深度学习算力挖矿
『壹』 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。
『贰』 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
『叁』 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。
『肆』 深度学习的好处
深度学习的主要优点如下：
优点1：学习能力强
从结果来看，深度学习具备很强的学习能力，表现非常好。
优点2：覆盖范围广，适应性好
深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。
优点3：数据驱动，上限高
深度学习高度依赖数据，数据量越大，它的表现就越好。在图像识别、面部识别、NLP 等领域表现尤为突出。
优点4：可移植性好
由于深度学习的优异表现，很多框架都可以使用，例如 TensorFlow、Pytorch。这些框架可以兼容很多平台。
深度学习也是有缺点的：
缺点1：计算量大，便携性差
深度学习需要大量的数据与算力，所以成本很高。而且现在很多应用还不适合在移动设备上使用。目前已经有很多公司和团队在研发针对便携设备的芯片。
缺点2：硬件需求高
深度学习对算力要求很高，普通的CPU已经无法满足深度学习的要求。
缺点3：模型设计复杂
深度学习的模型设计非常复杂，需要投入大量的人力物力和时间来开发新的算法和模型。大部分人只能使用现成的模型。
缺点4：没有”人性”，容易存在偏见
由于深度学习依赖数据，并且可解释性不高。在训练数据不平衡的情况下会出现性别歧视、种族歧视等问题。
『伍』 什么是深度学习如何保持深度学习
现在的科技发展速度非常快，对于智能设备将是一个发展方向，而其实我们以为的智能设备并不具备我们这样的学习能力，他们是通过无数图片，视频去发现其中的学习秘密，然后慢慢发展成为智能化的，其中大家最熟知的就是深度学习这个词了，但是很多人不知道什么是深度学习？如何保持深度学习？其实简单来说就是电脑芯片的深度挖掘，可以让芯片处于长时间的工作达到保持深度学习。
这里其实我们就可以看做平时挖矿人员，用显卡去挖矿，不是一张显卡就能搞定的，需要弄很多显卡成一个工作室，来同时不间断挖矿，但是这也是非常消耗芯片寿命的，这样的显卡一般寿命都无法保证，说个题外话，也不建议懂电脑的人去买矿卡，虽然便宜但是没有任何保证，说不定哪天打游戏就突然挂了，这是没有任何维修的，不要贪图这种小便宜。
『陆』 lhr版本显卡是什么意思
lhr显卡的意思是低哈希运算的显卡，这种显卡彻底地锁了挖矿算力。需要注意的是，这些锁算力的新显卡，早期的NVIDIA显卡驱动是不能使用的，用户需要到NVIDIA网站下载最新的驱动程序使用。
显卡：
是个人计算机基础的组成部分之一，将计算机系统需要的显示信息进行转换驱动显示器，并向显示器提供逐行或隔行扫描信号，控制显示器的正确显示，是连接显示器和个人计算机主板的重要组件，是人机的重要设备之一，其内置的并行计算能力现阶段也用于深度学习等运算。
显卡所支持的各种3D特效由显示芯片的性能决定，采用什么样的显示芯片大致决定了这块显卡的档次和基本性能，比如NVIDIA的GT系列和AMD的HD系列。
衡量一个显卡好坏的方法有很多，除了使用测试软件测试比较外，还有很多指标可供用户比较显卡的性能，影响显卡性能的高低主要有显卡频率、显示存储器等性能指标。
『柒』 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）
『捌』 哪家服务商GPU更适合深度学习领域
现在基本上都会选择云服务让电脑上云，租用云服务器的方式来完成深度学习领域需要的高配电脑服务。
总体而言，NVIDIA目前最适合深度学习的GPU是RTX3080和RTX3090。RTX系列显卡对于深度学习来说最大的优势在于专为神经网络设计的运算单元——Tensor Core（张量核心），而RTX30系列性能的提升是上一代产品图灵架构的2倍。
根据测评参数，NVIDIA旗舰显卡RTX3080拥有8704个CUDA核心，272个TMU，88个ROP，以及68个SM。Tensor Core数量达到544个，RT Core为136个。
其中，被称为GPU“猛兽”的RTX 3090 使用代号为 GA102 的核心，和前代泰坦一样拥有 24G 显存，但型号升级为 DDR6X（镁光提供），显存速度 19.5Gbps，384bit 位宽，拥有 10496 个等效 CUDA 核心，相比 GeForce RTX 2080 Ti，3090 的核心数量增加一倍不止。
不过，自2020年9月上市以来，RTX3080和RTX3090一直处于一卡难求的状态，市场价更是涨了7倍，而供货商甚至无法预测具体的供货时间。
对于企业和实验室的科研人员而言，要在预算范围内购买最新的GPU，特别是RTX3080和RTX3090这类旗舰显卡难以实现；进行整机配置时，需要考虑多个因素，比如电源、机箱体积，主板的PCle卡槽等，这时候，云电脑在GPU算力上的选择则更为灵活和方便。
『玖』 深度学习和挖矿对于显卡来说啥区别
具体效果以实际运行情况为准，
不同配置的运行效果都是不同的。