深度学习的完整硬件指南
深度学习是非常消耗计算资源的，毫无疑问这就需要多核高速的CPU。但买一个更快的CPU有没有必要？在构建深度学习系统时，最糟糕的事情之一就是把钱浪费在不必要的硬件上。本文中我将一步一步教你如何使用低价的硬件构建一个高性能的系统。
这些年来，我总共搭建了7个不同的深度学习工作站，尽管经过了仔细的研究和推理，我在选择硬件时也犯了很多错误。在这篇文章中，我将分享我这些年的经验，帮助你避免同样的错误。
这篇博客的顺序是按照我犯错的严重程度编排的，所以我首先提到的是那些使人浪费最多钱的错误。
假设你将用GPU来进行深度学习或者你正在构建或者升级用于深度学习的系统，那么抛开GPU是不合理的。GPU是深度学习应用的心脏——训练过程速度的提升是非常的大的，不容忽视。
我在GPU推荐博客中对如何选择GPU讲的非常详细，如何选择GPU在深度学习系统中相当关键。在选择GPU时，你可能会犯这三个错误：（1）性价比不高，（2）内存不够大，（3）散热差。
性价比方面，我通常推荐 RTX 2070或者 RTX 2080 Ti。使用这些显卡的时候，你应该使用16位的模型，除此以外，eBay 的 GTX 1070， GTX 1080 和 GTX 1080 Ti 是非常好的选择，选择他们时，可以使用32位的模型，但不能是16位的模型。
在选择GPU时，要十分留意你的内存需求。在消耗同样内存的情况下，相比GTX，能跑16位模型的RTX能够训练2倍大小的模型。正是因为RTX有着内存优势，选择RTX、学习高效地使用16位模型，能够带给你更好的的使用体验。通常，对内存的要求大致如下：
在你买了多块RTX显卡时，需要留意散热问题。如果你想将 GPU 固定在彼此相邻的 PCIe 插槽中，应该确保使用带有鼓风机式风扇的 GPU。否则，您可能会遇到温度问题，并且您的 GPU 速度会变慢（约30％）并且损耗得更快。
你能否识别出因性能不佳而出现故障的硬件部分？是其中一个GPU？或者也许这是CPU的错？
购买内存最大的错误就是买了主频太高的内存。第二个错误是没有购买足够大的内存，导致在原型构建上出问题。
主频是内存公司引诱你购买“更快”的内存的一种营销手段，实际上几乎没有产生任何性能的提升。这个关于RAM的视频很详细地解释了内存在Linux上的技术窍门：内存速度真的重要吗？
此外，重要的是要知道内存速度与快速CPU RAM-> GPU RAM传输几乎无关。这是因为（1）如果你使用固定内存（pinned memory），那么你的mini-batch会直接传输到GPU中而不需要CPU的干预，（2）如果你不使用固定内存的话，快的和慢的内存获得的性能差别只有0-3%——把你的钱花到别处去！
内存大小不会影响到深度学习的性能。但是，它可能会阻碍你轻松执行GPU代码（无需交换到磁盘）。你应该有足够的内存来愉快地配合GPU工作。这意味你至少应该有匹配GPU的内存大小。比如说，如果你有一张24GB显存的Titan RTX，那你至少应该有24GB的内存。但是，如果你有多块GPU的话，你不需要更多的内存。
“在内存上匹配最大的GPU显存”策略在于，如果你在处理大数据集时，你可能够还是会内存不足。最好的方式是和你的GPU匹配，如果你觉得内存不够，再买更大的内存。
另外一个不同的策略受心理学的影响：心理学告诉我们，专注是一种随着时间推移而耗尽的资源。内存是为数不多的硬件之一，可以让您浪费专注的精力，从而聚焦在解决更困难的编程问题。如果你有更多的内存，你可以将注意力集中在更紧迫的事情上，而不是困扰在内存瓶颈上浪费了大量时间。有了大量内存你就可以避开这些瓶颈，为更为紧急的问题节约时间，提升效率。特别在Kaggle比赛中，我发现有着额外的内存对于特征工程是非常有帮助的。如果资金足够，并且好做大量的预处理工作，那么增加额外的内存是一个非常好的选择。按照这个策略，现在就要考虑购买更多、实惠的内存，而不是后面再考虑。
