视频呢,我将通过实现一个简单的歌词生成 ai, 带大家快速了解深度学习的基本流程,以及拍 touch 这款必备的深度学习框架。首先我们要知道,深度学习或者说神经网络的本质其实是一个数学问题。 我们可以通过训练让一个神经网络学习输入到输出之间的数据映射关系。例如,当神经网络看到这张图片时,他应当知道输出一条狗。 在拍拓器中,构建神经网络的核心数据结构是一个叫做 tensor 的东西,它和我们之前讲到的 number 数组非常类似。不过 tensor 的运算可以被放在 gpu 上执行, 利用 gpu 的并行运算来加速整个计算过程。在吞色之上呢,我们可以构建各种复杂的数学模型,拍 torch 也同时提供了梯度的自动计算。 那为什么需要梯度这个东西呢?梯度你可以简单理解成导数在高维度上的推广。这是因为对于神经网络的训练,或者说一般的最优化问题,大家都会用到一个核心算法梯度下降, 而拍 touch 将偏导数的计算链式、法则这些细节全部都隐藏在了框架中,因此我们可以更加关注与解决实际问题,而不是这些繁琐的计算细节。除了这些基本的计算功能以外,拍 touch 对神经网络还有各种模块化的封装, 比常见的卷基层、线形层、 pulling pying, 各种激活函数、 c, n, r, n, transformer 模型等等等等。以上呢,是对拍拓去的一个非常粗略的介绍。拍拓去单装还是比较容易的,我们可以在这里选择对应的操作系统扩大版本 的康大其实不是必须的。最后复制下面的命令到控制台安装即可。 训练的第一步呢,是准备我们需要的原始数据。数据级通常很容易被我们忽视,但是深度学习中相当重要的一环。有时候即使你的模型再好,但是训练的数据很差,最后也很难得到一个好的结果。这里我使用的呢,是这个中文歌词与辽阔。 在下载的原始数据中,我们可以看到很多非中文歌曲。有些歌词中的格式不工整,有些歌词的前面包含了不需要的信息。因此我们需要对这些原始数据做一些预处理,并将数据转换成我们需要的格式。 这里呢,我写了一个很简单的脚本,过滤掉不需要的歌词,去除多余的文字,并以斜杠来分隔歌词的每一句每一行呢是一首 首歌的歌词,最后存放在一个纯文本中。接下来呢,我们可以利用拍 touch 提供的 data set 和 data loader 来读取这个歌词文件。这两个类封装了基本的数据操作,比如切分训练数据,随机打乱数据,或者对数据进行简单变换等等。 这样我们就不用自己去造轮子了。我们可以通过继承 data 类来定义我们的歌词数据集。接下来,我们可以在一列弹数中加载之前的这个歌词文件,并将所有的文字转化成一个个缩影。 这里我们定义两个 dict, 用来保存缩影到文字,以及文字到缩影的映射。接下来我们需要实现两个函数,第一个函数 lens。 我们需要返回样本的总数。这里我们将所有的歌词文本拆分成一个个长度为四十八的序列, 所以样本总数等于文字的总数除以序列长度四十八,这里为什么减一?我们马上讲到第二个函数 get them, 我们可以根据指定的下标返回对应的文字序列。 这里返回的数据呢,可以被分成两部分,一部分代表网络的输入,另部分代表网络的输出。输入和输出刚好相差一个字,因为输出的文字刚好是对下一个字的预测。 定完毕之后,我们对刚刚代码进行一下简单测试。这里我们可以创建一个数据级对象,然后根据下标随便获取其中的一个样本。 可以看到这里返回的一个整数序列长度为四十八,其中的每个数字代表一个文字的缩影。我们当然也可以根据之前创建的映射将他们再还原成一个个字符。这部检查 打灯确实很有必要的,不然一步错,步步错。在定义了 data set 之后呢,我们需要再创建一个 data loader 来访问其中的数据,主要是因为 data loader 允许我们随机打乱数据或者按批次读取数据。 但这里我还进一步将数据分成了两部分,一部分用来做训练,另一部分用来做测试。原因我们在之后训练的时候讲到。 接下来呢,我们来定义我们用到的这个神经网络结构。在拍拖器中,我们可以通过继承 n n 中的猫九雷来定一个神经网络。这里最关键的是这个 forward 弹数, 他定义了我们网络从输入到输出的整个计算过程,比如数据会经过哪些层,层与层之间有应当如何连接等等。大家在定义模型的时候有一点非常 重要,不管我们要解决的问题有多么复杂,最好都先从构建一个最基本的模型开始,这样会大大降低训练和调试的难度。并且我们在增加模型复杂度之后,可以以这个最简单的模型做参照,确保复杂的模型是否真的表现的更好。 其实对于文本生成问题,使用当下最流行的 transformer 架构应该是更好的选择。不过这里呢,我们先用一个更加简单基本的 rnn 模型来做演示。 首先,我们会将这里输入的文字经过一个 embedding 层转换成一个像量,因为高维的像量能够更好地表示不同文字间的语意关联。接着我们将这个像量传入一个 l、 s, t、 m 单元, 最后通过一个线性层转换成输出的文字。和所有的分类问题一样,这里的文字是使用弯号的像量来 编码的。另外, lstm 单元同时有个隐藏状态的输入和一个隐藏状态的输出。正是因为有这个隐藏状态,才使得我们的神经网络具有记忆的能力,因为我们不希望深沉的歌词前言不搭后语,我们需要让魔性记住文字前后的关系。 如果大家对这里的 inbeding 或者 lstm 不是那么熟悉,也没有关系,大家可以先将重心放在数据的流向输入还有输出上。 比如这里你输入一个字,网络会帮你预测下一个字,然后我们将输出的文字连带隐藏的状态再次传递给神经网络,这样循环往复下去,就得到一整串的句子。 接下来我们来讲一下模型的训练。在训练的过程中,我们会每次抽取数据的一小部分,我们称之为一个 batch, 然后我们会一个 batch 接着一个 batch 的训练。当所有的数据都被训练过一遍之后,我们称之为一个 epoch。 通常我们也会对模型训练若干个 epoch, 让他更好地去拟合训练数据, 我们可以在循环中实现整个训练的过程。对于每一个 app, 我们会一个 batch 接着一个 batch 的训练。这里这项代码呢,单纯代表将训练数据上传至 gpu, 这一步呢是必要的, 因为我们使用 gpu 来加速训练的过程。接下来我们将数据传入之前创建的模型,让模型预测一个输出, 然后我们会去计算这个输出与标准答案之间的差异。这里我们会用到经常听到的损失函数 last function。 但对于不同的问题,我们会用到不同的损失函数。比如对于纯数 数值类型的输出,像温度,房价,这个 los 可以简单是输出与标准答案的绝对值或者是平方差。而对于我们这种情况,由于我们输出的是弯号编码的文字,因此我们会用到交叉箱 cross entry。 但大家可以简单的将这个 los 理解为输出与标准答案之间的差异。通常我们希望这个 los 越小越好,这样代表预测的结果与标准答案更接近。 而我们训练神经网络的目标呢,就是通过缓慢调节网络中的各种权重来降低这个 los。 用到的算法就是我们之前讲到的梯度下降。关于梯度的计算,我们可以轻松的通过调用一句 backward 完成。 然后我们可以调用 optimizer 的 step 函数,通过计算得到的梯度自动修改网络的权重。 这里第一行的 zero grad 也非常重要,他会在计算之前先将梯度清零,避免我们得到一个累加的梯度值。刚刚我们提到的 optimizer 是优化器,它可以通过计算得到的梯度自动更新网络的权重。 adam 和 sgd 是两个非常常用的优化器, 可以看到这里我使用的呢是 adam。 另外优化器还有一个额外的参数,学习速率,他会影响每次权重变化的大小。学习率越大,神经网络权重的变化量就越大。 但学习率绝不是越大越好,过大的学习率会让 los 无法收敛,甚至可能出现随着训练还增大的情况。学习率设置的过小会降低训练的速度,甚至可能让你的神经网络学不到任何东西。当然也有人尝试使用动态的学习率, 比如随着训练的推进逐渐降低学习率。关于学习率和优化器的选择又是一个很宽泛的话题,这里我们就不讲该讨论了。另外,在训练的过程中,我们可以将 los 打印出来,以方便我们跟踪模型的训练进度。 这里我们还可以用到 tensor board 这个库,我们可以调用 at scaler 来绘制像 loss 精确度这样标量的数据。虽然这一步不是必须的,但是图表呈现的信息往往比数字要直观很多。 除了训练之外呢,通常我们还会加入一个模型评估的环节。还记得我们在视频的开头将数据分成了训练和测试两部分吗?通常我们会预留少量的数据做评估,这部分数据并不会拿来做训练。评估的代码和训练非常类似,除了我们不会计算梯度来 更新网络的权重,我们同样会输出一个 los, 然后观察这个 los 下降的情况。因为单纯训练 los 的降低并不能代表模型表现的很好,模型也有可能过度拟合了我们的训练数据。 也就是说,我们的模型对于训练数据表现的很好,但是对于从来没有见过的数据却表现的很差。为了避免这种情况呢,我们会同时关注训练和评估时候的老师以及精确度这些指标。 在真正训练之前,我们最好对之前的代码做一个最最基本的验证。因为训练一个模型通常会花很多时间,有时候一两天都有可能。 如果等你训练完了以后才发现模型根本不工作,那么尼玛当场去世。那么具体我们应该怎么验证呢?比如我们可以修改这里的 data loader, 让我们暂时只使用第一个 batch 的数据,而且我们只用 batch 中的前两个样本来做训练。如果在这种情况下, lost 都不会降低。也就是说我们的模型都不能过度拟合,那我们的代码肯定哪里有问题,需要进行调试。 可以看到这里在训练了几十个 app 之后, los 一直在持续下降,并且预测的精确度呢,也达到了百分之百。到这一步呢,至少可以说我们的代码没有出现明显的错误。 接下来我们可以开始真正的训练。在训练的过程中,我们还可以每间隔一段时间让目前的模型生成一段输出。 这里的 january 弹数我们马上讲到,它会让模型生成一段歌词,并且每一句以深度学习。开始这一步主要是为了实时观测模型的预测结果。可以看到从一开 是几乎不能预测任何内容,到后面生成相对完整的句子。我们模型的输出随着训练有显著的提升。 这里我还做了一些改进,比如我们使用两层的 lstm 单元,并在输出之前额外增加了个线性层。与之前的模型相比较,新的模型进一步降低了 last, 并提高了预测的准确度。 虽然不是每一个修改都能保证模型效果的提升,不过模型优化确实需要我们不断的进行尝试。通常我们在 los 不再降低的时候就可以停止训练了。我这里手动将 apple 设置成了十五个。最后,等模型训练完成之后,我们让他来进行一段作词。 无法忘记你的美,可以让你不再流泪,深深的爱上你度过了多少个 春秋,学会珍惜,习惯了你的温柔,我的心在等待着你回来,是否我已经不再啰嗦,不再来私底里的等待。不错, 一个人的时候,键盘敲着时间的钟,三十年的时光连着我和你。 嗯,不错,狗屁不通。这里生成歌词的间内位弹数稍微有一点点长,不过总体来说,他会将我们规定的首字符先传递给神经网络,然后让神经网络自由创作,直到这一句结束,也就是遇到了斜杠分割符为止, 这里的 next word 函数会将当前字符传入神经网络,然后返回预测的下一个字,中间也会维护一个隐藏状态黑灯。这里的这几句呢,其实只是在对数据格式做变换而已。
粉丝23.3万获赞136.1万

