深度學習編譯框架tvm教程

㈠ 人工智慧學什麼

作為一名計算機專業的教育工作者，我來回答一下這個問題。

首先，人工智慧專業屬於計算機大類專業之一，雖然是新興專業，但是由於當前人工智慧領域的發展前景比較廣闊，同時一系列人工智慧技術也進入到了落地應用的階段，所以當前人工智慧專業也是熱點專業之一。

人工智慧專業有三個特點，其一是多學科交叉，涉及到計算機、數學、控制學、經濟學、神經學、語言學等諸多學科，因此整體的知識量還是比較大的，其二是學習難度較大，人工智慧本身的知識體系尚處在完善當中，很多領域還有待突破，其三是實踐場景要求高。

基於這三個特點，要想在本科階段有較好的學習效果，要有針對性的解決方案。針對於多學科交叉的情況，在大一期間一定要多做加法，尤其要重視編程語言的學習，基於編程語言來打開計算機技術大門，進而學習機器學習，而機器學習則被稱為是打開人工智慧技術大門的鑰匙。

其三是要重視為自己營造一個較好的交流和實踐場景，這對於學習效果有較大的影響，建議在大一、大二期間積極參加人工智慧相關的課題組。在選擇課題組的時候，要考慮到自己的興趣愛好、課題周期、實踐資源等因素，從這個角度來看，學校的科研資源對於人工智慧專業的同學有較大的影響。

如果有互聯網、大數據、人工智慧等方面的問題，或者是考研方面的問題，都可以私信我！

很榮幸曾經參加過一次江蘇省人工智慧論壇，論壇上認真聆聽了行業大佬周志華教授的報告，受益匪淺，首先呢，如果你是在校大學生，想要以後從事人工智慧專業相關工作，我這里給你分享下 南京大學人工智慧學院院長周志華教授 曾經在論壇上分享的南京大學人工智慧專業本科生教育培養大綱的相關課程。

首先是基礎數學部分：

數學分析、高等數學、高等代數、概率論與數理統計、最優化方法、數理邏輯。

其次是學科基礎課程：

人工智慧導引、數據結構與演算法分析、程序設計基礎、人工智慧程序設計、機器學習導論、知識表示與處理、模式識別與計算機視覺、自然語言處理、數字系統設計基礎、操作系統。

專業方向課程：

泛函分析、數字信號處理、高級機器學習、計算方法、控制理論方法、機器人學導論、多智能體系統、分布式與並行計算。

專業選修課課程：

數學建模、矩陣計算、隨機過程、組合數學。博弈論及其應用、時間序列分析、編譯原理、隨機演算法、資料庫概論。

這是南京大學人工智慧學院本科生四年的課程安排，看起來課程非常多，但這是一個培養體系，現在國內只有南京大學針對人工智慧專業開設了如此系統的培養方案，專業涉及人工智慧的各個領域方向。學生可以根據自己的興趣愛好，選擇想要學習的領域方向。

如果你已經畢業，想要轉行從事人工智慧行業，那麼下面這套課程可能比較適合你：

1.莫煩python教程（網路可搜）： 莫煩python有很多專欄，可以學習到python基礎、以及人工智慧相關的軟體框架教程，包括相關人工智慧相關的一些實戰小項目。

2.吳恩達機器學習（網易雲課堂）： 人工智慧機器學習理論部分，非常適合零基礎的小白學習

3.吳恩達卷積神經網路（網易雲課堂）： 人工智慧深度學習理論部分，非常適合零基礎的小白學習

4.李飛飛CS231n（網易雲課堂）： 人工智慧深度學習和機器學習理論，適合有一定基礎的學習者。

5.吳恩達cs229（blibli）： 人工智慧深度學習和機器學習理論，適合有一定基礎的學習者。

這些基礎課程學會了，可能就算是跨入了半個門檻，當然面試的時候還欠缺實戰經驗，於是你可以去kaggle或者天池參加一些比賽，有了這些比賽經驗，簡歷上也算是多了一塊實戰經驗，增加了你的面試成功率。最後，不要參加什麼培訓機構區培訓，既花錢又學不到什麼東西，最後畢業還會給你簡歷造假，得不償失，我給你推薦的這些課程絕對比市面上99.99%的培訓機構課程靠譜！

接下來文章會側重在以下幾方面

1、零基礎如何進行人工智慧的自學（以找工作為目的），包括路徑規劃，怎麼學等等。

2、我的個人感悟，關於轉行、工作、創業、希望能給大家一些啟發。

3、好的學習資源分享

先說一下個人背景，一本，經濟學畢業，上學時從未學過編程。我這里指的零基礎指的是，沒有編程基礎、沒有數學基礎（數學需要一些基本的，如果沒有，後續也會幫助大家的）。

剛畢業第一年時，迷茫，不知道做什麼。

第一階段：邊工作邊自學爬蟲，失敗

畢業一年後，覺得編程可能是自己想要的，所以開始自學編程。

最開始學的是爬蟲，python語言。每天學6個小時，一周五到六天。學了4個月後，去面了五六家企業，沒有成功。原因是爬蟲的知識夠，可是計算機的基礎太薄弱。什麼演算法、計算機網路這些，統統沒學。因為我當時是完全自學，沒有人帶，導致我也不知道要學這些。第一階段，失敗，說實話，有點氣餒，那可是每天沒日沒夜的學習啊，最後卻換來一場空。可是生活還得繼續，怨天尤人有什麼用。

