深度学习（Deep Learning）在这两年风靡全球，大数据和高性能计算平台的推动作用功不可没，可谓深度学习的&燃料&和&引擎&，GPU则是引擎的引擎，基本所有的深度学习计算平台都采用GPU加速。同时，深度学习已成为GPU提供商NVIDIA的一个新的战略方向，以及3月份的GTC 2015的绝对主角。
那么，GPU用于深度学习的最新进展如何？这些进展对深度学习框架有哪些影响？深度学习开发者应该如何发挥GPU的潜力？GPU与深度学习结合的前景以及未来技术趋势到底是怎么样的？在日前的NVIDIA深度学习中国战略发布会上，NVIDIA全球副总裁、PSG兼云计算业务中国区总经理Ashok Pandey带领其深度学习相关管理团队接受了记者的采访，就NVIDIA的深度学习战略、技术、生态、市场相关问题进行了详细的解读。
NVIDIA认为，目前是数据、模型和GPU在推动深度学习的蓬勃发展，深度学习用户可以选择不同的计算平台，但开发人员需要一个易于部署的平台和良好的生态环境，包括一些基于硬件优化的开源工具，而构建一个良好的深度学习计算生态，既是GPU现有的优势，也是NVIDIA一贯的宗旨。
NVIDIA全球副总裁、PSG兼云计算业务中国区总经理Ashok Pandey
为什么GPU与深度学习很合拍？
随着数据量和计算力的提升，Hinton和LeCun耕耘多年的大型神经网络终有用武之地，深度学习的性能和学习精度得到很大的提升，被广泛运用到文本处理、语音和图像识别上，不仅被Google、Facebook、百度、微软等巨头采用，也成为猿题库、旷视科技这类初创公司的核心竞争力。
那么为什么是GPU呢？最重要的是GPU出色的浮点计算性能特别提高了深度学习两大关键活动：分类和卷积的性能，同时又达到所需的精准度。NVIDIA表示，深度学习需要很高的内在并行度、大量的浮点计算能力以及矩阵预算，而GPU可以提供这些能力，并且在相同的精度下，相对传统CPU的方式，拥有更快的处理速度、更少的服务器投入和更低的功耗。
采用GPU加速与只采用CPU训练CNN的性能比较
以ImageNet竞赛为例，基于GPU加速的深度学习算法，百度、微软和Google的计算机视觉系统在ImageNet图像分类和识别测试中分别达到了5.98% (2015年1月数据)4.94%（2015年2月数据）、4.8%（2015年2月数据）、的错误率，接近或超过了人类识别水平&&跑分竞赛虽然有针对已知数据集进行特定优化之嫌，但优化结果对工业界的实践仍然具有参考价值。
&人工智能从过去基于模型的方法，变成现在基于数据、基于统计的方法，主要得益于GPU高度并行的结构、高效快速的连接能力。事实证明GPU很适合深度学习。&北京航空航天大学教授、国家&十二五 863计划高效能计算机及应用服务环境&重大项目总体组组长钱德沛说。
NVIDIA回顾了GTC上推出的四项有助于推动深度学习发展的新产品和方案：
1、GeForce GTX TITAN X，为训练深度神经网络而开发的GPU。
TITAN X采用 NVIDIA Maxwell GPU 架构，结合 3,072 个处理核心、单精度峰值性能为 7 teraflops，加上板载的 12GB 显存，336.5GB/s 的带宽，可处理用于训练深度神经网络的数百万的数据。
NVIDIA介绍，TITAN X 在工业标准模型 AlexNet 上，花了不到三天的时间、使用 120万个 ImageNet 图像数据集去训练模型，而使用16核心的 CPU 得花上四十多天。
2、DIGITS DevBox，针对研究人员的桌边型深度学习工具。
DIGITS DevBox采用四个 TITAN X GPU，从内存到 I/O的每个组件都进行了最佳化调试，预先安装了开发深度神经网络所需要使用到的各种软件，包括：DIGITS 软件包，三大流行深度学习架构Caffe、Theano和Torch，以及 NVIDIA 完整的 GPU 加速深度学习库 cuDNN 2.0。和其他巨头一样，NVIDIA对开源的支持也是不遗余力。