你知道为什么深度学习、人工智的训练能都强力依赖 gpu 吗?今天我们一起探讨 gpu 为何适合用来深度学习神经网络训练的。五乘六、再乘七等于多少都是二百一十八乘三,再乘五等于多少都是幺二零 七乘十二,再乘三等于多少都是二百五十二。 cpu 运行速度之快令人震惊,而 gpu 的速度接近但稍显逊色。矩阵 a 乘以矩阵 b 的结果是什么? cpu, 你的回答是什么呢?显然, cpu 耗费了更多时间。正是因为 gpu 在执行矩阵乘法时极速,所以他们在神经网络中得以应用。但这背后的原因是什么?为何 cpu 在处理标量乘法上如此卓越?而在举 真乘法上, gpu 更胜一筹?有三大关键因素, gpu 具有更高的内存带宽,采用定型处理,且相对于 cpu, 其内存访问更快且更广泛。 我们将深入探索这三个关键因素。首先,这里是一个框架图示,我们有一块系统内存, 这是储存储器,储存了需要进行乘法的矩阵。我们配备了 cpu 和 gpu, 同时他们也有自己的内存,我暂时简称为内存,不做具体解释。我们来打个比方, cpu 犹如法拉利,而 gpu 则像货车。第一种情况进行标量乘法。 cpu 可以通过读取操作从内存中获取数据。我们能够获取的数据量很小,但他已经足够,几次读取操作即可获得浮点数。 这些读取过程快的像法拉利。相较之下, gpu 的读取操作可以传输更大数据量,但并为专为速度而优化。因此他们就如同火车,处理小数据快时可能会花费更长时间。 这也解释了为何在标量乘法中, gpu 的效率可能不如 cpu。 第二种情况当成两个大举证实, cpu 拥有超快的读取功能,但每次仅能传输极少的数据,因此他可能需要上千次的读取操作来获取全部数据。当一次数据正在读取时, cpu 内存就进行处理,并为下一次输入做好准备。而在这方面, gpu 表现的更为出色。 每次我们可以从 ram 读取大量数据到 gpu 内存,因此 gpu 不必执行那么多次操作。更 专业的说, gpu 的内存带宽超过了 cpu。 内存带宽是指单次操作可以从内存中传输的数据量,这也是 gpu 在大矩阵乘法上相较于 cpu 更有优势的主要因素之一。 但是,尽管我们获取了众多数据, gpu 处理器有时还是会闲置,他们运行的太快,而数据传输比如货车却较慢。因此,我们可以同时运行多个传输通道,而非仅有一个。这样, gpu 处理器无需等待,它始终有数据进行处理。 这种使用多个传输通道的思路极为并行化,结合高内存带宽和并行处理,可最大化的减少 gpu 的等待时间。首先,我们迅速的获取了海量数据,然而, gpu 所提供的不止如此,它还有更高 高速的内存。我之前对内存这一术语的描述或许有些笼统,但我实际上指的是缓存和寄存器。虽然 gpu 也有相似的结构,但其 l 一和 l 二缓存相对于 cpu 的 l 一和 l 二缓存来说体积更小。体积越小,访问的速度就越快。 此外, gpu 中的高效处理器拥有大量寄存器,他们的运行速度极快。事实上,与 cpu 相比, gpu 具有多达上千倍的寄存器资源, 因此,这些内存优化功能共同使计算速度飞快。正因为这三方面的综合优势,使得 gpu 在进行矩阵乘法时,特别是大矩阵比 cpu 更有优势。高速的乘法计算意味着我们在深度学习的操作中也能实现更高的效率,真的很酷。但如何才能 作为开发者充分利用 gtu 的能力呢?这正是 cuda 发挥作用的地方。从开发者的视角看, cuda 提供了一套 api, 是我们能够直接操作 gtu 的组件,如高效处理器、缓存和寄存器。 尽管 coda 已经提供了非常友好的高级抽象,但像拍拖这样的深度学习框架进一步简化了操作。如此,我们甚至不必深入了解 gpu 的内部结构。

