一旦使用图像编译器构建了一个机器学习模型的图像，就需要去执行它，此功能由Poplar 图像引擎提供。下图展示的是向前推理通过Resnet的50层网络。

　　ResNet是微软开发的神经网络，该神经网络在2015ImageNet上获得了分类竞赛冠军，该网络通过Graphcore神经网络图像库训练之后用于分类图像。图像处理器，比如IPU，定义这些节段仅需一次，然后就可重复地调用它们。例如，conv4层集群总共执行六次，但只存在于图中一次；每次调用使用具有不同网络权重数据的相同代码。在图中，我们可以看到大量的重用。图像还证明了卷积层的形状多样性，如上所述，每个都具备一个图像，以配合自然形状的计算。

　　图像引擎使用由图像编译器构建的图来创建并管理机器学习模型的执行。一旦被部署，图像引擎便可提供用于调试和分析的工具，同时，它还能监视并响应应用程序中使用的IPU设备或设备。

　　ResNet-50的计算图形的图像展示的是整个模型。这个大小级别，我们很难看出来单个顶点之间的连接，所以需要把图像放大。

　　IPU专门用于构建和执行所有不同类型的机器智能模型的计算图像。IPU系统比CPU和GPU处理器训练模型更快速，因为这些处理器不是为人工智能的工作负载而专门设计的。

　　相同的IPU硬件也可以用于部署用于推理或预测的优化模型。但最重要的是，理论上，Poplar与IPU的组合，比当今流行的深度学习算法应用更广泛，它很有可能会引领未来机器学习的创新浪潮。