period) .

[0410] In at least one embodiment, neurons 2902 may be interconnected through synapses 2908. In at least one embodiment, synapses 2908 may operate to transmit signals from an output of a first neuron 2902 to an input of a second neuron 2902. In at least one embodiment, neurons 2902 may transmit information over more than one instance of synapse 2908. In at least one embodiment, one or more instances of neuron output 2906 may be connected, via an instance of synapse 2908, to an instance of neuron input 2904 in same neuron 2902. In at least one embodiment, an instance of neuron 2902 generating an output to be transmitted over an instance of synapse 2908 may be referred to as a “pre-synaptic neuron” with respect to that instance of synapse 2908. In at least one embodiment, an instance of neuron 2902 receiving an input transmitted over an instance of synapse 2908 may be referred to as a “post-synaptic neuron” with respect to that instance of synapse 2908. Because an instance of neuron 2902 may receive inputs from one or more instances of synapse 2908, and may also transmit outputs over one or more instances of synapse 2908, a single instance of neuron 2902 may therefore be both a “pre-synaptic neuron” and “post-synaptic neuron, ” with respect to various instances of synapses 2908, in at least one embodiment.

[0411] In at least one embodiment, neurons 2902 may be organized into one or more layers. In at least one embodiment, each instance of neuron 2902 may have one neuron output 2906 that may fan out through one or more synapses 2908 to one or more neuron inputs 2904. In at least one embodiment, neuron outputs 2906 of neurons 2902 in a first layer 2910 may be connected to neuron inputs 2904 of neurons 2902 in a second layer 2912. In at least one embodiment, layer 2910 may be referred to as a “feed-forward layer. ” In at least one embodiment, each instance of neuron 2902 in an instance of first layer 2910 may fan out to each instance of neuron 2902 in second layer 2912. In at least one embodiment, first layer 2910 may be referred to as a “fully connected feed-forward layer. ” In at least one embodiment, each instance of neuron 2902 in an instance of second layer 2912 may fan out to fewer than all instances of neuron 2902 in a third layer 2914. In at least one embodiment, second layer 2912 may be referred to as a “sparsely connected feed-forward layer. ” In at least one embodiment, neurons 2902 in second layer 2912 may fan out to neurons 2902 in multiple other layers, including to neurons 2902 also in second layer 2912. In at least one embodiment, second layer 2912 may be referred to as a “recurrent layer. ” In at least one embodiment, neuromorphic processor 2900 may include, without limitation, any suitable combination of recurrent layers and feed-forward layers, including, without limitation, both sparsely connected feed-forward layers and fully connected feed-forward layers.

[0412] In at least one embodiment, neuromorphic processor 2900 may include, without limitation, a reconfigurable interconnect architecture or dedicated hard-wired interconnects to connect synapse 2908 to neurons 2902. In at least one embodiment, neuromorphic processor 2900 may include, without limitation, circuitry or logic that allows synapses to be allocated to different neurons 2902 as needed based on neural network topology and neuron fan-in / out. For example, in at least one embodiment, synapses 2908 may be connected to neurons 2902 using an interconnect fabric, such as network-on-chip, or with dedicated connections. In at least one embodiment, synapse interconnections and components thereof may be implemented using circuitry or logic.

[0413] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non- transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0414] FIG. 30 is a block diagram of a processing system, according to at least one embodiment. In at least one embodiment, system 3000 includes one or more processors 3002 and one or more graphics processors 3008, and may be a single processor desktop system, a multiprocessor workstation system, or a server system having a large number of processors 3002 or processor cores 3007. In at least one embodiment, system 3000 is a processing platform incorporated within a system-on-a-chip (SoC) integrated circuit for use in mobile, handheld, or embedded devices. In at least one embodiment, one or more graphics processors 3008 include one or more graphics cores 2200.

