我是一名在tensorflow深度學習的新手。我嘗試了一個seq2seq模型示例代碼。張量流的快速深度學習模型訓練的基礎設施選擇？
我想了解：
什麼是圖層，圖層的大小和批量 大小數的最低值，我可以剛開始時，以能夠測試滿意的精度seq2seq 模型？
另外，根據內存 和cpu功能的最低基礎結構設置，可以在幾小時內訓練此深度學習模型。
我的經驗已經培養了seq2seq模型來構建一個神經網絡，大小900和批量大小4
哪個最有助於更快的培訓 - 更多RAM容量，多個CPU核心或CPU + GPU組合核心？
聲明：我也是新手，在很多方面可能都是錯誤的。
我是一名在tensorflow深度學習的新手。我嘗試了一個 seq2seq模型示例代碼。
我想了解：
什麼是圖層，圖層的大小和批量 大小的數字，我可以理解，要能測試滿意的精度seq2seq模型 開始的最小值？
我認爲這隻能取決於您的實驗。找出適用於您的數據集的內容。我聽到了幾條建議：如果可以，請不要選擇自己的架構 - 找到經過嘗試和測試的其他人。似乎更深層的網絡比更廣泛的更好，如果你要選擇它們也是如此。如果你有記憶，我也認爲更大的批量更好。我聽說最大化網絡規模，然後正規化，所以你不要過度使用。
我有這樣的印象，這些都是很大的問題，沒有人真正知道答案（可能是非常錯誤的！）。我們都喜歡選擇圖層大小/圖層數量的巧妙方式，但沒有人確切知道如何改變這些東西影響訓練。
此外，最小的基礎設施設置需要的內存和CPU的能力，在幾個小時的最長時間內訓練這個深度的學習模型。
根據您的模型，這可能是一個不合理的要求。似乎有些模型訓練數百甚至上千小時（在GPU上）。
我的經驗 被訓練seq2seq模型來構建一個神經網絡與2層尺寸900和批量大小的花了3天左右到4GB的RAM訓練，3GHz的英特爾酷睿i5單核 處理器。花了大約1天的時間在8GB RAM，3GHz Intel i5 單核處理器上訓練。這對最快的培訓有幫助 - 更多 內存容量，多個CPU內核或CPU + GPU組合內核？
我相信GPU最能幫助你。我看過一些使用CPU的東西（異步的演員評論員或其他什麼東西？他們沒有使用鎖定），看起來CPU好一些，但我認爲GPU會給你帶來巨大的加速。