摩尔定律放缓，迫使行业寻找新方法来更高效地提供计算性能，加速器开始被越来越多的HPC行业所采用，特别是在呈爆发式增长的深度学习领域。然而，除了已经在该领域被广泛应用的GPU外，目前业内又出现了一些新型、定制化的加速芯片，性能之迅猛甚有逆袭之势。
那么，NVIDIA如何看待这些新型的加速方案，NVIDIA又有哪些新的技术推动GPU在加速计算和深度学习领域中的创新。在刚刚过去的HPC China当中，NVIDIA就分享了诸多干货！赶快往下看：
业内对深度学习兴趣大幅增加来自三个趋势
第一是大数据的快速积累，有足够的训练数据可以利用；第二是机器学习和深度学习算法不断的发展；第三是由于GPU所带来的巨大可用的计算能力。比如在深度学习网络当中，有很多以十亿为单位的计算量，而GPU则非常适合这种对数据和计算能力有非常高的要求的环境。
中国在深度学习新技术方面不亚于美国
针对深度学习技术领域，中国紧随美国其后。但是在商业模式方面，中国的创新能力更加突出。特别是如何利用深度学习做不同的应用，中国的企业往往能够找到很多不同的角度。值得一提的是，在NVIDIA主办的GPU技术大会（GTC）中，中国参会人数已经超过在HPC领域贡献非常大的日本。
FPGA与GPU的应用领域各有侧重
尽管最近业内提出的类脑芯片以及FPGA加速的话题很火，尤其是FPGA，这可能和它被170亿美元收购有关。但实际上在深度学习的训练方面，几乎所有的企业和研究机构都在使用GPU，通过FPGA技术运行的应用程序非常非常少，其应用更集中于解决分类推断等逻辑运算问题。由此可以看出，FPGA和GPU的应用领域各有侧重。
定制化芯片虽然更快 但成本高更迭潜力低
一些观点认为当前的GPU在性能上还无法满足在深度学习训练中极为苛刻的计算需求，业内缺乏针对深度学习定制的加速芯片。NVIDIA认为，定制化的芯片首先费用很高，其次，它无法做到快速迭代，以满足深度学习快速变化的计算需求。因此GPU这种可以同时满足于游戏、计算以及深度学习的相对更加通用的处理器，依然是最好的方案。
NVIDIA GPU在商业化应用中占绝对优势
目前HPC前10大热门应用中有9款支持GPU，而所有目前GPU加速系统中70%的运算周期都是在GPU上进行的，可以说NVIDIA GPU在商业化应用中占据非常明显的优势。而相比之下，一些采用定制加速器的系统，虽然可以取得Green 500上非常不错的排名，但是缺少商业应用的支持。
NVLink对加速深度学习起着非常重要的作用
在深度学习应用中，GPU和GPU之间的通讯会非常频繁，很多操作不需要经过CPU，为此NVIDIA即将推出的NVLink高速互联技术将在深度学习应用中会起到非常积极的作用。它可以比现有PCI-Express带宽高出5~12倍。
Pascal架构+NVLink为深度学习提速10倍
NVIDIA将于明年推出的Pascal架构，结合NVLink高速互联技术，将给深度学习应用带来10倍性能提升。在软件层面上，持续更新的cuDNN（CUDA深度神经网络库）也可以不断挖掘新GPU架构上性能表现。
不同Tesla产品适合不同的应用环境
对于深度学习的应用来说，Tesla K40加速器以及刚刚发布的Tesla M40超大规模加速器是非常合适的产品，而Tesla K80双GPU加速器更适于气象预测、油气等行业，它有着对于这些行业应用最优化的性能表现。
GPU是目前云服务当中唯一可以提供加速计算的技术
如何让更多的人使用GPU加速？云是非常好的途径。基于NVIDIA的GRID技术，亚马逊AWS已推出了针对图像应用的GPU实例云服务，微软Azure于今年9月开始提供基于GPU的专业图形应用和加速计算功能。阿里云则在上个月宣布推出了中国首个基于GPU的HPC云服务，专为深度学习创新而生！IBM的SuperVessel超能云也宣布推出GPU加速服务，引领OpenPOWER迈入认知计算时代。
互联网视频领域，GPU计算潜力十足
如今的社交网络每天都有大量的视频上传，其在深度学习的模型训练方面有着非常大的需求，GPU可以很好地满足这些计算任务。但是随着互联网视频需求进一步爆发，除了在模型训练方面，GPU还将释放出更多的潜力。 |
楼主
标题置顶
标题高亮
