深度学习算力评测

⑴ 深度学习显卡怎么看CUDA compute capability

该项目的计算力，GTX1080TI算力6.1/3.7，约K80的1.64倍
目前深度学习比较热门的卡：RTX2080TI，RTX2070（多路），GTX1080TI目前退市不容易买到多张。（二手另说）
*CUDA平台的深度学习，显卡主要看：单精度浮点运算，显存，Tensor Core（图灵架构与伏特架构才有，RTX系列与TITAN V）
*Tesla主要稳定性与一些特殊功能上,双精度（目前这个深度学习用的少），跑单精度与半精度浮点运算优势不大，价格昂贵（想要超过GTX1080TI算力，需要Tesla V100，一张几万）

⑵ 什么是人工智能的深度学习

深度学习是一种算法革命，带来了人工智能的快速发展和应用，解决了视频、图像、声音、语言和文本的处理，在一定程度上达到了人类辨识或认知对象物体的水平。

深度学习只是机器学习的一个子领域，是受到大脑的结构和功能所启发的人工神经网络的一种算法。深度学习只是需要非常大的神经网络上训练更多的数据，需要更强大的计算机和算力。

如果我们构建更大的神经网络（更多的隐含层10-100，甚至更多的）并训练喂给模型越来越多的数据时，深度学习的性能会不断提高。这与其他传统机器学习算法通常不同，深度学习技术在性能上将达到了一个新的高度。

希望人工智能可以再次改变世界！

⑶ 深度学习做人脸识别，和传统方式比有啥好处

深度学习的算法可以对人的表情和声音特质进行分析判断，多模态的分析模式。

⑷ 数据平台上的计算能力：哪些GPU更适合深度

NVIDIA GPU，AMD GPU还是Intel Xeon Phi?

1. 用NVIDIA的标准库很容易搭建起CUDA的深度学习库，而AMD的OpenCL的标准库没这么强大。而且CUDA的GPU计算或通用GPU社区很大，而OpenCL的社区较小。从CUDA社区找到好的开源办法和可靠的编程建议更方便。NVIDIA从深度学习的起步时就开始投入，回报颇丰。虽然别的公司现在也对深度学习投入资金和精力，但起步较晚，落后较多。如果在深度学习上采用NVIDIA-CUDA之外的其他软硬件，会走弯路。

2. Intel的Xeon Phi上支持标准C代码，而且要在Xeon Phi上加速，也很容易修改这些代码。这个功能听起来有意思。但实际上只支持很少一部分C代码，并不实用。即使支持，执行起来也很慢。Tim曾用过500颗Xeon Phi的集群，遇到一个接一个的坑，比如Xeon Phi MKL和Python Numpy不兼容，所以没法做单元测试。因为Intel Xeon Phi编译器无法正确地对模板进行代码精简，比如对switch语句，很大一部分代码需要重构。因为Xeon Phi编译器不支持一些C++11功能，所以要修改程序的C接口。既麻烦，又花时间，让人抓狂。执行也很慢。当tensor大小连续变化时，不知道是bug，还是线程调度影响了性能。举个例子，如果全连接层（FC）或剔除层（Dropout）的大小不一样，Xeon Phi比CPU慢。

预算内的最快GPU

用于深度学习的GPU的高速取决于什么？是CUDA核？时钟速度？还是RAM大小？这些都不是。影响深度学习性能的最重要的因素是显存带宽。GPU的显存带宽经过优化，而牺牲了访问时间（延迟）。CPU恰恰相反，所用内存较小的计算速度快，比如几个数的乘法（3*6*9）；所用内存较大的计算慢，比如矩阵乘法（A*B*C）。GPU凭借其显存带宽，擅长解决需要大内存的问题。

所以，购买快速GPU的时候，先看看带宽。

⑸ 计算能力：哪些GPU更适合深度学习和数据库

深度学习需要具备三个因素，1，算法 2，GPU机器 3，数据库。GPU选择的话，由于一般的深度学习都不需要单精度，所以性价比最高的GPU是GTX系列，比如TItan x，titan x是现在深度学习用的最多的卡。需要了解更多，可以私信我。

