gpu编程如何一步步学习_如何用免费GPU学习AI算法？这篇算法资源大集锦别错过...
AI Studio是什么 AI Studio 是百度提供的一个针对 AI 学习者的在线一体化开发实训平台。平台集合了 AI 教程，深度学习样例工程，各领域的经典数据集，云端的运算及存储资源，以及比赛平台和社区。你可以把 AI Studio 看成国产版的 Kaggle。和 Kaggle 类似，AI Studio 也提供了 GPU 支持，但百度 AI Studio 在 GPU 上有一个很明显的优势。 Kaggle 最近把 Tesla K80 的 GPU 升级到了 P100，确实比以前快不少，但 AI Studio 采用的是 Tesla V100 的 GPU，更胜一筹。下表对比了两款 GPU 性能：
如何获得免费算力卡
我之前写过一篇文章关于如何薅百度 AI Studio 的 GPU 羊毛的文章, 详细的大家可以参考一下。不过距离上次薅羊毛到现在也三个月过去了，百度的免费 GPU 算力政策发生了变动，而且是往更好的变动。之前是每日运行项目送 12 个小时算力，现在是每天送 24 小时！我的天，这意味着可以 7*24 的不间断的跑，用之不竭啊！我跑了一下项目，算力卡马上来了。 目前在开发者 QQ 群里听到的消息是至少持续一个月的赠送，不知道下个月还有没，所以大家赶紧薅起来，好好利用这免费的高性能 GPU 资源来「炼丹」。 获取算力方法使用资格很简单。点进 https://aistudio.baidu.com/aistudio/questionnaire?activityid=525 ，按照内容提示填写好信息，审核后管理员会给你发放一批算力卡。有了这批算力卡你就可以开始在 GPU 你的项目，而且运行项目又送算力卡，就像鸡生蛋蛋生鸡一样，算力取之不竭。 3 AI Studio精选项目大合集 点击 “阅读原文”或打开以下链接查看所有项目：https://aistudio.baidu.com/aistudio/messagedetail/42
零基础新手如何利用好AI studio 熟悉 Python 的读者可以跳过这节。纯新手可能还不知道怎么用 AI Studio。其实很简单。下面提供了很多教程，都是 jupyter notebook 形式的。你点开链接，会看到一个 fork 按钮，然后在弹出的框里，输入项目名称和项目名字。
https://aistudio.baidu.com/aistudio/projectdetail/128773
即使你是 Python 新手也没关系，AI Studio 社区提供了新手入门教程，不需要你在本地搭建环境，直接在 AI Studio 提供的环境跑例程，增删改代码，测试自己的想法。Python 新手项目：《 Python 零基础速成课》。 学完了上面的新手 Python 课程，在开始深度学习前想实战一下 Python 技巧？这里有个 Python 爬虫项目，教你从豆瓣爬电影数据，很适合用来巩固 Python 技巧，而且项目还教你用数据帧(dataframe)格式来显示爬来的数据，为后续学习机器学习项目打好基础，请参照：《 Python 入门-豆瓣电影爬取》。 做完上述的分类器是否找到了一点入门的感觉？做点实用的吧。买房是每个人的人生大事？机器学习是否能让你预测房价未来走势呢？下面这个示例项目将采用线性回归模型，带着你探索这个问题，可查看：《波士顿房价预测》。 通过以上问题，是否对机器学习更有感觉了? 是否觉得以上模型太简单，无法跟上你快速进步的步伐？好嘞，现在开始学习深度学习模型。首先从计算机视觉入门。 计算机视觉入门最基础的一个数据集是 MNIST。MNIST 共包含了 70000 个手写数字图像，数字范围从 0-9。我们现在就要开发一个模型，让模型能分辨手写的 0-9，详情请查看《深度学习入门 CV-手写数字识别》。 是否太容易就到达 90% 多的准确率？没事，这里有不一样的 MNIST 数据，叫 fashion-mnist，但这次不是手写数字，而是十类时装(T-Shirt、连衣裙、鞋子、外套等)，你还能保持同样高准确率吗？详情请查看《 Fashion-MNIST 数据集》。 除了计算机视觉，NLP(自然语言处理)也是深度学习里很热门的领域。想入门 NLP，何不先试试文本分类呢？详情请查看《深度学习入门 NLP-文本分类》。 如果你是一个新手，经过上述项目的训练，你应该算是稍微入门了。接下来就是要进阶了。1. 进阶学习者如何利用好AI Studio学习深度学习算法
深度学习进阶总是痛苦的，主要的原因是没有足够示例，有示例也不够详细，有详细的示例但又不知道从哪个看起。为了让读者快速入门，我按照从容易到复杂的顺序，总结了一些示例，根据示例所属的领域，难易程度，我分了两个主要部分：- 计算机视觉(CV)
