cuDNN:Efficient Primitives for Deep Learning 解读
2016-09-07 23:24
525 查看
一直用cuDNN所以很好奇其实现,于是花了点时间看了一下cuDNN:Efficient Primitives for Deep Learning,还是很容易懂的。
1. caffe的卷积
首先,caffe的卷积操作是将卷积转化为矩阵乘法,然后就可以用已有的GPU矩阵乘法的优化算法进行计算。具体可以参见这篇博文。
这个方法由于需要将输入D和卷积核F进行转化,将D从四维数组转化为二维矩阵时数据规模变大,因而会占用过多显存。而且卷积核越大,stride越小,显存耗费越高。
2. FFT 计算卷积
还有一种使用FFT计算卷积。此时需要将卷积核扩大成和feature map一样的长宽尺寸,这在二者相差较大的时候也是很浪费的。另外,当stride大于1时,数据比较稀疏,采用FFT效果也并不理想。
3. NVIDIA的矩阵乘法
NVIDIA对矩阵乘法支持每次单独计算子矩阵。一边计算子矩阵的结果,一边准备下一组数据,最后合并得到结果。有点流水线的意思。
4. cuDNN convolution
论文采用的是将卷积转化为矩阵乘法的方法,利用NVIDIA的矩阵乘法的特点,做了一些改进。具体来说就是,计算F(卷积核)对D(输入的feature map)的卷积,并不是将D转化后的二维矩阵直接存到显存里面,而是lazily materialing的方式。就是说,当需要用到这部分数据的时候,直接到D中索引对应的数据,并加载到显存里面进行计算,这样就避免了占用额外显存这一弊端。因此该方法还需要一个快速从D中索引数据的算法。
1. caffe的卷积
首先,caffe的卷积操作是将卷积转化为矩阵乘法,然后就可以用已有的GPU矩阵乘法的优化算法进行计算。具体可以参见这篇博文。
这个方法由于需要将输入D和卷积核F进行转化,将D从四维数组转化为二维矩阵时数据规模变大,因而会占用过多显存。而且卷积核越大,stride越小,显存耗费越高。
2. FFT 计算卷积
还有一种使用FFT计算卷积。此时需要将卷积核扩大成和feature map一样的长宽尺寸,这在二者相差较大的时候也是很浪费的。另外,当stride大于1时,数据比较稀疏,采用FFT效果也并不理想。
3. NVIDIA的矩阵乘法
NVIDIA对矩阵乘法支持每次单独计算子矩阵。一边计算子矩阵的结果,一边准备下一组数据,最后合并得到结果。有点流水线的意思。
4. cuDNN convolution
论文采用的是将卷积转化为矩阵乘法的方法,利用NVIDIA的矩阵乘法的特点,做了一些改进。具体来说就是,计算F(卷积核)对D(输入的feature map)的卷积,并不是将D转化后的二维矩阵直接存到显存里面,而是lazily materialing的方式。就是说,当需要用到这部分数据的时候,直接到D中索引对应的数据,并加载到显存里面进行计算,这样就避免了占用额外显存这一弊端。因此该方法还需要一个快速从D中索引数据的算法。
相关文章推荐
- cuDNN: efficient Primitives for Deep Learning 论文阅读笔记
- cuDNN: efficient Primitives for Deep Learning 论文阅读笔记
- cuDNN: efficient Primitives for Deep Learning 论文阅读笔记
- Deep Residual Learning for Image Recognition(ResNet)残差网络解读
- 解读Deep Residual Learning for Image recognition
- EFFICIENT METHODS AND HARDWARE FOR DEEP LEARNING
- 中文译文:Minerva-一种可扩展的高效的深度学习训练平台(Minerva - A Scalable and Highly Efficient Training Platform for Deep Learning)
- Efficient Deep Learning for Stereo Matching
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(四)
- CS231n学习笔记--15. Efficient Methods and Hardware for Deep Learning
- 论文PCANet: A Simple Deep Learning Baseline for Image Classification?的matlab源码解读(一)
- [Stereo_cnn][cvpr16]Efficient Deep Learning for Stereo Matching(未完成)
- Deep Residual Learning for Image Recognition 笔记
- 深度学习论文笔记 [图像处理] Deep Residual Learning for Image Recognition
- An Introduction to Deep Learning for the PhysicalLayer
- Deep MNIST for Experts解读(二):卷积与最大池化
- deep learning for object detection
- DBN训练学习-A fast Learning algorithm for deep belief nets
- Discriminative Deep Metric Learning for Face Verification in the Wild(文献泛读)
- 论文阅读《Deep Vieo Code for Efficient Face Video》