实时深度学习

1. 程序的性能分析：GPU 作为主要的硬件加速设备已经被广泛的应用于深度学习领域，DNN 任务在 GPU 上运行时会遇到各种性能障碍，例如，低效的 DNN 算法,低精度的结果，并行的开销,负载的不均衡，内存、缓存和带宽的低效使用，计算延迟超出响应时间要求等；
   ① 不同的深度学习框架实现机制与 CUDA 驱动的融合程度不同，不同的深度学习框架会导致较大的性能差异；
   ② 卷积层运算涉及到大量的密集型计算，是开销的主体部分；
   ③ DNN 模型包含大量的神经元,具有数千万的训练参数,计算量大,存在两个潜在的性能瓶颈：计算瓶颈和通信瓶颈（分布式训练？）；

2. 轻量级神经网络：
   ① 人工优化：
   模型压缩（模型量化、模型剪枝、矩阵低秩分解）；
   轻量化网络（小卷积核替换、减少输入特征通道数量、延迟下采样，获得更大特征图）
   ② 自动优化：
   自动化机器学习AutoML 是模型选择、特征抽取和超参数调优等一系列自动化方法,可以实现自动训练有价值的模型；
   神经架构搜索NAS 采用神经网络设计神经网络，基于多目标优化约束自动化设计网络；

3. 实时神经网络：网络推理时间具有可预测性，且网络推理时间须在实时任务时间阈值内，同时保证网络的推理精度在可接受的范围内；必要时，牺牲精度换取推理时间。

4. 提高硬件和软件的计算并行度；考虑数据搬运和传输过程；考虑任务分割，子任务的调配和实时管理；GPU资源管理策略，降低资源访问冲突；

5. 深度神经网络与网络加速器的协同设计：
   ① 以网络为固定标的，优化加速器的架构；
   ② 以加速器为固定标的，优化网络的结构；