简介
目前，在大型数据集、高度并行化的处理能力和增强设备智能性的需求的推动下，深度学习成为了计算机科学领域最受关注的热点话题之一。根据维基百科的描述，深度学习是机器学习 (ML) 的一个子集，由模拟高级别数据抽象的算法构成。如图 1 所示，机器学习是人工智能 (AI) 的一个子集，人工智能的研究范围非常广泛，其目标是开发模拟人类智能的计算机系统。
图 1.深度学习和人工智能的关系。
英特尔积极致力于深度学习领域的研究，为了充分利用英特尔® 架构 (IA) 而优化了常用的框架（如 Caffe* 和 Theano*），创建了高级别工具（如面向数据科学家的英特尔® 深度学习 SDK），还为开发人员社区提供了强大的软件库，如英特尔® 数据分析加速库（英特尔® DAAL）和面向深度神经网络的英特尔® 数学核心函数库（英特尔® MKL-DNN）。
英特尔 MKL-DNN 是一个开源的性能增强库，能够提高在英特尔架构上运行的深度学习框架的速度。对深度学习感兴趣的软件开发人员可能听说过英特尔 MKL-DNN，但是有可能未曾使用过它。
英特尔 MKL-DNN 教程系列的开发人员简介从开发人员的角度介绍了英特尔 MKL-DNN。第一部分提供了丰富的资源，详细介绍了如何安装和构建库组件。教程系列的第二部分介绍了如何配置 Eclipse* 集成开发环境，以创建 C++ 代码示例，还提供了源代码演示。
英特尔® MKL-DNN 概述
如图 2 所示，英特尔 MKL-DNN 专为在英特尔架构上加快深度学习框架的速度而设计，包含了高度矢量化和线程化的构建模块，支持利用 C 和 C++ 接口实施卷积神经网络。
图 2.英特尔架构上的深度学习框架。
英特尔 MKL-DNN 主要在以下对象上运行：基元、引擎和流。库文档对这些对象的定义如下所示：
- 基元 - 任何操作，包括卷积、数据格式重新排序和内存。基元可以以其他基元为输入，但是智能输出内存基元。
- 引擎 - 一种执行设备，如 CPU。每个基元都映射为特定的引擎。
- 流 - 一种执行环境，将基元提交至流后等待完成。提交至流的基元可能有不同的引擎。流对象也可以跟踪基元间的相关性。
典型的工作流程创建一系列基元，将基元传输至流进行处理，并等待处理的完成。如欲获取关于编程模式的更多信息，请查看英特尔 MKL-DNN 文档。
资源
您可以通过互联网获取关于英特尔 MKL-DNN 的实用资源，了解英特尔 MKL-DNN 的功能和限制以及将它集成至深度学习项目所带来的预期效果。
GitHub 存储库
英特尔 MKL-DNN 是一款面向深度学习应用的开源性能库，库中包含一些构建模块，用于实施带 C 和 C++ 接口的卷积神经网络 (CNN)，可以在 GitHub* 上免费下载。
关于 GitHub 网站需要注意的是，尽管英特尔 MKL-DNN 和英特尔® 数学核心函数库（英特尔® MKL）2017的功能相似，但是前者不兼容 API。在撰写本文时，英特尔 MKL-DNN 发布了技术预览版，添加了加快图像识别拓扑（如 AlexNet* 和 VGG*）速度所需的功能。
英特尔开源技术中心
MKL-DNN|01.org项目微型网站是英特尔开源技术中心的成员，该技术中心的名称为 01.org，参加过各种开源项目的英特尔工程师都参与到该社区当中来。该网站包含英特尔 MKL-DNN 项目概述，如何参加项目与实施项目的信息，还提供一篇内容丰富的博文“面向神经网络的英特尔® 数学核心函数库（英特尔® MKL-DNN）简介”（作者：Kent Moffat）。
安装英特尔 MKL-DNN
本章节详细介绍了安装和构建英特尔 MKL-DNN 库组件的逐步说明，进一步解释了 GitHub 存储库网站上提供的安装信息。您的电脑必须配备支持英特尔® 高级矢量扩展指令集 2（英特尔® AVX2）的英特尔® 处理器。英特尔 MKL-DNN 专门面向英特尔® 至强® 处理器和英特尔® 至强融核™ 处理器优化。
GitHub 指出软件在 RedHat* Enterprise Linux* 7 上验证，但是本教程提供的信息是关于在运行 Ubuntu* 16.04的系统上进行开发。
安装关联组件
英特尔 MKL-DNN 包含以下关联组件：
如果您的电脑没有安装这些软件工具，可以输入以下命令进行安装：
sudo apt install cmake
sudo apt install doxygen
下载并创建源代码
打开终端并输入以下命令，便可从 GitHub 存储库复制英特尔 MKL-DNN 库：
git clone https://github.com/01org/mkl-dnn.git
注：如果您的电脑没有安装 Git*，可以输入以下命令进行安装：
sudo apt install git
安装完成后，您会在 Home 目录下发现一个 mkl-dnn目录。输入以下命令转至目录：
cd mkl-dnn
GitHub 存储库网站是这样说明的：英特尔 MKL-DNN 使用了英特尔 MKL 中的经过优化的一般矩阵乘法 (GEMM) 函数。存储库还包含支持这个功能的库，运行 scripts目录中的 prepare_mkl.sh脚本进行下载：
cd scripts && ./prepare_mkl.sh && cd ..
