如果你数学很差，学习人工智能——P3——建造一台人工智能梦想机器或预算友好的特别节目

如果你数学很差，学习人工智能——P3——建造一台人工智能梦想机器或预算友好的特别节目

原文：https://medium.com/hackernoon/learning-ai-if-you-suck-at-math-p3-building-an-ai-dream-machine-or-budget-friendly-special-d5a3023140ef

如果你数学很差，欢迎来到第三期学习人工智能。如果你错过了之前的文章，一定要看看第一部分、第二部分、第四部分、第五部分、第六部分和第七部分。

今天我们要打造自己的深度学习梦想机器。

  • 我们将寻找最好的部分，把它们组合成一个巨大的数字怪物。
  • 我们还将一步一步地在 Ubuntu Linux 16.04 上安装所有最新的深度学习框架。

这台机器会像热激光切黄油一样切开神经网络。除了花费 129，000 美元购买 Nvidia 的 DGX-1(一台人工智能超级计算机)之外，你根本无法获得比我在这里向你展示的更好的性能。

  • 最后，如果你的预算比较紧张，不要绝望，我还会列出一些对预算非常友好的选择。

先是一个 TL；DR，超廉价升级选项

在我们深入研究建造一个 DL 野兽之前，我想给你一个最简单的升级路径。

如果你不想建造一台全新的机器，你还有一个非常棒的选择。

只需升级您的 GPU(使用一个 泰坦 X 或一个GTX 1080)并获得 VMware 工作站 或使用另一个支持 GPU 加速 ！或者你可以简单地安装 Ubuntu 裸机，如果你需要一台 Windows 机器，在虚拟机上运行，这样你就可以最大限度地提高深度学习的性能。

使用文章末尾的教程安装 Ubuntu 和 DL 框架，然后 bam！你刚刚给自己买了一个便宜的深度学习超级明星！

好吧，我们开始吧。

我会这样标记梦想机器零件和预算零件:

  • 美浓(钱不成问题)= 梦机
  • ADAD (一美元和一个梦想)= 预算备选方案

梦想机器零件大汇演

GPU 优先

CPU 不再是宇宙的中心。 AI 应用已经翻转脚本。如果你曾经为游戏定制过装备，你可能会用你能找到的最差的英特尔芯片给它打气。

但是时代变了。

Nvidia 是新的英特尔 。

任何深度学习世界破坏者最重要的组件是 GPU。

虽然 AMD 在过去几年里在 cyptocoin 采矿方面取得了进展，但他们还没有在人工智能方面留下印记。这种情况将很快改变，因为他们竞相占领这个爆炸领域的一块，但目前 Nvidia 是国王。也不要睡在英特尔。他们购买了 Nervana Systems，并计划在 2017 年推出自己的深度学习 ASIC。

The king of DL GPUs

先说美浓。终极 GPU 是泰坦 x，它没有竞争对手。

它配备了 3584 个 1531 MHz 的 CUDA 内核，12GB 的 G5X，内存速度为 10 Gbps。

在 DL 中，内核很重要，靠近这些内核的更多内存也很重要。

DL 其实就是一大堆线性代数。可以把它想象成一个巨大的 Excel 表格。处理所有这些数字将屠杀一个标准的 4 核或 8 核英特尔 CPU。

将数据移入和移出内存是一个巨大的瓶颈，因此卡上更多的内存就非常重要，这就是为什么 Titan X 是世界之王。

你可以 以 1200 美元的 MSRP 直接从英伟达获得 Titan X。 可惜，你仅限于两个。但这是一台梦想中的机器，我们要买四台。这是正确的四 SLI！

为此，你需要向第三方卖家支付一点额外费用。随便从英伟达拿两个，从亚马逊拿两个。这将为您带来 5300 美元，到目前为止，这个工作站的大部分费用。

现在，如果你只是计划运行《我的世界》，它看起来仍然是块状的，但如果你想训练一个战胜癌症的模型，这些是你的卡。:)

游戏硬件基准测试网站会告诉你任何超过两张卡的东西都远远超过了收益递减点 但这只是针对游戏而言！当谈到人工智能时，你会想尽可能多地扔出卡片。当然，人工智能也有其收益递减点，但它更接近于几十或几百张牌(取决于算法)，而不是四张。所以叠起来，我的朋友。

