深度学习有哪些数据库，请问caffe和CNN的关系是什么

1，请问caffe和CNN的关系是什么

Caffe，全称Convolutional Architecture for Fast Feature Embedding，是一个计算CNN相关算法的框架我百度的那么关系就很明了了一个是主体一个是说明

caffe是目前深度学习比较优秀好用的一个开源库，采样c++和cuda实现，具有速度快，模型定义方便等优点。学习了几天过后，发现也有一个不方便的地方，就是在我的程序中调用caffe做图像分类没有直接的接口。caffe的数据层可以从数据库（支持leveldb...

请问caffe和CNN的关系是什么

2，哪些GPU更适合深度学习和数据库

图形处理器（英语：Graphics Processing Unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。简单说GPU就是能够从硬件上支持T&L（Transform and Lighting，多边形转换和光源处理）的显示芯片，由于T&L是3D渲染中的一个重要部分，其作用是计算多边形的3D位置与处理动态光线效果，也能称为“几何处理”。一个好的T&L单元，能提供细致的3D物体和高级的光线特效；只不过大多数PC中，T&L的大部分运算是交由CPU处理的(这就也就是所谓软件T&L)，因为CPU的任务繁多，除了T&L之外，还要做内存管理和输入响应等非3D图形处理工作，所以在实际运算的时候性能会大打折扣，一般出现显卡等待CPU数据的情况，CPU运算速度远跟不上时下复杂三维游戏的要求。即使CPU的工作频率超出1GHz或更高，对它的帮助也不大，因为这是PC本身设计造成的问题，与CPU的速度无太大关系。希望我能帮助你解疑释惑。

nvidia gpu，amd gpu还是intel xeon phi?1. 用nvidia的标准库很容易搭建起cuda的深度学习库，而amd的opencl的标准库没这么强大。而且cuda的gpu计算或通用gpu社区很大，而opencl的社区较小。从cuda社区找到好的开源办法和可靠的编程建议更方便。nvidia从深度学习的起步时就开始投入，回报颇丰。虽然别的公司现在也对深度学习投入资金和精力，但起步较晚，落后较多。如果在深度学习上采用nvidia-cuda之外的其他软硬件，会走弯路。2. intel的xeon phi上支持标准c代码，而且要在xeon phi上加速，也很容易修改这些代码。这个功能听起来有意思。但实际上只支持很少一部分c代码，并不实用。即使支持，执行起来也很慢。tim曾用过500颗xeon phi的集群，遇到一个接一个的坑，比如xeon phi mkl和python numpy不兼容，所以没法做单元测试。因为intel xeon phi编译器无法正确地对模板进行代码精简，比如对switch语句，很大一部分代码需要重构。因为xeon phi编译器不支持一些c++11功能，所以要修改程序的c接口。既麻烦，又花时间，让人抓狂。执行也很慢。当tensor大小连续变化时，不知道是bug，还是线程调度影响了性能。举个例子，如果全连接层（fc）或剔除层（dropout）的大小不一样，xeon phi比cpu慢。预算内的最快gpu用于深度学习的gpu的高速取决于什么？是cuda核？时钟速度？还是ram大小？这些都不是。影响深度学习性能的最重要的因素是显存带宽。gpu的显存带宽经过优化，而牺牲了访问时间（延迟）。cpu恰恰相反，所用内存较小的计算速度快，比如几个数的乘法（3*6*9）；所用内存较大的计算慢，比如矩阵乘法（a*b*c）。gpu凭借其显存带宽，擅长解决需要大内存的问题。所以，购买快速gpu的时候，先看看带宽。

