本書(shū)系統(tǒng)地講解了深度學(xué)習(xí)的基本知識(shí)、建模過(guò)程和應(yīng)用，并以深度學(xué)習(xí)在推薦系統(tǒng)、圖像識(shí)別、自然語(yǔ)言處理、文字生成和時(shí)間序列中的具體應(yīng)用為案例，詳細(xì)介紹了從工具準(zhǔn)備、數(shù)據(jù)獲取和處理到針對(duì)問(wèn)題進(jìn)行建模的整個(gè)過(guò)程和實(shí)踐經(jīng)驗(yàn)，是一本非常好的深度學(xué)習(xí)入門(mén)書(shū)。
俞棟、張察博士親筆作序力薦，谷歌、微軟、Twitter、Facebook、Airbnb等公司多位博學(xué)數(shù)據(jù)科學(xué)家傾情力薦。
本書(shū)從如何準(zhǔn)備深度學(xué)習(xí)的環(huán)境開(kāi)始，手把手地教讀者如何采集數(shù)據(jù)，如何運(yùn)用一些常用，也是目前被認(rèn)為有效的一些深度學(xué)習(xí)算法來(lái)解決實(shí)際問(wèn)題。覆蓋的領(lǐng)域包括推薦系統(tǒng)、圖像識(shí)別、自然語(yǔ)言情感分析、文字生成、時(shí)間序列、智能物聯(lián)網(wǎng)等。不同于許多同類的書(shū)籍，本書(shū)選擇了Keras作為編程軟件，強(qiáng)調(diào)簡(jiǎn)單、快速的模型設(shè)計(jì)，而不去糾纏底層代碼，使得內(nèi)容相當(dāng)易于理解。讀者可以在CNTK、TensorFlow和Theano的后臺(tái)之間隨意切換，非常靈活。即使你有朝一日需要用更低層的建模環(huán)境來(lái)解決更復(fù)雜的問(wèn)題，相信也會(huì)保留從Keras中學(xué)來(lái)的高度抽象的角度審視你要解決的問(wèn)題，讓你事半功倍。
謝梁
現(xiàn)任微軟云計(jì)算核心存儲(chǔ)部門(mén)首席數(shù)據(jù)科學(xué)家，主持運(yùn)用機(jī)器學(xué)習(xí)和人工智能方法優(yōu)化大規(guī)模高可用性并行存儲(chǔ)系統(tǒng)的運(yùn)行效率和改進(jìn)其運(yùn)維方式。具有十余年機(jī)器學(xué)習(xí)應(yīng)用經(jīng)驗(yàn)，熟悉各種業(yè)務(wù)場(chǎng)景下機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘產(chǎn)品的需求分析、架構(gòu)設(shè)計(jì)、算法開(kāi)發(fā)和集成部署，涉及金融、能源和高科技等領(lǐng)域。曾經(jīng)擔(dān)任美國(guó)道瓊斯工業(yè)平均指數(shù)保險(xiǎn)業(yè)成分股的旅行家保險(xiǎn)公司分析部門(mén)總監(jiān)，負(fù)責(zé)運(yùn)用現(xiàn)代統(tǒng)計(jì)學(xué)習(xí)方法優(yōu)化精算定價(jià)業(yè)務(wù)和保險(xiǎn)運(yùn)營(yíng)管理，推動(dòng)精準(zhǔn)個(gè)性化定價(jià)解決方案。在包括Journal of Statistical Software等專業(yè)期刊上發(fā)表過(guò)多篇論文，擔(dān)任Journal of Statistical Computation and Simulation期刊以及Data Mining Applications with R一書(shū)的審稿人。本科畢業(yè)于西南財(cái)經(jīng)大學(xué)經(jīng)濟(jì)學(xué)專業(yè)，博士畢業(yè)于紐約州立大學(xué)計(jì)量經(jīng)濟(jì)學(xué)專業(yè)。
魯穎
現(xiàn)任谷歌硅谷總部數(shù)據(jù)科學(xué)家，為谷歌應(yīng)用商城提供核心數(shù)據(jù)決策分析，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)建立用戶行為預(yù)測(cè)模型，為產(chǎn)品優(yōu)化提供核心數(shù)據(jù)支持。曾在亞馬遜、微軟和迪士尼美國(guó)總部擔(dān)任機(jī)器學(xué)習(xí)研究科學(xué)家，有著多年使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法研發(fā)為業(yè)務(wù)提供解決方案的經(jīng)驗(yàn)。熱衷于幫助中國(guó)社區(qū)的人工智能方面的研究和落地，活躍于各個(gè)大型會(huì)議并發(fā)表主題演講。本科畢業(yè)于復(fù)旦大學(xué)數(shù)學(xué)專業(yè)，博士畢業(yè)于明尼蘇達(dá)大學(xué)統(tǒng)計(jì)專業(yè)。
勞虹嵐
現(xiàn)任微軟研究院研究工程師，是早期智能硬件項(xiàng)目上視覺(jué)和語(yǔ)音研發(fā)的核心團(tuán)隊(duì)成員，對(duì)企業(yè)用戶和消費(fèi)者需求體驗(yàn)與AI技術(shù)的結(jié)合有深刻的理解和豐富的經(jīng)驗(yàn)。曾在Azure和Office 365負(fù)責(zé)處理大流量高并發(fā)的后臺(tái)云端研究和開(kāi)發(fā)，精通一系列系統(tǒng)架構(gòu)設(shè)計(jì)和性能優(yōu)化方面的解決方案。擁有從前端到后端的豐富經(jīng)驗(yàn)：包括客戶需求判斷、產(chǎn)品開(kāi)發(fā)以及最終在云端架構(gòu)設(shè)計(jì)和部署。本科畢業(yè)于浙江大學(xué)電子系，碩士畢業(yè)于美國(guó)南加州大學(xué)(USC)電子和計(jì)算機(jī)系。
目錄
