避免关注底层硬件，Nvidia将机器学习与GPU绑定

【编者按】Nvidia通过发布cuDNN库，将GPU和机器学习更加紧密的联系起来，同时实现了cuDNN与深度学习框架的直接整合，使得研究员能够在这些框架上无缝利用GPU，忽略深度学习系统中的底层优化，更多的关注于更高级的机器学习问题。

以下为译文

近日，通过释放一组名为cuDNN的库，Nvidia将GPU与机器学习联系的更加紧密。据悉，cuDNN可以与当下的流行深度学习框架直接整合。Nvidia承诺，cuDNN可以帮助用户更加聚焦深度神经网络，避免在硬件性能优化上的苦工。

当下，深度学习已经被越来越多的大型网络公司、研究员，甚至是创业公司用于提升AI能力，代表性的有计算机视觉、文本检索及语音识别。而包括计算机视觉等流行的领域都使用了图形处理单元（GPU），因为每个GPU都包含了上千的核心，它们可以加快计算密集型算法。

通过Nvida了解到，cuDNN基于该公司的CUDA并行编程语言，可以在不涉及到模型的情况下与多种深度学习框架整合。Nvidia的一位发言人透露了更多消息：

通过在Caffe、Theano、Torch7等主流机器学习框架上的研究，cuDNN允许研究员可以在这些框架上无缝利用GPU的能力，并预留了未来的发展空间。举个例子：在Caffe中整合cuDNN对终端用户是不可见，只需要非常简单的设置就可以完成这个操作，即插即用是cuDNN的核心设计因素。 从更技术的角度看，cuDNN是一个低等级的库，无需任何CUDA代码就可以在host-code中调用，非常类似我们已经开发的CUDA cuBLAS和cuFFT库。通过cuDNN，用户不必再关心以往深度学习系统中的底层优化，他们可以将注意力集中在更高级的机器学习问题，推动机器学习的发展。同时基于cuDNN，代码将以更快的速度运行。

不管是为了未来增长，还是“GPU不只用于计算机图形渲染”这个长期目标，Nvidia在拥抱深度学习和机器学习上非常积极。当下GPU的使用已经非常广泛，机构使用它代替CPU以获得更高的速度及更低的成本。

但是，仍然存在一些特定的因素抑制了CPU的长期发展。其中一个就是替代架构，比如IBM的SyNAPSE和类似Nervana Systems一些初创公司的努力，比如，它们专门为神经网络和机器学习负载设计。另一个则是现有的处理器架构，包括CPUs和FPGAs已经让人们看到了未来机器学习负载上的能力。

虽然当下已经有很多云供应商通过服务的形式提供了深度学习能力，但是机器深度学习离进入主流仍然有很大的距离。

原文：Nvidia stakes its claim in deep learning by making its GPUs easier to program

（http://gigaom.com/2014/09/08/nvidia-stakes-its-claim-in-deep-learning-by-making-its-gpus-easier-to-program/）

（编译/仲浩 审校/魏伟）