这是一个使用 Kubernetes 或 Docker 分布在多个服务器上的深度学习平台。
该平台可以使用 MXNet、TensorFlow和PyTorch 等许多流行的机器学习框架，并使用可以与 Intel 的 Xeon CPU 集群协同工作的处理系统，深度学习实验的结果可以使用 TensorBoard、命令行代码或 Nauta Web 用户界面看到。
Nauta 是一个企业级的堆栈，用于需要运行深度学习工作负载来培训将部署到生产环境中的模型的团队。使用 Nauta，用户可以在单个或多个工作节点上使用 Kubernetes 定义和安排容器化深度学习实验，并检查这些实验的状态和结果，以进一步调整和运行其他实验，或准备训练模型进行部署。
Nauta 是最新发布的可以使用 Kubernetes 或 Docker 容器的工具，这种方法允许从业人员在通过内部服务器部署人工智能和在云中部署人工智能之间进行选择。
-
英特尔最近宣布开源释出深度学习平台Nauta，该平台能在英特尔的处理器Xeon上，提供多个使用者，透过分散的运算环境来执行深度学习模型，开发人员可以利用命令行接口、网页版用户接口，或是可视化工具TensorBoard，查看和监控模型执行的结果，汇入训练数据的部分，开发人员可用现有的数据集、在线下载数据，还能建立公开或私人的档案夹，让跨团队合作更方便。近来，企业对导入深度学习技术的兴趣持续增长，但是
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
全程拷打项目（因为项目是和tf与机器学习相关的） 手写conv2D的计算函数（因为项目里有个conv3D相关的tf算子，但是没有写出来） 手写nms算法（写得很慢，之前又因为也是做项目，没有仔细研究源码） 之前使用opencl比较多，cuda使用得比较少，而且机器学习相关的算法也不是很精通，第二天就挂了
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。
-
你拿起这本书的时候，可能已经知道深度学习近年来在人工智能领域所取得的非凡进展。在图像识别和语音转录的任务上，五年前的模型还几乎无法使用，如今的模型的表现已经超越了人类。
-
卷积神经网络(CNN) 卷积神经网络(Convolutional Neural Network,CNN)是将二维离散卷积运算和人工神经网络相结合的一种深度神经网络。它的特点是可以自动提取特征。有关卷积神经网络的数学原理和训练过程请见我的另一篇文章《机器学习教程 十五-细解卷积神经网络》。 手写数字识别 为了试验，我们直接采用http://yann.lecun.com/exdb/mnist/中的手写