摘要：年月日，機(jī)器之心曾經(jīng)推出文章為你的深度學(xué)習(xí)任務(wù)挑選最合適從性能到價(jià)格的全方位指南。如果你想要學(xué)習(xí)深度學(xué)習(xí)，這也具有心理上的重要性。如果你想快速學(xué)習(xí)深度學(xué)習(xí)，多個(gè)廉價(jià)的也很好。目前還沒有適合顯卡的深度學(xué)習(xí)庫所以，只能選擇英偉達(dá)了。

文章作者 Tim Dettmers 系瑞士盧加諾大學(xué)信息學(xué)碩士，熱衷于開發(fā)自己的 GPU 集群和算法來加速深度學(xué)習(xí)。這篇博文最早版本發(fā)布于 2014 年 8 月，之后隨著相關(guān)技術(shù)的發(fā)展和硬件的更新，Dettmers 也在不斷對(duì)本文進(jìn)行修正。2016 年 7 月 18 日，機(jī)器之心曾經(jīng)推出文章為你的深度學(xué)習(xí)任務(wù)挑選最合適 GPU：從性能到價(jià)格的全方位指南 。當(dāng)時(shí)，機(jī)器之心呈現(xiàn)的文章是其 2016 年 6 月 25 日的更新（之前已經(jīng)有五次更新）。接著，2016 年 7 月 23 日以及 2017 年 3 月 19 日，作者又分別根據(jù)硬件發(fā)展情況兩度更新博文：2016 年 7 月 23 日主要添加了 Titan X Pascal 以及 GTX 1060 并更新了相應(yīng)推薦；2017 年 3 月 19 日添加了 GTX 1080 Ti 并對(duì)博客進(jìn)行了較大調(diào)整。本文依據(jù)的是 3 月 19 日更新后的版本。另外，除了 GPU 之外，深度學(xué)習(xí)還需要其它一些硬件基礎(chǔ)，詳情可參閱機(jī)器之心之前的文章《深度 | 史上最全面的深度學(xué)習(xí)硬件指南》。

深度學(xué)習(xí)是一個(gè)計(jì)算密集型領(lǐng)域，而 GPU 的選擇將從根本上決定你的深度學(xué)習(xí)實(shí)驗(yàn)。沒有 GPU，一個(gè)實(shí)驗(yàn)也許花費(fèi)數(shù)月才能完成，或者實(shí)驗(yàn)運(yùn)行一天卻只關(guān)閉了被選擇的參數(shù)；而一個(gè)良好穩(wěn)定的 GPU 可讓你在深度學(xué)習(xí)網(wǎng)絡(luò)中快速迭代，在數(shù)天、數(shù)小時(shí)、數(shù)分鐘內(nèi)完成實(shí)驗(yàn)，而不是數(shù)月、數(shù)天、數(shù)小時(shí)。所以，購買 GPU 時(shí)正確的選擇很關(guān)鍵。那么，如何選擇一個(gè)適合你的 GPU 呢？這正是本篇博文探討的問題，幫助你做出正確選擇。

對(duì)于深度學(xué)習(xí)初學(xué)者來說，擁有一個(gè)快速 GPU 非常重要，因?yàn)樗梢允鼓阊杆佾@得有助于構(gòu)建專業(yè)知識(shí)的實(shí)踐經(jīng)驗(yàn)，這些專業(yè)知識(shí)可以幫助你將深度學(xué)習(xí)應(yīng)用到新問題上。沒有這種迅速反饋，從錯(cuò)誤中汲取經(jīng)驗(yàn)將會(huì)花費(fèi)太多時(shí)間，在繼續(xù)深度學(xué)習(xí)過程中也會(huì)感到受挫和沮喪。在 GPU 的幫助下，我很快就學(xué)會(huì)了如何在一系列 Kaggle 競賽中應(yīng)用深度學(xué)習(xí)，并且在 Partly Sunny with a Chance of Hashtags Kaggle 競賽上獲得了第二名，競賽內(nèi)容是通過一個(gè)給定推文預(yù)測氣象評(píng)分。比賽中，我使用了一個(gè)相當(dāng)大的兩層深度神經(jīng)網(wǎng)絡(luò)（帶有兩個(gè)修正線性單元和 dropout，用于正則化），差點(diǎn)就沒辦法把這個(gè)深度網(wǎng)絡(luò)塞進(jìn)我的 6G GPU 內(nèi)存。

