Macbook这种轻薄的笔记本，是搞不了深度学习的。亚马逊P2云服务，会给堆积越来越多的账单，换个便宜的服务，训练时间又太长…… 没办法，已经十多年没用过台式机的我，只能重新着手DIY装机，搭建一套自
作者：Slav Ivanov@blog.slavv.com 问耕 编译整理 量子位 出品 | 公众号 QbitAI Macbook这种轻薄的笔记本，是搞不了深度学习的。亚马逊P2云服务，会给堆积越来越多的账单，换个便宜的服务，训练时间又太长…… 没办法，已经十多年没用过台式机的我，只能重新着手DIY装机，搭建一套自己的深度学习系统。以下是我的系统搭建和测试过程。 硬件清单 之前，我在AWS亚马逊云服务上的花费是每月70美元（约480元人民币）。按照使用两年计算，我给这套系统的总预算是1700美元（约1165
来源：量子位 作者：Slav Ivanov@blog.slavv.com 编译：问耕 本文长度为4600字，建议阅读6分钟 本文教你万元打造一个深度学习系统。 Macbook这种轻薄的笔记本，是搞不了深度学习的。亚马逊P2云服务，会给堆积越来越多的账单，换个便宜的服务，训练时间又太长…… 没办法，已经十多年没用过台式机的我，只能重新着手DIY装机，搭建一套自己的深度学习系统。以下是我的系统搭建和测试过程。 硬件清单 之前，我在AWS亚马逊云服务上的花费是每月70美元（约480元人民币）。按照使用两年计算
【磐创AI导读】：本系列文章介绍了与tensorflow的相关知识，包括其介绍、安装及使用等。本篇文章是本系列文章的最后一篇。查看上篇：一文上手Tensorflow2.0之tf.keras｜三。在文末作者给出了答疑群的二维码，有疑问的读者可以进群提问。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。
选自Medium 作者：Slav Ivanov 参与：李泽南、路雪、刘晓坤 本文作者 slav Ivanov 在今年早些时候曾介绍过如何用 1700 美元预算搭建深度学习机器（参见：教程 | 从硬件配置、软件安装到基准测试，1700 美元深度学习机器构建指南）。最近，英伟达在消费级 GPU 领域又推出了 GTX 1070 Ti，如果现在想要组装一台深度学习机器，我们用哪块 GPU 最好呢？本文将详细解答这一问题。 即将进入 2018 年，随着硬件的更新换代，越来越多的机器学习从业者又开始面临选择 GPU 的
一般来说我们会在笔记本或者 PC 端编写模型和训练代码，准备一些数据，配置训练之后会在笔记本或者 PC 端做一个简单验证，如果这些代码数据都 OK 的话，然后真正的训练放在计算力更强的的计算机上面执行，一般来说至少有一块或者多块 GPU，有相当好的显存和内存，接下来实验一下。 选择一个支持 TensorFlow GPU 的计算机 当务之急是找到一块可以用于 TensorFlow 的显卡，TensorFlow 只支持在 NVIDIA 的部分高端显卡上面进行 GPU 加速， 在 NVIDIA 开发者中心可以找到
由于我们的课程是使用了深度学习技术，主要的开发过程会集中在数据处理这个环节上。这种开发任务需要我们多次频繁地执行某些小的语句块，例如训练过程需要不断地调参，对数据初始化并且进行重复地训练。
作者：丁一帆 https://www.zhihu.com/question/310387269/answer/926638382
选自GitHub 作者：Wayde Gilliam 机器之心编译 本文作者详细描述了自己组装深度学习服务器的过程，从 CPU、GPU、主板、电源、机箱等的选取到部件的安装，再到服务器的设置，可谓面面俱
