1. 能不能提供幾個搞笑的簽名（拒絕黃色）
1．我想我是——海草（海淀被炒魷魚的人）
海豹（海淀被爆炒魷魚的人）
海象（海淀像要被爆炒魷魚的人）
海獅（海淀失業青年）
海帶（海淀待業青年）
海米（海淀等待赴美留學的人）。
2．我們那兒開始都是種玉米的，後來搞改革都種了菠蘿，遠遠望去，一大片一大片的。領導們來視察，說：「很好很好，這里都成了波羅的海了……」
3．沒有東西比愛情好，大米粥總比沒有東西好，所以，大米粥比愛情好。
4．「珍惜生命，遠離灌水」的意思是說，一定要把論文壓縮在50頁之內。
5．我的「三個代表」——中國赤貧線以下每月拿到的補助低於北京最低生活保障金的代表；中國無權無勢無房無車還要每天對臭老九卑躬屈膝惟命是從的代表；中國無財無德無頭無臉長得象傻B看著象弱智缺碘兒童的代表。
6．事業，我早已放棄；對你，我從未爭取！
7．在教室睡覺，在圖書館吃東西，在食堂自習，在寢室讀書……
8．鍛煉肌肉，防止挨揍！
9．一、每天辛勤工作，因為生命便系於此；二、持之以恆，方可掌握命運；三、深謀遠慮，否則你將終身隨波逐流；四、未雨綢繆，在順境中為逆境做准備；五、陷入苦難困境時，仍要面帶微笑，直到逆境向你俯首稱臣；六、只有計劃，沒有行動，永遠只是空想家
10．馬啊，四條腿啊； 海啊，全是水啊～
11. 我本非隨便的人，如果你想隨便，那我就隨你的便好啦！
12．每天8:00生活開始了， 8:30刷臉洗牙， 9:00實驗室聽歌，10:00實驗室人多起來了，11:00肚子開始唱歌，11:30發現肚子飽了，實驗室繼續看Hunter，2:00導師要見我了緊張中，3:00導師警告中，4:00導師一個下午沒來，晚上：我是個好孩子，我要學習~~~~~~~~
13．地球太可怕了，我們還是回火星去吧～～
14．因為有世界盃，這個月的生活總算是陽光的，因為世界盃上的一些爛球隊（中國、義大利等），，陽光中有很多的灰點。
15．是否你能在失敗以後擁抱勝利，並將這兩個假象等同視之。
16．告訴你們那幫唧唧歪歪沒完沒了的！別惹我們！惹急了我們掄起大刀一刀砍死你！然後扒你的皮吃你的肉喝你的血抽你的筋。最後把你那副破骨頭架子扔給江湖小診所兒當擺設，也算你最後給社會做了點兒貢獻！
17．我們這個時代，有太多人喜歡冒著殺頭的危險說眾所周知的道理，而且，人們喜歡把這樣的人叫做勇士，把這樣的話叫做思想。
18．沒有吃，沒有穿，可憐的父母送上錢；沒有表，沒有刀，我們向老外要。我們生長在這里，別人的土地我們也看得起，鬼子膽敢不錄取，我們就跟他拼倒底！
19．白天停水，晚上沒電，發不出工資，沒錢買面，打開鄧選，找到答案：原來是社會主義初級階段。再往後翻，我靠！一百年不變！
20．貓生病了，老鼠大聲朗誦詩集，並修剪盆花；貓生病了，老鼠慢慢刷牙洗臉，並打掃房間；貓生病了，老鼠倚在窗邊欣賞夜色，並對流星許願；貓生病了，老鼠也病了，它說：「我還是習慣那種時時緊張、處處小心、夜夜逃亡的生活。」午夜，我聽到老鼠在嘆息，且不再讀詩了……（好詩意的發人深省）