第二階段：邊工作邊自學人工智慧，成功

面試失敗後，考慮了要把編程基礎學一下再去面試，還是學點別的。我的決定是學人工智慧，當時對這個比較感興趣。好了，又是學了半年多，每天學6個小時，一周6天。從機器學習學到深度學習再學回機器學習。面試，成功地去公司從事機器學習深度學習方面的基礎工作。不過實力肯定沒有那些編程出身，數學、統計出身的人強，所以很多時候也是邊學邊做，打打雜。

其實我說的很簡單很輕松的樣子，但其中的艱辛只有自己是最清楚。所以我很希望通過我未來經驗學習的分享，幫助大家少走一些彎路。

第三階段：自己干

現在，已從公司辭職，自己開發網站，做社群，開網店。就是覺得，其實編程也只是我的一個工具，這個人就是比較喜歡自己做點事情，編程挺累的，哈哈哈。如果大家有什麼合作的好點子，也歡迎隨時來找我哦。

十問十答：

1、零基礎轉行學編程可以嗎？可以，要做好吃苦的准備。學習是個漫長的過程，你上班的話，能否保證一定時間的學習呢，這個是你要問自己的。我也是邊工作邊學習，不同的是，我工作很清閑，所以我基本可以在上班時間學習。如果你還在上學，恭喜你這是你最好的機會了。

2、該自學還是去培訓班？我覺得自學就夠了，培訓班真是又貴又水。這是我進過培訓班的朋友告訴我的。其實你工作之後會發現，很多東西都是要自學的。如果你連自學都沒辦法自學的話，你又怎麼能工作。而且，自學的效率會更高，當然前提是路徑不能錯。

3、轉行編程，就業率怎麼樣？說實話，如果你不是編程出身的，要轉行編程其實是比較難的，畢竟人家4年的正統學習不是白學的。但這不意味著就沒辦法。找准目標，規劃好路徑，學習最必要的知識，這樣就有機會。但是，請做好學完仍找不到工作的心理准備。

4、最理想的自學環境是怎麼樣的？清晰的學習路徑+自學+交流討論的環境+有人指導

5、人工智慧零基礎可以學嗎？可以，但是比一般轉行編程的要難，因為要自學的東西更多，要求的門檻也會更高。這個後續會著重講到。

6、學人工智慧需要數學嗎？不要因為數學而望而切步，數學是需要的，但沒有要求的高不可攀，通過必要的學習，是可以達到入門水準的。

7、以前沒接觸過編程，怎麼辦？可以學習python，這真的是一門對零基礎的人來說很友好的語言了，其他的我不懂。

8、一般轉行編程的周期要多久？按我跟我周邊朋友的經驗來看。一周5-6天，一天6小時學習時間，4-7個月，這應該是比較正常的。

9、我是怎麼堅持下來的？期間有很多次想要放棄，有的時候是真的看不懂，也沒人教，純自學，安裝個工具有什麼時候就要安裝半天，不多說，都是淚啊。你的慾望有多強烈，就能有多堅持。

10、現在學編程還來得及嗎？永遠都來得及，學編程不一定是為了好工作，它更是一個全新的世界，你會發現很多對自己有幫助的東西。就算以後你不做這個，我相信這個學習的過程也會有所收獲。

這是我之後會寫的文章的大概目錄，大家可以參考一下。

以下系列是暫定的，一篇文章可能會寫成好幾篇。這個系列不僅僅以學習為目的，目的是為了達到機器學習的工作入門標准。並不簡單，但努力就有可能。網上的教程我看了很多，路徑大部分都沒有錯。只是我覺得第一，太貴，明明網上有很多免費的更好的資源。第二，練習的量遠遠不夠達到能去找工作的標准。

目錄：

零基礎自學人工智慧系列（1）：機器學習的最佳學習路徑規劃（親身經驗）

零基礎自學人工智慧系列（2）：機器學習的知識准備（數學與python，附學習資源）

零基礎自學人工智慧系列（3）：機器學習的知識准備（數學篇詳解）

零基礎自學人工智慧系列（4）：機器學習的知識准備（python篇詳解）

零基礎自學人工智慧系列（5）：機器學習的理論學習規劃（附資源）

零基礎自學人工智慧系列（6）：深度學習的理論學習規劃（附資源）

零基礎自學人工智慧系列（7）：機器學習的實戰操作（附資源和代碼）

零基礎自學人工智慧系列（8）：深度學習的實戰操作（附資源和代碼）

零基礎自學人工智慧系列（9）：找工作篇，需加強的部分（類似數據結構與演算法）

最後，我希望我能給大家樹立一些信心。不管你現在處於什麼水平，只要肯努力，什麼都有可能的。

首先我們需要一定的數學基礎，如：高數、線性代數、概率論、統計學等等。很多人可能要問，我學習人工智慧為什麼要有數學基礎呢？二者看似毫不相干，實則不然。線性代數能讓我們了解如何將研究對象形象化，概率論能讓我們懂得如何描述統計規律，此外還有許多其他數學科目，這些數學基礎能讓我們在學習人工智慧的時候事半功倍。

