如何使用服务器跑神经网络

1. 如何正确使用服务器

服务器是至关重要的核心设备，确保网络服务器能够高性能、稳定持续的工作一直以来都是用户最关心的问题。然而在关注着这个问题的同时，我们发现有很多的用户都没有正确地配置自己的服务器，使得服务器并没有工作在最佳的状态。通常服务器配置的常见误区表现在以下的几个方面。
服务器使用上的误区
误区之一：服务器带有冗余功能而不用
很多的高性能的服务器都提供了阵列功能，但是由于用户不了解，只购买一块硬盘，没有数据冗余，失去了对于存储方面的安全保障和性能优化
误区之二：高档服务器使用低配置方案
用户购买的高档服务器，其自身可以满足很高的性能需求，但是为其配置了低速、小容量的硬盘和小容量的内存，导致服务器整体的性能极大降低
误区之三：不了解服务器性能的瓶颈而造成资源的浪费
有的用户对于服务器的了解太过片面，单方面认定某些组件的重要性，倾尽全力专向投入，而忽略了其他组件的优化升级工作，导致这些组件的性能没有被发挥出来。由以上的分析可以看出，不论是由于用户对于服务器所提供的功能不完全了解还是在使用和配置上存在的误区，很多的服务器的运行状态并非最优的。
根据统计资料表明，业界内80%的服务器没有经过优化设计，90%的服务器没有定时进行系统性能监控，95%的服务器没有全面的数据冗余安全措施，将近一半的服务器没有采用数据备份解决方案。这些服务器实际上是处于一种亚健康的状态下，具体体现为：对于电源、风扇、硬盘、控制器、电缆、网卡、CPU等多种关键性的部件没有采用硬件冗余而导致系统的安全性降低;使用低速、兼容的设备组件，不合理地配置内存、CPU、硬盘控制器等而造成性能的下降;不使用任何网络服务器的管理软件和硬件，当出现故障时系统宕机，管理方面存在严重的缺陷。
如何正确使用服务器
为了提高服务器的健康水平，通过研究了目前存在的一些弊端，我们可以通过以下方法来提高服务器性能：
为硬盘存储部分增加冗余硬盘和阵列控制卡，提供数据冗余，并且大幅度增加系统的IO性能。
为服务器增加冗余的CPU，使用SMP(对称性多处理器)技术提高系统性能，并且增加了中心处理的冗余。
增加冗余网卡，提高网络的IO性能，在某块网卡出现故障时，服务器不会与网络中断连接。
为服务器增加冗余电源模块，提高服务器的供电能力，当某个电源模块出现问题时，系统不会因电源中断而导致宕机。
为服务器增加内存，满足操作系统及不断增加的优化和应用程序的需求，提高服务器性能。
另外，需要对于服务器的整体性能进行平衡，避免性能瓶颈和安全隐患。从CPU处理能力，到内存的大小、数据冗余与数据存储的IO能力、网络的IO性能、电源供给能力、风扇冷却能力、系统故障报警能力、带电故障修复能力各个部分都有做专门的优化工作，如：通过增加硬盘、阵列卡，加大阵列卡的缓存，选配热插拔的硬盘支架，使用阵列卡的多个通道，选择最合适的阵列级别以满足不同的读写性能来优化存储子系统。
根据使用的操作系统、用户数量、应用范围、使用的CPU数量来确定最小的内存容量，增加远程控制卡在线诊断内存运行过程中出现的故障。
根据系统所需的处理能力、系统对CPU的冗余要求、用户数量、应用范围来确定所使用的CPU数量，使用操作系统性能监控软件和网络管理软件检测CPU的占有情况，决定将要增减的数量。
使用AFT(网卡冗余)、ALB(网络负载平衡)、FEC(快速以太网通道)等网卡冗余技术提高服务器网卡的IO性能。
增加冗余电源模块有效的保障服务器电源供应，防止由于单个电源模块损坏导致系统宕机，增减冗余的风扇保障服务器的系统冷却效果，防止服务器的温度过高而出现故障。
总之，仔细地检查存在的瓶颈和缺陷，量身定做地去优化每个部件，扫除羁绊性能发挥的障碍，充分保障投入产出比，这些都能让你恰当合适的使用您的服务器资源，避免步入服务器的使用误区。

2. 如何把电脑训练好的神经网络移植到app上

有两个思路。
一个online方式：
移动端做初步预处理，把数据传到服务器执行深度学习模型，现在很多APP都是这个思路, 优点是这个方式部署相对简单，现成的框架（caffe，theano，mxnet，Torch) 做下封装就可以直接拿来用，服务器性能大, 能够处理比较大的模型，缺点是必须联网。
另外一种是offline方式：
根据硬件的性能，部署适当的模型。优点是可以离线执行。缺点也是明显的，1）受限硬件，可能要运行个阉割版的模型 ，对模型精度会有一定的影响； 2) 要移植现成框架到移动平台比较麻烦, 各种依赖的剥离很痛苦，mxnet有个Android app的例子（Leliana/WhatsThis · GitHub), Torch 7也个Android版本soumith/torch-android · GitHub，可以参考下，当然如果编程能力强的话，自己写个网络前传的代码。

