GPU大规模并行计算架构恰好符合深度学习的需要，通过几年的研发和积累，GPU已经成为超级计算机的重要支撑，极大的提升了机器学习的运算能力。人工智能的并行算法在过去可能需要一两年的时间才能看到结果，在GPU的强大计算能力的支持下，深度学习的算法得以突破，可以在短时间内高效能的得到数据结果
重要的消费级视频应用程序都已经使用CUDA加速或很快将会利用CUDA来加速，其中不乏Elemental Technologies公司、MotionDSP公司以及LoiLo公司的产品。
在科研界，CUDA一直受到热捧。例如，CUDA现已能够对AMBER进行加速。AMBER是一款分子动力学模拟程序，全世界在学术界与制药企业中有超过60,000名研究人员使用该程序来加速新药的探索工作。
在金融市场，Numerix以及CompatibL针对一款全新的对手风险应用程序发布了CUDA支持并取得了18倍速度提升。Numerix为近400家金融机构所广泛使用。
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，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。
主要特点
· 专为NVIDIA GPU特调的，用于卷积神经网络向前和向后的卷积程序。
· 专为最新的NVIDIA GPU架构优化
· 针对4纬张量的任意维度排序，striding和次区域可以很容易集成到任何神经网络的执行中
· 对于许多其他常见布局类型（ReLU, Sigmoid, Tanh, pooling, softmax ）向前和向后的路径
· 基于上下文的API，可以很容易地多线程
（3）TensorFlow神经网络算法
关于 TensorFlow
TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。
节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。
TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
核心概念：数据流图
数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。
“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。
“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。
张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
（4）教育用数据集：
经典MNIST数据集：
CIFAR10数据集：
UCI Housing数据集：
斯坦福车辆识别数据集：
猫狗大战数据集：
MovieLens百万数据集：
百度实体标注数据集：
街景门牌号识别(SVHN)：
百万歌曲数据集(子集)：
中文语音数据集(希尔贝壳版)：
鲍鱼年龄预测：
脸部关键点识别：
IMDB情感分析数据集：
Biwi头部姿态数据集：
斯坦福狗狗数据集：
Buffy人体姿态数据集：
超分辨率重建91图：
（5）提供实验测试案例：
手势识别机器学习案例。
MINIST手写识别案例
人脸识别样例
收藏人智科技
12522120
12522120
+86-14782588945