请注意，你不需要 SLI 桥，除非你也打算用这台机器来玩游戏。这是严格的图形渲染，我们在这里做了很少的图形，除了在 matplotlib 中绘制一些图形。

预算友好的替代 GPU

你的 ADAD 卡是 GeForce GTX 1080 创始人版。1080 装有 2560 个 CUDA 内核，比 Titan X 少很多，但它的价格只有一半，建议零售价为 699 美元。

它还拥有更少的内存，8GB 对 12g。

EVGA 一直为我服务得很好，所以为你的机器抓四个吧。在 2796 美元对 5300 美元，这是一个几乎相同的性能节省了很多。

ADAD 的第二个最佳选择是 GeForce GTX 1070。它包含 1920 个 CUDA 内核，因此仍然是一个很好的选择。它的建议零售价约为 499 美元，但超级时钟 EVGA 1070s 的价格仅为 389 美元 ，因此价格更便宜，为 1556 美元。非常可行。

当然，如果你没有那么多钱花，你总是可以得到两三张卡。即使是一个也会让你朝着正确的方向前进。

让我们用两张或三张牌来计算一下最佳性价比:

  • 3 个 Titan X = 10，752 个 CUDA 内核，36GB GPU RAM = 3800 美元
  • 2 个 Titan X = 7，167 个 CUDA 内核，24gb GPU RAM = 2400 美元
  • 3 个 GTX 1080 = 7，680 个 CUDA 内核，24GB GPU RAM = 2097 美元
  • 2 个 GTX 1080 = 5，120 个 CUDA 内核，16GB GPU RAM = 1398 美元
  • 3 个 GTX 1070 = 5，760 个 CUDA 内核，24GB GPU RAM = 1167 美元
  • 2 个 GTX 1070 = 3，840 个 CUDA 内核，16GB GPU RAM = 778 美元

最佳地点是 3 GTX 1080。价格减半，您只需减少 3072 个内核。完全披露:这就是我如何建立我的工作站。

固态硬盘和旋转硬盘

你会想要一个固态硬盘，特别是如果你正在建立卷积神经网络和处理大量的图像数据。 三星 850 EVO 1 TB 是目前最好中的最好。更好的是，固态硬盘价格在去年暴跌，所以它不会破产。850 1 TB 目前的价格约为 319 美元。

ADAD 版的 850 是 250GB 版的 。它非常便宜，只要 98 美元。

你还需要一个存储下载内容的磁盘驱动器。数据集在 DL 中可能是巨大的。一辆 4 TB 希捷梭鱼就够了。

主板

因为我们想在这个盒子里塞进四个 GPU，所以您的主板选项变得非常少。为了以全总线速度支持四张卡，我们需要MSI Extreme Gaming X99A SLI 加 。

也可以配华硕 X99 Deluxe II 。

如果你的牌少于四张，你会有更多的选择。说到主板，我倾向于稳定。我从建造加密硬币采矿设备的艰难过程中学到了这一点。如果你不停地运行你的 GPU，它们会立刻把你的机器烧成灰烬。技嘉制造了一系列非常耐用的主板。 X99 Ultra Gaming 绝对坚如磐石 售价 237 美元。

案例

[冷却器大师 Cosmos II](http://amzn.to/2jFikMF) 是终极全塔案例。光滑时尚的拉丝铝和钢赛车设计造就了一台漂亮的机器。

如果你想要一个中塔式机箱，那么使用 Cooler Master Maker 5T 绝对不会错。

我从来不喜欢给任何机器买一个便宜的箱子。一旦你不得不打开它来排除故障，你的错误就昭然若揭了。免工具盒是理想的选择。但是有很多不错的预算案例，所以做好你的功课吧。

CPU

你的深度学习机器不需要太多 CPU 能力。大多数应用程序都是单线程的，因为它们将数据加载到 GPU 中进行多核处理，所以不要在这里花费太多资金。

也就是说，你最好为你的处理器获得最快的时钟速度，在 i7–6700k 上是 4GHz。你可以在这里用风扇把它抽走。坦率地说，这是荒谬的过度杀戮，但价格大幅下降，我一直在寻找单线程性能。这是要打败的 CPU。