1 準(zhǔn)備深度學(xué)習(xí)的環(huán)境 1
1.1 硬件環(huán)境的搭建和配置選擇 . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 通用圖形處理單元 . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 你需要什么樣的 GPU 加速卡 . . . . . . . . . . . . . . . . . . . . 6
1.1.3 你的 GPU 需要多少內(nèi)存 . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 是否應(yīng)該用多個(gè) GPU . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 安裝軟件環(huán)境 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 所需軟件列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 CUDA 的安裝 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.3 Python 計(jì)算環(huán)境的安裝 . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 深度學(xué)習(xí)建模環(huán)境介紹 . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 安裝 CNTK 及對(duì)應(yīng)的 Keras . . . . . . . . . . . . . . . . . . . . . 17
1.2.6 安裝 Theano 計(jì)算環(huán)境 . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.7 安裝 TensorFlow 計(jì)算環(huán)境 . . . . . . . . . . . . . . . . . . . . . . 25
1.2.8 安裝 cuDNN 和 CNMeM . . . . . . . . . . . . . . . . . . . . . . . 27
2 數(shù)據(jù)收集與處理 28
2.1 網(wǎng)絡(luò)爬蟲(chóng) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.1 網(wǎng)絡(luò)爬蟲(chóng)技術(shù) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.2 構(gòu)造自己的 Scrapy 爬蟲(chóng) . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.3 構(gòu)造可接受參數(shù)的 Scrapy 爬蟲(chóng) . . . . . . . . . . . . . . . . . . . 35
2.1.4 運(yùn)行 Scrapy 爬蟲(chóng) . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.5 運(yùn)行 Scrapy 爬蟲(chóng)的一些要點(diǎn) . . . . . . . . . . . . . . . . . . . . . 38
2.2 大規(guī)模非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)和分析 . . . . . . . . . . . . . . . . . . . . . 40
2.2.1 ElasticSearch 介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2.2 ElasticSearch 應(yīng)用實(shí)例 . . . . . . . . . . . . . . . . . . . . . . . . 44
3 深度學(xué)習(xí)簡(jiǎn)介 57
3.1 概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 深度學(xué)習(xí)的統(tǒng)計(jì)學(xué)入門(mén) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 一些基本概念的解釋 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.1 深度學(xué)習(xí)中的函數(shù)類型 . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.2 深度學(xué)習(xí)中的其他常見(jiàn)概念 . . . . . . . . . . . . . . . . . . . . . 65
3.4 梯度遞減算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5 后向傳播算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4 Keras 入門(mén) 72
