长期栏目
提示：今天开始，作者将学习TensorRT的相关知识，并会做一个长期不定期更新的栏目，主打路线依然是自学笔记，欢迎大家关注，点赞和收藏。
第一章是基础知识，可能会有些枯燥，耐心看完对后更新的一些内容有更好的理解！
篇章一：并行处理与GPU架构
- 并行处理
- 串行处理与并行处理的区别
-
常见的并行处理有哪些
- GPU的并行处理
-
GPU和CPU的并行处理
-
Memory Latency
-
CPU的优化方式
-
GPU特点
-
- 总结和链接
一、并行处理与GPU
1.1 并行处理
1.1.1串行处理与并行处理的区别
并行处理：并行处理是一种计算方法，其中多个任务或指令同时执行，每个任务在不同的处理单元上独立运行。在并行处理中，多个处理单元（如多个CPU核心或GPU流处理器）可以同时处理多个数据，从而加快计算速度。并行处理适用于数据密集型任务和需要同时处理多个任务的场景。
串行处理：串行处理是一种计算方法，其中多个任务或指令按照顺序依次执行，每个任务必须等待前一个任务完成后才能开始执行。在串行处理中，每个任务都是在同一个处理单元上顺序执行，因此无法同时进行多个任务的处理。串行处理适用于简单的计算任务和单一任务的场景。
区别：
-
执行方式： 并行处理是多个任务同时执行，每个任务在独立的处理单元上并行运行；而串行处理是多个任务按顺序依次执行，每个任务在同一个处理单元上顺序运行。
-
计算效率： 并行处理可以加快计算速度，特别适用于大规模数据处理和数据密集型任务；而串行处理效率较低，每个任务必须等待前一个任务完成后才能开始执行。
-
适用场景： 并行处理适用于需要同时处理多个任务的场景，如深度学习中的矩阵运算和卷积操作、图像处理、大规模数据处理等；而串行处理适用于简单的计算任务和单一任务的场景，如顺序执行的算法或逻辑处理。
-
资源需求： 并行处理需要多个处理单元来同时执行多个任务，因此需要更多的硬件资源；而串行处理只需要一个处理单元，资源需求较低。
综上所述，并行处理和串行处理是两种不同的计算方法，各自适用于不同的场景。并行处理可以加速计算，特别适合数据密集型任务和多任务场景，但需要更多的硬件资源；而串行处理适用于简单的计算任务和单一任务场景，资源需求较低。在实际应用中，需要根据任务特点和计算需求选择合适的处理方式。
1.1.2 常见的并行处理有哪些
-
数据并行（Data Parallelism）： 将数据分成多个部分，分配给不同的处理单元进行并行处理。每个处理单元使用相同的模型，但处理不同的数据片段。数据并行通常应用于分布式深度学习训练，其中多个GPU或多台机器分别处理不同的训练样本。
（李沐大神，视频只有简短的20分钟，耐心看完前面的几分钟）
https://www.bilibili.com/video/BV1jU4y1G7iu/?spm_id_from=333.337.search-card.all.click&vd_source=6bcc34a6db4d2fb8b981ddbd274fca63-
任务并行（Task Parallelism）： 将计算任务分解成多个子任务，并分配给不同的处理单元并行执行。每个处理单元负责处理其中一个子任务，可以是相同或不同的模型。任务并行通常应用于大规模计算，其中不同任务可以并行处理，从而加速整体计算过程。
-
模型并行（Model Parallelism）： 将大型模型拆分成多个部分，分配给不同的处理单元并行计算。每个处理单元负责计算模型的一个部分，然后将结果传递给其他处理单元进行进一步计算。模型并行通常应用于处理大型深度学习模型，其中一个处理单元无法容纳整个模型。
-
流水线并行（Pipeline Parallelism）： 将计算流程分成多个阶段，并分配给不同的处理单元依次执行。每个处理单元在完成自己的任务后，将结果传递给下一个处理单元进行进一步计算。流水线并行通常用于处理连续的计算任务，使得多个处理单元可以同时执行不同阶段的计算。
-
并发并行（Concurrent Parallelism）： 将不同的任务同时执行，而不必担心它们的执行顺序。并发并行可以在单个处理单元上实现多任务并行处理，通常通过多线程或多进程来实现。
这些并行处理方法可以单独使用，也可以结合起来，根据任务的特点和需求选择合适的并行处理策略。并行处理技术广泛应用于高性能计算、深度学习训练、图像处理、自然语言处理等各种领域，可以显著提高计算性能和效率。
1.2 GPU 并行处理
1.2.1 GPU和CPU的并行处理
GPU并行处理： GPU（图形处理器）是专门设计用于处理图形渲染和并行计算任务的硬件。GPU具有大量的流处理器（CUDA核心）和高带宽的内存，能够同时执行大量计算任务，适合处理数据密集型任务和并行计算。主要的特点包括：
-
