OpenCL / AMD：深度学习
OpenCL / AMD: Deep Learning
虽然 "googl'ing" 并做了一些研究，但我无法找到 any serious/popular framework/sdk 用于科学 GPGPU 计算和 OpenCL 在 AMD 硬件上。有没有文献and/or我错过的软件？
我尤其对深度学习感兴趣。
据我所知deeplearning.net推荐NVIDIA硬件和CUDA框架.此外，我知道的所有大型深度学习框架，例如 Caffe、Theano、Torch、DL4J, ...专注于CUDA，不打算支持OpenCL/AMD.
此外，对于基于 CUDA 的深度学习任务，人们可以找到大量的科学论文和相应的文献，但对于 OpenCL/AMD[= 几乎没有41=] 基于解决方案。
新的或现有的科学框架是否有可能在 2015/16 年出现用于基于 OpenCL/AMD 的解决方案？
深度学习和OpenCL/AMD的良好开端是什么？有文献吗？教程？其他来源？
编辑 1 查看 答案 - Amazon 现在是前进的方向，您可以从他们那里获得 "rent" 计算能力。
编辑 2 我创建了一个关于如何使用 theano 为深度学习设置 Amazon EC2 实例的 series of guides。它 比 运行 在个人计算机上更方便。
编辑 3 似乎 TensorFlow 现在比 theano 被更广泛地接受，所以我相应地更新了指南。
我遇到过和你一样的情况，因为我有一台配备 Intel Iris 显卡的 MacBook Pro。我花了一周的大部分时间查看所有可能的解决方法，我非常欢迎我提供的替代方法。
我目前最好的解决方案是：
- 安装
python 库 tensorflow 并利用现有的 GPU 支持并继续更新到最新的开发版本。
- 使用
theano - and use 类似于 tensorflow
- 购买 NVIDIA 显卡并在 PC 上使用它
- 如果您绝对需要 OpenCL 中的解决方案并且您愿意从高层次的理解（无教程）开始编写所有代码，请查看 DeepCL and possibly pyOpenCl。
我发现任何使用 OpenCL 的解决方案，例如pyOpenCl，还没有深度学习的用户友好界面，即用替代方法编码比快速编码和 运行 在 CPU 上编码需要更长的时间。尽管如此，以下是用于深度学习的最佳替代 OpenCL 库：
开发中
tensorflow 正在 添加 OpenCL 支持，一旦对 Eigen 和其他依赖项的改进 完成 theano is adding support to OpenCL through clBLASCaffe is in development stages 添加 OpenCL 支持，但似乎 theano 有点落后
请查看 https://01.org/intel-deep-learning-framework - 英特尔® 深度学习框架 (IDLF) 为加速深度卷积神经网络的英特尔® 平台提供统一框架。它是开源的，因此您也可以将它移植到 AMD 硬件上。很酷的事情：它可以 运行 在配备 Intel Iris 显卡的 MacBook Pro 上。
另一种方法是在 Amazon Web Services 上使用 GPU 实例。
您可以找到已安装常用深度学习包的 AMI。例如：
- 手电筒：https://github.com/torch/torch7/wiki/Cheatsheet#ec2-public-ami
- Theano+咖啡：https://www.kaggle.com/forums/f/208/getting-started/t/11505/an-aws-ami-mainly-for-deep-learning
提示：使用 Spot 实例可以获得更便宜的价格（g2.2xlarge 大约 10 cents/hour）。
--- 2017 年 8 月更新 AMD 方面发生了很酷的新事情 ---
现在实际上可以 运行 大多数 AMD 硬件上的任何库
Check Here
截至 2015 年 10 月 25 日
AMD 和其他公司似乎已经开始着手开发几个用于深度学习的 OpenCL 加速框架。是的，深度学习现在支持 OpenCL :)
这是 OpenCL 加速框架或工具的列表，这些框架或工具的开发主要考虑深度学习。我希望他们能在未来几年得到更新
我们现在（2015 年 10 月 25 日）知道有三种深度学习框架非常受研究人员欢迎，并且已经出现了一些商业产品
Theano
咖啡
手电筒
caffe对OpenCL的支持非常好，因为amd开发了caffe的完整版本，几乎支持caffe的所有特性，而且正在积极开发中。它被命名为 OpenCL Caffe。这是存储库
如果您正在考虑性能，那么根据该站点（我自己还没有对它进行基准测试）它每秒提供大约 261 张图像或在 AMD R9 Fury 硬件（训练）中每天提供 2250 万张图像。与日处理4000万张图像的nvidia K40相比。所以根据该网站，它可以用六分之一的钱提供一半的性能。（考虑到 k40 是 3000 美元的卡，而 r9 fury 大约是 600 美元）。然而，使用任何消费卡都会给你带来内存（vram）的问题，这在深度学习中非常重要。
最近几天的 Torch 似乎也有不错的 OpenCL 支持。然而，它是由一个人维护的。它声称完全支持 torch 的所有功能。然而，它并没有给出关于性能的想法。这是存储库。它得到积极维护。
目前似乎没有适合 theano 框架的 opencl 后端，但工作正在进行中。简单的程序可以用当前版本完成。
还有一些其他用于深度学习的 opencl 框架。需要一些时间来整理它们，看看它们是否正常工作。
TensorFlow 现在在 roadmap.