深度学习服务器怎么选?客户群体是什么?应用在哪里?郑州倾城专更利于深度学习服务器配置多年预算有限的深度学习服务器组建配置排序原则放在视频最后,欢迎点赞收藏。首先说一下深度学习服务器的组建和参数,重点, 一、 cpu 要注意 cpu 的核心数、主屏和功号。二、内存要注意的是容量和频率。三、硬盘要注意硬盘的带宽、 iops、 容量以及协议。 四、 g p u, g p u 就需要注意它的 cruda cos、 tensor cos、 显存复点计算能力以及 g p u 带宽。还有最后一个就是算法,要注意 c n n r n n 和算法网络。 深度学习服务器主要是用于深度学习训练,深度学习是一种通过神经网络来学习和理解复杂数据的算法。深度学习服务器可以处理大量数据,并自动提取数据中的特征,从而更好的解决各种问题。 深度学习服务器目前最大的应用模块是人工智能项目落地,比如人脸识别、人群技术、自动驾驶研发、语音识别、自然语言处理等。根据深度学习服务器的配置选择, 秦城建议你以下排序原则, gpu 大于 ssd 大于内存大于 cpu, cpu 主屏大于 cpu 核心。想了解更多深度学习服务器的配置和资讯,欢迎咨询秦城,持续分享更多服务器相关配置推荐,期待您的咨询。

今天给大家讲一下深度学习模型部署的六种方式。第一种就是简单的一个带帽演示,只看这个效果,我们可以从这个咖啡 tf 开放式的框架中随便选一个,切到这个他自由的一个 tis 的模式,拿着拍摄跑一跑就好。这组写一个简单的一个 gui 来展示结果, 高级一点的话可以用这个 cps 包一层接口,然后用这个 c 家家工程去吊用,然后需求二是放到服务器上方,呃,不要求这个吞吐和食盐。然后我们可以在这个呃咖啡 tf top 十等框架中随便选一个,按照官方的呃部署教程,老老实实的用这个 c 家来附属, 比如这个排套使用性用这个 liutes, 然后在 libear 下方,然后这种还是没有脱离这个框架有很多为这个训练方面而保留的一些特性,没有去除性能的话并不是自由的。另外这个这个框架要么是 cpu, 要么是因为达到一个 gpu 对应电平台有要求,不灵活。而且还有这个就是框架是真心的大占内存,然后就是 tf 的话占前存,占私房,然后第三是发到福气上跑,要求这个吞吐和食言,重点是这个吞吐这种应用在这个互联网企业居多,一般是互联网产品的一个后端, aig 算,嗯,你比如说这个人脸验证语音服务应用了这种学习的一个智能推荐等等。 呃,一般都是一个应适用于一个大规模的部署,这时不仅仅要求考虑趁头试验,还要求考虑这个工好的成本。所以除了硬件外,除了除了一个软件之外,硬件上也会下功夫, 然后在硬件上推理的话,只是应用了一个专用的英语单位批示,含五 g 的 m, 二用一百等,这些推理卡比专专门极限卡工号低,单位文号下的他的这个 阶段效率更高,而且音乐结构更适合高吞吐量的情况。呃,在这个软件上啊,一般不会采用直接采用这个生殖器的一个框架。对英美达的产品,一般你比如说用这个特色 rt 来这个加速,英美达这个特色 rt, 呃,用用了这个酷达 sudn, 而且还有一个途优化,呃, fp 十六, ant 八量化等等一些就是方法。然后需求四是放在这个英伟达嵌入式平台上跑,他注重一个誓言,你比如说 ps, two, tstv 元等, 然后就是参考上面的话,也是稍微贵了一点点。啤酒五的话,就是放在其他的牵手式平台上跑,比如说我们的一个,呃,手机,呃,在这,他这个在这个硬件方面要根据这个模型的计算量和实验的要求,结合成本和工况要求。然后就是选择合适的一个牵手式平台,你比如说模型计算量大的,可能就是选择一个 带这个 gpu 的一个 soc, 用这个 oppo, oppo gr, 那就是还有这个 oppo 编程也可以试试这个 npo 你,不过这个 npo 现在支持的算子不多,一些自定义 op 多的一个网络可能不支持部署啊。对于小型模型或者针对要求不高的,可能用这个 cpu 就已经足够了, 不过需要做一点优化,你比如说减脂量化,就是 smd, 一个汇编等,在手机上部署智能学习模型也可以归在此行列。 呃,就是上述部署的一个和优化的一个软件工作,在一些移动的开,移动端的一些开放价就是有人做的,我们拿来使用的话就是改一改这个 参数就可以了,性能还是不错的。呃,七九六的话是如果上述部署方案都不不满足你的一个需求的话。呃,你比如说开元移动端的框架速度不够,你可以自己来写一套,你比如说像这个 上趟了旷世了,还有都有自己的一个前项传播框架,然后性能应该都比这个开源的框架比较好,只不过是自己写一套比较费时费力。嗯,然后而且如果没有经验的话,你可能 就是很费时间,费半天劲也写不好。这个就是一个深圳学习模型部署的六种方式。嗯,感兴趣的话可以关注一下,谢谢大家。

