1.1計算機組成

@概述

• 廣義上的計算機，包含個人電腦、移動裝置、伺服器、嵌入式裝置、自動化工業裝置等；
• 但無論其形態如何，計算機的功能概括地講，就是接收使用者的輸入（即使用者意圖），資料經由通過處理裝置（運算、做功等）的處理，最後得到使用者想要的結果，這個結果通過輸出裝置（顯示器、生產線輸出端等）反饋給使用者；
• 【輸入→處理→輸出】這一過程中會用到資料的快取和持久化儲存，那麼就需要用到輸出裝置；
• 同樣地，在【輸入→處理→輸出】這一過程中，如果需要訪問網路（目的可能是獲取資料、儲存資料、呼叫雲端演算法等），就需要用到網路裝置；
• 隨著技術的進步，計算機的硬體的形態也越來越多樣化；

@輸入裝置

• 鍵盤；
• 滑鼠；
• 攝像頭；
• 移動裝置感測器；
• 其它，如自動化生產系統物料入口等；

@處理裝置-CPU

• 中央處理器，俗稱CPU（Central Processing Unit），傳統意義上的運算處理裝置；
• 功能：從記憶體中獲取指令並執行；
• 元件：控制單元（協調CPU外其它元件的工作）+算術邏輯單元（算術運算和邏輯運算）；
• 物理：內嵌在一塊小小的半導體晶片上，上有數百萬電晶體開關；
• 指標：時鐘主頻，電子脈衝發射頻率，以赫茲（Hz）為單位，3.5GHz；
• 指標：核數量；

@處理裝置-GPU

• 圖形處理器，俗稱GPU（Graphic Processing Unit），越來越多地應用於機器學習領域；
• 影象的處理，包括視訊動畫的播放、特效的渲染等，需要強大的計算能力支援；
• 一張靜態影象可以使用若干個顏色值進行描述，例如一塊1920*1080的螢幕，在ARGB模式下，每個畫素點的顏色值變化區間為#00000000-#FFFFFFFF，即0~‭4,294,967,295‬，動畫電影每秒重新整理50幀，再考慮到一些特效的動態計算，顯示卡需要多麼強大的計算機能力予以支援；
• 由於硬體廠商顯示卡製造技術的進步（以英偉達和AMD為代表），造成了顯示卡運算能力的過剩（試想你有多少時間用於看高清視訊和玩大型3D遊戲呢？），這種過剩的顯示卡運算能力被機器學習技術加以利用，大名鼎鼎的機器學習框架TensorFlow就是一種能夠充分利用GPU運算能力的演算法框架；
• 因此，有志於在機器學習上有所建樹的同學，不妨在GPU的投入上提高一些預算；

@輸出裝置

• 螢幕；
• 印表機；
• 其它，如自動化裝置輸出端等；

@儲存裝置

• 記憶體；
• 磁碟；
• 移動儲存裝置，如行動硬碟、U盤、光碟等；

@更多關於記憶體的知識

• 功能：儲存程式和資料；
• 組成：無數個01位元組序列，每個位元組都有唯一地址，每個地址都可以被反覆讀寫（RAM=random access memory）；
• 指標：容量，容量越大，計算機執行速度越快；
• TIP：記憶體結構相對簡單，造價低廉——記憶體越大越好；

@網路裝置

• 調變解調器（Modem），俗稱貓，調製即將本地數字訊號轉換為網路訊號以通過網路進行輸出，解調則相反，即將輸入的網路訊號轉換為本地可識別的數字訊號；
• 有線網路介面卡（有線網路卡），計算機網線插口所連線的就是一塊有線網路卡；
• 無線網路介面卡（無線網路卡），接收無線路由器WIFI網路訊號的，就是一塊無線網路卡；