Update 第十五章_异构运算、GPU及框架选型.md

添加15章节的第2版内容结构草稿。

ch15_GPU和框架选型/第十五章_异构运算、GPU及框架选型.md

@@ -1,4 +1,111 @@
-# 第十五章 GPU和框架选型指南
+# 第十五章 异构计算， GPU和框架选型指南
+深度学习训练和推理的过程中，会涉及到大量的向量(vector)，矩阵(matrix)和张量(tensor)操作，通常需要大量的浮点计算，包括高精度（在训练的时候）低精度（在推理和部署的时候）。GPU， 作为一种通用可编程的加速器，最初设计是用来进行图形处理和渲染功能，但是从2007年开始，英伟达(NVIDIA)公司提出了第一个可编程通用计算平台（GPGPU），同时提出了CUDA框架，从此开启了GPU用于通用计算的新纪元。此后，不计其数的科研人员和开发者，对各种不同类型的算法用CUDA进行（部分）改写，从而达到几倍到数百倍的加速效果。尤其是在机器学习，特别是深度学习的浪潮来临后，GPU加速已经是各类工具实现的基本底层构架之一。本章里，会简单介绍GPU的基本架构，和与深度学习相关的内容。
+
+## 15.1 什么是异构计算？
+
+## 15.2 什么是GPGPU？
+
+## 15.3 GPU架构简介
+
+（架构内容，和CPU的区别 + 图示）
+
+### 15.3.1 CUDA 核心是什么？
+
+### 15.3.2 新图领架构里的tensor core对深度学习有什么作用？
+
+### 15.3.3 GPU内存架构和应用性能的联系？
+
+## 15.4 CUDA 框架
+
+### 15.4.1 做CUDA编程难不难？
+
+### 15.4.2 cuDNN
+
+## 15.5 GPU硬件环境配置推荐
+
+### 15.5.1 GPU主要性能指标
+
+### 15.5.2 购买建议
+
+
+## 15.6 软件环境搭建
+
+### 15.6.1 本机安装还是使用docker？
+
+### 15.6.2 GPU驱动问题
+
+## 15.7 框架选择
+
+### 15.7.1 主流框架比较
+
+（一个大表格比较）
+
+### 15.7.2 框架详细信息
+
+* Tensorflow
+
+* PyTorch
+
+* Keras
+
+* Sonnet
+
+* Caffe
+
+* Caffe2
+
+* MxNet
+
+* CNTK
+
+* 其他国内自主开发开源框架
+
+### 15.7.3 哪些框架对于部署环境友好？
+
+* Tensorflow Serving
+
+* ONNX 标准
+
+* TensorRT
+
+* ONNPACK
+
+* Clipper
+
+### 15.7.4 移动平台的框架如何选择？
+
+* Tensorflow Lite
+
+* Caffe2
+
+
+## 15.8 其他
+
+### 15.8.1 多GPU环境的配置
+
+* Tensorflow 
+
+* PyTorch
+
+
+### 15.8.2 是不是可以分布式训练？
+
+
+### 15.8.3 可以在SPARK环境里训练或者部署模型吗？
+
+### 15.8.4 怎么进一步优化性能？
+
+* TVM
+
+* nGraph
+
+### 15.8.5 TPU和GPU的区别？
+
+### 15.8.6 未来量子计算对于深度学习等AI技术的影像？
+
+
+-------
+
 
 ## 15.1 GPU购买指南