深度学习:你的工作站够吗?UltraLAB定制经验分享

深度学习（Deep Learning）,自从2016年3月，AlphaGo与围棋世界冠军、职业九段选手李世石进行人机大战，并以4:1的总比分获胜；这个词汇几乎火遍各个领域；2016年末2017年初，AlphaGo在中国棋类网站上以“大师”（Master）为注册帐号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩。在世界职业围棋排名中，其等级分曾经超过排名人类第一的棋手柯洁。深度学习从第一代神经网络（1958~1969）经历多次低谷终于迎来了春天。毫无疑问，以深度学习为代表的高性能计算领域近年来确实受到了越来越多人的关注。那么，如何搭建深度学习的平台，需要什么样图形工作站支持？今天就简单分享一下深度学习类工作站的一些经验。

深度学习框架：TensorFlow、Caffe、Torch、Theano，etc.

深度学习库：MLPython、cuDDN、DIGITS、Caffe on Spark，etc.

UltraLAB图灵图形工作站

认识人工神经网络和深度学习

深度学习的概念源于人工神经网络的研究，其本质就是多层神经网络，我们在计算机上搭建一个很多层的神经网络，只需要制定多少层，并不需要给定具体的参数，计算机通过计算大数据来自动学习最终的网络参数，不一样的网络参数能够识别不同的物体。然后这个训练好的网络就可以自动识别物体了。大数据+深度学习：颠覆传统行业计算与分析方式

人工智能是指让机器去认知、认识世界。这个过程毋庸置疑需要一定的算法放在计算机上来实现。最初的人工智能还是通过研究人员通过模仿人类来制定特定的认知和推理过程，21世纪出现了大数据，海量数据，结构复杂，种类繁多，然后人类定义的过程就不好使了。于是人们期待于希望机器自己能够从数据中学习，这就是深度学习了。深度神经网络的出现得益于大数据，因为数据量够大，计算机够强大，机器本身才能学习出各种复杂的特征。未来5~10年，深度学习将向更多行业渗透，特别是数据密集型行业。UltraLAB深度学习参考配置

UltraLAB GX480注意事项

深度学习工作站需要超强的浮点计算性能，支持多GPU/Xeon Phi

高速低延迟的交换网络

大容量的文件存储系统

不同的框架支持不同的GPU数量