深度学习，始于装机。 王新民 友情贡献 量子位 出品 | 公众号：QbitAI 研究深度学习该买一台什么样的电脑？我的笔记本能满足需求吗？ 量子位请来小伙伴，为当前的深度学习网络训练提供了两套最新的装机方案。 第一套方案是预算为8000元的深度学习标准型台式机，这款台式机能够运行市面上几乎所有的大型游戏，完美全特效不掉帧，同时还可以顺便玩一下深度学习应用，例如奇特的风格融合。这套配置可以满足目前深度学习大部分的训练需求。 第二套方案是预算为20000左右的土豪版台式机，这款台式机为工作站主板，极其稳定，能够
01 硬件选购 研究需求，遂组装一台全新的计算机，安装Ubuntu，用来运行TensorFlow，同时保留Win10，方便其他其他场合使用。因为硬件更新换代很快，各种网络结构也层出不穷。因此，考虑使用多显卡来提升系统的计算能力是有必要的。现阶段，主要购买单块显卡实现整个系统的搭建，同时保留拓展（多显卡）空间。 硬件清单如下： 📷 BOM 以上配置总共花费24173.1元人民币，购买时间主要在6月底7月初，没能赶上京东618的活动，顺便不幸的碰到了显卡缺货，所以价格上仅供参考。 1
机器之心报道 编辑；泽南、杜伟 黄仁勋：芯片每代性能都翻倍，而且下个「TensorFlow」级 AI 工具可是我英伟达出的。 每年春天，AI 从业者和游戏玩家都会期待英伟达的新发布，今年也不例外。 北京时间 3 月 22 日晚，新一年度的 GTC 大会如期召开，英伟达创始人、CEO 黄仁勋这次走出了自家厨房，进入元宇宙进行 Keynote 演讲： 「我们已经见证了 AI 在科学领域发现新药、新化合物的能力。人工智能现在学习生物和化学，就像此前理解图像、声音和语音一样。」黄仁勋说道「一旦计算机能力跟上，像
这个年代，不怕你是大牛，就怕大牛还会写文章。 作为AI100智库专家，智亮总是能在口若悬河中，让人深入浅出地学到一堆堆干货，掏心窝子的干货。 多年的实战经验，让智亮无论是在知乎解答，还是各路博客上，都是大神一样的存在。 就在前几日，跟智亮聊起来AI入门这个话题，他的滔滔江水延绵不绝实在是震惊了我，太实用了。再三要求下，智亮答应将其多年心得写出来，这一写就洋洋洒洒近万字，无论是他对未来豪情万丈般的预判，还是对于实战细致入微的解析，还是一番苦口婆心的劝导，全在里面不吐不快了。 这篇文章主要解决三个问
CPU要求：在深度学习任务中，CPU并不负责主要任务，单显卡计算时只有一个核心达到100%负荷，所以CPU的核心数量和显卡数量一致即可，太多没有必要，但是处理PCIE的带宽要到40。
应用路线：拿着Tensorflow或者Pytorch，对着教程搭一个两三层的模型，再在只有6万样本的mnist数据集上跑通。
作者 | DavidZh 当地时间 3 月 27 日，英伟达在美国圣克拉的 GTC 大会上推出多款产品。 ▌显卡扩容，史上最强的 DGX-2 发布 打头阵的是搭载英伟达 RTX（Real-Time Ray Tracing）技术的工作站显卡 Quadro GV100。 它通过并联两块 Quadro GPU 将内存扩展到了 64GB，可提供每秒 7.4 万亿次浮点运算的双精度性能，深度学习浮点运算性能每秒可达 118.5 万亿次，还支持实时的 AI 去噪。 英伟达还将 Tesla V100 的内存容量升级到
我们首先说一下深度学习在斗鱼的应用场景。斗鱼在深度学习这一块，有两个部门在做这个事，基本上就是分为两大场景，一个是大数据场景，一个是视觉场景。
《自然哲学的数学原理》是英国物理学家艾萨克·牛顿创作的物理学哲学著作，1687年首次出版。
本周四，雷锋网 AI 研习社邀请了跨国 IT 巨头 Thoughtworks 的资深数据架构师白发川，主讲线上公开课，为大家讲解 TensorFlow 在工程项目中的应用。 讲师 白发川：自我介绍一下，我是 Thoughtworks 白发川，之前一直从事大数据，后来我们开始做人工智能方向的一些尝试和工作。我们致力于将人工智能、机器学习、大数据结合在一块。在研究了了很多相关的机器学习框架之后，我们也做了自己的深度学习框架——deeplearning.scala。它由 scala 编写，目前是开源的，大家可
