深度学习硬件竞赛，CPU、GPU谁更适配？试过才知道

“CPU”VS“GPU”

前者更擅长逻辑，后者更擅长重复计算？

尽管分工不同，但CPU与GPU的较劲从未停止过。在个人PC市场，CPU集成的核芯显卡已经在主打轻薄、便携的笔记本电脑上接过了部分独立显卡的大旗，而在正处于风口上的深度学习领域，CPU将再次向GPU发起挑战。

在硬件基础设施领域，站在擂台两边的正是CPU与GPU。伴随着近年来自动驾驶技术的兴起，作为很多自动驾驶技术开发者的选择，GPU在深度学习硬件竞赛中占得先机，但从英特尔的一系列动作来看，CPU在人工智能、深度学习领域的发展潜力同样不可小觑。

在过去相当长的一段时间内，GPU被认为是更适合深度学习的硬件设施，主要原因在于，深度学习是模拟人脑神经系统而建立的数学网络模型，对处理器的主要要求是需要大量的并行的重复计算，这一要求正好与GPU提供多核并行计算的基础结构特点相符。这也是为什么在自动驾驶技术方面，GPU成为很多开发者首选的原因，自动驾驶涉及到的海量数据，天然适合GPU的技术特性。

不过作为CPU的“带头大哥”，英特尔自然没有任由CPU不适合深度学习的观点持续下去。在由谷歌、百度、英特尔、AMD、哈佛大学、斯坦福大学等机构联合推出的机器学习基准测试工具MLPerf的测试结果中，针对MLPerf深度学习训练工作负载，英特尔至强处理器取得的结果并不逊色于MLPerf参考GPU。

尽管这并不意味着CPU可以完全取代GPU在深度学习中的地位，但已经充分说明，CPU凭借近年来更新迭代，针对性的软、硬件优化，在深度学习上已经能占据一席之地。英特尔方面的数据显示，在与前一代没有优化软件的产品相比，英特尔至强处理器执行深度学习任务的性能大幅提升，训练吞吐量提升高达127倍。

这一次

谁能赢得这场硬件竞赛？

在《IDC中国人工智能市场半年度研究，2018》所列举的用户份额排名前10的开源深度学习框架中，英特尔支持其中的TensorFlow、Caffe、MXNet、PaddlePaddle、Caffe2/Pytorch, CNTK等，同时英特尔还表示将继续添加其他框架。

而在与GPU的对比中，CPU的另一优势在于，除了深度学习，CPU本身已经是企业既有IT基础设施的重要组成部分，“身兼两职”让CPU拥有更好的灵活性，例如在业务繁忙时支持业务应用，在闲时则运行基于AI的数据分析。亚马逊AWS、微软Azure等海外公有云巨头推出基于至强平台的AI云服务，很大程度上是看中了其应用灵活性带来的创收灵活性。

无论是应用场景、计算能力还是基础成本，英特尔现在已经有了在深度学习领域与GPU争峰的底气，CPU与GPU之间的战争也将在深度学习上持续下去。

深度学习主机免费体验

试过才知谁至强

云轩专注Deep learning和高性能计算服务器定制，搭载英特尔至强处理器，针对主要深度学习框架（如TensorFlow、Caffe 2、Theano或Torch）进行了优化和设置，在桌面上即可提供强大的深度学习功能。

索泰ZBOX远程试用送好礼

前10名购买赠24寸高清显示屏！

企业客户可预约远程试用（不满意包退换）！

购买NUC定制电脑，丰富网课免费送

学生电脑一切为了孩子，搭载NUC定制系统，独有家长监督管控和学习行为统计功能，打造纯教学环境。让孩子专心学习的同时，也让家长实时知悉学习内容，轻松省心陪伴孩子完成学业。