NVIDIA表示，在关键深度学习测试中，DIGITS DevBox 可以提供 4 倍于单个 TITAN X 的性能。使用 DIGITS DevBox 来训练 AlexNet 只要13个小时就能完成，而使用最好的单 GPU PC 的话则是两天，单纯使用 CPU 系统的话则要一个月以上的时间。
3、下一代GPU&架构Pascal，将使深度学习应用中的计算速度相比Maxwell加快十倍。
Pascal引入了大幅加快训练速度的三项设计，包括：32GB 的显存（是GeForce GTX TITAN X 的 2.7 倍），可进行混合精度的计算任务，能够在 16 位浮点精度下拥有两倍于 32 位浮点精度下的速率的计算速度；配备 3D 堆叠显存，让开发人员能建立更大的神经网络，提升深度学习应用程序的速度性能多达5倍；另搭配 NVIDIA 的高速互连技术 NVLink 来连接两个以上的 GPU，可将深度学习的速度提升达十倍。
NVIDIA表示，现在在深度学习领域一般都用单精度进行，未来的趋势可能有人要用半精度，甚至1/4精度，所以NVIDIA需要根据用户的需求调整GPU的架构，Pascal支持FP16和FP32，可以提升机器学习的性能。
4、DRIVE PX，用于自动驾驶汽车的深度学习平台。
基于NVIDIA Tegra X1，结合最新的PX平台，可以让汽车在仪表显示和自动驾驶方面得到质的飞跃。
值得关注的NVLink和DIGITS
谈到下一代Pascal 架构的十倍性能，不得不说NVLink，它使得 GPU 与 GPU 之间、GPU 与 CPU 之间数据传输的速度，较现有的 PCI-Express 标准加快5到12倍，对于深度学习这些需要更高 GPU 间传递速度的应用程序来说是一大福音。开发者应当高兴的是，NVLink基于点对点传输形式，编程模式与&PCI-Express&相同。
NVIDIA表示，NVLink&可将系统里的 GPU 数量增加一倍，以共同用于深度学习计算任务上；还能以新的方式连接 CPU 与 GPU，在服务器设计方面提供较 PCI-E 更出色的灵活性和省电表现。
其实不管要做数据并行还是模型并行，NVLink对深度学习开发人员都带来更大的想象空间。国内语音识别领头羊科大讯飞，基于多GPGPU和InfiniBand构建了一个环形的并行学习架构，用于DNN、RNN、CNN等模型训练，效果不错，但采用InfiniBand也让其他从业者羡慕其&土豪&行径，如果有了NVLink，显然可以有别的好办法。
当然，想用NVLink也意味着新的投资，而NVIDIA现有的产品线对深度学习的支持也不错，用户可以酌情选择。更多的深度学习硬件选择知识，可以参考Kaggle比赛选手Tim Dettmers撰写的博文：《深度学习硬件指南完整版》。
另外一个是DIGITS，用于设计、训练和验证图像分类深度神经网络的多合一图形系统。DIGITS 可在安装、配置和训练深度神经网络过程中为用户提供指导，具有便于从本地和网络加载训练数据集的用户界面和工作流程管理能力，并提供实时监控和可视化功能，目前支持 GPU 加速版本 Caffe，详见Parallel Forall 博客：《》。
DIGITS之所以首先选择支持Caffe，NVIDIA表示，是因为他们的客户调研结果显示这一框架目前最受欢迎（包括国内的BAT等和国外的一些用户），同理，cuDNN运算库也是最先集成到Caffe开源工具中。NVIDIA承诺，即使不能覆盖所有的工具，DIGITS后续也会对主流的开源工具提供支持，主要是前述的Theano和Torch。NVIDIA全球在DIGITS、cuDNN团队都分别投入30多人到开源工作之中，这些开发人员也在社区中与深度学习开发者保持密切的沟通。
在NVIDIA看来，国内的深度学习研究水平与国外机构基本相当，从高校科研的角度来说，香港中文大学、中科院自动化所都获得ImageNet不错的名次，从工业界来说，BAT、乐视、科大讯飞等都在深度学习领域拥有很多年轻的工程师和不错的研究成果。NVIDIA希望加强中国生态环境的建设，推动深度学习的应用，主要方式仍然包括开源社区的投入、高校科研合作、服务器厂商的合作以及企业用户的合作。
