Nvidia tesla P100
当前位置: 首页 > 深度学习 > 解决方案 >

机器学习

机器学习
    工业与学术界的数据科学家已将 GPU 用于机器学习以便在各种应用上实现开创性的改进,这些应用包括图像分类、视频分析、语音识别以及自然语言处理等等。尤其是深度学习,人们在这一领域中一直进行大力投资和研究。深度学习是利用复杂的多级「深度」神经网络来打造一些系统,这些系统能够从海量的未标记训练数据中进行特征检测。 
    虽然机器学习已经有数十年的历史,但是两个较为新近的趋势促进了机器学习的广泛应用: 海量训练数据的出现以及 GPU计算所提供的强大而高效的并行计算。人们利用GPU来训练这些深度神经网络,所使用的训练集大得多,所耗费的时间大幅缩短,占用的数据中心基础设施也少得多。 GPU还被用于运行这些机器学习训练模型,以便在云端进行分类和预测,从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和吞吐量。
将GPU加速器用于机器学习的早期用户包括诸多规模的网络和社交媒体公司,另外还有数据科学和机器学习领域中一流的研究机构。与单纯使用CPU的做法相比,GPU 具有数以千计的计算核心、可实现10-100倍应用吞吐量,因此GPU已经成为数据科学家处理大数据的处理器。
 
针对机器学习应用的基准测试
"借助 GPU,预先录制的语音或多媒体内容的转录速度能够大幅提升。 与 CPU 软件相比,我们执行识别任务的速度超级高可提升 33 倍。
Ian Lane 教授, 卡耐基梅隆大学
了解其他数据科学家如何推进自己在机器学习领域中的工作,了解工具、软件架构以及计算配置等有助于自己快速入门的信息。
§  机器学习工具
§  技术演讲
§  技术论文
§  近期文章
§  GPU 用于机器学习的公司和研究机构
§  推荐的系统配置
 
 
机器学习工具
§  Caffe: 用于脑回神经网络算法的架构
§  cuda-convnet: 脑回神经网络的高性能 C++/CUDA 软件实施
§  Theano: 用于定义、优化以及评估数学公式的 Python 库
§  Torch7: 用于机器学习算法的科学计算架构 
§  cuBLAS: GPU 加速版本的完整标准 BLAS 库
§  MATLAB: 简单易用的 HPC 语言集成计算、可视化以及编程
§  cxxnet: 神经网络工具包
 
超级近有关机器学习的文章
§  Blog: What's Machine Learning? Thanks to GPU Accelerators, You're Soaking in it
§  SlashGear: NVIDIA Talks Smarter Supercomputers for Better AI
§  CIO: NVIDIA Pushes Brain-like Computing with New Graphics Products
§  tom's Hardware: NVIDIA GPUs can Outperform Google Brain
§  GigaOm: Why NVIDIA Thinks it Can Power the AI Revolution
§  EnterpriseTech: Netflix Speeds Machine Learning with Amazon GPUs
§  新闻稿: 研究人员部署 GPU 以打造全球超级大的人工神经网络
§  连线杂志: 百度使用 GPU 来训练神经网络 
§  连线杂志: 谷歌将 GPU 用于脑回神经网络 
§  自然杂志: 学习的机器
有关机器学习的技术演讲
§  视频: 利用深度脑回神经网络实现的视觉对象识别 (Rob Fergus, Facebook/纽约大学)
§  视频: 底层的 100 亿参数神经网络 (Adam Coates, 斯坦福大学)
§  视频: 用于视觉图案识别的深度神经网络 (Dan Ciresan, 瑞士人工智能研究所)
§  视频: GPU 加速的模型组合被应用于强大的语音识别和关键字搜索 (Wonkyum Lee, 卡耐基梅隆大学)
§  视频: Clarifai: 成就下一代智能应用 (Matthew Zeiler, Clarifai)
§  视频: 超越行人检测: 深度神经网络提升汽车安全性 (Ikuro Sato, Hideki Niihara, Denso IT 实验室)
§  视频: 利用 GPU 加速排名的学习 (Alexander Shcekalev, Yandex)
§  视频: 利用 GPU 进行匹配学习 (John Canny, 加州大学伯克利分校)
§  视频: 针对 GPU 而优化的深度学习网络被应用于自动语音识别 (Jessica Ray, 麻省理工学院林肯实验室)
 
有关机器学习的技术论文
§  白皮书: 利用 COTS 高性能计算系统实现深度学习(Adam Coates, 斯坦福大学)
§  白皮书: 利用深度脑回神经网络实现 ImageNet 分类 (Alex Krizhevsky, IlyaSutskever, Geoffrey Hinton, 多伦多大学)
§  白皮书: ConVets 的多 GPU 训练(OmryYadan, Keith Adams YanivTaigman, Marc Ranzato, Facebook)
§  白皮书: OverFeat 识别定位检测 (Pierre Sermanet, David Eigen, Xiang Zhang, Michael Mathieu, Rob Fergus, YannLeCun, 纽约大学)
§  白皮书: 利用深度神经网络在乳腺癌组织学图像中进行有丝分裂检测 (Dan Ciresan, 瑞士人工智能研究所)
§  白皮书: 在 GPU 处理器上快速支持向量机器训练与分类 (Bryan Catanzaro, NVIDIA)
§  在竞赛中获奖的论文与基准测试
 
 
推荐的系统配置
开发工作站 训练集群
2 颗 NVIDIA Tesla K40 GPU 加速器 8 颗 NVIDIA Tesla K40 GPU 加速器
2 颗 Intel 至强 CPU (8 核或更高级别) 2 颗 Intel 至强 CPU (8 核或更高级别)
64 GB 系统内存 256 GB 系统内存
 
配置选项
 
 
推荐的系统配置
开发工作站 训练集群
2 颗 NVIDIA Tesla K40 GPU 加速器 8 颗 NVIDIA Tesla K40 GPU 加速器
2 颗 Intel 至强 CPU (8 核或更高级别) 2 颗 Intel 至强 CPU (8 核或更高级别)
64 GB 系统内存 256 GB 系统内存

    业务咨询
    售后服务