本文对比了CPU与GPU在处理深度学习任务时的差异，并详细介绍了三个主流深度学习框架——TensorFlow、PyTorch和Caffe的特点与使用。在TensorFlow中，重点讲解了其计算图、Keras和Tensorboard。PyTorch的三层抽象（Tensor、Variable和Model）以及优化、预训练模型和数据加载。而对于Caffe，则强调了其配置文件驱动的网络构建方式。
文章目录
CPU vs GPU
GPU（Graphics Processing Unit图形处理单元），最初用于渲染计算机图形。
相同点：GPU和CPU都是一种通用的计算机器，可以执行程序和指令。
不同点：
GPU单个核的运行速度比CPU慢，执行的操作也没有CPU多，GPU的单个核无法独立完成工作，他们需要共同协作，多个GPU的核共同执行同一项任务。
CPU有cache，但是相对比较小，CPU的内存都是依赖于系统内存；GPU内置了RAM。
CPU对于信道处理来说已经足够了，GPU更擅长处理高度并行处理的算法，典型的就是矩阵乘法。
在GPU上可以写出可以直接运行的程序，CUDA只能用于NVIDIA，并且得到很大的优化，而OpenCL可以用于NVIDIA和AMD，优化不如CUDA做得好。
Deep Learning Frameworks
使用深度学习框架的好处：
- 易于计算大型计算图
- 易于从计算图中计算出梯度
- 这些框架在GPU上高效运行，不用开发者关注一些硬件上面的细节
最低0.47元/天 解锁文章
扫一扫
725
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
