深度学习完全攻略！（连载一：GPU加速技术指南）

本系列文章根据Intel开源GPU加速技术整理而得。

前言

在深度学习大行其道的今天，很少有人再关注底层GPU加速的实现。也许是因为实现起来太复杂，但更多的应该是无法快速编程，实现几亿个求解参数的快速实现，而用python接口只需要几行代码。

不可否认的是，在一些场合，如果想实现GPU的加速，比如图像增强，图像去噪等，那么就必须要DIY一个加速代码。如果不具备这些知识，将很影响效率。或者说，你想写一个自己的深度学习框架，掌握底层的GPU加速实现方法，是绕不开的独木桥。

话不多说，进入正题。

一说到GPU加速，大多数人想到的是英伟达的显卡，其他公司，诸如intel，AMD等都是辣鸡。凭借着丰富的技术积累，又处在AI的风口浪尖，这头猪公开了CUDA。一个晴天霹雳挂在了Intel，AMD的头上。作为反击，并宣示自己的存在感，Intel开源GPU加速技术。

这个系列文章，不写GPU的构成，不写CPU和GPU是怎么通信的，还不写GPU是怎么执行代码的。那写个。。。

试想，对于从事模式识别，图像处理的科学家来说，这些似乎超出了他们的知识范围。他们只是想做个加速而已。这个系列的博客就是告诉各位科学家，怎么去做，不去扯那些没用的，自行百度可好？

一个图说明CPU和GPU的关系。

为什么是各种总线呢。因为对于，不同的设计架构，CPU和GPU之间有各种不同的联系方式。

那么，软件又是怎么个实现方式呢？又有个图。

应用程序是你自己的实现，黄色的框框就是你要考虑到的部分。客户端的代码怎么设计，服务端的代码怎么设计，他俩又是咋联系起来从而在GPU上运行的。围绕这三个问题，本系列的文章包括以下部分。

• Intel GPU加速服务端实现

• Intel GPU加速客户端实现

• 服务端和客户端的紧密联系

• 100幅图像同时做高斯滤波的例子

• 影响GPU加速因素的探讨

到这，很多科学家有满脑子的问号。莫急，就算个引子吧，且听下回分解。