语音可以看做是一个个单词的随机组合，所以要将语音转变为文字是很困难的。但是，经过大量的训练，系统也可以识别出大部分的单词。深度学习在语音-文本转换中的表现同样令人印象深刻，诸如百度等等公司的自然语言处理技术已经非常成熟，可以根据需要转换成任何一种语言文字，这就如同魔法一样神奇。

　　如同历史发展的必然规律，当达到某个拐点后会突然爆发，现在就处于数据科学的拐点处，利用深度学习实现对数据的最大化利用。

　　CPU 的训练时间是单个 GPU 的三十多倍。

　　数据并行是最常用的方式之一，每个处理器中都有一个全深度网络，将各个数据容器中的参数统一协调至参数服务器中。但是这并不是最好的方式。

　　一个更好的方式是模型并行计算，如图所示。

　　Nervana 的另一个优势在于 I/O 范围。通常处理器越多，深度学习的速度就越快。但是普通的工业系统随着处理器数目的增多，学习速度会达到某个极限值而不再增加。而 Nervana 平台不光能提高单个处理器的学习速度，而且还没有学习速度的上限，可以根据需要不断增加处理器个数。

　　我们仍在继续努力研发新的技术，力争明年能将现有速度提升十倍以上。

　　Nervana 平台是一个全栈式解决方案，基于 Nervana 深度学习框架平台和 Nervana 云，实现输入、构造、训练和部署。

　　深度学习作为 Nervana 的核心竞争力，直播，已经围绕其构建了图像分类、目标定位、视频检索、文本分析、机器翻译等功能。

　　Nervana 拥有最快的深度学习库。

　　Nervana 的 Python 深度学习库界面友好，可扩展性强，支持多种深度学习模型，并且提供连接 Nervana 云的接口，还支持多后台（包括Nervana 引擎、 GPU 和 CPU）。

　　这是系统的网络界面，Nervana 为用户提供了大量可以直接调用的 API。

　　深度学习的作用在于建立一个发现数据中有用信息的框架，但要使这个框架平台运行速度更快、处理规模更大、解决方案涵盖面更广，仍然有很多困难。

　　Nervana 目前拥有最先进的深度学习平台，非常便于利用开发出的相关工具，从复杂关系中抽象出有代表性的目标特征。除了之前提过的各种应用外，还可以用于快速定位石油井、天然气田，以及农业精细化运营等。

　　via NextBigFuture