一般来说，深层神经网络计算在GPU（特别是Nvidia CUDA通用GPU，大多数框架）上运行的速度要比CPU快一个数量级。一般来说，更简单的机器学习方法不需要GPU的加速。
虽然你可以在一个或多个CPU上训练DNN，训练往往是缓慢的，慢慢我不是说秒或分钟。需要训练的神经元和层数越多，可用于训练的数据越多，需要的时间就越长。当Google Brain小组在2016年针对新版Google翻译训练语言翻译模型时，他们在多个GPU上同时运行了一周的训练时间。没有GPU，每个模型训练实验将需要几个月。
这些框架中每一个框架具有至少一个显著特征。 Caffe的强项是用于图像识别的卷积DNN。 Cognitive Toolkit有一个单独的评估库，用于部署在ASP.Net网站上工作的预测模型。 MXNet具有良好的可扩展性，可用于多GPU和多机器配置的训练。 Scikit-learn具有广泛的强大的机器学习方法，易学已用。 Spark MLlib与Hadoop集成，具有良好的机器学习可伸缩性。 TensorFlow为其网络图TensorBoard提供了一个独特的诊断工具。
现今人工智能已逐渐像基础建设（例如：电力，水）一样可以接取使用，所以许多人认为以上的期待并不遥远。没错，许多机器学习的计算能力已经透过程序接口（API）提供出来，例如：IBM 的 Watson，谷歌，微软，阿里云都有提供这类接口服务。
目前，全世界还只有一少部分企业拥有适应人工智能和机器学习高速发展所需的人才和资金预算。只有极少数专家能创建先进的机器学习模型。如果你的公司已经有相应的机器学习工程师，那么仍然需要在建立定制化的机器模型过程中进行复杂的过程管理和时间管理。尽管谷歌已经提供了预先训练好的机器学习模型，可以完成一些特定的任务，但想要将人工智能带给每一个人，还有很长的路要走。
机器学习（ML）和深度学习（DL）近年来的发展导致了AI的巨大飞跃。如上所述，机器学习和深度学习需要大量的数据来工作，而这些数据正被数十亿的传感器收集到，这些传感器将继续在物联网中联机。物联网会创造更好的人工智能。
深度学习是如今非常流行的一种机器学习。它涉及到一种特殊类型的数学模型，可认为它是特定类型的简单模块的结合（函数结合），这些模块可被调整从而更好的预测最终输出。
尚学堂12大精英团队+各类实战项目，真正实现1+1>10的目标效果。帮助学员迅速成长，持久腾飞，成就学员“高富帅”人生；帮助企业技术和团队成长，成就百年中华名企；助力中国持续成为世界强国而贡献力量。尚学堂12大精英团队，覆盖IT行业十大领域，实战团队240人，服务学员累计超过10万人，就业合作企业数量500+。