如果你想变得更安静，那么你可以使用水冷系统，但你不会让 CPU 运行得那么辛苦。大部分风扇噪音将来自 GPU。

这里没有伟大的 ADAD 替代品。带水冷器的 3.5GHz 的 i5 和 4GHz 的运行成本差不多，为什么要这么麻烦呢？

动力

EVGA 模块化 1600W Supernova G2 电源是四 SLI 设置的最佳选择。它将花费你大约 305 美元。

泰坦 X 的功率约为 250 瓦，轻松达到 1000 瓦。这不会给 CPU、内存和系统电源留下太多的开销，所以使用最大的电源来留出一些空间。

如果你的卡比 1300W 的少，价格会降到 184 美元，更容易控制。

软件设置

现在我们已经完成了硬件，让我们开始软件设置。

你有三个选择:

  • 码头集装箱
  • 虚拟机
  • 裸机安装

码头工人

如果你想使用 Docker 选项，你会想从官方的 Nvidia-Docker 项目开始。然而，要真正获得所有的框架、库和语言，你必须在这个映像上做大量的安装工作。

**可以配一个一体化的深度学习容器，像 GitHub 上的 这个。**

我想爱多合一的 Docker 图像，但它有一些问题，考虑到设置的复杂性，这并不奇怪。

我找到了一个问题的答案(libopenjpeg2 现在是 Ubuntu 16.04 LTS 版上的 libopenjpeg5)，但我厌倦了为第二个问题排除故障。我仍在等待修复。如果你是那种喜欢修复 likes 文件并在 GitHub 上提交修复的人，我鼓励你支持这个一体化项目。

第二个主要挑战是，这是一个非常非常大的图像，因此由于超时，它不适合 Dockerhub。这意味着您必须自己构建它，这可能需要几个小时的编译、拉层和调试，这与您裸机操作所需的时间差不多。

最后，它没有包括我想要的所有东西，包括 Anaconda Python。

最后我决定用一体机裸机教程作为指导，同时更新它，加入我自己的专用酱。

虚拟计算机

正如我在 TL 中提到的；DR 部分在文档的开头，您完全可以升级当前的游戏机，添加支持 GPU 直通的 VMware Workstation Pro，并且有一个很好的入门方式。这是一个强有力的预算友好型战略。它还有几个优点，因为你可以轻松地备份虚拟机，快照和回滚。它没有 Docker 容器启动得快，但是 VM 技术在这一点上已经非常成熟了，这给了你很多工具和最佳实践。

裸机

这是我最后在我的机器上使用的选项。这是一个有点老的学校，但作为一个长时间的系统管理员，它对我来说最有意义，因为它给了我最终的控制水平。

在我们开始之前，关于深度学习软件的一些注意事项。

你会发现绝大多数的 AI 研究都是用 Python 完成的。这是因为它是一种容易学习和设置的语言。我不确定一旦人工智能进入生产阶段，Python 是否会成为主要语言，但现在 Python 是一条出路。许多主要的框架都在它上面运行，它的科学库也是首屈一指的。

R 语言也很受欢迎，Scala 也是如此，所以我们将把它们添加到等式中。

以下是我们将在本教程中设置的主要包的列表:

语言

**驱动程序和 API**

**助手应用**

  • Jupyter —这是一个很棒的网络应用程序，让你在一个文件中分享文档和实时代码。

**框架/库**

**高级抽象库**

**Python 库**

几乎任何科学计算系统都需要大量的库来有效运行。因此，让我们安装最常见的蝙蝠。

  • **Pip= Python 的安装和打包系统**
  • **熊猫 =高性能数据分析**
  • Scikit-learn =一个流行且强大的机器学习库
  • **NumPy =数字 Python**
  • **Matplotlib =可视化库**
  • 数学和科学计算
  • **IPython =交互式 Python**
  • **Scrappy =网络爬行框架**
  • 自然语言工具包
  • **模式 =一个 web 挖掘库**
  • Seaborn =统计可视化
  • OpenCV =一个计算机视觉库
  • **Rpy2 =一个 R 接口**
  • 统计图表
  • **OpenBLAS =线性代数**