1、學習並掌握一些數學知識

高等數學是基礎中的基礎，一切理工科都需要這個打底，數據挖掘、人工智慧、模式識別此類跟數據打交道的又尤其需要多元微積分運算基礎

線性代數很重要，一般來說線性模型是你最先要考慮的模型，加上很可能要處理多維數據，你需要用線性代數來簡潔清晰的描述問題，為分析求解奠定基礎

概率論、數理統計、隨機過程更是少不了，涉及數據的問題，不確定性幾乎是不可避免的，引入隨機變數順理成章，相關理論、方法、模型非常豐富。很多機器學習的演算法都是建立在概率論和統計學的基礎上的，比如貝葉斯分類器、高斯隱馬爾可夫鏈。

再就是優化理論與演算法，除非你的問題是像二元一次方程求根那樣有現成的公式，否則你將不得不面對各種看起來無解但是要解的問題，優化將是你的GPS為你指路

有以上這些知識打底，就可以開拔了，針對具體應用再補充相關的知識與理論，比如說一些我覺得有幫助的是數值計算、圖論、拓撲，更理論一點的還有實/復分析、測度論，偏工程類一點的還有信號處理、數據結構。

2、掌握經典機器學習理論和演算法

如果有時間可以為自己建立一個機器學習的知識圖譜，並爭取掌握每一個經典的機器學習理論和演算法，我簡單地總結如下：

1) 回歸演算法：常見的回歸演算法包括最小二乘法（OrdinaryLeast Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應回歸樣條（MultivariateAdaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）；

2) 基於實例的演算法：常見的演算法包括 k-Nearest Neighbor(KNN), 學習矢量量化（Learning Vector Quantization， LVQ），以及自組織映射演算法（Self-Organizing Map ， SOM）；

3) 基於正則化方法：常見的演算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網路（Elastic Net）；

4) 決策樹學習：常見的演算法包括：分類及回歸樹（ClassificationAnd Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應回歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）；

5) 基於貝葉斯方法：常見演算法包括：樸素貝葉斯演算法，平均單依賴估計（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；

6) 基於核的演算法：常見的演算法包括支持向量機（SupportVector Machine， SVM）， 徑向基函數（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等；

7) 聚類演算法：常見的聚類演算法包括 k-Means演算法以及期望最大化演算法（Expectation Maximization， EM）；

8) 基於關聯規則學習：常見演算法包括 Apriori演算法和Eclat演算法等；

9) 人工神經網路：重要的人工神經網路演算法包括：感知器神經網路（PerceptronNeural Network）, 反向傳遞（Back Propagation）， Hopfield網路，自組織映射（Self-OrganizingMap, SOM）。學習矢量量化（Learning Vector Quantization， LVQ）；

10) 深度學習：常見的深度學習演算法包括：受限波爾茲曼機（RestrictedBoltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網路（Convolutional Network）, 堆棧式自動編碼器（Stacked Auto-encoders）；

11) 降低維度的演算法：常見的演算法包括主成份分析（PrincipleComponent Analysis， PCA），偏最小二乘回歸（Partial Least Square Regression，PLS）， Sammon映射，多維尺度（Multi-Dimensional Scaling, MDS）, 投影追蹤（ProjectionPursuit）等；

12) 集成演算法：常見的演算法包括：Boosting， Bootstrapped Aggregation（Bagging），AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進機（GradientBoosting Machine, GBM），隨機森林（Random Forest）。

3、掌握一種編程工具，比如Python

一方面Python是腳本語言，簡便，拿個記事本就能寫，寫完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab雖然包也多，但是效率是這四個裡面最低的。

4、了解行業最新動態和研究成果，比如各大牛的經典論文、博客、讀書筆記、微博微信等媒體資訊。

5、買一個GPU，找一個開源框架，自己多動手訓練深度神經網路，多動手寫寫代碼，多做一些與人工智慧相關的項目。

6、選擇自己感興趣或者工作相關的一個領域深入下去

人工智慧有很多方向，比如NLP、語音識別、計算機視覺等等，生命有限，必須得選一個方向深入的專研下去，這樣才能成為人工智慧領域的大牛，有所成就。

再回答第二個問題，人工智慧到底是不是一項技術？

根據網路給的定義，人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的還能的理論、方法、技術及應用系統的一門新的技術科學。

網路關於人工智慧的定義詳解中說道：人工智慧是計算機的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智慧）之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。

綜上，從定義上講，人工智慧是一項技術。

希望能幫到你。

人工智慧需要學習的主要內容包括：數學基礎課學科基礎課，包括程序設計基礎、數據結構、人工智慧導論、計算機原理、 數字電路 、系統控制等；專業選修課，比如 神經網路 、深度學習以及認知科學、神經科學、計算金融、計算生物學、計算語言學等交叉課程。

一、人工智慧專業學什麼

1.認知與神經科學課程群

具體課程：認知心理學、神經科學基礎、人類的記憶與學習、語言與思維、計算神經工程

2.人工智慧倫理課程群

具體課程：《人工智慧、 社會 與人文》、《人工智慧哲學基礎與倫理》

3.科學和工程課程群

新一代人工智慧的發展需要腦科學、神經科學、認知心理學、信息科學等相關學科的實驗科學家和理論科學家的共同努力，尋找人工智慧的突破點，同時必須要以嚴謹的態度進行科學研究，讓人工智慧學科走在正確、 健康 的發展道路上。