人们常犯的最大错误是花太多的时间纠结CPU的PCIe通道数。其实，你并不需要太在意CPU的PCIe通道数。取而代之的是，应该注重你的CPU和主板的组合是否能够支撑起想要运行的GPU数量。第二个最常见错误是购买功能过于强大的CPU。
很多人痴迷于PCIe的通道数。然而，事情的真相是PCIe（的通道数）几乎不会影响深度学习的表现。如果你只有一个单一的GPU，PCIe通道唯一的作用是能够快速地将数据从你的CPU 内存中转换到GPU 内存中。但是，一个具有32张图片的ImageNet数据集批次（数据集的shape为32*225*225*3）和32位模型，在16通道PCIe上训练需要1.1毫秒，在8通道上需要2.3毫秒，在4通道上需要4.5毫秒。这些仅仅是理论上的数值，而在实际中你常常会发现PCIe会比理论速度慢上两倍——但是它仍然像闪电一样快。PCIe 通道的延时通常在纳秒范围内，因此其延时问题可以被忽视。
综上考虑后，我们提出了使用152层残差网络训练一个具有32张图片的小批量ImageNet数据集所需的时间，如下所示：
因此将4通道的PCIe换成16通道的PCIe将给你的训练表现带来大概3.2%的提升。然而，如果你的pyTorch数据下载器含有CUDA页锁定内存，那么（改变PCIe的通道）其实给你的训练表现带来的提升是0%。所以如果你仅使用1个GPU，那么不要把你的钱浪费在PCIe上！
当你在选择CPU的PCIe通道和主板PCIe通道时，（一定要）明确所选的CPU和主板组合能够支持期望的GPU数量。如果你买了一个支持2个GPU的主板，并且你最终确实需要用到2个GPU，那么就需要确认你购买的CPU能够支持2个GPU，而没有必要纠结PCIe的通道数。
如果你在多GPU上并行的训练数据时，PCIe的通道数是重要的吗？针对这个问题我在2016年的ICLR会议中发表了一篇论文，而且我可以告诉你如果你有96个GPU那么PCIe的通道数确实非常重要。然而如果你只有4个或者更少的GPU，那么PCIe通道数的影响不大。如果在两到三个GPU上训练，我完全不会关心PCIe的通道数。当我使用四个GPU训练时，我才会确保每个GPU都能够得到8条PCIe通道的支持（总共32条PCIe通道）。由于几乎没有人会在超过4个GPU上面运行一个系统，那么记住一个经验准则：不要为了在每个GPU中得到更多的PCIe花额外的钱——这没有必要！
为了能够在CPU上作出明确的选择，我们首先需要了解CPU以及它和深度学习间的关系。CPU为深度学习做了什么？当你在一个GPU上运行你的深度网络时，CPU仅进行很简单的运算。它主要主要(1)启动GPU函数调用，(2)执行CPU函数。
目前，CPU最大的应用是数据预处理。常用的两种数据预处理策略有着不同的CPU需求。
一种策略是在训练过程中进行预处理：
第二种预处理策略是在训练之前进行预处理操作：
2. 循环以下（两个）步骤：导入小批量数据训练小批量数据
对于第一种策略，一个多核CPU可以明显地加强训练表现。对于第二种策略，你不需要一个很好的CPU。对第一种训练策略，我建议每个GPU至少有4个线程——通常每个GPU有两个核心。我没有对此进行严格的测试，但是每增加一个核心/GPU应该有0-5%的额外性能提升。
对于第二种策略，我建议每个GPU最少有2个线程——通常每个GPU有一个核心。如果你使用第二种策略，那么更多的内核并不会给你带来明显的性能提升。
