如何使用伺服器跑神經網路

1. 如何正確使用伺服器

伺服器是至關重要的核心設備，確保網路伺服器能夠高性能、穩定持續的工作一直以來都是用戶最關心的問題。然而在關注著這個問題的同時，我們發現有很多的用戶都沒有正確地配置自己的伺服器，使得伺服器並沒有工作在最佳的狀態。通常伺服器配置的常見誤區表現在以下的幾個方面。
伺服器使用上的誤區
誤區之一：伺服器帶有冗餘功能而不用
很多的高性能的伺服器都提供了陣列功能，但是由於用戶不了解，只購買一塊硬碟，沒有數據冗餘，失去了對於存儲方面的安全保障和性能優化
誤區之二：高檔伺服器使用低配置方案
用戶購買的高檔伺服器，其自身可以滿足很高的性能需求，但是為其配置了低速、小容量的硬碟和小容量的內存，導致伺服器整體的性能極大降低
誤區之三：不了解伺服器性能的瓶頸而造成資源的浪費
有的用戶對於伺服器的了解太過片面，單方面認定某些組件的重要性，傾盡全力專向投入，而忽略了其他組件的優化升級工作，導致這些組件的性能沒有被發揮出來。由以上的分析可以看出，不論是由於用戶對於伺服器所提供的功能不完全了解還是在使用和配置上存在的誤區，很多的伺服器的運行狀態並非最優的。
根據統計資料表明，業界內80%的伺服器沒有經過優化設計，90%的伺服器沒有定時進行系統性能監控，95%的伺服器沒有全面的數據冗餘安全措施，將近一半的伺服器沒有採用數據備份解決方案。這些伺服器實際上是處於一種亞健康的狀態下，具體體現為：對於電源、風扇、硬碟、控制器、電纜、網卡、CPU等多種關鍵性的部件沒有採用硬體冗餘而導致系統的安全性降低;使用低速、兼容的設備組件，不合理地配置內存、CPU、硬碟控制器等而造成性能的下降;不使用任何網路伺服器的管理軟體和硬體，當出現故障時系統宕機，管理方面存在嚴重的缺陷。
如何正確使用伺服器
為了提高伺服器的健康水平，通過研究了目前存在的一些弊端，我們可以通過以下方法來提高伺服器性能：
為硬碟存儲部分增加冗餘硬碟和陣列控制卡，提供數據冗餘，並且大幅度增加系統的IO性能。
為伺服器增加冗餘的CPU，使用SMP(對稱性多處理器)技術提高系統性能，並且增加了中心處理的冗餘。
增加冗餘網卡，提高網路的IO性能，在某塊網卡出現故障時，伺服器不會與網路中斷連接。
為伺服器增加冗餘電源模塊，提高伺服器的供電能力，當某個電源模塊出現問題時，系統不會因電源中斷而導致宕機。
為伺服器增加內存，滿足操作系統及不斷增加的優化和應用程序的需求，提高伺服器性能。
另外，需要對於伺服器的整體性能進行平衡，避免性能瓶頸和安全隱患。從CPU處理能力，到內存的大小、數據冗餘與數據存儲的IO能力、網路的IO性能、電源供給能力、風扇冷卻能力、系統故障報警能力、帶電故障修復能力各個部分都有做專門的優化工作，如：通過增加硬碟、陣列卡，加大陣列卡的緩存，選配熱插拔的硬碟支架，使用陣列卡的多個通道，選擇最合適的陣列級別以滿足不同的讀寫性能來優化存儲子系統。
根據使用的操作系統、用戶數量、應用范圍、使用的CPU數量來確定最小的內存容量，增加遠程式控制制卡在線診斷內存運行過程中出現的故障。
根據系統所需的處理能力、系統對CPU的冗餘要求、用戶數量、應用范圍來確定所使用的CPU數量，使用操作系統性能監控軟體和網路管理軟體檢測CPU的佔有情況，決定將要增減的數量。
使用AFT(網卡冗餘)、ALB(網路負載平衡)、FEC(快速乙太網通道)等網卡冗餘技術提高伺服器網卡的IO性能。
增加冗餘電源模塊有效的保障伺服器電源供應，防止由於單個電源模塊損壞導致系統宕機，增減冗餘的風扇保障伺服器的系統冷卻效果，防止伺服器的溫度過高而出現故障。
總之，仔細地檢查存在的瓶頸和缺陷，量身定做地去優化每個部件，掃除羈絆性能發揮的障礙，充分保障投入產出比，這些都能讓你恰當合適的使用您的伺服器資源，避免步入伺服器的使用誤區。

2. 如何把電腦訓練好的神經網路移植到app上

有兩個思路。
一個online方式：
移動端做初步預處理，把數據傳到伺服器執行深度學習模型，現在很多APP都是這個思路, 優點是這個方式部署相對簡單，現成的框架（caffe，theano，mxnet，Torch) 做下封裝就可以直接拿來用，伺服器性能大, 能夠處理比較大的模型，缺點是必須聯網。
另外一種是offline方式：
根據硬體的性能，部署適當的模型。優點是可以離線執行。缺點也是明顯的，1）受限硬體，可能要運行個閹割版的模型 ，對模型精度會有一定的影響； 2) 要移植現成框架到移動平台比較麻煩, 各種依賴的剝離很痛苦，mxnet有個Android app的例子（Leliana/WhatsThis · GitHub), Torch 7也個Android版本soumith/torch-android · GitHub，可以參考下，當然如果編程能力強的話，自己寫個網路前傳的代碼。