上支持 OpenCL
参见：Github issue。
希望离工作版本不远。
我正在为 Tensorflow 编写 opencl 1.2 支持。 https://github.com/hughperkins/tensorflow-cl目前支持：
- blas 矩阵乘法
- 渐变
- 本征运算，例如：归约、argmin/argmax、逐元素运算（二元和一元）
PlaidML (https://github.com/plaidml/plaidml) is a fully open source deep learning runtime that runs on top of OpenCL and integrates with Keras to provide a familiar user-facing API. The README in the repo has more detailed status, currently convnet inference on Linux is well supported but we (http://vertex.ai) 正在努力尽快扩展完整性和平台支持。我们的持续集成机器包括各种 AMD 和 NVIDIA GPU，目前全部 Linux，但我们也在努力添加 Mac 和 Windows。
查看由AMD驱动的ROCm platform。这是第一个独立于编程语言的 GPU 计算开源 HPC/Hyperscale-class 平台。
具体来说：
关于深度学习，参见https://rocm.github.io/dl.html
对于 OpenCL，请参阅：
可以在这里找到有用的教程：https://rocm.github.io/tutorials.html
虽然 "googl'ing" 并做了一些研究，但我无法找到 any serious/popular framework/sdk 用于科学 GPGPU 计算和 OpenCL 在 AMD 硬件上。有没有文献and/or我错过的软件？
我尤其对深度学习感兴趣。
据我所知deeplearning.net推荐NVIDIA硬件和CUDA框架.此外，我知道的所有大型深度学习框架，例如 Caffe、Theano、Torch、DL4J, ...专注于CUDA，不打算支持OpenCL/AMD.
此外，对于基于 CUDA 的深度学习任务，人们可以找到大量的科学论文和相应的文献，但对于 OpenCL/AMD[= 几乎没有41=] 基于解决方案。
新的或现有的科学框架是否有可能在 2015/16 年出现用于基于 OpenCL/AMD 的解决方案？
深度学习和OpenCL/AMD的良好开端是什么？有文献吗？教程？其他来源？
编辑 1 查看
编辑 2 我创建了一个关于如何使用 theano 为深度学习设置 Amazon EC2 实例的 series of guides。它 比 运行 在个人计算机上更方便。
编辑 3 似乎 TensorFlow 现在比 theano 被更广泛地接受，所以我相应地更新了指南。
我遇到过和你一样的情况，因为我有一台配备 Intel Iris 显卡的 MacBook Pro。我花了一周的大部分时间查看所有可能的解决方法，我非常欢迎我提供的替代方法。
我目前最好的解决方案是：
- 安装
python库tensorflow并利用现有的 GPU 支持并继续更新到最新的开发版本。 - 使用
theano- and usetensorflow - 购买 NVIDIA 显卡并在 PC 上使用它
- 如果您绝对需要 OpenCL 中的解决方案并且您愿意从高层次的理解（无教程）开始编写所有代码，请查看 DeepCL and possibly pyOpenCl。
我发现任何使用 OpenCL 的解决方案，例如pyOpenCl，还没有深度学习的用户友好界面，即用替代方法编码比快速编码和 运行 在 CPU 上编码需要更长的时间。尽管如此，以下是用于深度学习的最佳替代 OpenCL 库：
开发中
tensorflow正在 添加 OpenCL 支持，一旦对Eigen和其他依赖项的改进 完成theanois adding support to OpenCL throughclBLASCaffeis in development stages 添加 OpenCL 支持，但似乎theano有点落后
请查看 https://01.org/intel-deep-learning-framework - 英特尔® 深度学习框架 (IDLF) 为加速深度卷积神经网络的英特尔® 平台提供统一框架。它是开源的，因此您也可以将它移植到 AMD 硬件上。很酷的事情：它可以 运行 在配备 Intel Iris 显卡的 MacBook Pro 上。