應(yīng)該使用多個(gè) GPU 嗎？

在 GPU 的幫助下，深度學(xué)習(xí)可以完成很多事情，這讓我感到興奮。我投身到多 GPU 的領(lǐng)域之中，用 InfiniBand 40Gbit/s 互連組裝了小型 GPU 集群。我瘋狂地想要知道多個(gè) GPU 能否獲得更好的結(jié)果。我很快發(fā)現(xiàn)，不僅很難在多個(gè) GPU 上并行神經(jīng)網(wǎng)絡(luò)。而且對(duì)普通的密集神經(jīng)網(wǎng)絡(luò)來說，加速效果也很一般。小型神經(jīng)網(wǎng)絡(luò)可以并行并且有效地利用數(shù)據(jù)并行性，但對(duì)于大一點(diǎn)的神經(jīng)網(wǎng)絡(luò)來說，例如我在 Partly Sunny with a Chance of Hashtags Kaggle 比賽中使用的，幾乎沒有加速效果。

隨后，我進(jìn)一步試驗(yàn)，對(duì)比 32 位方法，我開發(fā)了帶有模型并行性的新型 8 位壓縮技術(shù)，該技術(shù)能更有效地并行處理密集或全連接神經(jīng)網(wǎng)絡(luò)層。

然而，我也發(fā)現(xiàn)，并行化也會(huì)讓人沮喪得發(fā)狂。針對(duì)一系列問題，我天真地優(yōu)化了并行算法，結(jié)果發(fā)現(xiàn)：考慮到你投入的精力，即使使用優(yōu)化過的自定義代碼，多個(gè) GPU 上的并行注意的效果也并不好。你需要非常留意你的硬件及其與深度學(xué)習(xí)算法交互的方式，這樣你一開始就能衡量你是否可以受益于并行化。

我的計(jì)算機(jī)主機(jī)設(shè)置：你可以看到 3 個(gè) GXT Titan 和一個(gè) InfiniBand 卡。對(duì)于深度學(xué)習(xí)來說，這是一個(gè)好的設(shè)置嗎？

自那時(shí)起，GPU 的并行性支持越來越普遍，但距離全面可用和有效還差的很遠(yuǎn)。目前，在 GPU 和計(jì)算機(jī)中實(shí)現(xiàn)有效算法的深度學(xué)習(xí)庫是 CNTK，它使用微軟的 1 比特量子化（有效）和 block momentum（很有效）的特殊并行化算法。通過 CNTK 和一個(gè)包含 96 塊 GPU 的聚類，你可以擁有一個(gè)大約 90x-95x 的新線性速度。Pytorch 也許是跨機(jī)器支持有效并行化的庫，但是，庫目前還不存在。如果你想要在一臺(tái)機(jī)器上做并行，那么，CNTK、Torch 和 Pytorch 是你的主要選擇，這些庫具備良好的加速（3.6x-3.8x），并在一臺(tái)包含 4 至 8 塊 GPU 的機(jī)器之中預(yù)定義了并行化算法。也有其他支持并行化的庫，但它們不是慢（比如 2x-3x 的 TensorFlow）就是難于用于多 GPU (Theano)，或者兼而有之。

如果你重視并行，我建議你使用 Pytorch 或 CNTK。

使用多 GPU 而無并行

使用多 GPU 的另外一個(gè)好處是：即使沒有并行算法，你也可以分別在每個(gè) GPU 上運(yùn)行多個(gè)算法或?qū)嶒?yàn)。速度沒有變快，但是你能一次性通過使用不同算法或參數(shù)得到更多關(guān)于性能信息。如果你的主要目標(biāo)是盡快獲得深度學(xué)習(xí)經(jīng)驗(yàn)，這是非常有用的，而且對(duì)于想同時(shí)嘗試新算法不同版本的研究人員來說，這也非常有用。

如果你想要學(xué)習(xí)深度學(xué)習(xí)，這也具有心理上的重要性。執(zhí)行任務(wù)的間隔以及得到反饋信息的時(shí)間越短，大腦越能將相關(guān)記憶片段整合成連貫畫面。如果你在小數(shù)據(jù)集上使用獨(dú)立的 GPU 訓(xùn)練兩個(gè)卷積網(wǎng)絡(luò)，你就能更快地知道什么對(duì)于性能優(yōu)良來說是重要的；你將更容易地檢測到交叉驗(yàn)證誤差中的模式并正確地解釋它們。你也會(huì)發(fā)現(xiàn)暗示需要添加、移除或調(diào)整哪些參數(shù)與層的模式。

