MatConvNet是一个基于Matlab的深度学习框架，在计算部分，最底层混编了C/C++或者CUDA C，这使得其速度并不是特别慢。就使用体验来说，MatConvNet是非常优秀的，借助于Matlab，定义网络，使用现有模型以及数据可视化都非常方便。
由于MatConvNet文档和Demo都比较完备，所以这篇博客主要介绍一些GPU的配置细节。
一、MatConvNet简介
1. 官网资料
2. 运行已有模型
当年做VggNet的那帮人用最顶配的GPU集群训练了一个多月，我们要在个人电脑上训练VggNet估计要等到量子计算机出来。于是我们可以直接在官网下好别人训练好的模型，然后对自己的图像进行前向传输，获取各个层的输出值。
使用MatConvNet，这一切将非常方便。（链接到官网）
addpath('matlab');
enableGPU = true;
%vl_compilenn('enableGPU', enableGPU, 'enableCudnn', true);
net = load('../../models/imagenet-vgg-verydeep-19.mat');
im = imread('../../data/bw.bmp');
im = single(im);
im = imresize(im, net.meta.normalization.imageSize(1:2));
%im = im - net.meta.normalization.averageImage;
if enableGPU
net = vl_simplenn_move(net,'gpu');
im = gpuArray(im);
end
res = vl_simplenn(net, im);
上面的GPU、cudnn选项关闭，可以直接使用CPU运行。
这里注意，模型文件的格式在beta17版本改变过一次，所以最好在官网下载最新版本的代码和模型文件。
二、GPU使用注意事项
1. 如果要使用GPU的话，那么你需要编译GPU版本，设置GPU编译选项
2. 如果你使用cuda8.0，同时MatConvNet版本在beta22以下，你需要修改源代码，matlab/scr/bits/impl/文件夹下的pooling_gpu.cu第165行的 atomicAdd函数 和 biliinearsamper_gpu.cu第26行的atomicAdd函数。
3. 如果使用cudnn，记得设置cudnn路径（默认在local/cudnn），然后还要记得把cudnn的cudnn64_5.dll放到mex文件夹下，或者dll所在bin目录加入环境变量下。
4. 网络模型和图像数据等变量，需要转化为gpuArray类型，对于网络模型，提供了一个函数vl_simplenn_move(net, ‘gpu’)，对于返回的值，同样也需要从gpuArray类型变回single类型。