外接gpu 训练神经网络,显卡训练神经网络

为什么要用GPU来训练神经网络而不是CPU?

许多现代神经网络的实现基于GPU，GPU最初是为图形应用而开发的专用硬件组件。所以神经网络收益于游戏产业的发展。

中央处理器（centralprocessingunit，简称CPU）作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。

CPU自产生以来，在逻辑结构、运行效率以及功能外延上取得了巨大发展。CPU出现于大规模集成电路时代，处理器架构设计的迭代更新以及集成电路工艺的不断提升促使其不断发展完善。

从最初专用于数学计算到广泛应用于通用计算。从4位到8位、16位、32位处理器，最后到64位处理器，从各厂商互不兼容到不同指令集架构规范的出现，CPU自诞生以来一直在飞速发展。

冯诺依曼体系结构是现代计算机的基础。在该体系结构下，程序和数据统一存储，指令和数据需要从同一存储空间存取，经由同一总线传输，无法重叠执行。

根据冯诺依曼体系，CPU的工作分为以下5个阶段：取指令阶段、指令译码阶段、执行指令阶段、访存取数和结果写回。

谷歌人工智能写作项目：神经网络伪原创

为什么Matlab训练神经网络用不了GPU

文案狗。

可以用gpu加速训练，可以通过增加'useGPU'字段:train(net,P,T,'useGPU','yes');或先将数据集P,T通过函数Pgpu=gpuArray(P);Tgpu=gpuArray(T);转移到gpu内存中，再调用训练函数train(net,Pgpu,Tgpu)但是需要注意以下几点：1，由于要在gpu上训练，网络的权重调整也会在gpu内进行，所以会占用gpu的内存，内存占用率与数据集的大小相关，可以通过下面的代码了解内存占用：gpudev=gpuDevice；%事先声明gpudev变量为gpu设备类%其他代码gpudev.AvailableMemory%实时获得当前gpu的可用内存可以通过尝试不同的数据集大小选择一个合适的数据集大小2，大部分gpu处理double类型的数据能力并不强，所以如果想要取得较好的训练效果，需要使用single数据类型的数据集，例：P=single(P);%将double型的P转为single型T=single(T);%将double型的T转为single型train(net,P,T,'useGPU','yes');但是matlab的神经网络工具箱的一个函数可能有bug，在gpu上运行double变量的数据集时没有问题，但运行single变量时可能会弹出如下错误：ErrorusinggpuArray/arrayfunVariablexxchangedtype.修复该问题需要在源文件上作一些修改，具体内容这里没法三言两语说清楚，如果遇到该问题可以留言经过本人测试，single型的数据集在gpu上可以取得数十倍的加速，具体加速情况与具体gpu型号有关。

深度学习用cpu训练和用gpu训练有什么区别

1、深度学习用cpu训练和用gpu训练的区别（1）CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。

（2）CPU算神经网络也是可以的，算出来的神经网络放到实际应用中效果也很好，只不过速度会很慢罢了。而目前GPU运算主要集中在矩阵乘法和卷积上，其他的逻辑运算速度并没有CPU快。

2、深度学习深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是机器学习中一种基于对数据进行表征学习的方法。

观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。

使用神经网络训练，一个最大的问题就是训练速度的问题，特别是对于深度学习而言，过多的参数会消耗很多的时间，在神经网络训练过程中，运算最多的是关于矩阵的运算，这个时候就正好用到了GPU，GPU本来是用来处理图形的，但是因为其处理矩阵计算的高效性就运用到了深度学习之中。

WIN10的15寸笔记本电脑可以外加个GPU吗

不行！

[GPU=图形处理器（英语：GraphicsProcessingUnit，缩写：GPU）]目前笔记本的显卡基本都是集成在主板上的，而且不同于台式机的兼容广谱，笔记本设计之初还会考虑内部功耗的要求，所有元件的电压、电流都是有一定要求的。

当然，也可以通过换主板的方式（前提是有同型号的二手主板），这时熟悉电路的同学可以自行根据笔记本铭牌上的电功耗信息和笔记本内各个元件的型号对应的功耗信息自己去计算一下。

总体来说，如果不是特别熟悉单路构造的电脑大咖的话，换笔记本GPU不如直接换本本的……

gpu构架为什么更适合发展神经网络

因为神经网络这种大范围多任务的简单运算来说，正好符合GPU这种多核架构，比如你CPU20核心，同时处理20个任务。但是神经网络可能有20000个任务（比喻）。

但最近比较有代表性的GPU-Nvidia的新TITAN-X，CUDA核心就达到了3584个，速度就不言而喻了。但是CPU的核心性能比GPU的性能强大，就好比教授和高中老师的区别。

所以在神经网络训练当中，简单训练由CUDA完成，复杂训练和综合由CPU辅助完成汇总。

这样任务被分开同时进行，平时需要训练几十天的项目可能现在几个小时就可以完成，这就是为什么GPU架构更适合神经网络并且深度学习在近年大火的原因，就是因为GPU架构解决了当初没有解决的效率问题。

计算机有可能通过外接CPU/GPU提高处理性能吗

先回答GPU吧。

外接GPU的话很早以前就有这个技术了，很多厂家都陆续推出了显卡拓展坞，本人也在使用EXP-GDC设备+一张GTX660，不过因为expresscard的带宽原因，外接GPU的损失非常大。

然后外接CPU，在家用范围没有实质性的意义，因为家用电脑完全可以购置配置足够高的电脑一步到位。况且外接CPU也是有着带宽的限制，作为最核心的设备，这种延迟会让CPU不足以发挥性能。

而在服务器范围的话，虽然CPU不具备热插拔的功能，但通常服务器都具有双核心，可以在需要的时候卸下或更换CPU，也没有需要外接CPU的必要。

Matlab 里的神经网络 可以直接使用Nvidia的GPU加速吗

。

eephilip，可以，参看：AcceleratedTrainingandLargeDataSets不过我没有用过Matlab+GPU，如果是CPU多线程的话直接设置worker数量就可以了，GPU需要另外学习一套函数。

神经网络做图像分类一定要用到gpu吗？

GPU最大的价值一直是“accelerating”(加速)，GPU不是取代CPU，而是利用GPU的并行计算架构，来将并行计算的负载放到GPU上来处理从而极大的提升处理速度。

GPU本质上在异构计算架构上属于协处理器，常见的协处理器除了GPU，还有TPU、FPGA、ASIC等。神经网络图像分割，有很多适合GPU来做并行处理的算法。

而GPU相较于其它加速协处理芯片，有更好的可编程性。NVIDIA在GPU加速计算领域发展多年，已经形成了非常好的软件生态。

目前在深度学习的训练端，GPU的应用和部署已经极为普遍，说是标准配置也不为过。在推理端，NVIDIA也有布局T4GPU卡。深度神经网络用GPU相较纯CPU，能够提速几百倍，所以还是推荐GPU。

关于负载如何搭配硬件配置，选用什么型号的GPU卡还是可以咨询下英伟达官方授权的代理商-思腾合力，我想在这方面思腾合力会帮助到你的。