在等 offer 的路上继续我未尽的cs231n，虽然最后工作内容还是和CV擦肩而过。
这节主要就是 1.CPU vs GPU 2. 深度学习框架的介绍。
1. CPU vs GPU
如下图所示，CPU的核心数相对较小，但是主频较高，每个核的处理能力相对更强，擅长于串行任务;而GPU相比较之 下，核心数会多得多，每个核的相对能力会差点，但是擅长并行任务，例如矩阵运算。
GPU编程：1.使用CUDA(Nvidia only)，调用高级的API或编写类似C代码并运行在GPU上
2.使用OpenCL，类似CUDA，但是运行速度通常更慢
2. 主流的深度学习框架
当然还包括百度的Paddle，微软的CNTK，亚马逊的MXNet等等，个人可能更关注TensorFlow一点，虽然很多人都觉得 使用PyTorch来构建更加容易。
关于深度学习框架，优点主要有以下几点：
1. 容易构建大的计算图形
2. 容易计算梯度
3. 在GPU上运行效率高
一般流程就是先定义计算图形，然后开启会话，不断进行图形计算。相对来讲 tensorflow 比较底层，目前也有框架对其进行了更高层次的封装 -- karas，具体情况可以参考官网文档。