1樓：秦二
CPU是序列計算能力強，所謂多核，頂級伺服器邏輯核心88個了不起了。
GPU的特點是並行浮點計算能力強，頂級GPU中有三千多個流處理器，顯然GPU更符合機器學習的特點。
如果你的計算符合這個特點，比如存在許多路互不相干的計算，那麼GPU就比較合適，圖形影象的運算就比較符合這個特點。
當然，GPU並不是機器學習的最優解，畢竟是基於圖形應發展出來的通用處理器，比如圖形應用中通常是32位或64位浮點數，但機器學習通常8到16位浮點就夠了，最適合機器學習的是根據相關演算法開發的專用晶元，比如TPU。
在乙個具體領域，通用不如專用，從未改變。比如礦機現在都在用專用晶元，而不是GPU了。
2樓：TripleLift
舉個例子，我來跑乙個決策樹，首先要選當前最佳分類屬性。
首先，這個工作是可並行的，換句話說，互相之間不影響。
假設這一條資料有100個特徵，如果是單核cpu來跑，需要100t的時間，但是放gpu跑，可以把每乙個屬性分配給乙個計算單元，這大概只需t的時間。
接下來要算最佳分割位置，同樣由於決策樹的特點，可以將資料分為n個小區間進行並行……
總的來說，當你的任務可以分解為小任務而且執行的先後順序影響不大時，而且任務指令非常簡單(加減乘除等初級指令)，用gpu可以大大節省時間。
聯邦學習在機器學習領域有什麼獨立存在的價值
如果不考慮隱私和安全性，橫向聯邦學習對應多工學習，縱向聯邦學習對應多檢視學習，剩下聯邦遷移學習對應傳統遷移學習。若不考慮隱私和安全性問題，相關的研究已經很多了。現在是考慮安全和隱私的情況下，對訓練過程有了新的要求。 京東科技風險演算法與技術 從產業視角來看，工程思路做聯邦學習遠遠不夠 1 安全性問題...
機器學習 深度學習以及強化學習在金融領域有哪些應用？
GorgeousShar 據我所知，兩年前就有人做量化投資方面的交易了，但是收益嘛。因為資料一般是波段操作，這就導致了目前需要進行一些監督，並且演算法有限，現在還有些距離，個人期待AutoML能夠解決這個問題 gutu Granth 瀉藥,反洗錢反欺詐領域有很大的運用,NLP 之類演算法在這方面應用...
AI熱門領域交叉分析 在未來，機器學習與自然語言處理還會碰撞出哪些火花？
迷途小書童 我大概懂NLP的時候，大家用的classifier都是SVM，structured prediction model是CRF。這些都是在NLP非常經典的模型了，包括CRF到現在都還在使用，NLP is mostly about structured prediction.SVM 等等fe...