这个脚本创建了一个名为 external的目录，然后下载并提取库文件至 mkl-dnn/external/mklml_lnx*目录。
在 mkl-dnn目录中执行下一条命令，通过命令创建了一个 build子目录，并运行 CMake和 Make，以生成构建系统：
mkdir -p build && cd build && cmake ..&& make
验证构建
为了验证构建，从 mkl-dnn/build目录中执行以下命令：
make test
这个步骤执行了一系列验证构建的单元测试。全部测试均应显示通过 (Passed)，处理时间如图 3 所示。
图 3.测试结果。
库文档
可以在线获取英特尔 MKL-DNN 文档。从 mkl-dnn/build目录中执行以下命令，也可以在系统中本地生成这个文档：
make doc
完成安装
执行 mkl-dnn/build目录中的以下命令，完成英特尔 MKL-DNN 的安装：
sudo make install
以下命令将在 /usr/local目录中安装库和其他组件，这些组件是开发面向英特尔 MKL-DNN 的应用所必需的：
共享库 (/usr/local/lib)：
- libiomp5.so
- libmkldnn.so
- libmklml_intel.so
标头文件 (/usr/local/include)：
- mkldnn.h
- mkldnn.hpp
- mkldnn_types.h
文档 (/usr/local/share/doc/mkldnn)：
- 英特尔许可和版权声明
- 构成 HTML 文档的各种文件（在 /reference/html之下）
在命令行上创建代码示例
GitHub 存储库包含 C 和 C++ 代码示例，展示了如何创建包含卷积、修正线性单元、本地响应标准化和池化的神经网络拓扑模块。以下章节介绍了如何在 Linux 中利用命令行创建代码示例。教程系列的第二部分展示了如何面向创建和扩展 C++ 代码示例而配置 Eclipse 集成开发环境。
C++ 示例命令行构建 (G++)
为了创建包含在英特尔 MKL-DNN 存储库中的 C++ 示例程序 (simple_net.cpp)，首先转至 examples目录：
cd ~/mkl-dnn/examples
然后，为可执行代码创建一个目标目录：
mkdir –p bin
通过连接英特尔 MKL-DNN 共享库和指定以下输出目录，创建 simple_net.cpp 示例：
g++ -std=c++11 simple_net.cpp –lmkldnn –o bin/simple_net_cpp
图 4.使用 G++ 的 C++ 命令行构建。
转至 bin目录并运行可执行代码：
cd bin
./simple_net_cpp
使用 GCC 的 C 示例命令行构建
为了创建包含在英特尔 MKL-DNN 存储库中的 C 示例应用 (simple_net.c)，首先转至 examples目录：
cd ~/mkl-dnn/examples
然后，为可执行代码创建一个目标目录：
mkdir –p bin
通过连接英特尔 MKL-DNN 共享库和指定以下输出目录，创建 simple_net.c 示例：
gcc –Wall –o bin/simple_net_c simple_net.c -lmkldnn
图 5.利用 GCC 的 C 命令行构建。
转至 bin目录并运行可执行代码：
cd bin
./simple_net_c
完成后，C 应用将向终端输出通过 (passed) 或失败 (failed)。
后续步骤
此时您已经成功安装了英特尔 MKL-DNN 库，执行了单元测试，并且创建了存储库所提供的示例程序。英特尔 MKL-DNN 开发人员简介的第二部分介绍了如何配置 Eclipse 集成开发环境，以创建 C++ 代码示例，还提供了代码演示。