今天给大家聊一下山东学习部署的主要的平台以及他所对应的框架有哪些。第一个就是这个英美达的 gpu, 嗯,比如说所对的框架,比如说有这个咖啡电子二 t 以及 tf flow。 第二个就是英特尔的 cpu, 就是 opa vino, 呃,这个框架以及咖啡这个框架。第三个就是这个 m 了,比如说腾讯的 ncn 以及 tflight, 嗯,最后一个就是这个 fpj, 比如说这个 xl 零四,这个框架他主要是应对掐住市场,其中这个就是 gpu 和酷达的一个特斯 rt, 在服务器、高线上计算以及自动驾驶领域有着广泛的应用,这个就是常用的四种这个社会学习模型步数的平台。

本视频主要针对 vision master 深度学习 ocr 功能做演示,并对相应参数进行说明。 接下来演示 ocr 的总体流程。首先需要采集训练图片,至少需要十一张来完成训练,具体图片数量需要根据实际情况来进行评估。使用深度学习训练工具对图片进行打标。 使用深度学习训练工具训练文本行识别模块。使用深度学习训练工具训练文本定位模块在 vision master 中搭建方案进行验证。 在开始演示之前,先对深度学习训练的环境要求做介绍。深度学习训练对显卡要求较高,至少需要六 g 以上的显存,推荐使用 gtx 幺六 六零太以上性能的显卡,推荐搭配海康 ipc 四七零零主机使用。使用深度学习模块需要搭配 imvsvm 七幺零零加密狗。 使用深度学习功能前,首先需要对采集到的图片进行训练,生成深度学习模型。本视频中使用的是 vision train 一点二点零版本。 打开训练工具,在平台选择中需要选择 vm 平台自服训练。进入训练界面后,点击新建训练季来加在采集好的图像。 v 身 train 软件最少需要十一张图片才能进行训练,具体的图片数量需要根据实际情况做评估。 在加载完毕之后,需要对每一张图片分别进行打标操作。 ocr 功能有文本单字符识别 和文本行识别两种不同的模型。本视频中演示实际使用较多的文本行识别,使用矩形框工具,框柱需要识别的整行字符,矩形框的方向尽量和字符本身的方向保持一致,大小为上下边缘尽量贴近字符边缘,左右预留二分之一字符的宽度。 框选完成后,在下方操作栏正确输入该字符串, 重复该操作,直至所有的 图片都完成。打标, 点击下一步,此时打标的数据就会自动被保存到本地。接下来设置深度学习参数,在选择类型中选择本地训练。 ocr 功能需要文本定位与文本识别配合使用,所以我们需要用这一组训练级来训练两种模型。我们先选择文本行识别。最大迭代次数代表了 深度学习你核算法的最大执行次数,一般设置为图片数量的十至二十倍,其他参数一般设置默认即可。设置完参数后,可以在此处设置训练模型的名称与生成路径。 全部完成后,点击开始训练。开始训练后,可以再弹出的窗口查看训练进度与预计剩余时间。 在训练过程中,如果觉得训练曲线不理想,可以随时暂停训练并增加迭代次数。 在训练过程中,可以通过训练图库中的图玉览训练效果, 训练完成后可以观察 查到误差曲线收敛于近四零的位置。文本行识别模型训练完后,点击上一步, 继续训练。文本定位模型,文本定位模型的作用是为文本识别模块提供。 li 如果实际方案中可以通过其他方式定位文本,则此步骤可以省略。 可以看到此时的图库中已经保存了之前的打标操作。直接点击下一步进行参数设定模型选择文本定位和之前操作一样,设置迭代次数,其他参数保持默认。 设置完成后开始训练。 训练时如果发现曲线已经稳定收敛,可以提前点击结束训练。在实际使用中,不建议提前结束训练。训练完成后即可在预设路径下获取两个模型, 接下来进行效果演示。本视频使用 vision master 三点四点零进行演示。先在 vision master 中创建方案, 选择图像原模块来导入测试图。在深度学习模块中,模块后面带有字母 c 的代表不依赖 gpu 进行运算,带有字母 g 代表依赖 gpu 来进行运算。本视频中使用带有记的 gpu 模块, gpu 模块的效率会比 cpu 模块的更高,所以建议使用 gpu 模块。使用 gpu 模块需要显存两 g 以上,建议使用 gtx 一六六零太极以上性能显卡。 依次选择图像、原 dl 字符定位、 dl 字符识别三个模块,并将三个模块按顺序连线。 首先在图像源模块中添加测试图像,然后双击字符定位模块,在运行参数加在训练好的字符定位模型, 根据实际情况设置最大查找。各 本视频中只有一个字符串,所以设为一,其他参数设为默认即可。然后设置字符识别模块,首先加在训练好的模型, 然后在 l i 设置中选择继承区域,选为文本定位模型的目标信息举行, 点击运行即可查看效果。 如果对结果显示的格式不满意,还可以在结果显示中更改字体大小、字体颜色、增加个数判断等判断机制。 本视频到此结束,谢谢观看。