- 自然语言处理(NLP)
计算机视觉(CV)
项目地址：https://aistudio.baidu.com/aistudio/projectdetail/128832
首先我们可以学习与实践下图像分类的算法。 图像分类是根据图像的信息将不同类别图像区分开来, 是计算机视觉中重要的基本问题。图像分类按粒度粗细也分两种，粗细度的是识别类型，比如这是猫还是狗；细粒度是给你一张照片，让你用模型识别这是缅因猫，还是挪威森林猫。 现在我们先做粗粒度的猫狗识别分类器。我们的任务是训练一个分类器，去分辨哪些是猫，哪些是狗。详情请查看《 卷积神经网络实践-猫狗分类》。 如果你掌握了上面的猫狗分类器，那恭喜你，对深度学习图像分类模型又有了更进一步的了解。接下来我们要做细粒度的东西，是什么呢？就是现在很火的人脸识别。下面介绍个简单的人脸识别模型。这个模型还能识别出章子怡的照片呢！想知道怎么弄的吗？点开链接探究吧。详情请查看《 卷积神经网络-人脸识别初探》。 你也许学习完上面两个示例，会提出疑问，猫狗识别是判断一张照片里面的是猫还是狗，但一张照片里如果有 10 只猫，5 只狗该怎么办？模型真的知道那个物体是目标吗？有什么办法让模型知道目标呢？那就要先使用目标检测，把猫猫狗狗的位置圈定出来，然后再逐一处理。顺便一提，听起来高大上的无人驾驶技术，目标检测也是其核心技术之一哦。接下来介绍几个目标检测的模型。 主流的目标检测算法主要分为两个类型： 1)two-stage 方法，其主要思路是先通过启发式方法(selective search)或者 CNN 网络产生一系列稀疏的候选框，再对这些候选框进行分类与回归。two-stage 方法的优势是准确度高；代表算法是 R-CNN 系列算法。想更深入研究是怎么回事？AI Studio 社区提供了详尽的 Mask RCNN 教程： https://aistudio.baidu.com/aistudio/projectdetail/122273 除了 Mask RCNN，另一个齐名的是 Faster-RCNN：https://aistudio.baidu.com/aistudio/projectdetail/122275
2)one-stage 方法，如 YOLO 和 SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用 CNN 提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快(所以在移动设备等低性能平台上常用)，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本(背景)极其不均衡，导致模型准确度稍低。 我在 AI Studio 社区找到了 YOLO 和 SSD 的教程。 YOLO 教程使用的数据集是自定义的螺丝螺母数据集，以下教程涵盖了 YOLO v3 和 YOLO v3-tiny，不仅让你能学好 YOLO，而且还提供了可以部署在低能耗设备上的模型。 接下来要介绍的是 SSD。下面这个教程使用的是基于预训练好的 mobile-net 训练的 SSD，使用的数据集是 pascal-voc。 关于计算机视觉的进阶内容先介绍到这里，接下来介绍进阶的 NLP 内容。还想学更高阶的 CV 模型算法请移步到下一章。自然语言处理 (NLP)
项目地址： https://aistudio.baidu.com/aistudio/projectdetail/128857 我们又回到了 NLP 技术领域了。 假设我们已经学过前面爬豆瓣的那课, 我们获取了某部著名电影的评论, 我们怎么知道它的口碑究竟如何呢? 通过这篇文章, 我们可以透过语言直接看到人类的情绪。不过为了方便起见，我们下面这个例子并不直接用之前采集的数据集，而是用的是已经处理好的 IMDB 电影数据集。详情请查看《循环神经网络 NLP-情感分类》。 其实情感分类是一个很重要的技术，我之前做过对股票市场的情感分析算法，可以找出市场情感对股市走向的影响。不过如果你觉得情感分类还是太简单的话，那恭喜你，你的进步是飞快的。那你接下来可以试试更难的，就是机器翻译。飞桨框架收集了一个叫 WMT-14 的数据集，提供了 193319 条训练数据和 6003 条测试数据，应该够你探索的了。详情请查看《 深度学习进阶 NLP-机器翻译》。2. 高阶学习者如何利用好AI studio
和前面一样，还是分计算机视觉和NLP(自然语言处理)两个主要方向来介绍项目。计算机视觉(CV)