[0415] In at least one embodiment, system 3000 can include, or be incorporated within a server-based gaming platform, a game console, including a game and media console, a mobile gaming console, a handheld game console, or an online game console. In at least one embodiment, system 3000 is a mobile phone, a smart phone, a tablet computing device or a mobile Internet device. In at least one embodiment, processing system 3000 can also include, couple with, or be integrated within a wearable device, such as a smart watch wearable device, a smart eyewear device, an augmented reality device, or a virtual reality device. In at least one embodiment, processing system 3000 is a television or set top box device having one or more processors 3002 and a graphical interface generated by one or more graphics processors 3008.

[0416] In at least one embodiment, one or more processors 3002 each include one or more processor cores 3007 to process instructions which, when executed, perform operations for system and user software. In at least one embodiment, each of one or more processor cores 3007 is configured to process a specific instruction sequence 3009. In at least one embodiment, instruction sequence 3009 may facilitate Complex Instruction Set Computing (CISC) , Reduced Instruction Set Computing (RISC) , or computing via a Very Long Instruction Word (VLIW) . In at least one embodiment, processor cores 3007 may each process a different instruction sequence 3009, which may include instructions to facilitate emulation of other instruction sequences. In at least one embodiment, processor core 3007 may also include other processing devices, such a Digital Signal Processor (DSP) .

[0417] In at least one embodiment, processor 3002 includes a cache memory 3004. In at least one embodiment, processor 3002 can have a single internal cache or multiple levels of internal cache. In at least one embodiment, cache memory is shared among various components of processor 3002. In at least one embodiment, processor 3002 also uses an external cache (e.g., a Level-3 (L3) cache or Last Level Cache (LLC) ) (not shown) , which may be shared among processor cores 3007 using known cache coherency techniques. In at least one embodiment, a register file 3006 is additionally included in processor 3002, which may include different types of registers for storing different types of data (e.g., integer registers, floating point registers, status registers, and an instruction pointer register) . In at least one embodiment, register file 3006 may include general-purpose registers or other registers.

[0418] In at least one embodiment, one or more processor (s) 3002 are coupled with one or more interface bus (es) 3010 to transmit communication signals such as address, data, or control signals between processor 3002 and other components in system 3000. In at least one embodiment, interface bus 3010 can be a processor bus, such as a version of a Direct Media Interface (DMI) bus. In at least one embodiment, interface bus 3010 is not limited to a DMI bus, and may include one or more Peripheral Component Interconnect buses (e.g., PCI, PCI Express) , memory busses, or other types of interface busses. In at least one embodiment processor (s) 3002 include an integrated memory controller 3016 and a platform controller hub 3030. In at least one embodiment, memory controller 3016 facilitates communication between a memory device and other components of system 3000, while platform controller hub (PCH) 3030 provides connections to I / O devices via a local I / O bus.

[0419] In at least one embodiment, a memory device 3020 can be a dynamic random access memory (DRAM) device, a static random access memory (SRAM) device, flash memory device, phase-change memory device, or some other memory device having suitable performance to serve as process memory. In at least one embodiment, memory device 3020 can operate as system memory for system 3000, to store data 3022 and instructions 3021 for use when one or more processors 3002 executes an application or process. In at least one embodiment, memory controller 3016 also couples with an optional external graphics processor 3012, which may communicate with one or more graphics processors 3008 in processors 3002 to perform graphics and media operations. In at least one embodiment, a display device 3011 can connect to  processor (s) 3002. In at least one embodiment, display device 3011 can include one or more of an internal display device, as in a mobile electronic device or a laptop device, or an external display device attached via a display interface (e.g., DisplayPort, etc. ) . In at least one embodiment, display device 3011 can include a head mounted display (HMD) such as a stereoscopic display device for use in virtual reality (VR) applications or augmented reality (AR) applications.

