以下是深度学习技术的简要介绍，以及gpu如何在这一领域取得早期胜利。
图片由英伟达．
深度学习是机器学习技术的一个子集，它正迅速进入GPU、FPGA和DSP硅构建块交汇处的主流设计。这是一种教计算机引擎执行任务的技术，而不是通过编程来完成任务。
深度学习它以人工智能技术为基础，在汽车、医疗保健、成像和安全行业有广泛的应用，执行视频分析、面部识别和图像分类等任务。例如，自动驾驶汽车是深度学习芯片的主要受益者。深度学习芯片通过监控摄像头、激光雷达和其他传感器的数据来识别物体，并随后对特定情况做出反应。
深度学习技术是从神经网络进化而来的，神经网络是一种模仿人类大脑的智能处理系统，但神经网络通常由一个单层组成，数据输入、网络权衡，然后显示结果。深度学习有更多的层次，因此能够计算更复杂的场景，如目标检测和识别。
模型训练和推理阶段显示在深度学习工作流中。图片由英伟达．
深度学习工作流程由两个阶段组成。首先，培训模型的计算密集型过程涉及对数据集和准确描述物体性质的数据集和算法进行广泛分析。第二阶段推断 - 关于实时应用算法以识别用于适当决策的实际对象或情况的方式执行训练模型。
GPU方式
英伟达(NVIDIA)是深度学习领域的先行者，如今凭借速度和执行密集算法的强大计算能力成为市场领先者。该公司首席执行官黄仁勋(Jen-Hsun Huang)表示，深度学习应用是实现2016年第一季度目标的主要因素。
大多数神经网络技术，如计算机视觉和深度学习，都运行在gpu上，因为基于图形的加速器本质上更适合计算量大的语音、图像和视频处理应用。
此外，深度学习涉及大量的向量和矩阵运算，因此它在GPU上的运行速度要比在CPU上更快。GPU被设计成并行计算相同的指令。其次，GPU拥有从内存中检索的更高带宽和更多的计算单元;一个GPU可以有数千个内核。
深度学习是自动驾驶汽车的关键技术成分。图片由英伟达．
然而，尽管gpu为训练模型的计算密集型过程提供了巨大的能力，但当涉及到执行这些训练模型的实时使用时，比如面部识别，它又回到了CPU集群。其次，还有CPU控制GPU造成的功耗浪费问题。
通过为服务器提供现代GPU硬件，NVIDIA已经在新兴的深度学习市场占据了主导地位，这些服务器用于区分行人、汽车、自行车等对象的训练模型。现在，这家图形芯片制造商正在迎合第二部分——深度学习推理，通过模型来执行Tesla M40以及更小的配套M4 GPU硬件。
同时，其他芯片架构，最特别是DSP和FPGA，正在追赶深度学习空间，提供电力，效率和其他优势。
关于深度学习的系列的第二部分将涵盖在蓬勃发展的市场中的FPGA的作用。
