深度学习算力
A. 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！
B. 人工智能，大数据与深度学习之间的关系和差异
说到人工智能(AI)的定义，映入脑海的关键词可能是“未来”，“科幻小说”，虽然这些因素看似离我们很遥远，但它却是我们日常生活的一部分。语音助手的普及、无人驾驶的成功，人工智能、机器学习、深度学习已经深入我们生活的各个场景。例如京东会根据你的浏览行为和用户的相似性，利用算法为你推荐你需要的产品；又比如美颜相机，会基于你面部特征的分析，通过算法精细你的美颜效果。还有众所周知的谷歌DeepMind，当AlphaGo打败了韩国职业围棋高手Lee Se-dol时，媒体描述这场人机对战的时候，提到了人工智能AI、机器学习、深度学习等术语。没错，这三项技术都为AlphaGo的胜利立下了汗马功劳，然而它们并不是一回事。
人工智能和机器学习的同时出现，机器学习和深度学习的交替使用......使大部分读者雾里看花，这些概念究竟有何区别，我们可以通过下面一个关系图来进行区分。
图二：数据挖掘与机器学习的关系
机器学习是数据挖掘的一种重要方法，但机器学习是另一门学科，并不从属于数据挖掘，二者相辅相成。数据挖掘是机器学习和数据库的交叉，主要利用机器学习提供的技术来分析海量数据，利用数据库界提供的技术来管理海量数据。
不管是人工智能、机器学习、深度学习还是数据挖掘，目前都在解决共同目标时发挥了自己的优势，并为社会生产和人类生活提供便利，帮助我们探索过去、展示现状、预测未来。
C. 给人工智能提供算力的芯片有哪些类型
给人工智能提供算力的芯片类型有gpu、fpga和ASIC等。
GPU，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器，与CU类似，只不过GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。
FPGA能完成任何数字器件的功能的芯片，甚至是高性能CPU都可以用FPGA来实现。 Intel在2015年以161亿美元收购了FPGA龙 Alter头，其目的之一也是看中FPGA的专用计算能力在未来人工智能领域的发展。
ASIC是指应特定用户要求或特定电子系统的需要而设计、制造的集成电路。严格意义上来讲，ASIC是一种专用芯片，与传统的通用芯片有一定的差异。是为了某种特定的需求而专门定制的芯片。谷歌最近曝光的专用于人工智能深度学习计算的TPU其实也是一款ASIC。
(3)深度学习算力扩展阅读：
芯片又叫集成电路，按照功能不同可分为很多种，有负责电源电压输出控制的，有负责音频视频处理的，还有负责复杂运算处理的。算法必须借助芯片才能够运行，而由于各个芯片在不同场景的计算能力不同，算法的处理速度、能耗也就不同在人工智能市场高速发展的今天，人们都在寻找更能让深度学习算法更快速、更低能耗执行的芯片。
D. 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）
E. 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。
F. 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
G. 人工智能，机器学习与深度学习，到底是什么关系
有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。这些评价可以说都是正确的，就看你指的是哪一种人工智能。
今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。
今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。
向左转|向右转
人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。
即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。
不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。
我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。
吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
|深度学习，给人工智能以璀璨的未来
深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
人工智能就在现在，就在明天。有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了，你有你的终结者就好了。
H. 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
I. 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。
J. 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?
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。
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。