Intel的MKL是可以用来训练的——的实验也提到了训练

在深度学习中，训练模型是一个非常耗费计算资源的过程。因此，针对不同的硬件和软件环境，选取一个高效的训练工具非常关键。而Intel Math Kernel Library (MKL)作为一个高效的数学库，在训练中也扮演着重要的角色。

实验也证实了这一点。在“ImageNet Large Scale Visual Recognition Challenge (ILSVRC)”上，Intel MKL的表现非常优秀。训练ImageNet分类模型AlexNet，使用Intel MKL进行计算加速，其训练效率要高于CUDA或OpenCL方案。

下面我们来看一下Intel MKL在训练中的几个优点：

1. 线性代数运算性能优秀

Intel MKL作为高效的数学库，其线性代数运算是他的拳头产品。深度学习中大量的计算都是基于线性代数，如矩阵乘法等，因此这种性能优秀的数学库非常适合深度学习的训练过程。

2. 高效的内存管理

Intel MKL能够根据具体的硬件、软件环境自动调整内存分配和管理策略，优化内存使用效率。在深度学习中，由于数据量大，内存的优化显得非常重要，而Intel MKL可以提供这样的帮助。

3. 多处理器支持

Intel MKL支持多种处理器架构，包括Intel CPU、Xeon Phi协处理器、以及英伟达的GPU。这使得它可以适应不同的硬件资源，帮助用户实现计算资源的最大利用。

总的来说，Intel MKL作为一种高效的数学库，在深度学习的训练中发挥了非常重要的作用。在实验中也实现了它优秀的性能表现。在选择深度学习训练工具时，Intel MKL值得我们考虑。