**Linux 工作站设置**

对于前沿的工作，你会希望获得最新版本的 Ubuntu LTS ，在撰写本文时是 16.04。我期待着有一天有更多的教程涵盖红帽和红帽衍生物，如 CentOS 和科学 Linux，但目前 Ubuntu 是深度学习的地方。我可能会跟进一个 RH 中心的建设。

通过 Rufus 将 Ubuntu 刻录到 u 盘。

在 UEFI 模式下安装。

**首次开机**

你的第一次启动会变成黑屏。这是因为开源驱动程序没有跟上最新最好的芯片组。要解决这个问题，您需要执行以下操作:

随着机器启动，到达 TTY:

**Ctrl + Alt + F1**

获取最新的 Nvidia 驱动程序并重新启动:

  • 登录您在 TTY 的 root 帐户。
  • *运行`sudo apt-get purge nvidia-`**
  • 运行sudo add-apt-repository ppa:graphics-drivers/ppa然后运行sudo apt-get update
  • 运行sudo apt-get install nvidia-375
  • 重新启动，你的图形问题应该得到解决。

**更新机器**

打开终端并键入以下内容:

**sudo apt-get update -ysudo apt-get upgrade -ysudo apt-get install -y build-essential cmake g++ gfortran git pkg-config python-dev software-properties-common wgetsudo apt-get autoremovesudo rm -rf /var/lib/apt/lists/***

**CUDA**

从 Nvidia 下载 CUDA 8。转到下载目录并安装 CUDA:

**sudo dpkg -i cuda-repo-ubuntu1604-8-0-local.debsudo apt-get update -ysudo apt-get install -y cuda**

将 CUDA 添加到环境变量:

**echo ‘export PATH=/usr/local/cuda/bin:$PATH’ >> ~/.bashrcecho ‘export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrcsource ~/.bashrc**

检查以确保安装了正确版本的 CUDA:

**nvcc -V**

重新启动计算机:

**sudo shutdown -r now**

**检查您的 CUDA 安装**

首先安装 CUDA 示例:

**/usr/local/cuda/bin/cuda-install-samples-*.sh ~/cuda-samplescd ~/cuda-samples/NVIDIA*Samplesmake -j $(($(nproc) + 1))**

请注意，该命令的 make 部分使用+1 来表示您拥有的 GPU 数量，因此如果您有多个 GPU，您可以增加数量，安装/编译将会进行得更快。

运行 deviceQuery 并确保它检测到您的图形卡，并且测试通过:

**bin/x86_64/linux/release/deviceQuery**

cuDNN

**cuDNN 是一个用于 DNNs 的 GPU 加速库。不幸的是，你不能只从回购中获得它。你需要 [向 Nvidia 注册才能访问它，你可以在这里](https://developer.nvidia.com/cudnn) 完成。获得访问许可可能需要几个小时或几天。抢 4 版和 5 版。我在本教程中安装了 5。**

您可能希望等到安装了它之后再继续，因为其他框架依赖于它，可能无法安装。

提取并复制文件:

**cd ~/Downloads/tar xvf cudnn*.tgzcd cudasudo cp */*.h /usr/local/cuda/include/sudo cp */libcudnn* /usr/local/cuda/lib64/sudo chmod a+r /usr/local/cuda/lib64/libcudnn***

键入以下命令进行检查:

nvidia-smi

这应该输出一些 GPU 的统计数据。

**Python**

**sudo apt-get install -y python-pip python-devsudo apt-get update && apt-get install -y python-numpy python-scipy python-nose python-h5py python-skimage python-matplotlib python-pandas python-sklearn python-sympy libfreetype6-dev libpng12-dev libopenjpeg5sudo apt-get clean && sudo apt-get autoremoverm -rf /var/lib/apt/lists/***

现在用 Pip 安装其余的库

**pip install seaborn rpy2 opencv-python pygraphviz pattern nltk scrappy**

张量流 

**pip install tensorflow-gpu**

就是这样。厉害！

**测试张量流**

****`$ python ...

import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello)) Hello, TensorFlow! a = tf.constant(10) b = tf.constant(32) print(sess.run(a + b)) 42 `****

