异构打算在国内外的发展趋势若何？它在企业的就业情形如何？开拓者又该如何学习并行打算？深度学习与机器学习有何差异？带着这些疑问，CSDN联系上了刘文志，请他对此逐一解答。

刘文志

CSDN：请先自我介绍下以及目前所卖力的领域。

刘文志：大家好，我是刘文志，从事异构并行打算、尤其是基于GPU的异构并行打算的同学可能更熟习我的网名“风辰”。
2011年，我从中科院毕业后加入了NVIDIA CUDA团队，2014年初离开了NVIDIA 加入了吴韧老师的团队，是吴老师的第一位下属。
我现在在一家创业公司卖力异构并行打算团队，团队的紧张职责是为公司的运用、系统供应基于GPU、X86、ARM及其它嵌入式处理器的性能优化支持。
一句话总结是：这几年从和学术界打交道转到了和工业界打交道。

CSDN：你从事并行打算这么多年，尤其在异构并行打算领域颇有成绩，你为何会想到从事这一领域？有没有什么故事可以分享？

刘文志：从事这一领域可以说是机缘巧合，也可以说是兴趣使然。
我本科时学习的是运用化学专业，由于化学方面有很多并行打算的需求，比如要仿照分子的最优构型、仿照一些特质的化学性子，当时通过高斯等软件理解到并行打算，以为并行打算比较故意思，能做单机做不了的事情。
2008年进入中科院读研，那个时候基于GPU的并行打算刚涌现，当时的导师对GPU并行打算比较感兴趣，想做一些试验，而我的背景正得当，以是就成为了试验品。
知识和履历丰富后，就扩充了GPU并行打算方面的知识和实践，逐渐的覆盖到集群、X86、ARM等领域的并行打算。

CSDN：《并行算法设计与性能优化》与《并行编程方法与优化实践》汇聚了你的真知灼见，在你看来该书适宜什么样的读者？这两本书有何不同？

刘文志：我还是先来说两本书的不同吧！
《并行算法设计与性能优化》侧重在并行打算和代码性能优化的理论，以及一些赞助理解理论的实例；而《并行编程方法与优化实践》侧重在进行并行编程须要节制的一些库、程序设计措辞的细节，以及一些如何利用这些措辞、库来优化算法的实例。

对付《并行算法设计与性能优化》来说，它适宜想要建立雄厚的并行打算和代码性能优化的根本的同学。
而《并行编程方法与优化实践》适宜由于项目须要，须要学习一种措辞或库来办理问题的同学。
如果想要长期从事并行打算方面的事情的同学，更要关注《并行算法设计与性能优化》。

从其余一方面来说，《并行算法设计与性能优化》可以算作《并行编程方法与优化实践》的根本，须要《并行编程方法与优化实践》的同学一定须要《并行算法设计与性能优化》。

CSDN：当初写这两本书的初衷是什么？分别历时多久完成的？你如何在进度压力下，享受写书带来的快乐？

刘文志：最早是由于想总结一下自己的知识，避免知识过期和跟踪并行打算领域的最新进展。
开始并没有打算出版，以是措辞、表达办法、内容构造都没有特殊的在意，可以说只有我自己能看懂。
后来决定出版后，花了大约一年的韶光来补充、删减内容，让它们更具有系统性和可读性。

写书本身是一个富有乐趣的行为，写技能书本更有乐趣，如何在讲授知识更形象，更具有意见意义性，何时恰当的增加代码示例都是非常有趣的，而想到读者能够从书中得到更多的知识时，这又是一项更大的乐趣。

写书时，进度的压力永久存在，以是操持非常主要。
合理的操持之后，写书的压力就变成了事情的压力之下的一种消遣。

CSDN：目前，异构打算在国内外的发展趋势是若何的？你怎么看待异构并行打算的未来？

刘文志：异构并行打算在国内外正在迅猛发展，我毕业的时候都担心找不到干系的事情，而本日无论是学校、超算中央还是企业对异构并行打算人士的需求都得不到很好的知足。
整体来说，异构并行打算现在向以下几个方向发展：

