显卡、显卡驱动、显存、GPU、CUDA、cuDNN

显卡

Video card，Graphics card，又叫显示接口卡，是一个硬件概念（相似的还有网卡），执行计算机到显示设备的数模信号转换任务，安装在计算机的主板上，将计算机的数字信号转换成模拟信号让显示器显示出来。

显卡是计算机的标配之一，计算机要显示图像就必须安装显卡。普通计算机的显卡一般是集成在主板上的。

显卡驱动

显卡驱动是显卡跟计算机连接的桥梁，可以让计算机识别到GPU硬件，是必须正确安装的，不同厂商、不同型号的GPU对应不同的显卡驱动。
非开发人员不用安装CUDA或cuDNN，但是一定要安装显卡驱动。

查看Nvidia显卡和显卡驱动版本信息：

[python]  view plain  copy

1. nvidia-smi  

显存

又叫帧缓存，作用是用来存储GPU处理过或者即将提取的渲染数据，显存相对于GPU相当于内存对于CPU。

GPU

Graphics Processing Unit，图形处理单元，GPU是显卡上的一块芯片，也是显卡的核心设备，GPU和显卡的关系类似于CPU和主板的关系。
早期的GPU主要用于图形渲染，可以让电脑显示更加逼真、细节更加丰富的图形图像，牛逼的GPU可以跑大型3D游戏显示流畅不卡顿，这也是人们对GPU或显卡的最初认识。
后来人们发现GPU还可以做更多的工作，例如执行矩阵运算和浮点运算，特别是可以用来加速神经网络模型的训练，GPU也在并行计算这条路上越走越远。可以说GPU让人工智能有了更多可能。

CUDA

Compute Unified Device Architecture，CUDA是NVIDIA推出的用于NVIDIA GPU的并行计算框架，是一种运算平台，是软件层面的概念，相关的概念还有OpenCL、OpenMP等。

GPU的设计是用来做图像渲染任务的，如果没有CUDA，开发人员就要先把计算任务打包成图形渲染任务再让GPU执行，开发难度很高。可以认为CUDA完成了这个打包任务，只需要通过CUDA提供的API，把数据和运算规则交给CUDA，让CUDA和GPU交互，再返回运算结果。

查看CUDA版本信息：

[python]  view plain  copy

1. nvcc -V  

cuDNN

CUDA Deep Neural Network library，是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。cuDNN可以把加载到GPU上的网络层数据根据神经网络数据运算的特点（如卷积操作、前后向运算流、pooling、softmax、激活函数等）进行优化，加速模型训练。

几乎所有的深度学习框架都支持cuDNN加速优化，如Caffe、Caffe2、TensorFlow、Torch、Pytorch、Theano等。