大家好,今天小编关注到一个比较有意思的话题,就是关于linux开发深度学习交流的问题,于是小编就整理了1个相关介绍linux开发深度学习交流的解答,让我们一起看看吧。
英伟达禁止使用GeForce显卡做深度学习,强推贵10倍的Tesla,GeForce和Tesla的差距有那么大吗?
差距大不大没有关系,也不重要。
关键是人家掌握了供应链中的话语权!
用深度学习的方法去实现人工智能的三大条件:数据,算法,计算能力。
其中,拥有海量数据的公司有很多,BAT、四大银行、三大通讯运营商……只不过是像BAT的互联网公司天然就懂得如何去利用它们手上的数据,而这些传统的银行与通讯运营商由于天生的基因使得它们自己并不能使这些数据产生较大价值,当然,这也就给了许多做这方面服务的中小公司许多机会。
而算法,虽然说只要几个程序员就能写出来,但强弱好坏的区别就大了,这也是一个做人工智能领域的公司的机密,肯定不会泄露出去啊,当然也就不可能会成为供应链上的东西。
最后,就是计算能力了,用于深度学习的计算要求是大量的可重复性的运算能力。众所周知,各种芯片里面,CPU擅长的是逻辑运算、APU的运算能力较弱、只有主要用于处理图形的GPU是擅长可重复性的大量的运算的。因此,毫无疑问,GPU领域里的霸主英伟达掌握了这一人工智能生产链里的必备的生产要素,就掌握的强大的话语权。
由于GPU天生就是最拿去作为人工智能的计算要求的,因此这一领悟的霸主英伟达自然地就被推上了人工智能这一次的计算浪潮之巅,成为一代巨头。
在技术浪潮的推动之下,总会有一些公司会被推到浪潮之巅的,直到下一次浪潮的来临。而这种浪潮,是任何人为的因素都很难去改变的。我们每个人都生活在一个具体的时代之中,作为在大时代背景中一个渺小的个体,我们要看准时机,把握机遇,迎上潮头,涌上浪巅……倘若我们有幸能够在自己的一生中赶上这样的一次浪潮,并被推上浪潮之巅,此生足矣!
GeForce和Tesla差距还是不小的。虽说在一些深度学习的场景下,高端GeForce和部分Tesla产品相比没有落后太多,不过在数据吞吐量和稳定性方面,Tesla依然具有优势。
英伟达最新的Tesla V100在深度学习场景的表现会更为突出,架构和制造工艺也会更好。
关于价格相差10倍的话题,其实稍微有些夸张,再者GeForce和Tesla本来就是面对不同场景的两个系列。之所以英伟达禁止在数据中心使用消费者级显卡GeForce做深度学习这个举动如此受到关注,这里认为有两方面的原因:
1、英伟达的问题。
GeForce和Tesla部分型号显卡使用了相同的架构,一些参数上也没有拉开大的档次。这种硬件核心相仿,主要通过软件来区分场景的做法本来就存在问题。或许是英伟达之前没有很好的分开图形GPU和用于机器学习GPU,也可能是英伟达为了省事儿。不过从长远来看,机器学习在专门设计的硬件上会有更好的表现,目前英伟达的做法也可能是进一步区分这不同的系列。
2、这个事情受到关注的背景。
比较早报道的相关消息来自日本媒体,大致看了下感觉文章中包含了不少情绪。这种情绪大致来自两个方面:
一家云服务公司之前使用的是titan x系列,英伟达这样一搞,他们手上的显卡肯定是不能用,很痛苦。
一些内容聚焦在反垄断上边,指出英伟达在机器学习领域非常强势的同时,也提到了日本知识产权的作用。
总之,该***一方面和英伟达日后的产品策略相关,受到波及的相关用户放大了英伟达这种策略的影响。
是时候停止跑数据灌水了。我们该停下来思考框架算法的优越性来自何处,多一些理论性科学推理,少一些直白比较跑数据,一切唯数据说话。总之一句话科研要有深远意义,要特立独行,别惯着这样的公司😁
到此,以上就是小编对于linux开发深度学习交流的问题就介绍到这了,希望介绍关于linux开发深度学习交流的1点解答对大家有用。