本文主要是介绍在Deeplearning4j中使用cuDNN，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在Deeplearning4j中使用cuDNN
Deeplearning4j支持cuda，但是也支持使用cuDNN实现更进一步的加速。自从版本0.9.1之后，CNNs和LSTMs网络都支持cuDNN加速。
注意： cuDNN并不支持GravesLSTM网络层，请考虑使用LSTM网络层进行替代。为了使用cuDNN，你首先需要切换Nd4j的后端至CUDA后端。这个可以通过在你项目中的pom.xml将nd4j-native替换为nd4j-cuda-7.5或者nd4j-cuda-8.0的方式来实现。理论上，将后端替换为nd4j-cuda-7.5或者nd4j-cuda-8.0将会自动添加全平台依赖：
<dependency><groupId>org.nd4j</groupId><artifactId>nd4j-cuda-7.5-platform</artifactId><version>${nd4j.version}</version></dependency>或者
<dependency><groupId>org.nd4j</groupId><artifactId>nd4j-cuda-8.0-platform</artifactId><version>${nd4j.version}</version></dependency>使得DL4J可以加载cuDNN，唯一需要我们做的事情就是将nd4j-cuda-7.5或者nd4j-cuda-8.0加入到我们的依赖文件中，例如：
<dependency><groupId>org.nd4j</groupId><artifactId>nd4j-cuda-7.5-platform</artifactId><version>${nd4j.version}</version></dependency>或者
<dependency><groupId>org.nd4j</groupId><artifactId>nd4j-cuda-8.0-platform</artifactId><version>${nd4j.version}</version></dependency>而cuDNN实际需要的库文件没有打包在里面，所以你需要去英伟达官网下载并且安装适合你平台的包：
- NVIDIA cuDNN
注意，现在只支持cuDNN 6.0。要安装，只需将库提取到本地库使用的系统路径中找到的目录。 最简单的方法是将其与CUDA中的其他库一起放在默认目录中(/usr/local/cuda/lib64/ on Linux, /usr/local/cuda/lib/ on Mac OS X, and C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\bin\ or C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin\ on Windows).
再次提示，在默认情况下，Deeplearning4j会根据cuDNN使用速度最快的算法，但是内存使用可能会过多，导致一些奇怪的启动异常。当这种情况发生时，尝试使用这种方式来降低内存的使用量，使用NO_WORKSPACE(查看更多模式配置)来替代默认的ConvolutionLayer.AlgoMode.PREFER_FASTEST，例如：
// ...new ConvolutionLayer.Builder(h, w).cudnnAlgoMode(ConvolutionLayer.AlgoMode.NO_WORKSPACE)// ...原文地址：https://deeplearning4j.org/cudnn
更多文档可以查看 https://github.com/sjsdfg/deeplearning4j-issues。
欢迎star
这篇关于在Deeplearning4j中使用cuDNN的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