21．6歲前專注於吃奶；6歲斷奶進入小學學習，學會吸煙酗酒考試作弊；12歲讀初中，不久因在教工宿舍嫖宿被刑事拘留；15歲讀高中，沉溺於早戀而讀了一個「高四「；19歲進入清華，大一學會灌水，大二學會qq，大三當上版主，大四因反動言論被殺檔；23歲在北門外開了一間火鍋店；29歲剃了一個光頭，專心苦讀經濟學；39歲獲得諾貝爾經濟學獎；而後開始40餘年的全球演講生涯……期間曾抽空在義大利維羅納看過一場意甲德比大戰；80歲在平谷買下三間大瓦房，包了一個清華的二奶……
22．身體健康，雜食動物，適應性強，性喜安靜，忠誠可靠，歡迎領養～
23．最後青蛙問道：「為什麼？我告訴過你我是一位美麗的公主，會與你共度一個星期並讓你為所欲為。你為什麼還不願吻我？」男孩說道：「我是一個程序員，我沒時間交GF，但擁有一隻會說話的青蛙簡直太酷了。」
24．98年世界盃，我18，晚上看球白天高考，之後進入清華；02年世界盃，我22，白天畢業晚上看球，准備離開清華……
25．士為知己者死，導師是偶的知己么？不是，所以我不必為他的課題死掉，還等什麼？推掉算了。女為悅己者容，對面的mm真的pp么？是的，所以她當然是為了你而梳妝嘍，還等什麼？撲上去吧。這些都是很好的，可惜我不敢……：（
26．變態是我的常態，常態是我的變態！
27．從現在開始，撥打110免費電話，即能獲得7天全免食宿的牢房之旅，並可獲贈精美手銬一副，享受來回警車接送。每天前十名打入者，還將與警犬嬉戲。好處多多，禮物豐富，趕快撥打哦！
28．幼兒園的時候我不談戀愛，因為不知道什麼是賊
小學的時候我不談戀愛，因為知道沒有賊心也沒有賊膽
初中的時候我不談戀愛，因為有賊膽沒賊心
高中的時候我不談戀愛，因為有賊心沒賊膽
大學的時候我不談戀愛，因為有了賊心，也有了賊膽，賊卻沒了：（
29．我快樂因為你快樂，我開心因為你開心，我愁了因為你瘦了，我瘦了因為你病了，我笑了因為你壯了，我有錢了因為把你賣了……
30．唯心主義說：「我說你是豬，你就是豬。」唯物主義說：「因為你是豬，所以我說你是豬。」總之一句話—你是豬！！！
31．假如……假如我是一顆白菜，既沒有痛也不要愛，我的模樣既不酷也不足夠帥，每天還要經過黑夜的漫長等待。難道，曙光就真的這么可愛？難得，白菜這么大了還是不明白。老農們餓了啃大餅加白菜，有吃有喝的人生才最讓他們信賴；他們也不明白，人生的意義究竟何在？何況……何況我只是他們養的一顆白菜，說不定哪天就成了一道主菜，操這份心的意義又何在？！
——以此紀念一顆可憐的白菜和曾經的那段終日胡思亂想的時代。
32．念了十幾年的書才知道，還是幼兒園比較好混！
33．央視版《射鵰英雄傳》主體曲：總想對你表白，我的十八掌是多麼豪邁，總想對你傾訴，我對武功是多麼熱愛，勤勞勇敢的南宋人，意氣風發走進新時代，啊，我們意氣風發走進那新時代。讓我告訴世界，華山論劍自己主宰，讓我告訴未來，比武進行著接力賽，承前啟後的武林人，帶領我們走進新時代，啊，帶領我們走進，走進那新時代。我們唱著滿江紅，揮舞刀劍站起來，我們講著真經的故事，擺開架式練起來，繼往開來的武林人，帶領我們走進那新時代，高舉刀劍開創未來。
34．兩個女友，對於男人就是紅玫瑰與白玫瑰；三個女友，對於男人就是星星月亮和太陽；一群女友，對於男人就只是一個跳蚤市場。
35．祖籍吐蕃，出生於吐魯番，民族乃土家族，姓名土鱉。住在土樓，表舅在土庫曼，表哥在土耳其，星座土星。愛睡土炕，愛吃土司，愛說土話，愛作土匪。擁護土改，反對土葬，做個土人，冒點土氣。幸虧沒上土木系！！！
