大家看下上面这一页PPT。前面我主要讲的是最下面的Tesla GPU &Systerm，也即最底层的硬件。在这之上，有CUDA Runtime，有基于CUDA的各种各样的算法库，最基本如BlAS做基础的矩阵，相当于运算的库。接下来的话，我会大概的介绍一下主要是三个，一个是CUDNN，一个是TENSORRI，一个是中国团队做的DeepStream。

　　刚才我又截了几页PPT。其实，每一个软件或库，展开讲可能几个小时都讲不完，所以我这里大概介绍下。

　　首先讲CUDNN。 CUDNN设计的最主要目标，性能是第一位，其次是灵活性。它主要针对Deep Learning的training工具设计的。换句话说，CUDNN实现了我们在神经网络里面遇到的一些常见layer，或者说是操作。打比方说，一般的卷积convolution、pooling等等defining操作。这些都是按照Deep Learning的开发人员能更方便理解和使用的接口，暴露给大家。

　　大家在用CUDNN的库的时候，实际上大多数情况下，你都不大需要了解是怎么在GPU上做CUDA代码的开发的，因为这些细节都隐藏在CUDNN后面了。

　　现在主流的一些可训练工具，像Caffe、Torch7、Theano、MxNet，都提供CUDNN的backend。

　　作为这些Deep Learning训练工具的研发人员，就可以很方便地用CUDNN 提供的layer的前向与后向的操作，来快速搭建training的库。

　　当然，我们完全可以基于CUDNN写一个网络的前向计算。我之前也做过类似工作。但是，在大多数情况下，不管是做Deep Learning的训练还是inference，都比较少用CUDNN，或者说CUDNN对大家来讲是透明的。比方说，在编译Caffe的时候，就把CUDNN在Caffe的makefile去给它enabel，然后把CUDNN的库下载下来，编译下Caffe,然后link一下就可以work。实际上是在用CUDNN，但是你没有在代码里面主动调用。

　　第二页PPT是NVIDIA的NCCL库的作用示意。NCCL主要是为了加速在多GPU环境，同时用多块GPU做training的时候，它做出一个同步，或者说Reduction时候，加速collective的过程。

　　它的最核心思想是什么呢？在做数据传输的时候，把大块数据切成小块，同时利用系统里面的多条链路，比如现在是PCI-E链路，同时利用PCI-E的上行和下行，尽量去避免不同的数据同时用某一个上行或者下行通道，可能会造成数据的contention，大大降低传输效率。

　　第三页PPT是TENSORRT。TENSORRT的目标很简单，当你训练好了网络，需要部署的时候，能够尽量地加速线上的inference的throughput。TENSORRT跟CUDNN最大的区别在于，CUDNN里面的API都是ProModule，或者说ProLayer,也就是说，在优化卷积的时候，我只知道卷积的参数，然后再做优化；而输入给TENSORRT的信息，是包含整个网络的信息，如layer结构是什么样子，连接关系是怎样的。

　　所以说，TENSORRT可以做很多CUDNN做不了的优化，这里面列举了一些常用的：

　　举一个例子，卷积属于比较大的操作。在卷积之后，经常会连接一些小的操作，比如pooling。如果用CUDNN,实际上把计算过程会变成两个API的调用：一个做卷积,一个pooling。这样的话，卷积和pooling之间，首先卷积的结果，要把它存到memory里面去，然后再去做pooling操作，你需要把数据从memory读回来，然后再把最终结果存回去。

　　Network LayerFusion的一个思想，指的是我既然知道前面是卷积，后面是pooling或者其他操作的话，在有可能的情况下，在前面的这个layer做完之后，我不是把结果立马写回memory里面去，而有一些后面的小操作可以直接做的情况下，我可以先做了之后，再寄存器或者memory。把数据存在那个位置，然后把最终结果算完之后，再一次存回内存里面去，可以显著地提高性能。

　　这是前面提到的我们做的DeepStream的SDK。想法也很简单，NVIDIA的GPU上，除了有一般的计算单元，可以用来做神经网络的前向计算，还有做视频编解码的ASIC。

　　这也可以说是我们从消费产品里继承的一些东西，在Deep Learning的应用里，有很大一类应用是来做视频的智能分析。我们实际上可以用GPU上专有的视频解码硬件，去对视频首先做解码操作，再将解码出来的视频帧，扔给后面的神经网络去做前向的计算。大概的流程就如这页PPT里所展示的样子。