2015年1月，NVIDIA与爱奇艺签署了深度合作框架协议，双方将在视频深度学习（deep video）和媒体云计算领域紧密合作，利用最先进的GPU和深度学习架构，搭建爱奇艺视频创作、分享、服务平台。NVIDIA表示，未来还将继续与重点客户合作建立联合实验室。
采用GPU加速的深度学习的企业
GPU还是专用芯片？
尽管深度学习和人工智能在宣传上炙手可热，但无论从仿生的视角抑或统计学的角度，深度学习的工业应用都还是初阶，深度学习的理论基础也尚未建立和完善，在一些从业人员看来，依靠堆积计算力和数据集获得结果的方式显得过于暴力&&要让机器更好地理解人的意图，就需要更多的数据和更强的计算平台，而且往往还是有监督学习&&当然，现阶段我们还没有数据不足的忧虑。未来是否在理论完善之后不再依赖数据、不再依赖于给数据打标签（无监督学习）、不再需要向计算力要性能和精度？
退一步说，即便计算力仍是必需的引擎，那么是否一定就是基于GPU？我们知道，，而，在70毫瓦的功率上提供100万个&神经元&内核、2.56亿个&突触&内核以及4096个&神经突触&内核，甚至允许神经网络和机器学习负载超越了冯&诺依曼架构，二者的能耗和性能，都足以成为GPU潜在的挑战者。例如，科大讯飞为打造&讯飞超脑&，除了GPU，还考虑借助深度定制的人工神经网络专属芯片来打造更大规模的超算平台集群。
不过，在二者尚未产品化的今天，NVIDIA并不担忧GPU会在深度学习领域失宠。首先，NVIDIA认为，GPU作为底层平台，起到的是加速的作用，帮助深度学习的研发人员更快地训练出更大的模型，不会受到深度学习模型实现方式的影响。其次，NVIDIA表示，用户可以根据需求选择不同的平台，但深度学习研发人员需要在算法、统计方面精益求精，都需要一个生态环境的支持，GPU已经构建了CUDA、cuDNN及DIGITS等工具，支持各种主流开源框架，提供友好的界面和可视化的方式，并得到了合作伙伴的支持，例如浪潮开发了一个支持多GPU的Caffe，曙光也研发了基于PCI总线的多GPU的技术，对熟悉串行程序设计的开发者更加友好。相比之下，FPGA可编程芯片或者是人工神经网络专属芯片对于植入服务器以及编程环境、编程能力要求更高，还缺乏通用的潜力，不适合普及。
作者：周建丁
文章出处：http://www.csdn.net/article//2824630
阅读(...) 评论()上次深夜找我装电脑的妹子 竟然说要装TITAN X_新浪科技_新浪网
& 滚动新闻 &&正文
上次深夜找我装电脑的妹子 竟然说要装TITAN X
　　前情回顾：《妹纸深夜突然找上门 没想到她居然想要...》，上次说到，微信上一位爱好健身、身材姣好的妹子想要我帮忙配一台电脑，对于这样的差事我向来都是不会推辞的，两天后她又说怕电脑性能不够，还说她家不差钱...　　【PConline 杂谈】事情是这样的，在我准备叫美女下单买i7+GTX1060的时候，她的一个所谓朋友又叫她上TITAN X，我顿时就滑稽笑了...这什么鬼啊，她怎么可能知道TITAN X啊，怎么可能主动要求装TITAN X啊！但是到了美女把她家地址告诉我的时候，我一切都释然了...怕大家忘记了 我再把她微信朋友圈截图发一次事情的经过是这样的——　　接下来的内容涉及美女和我的隐私比较多，就不上对话截图了...　　到了周六早上，我如期背上满书包的工具，想着和美女来一个美好的邂逅，埋头苦干装好一台超高性能的电脑，她坐在旁边给我递水果（想想就有点小激动），如果能给她一个靠谱IT男的印象，说不定又是一段好姻缘咯~（斜眼笑）（斜眼笑）哈哈哈哈哈哈。　　然而到我从公交车下来之后才发现一个残酷的事实...尼玛她住的竟然是广州天河的别墅区啊（目瞪口呆），这...还是不用想太多了吧。　　在别墅区门口，我遇到了第一道难关...穿着西装 手臂比我大腿还粗的保安哥哥　　保安从头到脚打量着我，白T恤、牛仔裤、运动鞋、还背着一书包工具，“你是来干嘛的，出示一下证件。”　　——“我去朋友家装电脑、她住C区50X、名字叫HWX，给你身份证就行了吗？”　　