36．如果恐龍是人，那人是什麼？
2. 05年前的日本動漫大全
黑執事 （不是愛情 但有些BL 看你自己怎麼想 不過超好看 酷 完美）
金色琴弦 （沒其他好呀 人物跟其他比就低一個檔次 不過可以看看呦 校園 音樂）
神幻拍檔 （不是校園不是愛情 但強烈推薦呦 有美型）
天國的少女 （不是校園 有愛情 還是選夫游戲）
水果籃子 （美型是肯定的 推薦呦）
蜜桃學園 （也不知道 這個沒看過）
伯爵與妖精 （看看吧 小說也不錯）
惡作劇之吻 （挺好看的 也有真人版的）
人形電腦天使心 （愛情 ）
魔兵傳奇 （後面很感人 是同學推薦的）
龍與虎 （只看過一點 女主角超卡哇伊 ）
SOLA
CALNNAD
夕陽染紅的街道
旋風管家
零之使魔
瀨戶的花嫁
我們的存在
涼風
烈火之炎
魔法留學生
橘子醬男孩
破天荒游戲
蟲之歌
戀愛情結
code-e
clanned
浪漫追星社
《無重力少年》
《暴風雨之夜》
《戰國月夜》
《新•風雲三姐妹》
《聖光之翼 OVA》
《妖精標本》
《特務戰隊》
《不可思議的教室》
《幻之地底遺跡（火影忍者劇場版第2部）》
《閃耀計劃 OVA》
《神是中學生》
《嫁情曲》
《D.I.C.E.》
《極速方程式》
《我不是天使》
《聖龍小公主夢幻奇跡》
《xxxHOLiC 仲夏夜之夢 劇場版》
《蒼白的繭(記憶裂痕) OVA》
《我是小粘粘》
《老婆是魔法少女》
《漫畫同人會 革命》
《草莓棉花糖》
《大空魔龍》
《增血鬼果林》
《動物橫町》
《格鬥美神-武龍》
《星界的戰旗3 OVA》
《最終兵器彼女 OVA》
《SHUFFLE!》
《藍色潮痕》
《極樂天師（不要撒嬌哦!!）》
《機動戰士高達Z-星之繼承者》
《超越時空的障壁》
《星空防衛隊 OVA2》
《天上天下OVA終極格鬥》
《海賊王劇場版6 狂歡男爵和神秘島》
《鋼之煉金術師 香巴拉的征服者》
《長今夢》
《絕對少年》
《超級機器人大戰OG》
《初音島 第二季》
《槍與劍》
《夢里人》
《玫瑰少女Ⅱ》
《棒球大聯盟第二季》
《蟲師》
《我永遠的聖誕老人》
《聖鬥士星矢•冥界篇前章》
《I"s Pure》(OVA)
《薔薇少女2夢之終結》
《天堂之吻》
《涼風》
《到另外一個你的身邊去》
《玻子汽水》
《銀盤萬花筒》
《IGPX》
《Blood+》
《曙光少女》
《舞☆乙Hime》
《水星領航員》
《灼眼的夏娜》
《克拉斯特學院》
《地獄少女》
《幸福七人組》
《七彩的素描》
《黑貓》
《雪之女王》
《強殖裝甲凱普》
《天使心》
最終幻想VII-降臨之子
全金屬狂潮3
聖魔之血
交響詩篇》
蜂蜜與三葉草
雙戀2
極上生徒會
翼
甲賀忍法帖
速寫者
無愛之戰
玻璃假面
植木的法則
英國戀愛物語
武器種族傳說
烏鴉
創聖之阿克艾利歐
光速跑者21號
出雲戰記
魔界奇兵MAR
我的主人愛作怪
撲殺天使小骷髏
魔法老師
新世紀福音戰士：鋼鐵的女友2nd
飛躍巔峰2
零秒出手
伊里野的天空、UFO之夏
雲之彼端，約定的地方
異度傳說
新釋•戰國英雄傳說•真田十勇士
女生萬歲第2季
炎魂
魔兵傳奇
彩雲國物語
很多都是自己看過的 所以強烈推薦 呵呵 神幻拍檔也可以去看看 超經典的就不說了
