【动手学深度学习】(十三)深度学习硬件

发布时间：2023年12月17日

文章目录

一、CPU和GPU

在这里插入图片描述
提升CPU利用率

  • 在计算a+b之前，需要准备数据
    • 主内存->L3->L2->L1->寄存器(数据只有进入寄存器才可以参与运算)
  • 提升空间和时间的内存本地性
    • 时间：重要数据使得保持它们在缓存里
    • 空间：按序读写数据使得可以预读取

GPU
在这里插入图片描述
CPU vs GPU
在这里插入图片描述
提升GPU利用率

  • 并行
    • 使用数千个线程
  • 内存本地性
    • 缓存更小，构建更加简单
  • 少用控制语句
    [总结]：
  • CPU:用于处理通用计算。性能优化考虑数据读写效率和多线程。
  • GPU：使用更小的核核更多的内存带宽，适合能大规模并行的计算任务。

二、更多的芯片

1.DSP:数字信号处理

在这里插入图片描述

2.可编程阵列(FPGA)

在这里插入图片描述

3.AI ASIC

在这里插入图片描述
在这里插入图片描述

三、单机多卡并行

  • 一台机器可以安装多个GPU（1-16）
  • 在训练和预测时，我们将一个小批量计算切分到多个GPU上来达到加速目的
  • 常用切分方案有：
    • 数据并行
    • 模型并行
    • 通道并行（数据+模型并行）

数据并行vs模型并行

  • 数据并行：将小批量分成n块，每个GPU拿到完整参数计算一块数据的梯度
    • 通常性能比更好
  • 模型并行：将模型分成n块，每个GPU拿到一块模型计算它的前向和方向结果
    • 通常用于模型大到单GPU放不下
文章来源:https://blog.csdn.net/qq_52986400/article/details/135000319
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
最新文章