今天看到一篇大数据的文章，分析了python作为机器学习语言的优势，其中提到在2010年python的theano库在cpu上运行时，其速度是numpy的1.8倍， 而在gpu上运行时，其速度是numpy的11倍。
于是乎开始查阅GPU和Theano的相关概念。
以下是Nvidia官网对GPU的文字介绍，视频尤其直观。
GPU 加速的计算是利用一颗图形处理器 (GPU) 以及一颗 CPU 来加速科学、工程以及企业级应用程序。 NVIDIA® 于 2007 年在这方面率先迈出了第一步，GPU 现已成就了世界各地政府实验室、大学、企业以及中小企业内的节能数据中心。
应用程序如何利用 GPU 实现加速
理解 CPU 与 GPU 之间区别的一种简单方式就是对比它们如何处理任务。 CPU 由专为顺序串行处理而优化的几个核心组成。另一方面，GPU 则由数以千计的更小、更高效的核心组成，这些核心专为同时处理多任务而设计。
立即学习“Python免费学习笔记（深入）”；
GPU拥有数以千计的核心，可高效地处理并行任务
Theano是主流的深度学习Python库之一，亦支持GPU，然而Theano入门较难。
基于Python的深度学习
实现神经网络算法的Python库中，最受欢迎的当属Theano。然而，Theano并不是严格意义上的神经网络库，而是一个Python库，它可以实现各种各样的数学抽象。正因为如此，Theano有着陡峭的学习曲线，所以我将介绍基于Theano构建的有更平缓的学习曲线的两个神经网络库。
第一个库是 Lasagne。该库提供了一个很好的抽象，它允许你构建神经网络的每一层，然后堆叠在彼此的顶部来构建一个完整的模型。尽管这比Theano显得更好，但是构建每一层，然后附加在彼此顶部会显得有些冗长乏味，所以我们将使用 Nolearn库，它在Lasagne库上提供了一个类似 Scikit-Learn风格的API，能够轻松地构建多层神经网络。
机器学习
supervised learning
有监督学习(supervised learning)是指数据中包括了我们想预测的属性，有监督学习问题有以下两类：
classification
分类（classification）:样本属于两个或多个类别，我们希望通过从已标记类别的数据学习，来预测未标记数据的分类。例如，识别手写数字就是一个分类问题，其目标是将每个输入向量对应到有穷的数字类别。从另一种角度来思考，分类是一种有监督学习的离散（相对于连续）形式，对于n个样本，一方有对应的有限个类别数量，另一方则试图标记样本并分配到正确的类别。
regression
回归(regression):如果希望的输出是一个或多个连续的变量，那么这项任务被称作回归，比如用年龄和体重的函数来预测三文鱼的长度。
