文章目录
- 一、CPU和GPU
- 二、更多的芯片
- 1.DSP:数字信号处理
- 2.可编程阵列(FPGA)
- 3.AI ASIC
- 三、单机多卡并行
一、CPU和GPU
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
CPU vs GPU
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
2.可编程阵列(FPGA)
3.AI ASIC
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
：排序(2)：计数排序)