今天讲拍套机器测试 gpu, 那么首先是深度学习框架的一个选择,嗯,我的同学有选择特色 pro, 也有选择拍照器,也要选择 kris 的,然后呃拍照,嗯,那个拍套器, 呃,基本上是出于中间的一个渗透学习框架,比较容易上手,然后建议大家都学这个,呃,我有好多同学,大部分同学都是选择的拍套器, 那么首先是安装海纳康的,海纳康呢?就是相当于安装了拍子啊,然后第二就是安装拍套器 啊,呃,直接去拍照解读官网就行了。第三是安装这个修的,修的就是能保证 gpu 加速,他必须保证 这个显卡是定位达的显卡。然后最后是测试,那么首先是海南康大,海南康大我已经安装过了,然后我们打开海南康大的这个这个面料框,我这里是呃是用了一个镜像, 这个镜像,然后在这里面,在这里面输入安装我要安装的拍套起的一个版本,那么拍套起的拍拍套起就直接去拍套起的官网,我们搜索一下, 然后直接点拍照节的官网,拍照节的官网还是挺快的。然后这里面是他的,是他的一个选择。首先 第一个是拍拖器的一个版本一点九,那么然后我们选择 windows, 那个 windows, 嗯,操作系统价的,我们选择派普指定,派普指定比较好安装。然后是拍摄,然后是修低于,我们选择十一点一,也可以选择十点二,我们选择十一点一吧,然后把这句话复出 复制到这里,然后他 ok 就可以了,因为我这里已经下载过了,然后就就不在这下载了,这里好像是他, 他不能,那个他不能找到这个下载的方法,但是我这已经下载过了,就不不在这先下载了,然后我们下载完成拍拖机之后,我们是安装 cut a, 安装 cud a, 直接安装啊,我这里有,我这里有一个,我直接安装 cud a, 十一点一就可以了。文十的,这这个也是也是直接去英文达的,前面英文达的官网应该是就可以下载了。十一点一,嗯, 然后这是安达康的,这是修地 a, 那么我们首先,然后最后是测试这个修地的运行,那么我们首先 给你画上画起,打入画起,然后然后我们 首先看西游第一是否可以用,那就是套气垫,西游第一,第二妃子看原来这个是否可用人运行,但发现是触 数就是可以运行,那我们生成一个数,然后组成组成 xxx 等于如果说 vr 或者呃 慢的都行,谁去数吧,二三二行三列的一个数,然后我们外外边外等于谁的 x x 点西游第一,这个就是把把 x 这个数放到西游第一里边,放到 gpu 里边来进行加速, 放到 gpu 加速我们就可以加速,然后我们我们把 x 打印出来, 我们再把外打开,我们对比一下,我们发现 x 后面他是没有这个 ds 的,而而这个 y 下边他是有个 dys, 他的 cudy 零 就是已经放到 gpo 里面了,那么我们在我们也可以再把 x 的 dns 打开打印一下,再把再把 y 的 dns 打开一下, 你想一下发现 x 是在 cpu 里面的,然后 y 是在 gpu 里边的, 所以我们就现在就可以对比一下这个,呃,现现在也就是 gpu 是可以用的,我们可以对比一下这个 gpu 的加速,他省的时间。我们如果说我们写一个 xxx 等于一个好去掉,我们可以写这样,那么这个 这个 g 二我可以让他大一点,嗯,比如说这个五维的一个书,五个维度显大一点,我们可以看出来这个时间的一个对比,然后 歪了歪,可以写成 一全一的一个矩针,我们对比一下,然后我们倒入 导入时间这个库,那么时间这个库,我们定义开始的时间是开始的时间是谁?开始的时间是太木调好, 然后我们用 zz 等于 x, x 的外侧方,然后我们 减 n 的,我们看掉,然后四 s, 然后我们把这个呃,这个 n 的减 spa 的这个时间打印出来, 他发他用了时间是一秒一秒,然后我们重新 x, 等于 x 点西游第一,也就现在把 x 换成了放到鸡皮肉里边呢,然后外也放到鸡皮肉里边,然后我们还是还是这这几句看好,我们微笑, 我们运行发现他只需要零点零七秒,那我们出一下这个一点零三,除以这个零点零七,我们运行一下大概是十四秒,也就是放到 gpu 里边 大概快,比定的 cpu 运行大概快了十四倍,所以这就是一个 gpu 的一个加速啊,非常快。嗯,那么首先就是安装安德康纳,然后是安装排套器, 然后是安装 cuda, 然后做个测试,希望大家都用 gpu 来进行加速,这样节省时间,然后验证自己的一些想法。

做深度学习要什么样的显卡?平哥教你怎么选取特色核心,越多的越好。那么特色核心是什么?他有什么作用?哪些显卡有呢?从因为他的微烫染价格开始,也是从大家见的最多的烫染系列开始。啊,老黄第一次在 tvb 上面打上了特色的核心的名片, 把这个小鸟计算核心也可认为是本部精度的计算单元,能根据精度的降低而动态调整算命,保证本人性的同时提高充能量。听不懂是吗?我也不懂,但是我们普通人言,从小的成本上来看,我们都不深度学习的 dlss 技术, 也是俗称的大力学小技术,我们可以得到高分辨率、高真率的游戏体验和非凡的视觉效果,比如照片修复,从大的层面上来看,我们可以享受到哎呀,人工智能的科技成果,比如无人驾驶、整理识别等等。 而这一切的一切都少不了特色核心在耗得的辛勤付出。那么适合深度学习的显卡有哪一些呢?平哥推荐的是入门级的,有五百四十四个特色核心的二零八零太到有六百四十个特色核心的 v 一百就是 a, 一百码我没用过,主要是没钱推荐。讲了这么多,你学会了会了会了会了吗?

