Lecture 8. Deep Learning Hardware and Software

Herb

Last updated on Dec 16, 2023 2 min read Tutorial

Table of Contents

CS231n 课程的官方地址：http://cs231n.stanford.edu/index.html

该笔记根据的视频课程版本是 Spring 2017(BiliBili)，PPt 资源版本是 Spring 2018.

1. CPU vs GPU

GPU 占据很大的空间和能量
GPU 就选 NVIDIA 的，没的说。
GPU 和 CPU 之间有很多差异：

Note：TITAN V isn’t technically a “TPU” since that’s a Google term, but both have hardware specialized for deep learning
GPU 和 CPU 在价格上的差异变化：
在实际情况下，GPU 和 CPU 表现的差异：
- cuDNN much faster that “unoptimized” CUDA
Programming GPUs
- CUDA（NVIDIA only）
  - Write C-like code that runs directly on the GPU
  - Optimized APIs：cuBLAS, cuFFT, cuDNN, etc
- OpenCL
  - Similar to CUDA, but runs on anything
  - Usually slower on NVIDIA hardware
- HIP https://github.com/ROCm-Developer-Tools/HIP
  - New project that automatically converts CUDA code to something that can run on AMD GPUs
- Udacity：Intro to Parallel Programming https://www.udacity.com/course/cs344
  - For deep learning just use existing libraries
CPU / GPU Communication
- If you aren’t careful, training can bottleneck on reading data and transferring to GPU！
- Solutions：
  - Read all data into RAM
  - Use SSD instead of HDD
  - Use multiple CPU threads to prefetch data.
小哥谈到，从软件上来说，可能你能做到的最有效的事情就是：设定好 CPU 的预读内容（pre-fetching），比如避免这种比较笨的序列化操作，你先把数据从硬盘里读出来，等待小批量的数据一批一批地读完，然后依次送到 GPU 上做正向和反向传播，再读下一个小批量的数据，按顺序这样做。如果你有多个CPU，比如说多个 CPU 线程在后台从硬盘中搬运出数据，这样的话，你可以把这些过程交错着运行起来。GPU 在运行的同时，CPU 的后台线程从硬盘中取数据，主线程等待这些工作完成，在它们之间做一些同步化，让整个流程并行起来。好在如果你使用了下面要讲到的这些深度学习框架，它们已经替你完成了这部分操作，因为实现起来有点麻烦。