有些是以前回答問題時別人的推薦覺得挺好就給粘貼過來了 O(∩_∩)O~ 寫不來那麼多 有些是別人的建議 也不太記得具體時間了 要有不是的請諒解
3. 怎麼學好程序設計
雖然我說不上是什麼高手,但是從我學習的經驗來看學好程序,首先你得先活躍你的邏輯思維,這點非常的重要.學程序設計之前首先先要學習,離散學,線性代數等等.主要是為了開發你的思維.其次英語必須會一點,因為編程都是英文函數也是英文所以懂得英文有助你記憶函數.最後就是程序中所說核心演算法了,這是程序設計最關鍵的步驟
《C程序設計》的內容很豐富，按照我們現在的教學大綱，教學的主要內容是基礎知識、四種結構的的程序設計、函數與數組的應用和一些簡單的演算法。在學習時，同學們應該把主要精力放在這些部分，通過實踐（練習和上機調試等熟練掌握。當然，在初學C語言時，可能會遇到有些問題理解不透，或者表達方式與以往數學學習中不同（如運算符等），這就要求不氣餒，不明白的地方多問多想，鼓足勇氣進行學習，待學完後面的章節知識，前面的問題也就迎刃而解了，這一方面我感覺是我們同學最欠缺，大多學不好的就是因為一開始遇到困難就放棄，曾經和好多同學談他的問題，回答是聽不懂、不想聽、放棄這樣三個過程，我反問，這節課你聽過課嗎？回答又是沒有，根本就沒聽過課，怎麼說自己聽不懂呢？相應的根本就沒學習，又談何學的好？
學習C語言始終要記住「曙光在前頭」和「千金難買回頭看」，「千金難買回頭看」是學習知識的重要方法，就是說，學習後面的知識，不要忘了回頭弄清遺留下的問題和加深理解前面的知識，這是我們學生最不易做到的，然而卻又是最重要的。比如：在C語言中最典型的是關於結構化程序設計構思，不管是那種教材，一開始就強調這種方法，這時也許你不能充分體會，但是學到函數時，再回頭來仔細體會，溫故知新，理解它就沒有那麼難了。學習C語言就是要經過幾個反復，才能前後貫穿，積累應該掌握的C知識。
那麼，我們如何學好《C程序設計》呢？
一．學好C語言的運算符和運算順序
這是學好《C程序設計》的基礎，C語言的運算非常靈活，功能十分豐富，運算種類遠多於其它程序設計語言。在表達式方面較其它程序語言更為簡潔，如自加、自減、逗號運算和三目運算使表達式更為簡單，但初學者往往會覺的這種表達式難讀，關鍵原因就是對運算符和運算順序理解不透不全。當多種不同運算組成一個運算表達式，即一個運算式中出現多種運算符時，運算的優先順序和結合規則顯得十分重要。在學習中，只要我們對此合理進行分類，找出它們與我們在數學中所學到運算之間的不同點之後，記住這些運算也就不困難了，有些運算符在理解後更會牢記心中，將來用起來得心應手，而有些可暫時放棄不記，等用到時再記不遲。
先要明確運算符按優先順序不同分類，《C程序設計》運算符可分為15種優先順序，從高到低，優先順序為1 ~ 15，除第2、3級和第14級為從右至左結合外，其它都是從左至右結合，它決定同級運算符的運算順序。下面我們通過幾個例子來說明：
（1） 5*8/4%10 這個表達式中出現3種運算符，是同級運算符，運算順序按從左至右結合，因此先計算5 *8=40，然後被4除，結果為10，最後是%（求余數）運算，所以表達式的最終結果為10%10 = 0；
（2）a = 3;b = 5;c =++ a* b ；d =a + +* b；
