深度學習算力
A. 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！
B. 人工智慧，大數據與深度學習之間的關系和差異
說到人工智慧(AI)的定義，映入腦海的關鍵詞可能是「未來」，「科幻小說」，雖然這些因素看似離我們很遙遠，但它卻是我們日常生活的一部分。語音助手的普及、無人駕駛的成功，人工智慧、機器學習、深度學習已經深入我們生活的各個場景。例如京東會根據你的瀏覽行為和用戶的相似性，利用演算法為你推薦你需要的產品；又比如美顏相機，會基於你面部特徵的分析，通過演算法精細你的美顏效果。還有眾所周知的谷歌DeepMind，當AlphaGo打敗了韓國職業圍棋高手Lee Se-dol時，媒體描述這場人機對戰的時候，提到了人工智慧AI、機器學習、深度學習等術語。沒錯，這三項技術都為AlphaGo的勝利立下了汗馬功勞，然而它們並不是一回事。
人工智慧和機器學習的同時出現，機器學習和深度學習的交替使用......使大部分讀者霧里看花，這些概念究竟有何區別，我們可以通過下面一個關系圖來進行區分。
圖二：數據挖掘與機器學習的關系
機器學習是數據挖掘的一種重要方法，但機器學習是另一門學科，並不從屬於數據挖掘，二者相輔相成。數據挖掘是機器學習和資料庫的交叉，主要利用機器學習提供的技術來分析海量數據，利用資料庫界提供的技術來管理海量數據。
不管是人工智慧、機器學習、深度學習還是數據挖掘，目前都在解決共同目標時發揮了自己的優勢，並為社會生產和人類生活提供便利，幫助我們探索過去、展示現狀、預測未來。
C. 給人工智慧提供算力的晶元有哪些類型
給人工智慧提供算力的晶元類型有gpu、fpga和ASIC等。
GPU，是一種專門在個人電腦、工作站、游戲機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CU類似，只不過GPU是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。
FPGA能完成任何數字器件的功能的晶元，甚至是高性能CPU都可以用FPGA來實現。 Intel在2015年以161億美元收購了FPGA龍 Alter頭，其目的之一也是看中FPGA的專用計算能力在未來人工智慧領域的發展。
ASIC是指應特定用戶要求或特定電子系統的需要而設計、製造的集成電路。嚴格意義上來講，ASIC是一種專用晶元，與傳統的通用晶元有一定的差異。是為了某種特定的需求而專門定製的晶元。谷歌最近曝光的專用於人工智慧深度學習計算的TPU其實也是一款ASIC。
(3)深度學習算力擴展閱讀：
晶元又叫集成電路，按照功能不同可分為很多種，有負責電源電壓輸出控制的，有負責音頻視頻處理的，還有負責復雜運算處理的。演算法必須藉助晶元才能夠運行，而由於各個晶元在不同場景的計算能力不同，演算法的處理速度、能耗也就不同在人工智慧市場高速發展的今天，人們都在尋找更能讓深度學習演算法更快速、更低能耗執行的晶元。
D. 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）
E. 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。
F. 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
G. 人工智慧，機器學習與深度學習，到底是什麼關系
有人說，人工智慧（AI）是未來，人工智慧是科幻，人工智慧也是我們日常生活中的一部分。這些評價可以說都是正確的，就看你指的是哪一種人工智慧。
今年早些時候，Google DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段。在媒體描述DeepMind勝利的時候，將人工智慧（AI）、機器學習（machine learning）和深度學習（deep learning）都用上了。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的並不是一回事。
今天我們就用最簡單的方法——同心圓，可視化地展現出它們三者的關系和應用。
向左轉|向右轉
人工神經網路（Artificial Neural Networks）是早期機器學習中的一個重要的演算法，歷經數十年風風雨雨。神經網路的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離內的任意神經元不同，人工神經網路具有離散的層、連接和數據傳播的方向。
例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網路的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最後一層，然後生成結果。
每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。
我們仍以停止（Stop）標志牌為例。將一個停止標志牌圖像的所有元素都打碎，然後用神經元進行「檢查」：八邊形的外形、救火車般的紅顏色、鮮明突出的字母、交通標志的典型尺寸和靜止不動運動特性等等。神經網路的任務就是給出結論，它到底是不是一個停止標志牌。神經網路會根據所有權重，給出一個經過深思熟慮的猜測——「概率向量」。
這個例子里，系統可能會給出這樣的結果：86%可能是一個停止標志牌；7%的可能是一個限速標志牌；5%的可能是一個風箏掛在樹上等等。然後網路結構告知神經網路，它的結論是否正確。
即使是這個例子，也算是比較超前了。直到前不久，神經網路也還是為人工智慧圈所淡忘。其實在人工智慧出現的早期，神經網路就已經存在了，但神經網路對於「智能」的貢獻微乎其微。主要問題是，即使是最基本的神經網路，也需要大量的運算。神經網路演算法的運算需求難以得到滿足。
不過，還是有一些虔誠的研究團隊，以多倫多大學的Geoffrey Hinton為代表，堅持研究，實現了以超算為目標的並行演算法的運行與概念證明。但也直到GPU得到廣泛應用，這些努力才見到成效。
我們回過頭來看這個停止標志識別的例子。神經網路是調制、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張圖像來訓練，直到神經元的輸入的權值都被調製得十分精確，無論是否有霧，晴天還是雨天，每次都能得到正確的結果。
只有這個時候，我們才可以說神經網路成功地自學習到一個停止標志的樣子；或者在Facebook的應用里，神經網路自學習了你媽媽的臉；又或者是2012年吳恩達（Andrew Ng）教授在Google實現了神經網路學習到貓的樣子等等。
吳教授的突破在於，把這些神經網路從基礎上顯著地增大了。層數非常多，神經元也非常多，然後給系統輸入海量的數據，來訓練網路。在吳教授這里，數據是一千萬YouTube視頻中的圖像。吳教授為深度學習（deep learning）加入了「深度」（deep）。這里的「深度」就是說神經網路中眾多的層。
現在，經過深度學習訓練的圖像識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌症的早期成分，到識別核磁共振成像中的腫瘤。Google的AlphaGo先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網路的方法，就是不斷地與自己下棋，反復地下，永不停歇。
|深度學習，給人工智慧以璀璨的未來
深度學習使得機器學習能夠實現眾多的應用，並拓展了人工智慧的領域范圍。深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。
人工智慧就在現在，就在明天。有了深度學習，人工智慧甚至可以達到我們暢想的科幻小說一般。你的C-3PO我拿走了，你有你的終結者就好了。
H. 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
I. 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。
J. 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?
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。
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。