当人们考虑（购买）快速的CPU时，他们通常首先查看时钟频率。4GHz的CPU比3.5GHz的好，是吗？这对于比较具有相同结构的处理器来说通常是正确的，例如“Ivy Bridge微架构”，但是对于不同架构的处理器来说这并不好比较。此外，CPU主频并不总是衡量性能的最佳方法。
在深度学习中CPU仅仅做一些微不足道的计算：增加一些参数，评估布尔表达式，在GPU或程序内进行函数调用——这些都取决于CPU核心的时钟频率。
虽然这些理由看似合理，但是当我运行深度学习程序时却发现CPU使用率为100%，那么这是为什么呢？为了找寻答案，我做了一些CPU降频实验。
在MNIST和ImageNet数据集上的GPU降频实验：不同CPU时钟频率的性能以训练200个epoch的MNIST数据集和50个epoch的ImageNet数据集所花费的时间来衡量，其中最大的时钟频率作为每个CPU的基线。作为比较：从GTX 680升级到GTX Titan的性能提升约为 15％;从GTX Titan到GTX 980又提升20％的性能; GPU超频可为任何GPU带来5％的性能提升。
值得注意的是，这些实验是在落后过时的硬件设备上进行的，然而，对于现代的CPU/GPU它的结果仍然不变。
一般来说硬盘不是深度学习的瓶颈。但也别整这种蠢事儿：当你从一个100MB/s的硬盘读取mini-batch为32的ImageNet时候，需要185毫秒。你可以在数据使用前异步加载数据（比如说torch vision loader），因为加载数据需要185毫秒而ImageNet上运行的大多数DNN需要200毫秒来计算。我们完全可以提前加载下一个mini-batch来避免性能损失。
从生产效率来说，我推荐SSD，因为程序启动反应更快，大文件的预处理速度也更快。另外，NVMe SSD会带给你更好的使用体验。
你得确保你的电源能够满足所有预留GPU的功率需求。一般来说，GPU能耗会越来越低，所以不用更换电源，买个好的电源是个值当的买卖。
在计算需要的功率时，你最好加上所有CPU和GPU功耗的10%作为功率峰值的缓冲。举个例子，你有四个250瓦的GPU和一个150瓦的CPU，那我们需要一个最少4×250 + 150 + 100 = 1250瓦的电源。一般我会加上至少10%来确保一切正常，那么在这种情况下一共需要1375瓦。最后我会买一个1400瓦的电源。
你得注意有些电源即使达到了要求的功率，但是没有足够的8针或者6针PCIe插槽接口。你得多多注意这点。
另外请尽量购买高功率功效的电源——特别是你运行多个GPU且长时间运行。
满负载运行一个4GPU系统（1000-1500瓦）来训练卷积神经网络两周会消耗300-500千瓦时。德国每千瓦时的价格是20分，所以会用60-100欧（66-111美金）。刚刚我们假设的电源效率是100%，如果使用的是效率是80%的电源，还要额外消耗18-26欧。使用单颗GPU的话，会少很多。但是不影响重点：值得在高效电源上多花点儿钱。
全天候的使用一些GPU会显著的增加你的碳排放足迹，甚至这比你的交通（譬如飞机）和其他因素还要多。如果你想要负责的话，可以用纽约大学机器学习语言组（ML2）- 很容易办到，也很便宜，可以作为深度学习研究院的标准。
冷却非常重要，是整个系统中一个重要的瓶颈。相比较于糟糕的硬件选择，它更容易降低性能。对于CPU，你可以使用标准散热器或者一体化（AIO）水冷解决方案。但是对于GPU，你需要特别注意。
如果你有多颗GPU并且他们中间有足够的空间（在3-4颗GPU的位置放置2颗GPU），风冷是安全可靠的。当你想去冷却3-4颗GPU的时候，可能会犯一个巨大的错误。这时候你需要认证考虑在这个案例中的选择。
