Deep Learning一个显而易见的好处在于大大降低了算法研发的门槛。很多传统上需要专业算法团队，积累几年甚至更久才能做的工作，现在很多公司都可以相对而言快速地涉足。

　　从我们的观察上看，相对而言，互联网以及安防公司在这一波的技术浪潮中走的相对靠前。我们国内比较成熟的使用Deep Learning的，其实还是主要集中在计算机视觉以及语音等领域，比如常见的以图搜图，目标检测，人脸识别，语音识别，辅助驾驶等等。在这些领域，快速迭代的网络结构以及方法，推动着算法效果日新月异地演进着，也催生出一大批创业公司。

　　下面我们看一下从整个生态的角度，如何去选择合适自己的平台和工具。

　　接触过NVIDIA加速计算产品的用户，应该都对CUDA这个词不陌生，CUDA从最初发布到今天已经有10年的历史了。CUDA是Compute Unified Device Architecture的缩写，从这个词组本身设计上，可以看出，CUDA的最初开发人员是希望CUDA成为不同平台上的统一计算接口。

　　NVIDIA的芯片产品主要包括：面向游戏业务的GeForce、面向专业图形图像领域的Quadro、面向企业级计算的Tesla、面向嵌入式计算的Tegra，以及面向虚拟化应用的Grid。

　　今天CUDA在高性能计算，加速计算领域占据着非常重要的地位，也实现了在NVIDIA各个产品线上统一接口的目标。换句话说，在NIVIDA的GeForce，Quadro，Tesla，Tegra等产品上都可以运行CUDA程序。

　　GPU当然并不是适合所有的任务，并且在很多情况下，需要跟CPU做很好的配合，由CPU来负责程序中的串行部分。GPU从设计之初是为了加速大量类似操作（比如几百万甚至更多像素的渲染），所以architecture做tradeoff的时候考虑的是获得多个任务总体的高throughput，而不是单个任务的低延迟高相应。GPU拿来做其它任务也必然是类似的，会比较适合大量类似的并发处理，或者说应用的并行度要足够高。

　　从传统上看，一直到2013年、2014年左后，NVIDIA 的GPU，特别是企业产品Tesla，主要还是应用在传统的高性能计算领域，用户主要是用GPU来加速一些理论物理、分子动力学等等科学计算类的任务。工业界的应用的话，主要集中在石油行业。其他的一些应用，也包括一些金融类应用，比如期权定价等等。那么，2012年Hinton在ImageNet比赛中取得突破性的进展的时候，采用的就是NVIDIA 的GeForce游戏显卡。那么到现在，也就是2017年，机器学习特别是深度学习，已然成为NVIDIA企业级产品应用最大的领域。

　　从这里我们可以看到，NVIDIA 的GPU产品在最近几年，在深度学习领域取得的成功，是有一定的偶然因素的，也存在一定的必然。说偶然，是因为技术的突破，数据的积累还有计算能力的演进，j2直播，大概到了这样的一个时间点。必然呢，是因为NVIDIA其实对于Deep Learning的促进，跟在其他领域，特别是科学计算领域对那些应用的促进，并没有本质的区别，都是来源于NVIDIA 在高性能计算领域，对于整个生态环境的持续投入。正是因为有了比较好的软硬件的工具，还有比较完善的生态系统，研究人员才可以很容易的基于GPU去开发所需要的应用。回到Deep Learning，像2012年Hinton他们做的工作，最终引导了这一次比较深刻的技术变革。

　　我们现在再回到上面已经发过的一页PPT，里面有我们的几个平台或者说方案吧。有大家都用过的游戏显卡，像1080 TitanX这种GeForce、针对深度学习特别开发的Server服务器DGX-1。另外，我们跟很多合作伙伴会推出基于Tesla的服务器，以及我们跟用户或者合作伙伴，像Amazon、阿里云等等，在云端给用户提供有GPU的HPC节点。

　　这次交流其实很重要的一点，大家在做DL，特别是刚开始做DL训练的时候，选择用什么样的一个方案呢？这里只是我的一些建议：