4.1 Keras 簡(jiǎn)介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2 Keras 中的數(shù)據(jù)處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.1 文字預(yù)處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.2 序列數(shù)據(jù)預(yù)處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.3 圖片數(shù)據(jù)輸入 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Keras 中的模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4 Keras 中的重要對(duì)象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5 Keras 中的網(wǎng)絡(luò)層構(gòu)造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6 使用 Keras 進(jìn)行奇異值矩陣分解 . . . . . . . . . . . . . . . . . . . . . . . 102
5 推薦系統(tǒng) 105
5.1 推薦系統(tǒng)簡(jiǎn)介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 矩陣分解模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3 深度神經(jīng)網(wǎng)絡(luò)模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.4 其他常用算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.5 評(píng)判模型指標(biāo) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6 圖像識(shí)別 121
6.1 圖像識(shí)別入門(mén) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.2 卷積神經(jīng)網(wǎng)絡(luò)的介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3 端到端的 MNIST 訓(xùn)練數(shù)字識(shí)別 . . . . . . . . . . . . . . . . . . . . . . . 127
6.4 利用 VGG16 網(wǎng)絡(luò)進(jìn)行字體識(shí)別 . . . . . . . . . . . . . . . . . . . . . . . 131
6.5 總結(jié) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7 自然語(yǔ)言情感分析 136
7.1 自然語(yǔ)言情感分析簡(jiǎn)介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.2 文字情感分析建模 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.1 詞嵌入技術(shù) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2.2 多層全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 . . . . . . . . . . . . . . . . . 140
7.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 . . . . . . . . . . . . . . . . . . . . . 143
7.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練情感分析 . . . . . . . . . . . . . . . . . . . . . 144
7.3 總結(jié) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8 文字生成 147
8.1 文字生成和聊天機(jī)器人 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.2 基于檢索的對(duì)話系統(tǒng) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
8.3 基于深度學(xué)習(xí)的檢索式對(duì)話系統(tǒng) . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.1 對(duì)話數(shù)據(jù)的構(gòu)造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.3.2 構(gòu)造深度學(xué)習(xí)索引模型 . . . . . . . . . . . . . . . . . . . . . . . . 162
8.4 基于文字生成的對(duì)話系統(tǒng) . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.5 總結(jié) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9 時(shí)間序列 173
9.1 時(shí)間序列簡(jiǎn)介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.2 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3 時(shí)間序列模型預(yù)測(cè)度的衡量 . . . . . . . . . . . . . . . . . . . . . . . 178