所以總體而言，幾乎對(duì)于所有任務(wù)來說，一個(gè) GPU 已經(jīng)足夠了，但是加速深度學(xué)習(xí)模型，多個(gè) GPU 會(huì)變得越來越重要。如果你想快速學(xué)習(xí)深度學(xué)習(xí)，多個(gè)廉價(jià)的 GPU 也很好。我個(gè)人寧愿使用多個(gè)小的 GPU，而不是一個(gè)大的 GPU，即使是出于研究實(shí)驗(yàn)的沒目的。

那么，我該選擇哪類加速器呢？英偉達(dá) GPU、AMD GUP 還是英特爾的 Xeon Phi？

英偉達(dá)的標(biāo)準(zhǔn)庫使得在 CUDA 中建立第一個(gè)深度學(xué)習(xí)庫很容易，但沒有適合 AMD 的 OpenCL 那樣強(qiáng)大的標(biāo)準(zhǔn)庫。目前還沒有適合 AMD 顯卡的深度學(xué)習(xí)庫——所以，只能選擇英偉達(dá)了。即使未來一些 OpenCL 庫可用，我仍會(huì)堅(jiān)持使用英偉達(dá)：因?yàn)閷?duì)于 CUDA 來說，GPU 計(jì)算或者 GPGPU 社區(qū)是很大的，對(duì)于 OpenCL 來說，則相對(duì)較小。因此，在 CUDA 社區(qū)，有現(xiàn)成的好的開源解決方案和為編程提供可靠建議。

此外，英偉達(dá)現(xiàn)在為深度學(xué)習(xí)賭上一切，即使深度學(xué)習(xí)還只是處于嬰兒期。押注獲得了回報(bào)。盡管現(xiàn)在其他公司也往深度學(xué)習(xí)投入了錢和精力，但由于開始的晚，目前依然很落后。目前，除了 NVIDIA-CUDA，其他任何用于深度學(xué)習(xí)的軟硬結(jié)合的選擇都會(huì)讓你受挫。

至于英特爾的 Xeon Phi，廣告宣稱你能夠使用標(biāo)準(zhǔn) C 代碼，還能將代碼輕松轉(zhuǎn)換成加速過的 Xeon Phi 代碼。聽起來很有趣，因?yàn)槟憧赡苷J(rèn)為可以依靠龐大的 C 代碼資源。但事實(shí)上，其只支持非常一小部分 C 代碼，因此，這一功能并不真正有用，大部分 C 運(yùn)行起來會(huì)很慢。

我曾研究過 500 多個(gè) Xeon Phi 集群，遭遇了無止盡的挫折。我不能運(yùn)行我的單元測試（unit test），因?yàn)?Xeon Phi 的 MKL（數(shù)學(xué)核心函數(shù)庫）并不兼容 NumPy；我不得不重寫大部分代碼，因?yàn)橛⑻貭?Xeon Phi 編譯器無法讓模板做出適當(dāng)約簡。例如，switch 語句，我不得不改變我的 C 接口，因?yàn)橛⑻貭?Xeon Phi 編譯器不支持 C++ 11 的一些特性。這一切迫使你在沒有單元測試的情況下來執(zhí)行代碼的重構(gòu)，實(shí)在讓人沮喪。這花了很長時(shí)間。真是地獄啊。

隨后，執(zhí)行我的代碼時(shí)，一切都運(yùn)行得很慢。是有 bug（？）或者僅僅是線程調(diào)度器（thread scheduler）里的問題？如果作為運(yùn)行基礎(chǔ)的向量大小連續(xù)變化，哪個(gè)問題會(huì)影響性能表現(xiàn)？比如，如果你有大小不同的全連接層，或者 dropout 層，Xeon Phi 會(huì)比 CPU 還慢。我在一個(gè)獨(dú)立的矩陣乘法（matrix-matrix multiplication）實(shí)例中復(fù)制了這一行為，并把它發(fā)給了英特爾，但從沒收到回信。所以，如果你想做深度學(xué)習(xí)，遠(yuǎn)離 Xeon Phi！

