市面上的显卡茫茫多，各型号的区别是什么？消费级和企业级显卡价格为什么差那么多？
显卡架构一代代更新，除了（运算）更快（功耗）更高（发热）更强，还有什么差异？有哪些理由支撑你一定要购买新一代架构的显卡？
这篇我们聊聊 Nvidia 显卡。以目前最常用的 Ampere 架构为例，揭秘 N 卡的内部细节。
抛开「算力」这种模糊的概念，用实打实的小学数学计算，来理解不同架构、型号之间的真正差异。
分类： Deep Learning
工作需要，最近在学高性能计算相关的知识。
这个领域，不涉足的时候觉得高深莫测，真正接触起来，不仅不神秘，而且十分有趣。
本文基于我对 LAFF-On Programming for High Performance （UTAustinX UT.PHP.16.01x）这门课的学习，结合个人在机器学习方面的经验总结形成，与大家分享。不当之处请指正。
如何实现高性能计算
从字面上来说，算得快就是高性能计算。
以此为定义，拥有超级计算机是做高性能计算的第一步，因为它从硬件性能上支持了「high performance」。
但显然，「硬件快」只是「high performance」的一个组成部分。在有限的硬件性能下，还有方法可以算得快。
例如分布式和并行化：把任务拆分成可以并行执行的多个部分，用多台机器同步运算，是个好主意。
或者给机器上插很多块显卡（GPU），利用显卡的并行计算能力，来做异构计算（由CPU执行串行部分，GPU执行并行部分）。
——如果只有一台机器，没有显卡，机器的性能也很一般呢？
本文接下来要讨论的，就是在常规架构的普通计算机单机上，如何做高性能计算编程。
特殊地，我们讨论最常用的一种运算：矩阵乘法。我们将会看到，它在时下流行的神经网络中如何被广泛应用，又是如何被最高效地实现为C代码。
这是一篇 Neural Style Transfer 的简要介绍。一方面是我的学习笔记，另一方面想向大家介绍这种有趣的神经网络应用。
我不知道是否该翻译为「风格迁移神经网络」。但它的英文原名清晰地给出了3个信息：
Neural-神经 Style-风格 Transfer-传输/转换/迁移
这也是它最核心的3个属性。
Neural Style Transfer能做什么呢，就是学习一种图像的风格，然后把别的图像转换为这种风格。像下图所示：
