目录

gpu vs cpu

cuda

例子：

补全代码

cuDNN

pytorch

---

参考：

GPU/ CUDA/ cuDNN_哔哩哔哩_bilibili

gpu vs cpu

显卡就是一块负责承担输出图形任务的板卡

gpu就是显卡上的一块芯片，是显卡的核心

gpu能够减少显卡对cpu的依赖，分担部分cpu的工作

gpu是高度并行的结构，所以在部分情况下他更高效

 通常来说cpu里只有几个算储单元（绿色+黄色+紫色）

但是gpu却有非常多（注意看gpu最左侧一列）

cuda

简单来说

cuda提供了一个能够让gpu高速并行计算的代码书写规范，使得我们可以将计算更加灵活地拆解成一个个子任务，然后分配到不同的线程上，提高并发性

例子：

上面的例子是两部分

分别是kernel的定义和main函数

kernel的定义和普通的c++函数没有什么区别，除了加上了一个__global__的修饰符，这个修饰符就相当于告诉编译器这部分需要在gpu上完成

这部分就是把两个长度为N的向量，将其分配到N个线程上进行加法运算，那其实每个线程只需要计算相应位置上的一个加法运算就可以了

这里用到了threaddx.x这个内置变量，它是线程的一个标号N个线程的标号就是从0到N-1

刚好满足运算需求

<<<1,N>>>代表调用第一个到第N个线程来进行计算

补全代码

 1.在host端初始化需要进行加法运算的两个向量

2.将host端的数据拷贝到device端

3.在device端进行计算

4.将device端的计算结果拷贝回host端

 

最后就可以用nvcc（也就是cuda编译器）

编译.cu文件 ，然后就会得到一个可执行文件

所以实际上数据是在host端产生，然后拷贝到gpu上进行计算的，最后再将数据拷贝回host端

cuDNN

为了让使用者不用实现底层的cuda编程，cuDNN就产生了

cuDNN就是cuda深度神经网络库，就是将一些基本的层结构进行封装

实现了在GPU上的高效并行计算

可理解为cv2库，对常用的图像处理算法封装成了库里的很多函数，用的时候直接调用，而不使用python从头写造轮子

pytorch

torch在此之上再次进行封装

torch利用cuda和cuDNN来利用gpu进行加速

 经常能见到以下类似代码

 首先我们定义一个device

然后就会有net=model().to(device)

以及x.to(device)和y.to(device)

 所以实际上这一步就是将host端的数据拷贝到GPU上进行运算

所以只要把.to(device)就可以加速

可以看到device端的数据和host端的数据互不干扰

b是a拷贝到gpu上的，然后改变a并不会改变b，说明是相互隔离的两个变量

更多相关的内容可以看以下文档