集群打算。
这是传统高性能打算的领域。
但是本日高性能打算已经演化成了异构并行打算的一部分，越来越多的高性能打算集群利用GPU、MIC，乃至FPGA等。
单机打算。
推动单机打算向异构并行打算发展的紧张动力是游戏、打算机赞助设计等，而紧张表现是GPU+CPU的异构打算。
X86处理器知足不了游戏渲染对打算能力的需求，必须须要GPU的存在，实际上现在Intel X86处理器芯片中集成显卡所利用的面积已经超过了CPU的面积。
移动打算。
近几年景长表明，人们对手机的需求比对PC的需求更大。
目前险些所有的移动芯片办理方案都是异构的，除了有CPU、GPU之外，他有***编解码单元，有音频处理单元。
人类方向于把更多事情内容转移得手机上，而为了担保续航韶光，移动处理器的设计一开始就不因此高性能为目标，这使得要在移动处理器上获取高性能是比较难的。
嵌入式打算。
在一些恶劣事情环境下，只有DSP和FPGA能够知足哀求，在DSP和FPGA上优化程序性能须要的技能和X86/GPU具有明显的差异。

在我看来，异构并行打算的未来是光明的，在未来几年内异构并行打算会得到进一步的发展。
目前来说更多的是异构并行打算环绕算法发展，即软件开拓职员将算法移植到异构并行打算平台上，未来将会涌现越来越多的为异构并行打算平台设计的算法，而企业对异构并行打算人士的需求缺口会进一步扩大。

CSDN：深度学习领域是打算机科学一个新兴领域，什么是深度学习？它与机器学习有何差异？目前深度学习面临的寻衅有哪些？

刘文志：深度学习并不是一个新兴领域，一些著名的研究职员（如hinton）80年代就已经在研究它了。
深度学习紧张是指神经网络，它的紧张特色是：不须要手动选择特色，特色是通过算法从数据中学习得到的，这能够减少人工选择特色的一些缺陷。
深度学习是机器学习这个大方向中的一个小方向。
传统的机器学习算法须要手动选取特色，而深度学习则从数据中学习特色。

目前深度学习面临的寻衅有很多，有算法方面的，也有实现方面的。
从算法方面来说，如何设计一个高性能的神经网络很主要，如何组织神经网络（有多少层，每层做什么操作，每层的神经元数量），如何初始化参数。

从实现方面来说，如何高效的实现算法，降落神经网络的演习韶光，如何在分布式环境下高效的演习神经网络。
末了如何网络到足够的数据来演习神经网络的同时又避免过拟合。

CSDN：对付开拓者而言该当如何学习并行打算，有没有履历可以分享下？

刘文志：并行打算的思维办法和串行打算具有明显的差异，要想学好并行打算建议同学们从以下几个方面努力：

培养并行思维，学习一些如何通过并行打算办理常见问题的实例，比如nbody问题、偏微分方程求解问题等。
理解一些硬件、系统的细节。
并行编程以提高打算速率为目的，这哀求开拓职员理解硬件、系统的详细细节，以避免走进了硬件、系统的毛病。
学习一些常见的并行编程措辞、工具的利用。
只有利用编程措辞、工具才能实现并行算法，才能在某个详细的硬件上运行，才能理解算法是否优秀。
边学习边编写并行代码。
学习的最好的办法是做出来，如果你制造出了飞机，还须要学习制造飞机吗？做才是最好的学习方法。
保持正派、谦善的心态。

CSDN：未来的下一步方案是什么？

刘文志：从短期、中期和长期来说，我的方案如下：

1. 我的短期方案是准备写一本OpenCL的技能书本；让国人更理解OpenCL这个生态环境。
这件事情正在做，希望不久之后就可以完成。

2. 我的中期方案是建立一个天下领先的异构并行打算团队；这件事情现在正常做，相信三四年后会成功。

3. 我的长期方案想改变中国在异构并行打算领域的现状。
这件事情我正在想如何去做，有人如果想到如何去做，可以联系我。

CSDN现开启图书作者专访栏目，欢迎推举采访人或自荐，来分享你的发展经历和干系技能，干系信息请发送邮件至：xiamz#csdn.net（#换成@）。
更多精彩内容，请点击社区之星或搜索关键字著译者说查看。