当前位置：首页 > news >正文

GPGPU基本概念

news 2025/7/28 6:23:32

1、标量计算

数据定义：标量即为单个数据；
计算模式：D = A * B + C，A、B、C、D均为标量；
数据类型：INT、INT32、FP32、FP32；
计算单元：cuda core。

2、向量计算

数据定义：可理解为一维数组；
计算模式：D = A * B + C，A、B、C、D均为向量；
数据类型：INT、INT32、FP32、FP32；
计算单元：cuda core。

3、矩阵计算

数据定义：可理解为二维数组；
计算模式：D = A * B + C，A、B、C、D均为矩阵；
数据类型：INT、INT32、FP32、FP32；
计算单元：cuda core。

4、张量计算

数据定义：可理解为多维数组；
计算模式：D = A * B + C，A、B、C、D均为向量；
数据类型：INT、INT32、FP32、FP32；
计算单元：tensor core，tensor core提供GEMM（Genernal Matrix Multiply）；
举例说明：如RGB三通道彩色图片，有Width/High/Channel三个坐标。

5、CNN

卷积神经网络（Convolutional Neural Network）

层级结构：输入层->(卷积层->激活函数->池化层)*N->全连接层->批归一化层->丢弃层；
卷积层：提取局部特征（如边缘、纹理）；
激活层：引入非线性，使网络能拟合复杂函数；
池化层：降维、平移不变性、减少计算量；
全连接层：整合全局特征用于分类/回归；
批归一化层：加速训练、减少对初始化的敏感度；
丢弃层：训练时随机屏蔽部分神经元（如比例0.5），减少过拟合。

6、RNN

循环神经网络（Recurrent Neural Network）

7、GNN

图神经网络（Graph Neural Network）

8、卷积计算

卷积计算示意图如下，可见卷积计算的主要内容为乘加运算：

9、激活

作用：引入非线性，使网络能拟合复杂函数；
常用类型：ReLU：f(x)=max⁡(0,x)f(x)=max(0,x)，缓解梯度消失，计算高效；
Leaky ReLU：允许负值斜率（如0.01x），缓解神经元死亡；
Sigmoid/Tanh：少用于中间层（易饱和），多用于输出层（如二分类）。