1.千层面

神经网络的本质是千层面，由一层一层的线性代数方程组成，每个方程都表示一段数据与另一段数据相关的可能性

层

神经网络的每一次层可以看作是一次线性代数变换，然后接上一个非线性激活函数。每一层都对输入数据进行变换
线性变换，每层中的线性代数方程是矩阵乘法的形式：
z = W·x + b
W 是权重矩阵，x 是输入， b 是偏置向量， z 是线性变换

最后一层的输出通常表示与输入数据某个目标输出之间的“可能性”或“概率”。

多层

每一层的输出作为下一层的输入，使得数据逐步被加工或提取，每个链接都有一个权重，权重是通过训练来调整的。训练的过程是通过大量的数据，让网络中的权重调整到最优，使得模型能够很好地拟合输入与输出的关系

2. CPU与GPU架构差异

CPU在于处理复杂多样性的任务，每个核心都有复杂的控制逻辑、缓存层次结构、分支预测、流水线等，高性能核心较少（例如4-16个）。CPU擅长处理复杂的顺序任务，你一台计算机类型多样的应用都靠它执行。每个核心设计用来处理复杂的任务，主要以多线程和多进程的方式来实现，因此它可以执行高度复杂的任务，但它不适合处理大规模简单的数值运算。

相比之下，GPU就是为了简单大规模的数值计算任务而设计的，有成千上万个较小的处理核心，处理大规模的简单但相似的计算任务，例如神经网络中的矩阵运算和张量运算。因此控制逻辑简单，不需要对复杂指令的支持，它的重点在于提供更多的核心，实现同时执行大量的简单任务。这种设计使得GPU非常擅长进行大量简单的运算任务，正如神经网络中的矩阵运算。

GPU设计之初就是为了处理大量的数值计算任务（最初是用于图形渲染），显存带宽非常高，它可以迅速地从显存中加载大量的数据并用于并行计算。

因此在神经网络中进行类似的数值密集运算时，GPU具有天然优势。

3.大规模矩阵操作

神经网络的计算过程，包括前向传播和反向传播，本质上就是一系列的大规模矩阵乘法、卷积运算和张量操作。这些计算在GPU上的并行处理能力下，可以显著加速。举个例子：

我们可以用一个生活中的类比来解释。
假设我们现在要完成一项任务，用手电筒照亮1000个物品，检查它们的状态。你只有4个人（CPU的4个核心）。每个人只能同时检查一个物品。

CPU怎么做？
这4个人中的每个人一次只能处理一个物品，所以他们要逐一去检查物品。
比如，第1个人从物品1到物品250检查，第2个人检查物品251到500……其他两个人负责剩下的部分。

因为每个人一次只能处理一个物品，所以他们必须按顺序去检查这些物品，即使大家分配了不同的部分，还是得一个接一个地完成。

这种情况下，虽然4个人比1个人做得快，但他们仍然无法同时处理所有物品。换句话说，每个人处理的任务是按顺序来的，因为他们能同时处理的任务有限。处理完一个，再去处理下一个。

在CPU中，少量的核心（比如4个核心）就像这4个人一样，每个核心只能处理一部分任务，并且需要按顺序去处理。如果你有非常多的任务（比如1000个），每个核心只能一次处理一个任务，所以每次只能同时处理4个任务，其他任务要等前面的任务处理完了才能进行。

如果换成GPU，你突然有了1000个人，每个人同时检查一个物品。所有人同时开始工作，每个物品在同一时间都被检查完了。你不需要等待每个物品按顺序完成，而是所有的任务同时完成。

在GPU中，有成千上万个核心，它们就像这1000个人，可以同时进行处理。每个核心负责处理任务的一小部分，所有任务可以在同一时间并行进行。所以GPU可以同时处理大量任务，这就是为什么它在大规模计算任务（如神经网络中的矩阵运算）中比CPU更快

4.专为并行计算设计的库

CUDA，Computer Unified Device Architecure
cuDNN，CUDA Deep Neural Network Library

CUDA是NVIDIA开发的并行计算框架，让开发者能够直接使用 GPU 来进行计算，可以将计算任务从 CPU 移到 GPU 上，为开发者提供了编程接口，允许用C++或PYTHON写代码控制GPU的计算资源。可以把耗时的计算任务放到GPU上执行。如果有一段矩阵相乘的运算，通过CUDA编程，将这些矩阵的每个元素的计算分配给GPU的不同核心，GPU会同时计算所有元素

cuDNN基于CUDA的专门用于深度学习的库，提供了高度优化的神经网络的运算功能，虽然可以用CUDA编程，但是cuDNN进行了优化，集成在主流深度学习框架（如TensorFlow、PyTorch）中，框架会自动调用cuDNN来加速深度学习中的核心计算，这样你无需自己编写复杂的代码，就能够充分利用GPU的计算能力

CUDA 帮助你管理和使用 GPU 的资源，是一个广义的并行计算框架，它可以用来编写各种类型的高性能计算任务（不仅限于深度学习）。任何需要大量计算的应用都可以利用 CUDA 来在 GPU 上加速，比如图像处理、物理仿真等。cuDNN 是基于 CUDA 之上的一个库，它专门为深度学习中的常见操作做了优化。仅用于深度学习任务。