二十万适度学习服务器一百二十八,核心 cpu, 仪器内存,发张 cpu 显卡,下面看配置, vu, 采用 amd 骁龙七七零二六十四,核心一百二十八,现成两颗,内存三星六十四 g ddr 四一四年内存十六条,总容量一 tb, 显卡 rts 三零八零,涡轮版八张, 服务器平台超微四幺二四 gs 开始装机。

大家好,我是释海,今天给大家带来的火遍全球的人工智能 ai 算力相关的内容。如何充分利用 gp 五性能,提升神经网络训练速度?深度学习中的神经网络训练涉及海量的参数和数据集,需要重复迭代计算来不断调优网络模型。 这个过程计算量巨大,而 gpu 拥有成千上万个计算核心,具有超高的记忆带宽和计算吞吐量,非常适合这样的大规模数据并行计算。 q 的就是 m c d 开发的 g p u 计算框架,他允许我们使用简洁的 c c 加加语言来编写 g p u 程序。充分利用 g p u 的 computing power, 借助 q 的,我们可以将神经网络的训练计算任务分配到 g p u 上执行。 gpu 可以同时处理大量训练样本和网络参数,进行并行计算,从而极大加速训练过程。举个例子,在不使用 gpu 的情况下,一个图像分类模型在 cpu 上训练一 app 可能需要一个小时, 而使用 gpu 和 q 的后,同样的模型只需要几分钟,提速可达十到五十倍以上。 cancel flow 拍、 torch、 maxin 等主流深度学习框架都在底层集成了 q 的支持, 可以自动将神经网络的训练过程划分到 gpu 上并行执行,研究人员和开发人员可以很方便的在这些框架中使用 q 的会造需要汉瑞特 q 的 kernel, 所以总之, q 的为深度学习带来了飞速的训练速度,大大缩短了神经网络 的迭代周期,使得更加复杂和高精度的模型成为可能,他无疑是深度学习获得迅速发展的重要基石之一。深度学习利用神经网络对数据进行表征学习和模式识别。神经网络训练需要这次参数是网络模型逼近理想结果, 这个过程计算量极大。 q 的和 gpu 可以进行高性能并行计算, gpu 有大量计算核心,近年来计算能力日益强大,非常适合深度学习训练。等数据密集型任务,可以并行处理大量训练样本和参数,显著提高训练速度。 下面讲解几个主流深度学习框架的性能提升情况,例如 tensofo、 拍拓纸等框架,使用 q 的 home 神经网络训练速度可以提高 十到五十倍,如 coronal fusion 探索括使用后帮助用户充分发挥 gpu 性能。深度学习训练需求巨大计算资源,而 gpu 和 q 的可以提供强大的并行计算能力, 从而极大缩短训练时间,推动深度学习发展。欢迎持续关注市海爱科技频道相关内容。

