这是一个创建于 3984 天前的主题，其中的信息可能已经有所发展或是发生改变。
近年来深度学习领域的突破与计算能力的进步是分不开的，如何更快的处理更大的数据也是我们需要关注的对象。既然是大规模的计算，GPU 的使用也就顺利成章。下图是这几年来 GPU 在 ILSVRC 中的应用比例：
如何快速在 GPU 上开发深度学习的应用呢？一个简单的方法就是使用 cuDNN 这个计算库。通过将卷积神经网络的计算变换为更加规则的（GPU友好的）矩阵乘法运算，cuDNN 可以有效提高整个网络的训练速度：
Caffe 的 CPU 和 GPU 实现与 cuDNN 的性能比较：
参考：
cuDNN 可以从这里下载: https://developer.nvidia.com/cuDNN
一篇更详细的介绍: http://arxiv.org/abs/1410.0759
P.S. 最近我们组在进一步优化 cuDNN，通过应用 Direct Convolution，最多可以达到 90% 的 GPU 利用率，有兴趣的同学可以关注今年 GTC 上的相关 Talk。
如何快速在 GPU 上开发深度学习的应用呢？一个简单的方法就是使用 cuDNN 这个计算库。通过将卷积神经网络的计算变换为更加规则的（GPU友好的）矩阵乘法运算，cuDNN 可以有效提高整个网络的训练速度：
Caffe 的 CPU 和 GPU 实现与 cuDNN 的性能比较：
参考：
cuDNN 可以从这里下载: https://developer.nvidia.com/cuDNN
一篇更详细的介绍: http://arxiv.org/abs/1410.0759
P.S. 最近我们组在进一步优化 cuDNN，通过应用 Direct Convolution，最多可以达到 90% 的 GPU 利用率，有兴趣的同学可以关注今年 GTC 上的相关 Talk。
 |
1
a2z 2015 年 2 月 18 日
吊吊吊，说不定第一个人工智能会在AWS GPU cluster上出现
|
 |
2
66CCFF 2015 年 2 月 18 日
刚跳了 Intel Xeon Phi 的坑 QxQ
|
Select Language