[0420] In at least one embodiment, platform controller hub 3030 enables peripherals to connect to memory device 3020 and processor 3002 via a high-speed I / O bus. In at least one embodiment, I / O peripherals include, but are not limited to, an audio controller 3046, a network controller 3034, a firmware interface 3028, a wireless transceiver 3026, touch sensors 3025, a data storage device 3024 (e.g., hard disk drive, flash memory, etc. ) . In at least one embodiment, data storage device 3024 can connect via a storage interface (e.g., SATA) or via a peripheral bus, such as a Peripheral Component Interconnect bus (e.g., PCI, PCI Express) . In at least one embodiment, touch sensors 3025 can include touch screen sensors, pressure sensors, or fingerprint sensors. In at least one embodiment, wireless transceiver 3026 can be a Wi-Fi transceiver, a Bluetooth transceiver, or a mobile network transceiver such as a 3G, 4G, or Long Term Evolution (LTE) transceiver. In at least one embodiment, firmware interface 3028 enables communication with system firmware, and can be, for example, a unified extensible firmware interface (UEFI) . In at least one embodiment, network controller 3034 can enable a network connection to a wired network. In at least one embodiment, a high-performance network controller (not shown) couples with interface bus 3010. In at least one embodiment, audio controller 3046 is a multi-channel high definition audio controller. In at least one embodiment, system 3000 includes an optional legacy I / O controller 3040 for coupling legacy (e.g., Personal System 2 (PS / 2) ) devices to system 3000. In at least one embodiment, platform controller hub 3030 can also connect to one or more Universal Serial Bus (USB) controllers 3042 connect input devices, such as keyboard and mouse 3043 combinations, a camera 3044, or other USB input devices.

[0421] In at least one embodiment, an instance of memory controller 3016 and platform controller hub 3030 may be integrated into a discreet external graphics processor, such as external graphics processor 3012. In at least one embodiment, platform controller hub 3030  and / or memory controller 3016 may be external to one or more processor (s) 3002. For example, in at least one embodiment, system 3000 can include an external memory controller 3016 and platform controller hub 3030, which may be configured as a memory controller hub and peripheral controller hub within a system chipset that is in communication with processor (s) 3002.

[0422] Logic 1115 are used to perform inferencing and / or training operations associated with one or more embodiments. Details regarding logic 1115 are provided herein in conjunction with FIGS. 11A and / or 11B. In at least one embodiment portions or all of logic 1115 may be incorporated into graphics processor 3008. For example, in at least one embodiment, training and / or inferencing techniques described herein may use one or more of ALUs embodied in a 3D pipeline. Moreover, in at least one embodiment, inferencing and / or training operations described herein may be done using logic other than logic illustrated in FIGS. 11A or 11B. In at least one embodiment, weight parameters may be stored in on-chip or off-chip memory and / or registers (shown or not shown) that configure ALUs of graphics processor 3008 to perform one or more machine learning algorithms, neural network architectures, use cases, or training techniques described herein.

[0423] In at least one embodiment, embodiments described in relation to preceding figure (s) are incorporated into embodiments described in relation to FIGS. 1-10. For example, in at least one embodiment, said preceding figure (s) incorporates circuit, processors, systems, or non-transitory computer readable media may be used to implement generating cluster performance evaluation metrics.

[0424] FIG. 31 is a block diagram of a processor 3100 having one or more processor cores 3102A-3102N, an integrated memory controller 3114, and an integrated graphics processor 3108, according to at least one embodiment. In at least one embodiment, processor 3100 can include additional cores up to and including additional core 3102N represented by dashed lined boxes. In at least one embodiment, each of processor cores 3102A-3102N includes one or more internal cache units 3104A-3104N. In at least one embodiment, each processor core also has access to one or more shared cached units 3106. In at least one embodiment, graphics processor 3108 includes one or more graphics cores 2200.

[0425] In at least one embodiment, internal cache units 3104A-3104N and shared cache units 3106 represent a cache memory hierarchy within processor 3100. In at least one embodiment, cache memory units 3104A-3104N may include at least one level of instruction and data cache within each processor core and one or more levels of shared mid-level cache, such as a Level 2 (L2) , Level 3 (L3) , Level 4 (L4) , or other levels of cache, where a highest level of cache before external memory is classified as an LLC. In a...