給定預(yù)算下的最快 GPU

你的第一個(gè)問題也許是：用于深度學(xué)習(xí)的快速 GPU 性能的最重要特征是什么？是 cuda 內(nèi)核、時(shí)鐘速度還是 RAM 的大??？

以上都不是。最重要的特征是內(nèi)存帶寬。

簡言之，GPU 通過犧牲內(nèi)存訪問時(shí)間（延遲）而優(yōu)化了內(nèi)存帶寬； 而 CPU 的設(shè)計(jì)恰恰相反。如果只占用了少量內(nèi)存，例如幾個(gè)數(shù)相乘（3*6*9），CPU 可以做快速計(jì)算，但是，對(duì)于像矩陣相乘（A*B*C）這樣占用大量內(nèi)存的操作，CPU 運(yùn)行很慢。由于其內(nèi)存帶寬，GPU 擅長處理占用大量內(nèi)存的問題。當(dāng)然 GPU 和 CPU 之間還存在其他更復(fù)雜的差異。

如果你想購買一個(gè)快速 GPU，第一等重要的就是看看它的帶寬。

根據(jù)內(nèi)存帶寬評(píng)估 GPU

隨著時(shí)間的推移，比較 CPU 以及 GPU 的帶寬。為什么 GPU 計(jì)算速度會(huì)比 CPU 快？主要原因之一就是帶寬。

帶寬可直接在一個(gè)架構(gòu)內(nèi)進(jìn)行比較，例如, 比較 Pascal 顯卡 GTX 1080 與 GTX 1070 的性能；也可通過只查看其內(nèi)存帶寬而直接比較。例如，GTX 1080 (320GB/s) 大約比 GTX 1070 (256 GB/s) 快 25%。然而, 在多個(gè)架構(gòu)之間，例如 Pascal 對(duì)于 Maxwell 就像 GTX 1080 對(duì)于 GTX Titan X 一樣，不能進(jìn)行直接比較，因?yàn)榧庸み^程不同的架構(gòu)使用了不同的給定內(nèi)存帶寬。這一切看起來有點(diǎn)狡猾，但是，只看總帶寬就可對(duì) GPU 的大致速度有一個(gè)很好的全局了解。在給定預(yù)算的情況下選擇一塊最快的 GPU，你可以使用這一維基百科頁面（List of Nvidia graphics processing units），查看 GB/s 中的帶寬；對(duì)于更新的顯卡（900 和 1000 系列）來說，列表中的價(jià)格相當(dāng)較精確，但是，老舊的顯卡相比于列舉的價(jià)格會(huì)便宜很多，尤其是在 eBay 上購買這些顯卡時(shí)。例如，一個(gè)普通的 GTX Titan X 在 eBay 上的價(jià)格大約是 550 美元。

然而，另一個(gè)需要考慮的重要因素是，并非所有架構(gòu)都與 cuDNN 兼容。由于幾乎所有的深度學(xué)習(xí)庫都使用 cuDNN 做卷積運(yùn)算，這就限制了對(duì)于 Kepler GPU 或更好 GPU 的選擇，即 GTX 600 系列或以上版本。最主要的是 Kepler GPU 通常會(huì)很慢。因此這意味著你應(yīng)該選擇 900 或 1000 系列 GPU 來獲得好的性能。

為了大致搞清楚深度學(xué)習(xí)任務(wù)中的顯卡性能比較情況，我創(chuàng)建了一個(gè)簡單的 GPU 等價(jià)表。如何閱讀它呢？例如，GTX 980 的速度相當(dāng)于 0.35 個(gè) Titan X Pascal，或是 Titan X Pascal 的速度幾乎三倍快于 GTX 980。

請(qǐng)注意我沒有所有這些顯卡，也沒有在所有這些顯卡上跑過深度學(xué)習(xí)基準(zhǔn)。這些對(duì)比源于顯卡規(guī)格以及計(jì)算基準(zhǔn)（有些加密貨幣挖掘任務(wù)需要比肩深度學(xué)習(xí)的計(jì)算能力）的比較。因此只是粗略的比較。真實(shí)數(shù)字會(huì)有點(diǎn)區(qū)別，但是一般說來，誤差會(huì)是最小的，顯卡的排序也沒問題。

