“学出位”——机械师F117-X生产力软件性能测试

　　不止于设计专业，搭载了NVIDIA Turing™ GPU的GeForce笔记本能够依靠强劲的GPU性能，对STEM（科学、技术、工程和数学）专业课程的学习也能带来助力：如，GeForce笔记本可提供更快性能、更大显存和其他高级功能，强大的GPU运算能够帮助学生更加轻松的完成课业。  

数学与计算机领域

　　随着科技的发展，图形处理器所能处理的工作由图形任务扩展到了通用计算方面，GPU计算已经深入各种领域。为了让开发者更好地利用GPU工作，NVIDIA推出了CUDA（Compute Unified Device Architecture），也就是属于NVIDIA自己的GPU计算环境。
　　CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。机械师F117-X搭载的2070显卡，拥有2304个CUDA核心，绝对可以满足数学与计算机专业学生的需求。

　　开发人员可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。5月，NVIDIA提出CUDA 11 ，引入了基于 NVIDIA 安培架构、Arm 服务器处理器、性能优化库以及新的开发人员工具和 A100 改进的新 NVIDIA A100 支持。CUDA 11提供以下功能以及更多功能：
　　新型第三代 Tensor Core 可加速不同数据类型的混合精度矩阵操作，包括 TF32 和 Bfloat16。用于线性代数、FFT、矩阵乘法、JPEG 解码等的库性能优化、CUDA C++增强功能等等。
　　对于理工科的学生来讲，MATLAB（矩阵实验室）是一款极其重要的软件，笔者的毕业设计便是用MATLAB制作模拟物理光学的交互程序。
　　MATLAB目前只支持NVIDIA的显卡。MATLAB可谓工程计算中的神器，一方面它自带丰富的函数库，另一方面它所有的数据都是内建的矩阵类型，最后画图也方便，因此解决一些小规模的计算问题如果对性能要求不高的话开发效率远大于C++ FORTRAN之类传统手段。不过受限于PC的计算能力，对于一些大规模数据处理它就力不从心了。Matlab开发了cuda的wrapper，计算能力因而上升了一个数量级。

　　说了这些，让笔者用一种更直观的方式带你了解一下吧：使用Matlab进行神经网络训练。笔者使用的Matlab版本为Matlab 2019a，提供了很多关于深度学习（常见的卷积神经网络和循环神经网络）的接口。
　　matlab 2019a Neural Network Toolbox关于深度神经网络在GPU上的加速计算有以下要求：
　　Using a GPU requires a CUDA® enabled NVIDIA® GPU with compute capability 3.0 or higher.
　　即需要一个计算能力在3.0以上的带CUDA驱动的NVIDIA系列GPU才能实现GPU加速，在Matlab命令行窗口内通过‘gpuDevice’调用显卡信息，查看显卡是否具备加速功能，机械师F117-X搭载的显卡计算能力为7.5，远超最低要求。

　　也可以在官网通过产品说明书查到：

　　通过代码对深度神经网络训练过程的加速计算，我们可以看到，通过CPU的训练过程用时18s，而通过GPU进行加速之后，整个训练过程提升至14s。