如何降低云网络时延？

最广为用户诟病的还属骁龙888。

在首批使用者的测试中，不少数码评测博主都指出首发骁龙888的小米11性能提升有限，功耗直接上升。有人将此归结于骁龙888的代工厂三星的5nm工艺制程的不成熟，由此以来三星自己的两款5nm芯片也面临“翻车”风险。

如果按照摩尔定律，芯片的晶体管数量每隔18个月翻一番，性能也将提升一倍，但晶体管的微缩越来越难，如今在从7nm到5nm的推进中，手机芯片的表现似乎并不尽人意，不仅在性能提升方面受限，功耗也“翻车”，面临先进制程性价比上的尴尬。

为何5nm芯片频频翻车?当芯片工艺制程越先进时，性能与功耗究竟如何变化?

设计时性能优先，制造时工艺不成熟

集成电路的功耗可以分为动态功耗和静态功耗。

动态功耗通俗易懂，指的是电路状态变化时产生的功耗，计算方法与普通电路类似，依据物理公式P=UI，动态功耗受到电压和电流的影响。

静态功耗即每个MOS管泄露电流产生的功耗，尽管每个MOS管产生的漏电流很小，但由于一颗芯片往往集成上亿甚至上百亿的晶体管，从而导致芯片整体的静态功耗较大。

在芯片工艺制程发展过程中，当工艺制程还不太先进时，动态功耗占比大，业界通过放弃最初的5V固定电压的设计模式，采用等比降压减慢功耗的增长速度。

不过，电压减小同样意味着晶体管的开关会变慢，部分更加注重性能的厂商，即便是采用更先进的工艺也依然保持5V供电电压，最终导致功耗增大。

随着工艺节点的进步，静态功耗的重要性逐渐显现。从英特尔和IBM的芯片工艺发展中可以看出，在工艺制程从180nm到45nm的演进过程中，晶体管集成度增速不同，动态功耗或增加或减少，但静态功耗一直呈上升趋势， 45nm时，静态功耗几乎与动态功耗持平。
 

业务问题描述不当

只要有一个工作人员出错，你就会面临这个挑战。数据科学专家的主要工作之一就是做业务问题描述——这也就是起初使用数据科学的原因。

实际上，多数情况下描述不是某个数据科学专家自己，而是整个团队。团队里通常包括利益相关者，比如产品经理。但是，团队内可能出现技术脱节，任一方都可能对业务问题描述不当。

产品经理可能会说：“我们要提更多建议，大家才能买的更多”，而数据科学专家可能会说：“向大家推荐产品的时候，超过80%的情况下我们要有95%的把握。”

这两种问题描述总体来讲都很好，但都不够细化，或者只是勾勒出了问题的轮廓。问题描述是要从中找出解决方案，但是本身并不是解决方案。

以下是一个更好的业务问题描述问题的例子：“顾客平均每个订单只买一件东西”。

就是这么简单。一开始双方都想方设法将描述复杂化，但现在这样更高效。虽然没有解决方案，但人人都能看懂这种直接、通俗易懂的描述。

示例描述说明一件东西不够，那么解决方案可能就是如何让顾客更可能买一件以上的东西。一种数据科学解决方案就是使用机器学习推荐系统。在工作中不要好高骛远，而要专注于眼下的实际问题，这很重要。

数据失衡

任何真正与数据打交道的人大多都会遇到数据失衡的问题。比如，遇到分类问题时使用逻辑回归给新数据赋值0或1。目标变量预计0和1各占50%的可能。然而，结果完全出乎预料。

如果试着将一种新动物归类为狗或者猫，就需要猫狗各1000列的训练数据。这样，模型才足够辨别二者的不同之处。如果训练数据中猫有1900只，狗只有100只，那么就可能产生误解，认为多数新动物都是猫，这是个很常见的问题。

可能的解决方案是使用其他补强少数部分的机器学习算法，或者创建新的综合数据。有一种技术叫不均衡学习(imbalanced-learn)，可以采用下列具体方法进行过采样：

（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!