哪些GPU更适合深度学习和数据库

3，caffe 中data 有几种类型

Caffe是目前深度学习比较优秀好用的一个开源库，采样c++和CUDA实现，具有速度快，模型定义方便等优点。学习了几天过后，发现也有一个不方便的地方，就是在我的程序中调用Caffe做图像分类没有直接的接口。Caffe的数据层可以从数据库（支持leveldb、lmdb、hdf5）、图片、和内存中读入。我们要在程序中使用，当然得从内存中读入，我们首先在模型定义文件中定义数据层：这里必须设置memory_data_param中的四个参数，对应这些参数可以参见源码中caffe.proto文件。现在，我们可以设计一个Classifier类来封装一下：构造函数中我们通过模型定义文件（.prototxt）和训练好的模型（.caffemodel）文件构造一个Net对象，并用m_layer_指向Net中的memory data层，以便待会调用MemoryDataLayer中AddMatVector和Reset函数加入数据。由于加入的数据个数必须是batch_size的整数倍，所以我们在加入数据时采用填充的方式。在模型文件的最后，我们把训练时的loss层改为argmax层：（变量分为定性和定量两类，比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值分类变量里分为有序和无序。ordinal data (有序变量)（等级）有序分类变量是指各类别之间有程度的差别。如优良中差；±、+、++、+++nominal data(名义变量)（也叫名义）属性之间无程度和顺序的差别，例如二项分类，性别（男、女），药物反应（阴性、阳性）等。例如多项分类，血型（ O、A、B、AB），职业（工、农、商、学、兵）等。统计学依据数据的计量尺度将数据划分为三类：定距型数据（Scale）、定序型数据（Ordinal）、定类型数据（Nominal）。··定距型数据（Scale）通常是指诸如身高、体重、血压等的连续型数据，也包括诸如人数、商品件数等离散型数据；··定序型数据（Ordinal）具有内在固有大小或高低顺序，但它又不同于定距型数据，一般可以数值或字符表示。如职称变量可以有低级、中级、高级三个取值，可以分别用1、2、3等表示，年龄段变量可以有老、中、青三个取值，分别用A B C表示等。这里，无论是数值型的1、2 、3 还是字符型的A B C ，都是有大小或高低顺序的，但数据之间却是不等距的。因为，低级和中级职称之间的差距与中级和高级职称之间的差距是不相等的；··定类型数据（Nominal）是指没有内在固有大小或高低顺序，一般以数值或字符表示的分类数据。如性别变量中的男、女取值，可以分别用1、 2表示，民族变量中的各个民族，可以用汉回满等字符表示等。这里，无论是数值型的1、 2 还是字符型的汉回满，都不存在内部固有的大小或高低顺序，而只是一种名义上的指代。

persistenceconfig（持久层配置）我们想要一个配置了所有可用仓库的mongodb配置。在这个简单的应用中我们只用了一个仓库，所以配置也非常的简单：@configurationclass persistenceconfig @bean public accountrepository accountrepository() throws unknownhostexception return new mongoaccountrepository(mongotemplate());

