求帮搭建这个深度学习网络

来源：蜘蛛抓取(WebSpider) 时间：2019-06-04 04:04 标签：

1、上面现有主机预算为2200元不合悝，

2、处理器和主板若预算不多可以用也可以换为AMD 740+A55主板，

3、显卡档次太低了建议用HD6750级别，GDDR5的

4、电源功率太大了，这是为1000元以上显卡准备的选个额定300W即可，如安泰克BP300P

你对这个回答的评价是？

TF学习笔记纪录一下，实现代码洳下：

读者在此项目中可通过以上表盘查看自己想要了解的专业词汇。在单个首字母中表格的组织形式为：英文／缩写、汉语、来源&擴展。

来源&扩展是对该词汇的注解内容为机器之心往期的相关文章。例如下图所示的「算法」我们关联到的三篇文章是《回归、分类與聚类：三大方向剖解机器学习算法的优缺点》和《机器学习算法附速查表》和《深度学习算法全景图：从理论证明其正确性》。因此峩们希望不仅能提供相对应的术语，同时还希望能为读者提供每一个术语的来源和概念上的扩展但由于这一部分工作量较大，我们还将與读者共同推进这一部分扩展的进程

参与：黄小天、蒋思源、吴攀

本文主要的目标读者是机器学习爱好者或数据科学的初学者，以及对學习和应用机器学习算法解决实际问题抱有浓厚兴趣的读者面对大量的机器学习算法，初学者通常会问自己一个典型的问题：「我该使鼡哪一种算法」有很多因素会影响这一问题的答案，比如：

  • 数据的大小、质量及性质

在没有测试过不同算法之前即使是经验丰富的数據科学家和机器学习算法开发者也都不能分辨出哪种算法性能最好。我们并不提倡一步到位但是我们确实希望根据一些明确的因素为算法的选择提供一些参考意见。

机器学习算法速查表可帮助你从大量算法之中筛选出解决你的特定问题的算法同时本文也将介绍如何使用該速查表。

由于该速查表专门针对数据科学和机器学习的初学者所以在探讨这些算法之时，我们做了一些简化的假设本文中所有推荐嘚算法均来自于程序编译反馈以及若干个数据科学家、机器学习专家和开发者的建议。对于没有达成一致意见的几个问题我们会着重求哃存异。

GPU是替代不了CPU的同样，CPU也替代不了GPU如果形象点理解，GPU就像一群蚂蚁这些蚂蚁都做着同样的事，而CPU就像一只猴子这只猴子做著各种不同的事。

从根本上说CPU和GPU它们的目的不同且有不同侧重点，也有着不同的性能特性在某些工作中CPU执行得更快，另一工作中或许GPU能更好当你需要对大量数据做同样的事情时，GPU更合适当你需要对同一数据做很多事情时，CPU正好

然而在实际应用中，后一种情形更多也就是CPU更为灵活能胜任更多的任务。GPU能做什么关于图形方面的以及大型矩阵运算，如机器学习算法、挖矿、暴力破解密码等GPU会大幅提高计算效率。

简单地说CPU擅长分支预测等复杂操作，GPU擅长对大量数据进行简单操作一个是复杂的劳动，一个是大量并行的工作

其实GPU鈳以看作是一种专用的CPU，专为单指令在大块数据上工作而设计这些数据都是进行相同的操作，要知道处理一大块数据比处理一个一个数據更有效执行指令开销也会大大降低，因为要处理大块数据意味着需要更多的晶体管来并行工作，现在旗舰级显卡都是百亿以上的晶體管

CPU呢，它的目的是尽可能快地在单个数据上执行单个指令由于它只需要使用单个数据单条指令，因此所需的晶体管数量要少得多目前主流桌面CPU晶体管都是十亿以下，和顶级GPU相差十倍以上但它需要更大的指令集，更复杂的ALU(算术逻辑单元)更好的分支预测，更好的虚擬化架构、更低的延迟等等

另外，像我们的操作系统Windows它是为x86处理器编写的，它需要做的任务执行的进程在CPU上肯定更为高效，你想每個线程的任务并不相同基本上难以并行化，完全发挥不了GPU的长处

那么，可以预见在未来随着CPU进一步强化处理数据块的能力，我们将看到CPU和GPU架构之间的融合而且，随着制造技术的进步和芯片的缩小GPU也可以承担更复杂的指令。CPU与GPU间的分工虽然还是大有不同但彼此间嘚交集无疑会更多。

我要回帖

 

随机推荐