Claims

1.A processor comprising:one or more circuits to cause one or more performance metrics corresponding to one or more data clustering algorithms to be generated based, at least in part, on one or more vectors generated by one or more neural networks to indicate a relationship among members of one or more clusters of data generated using the one or more data clustering algorithms.2.The processor of claim 1, wherein the vectors to be generated by the one or more neural networks indicative of data not grouped with the one or more clusters of data.3.The processor of claim 1, wherein the vectors to be generated by the one or more neural networks are indicative of noisy data among members of one or more clusters of data.4.The processor of claim 1, wherein the vectors to be generated by the one or more neural networks indicative of duplicate clusters of data among members of one or more clusters of data.5.The processor of claim 1, further comprising generating the one or more clusters of data using the one or more data clustering algorithms, wherein the one or more clusters of data is based, at least in part, on unstructured textual data.6.The processor of claim 1, wherein the vectors to be generated by the one or more neural networks indicative of a semantic relationship between members of the one or more clusters of data.7.The processor of claim 1, wherein the one or more performance metrics corresponding to the one or more data clustering algorithms are to be generated based, at least in part, on one or more performance metrics indicative of at least one of an amount of unclustered data, noisy data, duplicate clusters, or sub-clusters to be merged.8.A system, comprising:one or more processors to cause one or more performance metrics corresponding to one or more data clustering algorithms to be generated based, at least in part, on one or more vectors generated by one or more neural networks to indicate a relationship among members of one or more clusters of data generated using the one or more data clustering algorithms.9.The system of claim 8, wherein the vectors to be generated by the one or more neural networks indicative of unclustered data among members of one or more clusters of data.10.The system of claim 8, wherein the vectors to be generated by the one or more neural networks indicative of noisy data among members of one or more clusters of data.11.The system of claim 8, wherein the vectors to be generated by the one or more neural networks indicative of duplicate clusters of data among members of one or more clusters of data.12.The system of claim 8, further comprising generating the one or more clusters of data using the one or more data clustering algorithms, wherein the one or more clusters of data is based, at least in part, on unstructured textual data.13.The system of claim 8, wherein the vectors to be generated by the one or more neural networks indicative of a semantic relationship between members of the one or more clusters of data generated using the one or more data clustering algorithms.14.The system of claim 8, wherein the one or more performance metrics corresponding to the one or more data clustering algorithms to be generated is based, at least in part on, one or more performance metrics related to at least one of an amount of unclustered data, noisy data, duplicate clusters or sub-clusters to be merged, among the members of the one or more clusters of data.15.A method, comprising:generating one or more performance metrics corresponding to one or more data clustering algorithms to be generated based, at least in part, on one or more vectors generated by one or more neural networks to indicate a relationship among members of one or more clusters of data generated using the one or more data clustering algorithms.16.The method of claim 15, wherein the one or more performance metrics corresponding to the one or more data clustering algorithms to be generated is based, at least in part on generating one or more performance metrics related to at least one of an amount of unclustered data, noisy data, duplicate clusters or sub-clusters to be merged, among the members of the one or more clusters of data.17.The method of claim 15, further comprising generating vectors by the one or more neural networks to indicate a semantic relationship between members of the one or more clusters of data generated using the one or more data clustering algorithms.18.The method of claim 15, further comprising: updating parameters of one or more data clustering algorithms based, at least in part on, the one or more performance metrics.19.The method of claim 15, further comprising generating a similarity matrix based, at least in part on the vectors generated by the one or more neural networks.20.The method of claim 19, further comprising generating one or more performance metrics related to an amount of unclustered data, noisy data, duplicate clusters, and / or sub-clusters to be merged, among the members of the one or more clusters of data based, at least in part, on the similarity matrix.

Images