**OpenBLAS**

**sudo apt-get install -y libblas-testlibopenblas-base libopenblas-dev**

朱皮特

Juypter 是一个很棒的代码共享格式，让你可以轻松地共享代码和教程的“笔记本”。我将在下一篇文章中详细介绍它的使用。

**pip install -U ipython[all] jupyter**

Theano

安装先决条件并安装。

**sudo apt-get install -y python-numpy python-scipy python-dev python-pip python-nose g++ python-pygments python-sphinx python-nosesudo pip install Theano**

是的，那是首都。

测试您的 Theano 安装。执行导入命令时，不应出现警告/错误。

**python
>>> import theano
>>> exit()nosetests theano**

克拉斯

Keras 是一个非常受欢迎的高级抽象包装器，可以在 Theano 和 Tensorflow 之上冲浪。它的安装和使用非常简单，一点也不好笑。

**sudo pip install keras**

千层面

千层面是另一种广泛使用的高级包装，比 Keras 更灵活，因为你可以轻松地在线外着色。把 Keras 看作是你进化的下一步，在铁轨和千层面上的深度学习。千层面的安装说明来自这里的。

**pip install -r [https://raw.githubusercontent.com/Lasagne/Lasagne/v0.1/requirements.txt](https://raw.githubusercontent.com/Lasagne/Lasagne/v0.1/requirements.txt)**

MXNET

MXNET 是一个高度可扩展的框架，由 Amazon 提供支持。它的安装说明可以在这里找到。MXNet for Python 的安装脚本可以在这里找到。

在 Ubuntu 上安装 MXNet

从网站:

MXNet 目前支持 Python、R、Julia 和 Scala。对于在 Ubuntu 操作系统上使用 Python 和 R 的用户，MXNet 提供了一组 Git Bash 脚本，用于安装所有必需的 MXNet 依赖项和 MXNet 库。

简单的安装脚本在运行 Ubuntu 12 或更高版本的计算机上为 Python 和 R 设置 MXNet。脚本将 MXNet 安装在您的主文件夹~/mxnet中。

为 Python 安装 MXNet

克隆 MXNet 存储库。在终端中，运行不带“sudo”的命令:

**git clone [https://github.com/dmlc/mxnet.git](https://github.com/dmlc/mxnet.git) ~/mxnet --recursive**

我们使用 GPU 进行构建，因此将配置添加到 config.mk 文件中:

**cd ~/mxnetcp make/config.mk .echo "USE_CUDA=1" >>config.mkecho "USE_CUDA_PATH=/usr/local/cuda" >>config.mkecho "USE_CUDNN=1" >>config.mk**

安装包含所有依赖项的 MXNet for Python:

**cd ~/mxnet/setup-utilsbash install-mxnet-ubuntu-python.sh**

将其添加到您的路径中:

**source ~/.bashrc**

为 R 安装 MXNet

我们需要休息，所以现在就开始吧。安装 MXNet for R 的安装脚本可以在这里找到。下面的步骤在设置 R 语言后调用该脚本。

首先添加 R repo:

**sudo echo “deb [http://cran.rstudio.com/bin/linux/ubuntu](http://cran.rstudio.com/bin/linux/ubuntu) xenial/” | sudo tee -a /etc/apt/sources.list**

将 R 添加到 Ubuntu Keyring:

**gpg — keyserver keyserver.ubuntu.com — recv-key E084DAB9gpg -a — export E084DAB9 | sudo apt-key add -**

安装 R 型底座:

**sudo apt-get install r-base r-base-dev**

安装 R-Studio(修改命令以获得正确的版本号):

**sudo apt-get install -y gdebi-corewget [https://download1.rstudio.org/rstudio-0.99.896-amd64.deb](https://download1.rstudio.org/rstudio-0.99.896-amd64.deb)sudo gdebi -n rstudio-0.99.896-amd64.debrm rstudio-0.99.896-amd64.deb**

现在为 R 安装 MXNet:

**cd ~/mxnet/setup-utilsbash install-mxnet-ubuntu-r.sh**

**咖啡馆**

这些说明来自 Caffe 网站。我发现它们有点不稳定，这取决于那天的风向，但你的里程数可能会有所不同。坦白地说，我不怎么用 Caffe，而且很多初学者教程也不会关注它，所以如果这部分对你来说搞砸了，现在跳过它，回头再来。

