Binary Semaphore 和 Reentrant Lock
|
此前雷锋网报道过，在先进制程的芯片制造方面，三星视台积电为最大的竞争对手，三星在同台积电的竞争中，先进制程的推进断断续续，曾经为了先发制人直接从7nm跳到7nm LPP EUV，二者同时在2020年实现5nm FF EUV 的量产，如今又都斥巨资投入3nm的研发与量产中。 上周五，台积电CEO魏哲家在投资人会议上宣布，台积电2021年资本的支出将高到250亿至280亿美元，其中80%会使用在包括3nm、5nm及7nm的先进制程上，10%用在高端封装及光罩作用，另外10%用在特殊制程上。 根据台积电3nm制程的进度，预计将在2021年试产，在2022年下半年进入量产，帮助英特尔代工3nm处理器芯片。 与此同时，三星也曾对外称其3nm GAA的成本可能会超过5亿美元，预期在2022年大规模生产采用比FinFET更为先进的GAAFET 3nm制程芯片。
回归到5nm移动处理器的实际情况，无论是出自哪家厂商的设计与生产，均面临性能和功耗方面的问题，5nm芯片似乎还未成熟，3nm量产就要今年开始试产。越来越趋于摩尔定律极限的3nm，真的准备好了吗? 同时，根据乔治敦大学沃尔什外交学院安全与新兴技术中心(CSET)的两位作者编写的一份题为《AI Chips: What They Are and Why They Matter》的报告，作者借助模型预估得出台积电每片5nm晶圆的收费可能约为17,000美元，是7nm的近两倍。 在估算的模型中，作者估算出每颗5nm芯片需要238美元的制造成本，108美元的设计成本以及80美元的封装和测试成本。这使得芯片设计公司将为每颗5nm芯片支付高到426美元(约2939元)的总成本金额。 这意味着，无论是芯片设计厂商还是芯片制造厂商，遵循摩尔定律发展到5nm及以下的先进制程，除了需要打破技术上的瓶颈，还需要有巨大的资本作为支撑，熬过研发周期和测试周期，为市场提供功耗和性能均有改善的芯片最终进入回报期。 因此，并不是业界所有人都对5nm芯片的推进持积极乐观的态度。芯片IP供应商Kandou的首席执行官Amin Shokrollahi曾在接受外媒采访时表示：“对我们而言，从7nm到5nm 是令人讨厌的，电路不会按比例缩放，而且需要很多费用，我们没有看到这其中的优势。但是客户希望我们这样做，所以我们不得不这样做。” 还有全球第二大芯片代工厂Global Foundries出于经济考虑，于2018年宣布搁置7nm 项目，将资源回归12nm/14nm 上。就连实力强大的英特尔也在10nm、7nm的研发过程中多次受阻。
不过，这依然无法阻止各家手机芯片设计厂商在先进制程上的竞争，更无法阻止三星和台积电之间的制程霸主争夺。 构建的数据科学模型将训练数据解析的太透彻就会出现过拟合问题。模型接收了训练数据中的详细信息，也包括数据中的噪音，所以过于具体，而这在预测新的真实数据时是无用的，结果模型就无法做出正确推断和归纳。模型的目的是处理好未见过的数据，所以要想办法找到能处理好新数据的解决办法并付诸使用。
特征不足 制定业务问题描述之后，通常还需要开始寻找数据，然后形成自己的特点，输入到数据科学模型中作为训练数据。对公司数据表了解的越多，就会发现还可以以其它纵列为新特征。不过，一开始特征有限的问题还有另一种解决办法。 构建当前度量的统计数据。例如，一般具有“每位用户点击量”特征，就会停止。但也可以从如下某一纵列中创建新的度量：
还有很多不同方式来描述该特征的范围。 版本控制 数据科学家非常习惯独自工作，喜欢对同一个重点项目创建20个不同版本的Jupyter Notebook。我们约定好了命名，但第二天就忘记了。然后，一切变得一团糟。但其实还有更好的方式——那就是Git和GitHub。
这些工具可以通过创建区别于主干/代码库的独立分支，帮你形成自己的代码变化。然后就可以创建一个拉取请求来比较代码变化，在获得他人认可后并入原件。如此一来，你就不仅是在创建代码评审，而且还允许大家注意到并更加了解你的特定代码。
如你所见，数据科学家会面临很多挑战，我所谈到的只是冰山一角。但这些问题是我经历最多的，我认为应该重点讨论的。希望我的方法能帮你顺利解决这些问题。 （编辑：广元站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
