一般來說，深層神經網絡計算在GPU（特別是Nvidia CUDA通用GPU，大多數框架）上運行的速度要比CPU快一個數量級。一般來說，更簡單的機器學習方法不需要GPU的加速。
雖然你可以在一個或多個CPU上訓練DNN，訓練往往是緩慢的，慢慢我不是說秒或分鐘。需要訓練的神經元和層數越多，可用於訓練的數據越多，需要的時間就越長。當Google Brain小組在2016年針對新版Google翻譯訓練語言翻譯模型時，他們在多個GPU上同時運行了一週的訓練時間。沒有GPU，每個模型訓練實驗將需要幾個月。
這些框架中每一個框架具有至少一個顯著特徵。 Caffe的強項是用於圖像識別的卷積DNN。 Cognitive Toolkit有一個單獨的評估庫，用於部署在ASP.Net網站上工作的預測模型。 MXNet具有良好的可擴展性，可用於多GPU和多機器配置的訓練。 Scikit-learn具有廣泛的強大的機器學習方法，易學已用。 Spark MLlib與Hadoop集成，具有良好的機器學習可伸縮性。 TensorFlow為其網絡圖TensorBoard提供了一個獨特的診斷工具。
現今人工智能已逐漸像基礎建設（例如：電力，水）一樣可以接取使用，所以許多人認為以上的期待並不遙遠。沒錯，許多機器學習的計算能力已經透過程序接口（API）提供出來，例如：IBM 的 Watson，谷歌，微軟，阿里雲都有提供這類接口服務。
目前，全世界還只有一少部分企業擁有適應人工智能和機器學習高速發展所需的人才和資金預算。只有極少數專家能創建先進的機器學習模型。如果你的公司已經有相應的機器學習工程師，那麼仍然需要在建立定製化的機器模型過程中進行復雜的過程管理和時間管理。儘管谷歌已經提供了預先訓練好的機器學習模型，可以完成一些特定的任務，但想要將人工智能帶給每一個人，還有很長的路要走。
機器學習（ML）和深度學習（DL）近年來的發展導致了AI的巨大飛躍。如上所述，機器學習和深度學習需要大量的數據來工作，而這些數據正被數十億的傳感器收集到，這些傳感器將繼續在物聯網中聯機。物聯網會創造更好的人工智能。
深度學習是如今非常流行的一種機器學習。它涉及到一種特殊類型的數學模型，可認為它是特定類型的簡單模塊的結合（函數結合），這些模塊可被調整從而更好的預測最終輸出。
尚學堂12大精英團隊+各類實戰項目，真正實現1+1>10的目標效果。幫助學員迅速成長，持久騰飛，成就學員“高富帥”人生；幫助企業技術和團隊成長，成就百年中華名企；助力中國持續成為世界強國而貢獻力量。尚學堂12大精英團隊，覆蓋IT行業十大領域，實戰團隊240人，服務學員累計超過10萬人，就業合作企業數量500+。
閱讀更多 AI和ai 的文章
