我是一名在tensorflow深度学习的新手。我尝试了一个seq2seq模型示例代码。张量流的快速深度学习模型训练的基础设施选择？
我想了解：
什么是图层，图层的大小和批量 大小数的最低值，我可以刚开始时，以能够测试满意的精度seq2seq 模型？
另外，根据内存 和cpu功能的最低基础结构设置，可以在几小时内训练此深度学习模型。
我的经验已经培养了seq2seq模型来构建一个神经网络，大小900和批量大小4
哪个最有助于更快的培训 - 更多RAM容量，多个CPU核心或CPU + GPU组合核心？
声明：我也是新手，在很多方面可能都是错误的。
我是一名在tensorflow深度学习的新手。我尝试了一个 seq2seq模型示例代码。
我想了解：
什么是图层，图层的大小和批量 大小的数字，我可以理解，要能测试满意的精度seq2seq模型 开始的最小值？
我认为这只能取决于您的实验。找出适用于您的数据集的内容。我听到了几条建议：如果可以，请不要选择自己的架构 - 找到经过尝试和测试的其他人。似乎更深层的网络比更广泛的更好，如果你要选择它们也是如此。如果你有记忆，我也认为更大的批量更好。我听说最大化网络规模，然后正规化，所以你不要过度使用。
我有这样的印象，这些都是很大的问题，没有人真正知道答案（可能是非常错误的！）。我们都喜欢选择图层大小/图层数量的巧妙方式，但没有人确切知道如何改变这些东西影响训练。
此外，最小的基础设施设置需要的内存和CPU的能力，在几个小时的最长时间内训练这个深度的学习模型。
根据您的模型，这可能是一个不合理的要求。似乎有些模型训练数百甚至上千小时（在GPU上）。
我的经验 被训练seq2seq模型来构建一个神经网络与2层尺寸900和批量大小的花了3天左右到4GB的RAM训练，3GHz的英特尔酷睿i5单核 处理器。花了大约1天的时间在8GB RAM，3GHz Intel i5 单核处理器上训练。这对最快的培训有帮助 - 更多 内存容量，多个CPU内核或CPU + GPU组合内核？
我相信GPU最能帮助你。我看过一些使用CPU的东西（异步的演员评论员或其他什么东西？他们没有使用锁定），看起来CPU好一些，但我认为GPU会给你带来巨大的加速。