9.4 時(shí)間序列數(shù)據(jù)示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
9.5 簡(jiǎn)要回顧 ARIMA 時(shí)間序列模型 . . . . . . . . . . . . . . . . . . . . . . . 181
9.6 循環(huán)神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型 . . . . . . . . . . . . . . . . . . . . . . . . 186
9.7 應(yīng)用案例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
9.7.1 長(zhǎng)江漢口月度流量時(shí)間序列模型 . . . . . . . . . . . . . . . . . . 190
9.7.2 國(guó)際航空月度乘客數(shù)時(shí)間序列模型 . . . . . . . . . . . . . . . . . 203
9.8 總結(jié) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
10 智能物聯(lián)網(wǎng) 210
10.1 Azure 和 IoT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
10.2 Azure IoT Hub 服務(wù) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
10.3 使用 IoT Hub 管理設(shè)備概述 . . . . . . . . . . . . . . . . . . . . . . . . . . 215
10.4 使用.NET 將模擬設(shè)備連接到 IoT 中心 . . . . . . . . . . . . . . . . . . . . 218
10.5 機(jī)器學(xué)習(xí)應(yīng)用實(shí)例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
1.1 硬件環(huán)境的搭建和配置選擇
從事機(jī)器學(xué)習(xí)，一個(gè)好的硬件環(huán)境是必不可少的。在硬件環(huán)境的選擇上，并不是一定選擇最貴的就會(huì)有好的效果，很多時(shí)候可能付出了 2 倍的成本，但是性能的提升卻只有 10%。深度學(xué)習(xí)的計(jì)算環(huán)境對(duì)不同部件的要求不同，因此這里先簡(jiǎn)要討論一下硬件的合理搭配。如果您不差錢(qián)，則可以跳過(guò)本節(jié)。另外，雖然目前有一些云服務(wù)供應(yīng)商提供 GPU 計(jì)算能力，并且一鍵部署，聽(tīng)起來(lái)不錯(cuò)，但是基于云計(jì)算的 GPU 實(shí)例受到兩個(gè)限制。首先，普通的廉價(jià) GPU 實(shí)例內(nèi)存稍小，比如 AWS 的 G2 實(shí)例目前只支持單GPU 4GB 的顯存；其次，支持較大顯存的實(shí)例費(fèi)用比較高，性價(jià)比不高。比如 AWS 的P2 實(shí)例使用支持每 GPU 12GB 內(nèi)存的 K80 GPU，每小時(shí)費(fèi)用高達(dá) 0.9 美元。但是 K80GPU 屬于 Kepler 架構(gòu)，是兩代前的技術(shù)。另外，在實(shí)際使用中需要開(kāi)啟其他服務(wù)以使用 GPU 實(shí)例，各種成本加起來(lái)每月的開(kāi)支還是很可觀的，很可能 6 個(gè)月的總開(kāi)支夠買(mǎi)一臺(tái)配置較新 GPU 的全新電腦了。
在搭配深度學(xué)習(xí)機(jī)器而選擇硬件的時(shí)候，通常要考慮以下幾個(gè)因素。
(1) 預(yù)算。這個(gè)非常重要。如果預(yù)算足夠，當(dāng)然可以秉承最貴的就是好的理念來(lái)選擇。但是當(dāng)預(yù)算有一定限制的時(shí)候，如何搭配部件來(lái)較大化性能，盡量減少瓶頸就是很重要的考量了。
(2) 空間。這里特指機(jī)箱的空間。大部分新的 GPU 都是雙風(fēng)扇的，因此對(duì)機(jī)箱尺寸要求很高。如果你已經(jīng)有一個(gè)機(jī)箱了，那么選擇合適尺寸的 GPU 就成為先的考慮；如果新配機(jī)箱，那么全尺寸的大機(jī)箱是好的選擇。這是因?yàn)榇髾C(jī)箱通風(fēng)好，同時(shí)可以為以后添加多個(gè) GPU 進(jìn)行升級(jí)留有余地；另外，大機(jī)箱通常有多個(gè) PCIe 的背板插槽可以放置多個(gè) PCIe 設(shè)備。一般現(xiàn)在的 GPU 卡都會(huì)占據(jù)兩個(gè) PCIe 的插槽空間，因此背板插槽越多越好。
(3) 能耗。性能越好的 GPU 對(duì)能源的要求越高，而且很可能是整個(gè)系統(tǒng)里能耗較高的部件。如果已經(jīng)有一臺(tái)機(jī)器了，只是要添加一個(gè) GPU 來(lái)做學(xué)習(xí)用，那么選擇性能一般但是能耗低的 GPU 卡是比較明智的；如果需要高密度計(jì)算，搭配多個(gè) GPU 并行處理，那么對(duì)電源的要求非常高，一般來(lái)說(shuō)，搭配 4GPU 卡的系統(tǒng)至少需要 1600W 的電源。