⑹ 深度学习是哪年流行起来的，难吗

虽然产业内外均能感受到近年来人工智能火热的浪潮，但是其实人工智能技术并不是近几年才出现。从上世纪五六十年代开始，人工智能算法以及技术就曾一度出现过火热，随着时间发展也不断地演进和进化，并经历了由热转衰的过程。
最近几年内，人工智能已让我们每个人感受到其非常火热、持续发展的状态。因此，我们认为，这一轮人工智能的快速发展得益于多年来的IT技术飞速发展，从而为人工智能带来了算力、算距，以便对人工智能算法提供支撑。
企业对于人工智能技术的研发以及各种人工智能应用不断落地，直接推动了整体人工智能产业的飞速发展。整体人工智能的核心产业的产业规模已经接近1000亿元，可以说是规模巨大的行业之一了。而且从未来的发展趋势来看，预计今年，整体市场规模就会达到1600亿元，所以增长速度还是非常迅速的。如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。
那么什么是深度学习呢？
深度学习是实现机器学习的一种技术。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。

⑺ 现在跑机器学习（深度学习）有必要话几十万买设备吗可以云计算吗

几千块钱的显卡就足够了
这个问题其实还是根据你实际任务的价值来定，如果你的项目经费有几百万，你评估使用技术能高效率很高的话，那么几十万的设备还是划算的，
但是如果你只是学习，或者是做比较浅的应用的话，那就不建议你考虑这么贵的设备了
云计算也是一个错的方式，未来很多计算可能会以云计算付费的形式来完成，现在很多云平台已经出售了深度学习算力，你可以关注一下，总之你现在没必要花几十万来买设备

⑻ 自己的电脑可以跑深度学习吗

自己的电脑可以跑深度学习，但是对电脑还是要有点要求的，毕竟跑代码，以及深度学习很费时间的。

⑼ 如何评价 MXNet 被 Amazon AWS 选为官方深度学习平台

能够让AWS放弃自己造的轮子，并且明确的表示会支持一个主要由开源社区开发的系统，其实非常不容易。对于AWS来说，最关心的是用户体验，然后是买资源赚钱。这里最保险的是支持所有流行的DL框架。但AWS能够强调说未来会大力投入MXNet，主要是对框架的发展前景，和小伙伴们工作的肯定。（例如我今早得知Amazon CTO发blog了，第一反应是CTO是谁，怎么没听说过？）

MXNet最早就是几个人抱着纯粹对技术和开发的热情做起来的兴趣项目，既没有指望靠它毕业，也没想着用它赚钱。能够一步一步慢慢的扩大，我觉得最重要的是每个小伙伴对这个事情的投入，和抱着降低深度学习门槛的使命。也是让大家只需要关心“数据量和运算量”，而不是如何有效实现利用硬件；只需要“数学公式写好，根本就不想知道你支持哪些layer，分别是干什么的”，不用管自动求导如何训练；只需要“把手上的数据交出去给云即可，然后花钱租算力”，而不是云上如何管理如何优化。

⑽ 人工智能前景好么深度学习优势什么

虽然产业内外均能感受到近年来人工智能火热的浪潮，但是其实人工智能技术并不是近几年才出现。从上世纪五六十年代开始，人工智能算法以及技术就曾一度出现过火热，随着时间发展也不断地演进和进化，并经历了由热转衰的过程。
最近几年内，人工智能已让我们每个人感受到其非常火热、持续发展的状态。因此，我们认为，这一轮人工智能的快速发展得益于多年来的IT技术飞速发展，从而为人工智能带来了算力、算距，以便对人工智能算法提供支撑。
最近几年内，企业对于人工智能技术的研发以及各种人工智能应用不断落地，直接推动了整体人工智能产业的飞速发展。整体人工智能的核心产业的产业规模已经接近1000亿元，可以说是规模巨大的行业之一了。而且从未来的发展趋势来看，预计今年，整体市场规模就会达到1600亿元，所以增长速度还是非常迅速的。
深度学习的优点？
为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
如果对人工智能和深度学习有兴趣，可以去看看中 公 教 育和中 科 院联合的AI 深度学习 课程，都是中科院专 家亲 自授 课