cuDNN:Efficient Primitives for Deep Learning 解读

一直用cuDNN所以很好奇其实现,于是花了点时间看了一下cuDNN:Efficient Primitives for Deep Learning,还是很容易懂的。
1. caffe的卷积
首先,caffe的卷积操作是将卷积转化为矩阵乘法,然后就可以用已有的GPU矩阵乘法的优化算法进行计算。具体可以参见这篇博文
这个方法由于需要将输入D和卷积核F进行转化,将D从四维数组转化为二维矩阵时数据规模变大,因而会占用过多显存。而且卷积核越大,stride越小,显存耗费越高。
2. FFT 计算卷积
还有一种使用FFT计算卷积。此时需要将卷积核扩大成和feature map一样的长宽尺寸,这在二者相差较大的时候也是很浪费的。另外,当stride大于1时,数据比较稀疏,采用FFT效果也并不理想。
3. NVIDIA的矩阵乘法
NVIDIA对矩阵乘法支持每次单独计算子矩阵。一边计算子矩阵的结果,一边准备下一组数据,最后合并得到结果。有点流水线的意思。
4. cuDNN convolution
论文采用的是将卷积转化为矩阵乘法的方法,利用NVIDIA的矩阵乘法的特点,做了一些改进。具体来说就是,计算F(卷积核)对D(输入的feature map)的卷积,并不是将D转化后的二维矩阵直接存到显存里面,而是lazily materialing的方式。就是说,当需要用到这部分数据的时候,直接到D中索引对应的数据,并加载到显存里面进行计算,这样就避免了占用额外显存这一弊端。因此该方法还需要一个快速从D中索引数据的算法。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值