NVIDIA cuDNN学习

前言：

​ NVIDIA CUDA 深度神经网络库 (cuDNN) 是一个 GPU 加速的深度神经网络基元库，能够以高度优化的方式实现标准例程（如前向和反向卷积、池化层、归一化和激活层）。

​ 全球的深度学习研究人员和框架开发者都依赖 cuDNN 来实现高性能 GPU 加速。借助 cuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的 GPU 性能调整。cuDNN 可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PaddlePaddle、PyTorch 和 TensorFlow。如需获取经 NVIDIA 优化且已在框架中集成 cuDNN 的深度学习框架容器，请访问 NVIDIA GPU CLOUD 了解详情并开始使用。

​ 在 21.02 NGC 容器上比较使用 cuDNN 7.6.5 的单个 DGX-1V 服务器与使用 cuDNN 8.1.1 的 DGX-A100 的吞吐量。端到端性能趋于收敛。

cuDNN 的下载安装

​ 进入[官网](cuDNN Download | NVIDIA Developer)勾选同一，选择自己需要的版本即可下载安装：

cuDNN 8.3 的新变化

cuDNN 8.3 针对 A100 GPU 进行了优化，可提供高达 V100 GPU 5 倍的开箱即用性能，并且包含适用于对话式 AI 和计算机视觉等应用的新优化和 API。它已经过重新设计，可实现易用性和应用集成，同时还能为开发者提供更高的灵活性。

cuDNN 8.3 的亮点包括：

• 为基于转换器的模型提供优化加速
• 运行时融合，通过新的运算符、启发式算法和融合迅速编译内核
• 将下载包大小缩减 30%

cuDNN 8.3 现以六个较小的库的形式提供，能够更精细地集成到应用中。开发者可以下载 cuDNN，也可从 NGC 上的框架容器中将其提取出来。

阅读新的 cuDNN 版本说明，获取新特性和增强功能的详细列表。

cuDNN 的主要特性

• 为各种常用卷积实现了 Tensor Core 加速，包括 2D 卷积、3D 卷积、分组卷积、深度可分离卷积以及包含 NHWC 和 NCHW 输入及输出的扩张卷积
• 为诸多计算机视觉和语音模型优化了内核，包括 ResNet、ResNext、EfficientNet、EfficientDet、SSD、MaskRCNN、Unet、VNet、BERT、GPT-2、Tacotron2 和 WaveGlow
• 支持 FP32、FP16、BF16 和 TF32 浮点格式以及 INT8 和 UINT8 整数格式
• 4D 张量的任意维排序、跨步和子区域意味着可轻松集成到任意神经网络实现中
• 能为各种 CNN 体系架构上的融合运算提速

在数据中心和移动 GPU 中采用 Ampere、Turing、Volta、Pascal、Maxwell 和 Kepler GPU 体系架构的 Windows 和 Linux 系统均支持 cuDNN。

cuDNN 加速框架

cuDNN 资源

• NVIDIA 深度学习 SDK 文档
• 深入了解 cuDNN 8 网络会议
• 有关在 cuDNN 中进行 Tensor Core 编程的博客
  • 在 cuDNN 中更轻松地实现张量运算
  • 在 CUDA 中进行 Tensor Core 编程
• 相关的库和软件：
  • NCCL：用于 GPU 间的快速通信
  • cuBLAS：用于 GPU 加速的 BLAS 例程
  • DALI：用于快速执行 AI 数据预处理
  • NVIDIA GPU Cloud：用于容器
• 查找 NVIDIA 开发者论坛上的其他 cuDNN 开发者