Tensorkernen
Tensor Cores zijn gespecialiseerde hardware-eenheden in moderne NVIDIA GPU's die matrixvermenigvuldigings- en accumulatiebewerkingen extreem snel uitvoeren.
Overzicht
They are the main reason a single GPU can train and run large neural networks orders of magnitude faster than general-purpose compute would allow.
Diepe duik
Tensor Cores, geïntroduceerd met de Volta-architectuur in 2017, zijn speciale circuits die in één enkele bewerking een kleine matrixvermenigvuldiging plus een optelling (D = A x B + C) berekenen, in plaats van elke vermenigvuldiging één voor één uit te voeren op standaard CUDA-kernen. Omdat vrijwel elke laag van een neuraal netwerk wordt gereduceerd tot matrixvermenigvuldigingen, komt dit overeen met de wiskunde die AI daadwerkelijk nodig heeft. Elke GPU-generatie breidde uit wat ze aankunnen: Volta maakte 4x4 FP16-tegels, terwijl latere Ampere-, Hopper- en Blackwell-architecturen formaten met lagere precisie toevoegden, zoals TF32, BF16, INT8, FP8 en FP4. Lagere precisie betekent dat er meer getallen per klok worden verwerkt, waardoor de doorvoer voor training en gevolgtrekking dramatisch toeneemt, terwijl de nauwkeurigheid acceptabel blijft.
Technisch inzicht
Een Tensor Core vermenigvuldigt twee kleine matrices en accumuleert het resultaat in één samengevoegde stap, waarbij gebruik wordt gemaakt van het feit dat dezelfde invoerwaarden voor veel uitvoerelementen worden hergebruikt. Het leest de invoer doorgaans met een lagere nauwkeurigheid (FP16, BF16 of FP8), maar accumuleert de lopende som met een hogere nauwkeurigheid (vaak FP32) om afrondingsfouten te beperken. Softwarebibliotheken zoals cuBLAS en cuDNN, en raamwerken zoals PyTorch, plaatsen grote matrices automatisch in deze kleine blokken, zodat modellen sneller kunnen werken zonder handmatige codering.
Strategische impact
Cost and budget
Architectuurbeslissingen bepalen jarenlang de prestaties en bedrijfskosten.
Clearer decisions
Technisch onderwijs helpt teams bij het kiezen van de juiste stapel, niet alleen de nieuwste.
Quality control
Betere technische keuzes verminderen het aantal betrouwbaarheidsincidenten in de productie.
De toekomst van tensorkernen
Tensor Cores blijven evolueren in de richting van een steeds lagere precisie: Hopper voegde FP8 toe en Blackwell introduceerde 4-bit FP4 met door hardware beheerde schaling, waarbij de doorvoer bij elke stap grofweg werd verdubbeld voor werklasten met veel gevolgtrekkingen. Verwacht strakkere ondersteuning voor spaarzaamheid (het overslaan van nulgewichten), microschalingsformaten die schaalfactoren aan kleine blokken getallen koppelen, en een diepere integratie met geheugensystemen zodat de kernen gevoed blijven. Naarmate modellen groeien, blijft de matrixengine, en niet de onbewerkte kloksnelheid, het centrale strijdtoneel voor AI-hardwareprestaties.
Implementatie in de echte wereld
Het trainen van grote taalmodellen zoals transformatoren in GPT-stijl, waarbij miljarden matrixvermenigvuldigingen per stap worden uitgevoerd op Tensor Cores in BF16 of FP8.
Real-time inferentie uitvoeren voor chatbots en beeldgeneratoren, met behulp van INT8- of FP8-kwantisering om meer gebruikers per GPU te bedienen.
Versnellen van NVIDIA DLSS in videogames, waarbij een neuraal netwerk frames met een lagere resolutie opschaalt met behulp van Tensor Cores voor elk frame.
Het versnellen van wetenschappelijk computergebruik, zoals het vouwen van eiwitten (AlphaFold) en weermodellen die opnieuw zijn geformuleerd als matrixzware neurale werklasten.
Risico's en vangrails
Het optimaliseren van één benchmark kan bredere systeemzwakheden verbergen.
Infrastructuur- en onderhoudskosten worden vaak onderschat.
De lacunes op het gebied van beveiliging en waarneembaarheid kunnen groter worden naarmate systemen complexer worden.
Implementatie routekaart
Definieer latentie-, kwaliteits- en kostendoelen vóór implementatie.
Benchmark onder realistische belasting- en gegevensomstandigheden.
Instrumentbewaking op fouten, drift en gebruikersimpact.
Bereid rollback- en incidentresponspaden voor voordat u gaat schalen.
Blijf verkennen
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Tensor Cores quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Tensor-parallellisme voor grote modellen
Frequently asked questions
What is Tensor Cores?
Tensor Cores zijn gespecialiseerde hardware-eenheden in moderne NVIDIA GPU's die matrixvermenigvuldigings- en accumulatiebewerkingen extreem snel uitvoeren. Ze zijn de belangrijkste reden dat een enkele GPU grote neurale netwerken orden van grootte sneller kan trainen en runnen dan algemene rekenmethoden zouden toestaan.
Voor welke wiskundige kernbewerkingen zijn Tensor Cores specifiek ontworpen om te versnellen?
Tensor Cores voeren in één stap een gefuseerde matrixvermenigvuldiging plus accumulatie uit, wat precies de operatie is die neurale netwerklagen domineert.
Welke NVIDIA GPU-architectuur introduceerde voor het eerst Tensor Cores?
Tensor Cores debuteerde in 2017 met de Volta-architectuur, te beginnen met FP16 4x4-matrixbewerkingen.
Waarom gebruiken Tensor Cores vaak verminderde precisie, zoals FP16 of FP8?
Door minder bits per getal te gebruiken, stromen er elke cyclus meer waarden door de hardware, waardoor de snelheid aanzienlijk toeneemt met slechts een klein, doorgaans aanvaardbaar verlies aan precisie.
Welke precisie gebruiken Tensor Cores doorgaans voor de lopende som (accumulatie) om de nauwkeurigheid te behouden?
De invoer kan een lage nauwkeurigheid hebben, maar de accumulator werkt meestal met een hogere nauwkeurigheid, zoals FP32, om de opbouw van afrondingsfouten te beperken.
Hoe maken alledaagse AI-frameworks zoals PyTorch gebruik van Tensor Cores?
Onderliggende bibliotheken verdelen grote matrixbewerkingen automatisch in tegels van Tensor-Core-formaat, zodat frameworks sneller worden zonder handmatige codering.