在 中文 中使用 Tensor 的示例及其翻译为 日语
{-}
-
Ecclesiastic
-
Programming
-
Computer
什么是Tensor核心？
Tensorコアとは？Tensor与numpy的Array的相互转换.
TensorとNumPy配列の交互変換。除了维度外，tensor还有数据类型。
将输入Tensor中的每一个字符串转化成指定的数字类型.
入力Tensorの各文字列を指定された数値型に変換します。使用强大的GPU加速的Tensor计算（类似numpy）.
強いGPU加速を用いたテンソル計算（NumPyなど）。Variables是由tensor的值来初始化的。
Variableはテンソル値で初期化されます。我在开始写这篇文章之前，从未听说过“Tensor核心”这个词。
このブログを書き始めるまで、私はTensorコアを聞いたことがありませんでした。利用TuringTensor核心提供无与伦比的AI加速性能.
TuringTensorコアによる比類なきAIの高速化。从公布的参数来看，TITANRTX拥有4608个CUDA核心，576个TensorCore。
CUDAコアは4608個、Tensorコアは576個。你可以认为一个TensorFlow的tensor是一个n维数组或者列表。
TensorFlowのテンソルは、n次元の配列あるいはリストだ。Tensorrank（有时称为顺序或度数或n维）是张量的阶。
テンソルのRank（時々、次数または次数またはn次元と呼ばれる）は、テンソルの次元数です。例如，下面的tensor（定义为一个Python列表）的秩为2：.
たとえば、次のテンソル（Pythonリストとして定義されています）のランクは2です。Tensorrank（有时称为顺序或度数或n维）是张量的维数。
テンソルのRank（時々、次数または次数またはn次元と呼ばれる）は、テンソルの次元数です。胶子场强度张量（英语：gluonfieldstrengthtensor）.
グルーオン場の強さテンソル（英語版）(Gluonfieldstrengthtensor)。TensorFlow程序使用tensor数据结构来代表所有的数据。
TensorFlowプログラムは、テンソルデータ構造を使用してすべてのデータを表現する。目前，为了获得实时结果，GauGAN必须在Tensor计算平台上运行。
リアルタイムで結果を得るためには、GauGANはTensorコアを使った計算機プラットフォーム上で実行する必要がある。Tensor和Numpy的ndarrays类似，但Tensor可以使用GPU进行加速….
TensorはNumpyのndarrayと似ているものの、GPUで利用されることができ、計算を加速することができる。训练操作使用VoltaTensorCore并运行45,000个步骤以达到等于34的困惑度。
トレーニングでは、VoltaTensorコアを使用し、45,000回の試行で34というパープレキシティを達成しました。能够做到这一点是因为，每个TeslaV100GPU包含5120CUDA个核心和640个Tensor核心。
これが可能になるのは、各TeslaV100GPUには5,120のCUDACoreおよび640のTensorCoreが含まれているためです。这些库与NVIDIATensorCoreGPU无缝地配合工作，加快基于AI的应用程序的开发和部署速度。
これらはすべてNVIDIATensorコアGPUとシームレスに動作し、AIベースのアプリケーションの開発および展開を高速化します。编写新的神经网络模块，或PyTorch的TensorAPI的使用，其设计非常直接和最小的抽象。
新しいニューラルネットワークモジュールの作成やPyTorchのTensorAPIとのインターフェースは、最小限の抽象化を伴って簡単であるように設計されました。亚马逊的DeepScalableSparseTensorNetworkEngine（DSSTNE）是一个为机器学习、深度学习构建模型的库。
AmazonのDSSTNE（DeepScalableSparseTensorNetworkEngine）は機械学習及びディープラーニングのモデル構築用のライブラリです。编写新的神经网络模块，或与PyTorch的TensorAPI进行接口的设计是简单而且抽象最少的。
新しいニューラルネットワークモジュールの作成やPyTorchのTensorAPIとのインターフェースは、最小限の抽象化を伴って簡単であるように設計されました。在其核心，它的CPU和GPUTensor与神经网络后端(TH、THC、THNN、THCUNN)被编写成了独立的库，带有C99API。
コアでは、CPUとGPUTensorとニューラルネットワークのバックエンド（TH、THC、THNN、THCUNN）はC99APIを使って独立したライブラリとして書かれています。根据NVIDIA博客上的这篇非常有帮助的文章的介绍，Tensor核心是专为加快大型、深度神经网络的训练和推理而设计的。
大変有益なNVIDIAブログの記事によると、Tensorコアは大きなDeepNeuralNetworkの学習や推論を高速化するために設計されています。DeepScalableSparseTensorNetworkEngine（DSSTNE）库现在可以以Apache2.0许可证从GitHub获得了。
GitHubに公開されたこの「DeepScalableSparseTensorNetworkEngine（DSSTNE）」ライブラリは、「Apache2.0」ライセンスの下で利用可能になっている。下图取自Google的TPU论文《In-DatacenterPerformanceAnalysisofaTensorProcessingUnit》。
ISCA論文のレビュー版「In-DatacenterPerformanceAnalysisofaTensorProcessingUnit」。神经网络中大量使用了同类型的运算，可以使用GPU和Googles自身的TPU（TensorProcessingUnit）对这样的运算进行优化。
ニューラルネットワークには、GPUやGoogle自身のTensorProcessingUnit(TPU)で最適化できる計算がたくさん使われている。它也支持增强的FP16，从而加速为AmazonEC2P3实例提供支持的NVIDIAVoltaV100GPU的Tensor核心上的混合精度训练。
また、強化されたFP16に対応しているため、TensorCoreのNVIDIAVoltaV100 GPUで動作するAmazonEC2P3インスタンスでの混合精度トレーニングを高速化できます。