保安哥哥记录了我的身份证号之后还问了一大堆东西，好麻烦，还好我看起来也不是坏人，终究还是放我进去了（保安长得很威猛，吓我一身汗）。　　这里面还真不是一般的大，还有小区里专门的接送车...然而我也不敢乱跑，赶紧走到美女家楼下，一通电话就把我接到家里了，她那天穿的黑色裙子和拖鞋...比照片还漂亮。　　第一次进这么壕的房子啊，正好那天家里只有她一个人...一番寒暄之后我把工具包卸下，问了一下她电脑配件都放哪里了，她把我带到家里的书房...（此处应有豪宅图片，然而我并不敢乱拍，不想显得太没见过世面）　　拆完各种快递箱，把东西都先掏出来，美女一开始还坐隔壁和我聊东聊西打下手，但半个钟过去了，看我装电脑可能太无聊就放下一个水果盘，自己回房间看电视了。　　接下来就是漫长的装电脑过程，我进入了“两耳不闻窗外事，一心只有装电脑”的高玩模式，我已沉浸在高配硬件的世界之中。时间一份一秒地流动，不知不觉已到下午，电脑也成功进入系统了，我轻轻地喊“WX，电脑装好了”，然而并没有人回应。我轻轻敲了她的房间　　她在房间里用懒懒的声音说还在睡觉，叫我自己先招呼自己，等下请我去吃饭。|||→_→　　这核心规模、这核心频率，TITAN X真是太美妙了。反正也没事干，那就装个3DMARK跑跑分吧，神级配置想想就有点小激动。　　还好我的专业素养告诉我，安装测试工具的移动硬盘都是要随身带的...（大家赶紧点赞）测试通过　　不愧是当代单芯卡皇，这性能简直满足了我对卡皇的所有期待啊，需知道GTX1080的分数也才是T7000、U5000左右，新TITAN X达到了T9500、T6800的水平！目前尚未有敌手，是伫立于一切游戏显卡巅峰的存在啊。　　在美女家测试就感觉就是不一样啊，有种紧张的感觉，话说我紧张什么呢？如果她看到了我就说测试电脑稳定性不就好了！？哈哈哈。　　碍于测试条件的限制，无法测试更多的项目了，但还好我们的兽王也买了TITAN X，等周一回去再拿他的卡继续测吧哈哈，正当我准备随便上上B站打发时间的时候。她醒了　　不要问我为什么拿这样的图来糊弄大家，谁真敢去拍呀，大家意会一下差不多就好。　　——“系统和常用软件都安装好了，至于游戏什么之类的你自己也会装的啦，到时候你自己搞定就行。”　　——“好，那谢谢你啦，现在都三点多了我们还没吃午饭呢，你等我换下衣服我们去吃饭哈”（呵呵，你们也知道事情通常也不会这么简单）然而真的就是这么简单　　完事了美女就开车送我到正佳广场吃了一顿...按照惯例我收到这个其实我已经习惯了　　帮美女装机的事儿就告一段落了，然而是不是还有什么没完成呢！？TITAN X的完全评测难道你不想看完？等周一上班再把TITAN X的测试跑完吧。回归正题：性能测试对比　　3DMARK的性能在妹子家里已经跑完，回来再补充一下剩下几块卡的数据。　　可以看到代表DX12性能的Time Spy项目上，TITAN X的性能是GTX%，需知道GTX1080已经是很牛逼的存在，TITAN X真的厉害得不行，不过当然它的价钱也是贵得不行——国内定价9699元，够你买两块GTX1080或者买三块GTX1070了...　　Fire Strike Ultra的性能也还是GTX%，Fire Strike Ultra的表现差不多就是显卡4K游戏性能的表现了，如果说GTX1080对少数4K游戏依然有点压力，那TITAN X就是补完这一部分缺陷的存在了。4K游戏性能测试：　　鉴于TITAN X的定位，就不测试1080P了，如果买回来只是1080P使用的话，其实GTX1080/70是完全没问题的了，没必要花那么多钱嘛（信仰除外）。　　游戏测试小结：以我们一贯的游戏帧率说法，其实达到了60帧以上就属于绝对的流畅了，虽然很多单机游戏能做到30~40帧都完全不感觉到卡顿，但60帧依然是一个重要的分水岭。而60帧的来源是以前的显示器大多数刷新率都是60hz，虽然现在已经有高端电竞显示器都能做到144Hz，但业界还是以60帧为流畅玩游戏的重要标准。　　