GPU：主流选择，功不可没

您当前位置：首页 > 行业分析 > IT通讯 > 　正文

来源：中为咨询www.zwzyzx.com 【日期：2016-11-30 21:39:39】【打印】【关闭】

相关报告

2015-2019年汽车电子芯片项目商业计划书(2014-11-13)
2016-2022年中国汽车电子行业市场深度调查研究及投资咨询报告(2015-11-30)
2015-2020年中国汽车电子行业市场主要领域调查分析报告(2015-10-17)
2016-2022年中国电子元器件行业市场深度调查研究及投资咨询报告(2015-12-10)
2015-2020年中国无人机行业市场深度调查分析及投资战略研究报告(2015-03-10)
2015-2020年中国汽车电子芯片行业运行研究及市场投资发展分析报告(2015-06-15)
2015-2020年中国单圈多圈电位器电子元器件行业市场调查研究及投资发展报告(2015-06-15)
2015-2020年中国电子元器件行业市场调查研究及投资发展分析报告(2015-06-11)
中国汽车电子行业市场深度调查研究及投资咨询报告(2018-08-05)
2015-2020年中国无人机行业市场主要领域调查分析报告(2015-09-11)

随着深度学习的层次越来越高、知识图库的数据量越来越庞大，芯片的计算能力成为限制人工智能进一步发展的瓶颈。目前，GPU、FPGA和ASIC被公认为是适合进行大量AI人工计算的芯片。

深度学习算法是人工智能的核心，深层模型训练需要各种技巧，例如网络结构的选取，神经元个数的设定，权重参数的初始化，学习率的调整，Mini-batch的控制等等。矢量化编程是提高算法速度的一种有效方法，矢量化编程强调单一指令并行操作多条相似数据，形成单指令流多数据流（SIMD）的编程泛型。

由于在单个CPU上执行时，矢量运算会被展开成循环的形式，本质上还是串行执行。而GPU就采用了大量的执行单元，这些执行单元可以轻松的加载并行处理，而不像CPU那样的单线程处理。因此，GPU率先被用于进行人工智能的大量计算。GPU中含有更多晶体管用于数据处理

2009年百度首席科学家吴恩达与斯坦福大学的研究小组，发现了GPU芯片可以并行运行神经网络算法，GPU的众核体系结构包含几千个流处理器，可将矢量运算并行化执行，大幅缩短计算时间。

随着NVIDIA、AMD等公司不断推进其GPU的大规模并行架构支持，面向通用计算的GPU（General-PurposedGPU,GPGPU）已成为加速可并行应用程序的重要手段。GPU应用于人工智能的深度学习得到了谷歌、微软、IBM、百度等公司的采用。这使得深度学习算法的运算效率大幅提升，极大地推动了人工智能的发展。GPU处理并行数据的能力是CPU的33倍