大神讲解深度学习卷积在GPU上的优化思路

内存访问是有一些特性的，连续合并访问可以很好地利用硬件的带宽。你可以看到，NVIDIA最新架构的GPU，其核心数目可能并没有明显增加，架构似乎也没有太大变化，但在几个计算流处理器中间增加缓存，就提高了很大的性能，为IO访问这块儿带来了很大优化。

上面是一张比较经典的内存和线程模型，shared memory和registers是访问速度最快的内存，内存的访问跟计算比起来，太慢了，所以尽量把多的数据都放到高速的缓存里面。

矩阵优化的几个思路

从计算角度出发

从结果出发

以上面这张图为例，当我们从C矩阵的结果出发，每一个C需要A的一行和B的一列来进行计算，利用GPU的特性，我们可以把零时的结果存储在registers面，那我们就可以划分64x2个线程，来作为计算线程。

在C的影印部分，可以有64×2这么多个线程在一次访问，就可以存储64×2个数据。你可以让64×2个线程每一个线程都存储16个或者32个数据，那么，我们就可以用64×2个线程存储64×2×16（32）个数据。 这么多个数据都可以一次存储在最快的内存里面，多次读写的时候，速度就可以很快。同时，我们在考虑对A和B矩阵的访问，可以把B矩阵的相应的数据，大量的放到shared memory里面，这样就提高了shared memory的公用性。这样，整个A×B再根据这些线程可以在读取globalmemory（ A矩阵）的时候，可以合并访问，可以按照每一排32、32的读取，可以加快合并访问=C。这样就把整个矩阵优化的思路整理出来了。

以上就是针对深度学习卷积在GPU、乃至Jetson TX1平台上的一些优化思路。