GPU和AI越來越火，引起了大批投資者和開發者的注意。百度前首席科學家Andrew Ng提到，AI的春天已經到來，其重要因素之一是GPU處理能力，能讓神經網絡的智能可以隨數據增加而提升，突破了過去的AI所能達到的平臺。

圖片來自“視覺中國”

最近Google在ISCA2017上披露了TPU（Tensor Processing Unit）的細節，繼Haswell CPU,Tesla K80 GPU之后，又增加了一種專門用于機器學習和神經網絡的高性能武器。

數據分析和GPU

GPU不僅能實現數據庫的許多功能，而且其強大的計算能力，能實現實時分析。MapD和Kinetica是這方面比較有名的兩家公司。MapD用NVIDIA Tesla K40/K80實現了基于SQL和列式存儲的數據庫，無需索引，擅長任意多組合的條件查詢（Where）、聚合（Groupby）等，實現傳統關系型數據庫的BI功能，方便用戶自由地進行多條件查詢。性能優勢也很明顯（尤其是響應時間）。

比如，MapD將1987-2008年全美國進出港航班的數據擴大10倍后，執行全表掃描的報表任務，如"SELECT...GROUP BY...”。一臺帶有8張Tesla K40顯卡的服務器（8核/384G RAM/SSD）比3臺服務器（32核/244G RAM/SSD）組成的內存數據庫集群快50-100倍。

GPU數據庫的另一大特色是可視化渲染和繪制。將OpenGL等的緩沖區直接映射成GPU CUDA里的顯存空間，原地渲染，無需將結果從內存拷到GPU，可以實現高幀頻的動畫。也可以原地繪制成PNG或視頻stream，再發給客戶端，大大減少網絡傳輸的數據量。這些優勢吸引了很多開發者。

在實時分析上比較有名的一家公司是Kinetica。他們開始時為美國情報機構實時分析250個數據流。現在能用10個節點，基于20萬個傳感器，為美國郵政服務（USPS）提供15000個并行的實時分析、物流路由計算和調度等。

我國用GPU進行分析和挖掘的用戶也越來越多，想深入學習的朋友也不少。最快速的入門辦法是重復前人的實驗。弗吉尼亞大學的Accelerating SQL Database Operations on a GPU with CUDA里的開發環境和實驗，值得借鑒。他們用一張4G顯存的NVIDIA Tesla C1060,在一臺低配的服務器上（Xeon X5550（2.66GHz/4核），5G RAM），用5百萬行的表做查詢和匯總，響應時間30-60毫秒。

我們測過的最低配置是NVidia GTX 780，一千多塊，適合用來嘗試查詢和聚合。先用SQLite將SQL解析成多個OpCode步驟,然后在CUDA上實現一個虛機，來逐一實現每個步驟，直至將整個表逐行遍歷完。其中一些步驟可以并行，因此可用CUDA起幾萬個線程，每個線程處理一行。

深度學習和GPU

深度需要較高的計算能力，所以對GPU的選擇會極大地影響使用者體驗。在GPU出現之前，一個實驗可能需要等幾個月，或者跑了一天才發現某個試驗的參數不好。好的GPU可以在深度學習網絡上快速迭代，幾天跑完幾個月的試驗，或者幾小時代替幾天，幾分鐘代替幾小時。

快速的GPU可以幫助剛開始學習的朋友快速地積累實踐經驗，并用深度學習解決實際問題。如果不能快速得到結果，不能快速地從失誤中汲取教訓，學起來會比較讓人灰心。Tim Dettmers利用GPU，在一系列Kaggle比賽里應用了deep learning，并在Partly Sunny with a chance of Hashtags比賽中獲了亞軍。他用了兩個較大的兩層深度神經網絡，采用了ReLU激活函數，用Dropout來實現正則化。這個網絡勉強能加載到6GB的GPU顯存里。

是否需要多個GPU？

Tim曾用40Gbit/s的InfiniBand搭建了一個小GPU集群，但他發現很難在多個GPU上實現并行的神經網絡，而且在密集的神經網絡上，速度提升也不明顯。小網絡可以通過數據并行更有效地并行，但對比賽里所用的這個大網絡，幾乎沒有提速。