运行一个算法的时候，现代GPU会提高他们的速度以及功耗，直至最大值。一旦GPU达到温度临界值（通常为80°C），GPU就会降低运算速度防止达到温度阙值。这样可以在保持GPU过热的同时实现最佳性能。
对于深度学习程序而言，典型的风扇速度预编程时间表设计得很糟糕。启动一个深度学习程序后几秒钟就会达到温度阙值，结果就是性能会下降0-10%。多个GPU之间相互加热，性能会下降的更明显（10%-25%）。
因为 NVIDIA GPU 在大部分情况下是作为游戏 GPU，它们对windows进行了优化。在Windows中点一点鼠标就能改变风扇计划的方式在Linux中行不通。可是大多数深度学习库都是针对Linux编写。
如果你有一台Xorg服务器（Ubuntu），唯一的选项是用“coolbits”来设置温度。对于单个GPU来说，这种方法非常奏效。当有多个GPU的时候，其中一些没有监视器，模拟出监视器来监测他们是很艰难晦涩的工作。我曾经花过很长的时间尝试使用实时启动CD来恢复我的图形设置，但是从没有在无监视器GPU上成功运行过。
在风冷系统下运行3-4颗GPU需要尤其重视风扇设计。“鼓风机式”风扇设计让冷风进入GPU，然后从机箱背部吹出热风。“非鼓风机式”风扇吸入GPU附近的空气来冷却它。但是如果是多颗GPU，那么它们的周围就没有冷空气，使用“非鼓风机式”风扇的GPU会越来越热，最终通过降低性能来降温。我们应该不惜一切代价来必变在3-4颗GPU的环境中使用“非鼓风机式”风扇。
另一种更棒更昂贵的方式是使用水冷系统。如果你只有一颗GPU或者两颗GPU之间有足够的空间（比如在3-4颗GPU的主板上有两颗GPU），我不建议使用水冷系统。在4GPU配置中，水冷保证即使最强劲的GPU也能保持低温，而这在风冷中是不可能实现的。水冷的另一个优点是运行很安静，这对于在公共区域运行多GPU来说是一个巨大的优势。每颗GPU需要100美金的成本安装水冷，另外需要一些额外的前期成本（大约50美金）。组装有水冷的计算机也会需要一些额外工作，但是不用担心，会有详细的指南来指导你安装，仅仅需要你多付出几个小时。维护工作也没有那么的复杂费力。
大型的塔式服务器在GPU位置有额外的风扇，所以我为深度学习集群购买了他们。然后我发现太不划算了，只下降了2-5°C却要付出大量的投资。最重要的部分是直接在GPU上安装冷却系统，完全没必要为冷却系统买贵不啦叽的壳子。
对于一个GPU来说，风冷足够了。如果你有多个GPU， 你可以在接受性能损失（10% - 15%）的情况下使用“鼓风式”风冷系统，或者花更多的钱购置水冷系统，虽然难以设置但是它可以保证没有性能损失。对于不同的场景，我们可以因地制宜选择风冷或者水冷。我建议使用风冷就好--使用“鼓风式”GPU。如果你想使用水冷， 请使用一体化水冷（AIO）方案。
你的主板上应该有足够的PCIe端口来支持你需要运行的GPU数量（即使你有更多的PCIe 插槽，但是一般限制最多4颗GPU）；另外，铭记大部分GPU都会占据两个PCIe卡槽的宽度，所以如果想使用多颗GPU，请确保购买的主板有足够的预留空间。主板不仅需要有足够的PCIe插槽位置，而且需要支持你购买的GPU。在新蛋上你可以查看到对应主板的信息和PCIe情况。
麻烦买个能放下全尺寸长度GPU的机箱。大部分的机箱都没问题，不过还是查看尺寸规格来确保没有买了个小号的；或者你可以尝试在google image里面搜索这款儿，然后看有没有有GPU在里面的图片。
另外如果使用定制化水冷系统，得确保你的机箱有足够空间来放置散热器。因为每个GPU的散热器都需要单独的空间。