3. 如何在伺服器上跑python程序

去vlc的wiki上看看，應該是使用命令行參數，python這里只是起到一個配置命令行的作用。當然，vlc也支持作為activex組件使用,具體的看vlc wiki上的例子，那樣就可以把視頻顯示到你指定的窗口上了。不知道你的詳細需求是什麼？

4. 訓練一個圖像識別分類的卷積神經網路，使用什麼配置的電腦比較好

看你的描述這么專業，最後怎麼問的有點外行，既然系統做圖像識別的學習，肯定是需要大數據配合，電腦哪裡處理的了，要用伺服器，如果是初級應用，那麼性能不一定要多強，兩台入門級的伺服器吧，因為可以支持多線程處理，為了節約，可以買國產的塔式伺服器，便宜而且可以不用機櫃，現在的伺服器大多也都是千兆網卡了，不用特意要求，主要在內存和硬碟，現在的伺服器瓶頸就是數據讀取速度，資金允許就配固態盤做數據盤，配合前兆網卡和兩台伺服器處理能力，完美的學習環境。

5. 伺服器怎麼使用

使用方法步驟如下：

1、登錄伺服器商的網站管理賬號。

6. 運行神經網路的機器需要什麼配置

你是訓練還是使用訓練好的網路。
若果是訓練的話，就看你的訓練數據的大小。 我之前10萬條數據，22個輸入，1個輸出。用matlab訓練，也是一般的家用電腦就可以了。

若果只是使用訓練好的神經網路， 對配置根本談不上要求！對每一個輸入的預測只是簡單的算術運算。

《神經網路之家》

7. 如何將cnn模型放到伺服器上運行

一、模型載入

用已經訓練好的模型來檢測，rcnn_model_file指模型路徑。

二、候選區域提取（Region proposals）

本論文採用selective search[3]方法生成候選區域，代碼作者以給出，rcnn代碼中的selective_search_boxes.m是根據selective search源代碼中的demo.m修改的，參數im是矩陣圖，不是圖片路徑，最後輸出格式為N * 4的矩陣，N表示region proposals 的個數，每行表示一個region proposal對角線坐標。

三、特徵提取（Feature extraction）

使用rcnn_features為每一個region proposals提取cnn特徵，輸出結果為N * 4096，每行表示一個region proposal的特徵。

四、分類（classification）

調用下面函數為每一個region proposal計算各類的score，結果為N * C 矩陣，C表示物體類別個數，每行表示一個region proposal對應各個類別的score。

8. 運行神經網路的機器需要什麼配置

摘要 您好~這道問題問得很好，我需要一點時間編輯答案，還請您耐心等待一下。

9. 本人訓練神經網路,用到工作站40cpu,cpu的利用率太低怎麼樣能讓利用率變高,目前只用了一個線程

1:程序起用太多。  解決方法:關閉一些程序
2:病毒、惡意代碼 。解決方法:下載最新的防病毒軟體,殺毒 
3：系統運行應用軟體出錯，造成停止響應（尤其在WIN98中） 解決：強行關閉程序（CTRL+ALT+DEL） 
4:實時監控軟體 解決：關閉 
5:降溫軟體 解決：關閉 
6：驅動不兼容如安裝via 4合1 驅動的時候，再進系統，資源佔用率高。
 解決：上網當最新的 
7：含HT技術的P4CPU由於自身設計的關系（為最大限度的利用CPU而優化），容易出現佔用率高。 解決：關閉HT 
8、被別人入侵 。解決方法:用netstat -an 查看是否有一些異常的活動埠，一般防火牆可以解決問題。 
9、其它原因: 拷CD、運行3DMARK、打開精品網路電視、電腦開機進入系統後的10多秒鍾、電腦做伺服器等，容易出現佔用率高。 
    

10. 如何通過玩TensorFlow Playground來理解神經網路

在這篇文章中，我會向你介紹如何使用 TensorFlow Playground ，因而你能夠理解神經網路背後的核心思想。然後你就能理解為什麼最近這么多人會變得對這項技術感到如此地興奮。

讓計算機解決問題

計算機編程需要程序員。人類通過一行行的代碼制定計算機執行的每一個步驟，從而指示計算機解決問題。但有了機器學習和神經網路，你就可以讓計算機自己去解決問題了。一個神經網路就是一個函數，能夠學會訓練數據集中的給定輸入所對應的預期輸出。

神經網路就是能夠從訓練數據集中學習的函數

比如，為了構建能夠識別貓的圖像的神經網路，你可以使用大量貓圖像樣本訓練網路。最終得到的網路就和一個函數一樣，其將貓圖像作為輸入，然後輸出「cat（貓）」標簽。或者更實用的情況是——你可以向其中輸入來自游戲伺服器的大量用戶活動日誌，然後輸出有較高轉化概率的用戶。

這是怎麼辦到的？讓我們來