目录
深度学习硬件：CPU和GPU
深度学习硬件：TPU
深度学习硬件：CPU和GPU
1.提升CPU的利用率Ⅰ：提升空间和时间的内存本地性
①在计算a+b之前，需要准备数据
主内存->L3->L2->L1->寄存器
L1：访问延时 0.5ns
L2：访问延时 7 ns(14 * L1)
主内存访问延时： 100ns(200 * L1)，内存访问太慢了
② 提升空间和时间的内存本地性
时间：重用数据使得保持他们在缓存里（寄存器）
空间：按序读写数据使得可以预读取（数据相邻）
【例】
如果一个矩阵是按行存储的，访问一行比访问一列要快（按行的地址是连续的，读取快）
CPU一次读取64字节（缓存线）
CPU会“聪明的”提前读取下一个（缓存线）
2.提升CPU利用率 Ⅱ，尽量使用多核并行计算
①高端CPU有几十个核
②并行来利用所有核
超线程不一定提升性能，因为它们共享寄存器
3.提升GPU利用率
①并行，使用数千个线程
②内存本地性，缓存更小，架构更简单（GPU为了节省面积将缓存做得比较小，这样做的好处是内存的带宽会更高一点）
③少用控制语句，支持有限，同步开销大。
4.GPU和CPU的对比 一般/高端
①GPU核数量远多于CPU，导致GPU每秒计算高于CPU
②每一次计算需要从内存读取数据，所以内存带宽很重要，达不到计算峰值是内存带宽的限制
③核心数量和内存带宽使GPU比CPU运算快，但GPU内存小，控制流弱。CPU做通用计算，控制流强。
4.CPU和GPU之间的带宽不是很高，多个GPU还要共享带宽，所以不要频繁在CPU和GPU之间传数据：带宽限制，同步开销。
总结：
①CPU：可以处理通用计算。性能优化考虑数据的读写效率和多线程
②GPU：使用更多的小核和更好的内存带宽，适合能大规模并行的计算任务
深度学习硬件：TPU
1.DSP：数字信号处理
①为数字信号处理算法设计：点积，卷积，FFT
②低功耗，高性能
③一条指令计算上百次乘累加
缺点：编程和调试困难，编译器良莠不齐
2.可编程陈列（FPGA）
①有大量的可以编程逻辑单元和可配置的连接
②可以配置成计算复杂函数
③通常比通用硬件更高效
缺点：工具链质量良莠不齐，一次编译需要数小时
3.Google TPU芯片
①跟英伟达GPU性能媲美
②Google内部部署，核心是systolic array
4.systolic array
①计算单元（PE）阵列
②适合做矩阵乘法
③设计和制造相对简单
【总结】
单机多卡并行
1.
①一台机器可以装多个GPU（1-16）
②在训练和预测时，将一个小批量计算切分到多个GPU上来加速
③常用的切分方案：数据并行，模型并行，通道并行（数据+模型并行）
2.数据并行VS模型并行
①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
通常性能更好
步骤：Ⅰ读一个数据块 Ⅱ拿回参数 Ⅲ计算梯度 Ⅳ发出梯度
②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反向的结果
通常用于模型大到单GPU放不下
【总结】
①当一个模型能用单卡计算时，通常使用数据并行扩展到多卡上
②模型并行用到大模型上