装 gp 比较难的话,你用 collab 用啊,大家也知道啊, google 的 collab 啊,就我们大概也提一下吧,就是说假设你去我们的哎,我们的 假设,我们去我们的课程啊。啊,比如说我们要之后要讲的卷机神经网络,我随便调一个复杂一点的啊,叫 alex nine, 就说你去那个网页去点这个东西, 点他这如果打不开,那就大家要知道啊,自己学会怎么样,你你看一下,这个是对吧,这个网址你打不开的话,大家得想办法。对,我们这就不介绍方法了啊, 它是带 g p u 的,就是说它可以让你免费用一点 g p u 啊,就是说它的 run time 里面就是说啊,就是说它这个其实我就是说我们默认 是给他开 gpu 了,就说你可以选 gpu, 然后呢,啊,如果你不费不付费的话,你免费的话,有概率是能啊拿到 gpu 的。但是如果大家都在用的话,当然啊,你可能就轮不到你了 啊,当然你可以付费了,我付过一阵子费啊,也挺挺好的,就一个月也就十美金还是十一美金啊。所以呢,这一个是说,但是你得啊,就你没有 gpu 啊,想办法去上这个网页啊。 啊,具体方法大家八仙过海,各显神通。所以呢啊,唯一的是说你就是通过啊,这个角落,这个地方就我们现在这是 mc 的版本啊,你得仿如果我们教的是拍 touch 的话,你得去点一下拍 touch, 就 点到拍 touch 里面,然后他就会打开的,是拍 touch 的版本,对吧,你看这里点一下啊。 ok, 我们就不讲怎么样去搞 gpu 了。啊。我们 我们主要讲一下。嗯啊,我们主要讲一下在最简单的单 g p u 上怎么样做运算。 首先你得确认一下你有 gpu 啊,你得运行下感叹号 vdr 杠 s m i。 就是啊, vdr 出了一个东西就是自己的,你可以看到你的有没有 gpu。 像这个机器,我是在云上面啊, 是有,我是有四块啊,特斯拉米一百的 gp 在这个地方的。然后你再可以看到我的啊,内存就是一共每个 gp 十六 g 内存就 gpu 内存和 cpu 内存是分开的。然后呢,这里就表示我用了这一个 gpu, 我用了三 g 了已经。 然后接下来这个是你的 gpu, 就说你在运行的时候你可以去看他用用了多少,就说如果你发现就用了个百分之五十啊,或者百分之五十以下的话,就表示你用的啊,你的模型啊不是那么的好。 然后呢,后面就不用管了。另外一个是说你可以看到你的库打的位置,就说你库打的版本是十点零一,就说在你你可能需要装对应的库打版本的啊。框架。 ok, 这个就是说啊,这个东西主要的好处是说一确保像你有 g p u 啊。第二的话你可以看一下啊,你可以不断运行它来看你的 g p u 的使用率啊。最下面 你可以看到是说啊,谁在用我的 g p u 啊。 ok, 好。如果你有了 g p u 的话,那么接下来就是说我怎么样表达我的硬件。 就是就是说默认啊。所有的深度学的框架默认都是在 cpu 上做运算的,你得去指定你要去 gpu。 在啊 torch 里面就是说它是通过啊 torch device, cpu 呢,其实就是说默认就 cpu 那个 device。 然后呢,你可以去说啊, torch 点 kuda 点 device kuda 就这个也是我觉得他们是一开始没做好的地方,反正哈就是用的 kuda, 但实际上呢, kuda 跟 gpu 不是那么的等价。所以 呢,就反正叫错就错吧,就叫 cool。 所以呢,这个就是表示的是第零个 gpu, 就说你没有写零,但是它是第零个 gpu。 然后你可以说我要的访问,如果你有多个多个 g p u 的话啊,你可以访问第啊,第一个 g p u 就是加个冒号一 对吧,所以表示这个东西。另外的话,你可以通过 torch 点哭的点 device count 来看你有多少个 gpu 啊。这里我是三个啊,为什么我们刚看到四个我是三个呢?是因为啊,我就是把最后一个屏蔽掉了啊,最后一个我用来留给啊,我们整个动手学深度学习这个跑,每次提交一个任务跑啊,要要我们要跑一下是不是能跑吗?我把最后一个 gp 留 我跟那个叫防止我把所有的 g p u 用掉了。所以我们看到的是只看到了三个 g p u 这个地方。同样的道理的话,你可以看一下你的 d y s 看,如果是零的话就表示你没有 g p u。 ok, 我们来接下来啊。接下来我们第一节课函数,我们之后就是比较方便来用的话。最后我们说 try g p u 就我们尝试把第二个 g p u 拿出来, 就如果存在的话就返回,如果不存在就把 cpu 返回来,就保就要保证我们的代码能跑对吧。所以说如果就很简单,如果是你的 device count 大于它的话,那就返返回它对应的 gpu, 如果不然的话,我就把 cpu 返回出来。第二个函数是说我能把所有的 gpu 都返回出来。 所以看到是说啊,第一个我踹 g p u 的话呢,第一个就是把第一个 g p u 返回出来,然后我踹 g p u 十,我没有十个 g p u 对吧,我就返回了,我的是 c p u。 最后我啊 try all g p u, 就是把我们的零一二返回来,就第三个我就屏蔽掉了,所以访问不到。 好,我们接下来就是说来看一下我们怎么样在张亮在 gpu 上创建我们的 tensor。 首先我们看一下我们默认创建的 types, 就我们之前有讲过啊,零一二三,把它放成一个 types, 可以通过点 device 去看它现在在哪里。 默认是在 cpu 上,你看到它的 device 的态 tab, 就等于 cpu 就默认它是在我的 cpu 的内存上面。 那么接下来呢?接下来就说我可以在创建的时候告诉你说我要放在 gpu 上, 就说我在创建它的时候加入一个 device, 等于啊,我们就 try gpu 就返回的我们有 gpu 啊,我们就返回我们第零个 gpu 那个 device。 那么再去打印 x 的话,你可以看到唯一的区别是说 device 等于库拉马号零, 就表示说这一个张亮是创建在 gpu 零就 gpu 是个卡, gpu 是里面有内存的,就是我把我的 cpu 的内存的数据搬过去了。 同样道理,我可以在我的第二个 gpu 上, 就是啊,它的 index 是一创建一个 random 的二乘三的一个矩阵,那么可以看到它的 device 就是库达冒号一。 ok, 这是第一个,第二个 g p 我们都有值了。接下来是说我要做运算的话,我要算 x 加 y 的话,我是怎么?那我会发现在什么地方呢? 就它会发生在 x 和 y 对应的 device 上面。 回忆一下啊,之前我们的 x、 y 都是创建在 cpu 的 memory 里面,那么它的默认计算就会发现在 cpu。 但现在是说假设我们要在 g p u 上的话,那我们要保证一个事情,是说 x 和 y 都在 g p u 上,而且它必须在同一个 g p u 上。 就是说啊,我们知道我们的 x 放在第零个 g p u, 我们的 y 放在第一个 g p u。 那么呢,我们这个地方需要创建一个 z, 把 x 挪到第一个,就是就第二个 g p u 了。 所以你可以看一下,就是说 x 点扩大,就你可以认为就是把 x 的值从一个 g p cop 到另外一个 g p, 从零 copy 到一。 那么你 print x d 的话,那就是 x 的 diy, 在这个地方 d 的 diy 在这个地方, 就是说 diys 不一样了。那么这样子的话,我的 y 和 z 都在我的啊第一号级 p u 上。那我们就可以做计算了。就是说因为它在同一个 g p u 上,它的加法会在这个 g p u 完成,就会用 g p u 来加速它做计算,可以看到它的结果也会写在这个 g p u 上。 ok, 就是说啊,可以解释一下为什么要做这个事情,是因为当你可以从实际上来说,你可以说 x 加上 y, x、 y 在不同的啊 device 上面是没关系的。就是说从啊实际上来说,一点问题都没有,我就把它要么就 copy 到呃第一个 device 上去。 就之所以不这么做的历史原因是因为在 gpu 之间挪数据,特别是 gpu 的数据挪到 cpu 是件很慢的事情。就是 如果你一不小心说我一个网络,然后基本所有的层都创建在 g gpu 上,但不小心把某一层创建在 cpu 上,那你是不是要来来回回挪东西?这个东西很容易会造成你的性能问题。 就是说,而且这个东西比较很难 debug。 所以还不如说啊,我就给你报个错,说不好意思,那有一个 layer 放在 cpu 上,你不能做运算。 这这就是他纯粹是给大家造成这个困难,纯粹是让大家去想啊,我的东西要放在在哪一个 diy 市场运行啊。纯粹是因为如果我不让你想的话,性能很难保证 就是一个啊,性能的考虑啊。另外一个当然是说,如果 z 已经在第一个第一行 号 g p u 的话,那么它点扩大一,它会不会返回任何事情。它就是啊,返回自己就不会,不会把 g p u 从自己 copy 到里啊,自己。这也是一个性能的考虑 啊。我们看到了,说怎么样在 g p u 上做啊张亮的运算。那么接下来怎么做神经网络呢? 神经网络跟之前一样,我们可以创建我们的神经网络。我们通常在 cpu 上把你的权重给你出手画好,然后你可以调用点 to 这个 method, 把它挪到某一个 device 上面去。 net 点 two device try gpu 就是挪到第零号 gpu 去。然后你记得啊,我的 x 就已经创建在零号 gpu 上了。所以呢 呢,我的 network 就说这个函数意味着把我们所有的参数在我的第零号 gp 上 copy 一份, 然后我的 x 也在我的零号 gpu 上。所以这一个的全项运算就是在零号 gpu 进行的。那我们就在这个 gpu 上做运算了。可以看到它的结果也是在我的零号 gpu 上。 但你可以确认一下啊,确认一下我们的 wait, 你可以看到我们的 wait, 我的第一个全列阶层的 wait, 点 data 点 device 就在我的库岛上面,就对 index 等于零。就是定零号 gpu。 可以确认一下我的模型参数在一个 g p u 上。 ok, 这就是说怎么样用 g p u 做运算?就是用 gpu 是很简单的事情啊。比较难的事情,一是说你得去弄个 gpu 来啊。第二个是说啊,你得装啊,装一装哭的 那东西,其实也现在已经很好装了。就以前还是挺难装的,就我们当时最早的时候,哎,还是问题挺多,现在已经好很多很多了啊。就是说啊,假设你已经全部有的话,那么呢啊,你要在 gpu 做运算的办法就是把我的数据挪到我的 gpu 上, 假如你数据在 gpu 上,那么对应的操操作也会在 gpu 上完成啊。 而且你要保证是说你得手动的 copy 到 gpu 上。就是说,而且你有多个 gpu 的话,你得保证你的数据在同一个 gpu 上做运行。所以对审计网络也是一样的。审计网络要在一个 gpu 上做运算,那么你要干的事情 是把它的权重 copy 到 gpu 上,把它的输入也 copy 到 gpu 上,那么就可以在 gpu 上做 forward 了啊。 forward 做完之后,你 backward 应该也是会在同一个 gpu 上做运算。 ok, 这就是我们的 gpu。

