我是AI的學生，今年我將與pylearn和Theano一起工作（我可能會嘗試火炬和咖啡），以實現神經網絡，而且我即將爲此事購買一臺筆記本電腦。 我想根據您的經驗爲您提供幫助。針對（conv）神經網絡計算的CPU vs GPU
我沒有很大的預算，所以我買不起很多錢。我有兩個或三個簡單的問題：
這是最好的支持庫，如theano，火炬，朱古力：ATI或NVIDIA？ 有沒有人嘗試GPU計算Geforce 740M 820M 840M這樣的事情？並且它比CPU更好？或者如果我買不起一個巨大的GPU，購買一臺性能好的筆記本電腦還是比這些（廉價）的筆記本電腦更好？
謝謝您的時間，
因此，在閱讀您的回覆以及一些博客文章後，我的結論是： 不要試圖將筆記本電腦製作成您的主工作站以進行深入學習！它太貴了：您只需花費數千美元購買筆記本電腦配置，這可能會花費數百美元的桌面電腦。和便宜是不值得的。
我想我會買一個13" 筆記本電腦，並開始建立一個強大的桌面，然後我會做一個ssh訪問它。
這兩個環節都是偉大的具有GPU上有很好的理解選擇。
http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/
https://www.linkedin.com/pulse/20141013042457-89310056-which-gpu-to-use-for-deep-learning
謝謝大家！
嘿，我有一些關於訓練深層神經網絡的問題嗎？ – hashcode55
關於你提到的第一個問題，我不知道這些庫實現NN。但是如果你使用了八度/ Matlab這樣的東西，那麼它們都有用於NN的庫，它們利用CUDA來訓練神經網絡。 GPU與CPU ....一般而言，NN和機器學習的實現主要基於向量/矩陣和矩陣運算，如乘法/加法等。在矩陣運算方面，你不會三思，你總是選擇GPU。矩陣操作是單指令多數據操作，大量使用GPU。基本上，它是獨立執行大量數據的相同操作（通常是簡單的操作）。您不需要非常先進的GPU。我在舊的macbook上使用了320GTX，這已經足夠好了（我假設你是一名學生，將實施概念證明或學術項目，而不是行業級項目）。
謝謝你的回答Mostafa。 問題是，從我讀到這裏https://timdettmers.wordpress.com/2014/08/14/which-gpu-for-deep-learning/ 最重要的功能之一是gb/s帶寬。而「m系列」則非常低，甚至低於gt 320 – Sam
當然帶寬是非常重要的。原因在於，即使您可以在GPU上並行執行計算以實現最大吞吐量，但如果無法從GPU返回這些結果，則無關緊要（應瞭解如何在主機與處理器之間處理數據傳輸該設備如果您瞭解CUDA編程）。但是與我所說的基本上無關，基本上，我聽說的大部分學習算法都依賴於矩陣運算，並且由於矩陣運算的數據獨立性，在GPU上通常比CPU更好。 – mkmostafa
機LEA雷諾運算通常被簡化爲矩陣矩陣乘法。目前，GPU上的矩陣矩陣乘法比CPU更高效，因爲GPU比CPU具有更多的線程。此外，NVIDIA相當多年來一直支持CUDA工具包。該平臺現在已經成熟。許多DL庫（例如Caffe，Theano，Torch，TensorFlow）正在利用BLAS（基本線性代數子例程）和DNN（深度神經網絡）庫的CUDA支持。深度學習庫開發人員不必花費大量時間來優化矩陣矩陣乘法。此外，似乎在某些操作（矩陣矩陣操作）中爲相同級別的GPU優化CPU代碼非常困難（我們稱之爲ninja優化）。爲了更好地瞭解其他人的經歷，請參閱https://github.com/BVLC/caffe/pull/439的討論。
如果你堅持一臺筆記本電腦，然後得到一個便宜的，並使用亞馬遜現貨實例進行計算。一個小筆記本電腦GPU不會讓你深入學習。 – aleju
是的，我認爲這是一個很好的結論。我可能會建立一個桌面工作站和SSH。 – Sam