学习笔记︱深度学习以及R中并行算法的应用（GPU）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51699437

笔记源于一次微课堂，由数据人网主办，英伟达高级工程师ParallerR原创。大牛的博客链接：http://www.parallelr.com/training/

由于本人白痴，不能全部听懂，所以只能把自己听到的写个小笔记。

一、GPU的基本概念

GPU计算比CPU计算要快很多，计算机用GPU会大大加大速度

问题:现在不是有量子计算，GPU与其有什么区别？那么量子计算是否比GPU更能是明日之星呢？

CPU 中ALU只有四个，虽然大，但是control与cache占比较大；而GPU又很多，虽然小，但是control，cache占比小，所以更有优势，有长尾效应。用非常大量的小单元来加快运行速度。

GPU模式

CPU做逻辑运算时，比较好，但是当遇见特别密集型、单一的计算网格时，就会使用GPU进行计算。所以GPU与CPU是相互配合进行计算。

GPGPU使用方法（GPU本来是处理图像的，现在GPU升级，可以处理一些计算）

1、已有的GPU库，我们直接调用API，最容易最简单，因为我们不需要知道GPU的使用内容，缺点：但是需要开发者，很清晰了解算法本身，知道哪些可以用GPU进行计算，哪些不用，不然会很乱。

2、编译器，通过一些方法把我们的算法自动GPU化，然后跑到程序里面去；

3、算法完全用GPU重写，成本最高，但是这个算法能够很效率。CUDA

二、GPU计算应用到R语言之中

R速度慢，是解释性语言，一条命令，先编译成指令，然后传输到CPU进行计算；

编译性语言可以直接访问CPU等，

内存不够，先读入R内存，然后再进行计算，对于R的存储有要求。

R与GPU结合

一般有GPU package，一般有三种方法：library、cuda

Cuda的库，可用性很强，

两个例子：

BLAS、FFT包

1、blas包

矩阵计算，需要R先预编译，下面的网址有编译的手法。只能在linux下运行。

http://www.parallelr.com/r-hpac-benchmark-analysis/

2、FFT

https://devblogs.nvidia.com/parallelforall/accelerate-r-applications-cuda/

调用已有GPU的库，中高级使用者；遇到性能问题的可以选

要写interface function