可以看到，这些游戏开了4K分辨率以后都是很吃硬件的，上一任N卡卡王GTX1080是没办法在全特效的设置下跑出60帧的，但是TITAN X真的实现了，虽然每款游戏几乎都是仅仅达到这个要求，但这已经是目前最强大最贵的游戏显卡了，我们也无法再挑剔什么了，因为其他卡都打不过它呀！满载功耗测试：　　老规矩，测试整套平台的满载功耗以及待机功耗，通过整体功耗的对比看出显卡之间的功耗差距。　　由于核心规模的加大以及BOOST频率依然很高，其功耗当然也是首屈一指（高）的，搭载i7-6700K后满载功耗达到了316W，因此如果是使用新TITAN X的土豪，建议使用500W及以上的电源，毕竟现在400W和500W的电源也不是差很多钱了。满载噪音测试：　　由于是相同的散热方案，噪音控制的能力也是非常相近，满载状态下，TITAN X的噪音在52分贝左右，对于这种性能怪兽来说，是相当不错了，不得不佩服NVIDIA的设计能力。关于噪音：　　0 －20 分贝：很静、几乎感觉不到；20 －40 分贝：安静、犹如轻声絮语；40 －60 分贝：一般普通室内谈话；60 －70 分贝：吵闹：有损神经；70 －90 分贝：很吵、神经细胞受到破坏。90 －100 分贝：吵闹加剧、听力受损；100 －120 分贝：难以忍受、呆一分钟即暂时致聋。120分贝以上：极度聋或全聋；300分贝左右或以上：方圆20km的人不可修复性耳聋。满载温度测试：　　我们用3DMARK来让TITAN X处于完全满载状态，可以看到显卡温度峰值为78℃，比GTX1080还低一点，更重要的是新TITAN X并不开放给AIC做非公型号，因此你想选散热器更猛的版本也没机会了，除非自己改装水冷，然而上水冷之后这散热器顶部的信仰灯就会没了咯。评测综合成绩总结：远强于GTX1080 绝对是目前单芯卡皇　　其实TITAN X的评测早有很多国内外爱好者进行过了，而这次正好遇上美女买TITAN X的事情，就顺便把TITAN X的评测完成了吧。　　TITAN X的实力能表现出如此强劲也在意料之中，综合比GTX1080强了32%，也没什么好评价的了，反正就是目前最厉害的游戏显卡，当然如果GTX1080Ti各种非公版出来之后，也许能与这TITAN X一较高下，但肯定不可能大幅度超越的了。PConline显卡天梯图：　　只能说，是当之无愧的卡皇，AMD那边暂时没有能与之抗衡的显卡评测总结：　　首先，显卡是极好的（已经是最好了好吗），土豪妹子用来直播、打游戏、唱歌总之干嘛嘛厉害就是了，本来还觉得她交友不慎的，不过反正这么有钱，就随她高兴就好，还赚了个人情，也不赖嘛（斜眼笑）嘿嘿嘿。　　回到产品本身，前面也说过很多次了，是当之无愧的卡皇，12GB的GDDR5X显存、超高的核心规模在此基础上还能把频率控制得很高的水准（这块帕斯卡架构的TTX是MHz、上代麦克斯韦的TTX可是只有MHz啊），还能用这种公版散热器把核心压制在78℃！无法不拜服NVIDIA手里的超强黑科技。　　然而这还只是GP102核心的产品，真正最强最完整的GP100应该是不会出桌面级的产品了。NVIDIA TITAN X无疑是目前最强的4K游戏显卡以及VR显卡，虽然双路GTX1080也许能一战，但是双路的泛用性会稍差一点，而且也越来越少人玩双路了。　　国内定价9699元，一块TITAN X顶两块GTX1080、顶三块GTX1070，性价比肯定不高的了，但是这卡上市至今长期处于供不应求状态，而且对手也没有产品可以竞争，因此可以反推出市场还是很认可这个价格的。追非公版追性价比可以等等GTX1080Ti：　　最近1080Ti的声音也越来越不绝于耳了，本来万众期待老黄在CES2017上发个1080Ti，然而并没有如我们所愿，也许老黄是想等AMD出了Radeon VEGA之后再做动作呢？　　GTX1080Ti不出所料就会定位于GTX1080和TITAN X之间，价格7000左右，卖半年之后下落至6000区间，按照以往的套路应该就是这样的了。