1樓：林高遠
到我回答此時，一共有四個回答都說要 GPU。
大家對深度學習是不是有什麼誤會？這是一種演演算法，題主還說了＂初學為目的＂！裝置需求筆和紙已經足夠。
不相信嗎？那附上我親手示範（如下圖）
2樓：醒了不起的蓋茨比
小專案普通的筆記本就能勝任。。主要吃顯示卡和運存。顯示卡要N卡，視訊記憶體盡量大，6G以上；運存要8G以上，最好有16G以上。
硬體沒有上限！無論是質量還是數量！不過要注意一點，比如太高階的顯示卡在安裝cuda時可能沒有適配的驅動。
大專案最好使用伺服器，例如我使用的伺服器是128G運存，GTX1080 8G顯示卡八塊
3樓：土豆
我最近公升級了新硬體配置，足夠強大，挺不錯的，適合科研，能應付各種不太大的工程實驗。
硬體配置清單：
（華碩）Z10PE-D8 WS 主機板
（追風者）PHANTEKS PK-614PC-BK 機箱（ref）
（技嘉）GTX 1080 TI TURBO 11G 渦輪風扇GPUx4（ref）
（英特爾）E5-2678 V3 2011 伺服器整機CPUx2（ref）+ 一體水冷
（三星）M393A4K40CB1-CRC4Q 32GB 2Rx4 PC4-2400T-RA1 伺服器記憶體x2（ref）
（三星） 860 EVO 250G 2.5英吋固態硬碟（ref）
為什麼關注電腦硬體裝置的以男性居多？
誰說的，我就想自己弄，不光是因為沒有人幫我，即使有人，還是自己懂電腦知識才有安全感 可是太枯燥了 比如很簡單的排除法，幾個部件，不知道哪個有毛病，那就挨個拿到別的機子上試驗，這個理兒我懂，但感情上就是覺得，應該是某部件的毛病，實在懶得挨個試 從解決問題的角度來說，以及從學習乙個新知識的過程的角度來說...
為什麼要用深度學習deep learning做自然語言處理NLP？
已登出 順便一說什麼資訊檢索和圖表式學習都是可以用深度學習的那些才是真的離散 大部分這種離散資料最後都有embedding的過程embedding的方式很多有用矩陣分解的 也有用word2vec node2vec還有很多很多blabla2vec的方法 之後再deeplearning 表示學習了解一下...
深度學習與機器學習的關係是什麼？
瘋貓子 沒有一種技術的發展是孤立的。開局一張圖 深度學習是機器學習的乙個重要分支，深度學習和機器學習的關係屬於繼承和發展的關係，其實不單單是這一分支如此，幾乎所有的演算法分支都是早期技術的重組 繼承 發展而來。如上圖所示，我大致把這些技術的繼承發展關係用導圖的方式進行展示，圖中沒有標註顏色的都是發展...