机器学习“CUDA”、“飞桨AI Studio”、“PyCharm”、 “Python”、“ Anaconda”、“numpy”、“飞桨PaddlePaddle”辨析

最新推荐文章于 2025-05-23 11:23:54 发布

原创

最新推荐文章于 2025-05-23 11:23:54 发布 · 1.9k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能 #python

机器学习是人工智能的子类，我们知道在学习人工智能的时候，编程语言一般首选python，但很多人所讲的“CUDA”、“飞桨AI Studio”、“PyCharm”、 “Python”、“ Anaconda”、“numpy”、“Matplotlib”等等都是什么，有什么关系，本文进行简单汇总。（这里概念是人工智能、机器学习和深度学习覆盖的技术范畴是逐层递减的。即：人工智能 > 机器学习 > 深度学习。）

CUDA

先要知道的：

我们知道计算机的计算处理一般依赖于CPU，也就是我们常说的中央处理器，中央处理器（CPU，Central Processing Unit）是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（ Control Unit）。主要包括运算器（算术逻辑运算单元，ALU，Arithmetic Logic Unit）和高速缓冲存储器（Cache）及实现它们之间联系的数据（Data）、控制及状态的总线（Bus）。它与内部存储器（Memory）和输入/输出（I/O）设备合称为电子计算机三大核心部件。其他的不再赘述，我们只要记住一句话。

CPU遵循的是冯诺依曼架构，其核心就是：存储程序，顺序执行。

所以它在大规模并行计算能力上极受限制，而更擅长于逻辑控制。举个例子，我们编写的代码在编译的时候，计算机首先将硬盘上的data调入内存，以便和cup配合进行运算，在运算的时候，cpu读取指令，读到的是代码编译后的二进制指令，但在处理指令的时候，依然是一条一条的进行处理。但是随着人们对更大规模与更快处理速度的需求的增加，cpu的结构决定了他只能提高读取速度以此来提高运算效率，所以GPU应运而生。

机器学习需要大量重复的工作，要用到GPU并行计算的功能，管理和使用GPU产生CUDA。

显卡：（GPU）主流是NVIDIA的GPU，深度学习本身需要大量计算。GPU的并行计算能力，在过去几年里恰当地满足了深度学习的需求。AMD的GPU基本没有什么支持，可以不用考虑。（图形芯片供应商主要包括AMD(超微半导体)和Nvidia(英伟达)2家。）

CUDA：是NVIDIA推出的只能用于自家GPU的并行计算框架。只有安装这个框架才能够进行复杂的并行计算。主流的深度学习框架也都是基于CUDA进行GPU并行加速的，几乎无一例外。还有一个叫做cudnn，是针对深度卷积神经网络的加速库。