GPU和python

今天看到一篇大数据的文章，分析了Python作为机器学习语言的优势，其中提到在2010年python的Theano库在CPU上运行时，其速度是Numpy的1.8倍， 而在GPU上运行时，其速度是Numpy的11倍。 

于是乎开始查阅GPU和Theano的相关概念。

以下是Nvidia官网对GPU的文字介绍，视频尤其直观。 
GPU 加速的计算是利用一颗图形处理器 (GPU) 以及一颗 CPU 来加速科学、工程以及企业级应用程序。 NVIDIA® 于 2007 年在这方面率先迈出了第一步，GPU 现已成就了世界各地政府实验室、大学、企业以及中小企业内的节能数据中心。

应用程序如何利用 GPU 实现加速 
理解 CPU 与 GPU 之间区别的一种简单方式就是对比它们如何处理任务。 CPU 由专为顺序串行处理而优化的几个核心组成。另一方面，GPU 则由数以千计的更小、更高效的核心组成，这些核心专为同时处理多任务而设计。

GPU 拥有数以千计的核心，可高效地处理并行任务

点击这里观看GPU和CPU比较视频

在了解GPU以后，准备了解一下支持GPU的python机器学习工具包： 
Theano 
这里是CSDN上面一篇关于Theano的博客： 
使用GPU和Theano加速深度学习

其他python机器学习库还包括： 
scikit-learn 
这篇文章介绍得挺好的：

1.supervised learning

有监督学习(supervised learning)是指数据中包括了我们想预测的属性，有监督学习问题有以下两类：

• classification

  分类（classification）:样本属于两个或多个类别，我们希望通过从已标记类别的数据学习，来预测未标记数据的分类。例如，识别手写数字就是一个分类问题，其目标是将每个输入向量对应到有穷的数字类别。从另一种角度来思考，分类是一种有监督学习的离散（相对于连续）形式，对于n个样本，一方有对应的有限个类别数量，另一方则试图标记样本并分配到正确的类别。

• regression

  回归(regression):如果希望的输出是一个或多个连续的变量，那么这项任务被称作回归，比如用年龄和体重的函数来预测三文鱼的长度。

2.unsupervised learning

无监督学习(unsupervised learning)的训练数据包括了输入向量X的集合，但没有相对应的目标变量。这类问题的目标可以是**发掘数据中相似样本的分组，被称作聚类(**Clustering)；也可以是确定输入样本空间中的数据分布，被称作密度估计（density estimation）;还可以是将数据从高维空间投射到两维或三维空间，以便进行数据可视化。 
scikit-learn机器学习介绍

其他关于python工具包的介绍： 
点击这里