深度學習算力評測

⑴ 深度學習顯卡怎麼看CUDA compute capability

該項目的計算力，GTX1080TI算力6.1/3.7，約K80的1.64倍
目前深度學習比較熱門的卡：RTX2080TI，RTX2070（多路），GTX1080TI目前退市不容易買到多張。（二手另說）
*CUDA平台的深度學習，顯卡主要看：單精度浮點運算，顯存，Tensor Core（圖靈架構與伏特架構才有，RTX系列與TITAN V）
*Tesla主要穩定性與一些特殊功能上,雙精度（目前這個深度學慣用的少），跑單精度與半精度浮點運算優勢不大，價格昂貴（想要超過GTX1080TI算力，需要Tesla V100，一張幾萬）

⑵ 什麼是人工智慧的深度學習

深度學習是一種演算法革命，帶來了人工智慧的快速發展和應用，解決了視頻、圖像、聲音、語言和文本的處理，在一定程度上達到了人類辨識或認知對象物體的水平。

深度學習只是機器學習的一個子領域，是受到大腦的結構和功能所啟發的人工神經網路的一種演算法。深度學習只是需要非常大的神經網路上訓練更多的數據，需要更強大的計算機和算力。

如果我們構建更大的神經網路（更多的隱含層10-100，甚至更多的）並訓練喂給模型越來越多的數據時，深度學習的性能會不斷提高。這與其他傳統機器學習演算法通常不同，深度學習技術在性能上將達到了一個新的高度。

希望人工智慧可以再次改變世界！

⑶ 深度學習做人臉識別，和傳統方式比有啥好處

深度學習的演算法可以對人的表情和聲音特質進行分析判斷，多模態的分析模式。

⑷ 數據平台上的計算能力：哪些GPU更適合深度

NVIDIA GPU，AMD GPU還是Intel Xeon Phi?

1. 用NVIDIA的標准庫很容易搭建起CUDA的深度學習庫，而AMD的OpenCL的標准庫沒這么強大。而且CUDA的GPU計算或通用GPU社區很大，而OpenCL的社區較小。從CUDA社區找到好的開源辦法和可靠的編程建議更方便。NVIDIA從深度學習的起步時就開始投入，回報頗豐。雖然別的公司現在也對深度學習投入資金和精力，但起步較晚，落後較多。如果在深度學習上採用NVIDIA-CUDA之外的其他軟硬體，會走彎路。

2. Intel的Xeon Phi上支持標准C代碼，而且要在Xeon Phi上加速，也很容易修改這些代碼。這個功能聽起來有意思。但實際上只支持很少一部分C代碼，並不實用。即使支持，執行起來也很慢。Tim曾用過500顆Xeon Phi的集群，遇到一個接一個的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以沒法做單元測試。因為Intel Xeon Phi編譯器無法正確地對模板進行代碼精簡，比如對switch語句，很大一部分代碼需要重構。因為Xeon Phi編譯器不支持一些C++11功能，所以要修改程序的C介面。既麻煩，又花時間，讓人抓狂。執行也很慢。當tensor大小連續變化時，不知道是bug，還是線程調度影響了性能。舉個例子，如果全連接層（FC）或剔除層（Dropout）的大小不一樣，Xeon Phi比CPU慢。

預算內的最快GPU

用於深度學習的GPU的高速取決於什麼？是CUDA核？時鍾速度？還是RAM大小？這些都不是。影響深度學習性能的最重要的因素是顯存帶寬。GPU的顯存帶寬經過優化，而犧牲了訪問時間（延遲）。CPU恰恰相反，所用內存較小的計算速度快，比如幾個數的乘法（3*6*9）；所用內存較大的計算慢，比如矩陣乘法（A*B*C）。GPU憑借其顯存帶寬，擅長解決需要大內存的問題。

所以，購買快速GPU的時候，先看看帶寬。

⑸ 計算能力：哪些GPU更適合深度學習和資料庫

深度學習需要具備三個因素，1，演算法 2，GPU機器 3，資料庫。GPU選擇的話，由於一般的深度學習都不需要單精度，所以性價比最高的GPU是GTX系列，比如TItan x，titan x是現在深度學慣用的最多的卡。需要了解更多，可以私信我。

