Много может обсчитать. Делите тактовую частоту на 10 и получите примерную (по порядку величины) оценку для числа обрабатываемых сетью синапсов в секунду. Далее сами посчитаете, сколько у Вас в среднем получается синапсов на нейрон, и число обрабатываемых нейронов в секунду.
Если знакомы с системой команд Интел-совместимых процессоров и ассемблером, то сами можете прикинуть по таким вот примерам. Если сумматор нейрона обсчитывается отдельно (отдельной функцией), то для него компилятором будет сгенерирован код наподобие такого (конечно, если компилятор дурной, он еще сгенерирует и пролог-эпилог стека функции и много чего еще):
double Summator(float *Inputs, float *Synapses, long NumOfSynapses)
{
asm {
mov ECX,Inputs
mov EAX,Synapses
fldz
Loop:
fld dword ptr[EAX]
fmul dword ptr[ECX]
faddp
add EAX,4
add ECX,4
dec NumOfSynapses
jnz Loop
;на вершине стека сопроцессора остается накопленное значение взвешенной
;суммы, оно и возвращается как значение типа double из функции, никаких
;команд возврата значения типа ret здесь дополнительно не потребуется
}
}
Число тактов выполнения каждой команды смотрите в Интеловских и АМДшных мануалах, независимые по аргументам команды типа mov, add спариваются и выполняются парами за такт еще со времен первого пня. Т.е. на каждый синапс придется менее 10 тактов процессора (команды между меткой Loop и итератором цикла jnz Loop). Последующее вычисление собственно значения нелинейной функции нейрона займет тоже относительно малое число тактов - от нескольких до нескольких десятков, т.е. время сопоставимое с обсчетом одного-нескольких синапсов.
А хороший оптимизирующий компилятор может еще и в полный рост задействовать SSE-расширение набора команд процессора и обсчитывать по 4 плавучих операнда за такт, давая в итоге ускорение для сумматора в 2-3 раза (циклы всё равно придется организовывать, указатели на данные инициировать и приращивать, некратный 4 остаток набора весов синапсов отдельно досчитать поэлементно кодом наподобие приведенного выше) по сравнению с приведенным мной выше примером кода.
--------------------------
нейронные сети, анализ данных, прогнозирование