在我们的日常生活中，往往会遇到如何深度学习电脑的问题，常常会不知道怎么处理，下面就让小编为大家提供一下解决这种问题的方法，希望能够给大家提供一定的帮助。
方法/步骤
1、首先，使得在觊皱筠桡CUDA中建立第一批深度学习库非常简单。但对于AMDOpenCL，这样的强大标准库并不存在。现实是，现在A卡并没聍铝遒灰有好用的深度学习库——所以一般人只能选N卡。即便将来有了OpenCL库，我仍会接着用N卡。原因很简单：GPU通用计算，或者说GPGPU的社群基本上是围绕着CUDA转的，而没有多少人钻研OpenCL。因此，在CUDA社区，你可以立刻获得好的开源方案和代码建议。
2、然后，对于深度学习，即便这项技术及其产业尚在襁褓之中，英伟达可谓是全面出击。老黄的投入并没有白费。那些现在才投入资金、精力，想要赶上深度学习风口的公司，由于起步晚，离英伟达的距离有老大一截。当前，使用任何除NVIDIA-CUDA之外的软硬件组合玩深度学习，简直是故意跟自己过不去。
3、然后，至于英特尔XeonPhi，官方宣传是你能用标准的C语言代码，并轻松把代码转化为加速的XeonPhi代码。该功能听着不错——你也许会想着可以借助海量的C语言资源。但实际情况是，只有非常少数的C语言代码有支持，而且大部分能用的C代码会非常非常的慢。因此，它其实比较鸡肋。
4、然后，在一个XeonPhi集群工作站搞研究，这期间的经历不忍回想，一把辛牵乡估瓞酸泪：无法运行单位测试，因为XeonPhiMKL和PythonNumpy不兼容；我不得紧鋈笆珀不重构大部分的代码，因为XeonPhi编译器无法对模板做恰当的reduction，比如说对switchstatement；我不得不修改C界面，因为XeonPhi编译器不支持一些C++11功能。
5、然后，所有这些迫使我在心酸沮丧中重写代码，并且没有单位测试。这过程极度漫长，堪称地狱般的经历。
6、最后，直到我的代码终于成功执行，但所有东西速度都很慢。有一些问题，搞不清是bug还是线程调度程序的原因，总之如果张量大小接连发生改变，性能就会大幅降低。举个例子，如果你有大小不同的全连接层或dropout层，XeonPhi比CPU还要慢。我在独立矩阵乘法上重现了这个问题，并发给英特尔，但没有回音。
