卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像數(shù)據(jù)很卡？我想你需要先確定你是使用CPU還是GPU。安裝tensorflow時(shí)，如果安裝了GPU版本，則使用默認(rèn)GPU。你可以在運(yùn)行程序之前打開(kāi)探測(cè)器。例如，Watch-n0.1n

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像數(shù)據(jù)很卡？

我想你需要先確定你是使用CPU還是GPU。安裝tensorflow時(shí)，如果安裝了GPU版本，則使用默認(rèn)GPU。你可以在運(yùn)行程序之前打開(kāi)探測(cè)器。例如，Watch-n0.1nvidiasmi（Ubuntu）命令可以用來(lái)檢測(cè)GPU。CPU和內(nèi)存系統(tǒng)（我不知道你用什么系統(tǒng)）也有可視化監(jiān)控程序。

程序卡，但還是可以運(yùn)行的，我猜應(yīng)該是用CPU在計(jì)算時(shí)，內(nèi)存不夠，用虛擬內(nèi)存時(shí)，卡就多了。

初中文化可以學(xué)Python編程嗎，我想通過(guò)這個(gè)渠道進(jìn)入人工智能這個(gè)大行業(yè)？

沒(méi)關(guān)系，但你必須比別人更努力

1。Python是目前所有開(kāi)發(fā)語(yǔ)言中比較好的入門(mén)語(yǔ)言。Python是一種動(dòng)態(tài)語(yǔ)言，類似于腳本語(yǔ)言。開(kāi)始很容易

2。初學(xué)者可以先看看Python基礎(chǔ)教程的書(shū)，看一些介紹性的視頻

3。學(xué)習(xí)應(yīng)該有目標(biāo)，一周一個(gè)目標(biāo)，一個(gè)月一個(gè)目標(biāo)，按照循序漸進(jìn)的順序，估計(jì)學(xué)習(xí)Python語(yǔ)法只需要一個(gè)月。你應(yīng)該自己動(dòng)手，把書(shū)上的代碼敲到一邊。在了解了基本語(yǔ)法之后，可以看看簡(jiǎn)單而優(yōu)秀的開(kāi)源代碼，flash，web2py等，并經(jīng)常看看Python官方文檔

5。試著做一些小項(xiàng)目，處理文件數(shù)據(jù)，讀寫(xiě)數(shù)據(jù)庫(kù)，寫(xiě)一個(gè)簡(jiǎn)單的爬蟲(chóng)程序，邊練邊學(xué)

6、半年就可以寫(xiě)一個(gè)簡(jiǎn)單的Python程序了。如果你想再次升職，你需要做一個(gè)更大的項(xiàng)目，找一份與python相關(guān)的工作，邊工作邊學(xué)習(xí)

放一張圖片來(lái)展示這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說(shuō)，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問(wèn)題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。