首先，明白CPU和GPU的区别

1、 CPU，即中央处理器，擅长逻辑控制，串行的运算。
2、GPU，即图形处理器，擅长的是大规模并发计算，这也正是密码破解等所需要的。所以GPU除了图像处理，也越来越多的参与到计算当中来。

GPU的工作大部分就是这样，计算量大，但没什么技术含量，而且要重复很多很多次。你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已。而CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个？GPU就是这样，用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。很多涉及到大量计算的问题基本都有这种特性，比如你说的破解密码，挖矿和很多图形学

3、在深度学习中有两种内存排布方式，NCHW 和 NHWC。早期的caffe，tensorflow是以NHWC为主，因为他们开始主要支持的基于CPU的运算。后面的torch的内存模型以NCHW为主，因为在GPU上运算，NCHW更快

N代表数量， C代表channel，H代表高度，W代表宽度。可参考：https://www.baifachuan.com/posts/be183ef2.html

然后，简单了解深度学习框架Caffe/CNTK/Tensorflow/Theano/Torch/keras

框架	特点1	特点2
cafe	第一个（2013年）主流的工业级深度学习工具	基于C++所以跨平台性很好
CNTK	没有python或任何其他高级语言的接口	不支持ARM，限制了其在移动设备上能力
tensorFlow	递归神经网络RNN的API和实现	深度学习入门常用，python和C++接口，好像支持windows
Theano	支持pyhon接口
Torch	对卷积网络支持非常好	非主流语言Lua的LuaJIT上

另外，我们常说用TensorFlow进行深入学习入门，但实际敲代码的时候import的却是keras，这2者有什么关系呢？

Keras是基于TensorFlow和Theano（由加拿大蒙特利尔大学开发的机器学习框架）的深度学习库，是由纯python编写而成的高层神经网络API，也仅支持python开发。它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。它也很灵活，且比较容易学。Keras默认的后端为tensorflow，如果想要使用theano可以自行更改。tensorflow和theano都可以使用GPU进行硬件加速，往往可以比CPU运算快很多倍。因此如果你的显卡支持cuda的话，建议尽可能利用cuda加速模型训练。（当机器上有可用的GPU时，代码会自动调用GPU 进行并行计算。）

Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。

卷积神经网络

好处在于参数共享，自动提取特征以及平移不变性，保留了矩阵中各参数的空间关系。同时与全连接神经网络相比，权值少，可以实现降维操作。

传统矩阵与卷积的关系是什么？

二维以上卷积就是做的矩阵乘法（输入数据*滤波器/卷积核）

参考文献

https://www.zhihu.com/question/19903344
https://blog.csdn.net/zuochao_2013/article/details/72377224
https://baijiahao.baidu.com/s?id=1726788237345698375&wfr=spider&for=pc

2022-08-01深度学习2-一些概念不懂