由于RBPI（Raspberry Pi）具有非常低的功耗和非常低的生产价格，这意味着可以构建一个非常大的集群。我不确定，但是一个100000 RBPI的集群只需要很小的功率和很小的空间。
现在我认为它在FLOPS或其他类型的计算测量方面可能没有现有的超级计算机那么强大，但它能否允许更好的神经网络模拟？
我不确定是否说“1 CPU = 1神经元”是一个合理的陈述，但似乎足够有效。
这是否意味着这样的聚类对神经元网络模拟更有效，因为它比其他经典聚类更加平行？
答案 0 :(得分：20)
使用Raspberry Pi本身并不能解决构建大规模并行超级计算机的整个问题：如何有效地将所有计算核心连接在一起是一个非常大的问题，这就是为什么超级计算机是专门设计的，而不仅仅是由商品部件组成的。也就是说，研究单位真正开始将ARM核心视为一种节能计算能力来解决这个问题的节能方式：例如，这个项目旨在模拟拥有数百万个ARM内核的人脑。
http://www.zdnet.co.uk/news/emerging-tech/2011/07/08/million-core-arm-machine-aims-to-simulate-brain-40093356/“百万核心ARM机器旨在模拟大脑”
http://www.eetimes.com/electronics-news/4217840/Million-ARM-cores-brain-simulator“一百万个ARM核心来托管大脑模拟器”
这是非常专业的，定制的硬件，但从概念上讲，它与您建议的Raspberry Pis网络相距不远。不要忘记ARM内核具有JohnB提到的Xeon所具有的所有功能（高级SIMD而不是SSE，可以进行64位计算，重叠指令等），但是每个MIPS每瓦特的功能非常不同-spot：你有不同的选项来包含哪些功能（如果你不想要浮点数，只需买一个没有浮点的芯片），所以我可以看出为什么它是一个吸引人的选择，特别是当你考虑到这个功能时使用是超级计算机最大的持续成本。
答案 1 :(得分：4)
对我来说似乎不太可能是一个好/便宜的系统。 考虑一个现代的至强CPU。它有8个核心，以5倍的时钟速度运行，所以只需在这个基础上可以完成40倍的工作量。此外，它有SSE，似乎适合这个应用程序，并将让它并行计算4件事。所以我们的工作量可能高达160倍。然后它有多线程，可以进行64位计算，重叠指令等。我猜它会比这种工作快至少200倍。
然后最后，至少200个本地“神经元”的结果将在本地内存中，但在树莓pi网络上你必须在其中200个之间进行通信......这将非常慢。
我认为树莓派很棒并且肯定计划至少获得一个：P但是你不打算建立一个廉价而快速的网络，它们将与“真正的”计算机网络竞争：P
无论如何，这种东西最快的硬件很可能是显卡GPU，因为它可以并行运行多个小程序的副本。或者只是编写一个带有几百个“硬件”神经元副本的fpga。
答案 2 :(得分：4)
GPU和FPU做得比CPU好得多，支持CDUA编程的Nvidia GPU实际上有100个独立的处理单元。或者至少它可以使用像素管线的演变（其中卡可以并行渲染多个像素）以产生巨大的速度。 CPU允许一些核心可以执行相对复杂的步骤。 GPU允许100个线程执行简单的步骤。
因此，对于具有简单线程的任务，像单个GPU这样的事情将会使一组强大的CPU出现。 （或一堆树莓派）
然而，为了创建一个运行像“condor”这样的东西的集群，可以使用诸如疾病破坏建模之类的东西，在这种情况下你运行相同的数学模型数百万次，并且有不同的起点。 （外出的大小，风向，疾病的感染程度等等。）所以像Pi这样的东西是理想的。因为你一般都在寻找可以运行标准代码的完整CPU.http：//research.cs.wisc.edu/condor/
这种方法的一些众所周知的用法是“Seti”或“在家折叠”（寻找外星人和癌症研究）
很多大学都有这样的集群，所以我可以看到他们中的一些尝试了多种Raspberry Pi的方法
但是，为了模拟大脑中的nurons，你需要在节点之间具有非常低的延迟，它们是特殊的操作系统和使多个系统作为一个系统的应用程序。您还需要使用特殊网络将其链接到收集，以便在节点之间提供延迟（＆lt; 1毫秒。
http://en.wikipedia.org/wiki/InfiniBand
Raspberry不会以任何方式管理它。
所以是的，我认为人们会用它们制作群集，我认为他们会非常高兴。但我认为更多的大学和小型组织。他们不会与顶级超级计算机竞争。
假设我们要对我们群集中的当前节点进行一些测试并测试它们，看看它们与具有决斗核心3.2ghz CPU且成本为650英镑的桌面进行比较！我估计我们可以获得25个Raspberries，它们将使用更少的功率，因此比较有趣。这将用于疾病爆发建模。
答案 3 :(得分：1)
我正在进行混沌时间序列预测（回波状态网络）领域的大量神经网络研究。 虽然我看到以这种方式使用树莓PI会比强大的cpu或GPU提供几乎没有好处，但我一直在使用树莓PI来管理模拟作业到多台机器的分配。大核心的处理能力优势将在树莓PI上实现，而不仅如此，但在此配置中运行多个PI会产生大量的开销，等待它们同步，数据传输等。 由于PI的低成本和稳健性，我让它托管网络数据的来源，以及将作业调解到代理机器。如果模拟失败使机器停机，它也可以硬复位并重新启动机器，从而实现最佳的正常运行时间。
答案 4 :(得分：0)
神经网络训练费用昂贵，但运行起来非常便宜。虽然我不建议使用这些（甚至聚集的）迭代无限时期的学习集，但是一旦你有权重，你就可以将学习努力转移到它们中。
以这种方式使用，一个覆盆子pi应该比单个神经元更有用。鉴于内存与CPU的比例，它可能会在其规模上受到内存限制。假设大约有300兆的可用内存（根据操作系统/驱动程序等不同而有所不同）并假设您正在使用8字节双精度权重，那么您将拥有5000个“神经元”的上限（在成为存储绑定之前），虽然有很多其他因素可以改变这种情况，但它就像是在问：“一条字符串有多长？”
答案 5 :(得分：0)
南安普顿大学的一些工程师建立了Raspberry Pi supercomputer：
答案 6 :(得分：0)
我已经将一个尖峰网络（请参阅http://www.raspberrypi.org/phpBB3/viewtopic.php?f=37&t=57385&e=0了解详细信息）移植到Raspberry Pi，它的运行速度比2005年的旧Pentium-M笔记本慢24倍，具有SSE和预取优化功能。
答案 7 :(得分：0)
这一切都取决于你想要做的计算类型。如果您正在使用数字密集型算法，并且处理器高速缓存和RAM内存之间的内存移动不多，则会指示GPU解决方案。中间地带是使用SIMD汇编语言指令的英特尔PC芯片 - 您仍然可以轻松地受限于可以与RAM之间传输数据的速率。几乎相同的成本，您可以获得50块ARM板，每块板有4个内核，每块板有2Gb RAM。这是200核和100 Gb的RAM。每秒CPU和RAM之间可以混洗的数据量非常高。对于使用大权重向量的神经网络来说，它可能是一个很好的选择。此外，最新的ARM GPU和基于nVidea ARM的新芯片（用于平板电脑）也具有GPU计算能力。