1樓：Momodel
如果是要買一台電腦的話，不是必要，都不建議使用膝上型電腦來乾重活，無論是從效能還是價效比上來看，台式電腦都是更優的選擇。
如果是要自己配電腦的話，選擇就非常多了，網上有非常多的裝機教程，B 站上有非常多的裝機 up，粉絲數多的一般比較靠譜，也可以避開很多坑。可以 DIY 的地方也非常多，具體什麼配置要根據預算和更加具體的需求來。
只是需要注意，一定要選擇 NVIDIA 的 GPU，這樣才可以使用 CUDA 加速，同時記憶體和視訊記憶體都盡量高（基本與預算成正比）。
如果對硬體不是很了解，或者不太想花太多時間在硬體的選擇、維護、安裝上的話，在「萬物上雲」的時代，購買一台雲主機顯然是更優的選擇。
如果還想再簡單一些，不妨試試 MO，乙個支援模型快速開發與部署的人工智慧建模平台，可以通過許多方式獲得免費的高效能 GPU。
2樓：神經網路愛好者
神經網路最重要的是計算能力，神經元節點往往都是成千上萬而且是若干層，這樣運算次數非常的大，因此需要乙個好的CPU。目前CUDA能很好的加速神經網路計算，因此買一塊好的Nvidia的顯示卡也是必要的。我們一般使用GTX 1060以上的顯示卡，cpu的話有經濟許可可以上用作伺服器的cpu，pc機的cpu至少應該在i5以上。
記憶體等其他因素當然是多多益善，但是cpu和顯示卡應該是最需要考慮的問題
為什麼對神經網路進行Lipschitz約束不能直接獲得對對抗攻擊魯棒的模型？
個人乙個直觀的感覺是對於l2 attack是有用的，但是在影象裡面的話，generalization 可能會變差，具體也只能給一些intuition 的解釋。 沼澤人 個人愚見這麼做應該是可以的，只是目前基於對抗訓練的方法更流行。比如 Deep Defense Training DNNs with ...
神經網路是萬能的嗎？有了神經網路為什麼還要學習其他演算法？
臥聽清風 理解到你說的演算法應該指的是用於影象識別，大資料分析，資料分類等相關的演算法。但演算法的定義遠不止此，比如資料儲存的資料結構設計，排序等，這些基本的方法是提高程式效率的基礎。這些演算法顯然目前深度學習是無法代替的。而對於具體的問題。比如影象識別，資料分類等，神經網路確實以其良好的效果，得到...
神經網路中對需要concat的特徵進行線性變換然後相加是否好於直接concat
民科局長 直接相加會損失資訊，比如對於 1 2 兩個特徵，相加後就是 3 和 0 3 或是 1.5 1.5 相加沒有區別。concat至少保留了所有資訊。 崔果果 第一，add方法把兩個n維的資訊壓縮至n維，而concat依然保持了2n維。從資訊量的角度來看，我們可以完全肯定，2n維包含的資訊量遠遠...