另一种方法是在 Amazon Web Services 上使用 GPU 实例。 您可以找到已安装常用深度学习包的 AMI。例如：
- 手电筒：https://github.com/torch/torch7/wiki/Cheatsheet#ec2-public-ami
- Theano+咖啡：https://www.kaggle.com/forums/f/208/getting-started/t/11505/an-aws-ami-mainly-for-deep-learning
提示：使用 Spot 实例可以获得更便宜的价格（g2.2xlarge 大约 10 cents/hour）。
--- 2017 年 8 月更新 AMD 方面发生了很酷的新事情 ---
现在实际上可以 运行 大多数 AMD 硬件上的任何库 Check Here
截至 2015 年 10 月 25 日
AMD 和其他公司似乎已经开始着手开发几个用于深度学习的 OpenCL 加速框架。是的，深度学习现在支持 OpenCL :)
这是 OpenCL 加速框架或工具的列表，这些框架或工具的开发主要考虑深度学习。我希望他们能在未来几年得到更新
我们现在（2015 年 10 月 25 日）知道有三种深度学习框架非常受研究人员欢迎，并且已经出现了一些商业产品
Theano
咖啡
手电筒
caffe对OpenCL的支持非常好，因为amd开发了caffe的完整版本，几乎支持caffe的所有特性，而且正在积极开发中。它被命名为 OpenCL Caffe。这是存储库
如果您正在考虑性能，那么根据该站点（我自己还没有对它进行基准测试）它每秒提供大约 261 张图像或在 AMD R9 Fury 硬件（训练）中每天提供 2250 万张图像。与日处理4000万张图像的nvidia K40相比。所以根据该网站，它可以用六分之一的钱提供一半的性能。（考虑到 k40 是 3000 美元的卡，而 r9 fury 大约是 600 美元）。然而，使用任何消费卡都会给你带来内存（vram）的问题，这在深度学习中非常重要。
最近几天的 Torch 似乎也有不错的 OpenCL 支持。然而，它是由一个人维护的。它声称完全支持 torch 的所有功能。然而，它并没有给出关于性能的想法。这是存储库。它得到积极维护。
目前似乎没有适合 theano 框架的 opencl 后端，但工作正在进行中。简单的程序可以用当前版本完成。
还有一些其他用于深度学习的 opencl 框架。需要一些时间来整理它们，看看它们是否正常工作。
TensorFlow 现在在 roadmap.
上支持 OpenCL参见：Github issue。
希望离工作版本不远。
我正在为 Tensorflow 编写 opencl 1.2 支持。 https://github.com/hughperkins/tensorflow-cl目前支持：
- blas 矩阵乘法
- 渐变
- 本征运算，例如：归约、argmin/argmax、逐元素运算（二元和一元）
PlaidML (https://github.com/plaidml/plaidml) is a fully open source deep learning runtime that runs on top of OpenCL and integrates with Keras to provide a familiar user-facing API. The README in the repo has more detailed status, currently convnet inference on Linux is well supported but we (http://vertex.ai) 正在努力尽快扩展完整性和平台支持。我们的持续集成机器包括各种 AMD 和 NVIDIA GPU，目前全部 Linux，但我们也在努力添加 Mac 和 Windows。
查看由AMD驱动的ROCm platform。这是第一个独立于编程语言的 GPU 计算开源 HPC/Hyperscale-class 平台。
具体来说：
关于深度学习，参见https://rocm.github.io/dl.html
对于 OpenCL，请参阅：
可以在这里找到有用的教程：https://rocm.github.io/tutorials.html