Merge pull request #51 from aa12356jm/patch-2

Update 第十五章_GPU和框架选型.md

MarkDown/第十五章_GPU和框架选型.md

@@ -1,10 +1,10 @@
-# 第十七章 GPU和框架选型指南
+# 第十五章 GPU和框架选型指南
 
-## 17.1 GPU购买指南
+## 15.1 GPU购买指南
 
 深度学习训练通常需要大量的计算资源。GPU目前是深度学习最常使用的计算加速硬件。相对于CPU来说，GPU更便宜且计算更加密集。一方面，相同计算能力的GPU的价格一般是CPU价格的十分之一。另一方面，一台服务器通常可以搭载8块或者16块GPU。因此，GPU数量可以看作是衡量一台服务器的深度学习计算能力的一个标准。
 
-### 17.1.1 如何选择GPU  
+### 15.1.1 如何选择GPU  
 ### 首先给出一些总体的建议  
 最好的GPU整体（小幅度）：Titan Xp
 综合性价比高，但略贵：GTX 1080 Ti，GTX 1070，GTX 1080
@@ -36,7 +36,7 @@ Nvidia有面向个人用户（例如GTX系列）和企业用户（例如Tesla系
 
 Nvidia一般每一两年发布一次新版本的GPU，例如2017年发布的是GTX 1000系列。每个系列中会有数个不同的型号，分别对应不同的性能。
 
-### 17.1.2 GPU的主要性能指标
+### 15.1.2 GPU的主要性能指标
 GPU的性能主要由以下三个参数构成：
 
 1. 计算能力。通常我们关心的是32位浮点计算能力。16位浮点训练也开始流行，如果只做预测的话也可以用8位整数。
@@ -63,7 +63,7 @@ GPU的性能主要由以下三个参数构成：
 所以如果你想购买一个快速的GPU，首先要关注的是GPU的带宽（bandwidth）。
 
 
-### 17.1.3 整机配置
+### 15.1.3 整机配置
 
 通常，我们主要用GPU做深度学习训练。因此，不需要购买高端的CPU。至于整机配置，尽量参考网上推荐的中高档的配置就好。不过，考虑到GPU的功耗、散热和体积，我们在整机配置上也需要考虑以下三个额外因素。
 
@@ -72,7 +72,7 @@ GPU的性能主要由以下三个参数构成：
 3. 主板的PCIe卡槽。推荐使用PCIe 3.0 16x来保证充足的GPU到主内存的带宽。如果搭载多块GPU，要仔细阅读主板说明，以确保多块GPU一起使用时仍然是16x带宽。注意，有些主板搭载4块GPU时会降到8x甚至4x带宽。
 
 
-### 17.1.4 小结
+### 15.1.4 小结
 
 * 在预算范围之内，尽可能买较新的GPU。
 * 整机配置需要考虑到GPU的功耗、散热和体积。
@@ -104,11 +104,11 @@ GTX 1050 Ti一般来说也是一个不错的选择，如果你只是想尝试一
 
 
 
-## 17.2 框架选型
+## 15.2 框架选型
 
 目前常用的框架有tensorflow,keras,pytorch,mxnet等等，各个框架的优缺点在此简单介绍：
 
-### 17.2.1 常用框架简介
+### 15.2.1 常用框架简介
 
 1，tensorflow：  
 tensorflow由于有google的强大背书，加上其优秀的分布式设计，丰富的教程资源和论坛，工业部署方便，基本很多人都是从tensorflow入门的
@@ -140,13 +140,13 @@ mxnet是dmlc社区推出的深度学习框架，在2017年被亚马逊指定为
 优点：资源丰富，代码容易理解，部署方便  
 缺点：入门门槛高，文档较少  
 
-###  17.2.1 框架选型总结
+###  15.2.1 框架选型总结
 1，新手入门，首推pytorch，上手快，资源丰富,官方文档写的非常好(https://pytorch.org/tutorials/) 
 2，目前工业部署，tensorflow是首选,资源丰富，并且在分布式训练这一块基本一家独大  
 3，mxnet的gluon接口有比较丰富的中文资源（教程：zh.gluon.ai，论坛：discuss.gluon.ai）,gluoncv模块（https://gluon-cv.mxnet.io）,gluonNLP模块（https://gluon-nlp.mxnet.io）  
 
 
-##  17.3 模型部署
+##  15.3 模型部署
 我们一般都是通过python或者其他语言来编码训练模型，然后基于后端来进行部署
 一般的框架都有自身的部署框架，比如tensorflow，pytorch，caffe2，mxnet等等
 有一些框架是专门做推理部署使用的，比如