intel cpu型號的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

intel cpu型號進入發燒排行的影片

運用GPU計算於果蠅腦影像大數據分析平台

為了解決intel cpu型號的問題，作者毛俊傑 這樣論述：

隨著越來越多的果蠅腦驅動影像以及神經元影像的產生，對於了解驅動影像間的相似度、神經元影像間的相似度以及驅動影像與神經元影像的組成關係就顯得格外的重要。對於驅動影像間的相似度、神經元影像間的相似度以及驅動影像與神經元的相似度，我們歸納出此三種相似度的重要意義:1.利用神經元影像間的相似度，可以知道兩條神經中，互相傳遞訊息的區塊。2.利用驅動影像與神經元的相似度，我們可以知道這個驅動的基因表現與哪些神經元細胞是有關聯的，此外我們也可以利用基因來控制神經元細胞的表現。3. 雖然驅動影像間的相似度的重要性不比驅動影像與神經元的相似度、神經元影像間的相似度來的重要，但其功用是當生物學家在做實驗時，可以

挑出基因表現最好的驅動來做實驗。我們擁有28000多筆的果蠅腦神經元影像跟10000多筆的果蠅腦驅動影像，而驅動影像、神經元影像及驅動-神經元影像之間的相似度則是透過比對壓縮影像(CRS)來求得。CRS是一種傳統的矩陣壓縮技術，可以將非零值取出並且移除換行符號，因此讀取速度相當快速。而為求得驅動對驅動、驅動對神經以及神經對神經的相似度分數，高達5000萬次、2億5000萬次及4億次的比對被個別完成。在本篇論文中我們將比對方式分為完整比對與模糊比對，完整比對顧名思義就是在座標位置完全一樣時將此位置的VALUE記錄下來，而模糊比對會根據原本的座標值做一個誤差值的範圍，如正負一等。對於每次的比對來說

，一個以像素為基底的比對方法被設計來比對兩兩的圖像資料，每一次的比對都包含了數十萬甚至是數千萬個像素點。因此，我們利用圖形處理器的技術來減少計算時間的消耗將會是本篇論文的主軸。而近年來圖形處理器(Graphic Processing Units)的運算能力有著突破性的發展，並且已經應用到許多的研究領域，如何利用圖型處理器的相關技術來提升影像比對的效能，將會是一個頗為重要的研究議題。果蠅影像比對是在這整個架構中時間耗費最長的一環，不光只是比對次數多，每個神經元以及驅動影像的點個數更可以高達60萬與4000萬。因此將大量的果蠅腦神經元及驅動影像拿來做比對是需要消耗非常多的時間，所以在本篇論文中，我

們提出了一套以GPU的演算法來減少影像比對時間的消耗。我們所使用機器的CPU型號為 Intel Xeon E5-2650 v2；而GPU的部份我們使用的是NVIDIA Tesla K20m與NVIDIA Tesla K40m，並且在驅動對驅動的比對中，K20m可快達30倍，而K40m則可快達100倍；在驅動對神經的比對中，K20m最快則有10倍，K40m最快30倍；最後在神經對神經的比對中，K20m最快有30倍，K40m則可高達66倍。