也請(qǐng)注意，沒有充分利用 GPU 的小型網(wǎng)絡(luò)會(huì)讓更大 GPU 看起來不那么帥。比如，一個(gè) GTX 1080 Ti 上的小型 LSTM（128 個(gè)隱藏單元；batch 大小大于 64）不會(huì)比在 GTX 1070 上運(yùn)行速度明顯快很多。為了實(shí)現(xiàn)表格中的性能差異，你需要運(yùn)行更大的網(wǎng)絡(luò)，比如 帶有 1024 個(gè)隱藏單元（而且 batch 大小大于 64）的 LSTM。當(dāng)選擇適合自己的 GPU 時(shí)，記住這一點(diǎn)很重要。

粗略的比較用于大型深度學(xué)習(xí)網(wǎng)絡(luò) 的 GPU 性能。

總的來說，我會(huì)推薦 GTX 1080 Ti 或者 GTX 1070。它們都是優(yōu)秀的顯卡，如果你有錢買得起 GTX 1080 Ti 那么就入手吧。GTX 1070 更加便宜點(diǎn)，但是仍然比普通的 GTX Titan X (Maxwell) 要快一些。較之 GTX 980 Ti，這兩者都是更佳選擇，考慮到增加的 11 G 以及 8G 的內(nèi)存（而不是 6G）。

8G 的內(nèi)存看起來有點(diǎn)小，但是對(duì)于許多任務(wù)來說，綽綽有余。比如，Kaggle 比賽，很多圖像數(shù)據(jù)集、深度風(fēng)格以及自然語言理解任務(wù)上，你遇到的麻煩會(huì)少很多。

GTX 1060 是較好的入門 GPU，如果你是首次嘗試深度學(xué)習(xí)或者有時(shí)想要使用它來參加 Kaggle 比賽。我不會(huì)推薦 GTX 1060 帶有 3G 內(nèi)存的變體產(chǎn)品，既然其他 6G 內(nèi)存產(chǎn)品的能力已經(jīng)十分有限了。不過，對(duì)于很多應(yīng)用來說，6G 內(nèi)存足夠了。GTX 1060 要比普通版本的 Titan X 慢一些，但是，在性能和價(jià)格方面（eBay 上）都可比肩 GTX980。

如果要說物有所值呢，10 系列設(shè)計(jì)真的很贊。GTX 1060、GTX 1070 和 GTX 1080 Ti 上都很出色。GTX 1060 適合初學(xué)者，GTX 1070 是某些產(chǎn)業(yè)和研究部門以及創(chuàng)業(yè)公司的好選擇，GTX 1080 Ti 通殺高端選擇。

一般說來，我不會(huì)推薦英偉達(dá) Titan X (Pascal)，就其性能而言，價(jià)格死貴了。繼續(xù)使用 GTX 1080 Ti 吧。不過，英偉達(dá) Titan X (Pascal) 在計(jì)算機(jī)視覺研究人員當(dāng)中，還是有它的地位的，這些研究人員通常要研究大型數(shù)據(jù)集或者視頻集。在這些領(lǐng)域里，每 1G 內(nèi)存都不會(huì)浪費(fèi)，英偉達(dá) Titan X 比 GTX 1080 Ti 多 1G 的內(nèi)存也會(huì)帶來更多的處理優(yōu)勢。不過，就物有所值而言，這里推薦 eBay 上的 GTX Titan X（Maxwell）——有點(diǎn)慢，不過 12G 的內(nèi)存哦。

不過，絕大多數(shù)研究人員使用 GTX 1080 Ti 就可以了。對(duì)于絕大多數(shù)研究和應(yīng)用來說，額外 1G 內(nèi)存其實(shí)是不必要的。

我個(gè)人會(huì)使用多個(gè) GTX 1070 進(jìn)行研究。我寧可多跑幾個(gè)測試，哪怕速度比僅跑一個(gè)測試（這樣速度會(huì)快些）慢一些。在自然語言處理任務(wù)中，內(nèi)存限制并不像計(jì)算機(jī)視覺研究中那么明顯。因此，GTX 1070 就夠用了。我的研究任務(wù)以及運(yùn)行實(shí)驗(yàn)的方式?jīng)Q定了最適合我的選擇就是 GTX 1070。