刚开始吧我觉得写一些关于显示器的心得很蠢，但是它们各不相同，所以我还是整点话吧。
花在我的3台27寸显示器上的钱是我最值当的投资了。当使用多显示器的时候，生产力提升很多。只有一台显示器的话，我会感觉完全干不了活。在这事儿上别妥协，如果干活不开森，深度学习系统再快有啥意思咧？
我一般这么搁我的显示器：左边看论文，搜搜google，收收邮件，瞅瞅stackoverflow；中间就用来写代码；右边放一些杂七八啦的玩意儿，比如输出界面辣，文件夹辣，系统、GPU监视器辣，待办事项辣。
因为硬件很贵，很多人怕犯错，一提到DIY计算机就怵得慌。其实特简单这事儿，因为不匹配的零件也组装不到一起对不对？主板手册啊，指南啊以及网络视频啊也会教小白的你如何组装这些玩意儿。
自己组装计算机的好处是，你整了一次就啥都全明白了，这辈子也忘不掉。计算机么，都大差不差，别怂！
来自eBay的RTX 2070 、RTX 2080 Ti、 GTX 1070 、GTX 1080, 和 GTX 1080 Ti 是非常好的选择。
每个GPU分配1-2个两个核心，这取决于你是怎么处理数据的。频率 > 2GHz。CPU应该要能够支持你要运行的GPU数量。PCIE通道并不重要。
- 时钟频率不重要 - 买最便宜的内存
- 最少要购买和你最大的GPU显存大小的内存
- 只有在需要的时候购买更多的内存
- 如果你经常处理大数据集的话更多的内存是非常有帮助的
- 使用SSD可以快速处理小数据集
- 把GPU和CPU需要的功率瓦数加起来，然后乘以总数的110%得到需要的功率瓦数
- 如果使用多个GPU，要选择高效率的电源。
- 确保电源有足够的PCIE接口（6+8引脚）
- CPU：使用标准的CPU散热或者是一体式的水冷解决方案
- 如果购买多个GPU的话使用“鼓风式”的风扇
- 在Xorg配置中设置coolbits标志以控制风扇速度
- 为（未来的）GPU预留尽可能多的PCIe插槽（一个GPU需要两个插槽;每个系统最多4个GPU）
- 一个额外的显示器比一个额外的GPU更能提高你的效率
本文编辑：Pita
英语原文：
想要继续查看该篇文章相关链接和参考文献？
深度学习的完整硬件指南
福利大放送——满满的干货课程免费送！
「好玩的Python：从数据挖掘到深度学习」该课程涵盖了从Python入门到CV、NLP实践等内容，是非常不错的深度学习入门课程，共计9节32课时，总长度约为13个小时。。
「计算机视觉基础入门课程」本课程主要介绍深度学习在计算机视觉方向的算法与应用，涵盖了计算机视觉的历史与整个课程规划、CNN的模型原理与训练技巧、计算机视觉的应用案例等，适合对计算机视觉感兴趣的新人。
现AI研习社将两门课程免费开放给社区认证用户，只要您在认证时在备注框里填写「Python」，待认证通过后，即可获得该课程全部解锁权限。心动不如行动噢~
原创文章，未经授权禁止转载。详情见 转载须知 。
许昌豆宝宝食品有限公司是一家生产销售许昌腐竹的公司,欢迎咨询许昌腐竹相关问题。
当代广西网是由当代广西杂志社主管、主办的地方综合类新闻网站，是当代广西杂志社全力打造的新晋广西主流网络媒体，是外界了解广西，获取广西信息的重要窗口和主要桥梁。
佰益建建站平台是专业的企业网站建设模板站,是企业快速建站的快速选择,五合一建站平台,企业网站建设建好网站
庞哲服饰成都制衣厂是成都地区职业装定做,工作服制服制作,西服订做,衬衫衬衣加工,高档T恤,广告文化衫定制,劳保服加工订做等服装批发厂家,热线电话028-87363833,四川成都企业团体服装订制知名厂家,成都品牌服装设计公司.
