GPU与MATALB的混合编程学习随笔（前言）

        以下为本人在学习过程中的部分印记。由于本人学识有限，下文会存在部分不足。望大家多多指教，相互学习。谢谢！

        自从进入21世纪以来，科技变革伴随着基于机器学习和深度学习的AI热潮的再次掀起而变得越发的明显。这是第三次AI热潮，也是推动力最大和最接地气的一次！这次AI热潮与之前的两次热潮的区别在于：商业资本为主要推动力、最直接的受益对象为大众^[1]。

https://www.jrzj.com/204643.html

        数字图像处理作为AI服务的主要客户之一，其涉及到的大数据是AI实现的基石。大数据的运用伴随着庞大的数字计算，并且极具有实效性^[2-4]。这意味着身为计算核心的计算机软硬件被提出了更高的要求。现流行的加速运算的硬件主要有：TPU、FPGA、GPU、CPU。

http://upload.semidata.info/new.eefocus.com                

                                              https://cdn57.androidauthority.net                                                        

1.     TPU:TPU为谷歌最新推出的专用机器学习芯片，ASIC的一种。据2017年04月发布的数据分析，其运行速度要比GPU和CPU快15~30倍（Intel Haswell CPU 和 Nvidia K80 GPU ）^[5]。仅仅从数据处理速度上看，TPU为数据加速运算学习和发展的不二选择。但，首先对于一位非计算机专业从事人员而言，玩转一个全新的软硬件加速计算交互领域所需要付出的代价已经远远超出了受益；其次，目前大部分科技公司和个体还依然在使用NVIDIA GPU/FPGA加速，存在大量的现成学习资料和技术方案。
2.     FPGA:FPGA为现场可程式化逻辑闸阵列芯片。相对于ASIC芯片和GPU，FPGA最大的优势是可改变芯片工作的方式，使其在工作过程中可通过重新编辑达到适应新的任务^[6]。FPGA与GPU在数据加速运算上的优劣，更多在于技术方案的选择^[7]。
3.     GPU:GPU为图形处理器。得益于GPU多核框架的设计优点，其在数据并行处理方面的能力明显大于同级别的CPU。因为在现存的所有热门加速运算硬件中，NVIDIA GPU最先涉及AI领域的运用并持续开发优化至今，所以GPU在数据处理加速，尤其是图像数据处理加速方面抢占了市场开发的先机。到目前为止，运算数据库的数量、软硬件兼容性、产品案例、技术学习交流等方面，基于GPU并行加速都是处于较前端。

 

    通过以上简单分析，以GPU作为主要图像数据加速硬件是一个较好的选择。基于CUDA为链接的CPU与GPU异构运算处理是目前较为经典的处理方案。

[1]https://baijiahao.baidu.com/s?id=1585023819767610549&wfr=spider&for=pc

[2]https://www.leiphone.com/news/201410/NgTsZw3yDjEbk9on.html

[3]http://www.raincent.com/content-108-8449-1.html

[4]孙仕亮，陈俊宇；大数据分析的硬件与系统支持综述

[5]http://www.sohu.com/a/134315786_473283

[6]http://embed.21ic.com/news/industry/201709/48422_2.html

[7]http://blog.csdn.net/pengyao_o/article/details/77196132

注：以上配图均来源于网络。如有侵权，请联系撤除！谢谢！