大神讲解深度学习卷积在GPU上的优化思路

提到人工智能领域，现在最热的词之一就是深度学习Deep Learning(下文简称DL)。近年来，深度学习成为了学术界乃至整个工业领域视觉计算方面的绝对主流。除了传统的计算机几何处理、专业渲染、医疗、生命科学、能源、金融服务、汽车、制造业以及娱乐业纷纷着力深度学习应用和技术优化，避免在企业竞争中失利。在群雄逐鹿的技术比拼中，GPU扮演着至关重要的角色，与其相关的技术优化也是研发人员关注的焦点之一。

"深度学习技术已经可以用于解决实际的问题，而不是停留在Demo演示阶段"

如微软的语音翻译、Google的猫识别，再到最近很火的人脸识别，还有自动驾驶等等，这些都是深度学习的典型应用。Alibaba、Baidu、Facebook、Google、IBM等大公司都在DL方面有很大的投入。这里必须强调一句，目前很多主流的DL框架和算法基本上都是华人主导开发的，DL的复兴，离不开华人研究者。

"在进行深度学习训练之前，你需要考虑的两件事"

一个是软件框架，例如Caffe，Tensorflow，Mxnet等等。
另一个就是硬件。硬件方面，目前有多种异构形式，cpu，fpga，dsp等等，但是最主流的还是GPU，真正能在DL当中快速形成战斗力的也是CUDA硬件（NVIDIA GPU）+CUDA的DL学习软件（cuDNN），这也是NVIDIA多年研发与培育的结果。

工欲善其事,必先利其器

现在主流的DL开发训练平台一般都用NVIDIA的显卡，比如NVIDIA TITAN系列就是非常好的工具。为了加快训练速度，一般选择在配备多个GPU的高性能计算机或集群上面进行训练，训练好的网络也很容易移植到采用NVIDIA Tegra处理器的嵌入式平台上面，如NVIDIA Jetson TX1，它们拥有相同的架构，所以移植起来会非常方便。

Jetson TX1基于NVIDIA Tegra X1处理器打造，它采用和超级计算机完全相同的Maxwell架构256核心GPU，可提供高达1T-Flops的计算性能并完整支持CUDA(Compute Unified Device Architecture)技术，配合预装的开发工具，非常适合基于深度学习的智慧型嵌入式设备的打造。前不久就有用户通过配备Tegra处理器的Jetson平台，检测自家花园是否有小猫闯入。

重头戏：卷积神经网络CNN算法优化

检测小猫闯入花园的视频红遍网络，这一应用就用到了卷积神经网络(Convolutional Neural Network，简称CNN)的分类，在台式机或者集群上学习，然后porting（移植）到Tegra上，CNN算法起了关键作用。而CNN最关键的部分就是卷积层。在图像识别，图像分类领域来讲大多数问题之所以CNN能起作用，关键就是卷积。它从两个方面演变而来，一个是声音处理的延时网络，一个是图像处理的特征点提取算法。对后者而言，卷积就是对图像做滤波，简单说，就是做一些特征值提取。常见的有sobel做边缘提取，还有hog，高斯滤波等等，这些都是二维卷积。

卷积形状优化

虽然现在大家做卷积都是方块的，但其实这只是定义，你完全可以不遵循这个标准，可以用其他的形状来代替卷积，去更好的适应你的运算方式，尤其是卷积核心比较大的时候，这也是对卷积做出优化的一种方式。 一般来说，目前比较流行的CNN网络，卷积部分会占用70%以上的计算时间，优化卷积部分就是很有必要的。你需要从算法角度、并行化角度，以及GPU硬件特性等诸多方面做出考量。 GPU本身是一种可编程的并行计算架构，它有很多很好的算法，同时NVIDIA也提供了相应的工具，帮你去进行优化。

卷积优化的基本思路

1. 计算并行

2. 数据并行

3. 并行的粒度

4. 空间换时间

5. IO和计算叠加

6. 更多的利用高效的缓存空间

7. 针对硬件的并行特性，更高效率的利用网络并发型

用内存来换时间

如果深度学习DL中每一层的卷积都是针对同一张图片，那么所有的卷积核可以一起对这张图片进行卷积运算，然后再分别存储到不同的位置，这就可以增加内存的使用率，一次加载图片，产生多次的数据，而不需要多次访问图片，这就是用内存来换时间。

乘法优化

卷积是对一个小区域做的乘法，然后再做加法，这在并行计算领域是非常成熟的。

以上图为例，左边是一张图片，右边是卷积核。我们可以把卷积核心展开成一条行，然后多个卷积核就可以排列成多行，再把图像也用类似的方法展开，就可以把一个卷积问题转换成乘法问题。这样就是一行乘以一列，就是一个结果了。这样虽然多做了一些展开的操作，但是对于计算来讲，速度会提升很多。

GPU优化的几个思路

了解IO访问的情况以及IO的性能；

多线程的并行计算特性；

IO和并行计算间的计算时间重叠

对于NVIDIA的GPU来讲，