硬件基础知识总结报告 第1篇
GPU性能排行可以查看GPU天梯榜。
在英伟达产品系列中，有消费领域的GeForce系列，有专业绘图领域的Quadro系列，有高性能计算领域的Tesla系列，如何选择？有论文研究，太高的精度对于深度学习的错误率是没有提升的，而且大部分的环境框架都只支持单精度，所以双精度浮点计算是不必要，Tesla系列都去掉了。从显卡效能的指标看，CUDA核心数要多，GPU频率要快，显存要大，带宽要高。这样，最新Titan X算是价格便宜量又足的选择。
英伟达以其大规模的并行GPU和专用GPU编程框架CUDA主导着当前的深度学习市场。但是越来越多的公司开发出了用于深度学习的加速硬件，比如谷歌的张量处理单元（TPU/Tensor Processing Unit）、英特尔的Xeon Phi Knight‘s Landing，以及高通的神经网络处理器（NNU/Neural Network Processor）。像Teradeep这样的公司现在开始使用FPGA（现场可编程门阵列），因为它们的能效比GPU的高出10倍。 FPGA更灵活、可扩展、并且效能功耗比更高。 但是对FPGA编程需要特定的硬件知识，因此近来也有对软件层面的FPGA编程模型的开发。
硬件基础知识总结报告 第2篇
矩阵相乘（Matrix MulTIplicaTIon）——几乎所有的深度学习模型都包含这一运算，它的计算十分密集。
卷积（ConvoluTIon）——这是另一个常用的运算，占用了模型中大部分的每秒浮点运算（浮点／秒）。
循环层（Recurrent Layers ）——模型中的反馈层，并且基本上是前两个运算的组合。
All Reduce——这是一个在优化前对学习到的参数进行传递或解析的运算序列。在跨硬件分布的深度学习网络上执行同步优化时（如AlphaGo的例子），这一操作尤其有效。
硬件基础知识总结报告 第3篇
人工智能的实现需要依赖三个要素：算法是核心，硬件和数据是基础。
从产业结构来讲，人工智能生态分为基础、技术、应用三层。
1Flops/s简写为T/s，是数据流量的计数单位，意思是“1万亿次浮点指令每秒”，它是衡量一个电脑计算能力的标准。
1TFlops=1024GFlowps，即1T=1024G。
各种FLOPS的含义： 1） 一个MFLOPS（megaFLOPS）等于每秒1百万（=10^6）次的浮点运算； 2） 一个GFLOPS（gigaFLOPS）等于每秒10亿（=10^9）次的浮点运算； 3） 一个TFLOPS（teraFLOPS）等于每秒1万亿（=10^12）次的浮点运算； 4） 一个PFLOPS（petaFLOPS）等于每秒1千亿（=10^15）次的浮点运算。