4.先進機器人學課程群

具體課程：《先進機器人控制》、《認知機器人》、,《機器人規劃與學習》、《仿生機器人》

5.人工智慧平台與工具課程群

具體課程：《群體智能與自主系統》《無人駕駛技術與系統實現》《 游戲 設計與開發》《計算機圖形學》《虛擬現實與增強現實》。

6.人工智慧核心課程群

具體課程：《人工智慧的現代方法I》《問題表達與求解》、《人工智慧的現代方法II》《機器學習、自然語言處理、計算機視覺等》。

二、人工智慧專業培養目標及要求

以培養掌握人工智慧理論與工程技術的專門人才為目標，學習機器學習的理論和方法、深度學習框架、工具與實踐平台、自然語言處理技術、語音處理與識別技術、視覺智能處理技術、國際人工智慧專業領域最前沿的理論方法，培養人工智慧專業技能和素養，構建解決科研和實際工程問題的專業思維、專業方法和專業嗅覺。

探索 實踐適合中國高等人工智慧人才培養的教學內容和教學方法，培養中國人工智慧產業的應用型人才。

三、人工智慧專業簡介

人工智慧專業是中國高校人計劃設立的專業，旨在培養中國人工智慧產業的應用型人才，推動人工智慧一級學科建設。2018年4月，教育部在研究制定《高等學校引領人工智慧創新行動計劃》，並研究設立人工智慧專業，進一步完善中國高校人工智慧學科體系。2019年3月，教育部印發了《教育部關於公布2018年度普通高等學校本科專業備案和審批結果的通知》，根據通知，全國共有35所高校獲首批「人工智慧」新專業建設資格。

2020年3月3日，教育部公布2019年度普通高等學校本科專業備案和審批結果，「人工智慧」專業成為熱門。

人工智慧是一個綜合學科，其本身涉及很多方面，比如神經網路、機器識別、機器視覺、機器人等，因此，我們想要學好整個人工智慧是很不容易的。

首先我們需要一定的數學基礎，如：高數、線性代數、概率論、統計學等等。很多人可能要問，我學習人工智慧為什麼要有數學基礎呢？二者看似毫不相干，實則不然。線性代數能讓我們了解如何將研究對象形象化，概率論能讓我們懂得如何描述統計規律，此外還有許多其他數學科目，這些數學基礎能讓我們在學習人工智慧的時候事半功倍。

然後我們需要的就是對演算法的累積，比如人工神經網路、遺傳演算法等。人工智慧的本身還是通過演算法對生活中的事物進行計算模擬，最後做出相應操作的一種智能化工具，演算法在其中扮演的角色非常重要，可以說是不可或缺的一部分。

最後需要掌握和學習的就是編程語言，畢竟演算法的實現還是需要編程的，推薦學習的有Java以及Python。如果以後想往大數據方向發展，就學習Java，而Python可以說是學習人工智慧所必須要掌握的一門編程語言。當然，只掌握一門編程語言是不夠的，因為大多數機器人的模擬都是採用的混合編程模式，即採用多種編程軟體及語言組合使用，在人工智慧方面一般使用的較多的有匯編和C++，此外還有MATLAB、VC++等，總之一句話，編程是必不可少的一項技能，需要我們花費大量時間和精力去掌握。

人工智慧現在發展得越來越快速，這得益於計算機科學的飛速發展。可以預料到，在未來，我們的生活中將隨處可見人工智慧的產品，而這些產品能為我們的生活帶來很大的便利，而人工智慧行業的未來發展前景也是十分光明的。所以，選擇人工智慧行業不會錯，但正如文章開頭所說，想入行，需要我們下足功夫，全面掌握這個行業所需要的技能才行。

，首先呢，如果你是在校大學生，想要以後從事人工智慧專業相關工作，我這里給你分享下 南京大學人工智慧學院院長周志華教授 曾經在論壇上分享的南京大學人工智慧專業本科生教育培養大綱的相關課程。

首先是基礎數學部分：

人工智慧亦稱智械、機器智能，指由人製造出來的機器所表現出來的智能。通常人工智慧是指通過普通計算機程序來呈現人類智能的技術。通過醫學、神經科學、機器人學及統計學等的進步，有些預測則認為人類的無數職業也逐漸被人工智慧取代。

㈡ Devcppdevc c++沒辦法編譯，編譯按鈕是無法點擊的（是暗著的），搞了好久都沒辦法，有沒有

一打開這個軟體編譯按鈕當然是暗著的。點擊文件-新建-源代碼，就發現亮了。或者直接在某個文件夾新建一個.c後綴的文件用devc++打開。如果都無效，可能是軟體安裝有問題，建議換一個安裝包重新安裝試試。

