机器学习和机器视觉训练实验平台

（1）独立的LAN操作和培训机器学习模型和测试.

支持同时登录和实验，最多48位用户

（1）提供GPU平台

GPU强大的并行计算功能缓解了深度学习算法的训练瓶颈，从而释放了人工智能的新潜力

GPU并行计算架构正好满足深度学习的需求. 经过几年的研发和积累，GPU已成为超级计算机的重要支撑，极大地提高了机器学习的计算能力. 过去，人工智能的并行算法可能需要一两年的时间才能看到结果. 在GPU强大的计算能力的支持下，深度学习算法得到了突破，可以在短时间内有效获取数据结果

（2）提供支持GPU的Cuda驱动程序软件.

CUDA™是NVIDIA推出的通用并行计算架构，它使GPU能够解决复杂的计算问题. 它包含CUDA指令集体系结构（ISA）和GPU内的并行计算引擎. 开发人员现在可以使用C编写CUDA™架构的程序. C是使用最广泛的高级编程语言. 编写的程序可以在支持CUDA™的处理器上以超高性能运行.

CPU和GPU一起使用的“协同处理”

每个重要的消费类视频应用都已由CUDA加速机器视觉实验平台，或即将由CUDA加速，包括Elemental Technologies机器视觉实验平台，MotionDSP和LoiLo的产品.

GPU架构

在科研界，CUDA一直很受欢迎. 例如，CUDA现在可以加速AMBER. AMBER是一种分子动力学模拟程序，全世界学术界和制药公司的60,000多名研究人员使用该程序来加速新药的开发.

在金融市场上，Numerix和CompatibL已发布CUDA支持，用于全新的交易对手风险应用程序，并将速度提高了18倍. Numerix已被近400家金融机构广泛使用.

（3）提供cuDNN的深度神经网络加速库cuDNN

NVIDIA cuDNN是用于深度神经网络的GPU加速库. 它强调性能，易用性和低内存开销. NVIDIA cuDNN可以集成到更高级别的机器学习框架中，例如Google的Tensorflow和加州大学伯克利分校的流行caffe软件. 简单的插件设计使开发人员可以专注于设计和实现神经网络模型，而不仅仅是调整性能，同时还可以在GPU上实现高性能的现代并行计算.

主要功能

·特别针对NVIDIA GPU进行了调整，用于向前和向后进行卷积神经网络的卷积程序.

·针对最新的NVIDIA GPU架构进行了优化

·对于4个纬度张量的任何维度排序，步幅和子区域都可以轻松集成到任何神经网络的执行中

·对于许多其他常见的布局类型（ReLU，Sigmoid，Tanh，缓冲池，softmax），前进和后退路径

·可以轻松实现多线程的基于上下文的API

（3）TensorFlow神经网络算法

关于TensorFlow

TensorFlow是一个开源软件库，使用数据流图进行数值计算.

节点表示图中的数学运算，而图中的边缘表示在节点（即张量）之间互连的多维数据阵列. 其灵活的体系结构使您可以在多个平台上扩展计算，例如台式机，服务器，移动设备等中的一个或多个CPU（或GPU）.

TensorFlow最初是由Google Brain团队（属于Google机器智能研究所的一部分）的研究人员和工程师开发的，用于机器学习和深度神经网络研究，但是该系统的性使其广泛可用. 计算字段.

核心概念: 数据流程图

数据流图使用“节点”和“边缘”的有向图来描述数学计算.

“节点”通常用于指示所应用的数学运算，但也可以指示数据输入（馈入）/输出（推出）终点的起点，或读/写持久变量（持久变量）结束.

“行”指示“节点”之间的输入/输出关系. 这些数据“行”可以承载“大小可以动态调整”的多维数据数组，即“张量”（张量）.

张量流过图片的直观图像是该工具被命名为“ Tensorflow”的原因. 输入上的所有张量都准备好后，节点将被分配到各种计算设备，以并行和异步地完成操作.

（4）教育数据集:

经典MNIST数据集:

CIFAR10数据集:

UCI住房数据集:

斯坦福车辆识别数据集:

猫狗战役数据集:

MovieLens百万数据集:

百度实体注释数据集:

街景门牌号（SVHN）:

数百万首歌曲数据集（子集）:

中文语音数据集（Hill Shell版）:

鲍鱼年龄预测:

面部关键点识别:

IMDB情绪分析数据集:

Biwi头部姿势数据集:

斯坦福狗数据集:

布菲人体姿势数据集:

91幅图像的超分辨率重建:

（5）提供实验测试用例:

手势识别机器学习案例.

MINIST手写识别案例

人脸识别示例

参数数据:

机器学习和机器视觉训练实验平台

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-187110-1.html