caffe 中data 有几种类型

4，学哪一种SQL比较好

sql的意思是标准查询语言，所以你学哪一种其实都差不多，虽然不同的数据库都对sql做了扩展，但是基本的东西还是相同的

先掌握ACCESS 再学SQL语言再学MS—SQL 保你以后什么数据库都会了。补充说明：Oracle能在所有主要的平台(其中包括Windows)上运行，并且完全支持所有的工业标准，所以，客户可以利用很多种第三方应用程序、工具、网关和管理实用程序。Oracle采用开放策略，它使得客户可以选择一种最适合他们特定需要的解决方案。SQL Server只在Windows上运行，Microsoft这种专有策略的目标是将客户锁定到Windows环境中。由于SQL Server紧密的捆绑在Windows平台上，所以，只有随着Windows可靠性、开放性以及性能的改善，SQL Server的开放性和可靠性才能进一步提高。 2、性能价格比选择数据库产品，首先要考虑数据库产品的性能，同时还关心究竟要花多少钱才能建立并运行一套Oracle或SQL Server数据库系统。这些钱不仅包含最初购置软件、硬件的费用，还包含了维护、培训费用。两家公司都宣称自己的性能价格比好，实际上，Oracle公司侧重于产品的可靠性和实用性方面，而Microsoft公司更侧重于产品价格方面。由于操作系统的原因，普遍认为SQL Server的可靠性较差，而另一方面Oracle的初始花费则相对较高，尤其是在考虑工具软件的因素时，与SQL Server免费提供工具软件相比，Oracle更显价格不菲。所以，在考虑该使用什么软件时，要根据自己的业务需求和基础设施来综合考虑。 3、工具软件使数据库易于安装、使用和管理——组合在一起称为“操作简单”——是一个减少成本的关键因素。Microsoft产品具有易于使用的美誉，在很多方面也确实如此，SQL Server就得益于让人感到使用起来比较容易。SQL Server企业管理器(Enterprise Manager)是SQL Server软件的一个组成部分，给用户提供了一个集成的管理控制台来集中管理多个服务器。Oracle也由自己的企业管理器，它的性能随着版本的提高有所改善，有些方面甚至超过了SQL Server企业管理器，但它安装较为困难，有些较好的组件还需另外购买。SQL Server与Windows操作系统无缝集成， Microsoft公司总是尽可能将所有的软件功能捆扎在一起，除非用户还需要其他用处的操作软件包，否则功能已足够使用了。而Oracle公司将工具软件交给第三方软件商来开发，花费高，尤其在别人的软件免费提供的情况下，这种问题就更显突出。 4、数据库性能那种数据库更快?这其实是一个很难回答的问题，因为存在许多不定因素，包括处理类型、数据分布以及硬件基础设施等。一些经验表明在长时间运行大量事务方面Oracle数据库要优于SQL Server，但在集群技术等方面，SQL Server比Oracle数据库要好一些。 5、价格:SQL Server不仅需要一个数据库，还需要一个不断升级、不断打补丁的WINDOWS系列操作系统。实际是买一强买一。 6、平台系统:ORACLE支持所有的平台，所有的CPU类型。UNIX平台稳定性得到大家的一致认可。 7、服务:Oracle数据库应用的强大，应用的深度和广度。 8、PL/SQL vs T-SQL T-SQ不支持位图索引，居于函数的索引，分区索引，对象，不支持嵌入java模式。 9、Oracle具有良好的性能调整参数和范围。 10、价格更便宜。 11、TPC-C测试最佳，良好的性价比。 12、方便灵活的管理和安装。 13、OLAP数据分析强大

差别就是2005是2000的升级版！ 2005固然比2000好！但由于2005的安全性比2000高，所以又不太适合初学者用！ 2005的操作比2000的复杂！ sql和c没多大关系的！我认为先学vfp把！

5，python三本经典书籍都是什么

熟练掌握任何一门语言，几乎都需要经过以下过程：良师——学习Python课程＋入门书籍＋浏览技术博客社区帮助——善于使用搜索引擎、Mail List益友—— 寻找学习伙伴Learn by Code——项目实践在这里先给大家推荐一些适合的入门书籍：1. 掌握Python语法的基础上学习《Python for data analysis》是比较不错的选择，涵盖了ipython notebook、Numpy、Scipy和Pandas包的使用。2.《Python数据分析与挖掘实战》介绍了使用Python进行数据挖掘的详细案例，数据和代码都可以下载，作为机器学习的进阶学习是不错的选择（这本书也用对应的R语言和Matlab 版本）。3.《Python Cookbook》很厚的一本书，可以作为Python语法查询手册。

python三本经典书籍是：《Python魔力手册》、《深入Python3》、《Python高手之路》第三版。1、《Python魔力手册》它的作者侯爵，在学编程时，发现市面上没有一本适合Python入门学习的书籍，于是后来自己结合了图画和动漫的形式来表达书中的较重要的知识点，对于即使没有任何编程基础的学习者，也能通俗易懂。并且它的基础知识点较为系统全面，整本书学下来，初学者不仅可以轻松入门，还能通过这本书掌握Python中大部分的基础知识点。2、《深入Python3》这是目前讲Python3最全面的书，书中针对Python3的知识点非常全面，从不同系统的Python3安装方法，到具体的Python知识点，再到Python3的实例操作，整个本书对于Python做了很详细的解释。