高并行计算能力： GPU的设计目标之一就是实现高效的并行计算，它在单个芯片上集成了大量的流处理器，可以同时处理多个计算任务。
-
高带宽内存： GPU拥有高带宽的全局内存，能够快速读取和写入大规模的数据和模型参数。
-
适用于数据并行： GPU特别适合数据并行处理，即将数据分成多个部分，分配给不同的流处理器进行并行计算。
-
深度学习加速： GPU广泛应用于深度学习训练和推理，通过并行计算加速神经网络的矩阵运算和卷积操作，提高训练和推理性能。
并行处理和GPU体系架构是紧密相关的概念，GPU的设计目标之一就是实现高效的并行计算。下面简要介绍并行处理和GPU体系架构之间的关系：
1.并行处理： 并行处理是一种同时执行多个任务或指令的计算方法。在传统的CPU中，一般采用单核心或少数核心的结构，每个核心逐个执行指令。而在并行处理中，可以利用多个处理单元（如多个CPU核心或GPU流处理器）同时执行多个指令，从而加快计算速度。
2.GPU体系架构： GPU（图形处理器）最初设计用于处理图形渲染任务，但由于其高度并行化的结构，逐渐被应用于通用计算任务。GPU的体系架构具有大量的处理单元和高带宽内存，能够同时执行大量计算任务，适合处理数据密集型任务和并行计算。
GPU体系架构通常包含以下关键组件：
-
流处理器（Streaming Processor）： GPU中包含多个流处理器，也称为CUDA核心。每个流处理器负责执行计算任务，例如执行浮点运算和向量操作。
-
多处理器（Multiprocessor）： GPU中的流处理器分组成多个多处理器，每个多处理器负责管理多个流处理器，并调度并行任务。
-
全局内存（Global Memory）： GPU具有高带宽的全局内存，用于存储大规模的数据和模型参数。
-
共享内存（Shared Memory）： 共享内存是多个流处理器共享的高速缓存，用于加速多个流处理器之间的数据交换。
-
纹理内存（Texture Memory）： 纹理内存用于处理图像数据，适合对图像进行采样和滤波操作。
GPU并行处理的优势：
-
并行计算能力：GPU的并行结构使其能够同时执行多个计算任务，特别适用于数据密集型计算，如深度学习中的矩阵运算和卷积操作。
-
高性能和吞吐量：GPU的高带宽内存和多处理器架构使其能够提供更高的计算性能和数据吞吐量，加速大规模数据处理和模型训练。
-
加速深度学习：GPU广泛用于深度学习任务，如图像识别、目标检测和自然语言处理等，加速了模型训练和推理。
综上所述，GPU的并行处理能力使其成为数据密集型任务和并行计算的理想选择。在深度学习和高性能计算领域，GPU已经成为一个重要的计算资源，为各种应用提供了显著的加速效果。
CPU并行处理： CPU（中央处理器）是通用计算设备，主要用于执行通用计算任务和控制计算机的操作。CPU具有多个核心和缓存，可以同时执行多个任务，但相比GPU，其并行计算能力较弱。主要的特点包括：
-
多核心处理： 现代CPU通常拥有多个核心，可以同时执行多个任务，实现任务级的并行处理。
-
多线程处理： CPU支持多线程处理，可以通过多线程编程实现并发计算。
-
适用于任务并行： CPU适合任务并行处理，即将计算任务分解成多个子任务，分配给不同的核心进行并行执行。
-
通用计算： CPU可以执行通用计算任务，适用于各种应用场景，包括图形渲染、数据处理、编码解码等。
综上所述，GPU和CPU在并行处理方面各有优势，具体使用取决于任务的特点和需求。在处理数据密集型任务和深度学习等需要高并行计算的场景下，GPU通常表现更优；而在通用计算和任务级并行处理的场景下，CPU则更为合适。很多情况下，GPU和CPU可以结合使用，充分发挥各自的优势，提高整体计算性能。
1.2.2 Memory Latency
Memory Latency（内存延迟）是指从发出内存请求到数据可供使用所需的时间。在计算机系统中，内存延迟对于系统性能和计算速度至关重要。以下是Memory Latency的主要作用和影响：
-
系统性能： 内存延迟直接影响计算机系统的性能。如果内存延迟较高，CPU在等待数据时将会闲置，从而导致系统整体性能下降。
-
指令执行： 内存延迟对于CPU的指令执行速度至关重要。在许多计算任务中，CPU需要频繁地从内存中读取数据和指令，如果内存延迟高，将会导致CPU等待数据的时间增加，从而降低指令执行速度。
-
缓存命中率： 内存延迟直接影响缓存命中率。当CPU无法及时从内存中获取数据时，将会增加缓存未命中的可能性，从而导致CPU不得不从主内存中读取数据，进而增加内存延迟。
-
内存带宽利用率： 内存延迟也影响内存带宽的利用率。当CPU等待数据时，内存带宽无法充分利用，导致内存带宽资源浪费。
-
计算性能： 内存延迟对于计算任务的性能影响尤为重要。在数据密集型任务中，CPU需要频繁地访问内存，内存延迟会成为性能瓶颈。