㈢ 各種編程語言的深度學習庫整理大全！

各種編程語言的深度學習庫整理大全！
Python1. Theano是一個python類庫，用數組向量來定義和計算數學表達式。它使得在Python環境下編寫深度學習演算法變得簡單。在它基礎之上還搭建了許多類庫。
1.Keras是一個簡潔、高度模塊化的神經網路庫，它的設計參考了Torch，用Python語言編寫，支持調用GPU和CPU優化後的Theano運算。
2.Pylearn2是一個集成大量深度學習常見模型和訓練演算法的庫，如隨機梯度下降等。它的功能庫都是基於Theano之上。
3.Lasagne是一個搭建和訓練神經網路的輕量級封裝庫，基於Theano。它遵循簡潔化、透明化、模塊化、實用化和專一化的原則。
4.Blocks也是一個基於Theano的幫助搭建神經網路的框架。
2. Caffe是深度學習的框架，它注重於代碼的表達形式、運算速度以及模塊化程度。它是由伯克利視覺和學習中心（Berkeley Vision and Learning Center, BVLC）以及社區成員共同開發。谷歌的DeepDream項目就是基於Caffe框架完成。這個框架是使用BSD許可證的C++庫，並提供了Python調用介面。
3. nolearn囊括了大量的現有神經網路函數庫的封裝和抽象介面、大名鼎鼎的Lasagne以及一些機器學習的常用模塊。
4. Genism也是一個用Python編寫的深度學習小工具，採用高效的演算法來處理大規模文本數據。
5. Chainer在深度學習的理論演算法和實際應用之間架起一座橋梁。它的特點是強大、靈活、直觀，被認為是深度學習的靈活框架。
6. deepnet是基於GPU的深度學習演算法函數庫，使用Python語言開發，實現了前饋神經網路（FNN）、受限玻爾茲曼機（RBM）、深度信念網路（DBN）、自編碼器（AE）、深度玻爾茲曼機（DBM）和卷積神經網路（CNN）等演算法。
7. Hebel也是深度學習和神經網路的一個Python庫，它通過pyCUDA控制支持CUDA的GPU加速。它實現了最重要的幾類神經網路模型，提供了多種激活函數和模型訓練方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是一個基於MShadow開發的快速、簡潔的分布式深度學習框架。它是一個輕量級、易擴展的C++/CUDA神經網路工具箱，提供友好的Python/Matlab介面來進行訓練和預測。
9. DeepPy是基於NumPy的深度學習框架。
10. DeepLearning是一個用C++和Python共同開發的深度學習函數庫。
11. Neon是Nervana System 的深度學習框架，使用Python開發。
Matlab
1. ConvNet 卷積神經網路是一類深度學習分類演算法，它可以從原始數據中自主學習有用的特徵，通過調節權重值來實現。
2. DeepLearnToolBox是用於深度學習的Matlab/Octave工具箱，它包含深度信念網路（DBN）、棧式自編碼器（stacked AE）、卷積神經網路（CNN）等演算法。
3. cuda-convet是一套卷積神經網路（CNN）代碼，也適用於前饋神經網路，使用C++/CUDA進行運算。它能對任意深度的多層神經網路建模。只要是有向無環圖的網路結構都可以。訓練過程採用反向傳播演算法（BP演算法）。
4. MatConvNet是一個面向計算機視覺應用的卷積神經網路（CNN）Matlab工具箱。它簡單高效，能夠運行和學習最先進的機器學習演算法。
CPP
1. eblearn是開源的機器學習C++封裝庫，由Yann LeCun主導的紐約大學機器學習實驗室開發。它用基於能量的模型實現卷積神經網路，並提供可視化交互界面（GUI）、示例以及示範教程。
2. SINGA是Apache軟體基金會支持的一個項目，它的設計目標是在現有系統上提供通用的分布式模型訓練演算法。
3. NVIDIA DIGITS是用於開發、訓練和可視化深度神經網路的一套新系統。它把深度學習的強大功能用瀏覽器界面呈現出來，使得數據科學家和研究員可以實時地可視化神經網路行為，快速地設計出最適合數據的深度神經網路。
4. Intel? Deep Learning Framework提供了Intel?平台加速深度卷積神經網路的一個統一平台。
Java
1. N-Dimensional Arrays for Java (ND4J) 是JVM平台的科學計算函數庫。它主要用於產品中，也就是說函數的設計需求是運算速度快、存儲空間最省。
2. Deeplearning4j 是第一款商業級別的開源分布式深度學習類庫，用Java和Scala編寫。它的設計目的是為了在商業環境下使用，而不是作為一款研究工具。
3. Encog是一個機器學習的高級框架，涵蓋支持向量機、人工神經網路、遺傳編程、貝葉斯網路、隱馬可夫模型等，也支持遺傳演算法。
JavaScript
1. Convnet.js 由JavaScript編寫，是一個完全在瀏覽器內完成訓練深度學習模型（主要是神經網路）的封裝庫。不需要其它軟體，不需要編譯器，不需要安裝包，不需要GPU，甚至不費吹灰之力。
Lua
1. Torch是一款廣泛適用於各種機器學習演算法的科學計算框架。它使用容易，用快速的腳本語言LuaJit開發，底層是C/CUDA實現。Torch基於Lua編程語言。
Julia
1. Mocha是Julia的深度學習框架，受C++框架Caffe的啟發。Mocha中通用隨機梯度求解程序和通用模塊的高效實現，可以用來訓練深度/淺層（卷積）神經網路，可以通過（棧式）自編碼器配合非監督式預訓練（可選）完成。它的優勢特性包括模塊化結構、提供上層介面，可能還有速度、兼容性等更多特性。
Lisp
1. Lush(Lisp Universal Shell)是一種面向對象的編程語言，面向對大規模數值和圖形應用感興趣的廣大研究員、實驗員和工程師們。它擁有機器學習的函數庫，其中包含豐富的深度學習庫。
Haskell
1. DNNGraph是Haskell用於深度神經網路模型生成的領域特定語言（DSL）。
.NET
1. Accord.NET 是完全用C#編寫的.NET機器學習框架，包括音頻和圖像處理的類庫。它是產品級的完整框架，用於計算機視覺、計算機音頻、信號處理和統計應用領域。
R
1. darch包可以用來生成多層神經網路（深度結構）。訓練的方法包括了對比散度的預訓練和眾所周知的訓練演算法（如反向傳播法或共軛梯度法）的細調。
2. deepnet實現了許多深度學習框架和神經網路演算法，包括反向傳播(BP)、受限玻爾茲曼機(RBM)、深度信念網路(DBP)、深度自編碼器(Deep autoencoder)等等。