吴江永强电热电器厂专业从事热处理温控箱，履带式陶瓷电加热器，电焊条烘干箱，焊剂烘干机，工业电阻炉等电热设备的研发和生产,并承接焊前预热、焊后消氢等焊接热处理工程,欢迎致电咨询
风趣爱康之家（ikang.org）是一个类风湿性关节炎公益论坛，康友们可以在一起交流类风湿关节炎的治疗和康复，讨论类风湿的相关问题，共同对付类风湿关节炎，避免上当受骗。在这里没有包治百病的广告，纯粹是患者之间的直接交流。类风湿患者网上论坛,类风湿患者交流网
瓷器网汇集湖南醴陵优秀的陶瓷品牌和陶瓷生产厂家，提供全面的陶瓷招商加盟、陶瓷企业、陶瓷产品、陶瓷人才、陶瓷资讯、陶瓷大师、陶瓷展会、陶瓷知识、陶瓷品牌、醴陵陶瓷商城等全方位陶瓷行业信息。
极飞科技是一家以“提升农业生产效率”为使命，构建“无人化”农业生态系统的智慧农业科技公司。成立14年来，极飞自主研发并制造了农业无人机、农业无人车、农机自驾仪、农业物联网、遥感无人机、智慧农业系统等智慧农业产品线。
微商筹货网免费提供微商货源信息发布，聚集了优质的微商货源厂家，主打男装、女装潮牌、手表、奢侈包包、配饰、运动鞋等微商货源及特色爆款网红产品，想要一手货源就到微商筹货网，支持免费一件代发微信货源平台。
OneThingAI算力云是一个提供AI算力、GPU服务的算力平台，为开发者、企业打造集AI训练推理、科学计算、图形图像处理、云渲染等一站式、全方位的算力云服务解决方案。
四川弘芯氟醚科技有限公司,四川全氟醚橡胶厂家,提供耐腐蚀全氟醚O型圈,密封件定制与批发,四川弘芯氟醚科技有限公司配备了1600平米无尘车间及300平米无尘研发中心——凭借行业标准的污染控制,齐全的无尘车间环境可提供优质的产品,对于半导体客户,我们可以开发业界先进的全氟醚橡胶,满足严格的质量和洁净度要求,弘芯氟醚全氟醚O型圈为工程师们提供了适用于各种静态和动态应用的高性能密封元件
雷锋网AI开发者讯，日前，神经信息处理系统大会，NeurIPS2019，于12月8日至14日在加拿大温哥华举行，中国科学院自动化研究所及其南京人工智能芯片创新研究院联合团队在本次大会的神经网络压缩与加速竞赛，MicroNetChallenge，中获得双料冠军！以模型压缩和加速为代表的深度学习计算优化技术是近几年学术界和工业界最为关注的...。
雷锋网AI科技评论按，对于机器学习而言，区分异常数据或有显著差异数据至关重要，谷歌在NeurIPS2019论文中提出并发布了针对基因组序列OOD检测的现实基准数据集，进而提出一种基于似然比的解决方案，可显著提高OOD检测的准确性，AI科技评论将谷歌对该方法的官方解读编译如下，深度学习科学家要成功部署机器学习系统，需要系统能够区分出异常...。
雷锋网AI科技评论按，本文来自德国Fraunhofer协会IAIS研究所的研究科学家MichaelGalkin，他的研究课题主要是把知识图结合到对话AI中，雷锋网AI科技评论全文编译如下，必须承认，图的机器学习，MachineLearningonGraphs，已经成为各大AI顶会的热门话题，NeurIPS当然也不会例外，在NeurIP...。
8月10日至16日，IJCAI2019在中国澳门隆重召开，经过3天Workshop和Tutorial的前期预热和酝酿，8月13日，IJCAI大会正会终于迎来万众期待的开幕式，AI科技评论在现场为大家带来全程报道，IJCAI50周年与中国人工智能40周年首位为大会开幕式致辞的是今年IJCAI的大会主席ThomasEiter，一句，欢迎，...。
字幕组双语原文，时间卷积网络，时间序列的下一场革命，英语原文，TemporalConvolutionalNetworks，TheNextRevolutionforTime，Series?翻译，雷锋字幕组，君思，这篇文章回顾了几个最新的基于TCN的解决方案，我们首先介绍运动检测的案例研究，并简要回顾一下TCN架构及其相对于传统方法，如卷...。
语音播放文章内容由深声科技提供技术支持您的浏览器不支持audio元素，雷锋网AI科技评论按，2019年12月8日，14日，机器学习领域国际顶级会议NeurIPS2019于加拿大温哥华拉开帷幕，此次大会共吸引了全球1万余名专家学者共赴盛会，本年度，自然语言处理领域在深度学习浪潮下取得了显著成就，成为大会重要议题之一，百度举办了自然语言处...。
