自己做网站图片存在哪里网络优化seo是什么工作

FSD, 参考资料来源FSD Chip - Tesla - WikiChip

另外可参考笔者之前分享文章：[自动驾驶技术]-6 Tesla自动驾驶方案之硬件（AI Day 2021），​​​​​​​[自动驾驶技术]-8 Tesla自动驾驶方案之硬件（AI Day 2022）

1 整体介绍

特斯拉FSD计算机架构：

- 双冗余SoC，冗余电源：每个SoC拥有独立的电源和操作系统，确保高可靠性。

- 传感器输入：包括IMU、雷达、GPS、超声波传感器、轮速计、转向角和地图数据。

-  8个外部摄像头和12个超声波传感器：同时将数据输入两个FSD芯片。

- 独立处理：两个芯片独立生成车辆未来行动计划，并交由安全系统进行比较和验证。

2 FSD芯片规格

特斯拉D1芯片由1个GPU，2个NPU，3簇12个ARM Cortex-A72 CPU核，安全核，视频编码器等模块组成。

- 制程工艺：14nm FinFET CMOS，12层金属

- 面积：260 mm²

- 晶体管数量：60亿

- 包装：37.5 x 37.5 mm FCBGA

- 处理器：12个Cortex-A72核心，2.2GHz

- 神经网络性能：36.86*2 TOPS

- 功耗：每芯片低于40W

3 芯片核心组件

- GPU：用于图像处理

- CPU：12核ARM Cortex-A72

- ISP（图像信号处理器）

- H.265视频编码器

- 内存控制器、PHYs、片上互连和外围设备

3.1) 神经网络加速器（NNA）

- 两个独立实例双神经处理单元（NPU）：每个NPU拥有32MB的SRAM，用于存储临时网络结果，减少数据移动。

- 设计频率：使用8位乘法和32位加法，2GHz+。

- 多路累加器阵列：每个NPU有96x96的乘加阵列，总共9,216个MACs和18,432个操作。

- 硬件SIMD、ReLU和Pooling单元（参见3.2和3.3）。

- 每个实例32MB SRAM，优化带宽；操作流程在每个周期中，数据从SRAM读入MAC阵列进行计算，结果数据写回SRAM。

- 激活函数支持包括ReLU、Sigmoid Linear Unit (SiLU)、TanH。

3.2) SIMD数据路径

- 可编程SIMD单元，支持丰富的指令集

- 浮点与整数运算

- 支持所有指令的谓词化

- 量化硬件的流水线实现，融合ReLu、缩放和归一化层

3.3) 池化硬件

- 支持平均和最大池化

- 为最常见的小池化尺寸优化

- 重新排列输出像素以实现更快的池化

3.4）指令集和微架构：

- 简化硬件设计：一些硬件被简化，增加了软件复杂性，但降低了硅片成本。

- 软件优化：特斯拉的神经网络编译器负责层融合、内存访问平滑、通道填充和DMA操作。

- 运行模式：神经网络程序在芯片启动时加载并驻留内存，NPU在异步运行整个神经网络模型后中断CPU进行后处理。

4 特斯拉自研优势

• 优化性能：通过自研SoC，特斯拉可以针对特定的自动驾驶任务进行深度优化，提高处理效率和系统响应速度。
• 降低成本：自研芯片可以减少对第三方供应商的依赖，从而降低长远的成本。
• 增强控制：特斯拉可以完全掌控芯片的设计和生产过程，确保产品的质量和安全性，同时能够快速进行更新和改进。
• 知识产权：自研芯片可以保护特斯拉的技术和算法不被竞争对手轻易复制。

5 特斯拉NNA设计哲学

专注加速MAC操作：由于99.7%的操作是乘加（MAC），加速MAC能显著提升性能。

硬件专用量化和池化单元：提高整体速度和效率。

灵活的SIMD单元：支持丰富的指令集，包括整数和浮点运算。

灵活的状态机控制逻辑：减少控制功耗，支持复杂操作。

数据共享和最小化数据移动：减少SRAM和DRAM活动，进一步降低功耗。

单时钟域设计：支持DVFS（动态电压频率调整）以优化功耗和时钟分布。