㈣ caffe深度學習框架可以做什麼

Caffe需要預先安裝一些依賴項，首先是CUDA驅動襲賣。不論是CentOS還是Ubuntu都預裝了開源的nouveau顯卡驅動（SUSE沒有這種問題），如果不禁用，則CUDA驅動不能正確安裝。以Ubuntu為例，介紹一下這里的處理方法，當然也有其他處理方法。

#sudovi/etc/modprobe.d/blacklist.conf
#增加一行：blacklistnouveau
sudoapt-get--purgeremovexserver-xorg-video-nouveau#把官方驅動徹底卸載：
sudoapt-get--purgeremovenvidia-*#清除之前安裝的任何NVIDIA驅動
sudoservicelightdmstop#進命令行，關閉Xserver
sudokillallXorg

然後下載並安裝NVIDIA CUDA驅動包，接悶禪讓著安裝安裝BLAS、OpenCV、Boost這三個庫。BLAS數學庫可以是ATLAS, MKL, 或 OpenBLAS，OpenCV要求2.4以上版本，Boost要求1.55版本以上。可選安裝Python MATLAB Caffe 庫，還有numpy ，pandas 之類的Python類庫。安裝MATLAB，以確保mex 在path路徑中，這些就夠你折騰一個星期了，完事以後就可以螞局編譯安裝了：

cpMakefile.config.exampleMakefile.config
#AdjustMakefile.config(forexample,ifusingAnacondaPython,orifcuDNNisdesired)
makeall
maketest
makeruntest

哦對了，Caffe 顯卡要求：Titan Xs, K80s, GTX 980s, K40s, K20s, Titans, and GTX 770s

㈤ cuda安裝完成後nvcc -V報錯

應該是你的CUDA 運行庫的路徑不對，如果是Windows，請查看 系統屬性/高級/環境變數 裡面的CUDA_PATH是否正確。

㈥ 什麼叫做深度學習框架，其作用是什麼

深度學習框架是一種為了深度學習開發而生的工具，庫和預訓練模型等資源的總和。有了這種框架，看似復雜神秘的深度學習模型開發被大大簡化，成為AI開發者的必用利器。

目前，TensorFlow和PyTorch明顯領先，其他框架勢微。如下圖所示，基於TensorFlow和PyTorch的開源項目，明顯領先其它框架。註：Keras不算完整的AI框架，另外KerasAPI已經成為TF2.0的高層API。

TensorFlow和PyTorch兩種框架未來相當時間內會趨同共存。現在PyTorch的在學術界廣泛採用；而TensorFlow依賴強大的部署能力，是應用首好旅選。未來TensorFlow2.0大大提高易用性（集成Keras，支持動態庫EagerExecution等）; PyTorch也在利用ONNX提高部署能力。TensorFlow和PyTorch會越來越趨同。

TensorFlow和PyTorch已是未來幾年最主流的深度學習框架。圍繞這兩種框飢寬架的軟，硬體，和開發者爛襪亮生態將會迅猛發展，新框架越來越難以成長，其他框架差距越來越大。

㈦ 什麼叫做深度學習框架，其作用是什麼

目前是人工智慧的時代，國內外像Google、微軟、FaceBook、網路和華為等巨頭公司紛紛投入較大的資源進行深度學習框架的研發和應用的拓展。表1列出了github上流行的深度學習框架的星數。

表1 github上流行的深度學習框架的星數

下面有側重地介紹一下上表中列出的一些深度學習框架。

(一)TensorFlow

TensorFlow是用C++語言開發的，支持C、Java、Python等多種語言的調用，目前主流的方式通常會使用Python語言來驅動應用。這一特點也是其能夠廣受歡迎的原因。利用C++語言開發可以保證其運行效率，Python作為上層應用語言，可以為研究人員節省大量的開發時間。

TensorFlow相對於其他框架有如下特點。

1、靈活

TensorFlow與CNTK、MXNET、Theano同屬於符號計算構架，允許用戶在不需要使用低級語言(如在Caffe中)實現的情況下，開發出新的復雜層類型。基於圖運算是其基本特點，通過圖上的節點變數可以控制訓練中各個環搏兆節的變數，尤其在需要對底層操作時，TensorFlow要比其他框架更容易。當然它也有缺點，靈活的操作會增加使用復雜度，從而在一定程度上增加了學習成本。

2、便捷、通用

作為主流的框架，TensorFlow生成的模型，具有便捷、通用的特點，可以滿足更多使用者的需求。TensorFlow可以適用於Mac、Linux、Windows系統上開發。其編譯好的模型幾乎適用於當今所有的平台系統，並提滿巧慧足「開箱即用」的模型使用理念，使模型應用起來更簡單。