测试平台说明：核心硬件平台妹子的 CPU+主板Intel i7-6700K + 华硕Z170 PRO GAMING评测室 CPU+主板Intel i7-6700K + 华硕ROG M9F内存DDR4-3200 16GB×2（以CPU默认频率运行）硬盘SATA SSD：威刚 SU 800 256GBM.2 SSD：三星 960EVO 1TB显卡NVIDIA TITAN XNVIDIA GTX1080NVIDIA GTX1070NVIDIA GTX1060软件平台操作系统Windows 10正式版显卡驱动NVIDIA GeForce 376.33 WHQL　　为了保证前后测试的一致性，我们使用了相同的CPU i7-6700K，双通道高频内存，其他都是常规的高配硬件。扩展补充：GP102：比GP104规格更强大　　GeForce GTX1080是一款采用GP104核心的高端显卡。 作为采用GM204核心GTX980的继承者，GTX 1080采用更先进的16 nm FinFET制作工艺和性能更出色的GDDR5X高速显存，其结果就是GTX 1080比采用GM204核心的GTX 980 Ti和TITAN X平均提升高达30%。再加上我们已知的采用GP100核心的专业级显卡，使得人们误以为不会有更高级的桌面级显卡。　　最后的结果却是，NVIDIA发布了一款性能介于GP100核心和GP104核心之间GP102核心，GP102类似于GP104，但是性能更强大。GPC单元从4个提升为6个，因而SM单元数也就从20个变成成为30个，每个SM单元又有128个CUDA核心，所以GP102拥有高达3840个CUDA单元。GP102核心拥有120亿晶体管因而工艺异常复杂，这也导致NVIDIA不得不砍掉TIAN X的2个SM单元，每个SM单元8个纹理单元，也就是还有224个纹理单位可以启用，CUDA核心数减少到到3584。　　TITAN X基础主频是1417MHz，加速频率1531 MHz，拥有高达11 TFLOPS的 FP32浮点计算能力，比GeForce GTX 1080提升了大约是23%。　　毫无疑问，受益于更大容量的显存，GP104在在4 K画面上优势明显。但是GP102更强大的大材质/贴图的潜力绝对要求的再平衡。 因此，GP102核心包含有12组32bit的显存控制器，每组包含8个ROPs和256 KB的L2（与GP104一致），共计96个ROPs和3MB的共享缓存，位宽384bit，显存容量12GB，数据频率10Gb/s。GPU-ZNVIDIA TITAN X规格参数对比显卡NVIDIA TITAN XNVIDIA GTX1080架构PascalPascal核心型号GP102GP104晶体管数120亿72亿制作工艺16纳米16纳米流处理器35842560纹理单元224160ROPs9664浮点运算次数11TFLOPS8.8TFLOPS显存容量12GB8GB显存类型GDDR5XGDDR5X显存位宽384bit256bit核心频率MHzMHz显存频率10000MHz10000MHzTDP250W180W外接供电6+8Pin8Pin　　显卡的理论带宽480GB/s(与GTX1080年的320GB/s相比增加50%），但有效吞吐量应考虑帕斯卡架构的三角洲色彩压缩的改进后会更高。　　核心规模是全面大幅度高于GTX1080，而频率也只低了那么一点点，11TFLOPs是目前地球上最高的单卡浮点运算次数了，显存方面也比GTX1080高了4GB，对专业应用、4K游戏、VR游戏的支持都会更好。显卡外观：黑色信仰皮 比GTX1080更神秘信仰级显卡SLI金手指信仰灯 6+8Pin供电NVIDIA标配显示输出接口＆双卡槽和GTX1080一样的显卡背板　　以上就是本次NVIDIA Pascal TITAN X的全部评测，很厉害是不是，妹子做直播简直如虎添翼啊。
复盘音乐行业的2016年，崛起的数字音乐，来势汹汹的二次元文化以...
小程序短期对腾讯价值提升有限，在走向成功之前，它必须从“可有...
正常来讲不管从那个维度来看都是Google具有足够的优势，有技术、...买Titan X来做深度学习的话有可能有哪些缺陷？ - 知乎395被浏览50024分享邀请回答208 条评论分享收藏感谢收起}