某些最新的Intel处理器支持AVX-512系列矢量指令。它们以512位（64字节）的块形式执行。支持如此大指令的硬件的优势在于，处理器可在单个时钟周期内处理更多数据。如果代码中加载了64位字（8个字节），则从理论上讲，如果不考虑其他因素，则使用AVX-512指令可以将其加速八倍。用于x86命令系统的AVX-512扩展支持8个掩码寄存器，用于整数和小数及其操作的512位压缩格式，微调舍入模式（允许您覆盖全局设置），广播操作，抑制小数操作中的错误，收集/分散运算，快速数学运算，大偏移量的紧凑编码。AVX-512初始设置包括八组指令：- AVX-512冲突检测指令（CDI）
- AVX-512指数和倒数指令（ERI）
- AVX-512预取指令（PFI）
- AVX-512矢量长度扩展（VL）
- AVX-512字节和字指令（BW）
- AVX-512双字和四字指令（DQ）
- AVX-512整数融合乘法加法（IFMA）
- AVX-512矢量字节处理指令（VBMI）
英特尔至强融核（以前称为英特尔MIC）Knights Landing协处理器，某些Skylake Xeon（SKX）处理器以及未来的Cannonlake处理器将支持AVX-512家族，这些处理器将于2017年上市。列出的处理器不支持所有指令。例如，Knights Landing Xeon Phi仅支持CD，ER和PF。 Skylake Xeon处理器（SKX）支持CD，VL，BW和DQ。 Cannonlake处理器-CD，VL，BW，DQ，IFMA。当然，不是每一个代码，可向向量指令，但并不需要所有的代码来执行此写魁北克大学计算机科学教授Daniel Lemire的博客中。据他介绍，优化“热代码”很重要，因为它占用了最多的处理器资源。在许多系统中，“热代码”是由一系列滚动数十亿次的循环构建的。就是应该对其进行优化，这是主要的好处。例如，如果使用MKL Numpy将此类Python代码从标准64位指令重新编译为AVX-512 ，则在同一处理器上执行时间将从6-7秒减少到1秒。import numpy as np
np.random.seed(1234)
xx = np.random.rand(1000000).reshape(1000, 1000)
%timeit np.linalg.eig(xx)
深度学习硬件支持
神经网络和深度学习是近来最光明的趋势之一。谷歌，Facebook和其他大型公司正在尝试尽可能地使用神经网络：在推荐系统，面部识别，文本翻译，语音识别，照片分类甚至是棋类游戏中使用神经网络（但这更多是为了宣传而不是商业利益）。有些人试图在非标准领域进行深入培训，例如自动驾驶培训。在风险投资投资者中，现在有一种理解，即快速致富的最有效方案是在深度学习领域成立一家初创公司，这家来自五大公司（Facebook，Google，苹果，微软，亚马逊）的公司将立即购买。这些公司最近在人才购买领域展开了激烈竞争，因此一家初创公司将以高昂的价格即刻离职，每位员工至少获得1,000万美元。随着公司发布开源开发工具，这种商业计划变得更加简单，就像Google对TensorFlow所做的那样。对于英特尔来说不幸的是，这家公司落后了，几乎没有参加比赛。 Lemir教授承认Nvidia GPU现在被认为是行业标准。他们依靠它们运行用于机器学习的程序代码。并不是英特尔工程师睡过了这一趋势。只是GPU本身没有任何特殊说明，更适合于深度学习计算。尽管如此，英特尔正在准备进行反击，因此情况可能会倒挂。 9月，该公司发布了新的《英特尔架构指令集扩展编程参考》。指示将来的处理器将支持的所有指令。如果您查看此文档，我们正在等待一个惊喜。事实证明，AVX-512指令系列分为几组并进行了扩展。特别是，专门针对深度培训设计了两组指令：AVX512_4VNNIW和AVX512_4FMAPS。从描述的角度来看，这些说明不仅可用于深度学习，而且还可用于许多其他任务。- AVX512_4VNNIW：用于深度学习的矢量指令增强了单词变量的精度
- AVX512_4FMAPS：用于深度学习浮点单精度的矢量指令
这是个好消息。当标准Intel处理器中出现这种支持时，它们将变得更接近甚至超越Nvidia的深度学习图形性能。当然要服从适当的优化程序。谁知道，与视频编码相同的故事会突然重复出现，当在向 CPU 添加H.264和H.265硬件支持后，具有集成显卡的英特尔处理器开始比单独的Nvidia和AMD视频卡更快地编码和解码视频。