《失控玩家》爆火背后：什么才是拥抱人工智能的正确姿势？

谈到暑期档最火爆电影

非《失控玩家》莫属

 随着这匹最大黑马杀出重围

主人公“Guy”也当仁不让地成为

这个暑期档的“最强玩家”

然而，像Guy这样拥有完全意识的人工智能

目前还只处在我们的想象之中

受制于硬件发展水平

仅是最常见深度学习中的建模与部署就需要消耗大量时间

如何才能正确拥抱人工智能

将我们的工作从重复中解救出来？

话不多说，下滑带你一窥究竟

一

为什么说人工智能无法回避深度学习?

以主流观点而论，机器学习是一种实现人工智能的方法，深度学习是用于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制解释数据的一种机器学习技术。作为目前应用最广泛、传播最火热的人工智能概念之一，深度学习是当之无愧的“AI显学”。

深度学习也是可以在理论上将《失控玩家》中的NPC赋予创造力和具备深度学习能力的技术。深度学习技术的普及所带来人工智能技术爆发，正是网络平行世界“元宇宙”能够走上台前的关键。

二

是什么在阻挡机器进行深度学习？

深度学习的最大优点之一，在于它的应用领域（视觉、自然语言，语音、RL等）共享大多数技术。换言之，当你曾在计算机视觉深度学习领域工作过，很快也就能在自然语言处理中上手。因此，深度学习应用中的实际建模也就格外重要。

对于任何神经网络来说，深度学习模型的训练阶段都是最耗费资源的任务，构建深度学习模型需要大量的训练数据，才能展现出神奇的智能效果。

另一方面，无论是TensorFlow、Pytorch还是国产的PaddlePaddle飞桨，主流深度学习框架都需要消耗大量的GPU、硬盘CPU等硬件保证训练速度。戴尔Precision 3561工作站无疑正是专业人士在日常进行深度学习建模的有力武器。

1

关键中的关键，核心中的核心：高能GPU

GPU的选择在深度学习系统中较为关键

它将从根本上决定深度学习体验

深度学习是模拟人脑神经系统而建立的数学网络模型

而深度学习中的高度并行的神经网络计算

正是GPU擅长的方向

由此，GPU在深度学习尤其是计算机视觉方面

得到了广泛的应用

在戴尔Precision 3561工作站显卡、特别是全新Turing架构Tensor Core硬件加速的帮助下，用户使用TensorFlow进行复杂的深度学习训练时，不仅可有效提升收敛速度、缩短训练时间，使得相同总训练时间内的迭代次数变多，从而提升准确率，更能使训练次数变多，从而增加尝试不同超参数的机会。

2

  数据运算的有力支撑：高速SSD硬盘

在使用Caffe进行图像、视频的深度学习时

训练数据对训练结果有至关重要的影响

数据处理量大

且经常使用自动数据标注功能

如果硬盘读取文件的速度较慢

硬盘就会成为深度学习过程中明显的瓶颈

大幅延长训练时间

3

  隐秘的运算助手：高频CPU

CPU对于深度学习同样不可忽视

TensorFlow、MXNet、Pytorch都有CPU版本

但我们还是更多选择主流的GPU版本

即使GPU进行深度学习运算时CPU的承载计算很少

但CPU仍然需要处理以下事情

在代码中写入、读取变量、执行指令

启动在GPU上函数调用、创建小批量数据、数据传输

如果忽视它们

运算速度也最终会忽视你

戴尔Precision 3561 AI伙伴型工作站

限时惊喜特惠

低至6.1折起

购机加赠2549元超值辅助礼包

内含拓展坞、键鼠套装和15寸背包

更有半价加购显示器、服务优惠升级

等多重特权等你来享

快快扫码咨询戴尔官网客服下单吧！

听说还有隐藏福利等待解锁~

 扫码回复“2企业用户”

专享企业级客户下单福利

点击“阅读原文”，回复“2-企业用户”，联系戴尔官网商城客服下单，最高价值700元的企业专属神秘福利等你来！

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！