在面向 AI 开发的大趋势下，容器化可以将环境无缝迁移，将配置环境的成本无限降低。但是，在容器中配置 CUDA 并运行 TensorFlow 一段时间内确实是个比较麻烦的时候，所以我们这里就介绍和使用它。
本文介绍了如何使用Google Cloud Platform进行深度学习训练和部署。作者首先介绍了Google Cloud Platform的特点和优势，然后详细讲解了如何利用TensorFlow和Keras在Google Cloud Platform上部署和训练深度学习模型。作者还通过一个实际的案例演示了如何使用Google Cloud Platform进行训练和部署深度学习模型，并分享了在使用过程中需要注意的一些重要细节。
本文介绍了如何使用Google Cloud Platform进行深度学习训练和部署，包括TensorFlow、Keras、PyTorch等框架的使用。作者通过在Google Cloud Platform中创建项目、配置训练环境、使用Cloud Storage上传数据集、使用TensorFlow训练模型、将模型部署到Cloud Machine Learning Engine中等一系列操作，展示了如何使用Google Cloud Platform进行高效的深度学习训练和部署。
腾讯云比阿里云的GPU服务器更多一些，在阿里云上有时会出现没有GPU服务器或者售罄。
Caffe已经很久没有更新过了，曾经的霸主地位果然还是被tensorflow给终结了，特别是从0.8版本开始，tensorflow开始支持分布式，一声叹息…MXNet还是那么拼命，支持的语言新增了四种，Matlab/Javascripts/C++/Scala，文档也变的更漂亮了，还推出了手机上图片识别的demo[8]。 1 基本数据结构 库名称数据结构名称设计方式CaffeBlob存储的数据可以看成N维的c数组，有(n,k,h,w)四个维数，一个blob里面有两块数据空间保存前向和后向求导数据MXNetND
机器之心发布 机器之心编辑部 6 月 12 日机器之心 CVPR 2021 论文分享会上，惠普将展示一款强大的数据科学工作站。 AI 研发者们想要找到一台能够稳定跑深度学习算法的电脑，其实是一件有点挑战性的事。 DIY 是一个常见的思路，不过对于那些选择自行搭建系统的人来说，从主板到电源一切细节都要慢慢学起，还经常会遇到这样那样的问题；同时，如何保证各硬件都能协调运行，达到所需的性能，也是一大难题；另一方面，在全球芯片短缺的当下，要获得一块能满足 AI 研发需求的显卡也并非易事。在此基础上，研发者还需要自己
坊间有传MacOs系统不适合机器(ml)学习和深度(dl)学习，这是板上钉钉的刻板印象，就好像有人说女生不适合编程一样的离谱。现而今，无论是Pytorch框架的MPS模式，还是最新的Tensorflow2框架，都已经可以在M1/M2芯片的Mac系统中毫无桎梏地使用GPU显卡设备，本次我们来分享如何在苹果MacOS系统上安装和配置Tensorflow2框架（CPU/GPU）。
长话短说 这台密码破解机既不需要任何的“黑魔法”，也不需要你花大量时间和精力去组装各种乱七八糟的零配件。如果你按照这篇文章给出的方法来进行设备组装的话，你应该可以在三个小时之内搭建出一台密码破解工作站
初步尝试 Keras (基于 Tensorflow 后端)深度框架时, 发现其对于 GPU 的使用比较神奇, 默认竟然是全部占满显存, 1080Ti 跑个小分类问题, 就一下子满了. 而且是服务器上的两张 1080Ti.
