人工智能正值发展热头，为了开发和部署人工智能应用程序，涌现出了很多机器学习框架。这些框架直接跨越开发、测试、优化和生产等流程，为开发人员提供了一个很好的研发捷径。有的框架注重自身的可用性，有的框架侧重于生产部署和参数优化，它们都有各自的优缺点，这也增加了研发人员选择的难度。

如今，各种各样的机器学习工具活跃在开源社区，这些工具有助于减轻配置和测试AI相关工作的负载。但是，如何评估并选择适合自己的工具成为了开发者必须认真思考的问题，有些人可能希望在训练新的AI算法时专注于

机器学习作为近几年的一项热门技术，不仅凭借众多“人工智能”产品而为人所熟知，更是从根本上增能了传统的互联网产品。下文将基于本人所负责的个推大数据平台搭建工作，与大家分享个推数据平台架构方面的经验以及踩过的一些坑。

「第一个深度学习框架该怎么选」对于初学者而言一直是个头疼的问题。本文中，来自 deepsense.ai 的研究员给出了他们在高级框架上的答案。在 Keras 与 PyTorch 的对比中，作者还给

颗地雷。当内嵌的文档太深，或者内嵌文档有相同的属性名。你会被炸得很惨。本章节通过 MongoDB简介，Shell编程，SpringBoot整合MongoDB，工作中注意事项，四个方面介绍MongoDB的使用。让你轻松入门，轻松避坑。还在等什么，赶快来学习吧!

本文根据实测数据，初步探讨了在弹性GPU云服务器上深度学习的性能模型，可帮助科学选择GPU实例的规格。

北京时间3月28日，英伟达(NVIDIA)在美国加州圣何塞召开GPU技术大会(GTC)。本届大会上，深度学习又一次不出意外地成为“主角”，围绕这一领域，掌门人黄仁勋先生介绍了一系列重要发布。

Kubernetes宣布创建了一个名为Kubeflow的新项目，旨在解决部署复杂工作负载的挑战。Kubeflow使得在Kubernetes上使用机器学习堆栈更加容易。同时由于Kubeflow依靠

“明天我要出席一场重要的发布会”“下午有一个讲座很重要”……对于记者、学生等群体而言，工作、学习过程中经常遇到需要录音的场景。专业录音笔仍旧是用户获取声音信息的重要工具，它能够确保信息准确率、提高信息获取效率，完美再现和完整还原声音信息，便于关键信息的分享和知识的温习。

传统意义上，高性能计算(HPC)依赖于数值分析来求解物理方程，以此模拟小到亚原子，大到银河系的系统行为。而最近，科学家们开始尝试一种完全不同的方法。事实证明，机器学习(ML)模型比现有的数字运算仿真