Chrome浏览器提升效率的16个扩展
本文推荐谷歌几个好用的插件，可以快速帮助前端完成工作！
深度学习是一个对计算要求很高的领域，GPU的选择将从根本上决定您的深度学习体验。当人们开始学习深度学习时，拥有快速的GPU是非常重要的方面，因为这可以快速获得实践经验，这是建立专业知识的关键，您可以利用这些知识将深度学习应用于新问题。
GPU
为什么使用GPU而不用CPU？
CPU专为更常规的计算工作负载而设计。相比之下，GPU的灵活性较差，但是GPU旨在并行计算相同的指令。深度神经网络（DNN）的结构非常统一，因此在网络的每一层，成千上万个相同的人工神经元都执行相同的计算。因此，DNN的结构非常适合GPU可以有效执行的各种计算。
CPU
GPU比CPU具有更多优势，其中包括具有更多的计算单元和更高的带宽以从内存中检索。此外，在需要图像处理的应用程序（即卷积神经网络）中，可以利用GPU图形的特定功能来进一步加快计算速度。
与CPU相比，GPU的主要缺点是GPU上的内存容量低于CPU。已知的最高GPU包含24GB RAM，相比之下，CPU可以达到1TB RAM。
第二个弱点是需要CPU将数据传输到GPU卡中。这是通过PCI-E连接器进行的，该连接器比CPU或GPU内存要慢得多。
最后一个弱点是GPU时钟速度是高端CPU的1/3，因此在顺序任务中，GPU预期不会表现得比较好。
为什么GPU可与DNN计算可以很好地配合？
1）GPU具有更多的资源和更快的内存带宽
2）DNN计算与GPU体系结构非常吻合。计算速度非常重要，因为深度神经网络的训练可能需要几天到几周的时间。
实际上，如果不是因为GPU的可用性，可能还没有发现深度学习的许多成功。