(4) 主板。對(duì)主板的選擇非常重要，因?yàn)樯婕案?GPU 的接口選擇。一般來(lái)說(shuō)，至少需要一塊支持 PCIe 3.0 接口的主板。如果以后要升級(jí)系統(tǒng)到多個(gè) GPU，那么還需要支持 8 16 芯 PCIe 電源接口的主板，這樣可以連接最多 4 個(gè) GPU 進(jìn)行 SLI 并聯(lián)。對(duì)于 4個(gè) GPU 這個(gè)限制，是因?yàn)槟壳昂玫闹靼逡仓恢С肿疃?40 條 PCIe 通道(16x, 8x, 8x,8x 的配置)。多個(gè) GPU 并行加速比并不能達(dá)到，畢竟還是有些額外開(kāi)銷的。比如系統(tǒng)需要決定在哪個(gè) GPU 上進(jìn)行這個(gè)數(shù)據(jù)塊對(duì)應(yīng)的計(jì)算任務(wù)。我們后面會(huì)提到， CNTK計(jì)算引擎的并行加速性很好，在使用多個(gè) GPU 時(shí)值得考慮。
(5) CPU。 CPU 在深度學(xué)習(xí)計(jì)算中的作用不是非常顯著的，除非使用 CPU 進(jìn)行深度學(xué)習(xí)算法的計(jì)算。因此如果你已經(jīng)有一臺(tái)電腦的話，就不用太糾結(jié)是否要升級(jí) CPU了；但是如果要新搭建系統(tǒng)，那么在 CPU 的選擇上還是有些考量的，這樣可以使系統(tǒng)利用 GPU 的能力較大化。首先要選擇一個(gè)支持 40 條 PCIe 通道的 CPU。不是所有的CPU 都支持這么多的 PCIe 通道，比如 haswell 核心的 i5 系列 CPU 就支持最多 32 條通道。其次要選擇一個(gè)高頻率的 CPU。雖然系統(tǒng)使用 GPU 做具體的計(jì)算，但是在準(zhǔn)備模型階段 CPU 還是有重要作用的，因此選擇使用在預(yù)算內(nèi)主頻高、速度快的 CPU 還是比較重要的。 CPU 的核心數(shù)量不是一個(gè)很重要的指標(biāo)，一般來(lái)說(shuō)，一個(gè) CPU 核心可以支持一塊 GPU 卡。按照這個(gè)標(biāo)準(zhǔn)，大部分現(xiàn)代的 CPU 都是合格的。
(6) 內(nèi)存。內(nèi)存容量還是越大越好，以減少數(shù)據(jù)提取的時(shí)間，加快和 GPU 的交換。一般原則是按照 GPU 內(nèi)存容量的至少兩倍來(lái)配置主機(jī)內(nèi)存。
(7) 存儲(chǔ)系統(tǒng)。對(duì)于存儲(chǔ)系統(tǒng)的能力，除要容量大以外，主要體現(xiàn)在計(jì)算時(shí)不停地提取數(shù)據(jù)供應(yīng) GPU 進(jìn)行計(jì)算方面。如果做圖像方面的深度學(xué)習(xí)，數(shù)據(jù)量通常都非常大，因此可能需要多次提取數(shù)據(jù)才能完成一輪計(jì)算，這個(gè)時(shí)候存儲(chǔ)系統(tǒng)讀取數(shù)據(jù)的能力就成為整個(gè)計(jì)算的瓶頸。因此，大容量的 SSD 是好的選擇?，F(xiàn)在的 SSD 讀取速度已經(jīng)超過(guò) GPU 從 PCIe 通道裝載數(shù)據(jù)的速度。如果使用傳統(tǒng)的機(jī)械硬盤(pán)，組成 RAID 5 也是一個(gè)不錯(cuò)的選擇。如果數(shù)據(jù)量不是很大，那么這個(gè)考慮就不那么重要了。
(8) GPU。 GPU 顯然是最重要的選擇，對(duì)整個(gè)深度學(xué)習(xí)系統(tǒng)的影響較大。相對(duì)于使用 CPU 進(jìn)行計(jì)算， GPU 對(duì)于提高深度學(xué)習(xí)的速度是眾所周知的事情，通常我們能見(jiàn)到5 倍左右的加速比，而在大數(shù)據(jù)集上這個(gè)優(yōu)勢(shì)甚至達(dá)到了 10 倍。盡管好處明顯，但是如何在控制性價(jià)比的條件下選擇一個(gè)合適的 GPU 卻不是一件簡(jiǎn)單的事情。因此，我們?cè)谙旅娴恼鹿?jié)中將詳細(xì)討論如何選擇 GPU。
書(shū)很不好，看得我秒秒鐘想撕，一樣?xùn)|西，它解釋起來(lái)怎么就那么費(fèi)勁，思維異于常人？而且很多行業(yè)術(shù)語(yǔ)也很……異于常人？很抵觸這樣的書(shū)……而且前面大篇幅介紹硬件方面東西，雖然我承認(rèn)部署環(huán)境是很重要，但是讀的過(guò)程中給我的感覺(jué)就是……偏離主題了……重點(diǎn)沒(méi)有突出，介紹一個(gè)知識(shí)點(diǎn)往往淺嘗輒止，倒是一直在提深度學(xué)習(xí)這個(gè)詞，然并卵，連深度學(xué)習(xí)的思想也沒(méi)有介紹到，所以很貴，太不值這個(gè)錢(qián)……愛(ài)買(mǎi)書(shū)的girl的客觀測(cè)評(píng)over另，送你們兩頁(yè)，我不知道為什么這樣解釋
書(shū)很不好，看得我秒秒鐘想撕，一樣?xùn)|西，它解釋起來(lái)怎么就那么費(fèi)勁，思維異于常人？而且很多行業(yè)術(shù)語(yǔ)也很……異于常人？很抵觸這樣的書(shū)……而且前面大篇幅介紹硬件方面東西，雖然我承認(rèn)部署環(huán)境是很重要，但是讀的過(guò)程中給我的感覺(jué)就是……偏離主題了……重點(diǎn)沒(méi)有突出，介紹一個(gè)知識(shí)點(diǎn)往往淺嘗輒止，倒是一直在提深度學(xué)習(xí)這個(gè)詞，然并卵，連深度學(xué)習(xí)的思想也沒(méi)有介紹到，所以很貴，太不值這個(gè)錢(qián)……愛(ài)買(mǎi)書(shū)的girl的客觀測(cè)評(píng)over另，送你們兩頁(yè)，我不知道為什么這樣解釋
不錯(cuò)，還沒(méi)看，不過(guò)聽(tīng)說(shuō)很厲害，好好學(xué)
對(duì)最近的學(xué)習(xí)工作很有幫助，希望能通過(guò)這本書(shū)的學(xué)習(xí)提高自己的能力
正版書(shū)籍，實(shí)用性強(qiáng)