安装必备组件:

**sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install -y --no-install-recommends libboost-all-devsudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev**

克隆咖啡回购:

**cd ~/gitgit clone [https://github.com/BVLC/caffe.git](https://github.com/BVLC/caffe.git)cd caffecp Makefile.config.example Makefile.config**

要使用 cuDNN，请在 Makefile 中设置标志USE_CUDNN := 1:

**sed -i ‘s/# USE_CUDNN := 1/USE_CUDNN := 1/‘ Makefile.config**

修改 BLAS 参数值以打开:

**sed -i 's/BLAS := atlas/BLAS := open/' Makefile.config**

安装需求，然后构建 Caffe，构建测试，运行测试并确保所有测试都通过。请注意，所有这些都需要一些时间。再次注意,+1 表示构建 Caffe 所用的 GPU 数量，因此如果您有多个 GPU，请增加它的数量。

**sudo pip install -r python/requirements.txtmake all -j $(($(nproc) + 1))make test -j $(($(nproc) + 1))make runtest -j $(($(nproc) + 1))**

构建 PyCaffe，Caffe 的 Python 接口:

**make pycaffe -j $(($(nproc) + 1))**

将 Caffe 添加到环境变量中:

**echo ‘export CAFFE_ROOT=$(pwd)’ >> ~/.bashrcecho ‘export PYTHONPATH=$CAFFE_ROOT/python:$PYTHONPATH’ >> ~/.bashrcsource ~/.bashrc**

测试以确保您的 Caffe 安装是成功的。执行导入命令时，不应出现警告/错误。

**ipython
>>> import caffe
>>> exit()**

火炬

以下是来自火炬网站的火炬安装说明。我在安装这个框架时遇到了一些困难，但是这对大多数人来说都是有效的。

**git clone [https://github.com/torch/distro.git](https://github.com/torch/distro.git) ~/git/torch — recursivecd torch; bash install-deps;./install.sh**

**Scala**

**sudo apt-get -y install scala**

**蟒蛇**

在这里下载 Python 3.6 的 Anaconda。它也将有一个 2.7.x 版本。

安装它:

**sudo bash Anaconda3–4.3.0-Linux-x86_64.sh**

不要把它添加到你的 bashrc 中，否则当你重启的时候 Python 将默认为 Anaconda。在脚本中默认设置为“no ”,但是您可能会像我最初一样尝试这样做。不要。你需要保持默认指向 Ubuntu 的 Python，因为很多东西都依赖于它。

除了 Anaconda 之外，您还可以创建允许您在不同版本之间来回移动的环境。

让我们创建两个 Anaconda 环境:

**conda create -n py2 python=2.7conda create -n py3 python=3.6**

激活 3 个环境:

**source activate py3**

现在让我们安装 Anaconda 的所有包:

**conda install pip pandas scikit-learn scipy numpy matplotlib ipython-notebook seaborn opencv scrappy nltk pattern**

现在我们安装 pygraphviz 和带有 pip 的 R 桥，它们不在 Conda 中:

**pip install pygraphviz rpy2**

重新启动:

**sudo shutdown -r now**

**为 Anaconda 安装 Tensorflow、Theano 和 Keras**

您将为 Python 2 和 3 版本的 Anaconda 安装这些库。使用 Anaconda 支持的库可以获得更好的性能，因为它们包含性能优化。

我们先来看看 Python 3:

**source activate py3pip install tensorflow Theano keras**

现在停用环境并激活 py2 环境:

**source deactivate**

激活 Python 2 环境:

**source activate py2**

为 py2 安装:

**pip install tensorflow Theano keras**

停用环境:

**source deactivate**

现在你又回到了标准的 Ubuntu shell 中，内置了 Python 2.7.x，以及我们为 Ubuntu 附带的标准 Python 安装的所有框架。

**结论**

这就是了。您已经购买了一台顶级机器或一台经济实惠的替代产品。您还可以使用最新、最棒的深度学习软件进行设置。

现在准备做一些繁重的数字运算。翻出一个教程，开始工作！请关注我系列的下一篇文章，它将深入探讨我对 2017 年 Kaggle 数据科学碗的看法，该比赛旨在击败肺癌，有机会获得总额为 100 万美元的奖金。