虽然不知道具体是那天攒的电脑，但是公开的日期倒是有：公园2021年7月13日，星期二。 那么，具体啥情况，没见过的小伙伴可以拭目以待了。
不知道大家有没有听说过BP（Backpropagation）神经网络算法，听上去比较高级，但其实也是挺酷的！而且BP算法还可以在企业电脑监控软件方面大显身手哦。想知道怎么玩转它吗？别担心，接下来咱们就用通俗易懂的语言来了解一下BP算法在企业电脑监控软件中的作用：
关键词：M2芯片；Ultra；M1芯片；UltraFusion；ULTRAMAN；RTX4090、A800;A100；H100；LLAMA、LM、AIGC、CHATGLM、LLVM、LLM、LLMs、GLM、NLP、ChatGPT、AGI、HPC、GPU、CPU、CPU+GPU、英伟达、Nvidia、英特尔、AMD、高性能计算、高性能服务器、蓝海大脑、多元异构算力、高性能计算、大模型训练、大型语言模型、通用人工智能、GPU服务器、GPU集群、大模型训练GPU集群、大语言模型
与“传统” AI 算法相比，深度学习（DL）的计算性能要求，可以说完全在另一个量级上。 而 GPU 的选择，会在根本上决定你的深度学习体验。那么，对于一名 DL 开发者，应该怎么选择合适的 GPU 呢？这篇文章将深入讨论这个问题，聊聊有无必要入手英特尔协处理器 Xeon Phi，并将各主流显卡的性能、性价比制成一目了然的对比图，供大家参考。 先来谈谈选择 GPU 对研究深度学习的意义。更快的 GPU，能帮助新人更快地积累实践经验、更快地掌握技术要领，并把这些应用于新的任务。没有快速的反馈，从错误中学习要花费
AI科技评论按：与“传统” AI 算法相比，深度学习（DL）的计算性能要求，可以说完全在另一个量级上。而 GPU 的选择，会在根本上决定你的深度学习体验。那么，对于一名 DL 开发者，应该怎么选择合适
GPU 成为在构建深度学习系统时必不可少的需要关注的方向，但是诸如如何选择一款 GPU 来搭建深度学习平台，如何升级自己的 GPU 之类的问题一直困扰着开发者。现在，这些问题都将由来自英伟达的深度学习专家为你解答。 GPU 成为每一家企业在构建深度学习系统时必不可少的需要关注的方向，与此同时英伟达每一年在推出新的 GPU 架构和依托于此的新的产品，其最推先推出的 Volta 架构，比起当前 Pascal 的性能提升了 5 倍，优于两年前推出的 Maxwell 架构 15 倍，远远超过摩尔定理的预测，在此
显卡大幅降价了但是还可以再等等，新的40系列显卡也要发售了，所以我们先看看目前上市的显卡的性能对比，这样也可以估算下40显卡的性能，在以后购买时作为参考。
选自Medium 作者：Slav 机器之心编译 参与：Quantum Cheese、Lj Linjing、蒋思源 在用了十年的 MacBook Airs 和云服务以后，我现在要搭建一个（笔记本）桌面了 几年时间里我都在用越来越薄的 MacBooks 来搭载一个瘦客户端（thin client），并已经觉得习以为常了。所以当我涉入深度学习（DL）领域后，我毫不犹豫的选择了当时最新的 Amazon P2 云服务。该云服务不需要预付成本，能同时训练很多个模型，并且还能让一个机器学习模型慢慢地训练自己。 但随着时
今年 8 月份，英伟达发布了搭载 12 纳米制程 Turing 架构的全新消费级显卡 RTX 2080Ti，这是继两年半前发布 GTX 1080 后 GeForce 系列显卡的新篇章。英伟达表示，GeForce RTX 20 系列对比上一代 Pascal 架构的同级 GeForce 显卡将有「成倍的」性能提升。从目前能找到的数据来看，售价 999 美元的公版 GeForce RTX 2080Ti 的显存为 11G，包含 4352 个 CUDA 核心，存储总线 352bit，核心动态提升频率 1545 MHz，采用 PCI Express 3.0 接口，功率为 250W。
