从晶体管到神经网络：GPU如何走到今天，又将去向何方
近期我们一直在向中国客户和媒体展示E系列。它背后的故事经历了一个非凡的转折：原本为绘制图像而打造的硬件，帮助现代AI成为可能。如今，AI正在帮助它绘图、思考和创作。
神经网络
神经网络是一种受到生物神经系统启发而设计的计算模型，用于机器学习和人工智能领域。神经网络由大量的人工神经元（模拟生物神经元）组成，这些神经元通过连接权重相互连接，形成网络结构。神经网络的目标是通过学习和调整权重来模拟和解决复杂的问题。
CPU训练、GPU训练及多GPU训练
模型训练的主要目标是通过不断优化模型参数来最小化损失函数，从而提高模型在测试数据上的泛化能力。常用的训练方式包括CPU训练、GPU训练以及多GPU训练。
AI 怎么变聪明的？神经网络、机器学习、NLP 三大里程碑
神经网络与深度学习，是人工智能走得最远、也最关键的一段路。它们让机器学会了从数据里找规律，把图像识别、语音识别、自然语言处理这些原本只有人能干的事，一步步揽到了自己手里。
一文看懂神经网络的几个基础问题
究竟什么是神经网络？它又是如何运作的呢？让我们一同揭开神经网络的神秘面纱。
深度卷积神经网络（CNN）— 稠密连接网络（DenseNet）
DenseNet 在 ImageNet 和其他计算机视觉任务上表现出色，解决了传统卷积神经网络（CNN）中可能存在的梯度消失和特征复用效率低的问题。
深度卷积神经网络（CNN）— GoogLeNet
GoogLeNet 的主要特点是引入了 Inception 模块，通过在网络中并行组合多种不同尺度的卷积核，同时显著减少了参数量和计算成本。
深度卷积神经网络（CNN）— NiN
NiN 网络通过引入 网络中的网络（Network in Network） 和 全局平均池化（GAP），显著增强了卷积神经网络的非线性表示能力，同时减少了参数量。
什么是人工智能中的知识表示？
随着人工智能技术的发展，符号方法与神经方法的结合将进一步提高系统的表达能力、推理能力与可扩展性，使AI更接近类人智能。
深度学习模型详解
深度学习模型是人工智能领域中的一个重要组成部分，它基于神经网络的结构和原理，通过模拟人脑的工作方式来进行学习和决策。
神经网络探秘：原理、架构与实战案例
无论你是机器学习初学者，还是希望深化理解的进阶者，本文都将为你提供一份详尽的指南。