装好了, 今天看一下我们的深度学习工作账,两个 cpu 的,然后两个显卡,三零九零的显卡上路的。看一下啊,这就是风冷的 还算比较精吧,我感觉里面没什么声音,但是这个我们还没有压力跑啊,这前面加了一排风扇,后面加了一个, 哦,看这个小灯撞的真漂亮, 真好看, 看一下这个都是一样的,内存,六十四起,内存倒不大,然后两个 cpu 看一下这个, 哎,我那天发视频的时候,有个人说我的手机拍视频特别清楚,不知道是说真的还是骗我,问我什么手机, 两个三零九零,其他的好像也没啥看的,一个是八 t 还是四 t 的机械音盘,然后一个系统盘吧,系统盘就是一体币的, 是不是我的拍视频还可以呢?这个 这个设计看一下真好看,五颜六色的,花花绿绿的 好,还有还有一台,还有几台服务器用的是公版的三零九零的显卡,现在我们选的是个华硕的。看一下服务器啊,这个是七七六三的, 这个是跟我们昨天那个三零九零是一一套的,这里还有几个装上三零九零的卡, 这个已经装好了,来放好。嗯,这机枪小巧, 小巧玲珑,看起来很好看。 ok, 就这样了,再拍一个华丽的亮亮, 好漂亮的小灯光,我们再看一眼就结束今天的视频。

必设基于深度学习的危险区域检测系统。哈喽,各位小伙伴国庆节快乐哈。今天我们演示必设基于深度学习的危险区域检测系统。首先我们打开一个视频, 又可以在视频上面绘制危险区域,当我们的目标经过危险区域的时候,他就会标红你的目标, 以后还会打印你进入了危险区域。 这个电脑我是用 cbu 跑的,他的帧率有点慢,如果换上 gbu 的话,他的检测帧率变得非常快, 加油 啊啊。 好的,这里我们结束检测,我们打开一张图片进行预测。 好的,预测结果出来了,这期视频点到这里,谢谢。

装一台 ai 深度学习 gpu 训练推理服务器。 cpu 两颗 amb 骁龙七七六三六十四,核心一百二十八,现成机频二点四五 g, 目前 cpu benchmarks 排名前五。 gpu in video rtxa 六件,搭载四十八 gb 显存,提供强大视觉计算,支持 vr 应用、视频编辑码三 d 制作等多种应用场景。主板超威 h 二 d sim 六,支持双路 amd 三代骁龙多达六个 pcie 插槽,同时配备双千兆网口,高性能可扩展的双路服务器。主板内存三星三十二 g 三二零零 r e c c 八条,总容量两百五十六 g b 系统盘一块,三星一点九二 t b m 点二 s s d。 存储盘四块,悉数八 t b s a t a。 阵列卡 lsi 九三六四八二,支持多种接口,硬盘补血速度十二 gb 每秒。机箱超威七四七 tq 二幺六二零 b, 自带一千六百二十瓦钛金级容易电源,内部四个热插拔风扇,尾部两个风扇。

hi touch 支持苹果电脑 ma 芯片的一个 gpu 加速,呃,今天我们用一个目标跟踪的算法来测试一下它的一个 gpu 加速性能。大家可以看到这个是我电脑的一个配置,芯片是 ma pro 的,内存是十六 gb 的, 呃。然后这个是我们跑出来一个成绩,大概是 gpu 加速之后大概是跑到一个三十三针的一个成绩,呃。这个是代码部分,我们只需要将扩大运算的部分转变为这个 mps 运算,呃,比如说张量的运算,因为这个 m 一芯片哺乳他的 gpu 加速,底层运算都是由 mps 来支持的。 然后为了一个形成一个鲜明对比,我们只用 cpu 来也来跑了一下,大概只有跑到一个,呃。一针的一个成绩。这么来看的话就是拍拖时,呃,基于这个就是 map 哺乳芯片的一个底层的 gpu 加速,性能还是不错的,感兴趣的话可以来关注一下,谢谢大家。

ai 训练深度学习什么方向?选什么级别的显卡?今天我们来说一说相关专业学生。从业者从一块 it 叉四零七零开始进一步学习。建议卖掉 it 叉四零七零,并购买多路 it 叉四零九零。 自然语言处理研究人员如果不从事机器翻译、语言建模或任何类型的预训练工作,那么二 tx 四零八零就足够了,而且颇具性价比。计算机视觉预训练和机器翻译研究人员 建议四路 r t 叉四零九零涡轮显卡注意配备相应的大功率电源及散热设备用于模型病情训练。少于一百二十八个 g p u 的 g p u 集群建议八路 r t 叉四零八零和八路 r t 叉四零九零用于模型病情训练。高于一百二 十八个 gpu 的 gpu 集群,八路 a 一百是最好的选择。深度学习 ai 训练电脑怎么选?关注霞姐,持续给你分享!

今天带兄弟们装一台深度学习服务器,这台服务器主要用于深度学习训练,现在带兄弟们一起组装 这台超威四零二九 gptrk, 支持两颗英特尔系列处理器,搭配两个志强金牌六二二六按十二核三十二线程二点九赫兹, 同时借助四块因为你的新一代图零架构的 gpu 加速器 q 的核的特性,相比 gpu 处理速度提升数十倍。内存我们给装了八个三十二 gb 内存,一共两百五十六 gb 内存,满足用户办公需求。 既然用于深度学习,我们搭配了八张 r t x 三零九零显卡,对于深度学习主要是用到 g p u 的单轻度和半轻度,采 采用独特的 gpu 散热设计,保障 gpu 有效散热不降频。使用 四百八十 bb satis 企业及硬盘两个两千瓦电源,允许在电源模块故障情况下系统不当机,这台机器就组装完了。兄弟们觉得这台机器怎么样呢?