分类识别还不够？来个人体姿态估计和追踪的项目来轰炸一下你的大脑吧。下面这个项目是尝试复现论文 Simple Baselines for Human Pose Estimation and Tracking 里的结构。项目名：《人体姿态估计与追踪之关键点检测》。 接下来介绍一个激动人心的技术：GAN。生成对抗网络(Generative Adversarial Network，简称 GAN)是一种非监督学习的方式，通过让两个神经网络相互博弈的方法进行学习。 GAN 由一个生成网络和一个判别网络组成，生成网络从潜在的空间(latent space)中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能的分辨出来。而生成网络则尽可能地欺骗判别网络，两个网络相互对抗，不断调整参数。生成对抗网络常用于生成以假乱真的图片。此外，该方法还被用于生成影片，三维物体模型等。我们将利用 GAN，做个图像风格迁移的项目：《风格迁移之图像翻译 Pix2Pix》。自然语言处理(NLP)
现在对话聊天机器人是很火的方向。但是要使得聊天机器人表现得懂用户，那就需要识别对话情绪。专注于识别智能对话场景中用户的情绪。在这方面百度发布了自己的模型 ERNIE。通过建模海量数据中的词、实体及实体关系，学习真实世界的语义知识。相较于 BERT 学习原始语言信号，ERNIE 直接对先验语义知识单元进行建模，增强了模型语义表示能力。下面这个项目将带你学习 ERNIE： 《ERNIE 对话情绪识别》。 之前我们讲过语言情感分类和语言翻译，你会觉得这不是很简单吗，对机器来说小儿科。但如果让机器来做阅读理解呢，或者让机器去回答问题呢，有想过吗？有个模型的提出让以上这些问题都有了希望，这个模型就是 BERT(Bidirectional Encoder Representations from Transformers)。想知道 BERT 是什么，怎么工作的？下面这个项目能帮到你：《语义表示模型 BERT》。 机器阅读理解(MRC)是自然语言处理(NLP)中的关键任务之一，需要机器对语言有深刻的理解才能找到正确的答案。机器阅读理解领域有个著名的模型叫 BiDAF 模型 Bi-Directional Attention Flow for Machine Comprehension。下面这个项目将会帮助你了解更多：《机器阅读理解之 BiDAF 模型》。3. 其他AI Studio上的学习项目
由于 CV 和 NLP 是热门研究领域，以上项目都只提到 CV 和 NLP。但深度学习的研究范围和应用范围很广，只是限于篇幅原因不能一一详尽。为了照顾到更多领域的读者，以下还收集了一些推荐算法的 AI Studio 的项目，这里仅列举一下，不再一一介绍。有兴趣的读者可以研究下。基于飞桨PaddlePaddle的SR-GNN推荐算法
https://aistudio.baidu.com/aistudio/projectdetail/124382
个性化推荐之多视角Simnet模型
https://aistudio.baidu.com/aistudio/projectdetail/122294
飞桨PaddlePaddle分布式推荐算法实践
https://aistudio.baidu.com/aistudio/projectdetail/124378
用飞桨PaddlePaddle实现个性化推荐
https://aistudio.baidu.com/aistudio/projectdetail/127567
标签推荐算法之TagSpace
https://aistudio.baidu.com/aistudio/projectdetail/122298
推荐算法gru4rec之飞桨PaddlePaddle实现
https://aistudio.baidu.com/aistudio/projectdetail/122296
https://ai.baidu.com/forum/topic/list/192
4 小结 本文介绍了一个免费赠送 GPU 算力的深度学习平台 AI Studio。首先介绍了 AI Studio 是什么，在性能上有什么优势，同时也介绍了如何获得免费 GPU 算力。最后用大量的篇幅介绍了如何利用好 AI Studio 上的学习资源，实现深度学习从入门到高阶。 现在每天赠送 24 小时算力，简直是天上掉下的羊毛，不薅白不薅。羊毛不是天天有，该出手时就出手！ 点击 “阅读原文”或打开以下链接查看所有项目：https://aistudio.baidu.com/aistudio/messagedetail/42
?
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 |