雷锋网AI科技评论按，2018年，AI研习社又为大家呈上了一系列公开课，AI研习社的粉丝们也再度与我们相伴走过了一年，作为一个针对AI开发者的公开课类目，，猿桌会，自去年推出以来广受各位的喜爱，在今年雷锋网AI研习社依旧以最饱满的诚意为大家邀请了领域内的各路大神进行分享，具体内容涵盖深度学习开源框架、神经网络调参和优化、开发语言使用技...。
雷锋网AI科技评论按，2019年底、2020年初，许多机器学习界活跃的教授、研究员们投身参与了一场的突如其来的讨论，深度学习是什么，在过去十年汹涌而来的深度学习浪潮中，大家对深度学习在应用中体现出的各种特点已经非常熟悉了，但毕竟深度学习的理论仍未建立完善，更重要的是，大家已经意识到了深度学习的种种限制，那么想要破除限制、实现更高级的智...。
AI时代下，人人都在讲开源，OpenSource，开源一词，可以说是近些年人工智能领域最热门的主题词之一，从概念上理解，开源全称为开放源代码，指企业，开发者，普通终端用户能够利用源代码在其基础上进行修改和学习，这一概念从提出至今，已经历三十年的发展，从最初Linux开源操作系统，到Github平台社区的建立，再到Tenseflow等...。
语音播放文章内容由深声科技提供技术支持您的浏览器不支持audio元素，雷锋网AI研习社按，本周五，11月27日，晚8，00点，，大讲堂，第17讲邀请到了安智汽车视觉事业部检测算法负责人刘炎来分享，本场主题为，人工智能及其算法——机器学习和深度学习，上一期我们主要聚焦文本纠错技术，这次我们来讲讲机器学习和深度学习算法，本次分享依旧对AI...。
以下为RiseML对谷歌TPUv2和英伟达TeslaV100的对比评测，雷锋网AI科技评论将其内容编译如下，谷歌在2017年为加速深度学习开发了一款的定制芯片，张量处理单元v2，TPUv2，TPUv2是谷歌在2016年首次公开的深度学习加速云端芯片TPUv1的二代产品，被认为有着替代英伟达GPU的潜在实力，RiseML此前撰写过一篇...。
雷锋网按，Google的TensorFlow是AI学习者中使用率最高、名气也最大的深度学习框架，但由于TensorFlow最早是基于Google的需求开发的，在实际使用上也会存在如文档乱、调试难等诸多缺点，而且开发时间比较早未能及时对一些新的需求进行反应，据雷锋网了解，由于缺乏类似PyTroch、DyNet的动态图功能，Lecun就不...。
小气茶自创立开始，始终坚持口感至上，旨在用匠心为您还原一杯好茶，以奶霜茶与水果茶为主打，新颖的萃取方式，打造一杯，知心，茶饮，为您的生活重新定义，在这里我们不仅是一杯奶茶，更是一种全新的生活方式，捧上一杯符合自己心情的，小气茶，...。
20岁的安森美是如何衍生至今，开始定义自动驾驶的，自1999年从摩托罗拉的半导体部门分拆而成立以来，到今年的8月，安森美半导体已经走过了整整20年的时间，年销售额从当时的12亿美元，增长到了2018年的近60亿美元，目前，安森美半导体主要聚焦汽车、工业以及云电源应用，比如数据中心的服务器，通信基础设施以及物联网，安森美半导体公司战略、...。
计算机视觉是人工智能技术的重要应用方向，在深度学习时代，大量以ImageNet为代表的数据集被用于训练各种视觉理解模型，从而完成图像分类、目标检测、图像分割、场景理解等任务，在ImageNet数据集中，物体往往单独出现在图像的中央区域，然而，真实的视觉世界则要丰富得多，对于人类视觉和计算机视觉而言，在场景的上下文中理解、建模对象是最重...。
译者，AI研习社，季一帆，双语原文链接，‘Must，Read，AIPapersSuggestedbyExperts，Pt2我们之前写了一篇文章，向大家推荐了一些AI必读论文，引起很好的反响，现在，我们推出了第二篇文章，这次推荐的论文依然是分量十足、诚意满满，各位推荐者都认为自己推荐的论文是AI人员必读的经典之作，不知各位读者怎么看，现...。
钉钉发布全新“低代码+AI”产品降低中小企业用AI门槛,中小企业,钉钉,代码,ai