优化内存延迟对于提高计算机系统的性能至关重要。为了降低内存延迟，通常采取以下措施：
-
Cache优化： 提高缓存的命中率，减少对主内存的访问，可以降低内存延迟。
-
预取技术： 提前将数据从内存加载到高速缓存，以减少后续访问时的延迟。
-
内存通道增加： 增加内存通道和带宽，提高内存读写速度。
-
内存层次结构优化： 设计更优的内存层次结构，如高速缓存、本地存储器等，可以有效减少内存延迟。
综上所述，内存延迟在计算机系统中的作用非常重要，直接影响系统性能和计算速度。优化内存延迟是提高计算机系统性能的关键措施之一。
1.2.3 CPU的优化方式
在CPU的并行处理方面，主要的优化能力包括以下几个方面：
-
多核心处理器： 现代CPU通常集成多个处理核心，每个核心可以同时执行一个线程，从而实现多线程并行处理。这使得CPU能够同时处理多个任务，提高整体的计算性能。
-
超线程技术： 一些CPU支持超线程技术，可以让每个物理核心同时执行两个线程，从而实现更细粒度的并行处理。超线程技术允许一个物理核心执行多个线程，提高CPU资源的利用率。
-
SIMD指令集： SIMD（Single Instruction, Multiple Data）指令集允许CPU同时对多个数据进行相同的操作，实现向量化计算。这使得CPU能够在一个时钟周期内处理多个数据，提高并行处理的效率。
-
Cache优化： 高速缓存是CPU内部用于暂存数据的快速存储器。优化缓存的设计和访问模式可以减少缓存未命中，提高数据访问速度，从而加快并行处理的速度。
-
并行指令调度： CPU可以通过并行指令调度来同时执行多个指令，实现指令级的并行处理。现代CPU有复杂的指令调度器，能够有效地管理和调度多个指令的执行顺序，提高CPU的性能。
-
并发执行： CPU可以同时执行多个指令和多个线程，实现并发执行。并发执行使得CPU能够在同一时间点上执行多个计算任务，加速计算过程。
1.2.4 GPU特点
GPU（图形处理器）是一种高性能并行处理器，最初用于图形渲染任务，但随着计算需求的增加，GPU被广泛应用于通用计算领域。在GPU计算生态系统中，CUDA、cuDNN和TensorRT是三个重要的组件，它们各自具有不同的特点和作用。
CUDA（Compute Unified Device Architecture）： CUDA是NVIDIA推出的并行计算平台和编程模型。它允许开发者在NVIDIA GPU上进行通用计算，并利用GPU的高并行计算能力加速各种计算任务。CUDA允许开发者使用C/C++、Fortran等编程语言在GPU上编写并行计算的代码。CUDA的特点包括：
-
高并行计算能力： CUDA允许开发者使用大量的CUDA核心（流处理器）进行并行计算，从而加速复杂的计算任务。
-
丰富的并行库： CUDA提供了丰富的并行计算库，包括矩阵运算、图像处理、深度学习等，方便开发者进行高性能计算和深度学习任务。
-
灵活性： 开发者可以直接在CUDA核心上编写代码，精细地控制计算过程，从而实现高度定制化的并行计算。
cuDNN（CUDA Deep Neural Network library）： cuDNN是NVIDIA开发的深度学习计算库，基于CUDA平台。它为深度学习任务提供了高性能的基本操作，如卷积、池化、归一化等，以加速深度神经网络的训练和推理。cuDNN的特点包括：
-
优化的深度学习操作： cuDNN实现了高度优化的深度学习操作，利用CUDA的并行计算能力加速神经网络的前向和后向计算。
-
兼容性： cuDNN与各种深度学习框架（如TensorFlow、PyTorch、Caffe等）兼容，可与它们无缝集成，为模型训练和推理提供高性能支持。
TensorRT： TensorRT是NVIDIA开发的用于深度学习推理的高性能优化库。它能够自动优化深度学习模型，包括权重量化、卷积融合、内存优化等技术，以提高模型在GPU上的推理性能。TensorRT的特点包括：
-
推理性能优化： TensorRT通过深度学习模型的优化，充分利用GPU的并行计算能力，提高模型的推理速度。
-
支持多种深度学习框架： TensorRT支持与多种深度学习框架兼容，可以与TensorFlow、PyTorch等框架无缝集成。
-
支持多种精度： TensorRT支持FP32、FP16、INT8等多种精度，可以根据需求选择合适的精度来平衡性能和精度要求。
综上所述，CUDA、cuDNN和TensorRT是GPU计算生态系统中的重要组件。CUDA提供了高性能的并行计算平台，cuDNN加速了深度学习任务的计算，TensorRT优化深度学习模型的推理性能，三者共同促进了GPU在高性能计算和深度学习领域的广泛应用。
实体操作：
安装链接：（这两篇博客都写得很好很详细，按照操作一步一步安装并验证即可。）