3、成熟

由於TensorFlow被使用的情況最多，所以其框架的成熟度絕對是第一的。在Google的白皮書上寫道，Google內部有大量的產品幾乎都用到了TensorFlow，如搜索排序、語音識別、谷歌相冊和自然語言處理等。有這么多在該框架上的成功案例，先不說能夠提供多少經驗技巧，至少可以確保學習者在研究的道路上，遇到挫折時不會懷疑是框架的問題。

4、超強的運算性能

雖然TensorFlow在大型計算機集群的並行處理中，運算性能僅略低於CNTK，但是，其在個人機器使用場景下，會根據機器的配置自動選擇CPU或GPU來運算，這方面做得更加友好與智能化。

(二)Caffe

當年深度學習的老大。最初是一個強大的圖像分類框架，是最容易測試評估性能的標准深度學習框架，並且提供很多預訓練模型，尤其該模型的復用價值在其他框架的學習中都會出現，大大提升了現有模型的訓練時間。但是現在的Caffe似乎停滯不前，沒有更新。盡管Caffe又重新崛起，從架構上看更像是TensorFlow，而且與原來的Caffe也不在一個工程里，可以獨立成一個框架來看待，與原Caffe關系不大。

(三)CNTK

CNTK是一個微軟開發的深度學習軟體包，以速度快著稱，有其獨有的神經網路配置語言Brain Script，大大降低了學習門檻。有微軟作為後盾，CNTK成為了最具有潛力與Tensor Flow爭奪天下的框架。但目前其成熟度要比TensorFlow差太多，即便是發行的版本也會有大大小小的bug。與其他框架一樣，CNTK具有文檔資料不足的特點。但其與Visual Studio的天生耦合，以及其特定的MS編程風格，使得熟悉Visual Studio工具的小夥伴們從代碼角度極基寬租易上手。另外，CNTK目前還不支持Mac操作系統。

關於深度學習的基礎問題可以看下這個網頁的視頻教程，網頁鏈接，希望我的回答能幫到你。

㈧ 為什麼需要改變編譯器

答案如下：
1.編譯器是把源程序的每一條語句都編譯成機器語言,並保存成二進制文件,這樣運行時計算機可以直接以機器語言來運行此程序,速度很快;
2.解釋器則是只在執行程序時,才一條一條的解釋成機器語言給計算機來執行,所以運行速度是不如編譯後的程序運行的快的.
3.因為計算機不能直接認識並執行我們寫的語句,它只能認識機器語言(是二進制的形式).
4.編譯是將源程序翻譯成可執行的目標代碼，翻譯與執行是分開的；而解釋是對源程序的翻譯與執行一次性完成，不生成可存儲的目標代碼。這只是表象，二者背後的最大區別是：對解釋執行而言，程序運行時的控制權在解釋器而不在用戶程序；對編譯執行而言，運行時的控制權在用戶程序。
4.編譯器在優化過程中採用了自動或半自動的代碼生成用以替代人工優化。人的精力是有限的，通過（接近無限）的算力去適配每一個應用場景看到的網路，改變編譯器，這是編譯技術比人工路線強的所在。

㈨ 如何利用 TVM 優化深度學習GPU op

深度學習需要具備三個因素，1，演算法 2，GPU機器 3，資料庫。GPU選擇的話，由於一般的深度學習都不需要單精度，所以性價比最高的GPU是GTX系列，比如TItan x，titan x是現在深度學慣用的最多的卡。需要了解更多

㈩ 如何通過Python進行深度學習

作者 | Vihar Kurama

編譯 | 荷葉

來源 | 雲棲社區

摘要：深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。本文就用一個小例子無死角的介紹一下深度學習！

人腦模擬

深度學習背後的主要原因是人工智慧應該從人腦中汲取靈感。此觀點引出了「神經網路」這一術語。人腦中包含數十億個神經元，它們之間有數萬個連接。很多情況下，深度學習演算法和人腦相似，因為人腦和深度學習模型都擁有大量的編譯單元（神經元），這些編譯單元（神經元）在獨立的情況下都不太智能，但是當他們相互作用時就會變得智能。

我認為人們需要了解到深度學習正在使得很多幕後的事物變得更好。深度學習已經應用於谷歌搜索和圖像搜索，你可以通過它搜索像「擁抱」這樣的詞語以獲得相應的圖像。－傑弗里·辛頓

神經元

神經網路的基本構建模塊是人工神經元，它模仿了人類大腦的神經元。這些神經元是簡單、強大的計算單元，擁有加權輸入信號並且使用激活函數產生輸出信號。這些神經元分布在神經網路的幾個層中。

inputs 輸入 outputs 輸出 weights 權值 activation 激活

人工神經網路的工作原理是什麼？

深度學習由人工神經網路構成，該網路模擬了人腦中類似的網路。當數據穿過這個人工網路時，每一層都會處理這個數據的一方面，過濾掉異常值，辨認出熟悉的實體，並產生最終輸出。