同样，如果您错过了本系列中的其他文章，请务必查看它们:

**[学习人工智能如果你数学很差——第一部分](https://hackernoon.com/learning-ai-if-you-suck-at-math-8bdfb4b79037#.ng7ggn5d9)——这篇文章将指导你阅读一些必要的书籍，如果你从来都不是数学迷，但作为一个成年人你正在学习它。**

**学习人工智能如果你数学很差——第二部分——实际项目——这篇文章指导你开始你的第一个项目。**

**[学习人工智能如果你数学很差——第三部分](https://hackernoon.com/learning-ai-if-you-suck-at-math-p3-building-an-ai-dream-machine-or-budget-friendly-special-d5a3023140ef#.6frka033t)——构建人工智能梦想机器——这篇文章指导你获得一个强大的深度学习机器设置，并安装了所有最新最棒的框架。**

**[数学烂就学 AI——第四部分——张量图解(带猫！)](https://hackernoon.com/learning-ai-if-you-suck-at-math-p4-tensors-illustrated-with-cats-27f0002c9b32#.2jpelkuhd) —这个回答了一个古老的谜团:张量到底是个什么鬼？**

**[“如果你数学很差，就学习人工智能”——第 5 部分——用简单的英语说，深度学习和卷积神经网络](https://hackernoon.com/learning-ai-if-you-suck-at-math-p5-deep-learning-and-convolutional-neural-nets-in-plain-english-cda79679bbe3#.xjah79lsd)——在这里，我们创建了我们的第一个 Python 程序，并探索神经网络的内部工作原理！**

**[学 AI 如果你数学很烂——第六部分——数学符号变得简单](https://hackernoon.com/learning-ai-if-you-suck-at-math-p6-math-notation-made-easy-1277d76a1fe5)——还在努力理解那些有趣的小符号吗？让我们现在就改变这一切！**

**[数学烂就学 AI——第七部分——自然语言处理的魔力](https://hackernoon.com/learning-ai-if-you-suck-at-math-p7-the-magic-of-natural-language-processing-f3819a689386)——了解谷歌和 Siri 是如何理解你喃喃自语的。**

############################################

**如果你喜欢我的作品请 [赏光访问我的作品页面](https://www.patreon.com/danjeffries) 因为这是我们一起改变未来的方式。帮我脱离母体，我会百倍回报你的慷慨，把我所有的时间和精力集中在写作、研究和为你和世界提供令人惊奇的内容上。**

###########################################

如果你喜欢这个教程，我希望你能鼓掌推荐给其他人。之后，请随时将文章通过电子邮件发送给朋友！非常感谢。

###########################################

简单介绍一下我:我是一名作家、工程师和连续创业者。在过去的二十年中，我涉及了从 Linux 到虚拟化和容器的广泛技术。

*你可以看看我的最新小说， [一部史诗般的中国科幻内战传奇*](http://amzn.to/2gAg249) *在这部小说中，中国挣脱了共产主义的枷锁，成为世界上第一个直接民主国家，运行着一个高度先进、人工智能的去中心化 app 平台，没有领导人。*****

**[**加入我的读者群就可以免费获得我的第一部小说《蝎子游戏》、](http://meuploads.com/join-my-readers-group/) 。 读者们纷纷称之为 *【第一次神经癌的严重竞争】*****黑色侦探遇上约翰尼助记术。****

**最后，你可以 加入我的私人脸书小组，Nanopunk Posthuman 刺客 ，在这里我们可以讨论所有的科技、科幻、幻想等等。**

**############################################**

**我偶尔会从我文章中的链接赚钱，但我只推荐我拥有、使用和喜欢的东西。在这里查看我的完整保单。**

**############################################**

**感谢阅读！**

************

**黑客中午是黑客如何开始他们的下午。我们是 @AMI 家庭的一员。我们现在接受投稿并乐意讨论广告&赞助机会。**

**如果你喜欢这个故事，我们推荐你阅读我们的最新科技故事和趋势科技故事。直到下一次，不要把世界的现实想当然！**

****

本站为非盈利网站，作品由网友提供上传，如无意中有侵犯您的版权，请联系删除