后來又開發了一個8-bit壓縮方法，按理說，能比32-bit更有效地并行處理密集或全互聯的網絡層。但是結果也不理想。即使對并行算法進行優化，自己專門寫代碼在多顆GPU上并行執行，效果和付出的努力相比仍然得不償失。要非常了解深度學習算法和硬件之間具體如何互動，才能判斷是否能從并行里真的得到好處。

對GPU的并行支持越來越常見，但還遠未普及，效果也未必很好。僅有CNTK這一種深度學習庫通過Microsoft特殊的1-bit量化并行算法（效率較高）和塊動量算法（效率很高），能在多個GPU和多臺計算機上高效地執行算法。

在96顆GPU的集群上用CNTK，可以獲得90-95倍的速度提升。下一個能高效地多機并行的庫可能是Pytorch，但還沒完全做好。如果想在單機上并行，可以用CNTK，Torch或Pytorch。速度可提升3.6-3.8倍。這些庫包含了一些算法，能在4顆GPU的單機上并行執行。其他支持并行的庫，要么慢，要么這兩個問題都有。

多GPU，非并行

用多個GPU的另一個好處是，即使不并行執行算法，也可以在每個GPU上分別運行多個算法或實驗。雖然不能提速，但可以一次性了解多個算法或參數的性能。當科研人員需要盡快地積累深度學習經驗，嘗試一個算法的不同版本時，這很有用。

這對深度學習的過程也很有好處。任務執行得越快，越能更快地得到反饋，腦子就從這些記憶片段里總結出完整的結論。在不同的GPU上用小數據集訓練兩個卷積網絡，可以更快地摸索到如何能執行得更好。也能更順地找到交叉驗證誤差（Cross validation error）的規律，并正確地解讀它們。還能發現某種規律，來找到需要增加、移除或調整的參數或層。

總的來說，單GPU幾乎對所有的任務都夠了，不過用多個GPU來加速深度學習模型變得越來越重要。多顆便宜的GPU也能用來更快地學習深度學習。因此，建議用多個小GPU，而不是一個大的。

選哪種？

NVIDIA GPU，AMD GPU還是Intel Xeon Phi

用NVIDIA的標準庫很容易搭建起CUDA的深度學習庫，而AMD的OpenCL的標準庫沒這么強大。而且CUDA的GPU計算或通用GPU社區很大，而OpenCL的社區較小。從CUDA社區找到好的開源辦法和可靠的編程建議更方便。

而且，NVIDIA從深度學習的起步時就開始投入，回報頗豐。雖然別的公司現在也對深度學習投入資金和精力，但起步較晚，落后較多。如果在深度學習上采用NVIDIA-CUDA之外的其他軟硬件，會走彎路。

據稱，Intel的Xeon Phi上支持標準C代碼，而且要在Xeon Phi上加速，也很容易修改這些代碼。這個功能聽起來有意思。但實際上只支持很少一部分C代碼，并不實用。即使支持，執行起來也很慢。Tim曾用過500顆Xeon Phi的集群，遇到一個接一個的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以沒法做單元測試。因為Intel Xeon Phi編譯器無法正確地對模板進行代碼精簡，比如對switch語句，很大一部分代碼需要重構。因為Xeon Phi編譯器不支持一些C++11功能，所以要修改程序的C接口。既麻煩，又花時間，讓人抓狂。

執行也很慢。當tensor大小連續變化時，不知道是bug，還是線程調度影響了性能。舉個例子，如果全連接層（FC）或剔除層（Dropout）的大小不一樣，Xeon Phi比CPU慢。

預算內的最快GPU

用于深度學習的GPU的高速取決于什么？是CUDA核？時鐘速度？還是RAM大小？這些都不是。影響深度學習性能的最重要的因素是顯存帶寬。

GPU的顯存帶寬經過優化，而犧牲了訪問時間（延遲）。CPU恰恰相反，所用內存較小的計算速度快，比如幾個數的乘法（3*6*9）；所用內存較大的計算慢，比如矩陣乘法（A*B*C）。GPU憑借其顯存帶寬，擅長解決需要大內存的問題。當然，GPU和CPU之間還有更復雜的區別，可以參見Tim在Quora上的回答。