輸入層：該層由神經元組成，這些神經元只接收輸入信息並將它傳遞到其他層。輸入層的圖層數應等於數據集里的屬性或要素的數量。輸出層：輸出層具有預測性，其主要取決於你所構建的模型類型。隱含層：隱含層處於輸入層和輸出層之間，以模型類型為基礎。隱含層包含大量的神經元。處於隱含層的神經元會先轉化輸入信息，再將它們傳遞出去。隨著網路受訓練，權重得到更新，從而使其更具前瞻性。

神經元的權重

權重是指兩個神經元之間的連接的強度或幅度。你如果熟悉線性回歸的話，可以將輸入的權重類比為我們在回歸方程中用的系數。權重通常被初始化為小的隨機數值，比如數值0-1。

前饋深度網路

前饋監督神經網路曾是第一個也是最成功的學習演算法。該網路也可被稱為深度網路、多層感知機（MLP）或簡單神經網路，並且闡明了具有單一隱含層的原始架構。每個神經元通過某個權重和另一個神經元相關聯。

該網路處理向前處理輸入信息，激活神經元，最終產生輸出值。在此網路中，這稱為前向傳遞。

inputlayer 輸入層 hidden layer 輸出層 output layer 輸出層

激活函數

激活函數就是求和加權的輸入到神經元的輸出的映射。之所以稱之為激活函數或傳遞函數是因為它控制著激活神經元的初始值和輸出信號的強度。

用數學表示為：

我們有許多激活函數，其中使用最多的是整流線性單元函數、雙曲正切函數和solfPlus函數。

激活函數的速查表如下：

反向傳播

在網路中，我們將預測值與預期輸出值相比較，並使用函數計算其誤差。然後，這個誤差會傳回這個網路，每次傳回一個層，權重也會根絕其導致的誤差值進行更新。這個聰明的數學法是反向傳播演算法。這個步驟會在訓練數據的所有樣本中反復進行，整個訓練數據集的網路更新一輪稱為一個時期。一個網路可受訓練數十、數百或數千個時期。

prediction error 預測誤差

代價函數和梯度下降

代價函數度量了神經網路對給定的訓練輸入和預期輸出「有多好」。該函數可能取決於權重、偏差等屬性。

代價函數是單值的，並不是一個向量，因為它從整體上評估神經網路的性能。在運用梯度下降最優演算法時，權重在每個時期後都會得到增量式地更新。

兼容代價函數

用數學表述為差值平方和：

target 目標值 output 輸出值

權重更新的大小和方向是由在代價梯度的反向上採取步驟計算出的。

其中η 是學習率

其中Δw是包含每個權重系數w的權重更新的向量，其計算方式如下：

target 目標值 output 輸出值

圖表中會考慮到單系數的代價函數

initial weight 初始權重 gradient 梯度 global cost minimum 代價極小值

在導數達到最小誤差值之前，我們會一直計算梯度下降，並且每個步驟都會取決於斜率（梯度）的陡度。

多層感知器（前向傳播）

這類網路由多層神經元組成，通常這些神經元以前饋方式（向前傳播）相互連接。一層中的每個神經元可以直接連接後續層的神經元。在許多應用中，這些網路的單元會採用S型函數或整流線性單元（整流線性激活）函數作為激活函數。

現在想想看要找出處理次數這個問題，給定的賬戶和家庭成員作為輸入

要解決這個問題，首先，我們需要先創建一個前向傳播神經網路。我們的輸入層將是家庭成員和賬戶的數量，隱含層數為1， 輸出層將是處理次數。

將圖中輸入層到輸出層的給定權重作為輸入：家庭成員數為2、賬戶數為3。

現在將通過以下步驟使用前向傳播來計算隱含層（i，j）和輸出層（k）的值。

步驟：

1， 乘法－添加方法。

2， 點積（輸入＊權重）。

3，一次一個數據點的前向傳播。

4， 輸出是該數據點的預測。

i的值將從相連接的神經元所對應的輸入值和權重中計算出來。

i = (2 * 1) + (3* 1) → i = 5

同樣地，j = (2 * -1) + (3 * 1) → j =1

K = (5 * 2) + (1* -1) → k = 9

Python中的多層感知器問題的解決

激活函數的使用

為了使神經網路達到其最大預測能力，我們需要在隱含層應用一個激活函數，以捕捉非線性。我們通過將值代入方程式的方式來在輸入層和輸出層應用激活函數。

這里我們使用整流線性激活（ReLU）:

用Keras開發第一個神經網路

關於Keras：

Keras是一個高級神經網路的應用程序編程介面，由Python編寫，能夠搭建在TensorFlow,CNTK,或Theano上。

使用PIP在設備上安裝Keras,並且運行下列指令。

在keras執行深度學習程序的步驟

1，載入數據；

2，創建模型；

3，編譯模型；

4，擬合模型；

5，評估模型。

開發Keras模型

全連接層用Dense表示。我們可以指定層中神經元的數量作為第一參數，指定初始化方法為第二參數，即初始化參數，並且用激活參數確定激活函數。既然模型已經創建，我們就可以編譯它。我們在底層庫（也稱為後端）用高效數字型檔編譯模型，底層庫可以用Theano或TensorFlow。目前為止，我們已經完成了創建模型和編譯模型，為進行有效計算做好了准備。現在可以在PIMA數據上運行模型了。我們可以在模型上調用擬合函數f（），以在數據上訓練或擬合模型。

我們先從KERAS中的程序開始，

神經網路一直訓練到150個時期，並返回精確值。