深度學習算力挖礦
『壹』 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。
『貳』 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
『叄』 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。
『肆』 深度學習的好處
深度學習的主要優點如下：
優點1：學習能力強
從結果來看，深度學習具備很強的學習能力，表現非常好。
優點2：覆蓋范圍廣，適應性好
深度學習的神經網路層數很多，寬度很廣，理論上可以映射到任意函數，所以能解決很復雜的問題。
優點3：數據驅動，上限高
深度學習高度依賴數據，數據量越大，它的表現就越好。在圖像識別、面部識別、NLP 等領域表現尤為突出。
優點4：可移植性好
由於深度學習的優異表現，很多框架都可以使用，例如 TensorFlow、Pytorch。這些框架可以兼容很多平台。
深度學習也是有缺點的：
缺點1：計算量大，便攜性差
深度學習需要大量的數據與算力，所以成本很高。而且現在很多應用還不適合在移動設備上使用。目前已經有很多公司和團隊在研發針對便攜設備的晶元。
缺點2：硬體需求高
深度學習對算力要求很高，普通的CPU已經無法滿足深度學習的要求。
缺點3：模型設計復雜
深度學習的模型設計非常復雜，需要投入大量的人力物力和時間來開發新的演算法和模型。大部分人只能使用現成的模型。
缺點4：沒有」人性」，容易存在偏見
由於深度學習依賴數據，並且可解釋性不高。在訓練數據不平衡的情況下會出現性別歧視、種族歧視等問題。
『伍』 什麼是深度學習如何保持深度學習
現在的科技發展速度非常快，對於智能設備將是一個發展方向，而其實我們以為的智能設備並不具備我們這樣的學習能力，他們是通過無數圖片，視頻去發現其中的學習秘密，然後慢慢發展成為智能化的，其中大家最熟知的就是深度學習這個詞了，但是很多人不知道什麼是深度學習？如何保持深度學習？其實簡單來說就是電腦晶元的深度挖掘，可以讓晶元處於長時間的工作達到保持深度學習。
這里其實我們就可以看做平時挖礦人員，用顯卡去挖礦，不是一張顯卡就能搞定的，需要弄很多顯卡成一個工作室，來同時不間斷挖礦，但是這也是非常消耗晶元壽命的，這樣的顯卡一般壽命都無法保證，說個題外話，也不建議懂電腦的人去買礦卡，雖然便宜但是沒有任何保證，說不定哪天打游戲就突然掛了，這是沒有任何維修的，不要貪圖這種小便宜。
『陸』 lhr版本顯卡是什麼意思
lhr顯卡的意思是低哈希運算的顯卡，這種顯卡徹底地鎖了挖礦算力。需要注意的是，這些鎖算力的新顯卡，早期的NVIDIA顯卡驅動是不能使用的，用戶需要到NVIDIA網站下載最新的驅動程序使用。
顯卡：
是個人計算機基礎的組成部分之一，將計算機系統需要的顯示信息進行轉換驅動顯示器，並向顯示器提供逐行或隔行掃描信號，控制顯示器的正確顯示，是連接顯示器和個人計算機主板的重要組件，是人機的重要設備之一，其內置的並行計算能力現階段也用於深度學習等運算。
顯卡所支持的各種3D特效由顯示晶元的性能決定，採用什麼樣的顯示晶元大致決定了這塊顯卡的檔次和基本性能，比如NVIDIA的GT系列和AMD的HD系列。
衡量一個顯卡好壞的方法有很多，除了使用測試軟體測試比較外，還有很多指標可供用戶比較顯卡的性能，影響顯卡性能的高低主要有顯卡頻率、顯示存儲器等性能指標。
『柒』 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）
『捌』 哪家服務商GPU更適合深度學習領域
現在基本上都會選擇雲服務讓電腦上雲，租用雲伺服器的方式來完成深度學習領域需要的高配電腦服務。
總體而言，NVIDIA目前最適合深度學習的GPU是RTX3080和RTX3090。RTX系列顯卡對於深度學習來說最大的優勢在於專為神經網路設計的運算單元——Tensor Core（張量核心），而RTX30系列性能的提升是上一代產品圖靈架構的2倍。
根據測評參數，NVIDIA旗艦顯卡RTX3080擁有8704個CUDA核心，272個TMU，88個ROP，以及68個SM。Tensor Core數量達到544個，RT Core為136個。
其中，被稱為GPU「猛獸」的RTX 3090 使用代號為 GA102 的核心，和前代泰坦一樣擁有 24G 顯存，但型號升級為 DDR6X（鎂光提供），顯存速度 19.5Gbps，384bit 位寬，擁有 10496 個等效 CUDA 核心，相比 GeForce RTX 2080 Ti，3090 的核心數量增加一倍不止。
不過，自2020年9月上市以來，RTX3080和RTX3090一直處於一卡難求的狀態，市場價更是漲了7倍，而供貨商甚至無法預測具體的供貨時間。
對於企業和實驗室的科研人員而言，要在預算范圍內購買最新的GPU，特別是RTX3080和RTX3090這類旗艦顯卡難以實現；進行整機配置時，需要考慮多個因素，比如電源、機箱體積，主板的PCle卡槽等，這時候，雲電腦在GPU算力上的選擇則更為靈活和方便。
『玖』 深度學習和挖礦對於顯卡來說啥區別
具體效果以實際運行情況為准，
不同配置的運行效果都是不同的。