GPU是深度学习系统所必需的吗？

全文共2209字，预计学习时长6分钟

图源：unsplash

 

我对游戏近乎痴迷。从小到大，我对显卡的唯一要求就是为了玩游戏。直到开始接触人工智能和数据科学领域，尤其是深度学习之后，我才意识到了显卡的真正潜力。就像梦想照进了现实——只用一片简单的显卡，就能同时满足学习和研究的需求，真是妙啊。（注：GPU和显卡是一个意思，在本文中互换使用。）

 

经过优化的GPU可用于训练人工智能和深度学习系统，因为它们可同时处理多个计算。这些系统有大量的内核，可以更好地计算大量并行进程。

 

本文将解释GPU和CUDA的概念，然后进一步探索图形处理器（GPU）的优点，以及在预算有限的情况下购买它的最佳时机。最后，本文将讨论你的其他选择。闲话少说，先从理解概念开始。

 

什么是GPU？

 

GPU即图形处理器，它是一种特殊的电子元件，用于快速操作并改变内存，以提高在帧缓冲区内创建图像的速度，从而输出于显示设备中。GPU是现代计算的一个关键部分，它的计算能力和高性能网络正在改变计算科学和人工智能。

 

英伟达（NVIDIA）公司提供了一种名为统一计算设备架构（CUDA）的东西，它对许多深度学习应用至关重要。

 

CUDA是由英伟达公司开发的并行计算平台和应用程序编程接口模型。它允许软件开发者和软件工程师们使用支持CUDA的图形处理器（GPU）进行通用处理，也就是一种名为GPGPU的方法。CUDA的内核在人工智能领域有很强的优势，且在该领域极具革命性，下文中将详细说明。