當(dāng)你挑選自己的 GPU 時(shí)，也應(yīng)該如法炮制，進(jìn)行甄選。考慮你的任務(wù)以及運(yùn)行實(shí)驗(yàn)的方式，然后找個(gè)滿足所有這些需求的 GPU。

現(xiàn)在，對(duì)于那些手頭很緊又要買 GPU 的人來說，選擇更少了。AWS 的 GPU 實(shí)例很貴而且現(xiàn)在也慢，不再是一個(gè)好的選擇，如果你的預(yù)算很少的話。我不推薦 GTX 970，因?yàn)樗俣嚷€死貴，即使在 eBay 上入二手（150 刀），而且還有存儲(chǔ)及顯卡啟動(dòng)問題。相反，多弄點(diǎn)錢買一個(gè) GTX 1060，速度會(huì)快得多，存儲(chǔ)也更大，還沒有這方面的問題。如果你只是買不起 GTX 1060，我推薦 4GB RAM 的 GTX 1050 Ti。4GB 會(huì)有限，但是你可以玩轉(zhuǎn)深度學(xué)習(xí)了，如果你調(diào)一下模型，就能獲得良好的性能。GTX 1050 適合絕大多數(shù) kaggle 競賽，盡管可能會(huì)在一些比賽中限制你的競爭力。

亞馬遜網(wǎng)絡(luò)服務(wù)（AWS）中的 GPU 實(shí)例

在這篇博文的前一個(gè)版本中，我推薦了 AWS GPU 的現(xiàn)貨實(shí)例，但現(xiàn)在我不會(huì)再推薦它了。目前 AWS 上的 GPU 相當(dāng)慢（一個(gè) GTX 1080 的速度是 AWS GPU 的 4 倍）并且其價(jià)格在過去的幾個(gè)月里急劇上升?，F(xiàn)在看起來購買自己的 GPU 又似乎更為明智了。

總結(jié)

運(yùn)用這篇文章里的所有信息，你應(yīng)該能通過平衡內(nèi)存大小的需要、帶寬速度 GB/s 以及 GPU 的價(jià)格來找到合適的 GPU 了，這些推理在未來許多年中都會(huì)是可靠的。但是，現(xiàn)在我所推薦的是 GTX 1080 Ti 或 GTX 1070，只要價(jià)格可以接受就行；如果你剛開始涉足深度學(xué)習(xí)或者手頭緊，那么 GTX 1060 或許適合你。如果你的錢不多，就買 GTX 1050 Ti 吧；如果你是一位計(jì)算機(jī)視覺研究人員，或許該入手 Titan X Pascal（或者就用現(xiàn)有的 GTX Titan Xs）。

總結(jié)性建議

總的說來較好的 GPU：Titan X Pascal 以及 GTX 1080 Ti

有成本效益但價(jià)格高的：GTX 1080 Ti, GTX 1070

有成本效益而且便宜：GTX 1060

用來處理大于 250G 數(shù)據(jù)集：常規(guī) GTX Titan X 或者 Titan X Pascal

我錢不多：GTX 1060

我?guī)缀鯖]錢：GTX 1050 Ti

我參加 Kaggle 比賽： 用于任何常規(guī)比賽，GTX 1060 , 如果是深度學(xué)習(xí)比賽，GTX 1080Ti?

我是一名有競爭力的計(jì)算機(jī)視覺研究人員： Titan X Pascal 或常規(guī) GTX Titan X

我是一名研究人員：GTX 1080 Ti. 有些情況下，比如自然語言處理任務(wù)，GTX 1070 或許是可靠的選擇——看一下你當(dāng)前模型的存儲(chǔ)要求。

想建立一個(gè) GPU 集群：這真的很復(fù)雜，你可以從這里得到一些思路：https://timdettmers.wordpress.com/2014/09/21/how-to-build-and-use-a-multi-gpu-system-for-deep-learning/

我剛開始進(jìn)行深度學(xué)習(xí)，并且我是認(rèn)真的：開始用 GTX 1060。根據(jù)你下一步的情況（創(chuàng)業(yè)？Kaggle 比賽？研究還是應(yīng)用深度學(xué)習(xí)）賣掉你的 GTX 1060 然后買更適合使用目的的。?

原文地址：http://timdettmers.com/2017/03/19/which-gpu-for-deep-learning/

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754