所以，購買快速GPU的時候，先看看帶寬。

對比CPU和GPU的帶寬發展

芯片架構相同時，帶寬可以直接對比。比如，Pascal顯卡GTX 1080和1070的性能對比，只需看顯存帶寬。GTX 1080（320GB/s）比GTX 1070（256GB/s）快25%。不過如果芯片架構不同，不能直接對比。比如Pascal和Maxwell（GTX 1080和Titan X），不同的生產工藝對同樣帶寬的使用不一樣。不過帶寬還是可以大概體現GPU有多快。另外，需要看其架構是否兼容cnDNN。絕大多數深度學習庫要用cuDNN來做卷積，因此要用Kepler或更好的GPU，即GTX 600系列或以上。一般來說，Kepler比較慢，所以從性能角度，應考慮900或1000系列。為了比較不同顯卡在深度學習任務上的性能，Tim做了個圖。比如GTX 980和0.35個Titan X Pascal一樣快，或者說Titan X Pascal比GTX快了差不多3倍。

這些結果并不來自于每張卡的深度學習benchmark測試，而是從顯卡參數和計算型benchmark(在計算方面，一些加密貨幣挖掘任務和深度學習差不多）。所以這只是粗略估計。真實數字會有些不同，不過差距不大，顯卡排名應該是對的。同時，采用沒有用足GPU的小網絡會讓大GPU看上去不夠好。比如128個隱藏單元的LSTM（批處理>64）在GTX 1080 Ti上跑的速度不比GTX 1070快多少。要得到性能區別，需要用1024個隱藏單元的LSTM（批處理>64）。

GPU跑大型深度學習網絡的性能比較

一般來說，Tim建議用GTX 1080 Ti或GTX 1070。這兩者都不錯。如果預算夠的話，可以用GTX 1080 Ti。GTX 1070便宜一點，比普通GTX Titan X（Maxwell）更快。兩者都比GTX 980 Ti更適合，因為顯存更大——11GB和8GB，而不是6GB。

8GB有點小，但對很多任務都足夠了，比如足夠應付Kaggle比賽里大多數圖像數據集合自然語言理解（NLP）的任務。

剛開始接觸深度學習時，GTX 1060是最好的選擇，也可以偶爾用于Kaggle比賽。3GB太少，6GB有時不太夠，不過能應付很多應用了。GTX 1060比普通Titan X慢，但性能和二手價格都和GTX 980差不多。

從性價比來看，10系列設計很好。GTX 1060,1070和1080 Ti更好。GTX 1060適合初學者,GTX 1070的用途多，適合初創公司和某些科研和工業應用，GTX 1080 Ti是不折不扣的全能高端產品。

Tim不太建議NVIDIA Titan X（Pascal），因為性價比不太好。它更適合計算機視覺的大數據集，或視頻數據的科研。顯存大小對這些領域的影響非常大，而Titan X比GTX 1080 Ti大1GB，因此更適合。不過，從eBay上買GTX Titan X（Maxwell）更劃算——慢一點，但12GB的顯存夠大。

GTX 1080Ti對大多數科研人員夠用了。額外多1GB的顯存對很多科研和應用的用處不大。

在科研上，Tim個人會選多張GTX 1070.他寧可多做幾次實驗，稍微慢一點，而不是跑一次實驗，快一點。NLP對顯存的要求不像計算機視覺那么緊，因此GTX 1070足夠了。他現在處理的任務和方式決定了最合適的選擇——GTX 1070。

選擇GPU時可以用類似的思路。先想清楚所執行的任務和實驗方法，再找滿足要求的GPU。現在AWS上的GPU實例比較貴且慢。GTX 970比較慢，而且二手的也比較貴而且啟動時顯卡有內存問題。可以多花點錢買GTX 1060，速度更快，顯存更大，而且沒有顯存問題。如果GTX 1060太貴，可以用4G顯存的GTX 1050 Ti。4GB有點小，但也深度學習的起步也夠了。如果在某些型號上做調整，可以得到較好性能。GTX 1050 Ti適合于大多數Kaggle比賽，不過可能在一些比賽里發揮不出選手優勢。