meton-robean

### 设备连接图 

既然在研究堵车的原因，那么三种假设就是堵车的三种解释，也就是酒驾，高峰和车祸，先验概率是假设的概率，也就是字面意思，在任何更多的证据前（也就是堵车），预先估计的，不同的假设本身出现的概率。在这里就是P(酒驾)，P(高峰)和P(车祸)。 似然概率的含义是，在几种假设前提下，出现该证据的概率，也就是P(堵车|酒驾)，P(堵车|高峰)和P(堵车|车祸)，这个也是字面意思，就是可能性（likelihood），在不同假设下证据的可能性。这样的话，最大似然估计的意思就是最大化似然概率，说白了就是哪个解释似然概率高就是哪个解释对。也就是argmax(P(堵车|酒驾)，P(堵车|高峰)，P(堵车|车祸)) 这里的话，后验概率就是在证据出现的情况下，不同假设正确的概率，也就是P(酒驾|堵车)，P(高峰|堵车)和P(车祸|堵车)，就是P(酒驾)P(堵车|酒驾)/P(堵车)，P(高峰)P(堵车|高峰)/P(堵车)和P(车祸)P(堵车|车祸)/P(堵车)。因为P(堵车)对每个假设都是一样的，那比较后验概率也就是不仅要考虑似然概率，也要考虑假设本身的先验概率。说白了就是即便这个假设肯定会导致证据这个结果，但是假设本身不太可能发生的话，我们也不认为这个假设是对的。比如这条路多少年从来没查过酒驾，那么即便一查酒驾路必堵死，我们也不会相信堵车就是查酒驾引起的。 先给出贝叶斯公式 P(H|e)=P(e|H)P(H)/P(e)，H是假设（酒驾，高峰和车祸），e是证据（堵车） 先验概率是三种假设的概率P(H)，P(酒驾)，P(高峰)和P(车祸) 似然概率是不同假设下，出现证据的可能性P(e|H)，P(堵车|酒驾)，P(堵车|高峰)和P(堵车|车祸) 后验概率是证据出现后假设成立的概率P(H|e)，P(酒驾|堵车)，P(高峰|堵车)和P(车祸|堵车) P(堵车)只是归一化常数P(e)，表示证据的概率，在比较后验时消去，只有算后验分布才有用 这样三种估计的区别也就分出来了， 最大似然估计是认为似然概率大的假设对，argmax(P(e|H)) 最大后验估计是认为后验概率大的假设对，argmax(P(H|e)) 贝叶斯估计就是不仅要知道哪个假设后验高，还要知道后验的分布，P(H|e)

[An Architectural Framework for Accelerating Dynamic Parallel Algorithms on Reconfigurable Hardware](https://cpb-us-w2.wpmucdn.com/sites.coecis.cornell.edu/dist/7/89/files/2016/08/parallelxl-micro2018-10bi0tp.pdf) [论文笔记参考](https://github.com/meton-robean/PaperNotes/issues/8) **该论文加速动态并行特性的应用,下面是这个benchmark描述**   

[Co-Designing Accelerators and SoC Interfaces using gem5-Aladdin](https://ysshao.github.io/assets/papers/shao2016-micro.pdf) **论文中使用的MachSuite，展示了大约一半左右的程序是compute-bound, 一半是memory-bound.** 

[CortexSuite: A Synthetic Brain Benchmark Suite*](http://cseweb.ucsd.edu/groups/bsg/papers/cortex-extended.pdf) **论文提出了CortexSuite包含了各类机器学习应用的C语言实现版本**[下载地址](https://bitbucket.org/taylor-bsg/cortexsuite/src/devel/) 

[XLOOP: Architectural Specialization for Inter-Iteration Loop Dependence Patterns（MICRO2014） #18](https://github.com/meton-robean/PaperNotes/issues/18) 一个发掘循环间和内并行的抽象模型以及加速器原型。 里面用到了的benchmark： 

### lacore 用的是riscv架构，和rocketchip无关，使用的是gem5的riscv模型 https://github.com/meton-robean/PaperNotes/issues/17 

label-riscv

Hwacha 向量处理器

firesim