⑹ 深度學習是哪年流行起來的，難嗎

雖然產業內外均能感受到近年來人工智慧火熱的浪潮，但是其實人工智慧技術並不是近幾年才出現。從上世紀五六十年代開始，人工智慧演算法以及技術就曾一度出現過火熱，隨著時間發展也不斷地演進和進化，並經歷了由熱轉衰的過程。
最近幾年內，人工智慧已讓我們每個人感受到其非常火熱、持續發展的狀態。因此，我們認為，這一輪人工智慧的快速發展得益於多年來的IT技術飛速發展，從而為人工智慧帶來了算力、算距，以便對人工智慧演算法提供支撐。
企業對於人工智慧技術的研發以及各種人工智慧應用不斷落地，直接推動了整體人工智慧產業的飛速發展。整體人工智慧的核心產業的產業規模已經接近1000億元，可以說是規模巨大的行業之一了。而且從未來的發展趨勢來看，預計今年，整體市場規模就會達到1600億元，所以增長速度還是非常迅速的。如今，在某些情況下，通過深度學習訓練過的機器在圖像識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 AlphaGo 學會了圍棋，並為比賽進行了大量的訓練：不斷的和自己比賽。
那麼什麼是深度學習呢？
深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：神經元之間的相互連接關系。但是，人類大腦中的神經元可以與特定范圍內的任意神經元連接，而人工神經網路中數據傳播要經歷不同的層，傳播方向也不同。

⑺ 現在跑機器學習（深度學習）有必要話幾十萬買設備嗎可以雲計算嗎

幾千塊錢的顯卡就足夠了
這個問題其實還是根據你實際任務的價值來定，如果你的項目經費有幾百萬，你評估使用技術能高效率很高的話，那麼幾十萬的設備還是劃算的，
但是如果你只是學習，或者是做比較淺的應用的話，那就不建議你考慮這么貴的設備了
雲計算也是一個錯的方式，未來很多計算可能會以雲計算付費的形式來完成，現在很多雲平台已經出售了深度學習算力，你可以關注一下，總之你現在沒必要花幾十萬來買設備

⑻ 自己的電腦可以跑深度學習嗎

自己的電腦可以跑深度學習，但是對電腦還是要有點要求的，畢竟跑代碼，以及深度學習很費時間的。

⑼ 如何評價 MXNet 被 Amazon AWS 選為官方深度學習平台

能夠讓AWS放棄自己造的輪子，並且明確的表示會支持一個主要由開源社區開發的系統，其實非常不容易。對於AWS來說，最關心的是用戶體驗，然後是買資源賺錢。這里最保險的是支持所有流行的DL框架。但AWS能夠強調說未來會大力投入MXNet，主要是對框架的發展前景，和小夥伴們工作的肯定。（例如我今早得知Amazon CTO發blog了，第一反應是CTO是誰，怎麼沒聽說過？）

MXNet最早就是幾個人抱著純粹對技術和開發的熱情做起來的興趣項目，既沒有指望靠它畢業，也沒想著用它賺錢。能夠一步一步慢慢的擴大，我覺得最重要的是每個小夥伴對這個事情的投入，和抱著降低深度學習門檻的使命。也是讓大家只需要關心「數據量和運算量」，而不是如何有效實現利用硬體；只需要「數學公式寫好，根本就不想知道你支持哪些layer，分別是干什麼的」，不用管自動求導如何訓練；只需要「把手上的數據交出去給雲即可，然後花錢租算力」，而不是雲上如何管理如何優化。

⑽ 人工智慧前景好么深度學習優勢什麼

雖然產業內外均能感受到近年來人工智慧火熱的浪潮，但是其實人工智慧技術並不是近幾年才出現。從上世紀五六十年代開始，人工智慧演算法以及技術就曾一度出現過火熱，隨著時間發展也不斷地演進和進化，並經歷了由熱轉衰的過程。
最近幾年內，人工智慧已讓我們每個人感受到其非常火熱、持續發展的狀態。因此，我們認為，這一輪人工智慧的快速發展得益於多年來的IT技術飛速發展，從而為人工智慧帶來了算力、算距，以便對人工智慧演算法提供支撐。
最近幾年內，企業對於人工智慧技術的研發以及各種人工智慧應用不斷落地，直接推動了整體人工智慧產業的飛速發展。整體人工智慧的核心產業的產業規模已經接近1000億元，可以說是規模巨大的行業之一了。而且從未來的發展趨勢來看，預計今年，整體市場規模就會達到1600億元，所以增長速度還是非常迅速的。
深度學習的優點？
為了進行某種模式的識別，通常的做法首先是以某種方式，提取這個模式中的特徵。這個特徵的提取方式有時候是人工設計或指定的，有時候是在給定相對較多數據的前提下，由計算機自己總結出來的。深度學習提出了一種讓計算機自動學習出模式特徵的方法，並將特徵學習融入到了建立模型的過程中，從而減少了人為設計特徵造成的不完備性。而目前以深度學習為核心的某些機器學習應用，在滿足特定條件的應用場景下，已經達到了超越現有演算法的識別或分類性能。
如果對人工智慧和深度學習有興趣，可以去看看中 公 教 育和中 科 院聯合的AI 深度學習 課程，都是中科院專 家親 自授 課