GPU

随着互联网用户的快速增长，数据体量的急剧膨胀，数据中心对计算的需求也在迅猛上涨。

早期的机器学习以搜索为基础，主要依靠进行过一定优化的暴力方法。但是随着机器学习逐渐成熟，它开始专注于加速技术已经很成熟的统计方法和优化问题。同时深度学习的问世更是带来原本可能无法实现的优化方法。本文将介绍现代机器学习如何找到兼顾规模和速度的新方法。

早期的机器学习以搜索为基础，主要依靠进行过一定优化的暴力方法。但是随着机器学习逐渐成熟，它开始专注于加速技术已经很成熟的统计方法和优化问题。同时深度学习的问世更是带来原本可能无法实现的优化方法。本文将介绍现代机器学习如何找到兼顾规模和速度的新方法。

FPGA 是一堆晶体管，你可以把它们连接(wire up)起来做出任何你想要的电路。它就像一个纳米级面包板。使用 FPGA 就像芯片流片，但是你只需要买这一张芯片就可以搭建不一样的设计，作为交换，你需要付出一些效率上的代价。

IDC《2018年下半年中国AI基础架构市场跟踪报告》显示，2018年下半年中国GPU服务器市场规模为7.8亿美金（约合人民币53.8亿元），同比增长107.3%。 2018年全年中国GPU服务器市场规模为13.05亿美金（约合人民币90.05亿元），同比增长131.2%。

目前大多数的机器学习是在处理器上完成的，大多数机器学习软件会针对GPU进行更多的优化，甚至有人认为学习加速必须在GPU上才能完成，但事实上无论是运行机器学习的处理器还是优化的深度学习框架，都不单只针对GPU，代号为“Skylake”的英特尔至强SP处理器就证明了这一点。

CPU和GPU都是具有运算能力的芯片，CPU更像“通才”——指令运算(执行)为重+ 数值运算，GPU更像“专才”——图形类数值计算为核心。在不同类型的运算方面的速度也就决定了它们的能力——“擅长和不擅长”。

芯片的速度主要取决于三个方面：微架构、主频、IPC(每个时钟周期执行的指令数)。

1．微架构

就如电源是PC的心脏一样，主板和显卡上的供电模块也是它们各自的心脏，搭载在身上的各种芯片能否正常工作，就看它们的供电电路是否足够强悍了。因此，在我们的显卡和主板评测中，它们的供电模块会是一个很重要的评分项目。那么主板和显卡上的供电模块由什么元件组成，又是如何工作的呢?今天我们就来扒一扒那些关于板卡供电模块的二三事。

CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断，还会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

目前大部分电子产品在用户体验升级方面通常从交互方式入手，而通常的思路就是将传统按键交互来使用GUI来替代。