python三本经典书籍有：《深度学习入门：基于Python的理论与实现》，《Python高性能（第2版）》，《Python科学计算最佳实践：SciPy指南》。1、《深度学习入门：基于Python的理论与实现》本书深入浅出地剖析了深度学习的原理和相关技术，使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。Python提供了大量的第三方模块，使用方式与标准库类似。它们的功能无所不包，覆盖科学计算、Web开发、数据库接口、图形系统多个领域，并且大多成熟而稳定。第三方模块可以使用Python或者C语言编写。SWIG,SIP常用于将C语言编写的程序库转化为Python模块。Boost C++ Libraries包含了一组库，Boost.Python，使得以 Python 或 C++ 编写的程序能互相调用。借助于拥有基于标准库的大量工具、能够使用低级语言如C和可以作为其他库接口的C++，Python已成为一种强大的应用于其他语言与工具之间的胶水语言。2、《Python高性能（第2版）》本书主要介绍如何让Python程序发挥强大性能，内容涵盖针对数值计算和科学代码的优化，以及用于提高Web服务和应用响应速度的策略。具体内容有：图形处理：有PIL、Tkinter等图形库支持，能方便进行图形处理。数学处理：NumPy扩展提供大量与许多标准数学库的接口。文本处理：python提供的re模块能支持正则表达式，还提供SGML，XML分析模块，许多程序员利用python进行XML程序的开发。数据库编程：程序员可通过遵循Python DB-API（数据库应用程序编程接口）规范的模块与Microsoft SQL Server，Oracle，Sybase，DB2，MySQL、SQLite等数据库通信。python自带有一个Gadfly模块，提供了一个完整的SQL环境。3、《Python科学计算最佳实践：SciPy指南》本书旨在介绍开源的Python算法库和数学工具包SciPy。近年来，基于NumPy和SciPy的完整生态系统迅速发展，并在天文学、生物学以及材料科学等多个学科得到了广泛应用。本书结合大量代码实例，详尽展示了SciPy的强大科学计算能力，包括用NumPy和SciPy进行分位数标准化，用Ndimage实现图像区域网络、频率与快速傅里叶变换，用稀疏坐标矩阵实现列联表、SciPy中的线性代数、SciPy中的函数优化等。Python标准库的主要功能有：文本处理，包含文本格式化、正则表达式匹配、文本差异计算与合并、Unicode支持，二进制数据处理等功能。文件处理，包含文件操作、创建临时文件、文件压缩与归档、操作配置文件等功能。操作系统功能，包含线程与进程支持、IO复用、日期与时间处理、调用系统函数、写日记(logging)等功能。

如果你非要找一本可以捧在手上的书，那么一本好的 Python 书的标准是要么在广度上有建树要么就是深度。广度上来说，《Python编程金典》做得不错；深度上, 《python cookbook》和《可爱的 Python》系列文章比较好。

一、python三本经典书籍是《Python for data analysis》、《Python数据分析与挖掘实战》、《Python Cookbook》。1、《Python for data analysis》：学习基于Python语法的数据分析Python是一个不错的选择，它涵盖了ipython notebook，Numpy，Scipy和Pandas软件包的使用。2、《Python数据分析与挖掘实战》：给出了使用Python进行数据挖掘的详细案例。数据和代码可以下载。对于机器学习中的高级学习来说，这是一个不错的选择（本书还使用了相应的R语言和Matlab版本）。3、《Python Cookbook》：很厚的一本书，可以作为Python语法查询手册。二、python 的相关工具及功能：（1）Tkinter：Python默认的图形界面接口。Tkinter是一个和Tk接口的Python模块，Tkinter库提供了对Tk API的接口，它属于Tcl/Tk的GUI工具组。（2）PyGTK：用于python GUI程序开发的GTK+库。GTK就是用来实现GIMP和Gnome的库。（3）PyQt：用于python的Qt开发库。QT就是实现了KDE环境的那个库，由一系列的模块组成，有qt, qtcanvas, qtgl, qtnetwork, qtsql, qttable, qtui and qtxml，包含有300个类和超过5750个的函数和方法。PyQt还支持一个叫qtext的模块，它包含一个QScintilla库。该库是Scintillar编辑器类的Qt接口。（4）wxPython：GUI编程框架，熟悉MFC的人会非常喜欢，简直是同一架构（对于初学者或者对设计要求不高的用户来说，使用Boa Constructor可以方便迅速的进行wxPython的开发）（5）PIL：python提供强大的图形处理的能力，并提供广泛的图形文件格式支持，该库能进行图形格式的转换、打印和显示。还能进行一些图形效果的处理，如图形的放大、缩小和旋转等。是Python用户进行图象处理的强有力工具。