也许很多小伙伴对深度学习还不太了解，这一领域在AI深度学习领域相对比较广泛，机器学习是AI的一个分支，而深度学习是机器学习领域的一个分支。

什麽是深度学习，有哪些重要知识点？

深度学习是一种机器学习方法，深度学习是一种用来建立、模拟人脑进行分析学习的神经网络，并模仿人脑机制来解释数据。我们可以通过训练人工智能来预测输出，即给定一组输入(即输入或输出计算机的信息)。监管学习和非监督学习均可用于人工智能的训练。

这样，深度学习就可以定义为在以下四种基本网络框架中有许多参数和层的神经网络：

不受监督的预培训网络(UnsupervisedPre-trainedNetworks)

卷积神经网络（ConvolutionalNeuralNetworks）

(RecurrentNeural网络)

RecursiveNeuralNetworks(递归神经网络)

神经网络在深度学习中的计算量是非常大的，事实上，由于基础设施技术的限制，其进展并不明显。而且GPU的出现让人们看到了曙光，也造就了深度学习的蓬勃发展，“深度学习”的兴起。Google的

TensorFlow是一种较好的开源深度学习系统实现，它支持CNN、RNN和LSTM等算法，是目前应用最为广泛的深度神经网络模型。
机器学习是人工智能的一个子集，深度学习是机器学习的一部分。深度学习和机器学习都需要大量的数据支持，是大数据技术的一种应用，同时深度学习也需要更高的运算能力支持，比如GPU。

对于深度学习中提高“AI定价”的精确度，需要将其预测结果与以往的结果相比较，因此，我们需要两个因素：

强大的计算能力

海量数据。

计算机对深度学习的要求是什么？计算机配置有要求么？

1.数据存储要求。

深度学习的某些情况下，数据存储将成为一个明显的瓶颈。进行深度学习，首先需要一个好的存储系统来保存历史数据。

其主要功能：保存文字、图像、声音、视频、数据库等历史数据。

资料容量：提供足够高的储存能力。

读取和写入带宽：多硬盘并行读写架构增加数据读取和写入带宽。

界面：高带宽，低延迟。

常规解决方案：专用存储服务器，通过万兆端口接入。

不利因素：带宽不高，读深度学习数据所需时间较长(延迟大，两台机器间数据交换)，成本也很高。

2、CPU要求。

在GPU上运行深度网络时，CPU只做很少的运算，但CPU仍然需要处理如下问题：

(1)将数据从存储系统转移到存储器的解压计算。

(2)计算GPU之前的数据预处理。

(3)在代码中写和读取变量，执行像函数调用这样的指令，创建小批量数据，以及向GPU发送数据。

(4)GPU多卡并行计算之前，每一核心负责一块卡所需数据的并行切分处理与控制。

(5)对若干变量进行增值，对若干布尔表达式进行评估，在GPU中调用几个函数，所有这一切都取决于CPU核的频率，此时只有提高CPU频率。

常规解决方案：CPU规格随意，核数量和频率没有任何要求。

3、GPU要求。

假如你在构建或者升级深度学习系统，你应该也应该关注GPU。GPU正是深度学习应用的核心元素——提高计算性能，带来了巨大的收益。

主要任务：进行深度学习的数据建模计算，运行复杂算法。

常规体系结构：提供1~8个GPU。

4、存储器需求。

最小值与GPU显存储器大小相同。您可以使用较小的内存来工作，但是，您可能需要一步一步地传输数据。总之，如果资金足够的话，还需要进行大量的预处理，那么就不需要绕过内存瓶颈，浪费时间。

主任务：存储预处理数据，待GPU读加工，存储中间结果。

深度学习需要强大的计算机运算能力，所以计算机的硬件配置自然是超高的，所以现在普通的高算力计算机需要较高的硬件配置，那么如何让自己的普通计算机也能轻松运行高算力程序？