深度学习基础——硬件知识总结

Posted 2021-12-04 非晚非晚

文章目录

• 1. 深度学习用CPU和GPU训练的区别
• 2. GPU
• 3. CPU
• 4. 其他硬件
• 5. CPU 和 GPU 的冷却系统
• 6. 深度学习四种基本的运算
• 7. 算力--处理单元
• 8. 查看硬件信息
• • （1）查看GPU信息
  • （2）查看CPU信息

1. 深度学习用CPU和GPU训练的区别

• CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。
• CPU算神经网络也是可以的，算出来的神经网络放到实际应用中效果也很好，只不过速度会很慢罢了。而目前GPU运算主要集中在矩阵乘法和卷积上，其他的逻辑运算速度并没有CPU快。

2. GPU

GPU性能排行可以查看GPU天梯榜。

在英伟达产品系列中，有消费领域的GeForce系列，有专业绘图领域的Quadro系列，有高性能计算领域的Tesla系列，如何选择？有论文研究，太高的精度对于深度学习的错误率是没有提升的，而且大部分的环境框架都只支持单精度，所以双精度浮点计算是不必要，Tesla系列都去掉了。从显卡效能的指标看，CUDA核心数要多，GPU频率要快，显存要大，带宽要高。这样，最新Titan X算是价格便宜量又足的选择。

英伟达以其大规模的并行GPU和专用GPU编程框架CUDA主导着当前的深度学习市场。但是越来越多的公司开发出了用于深度学习的加速硬件，比如谷歌的张量处理单元（TPU/Tensor Processing Unit）、英特尔的Xeon Phi Knight‘s Landing，以及高通的神经网络处理器（NNU/Neural Network Processor）。像Teradeep这样的公司现在开始使用FPGA（现场可编程门阵列），因为它们的能效比GPU的高出10倍。 FPGA更灵活、可扩展、并且效能功耗比更高。 但是对FPGA编程需要特定的硬件知识，因此近来也有对软件层面的FPGA编程模型的开发。

3. CPU

在深度学习任务中，CPU并不负责主要任务，单显卡计算时只有一个核心达到100%负荷，所以CPU的核心数量和显卡数量一致即可，太多没有必要，但是处理PCIE的带宽要到40。

4. 其他硬件

• 内存条

内存大小最起码最起码要大于你所选择的GPU的内存的大小（最好达到显存的二倍，当然有钱的话越大越好）

在深度学习中，会涉及到大量的数据交换操作（例如按batch读取数据）。当然你也可以选择将数据存储在硬盘上，每次读取很小的batch块，这样你的训练周期就会非常长。常用的方案是“选择一个较大的内存，每次从硬盘中读取几个batch的数据存放在内存中，然后进行数据处理”，这样可以保证数据不间断的传输，从而高效的完成数据处理的任务。

• 电源问题

一个显卡的功率接近300W，四显卡建议电源在1500W以上，为了以后扩展，可选择更大的电源。

5. CPU 和 GPU 的冷却系统

冷却非常重要，是整个系统中一个重要的瓶颈。相比较于糟糕的硬件选择，它更容易降低性能。对于CPU，你可以使用标准散热器或者一体化（AIO）水冷解决方案。但是对于GPU，你需要特别注意。

• 风冷

• 1.被动式散热：它其实就是一个无风扇版的散热器，全靠空气流通带走鳍片上的热量。优点：完全没有噪音。缺点：散热性能差，适合发热量特别小的平台（我们的手机几乎都是被动式散热，甚至不如被动式散热）。
• 2.下压式散热：这种散热器风扇是朝下吹的，所以在兼顾CPU散热的同时也可以惠顾到主板和内存条散热。但是散热效果稍差，而且会扰乱机箱风道，所以适合发热小的平台，同时由于体积小不占空间，所以是小机箱的福音。
• 3.塔式散热:这种散热器高高耸立如高塔一般，故名塔式散热。这种散热器单向吹风，不会扰乱风道，而且鳍片和风扇可以做的比较大，因此散热性能最好。但是不能兼顾主板和内存散热，因此需要机箱上的风扇辅助才行。

• 水冷：

• 优点：因为减少了风扇的数量，所以也减少了风扇所产生的振动及噪音。散热效果比风冷系统高出许多。
• 缺点：水冷散热器所需的用具非常庞大，占用了一定的空间。价钱比风冷系统较高。因为结构比风冷系统复杂，还多加了一级的工质，所以可靠性也较差。若组装过程不慎或材料不佳时，会出现漏水，有可能会损害电脑零件。

6. 深度学习四种基本的运算

• 矩阵相乘（Matrix MulTIplicaTIon）——几乎所有的深度学习模型都包含这一运算，它的计算十分密集。

• 卷积（ConvoluTIon）——这是另一个常用的运算，占用了模型中大部分的每秒浮点运算（浮点／秒）。

• 循环层（Recurrent Layers ）——模型中的反馈层，并且基本上是前两个运算的组合。

• All Reduce——这是一个在优化前对学习到的参数进行传递或解析的运算序列。在跨硬件分布的深度学习网络上执行同步优化时（如AlphaGo的例子），这一操作尤其有效。

7. 算力–处理单元

人工智能的实现需要依赖三个要素：算法是核心，硬件和数据是基础。

从产业结构来讲，人工智能生态分为基础、技术、应用三层。

• 基础层包括数据资源和计算能力；
• 技术层包括算法、模型及应用开发；
• 应用层包括人工智能+各行业（领域），比如在互联网、金融、汽车、游戏等产业应用的语音识别、人脸识别、无人机、机器人、无人驾驶等功能。

1Flops/s简写为T/s，是数据流量的计数单位，意思是“1万亿次浮点指令每秒”，它是衡量一个电脑计算能力的标准。

1TFlops=1024GFlowps，即1T=1024G。

各种FLOPS的含义：
1） 一个MFLOPS（megaFLOPS）等于每秒1百万（=10^6）次的浮点运算；
2） 一个GFLOPS（gigaFLOPS）等于每秒10亿（=10^9）次的浮点运算；
3） 一个TFLOPS（teraFLOPS）等于每秒1万亿（=10^12）次的浮点运算；
4） 一个PFLOPS（petaFLOPS）等于每秒1千亿（=10^15）次的浮点运算。

8. 查看硬件信息

（1）查看GPU信息

• 命令一

lspci | grep -i nvidia

• 命令二

nvidia-smi

上图显示8个GPU（8卡），上图详细信息如下：

• Fan：显示风扇转速，数值在0到100%之间，是计算机的期望转速，如果计算机不是通过风扇冷却或者风扇坏了，显示出来就是N/A；
• Temp：显卡内部的温度，单位是摄氏度；
• Perf：表征性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能；
• Pwr：能耗表示；
• Bus-Id：涉及GPU总线的相关信息；
• Disp.A：是Display Active的意思，表示GPU的显示是否初始化；
• Memory Usage：显存的使用率；
• Volatile GPU-Util：浮动的GPU利用率，GPU占用率；
• Compute M：计算模式；

（2）查看CPU信息

top

top的解释和其他其他硬件信息查看可见这篇文章