3. 如何在服务器上跑python程序

去vlc的wiki上看看，应该是使用命令行参数，python这里只是起到一个配置命令行的作用。当然，vlc也支持作为activex组件使用,具体的看vlc wiki上的例子，那样就可以把视频显示到你指定的窗口上了。不知道你的详细需求是什么？

4. 训练一个图像识别分类的卷积神经网络，使用什么配置的电脑比较好

看你的描述这么专业，最后怎么问的有点外行，既然系统做图像识别的学习，肯定是需要大数据配合，电脑哪里处理的了，要用服务器，如果是初级应用，那么性能不一定要多强，两台入门级的服务器吧，因为可以支持多线程处理，为了节约，可以买国产的塔式服务器，便宜而且可以不用机柜，现在的服务器大多也都是千兆网卡了，不用特意要求，主要在内存和硬盘，现在的服务器瓶颈就是数据读取速度，资金允许就配固态盘做数据盘，配合前兆网卡和两台服务器处理能力，完美的学习环境。

5. 服务器怎么使用

使用方法步骤如下：

1、登录服务器商的网站管理账号。

6. 运行神经网络的机器需要什么配置

你是训练还是使用训练好的网络。
若果是训练的话，就看你的训练数据的大小。 我之前10万条数据，22个输入，1个输出。用matlab训练，也是一般的家用电脑就可以了。

若果只是使用训练好的神经网络， 对配置根本谈不上要求！对每一个输入的预测只是简单的算术运算。

《神经网络之家》

7. 如何将cnn模型放到服务器上运行

一、模型加载

用已经训练好的模型来检测，rcnn_model_file指模型路径。

二、候选区域提取（Region proposals）

本论文采用selective search[3]方法生成候选区域，代码作者以给出，rcnn代码中的selective_search_boxes.m是根据selective search源代码中的demo.m修改的，参数im是矩阵图，不是图片路径，最后输出格式为N * 4的矩阵，N表示region proposals 的个数，每行表示一个region proposal对角线坐标。

三、特征提取（Feature extraction）

使用rcnn_features为每一个region proposals提取cnn特征，输出结果为N * 4096，每行表示一个region proposal的特征。

四、分类（classification）

调用下面函数为每一个region proposal计算各类的score，结果为N * C 矩阵，C表示物体类别个数，每行表示一个region proposal对应各个类别的score。

8. 运行神经网络的机器需要什么配置

摘要 您好~这道问题问得很好，我需要一点时间编辑答案，还请您耐心等待一下。

9. 本人训练神经网络,用到工作站40cpu,cpu的利用率太低怎么样能让利用率变高,目前只用了一个线程

1:程序起用太多。  解决方法:关闭一些程序
2:病毒、恶意代码 。解决方法:下载最新的防病毒软件,杀毒 
3：系统运行应用软件出错，造成停止响应（尤其在WIN98中） 解决：强行关闭程序（CTRL+ALT+DEL） 
4:实时监控软件 解决：关闭 
5:降温软件 解决：关闭 
6：驱动不兼容如安装via 4合1 驱动的时候，再进系统，资源占用率高。
 解决：上网当最新的 
7：含HT技术的P4CPU由于自身设计的关系（为最大限度的利用CPU而优化），容易出现占用率高。 解决：关闭HT 
8、被别人入侵 。解决方法:用netstat -an 查看是否有一些异常的活动端口，一般防火墙可以解决问题。 
9、其它原因: 拷CD、运行3DMARK、打开精品网络电视、电脑开机进入系统后的10多秒钟、电脑做服务器等，容易出现占用率高。 
    

10. 如何通过玩TensorFlow Playground来理解神经网络

在这篇文章中，我会向你介绍如何使用 TensorFlow Playground ，因而你能够理解神经网络背后的核心思想。然后你就能理解为什么最近这么多人会变得对这项技术感到如此地兴奋。

让计算机解决问题

计算机编程需要程序员。人类通过一行行的代码制定计算机执行的每一个步骤，从而指示计算机解决问题。但有了机器学习和神经网络，你就可以让计算机自己去解决问题了。一个神经网络就是一个函数，能够学会训练数据集中的给定输入所对应的预期输出。

神经网络就是能够从训练数据集中学习的函数

比如，为了构建能够识别猫的图像的神经网络，你可以使用大量猫图像样本训练网络。最终得到的网络就和一个函数一样，其将猫图像作为输入，然后输出“cat（猫）”标签。或者更实用的情况是——你可以向其中输入来自游戏服务器的大量用户活动日志，然后输出有较高转化概率的用户。

这是怎么办到的？让我们来