机器之心报道 参与：李泽南、李亚洲 昨天，第九届年度 GPU 技术大会（GTC）在加州圣何塞 McEnery 会议中心正式开幕。在刚刚结束的 Keynote 演讲中，英伟达创始人兼首席执行官黄仁勋宣布了该公司在芯片、AI 平台、自动驾驶上的一系列新动作。在本文中，机器之心对其演讲的核心内容做了梳理。 正如黄仁勋所说的，今天的发布会有关于：「Amazing science, amazing graphics, amazing products and amazing AI.」 核心内容： 新一代服务器级 GP
2018 年 12 月，英伟达在加拿大蒙特利尔 NeurIPS 大会上发布最新款产品 Titan RTX，作为 2017 年 Titan V 的「继承者」，Titan RTX 价格更低，显存更大，性能更强，且使用图灵架构，具备强大的光线追踪能力。因此，Titan RTX 的发布对 AI 社区而言，是不是做深度学习的一个不错选择呢？
GPU 在HPC领域，GPU比CPU运算速度快是显而易见的。在此简单的调研了一下，如何挑选GPU。 [Tesla K40] Tesla系列是N厂专门为HPC退出的GPU产品，无视频输出，仅能做计算。
关于深度学习，每个人都有自己的看法。有人说就是炼丹，得个准确率召回率什么的，拿到实际中，问问为什么，都答不上来。各种连代码都没写过的人，也纷纷表示这东西就是小孩堆积木，然后整个大功耗的服务器跑上几天，调调参数。然后每个实验室招生，都说自己是做什么深度学习，机器 学习，大数据分析的，以此来吸引学生。可是可是，他们实验室很可能连一块 GPU 都没有。 小时候，我把两个5号电池连在一块，然后用导线把正负极连起来，在正极的地方接个小灯泡，然后灯泡就亮了，这时候我就会高兴的不行。家里的电风扇坏了，把风扇拆开后发现里边
（ps：对于如何在Intel CPU，ARM架构CPU，以及Jetson TensorRT上部署深度学习模型，以及部署遇到的速度问题，该如何解决。请查看我的另外一篇文章。如何定制化编译Pytorch，TensorFlow，使得CNN模型在CPU，GPU，ARM架构和X86架构，都能快速运行，需要对每一个平台，有针对性的调整。如何做到最大化加速深度学习在不同平台部署性能。请看我的这篇文章。）
静电说：最近有很多小伙伴问我做设计应该如何选择有“性价比”的电脑和装备？确实，推荐电脑是个很艰难的选择，经过很多所谓的追求“性价比”的折腾，我才发现，最终这些“性价比”产品不是这里有问题，就是那里不理想，毕竟，一分价格一分货，所以我们在这里不谈“性价比”，只谈适合与不适合。静电一般不做电脑硬件的配置，因为每个人的需求都不太一样，这个只能给建议，无法给一定的答案。如果各位小伙伴感兴趣，可以看看我的建议。
现在很多服务器配置都是单机上配有多个GPU卡。tensorflow默认占用全部的gpu的显存，但是只在第一块GPU上进行计算，这样对于显卡的利用率不高。
LeNet：1998，Gradient based learning applied to document recognition
梦晨 发自 凹非寺 量子位 | 公众号 QbitAI 显卡还能搞“国潮”？ 没错，国产显卡品牌摩尔线程宣布旗下游戏显卡最近上了一批货，不再限制购买资格，而是先抢先得。 这样一条消息吸引了不少显卡爱好者关注。 在京东，已经被热情的网友顶上了趋势榜第8名。 为啥这样一款产品能如此受欢迎？ 两大亮点：首个支持Windows的国产显卡，而且真的能玩游戏。 在京东上面热评第一就是“大呼一声好家伙，完全超出了预期，作为游戏玩家我是很满意的”。 MTT S80去年双十一首次开卖，发布会现场就演示过4K分辨率运行《
就像程序员讨论“什么才是世界上最好的语言？”这一终极命题一样。在医疗AI领域，围绕芯片和AI开源框架的讨论也一直热度不减。
在第 11 章，我们讨论了几种可以明显加速训练的技术：更好的权重初始化，批量标准化，复杂的优化器等等。 但是，即使采用了所有这些技术，在具有单个 CPU 的单台机器上训练大型神经网络可能需要几天甚至几周的时间。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