對於c=++a*b來說，按表中所列順序，+ +先執行，*後執行，所以+ + a執行後，a的值為4，由於+ +為前置運算，所以a的值4參與運算，C的值計算式為4*5=20而不是3*5=15了；而對於d=a++*b來說，由於a + +為後置運算，所以a值為4參與運算，使得d的值仍為20，而a參與運算後其值加1，值為5。 這個例子執行後，a的值為5，b的值為5，c的值為20，d的值也是20；
（3）（a = 3，b = 5，b+ = a，c = b* 5）
例子中的「，」是逗號結合運算，上式稱為逗號表達式，自左向右結合，最後一個表達式的結果值就是逗號表達式的結果，所以上面的逗號表達式結果為40，a的值為3，b的值為8，c的值為40。
（4）a=5;b=6;c=a>b?a:b;
例中的a>b?a:b是一個三目運算，它的功能是先做關系運算a>b部分，若結果為真，則取問號後a的值，否則取冒號後b的值，因此c的值應該為6，這個運算可以用來代替if…else…語句的簡單應用。
二．學好C語言的四種程序結構
（1）順序結構
順序結構的程序設計是最簡單的，只要按照解決問題的順序寫出相應的語句就行，它的執行順序是自上而下，依次執行。
例如；a = 3，b = 5，現交換a，b的值，這個問題就好象交換兩個杯子水，這當然要用到第三個杯子，假如第三個杯子是c，那麼正確的程序為： c = a； a = b； b = c； 執行結果是a = 5，b = c = 3如果改變其順序，寫成：a = b； c = a； b = c； 則執行結果就變成a = b = c = 5，不能達到預期的目的，初學者最容易犯這種錯誤。 順序結構可以獨立使用構成一個簡單的完整程序，常見的輸入、計算，輸出三步曲的程序就是順序結構，例如計算圓的面積，其程序的語句順序就是輸入圓的半徑r，計算s = 3.14159*r*r,輸出圓的面積s。不過大多數情況下順序結構都是作為程序的一部分，與其它結構一起構成一個復雜的程序，例如分支結構中的復合語句、循環結構中的循環體等。
（2） 分支結構
順序結構的程序雖然能解決計算、輸出等問題，但不能做判斷再選擇。對於要先做判斷再選擇的問題就要使用分支結構。分支結構的執行是依據一定的條件選擇執行路徑，而不是嚴格按照語句出現的物理順序。分支結構的程序設計方法的關鍵在於構造合適的分支條件和分析程序流程，根據不同的程序流程選擇適當的分支語句。分支結構適合於帶有邏輯或關系比較等條件判斷的計算，設計這類程序時往往都要先繪制其程序流程圖，然後根據程序流程寫出源程序，這樣做把程序設計分析與語言分開，使得問題簡單化，易於理解。程序流程圖是根據解題分析所繪制的程序執行流程圖。
學習分支結構不要被分支嵌套所迷惑，只要正確繪制出流程圖，弄清各分支所要執行的功能，嵌套結構也就不難了。嵌套只不過是分支中又包括分支語句而已，不是新知識，只要對雙分支的理解清楚，分支嵌套是不難的。下面我介紹幾種基本的分支結構。
①if(條件)
{
分支體
}
這種分支結構中的分支體可以是一條語句，此時「{ }」可以省略，也可以是多條語句即復合語句。它有兩條分支路徑可選，一是當條件為真，執行分支體，否則跳過分支體，這時分支體就不會執行。如：要計算x的絕對值，根據絕對值定義，我們知道，當x>=0時，其絕對值不變，而x<0時其絕對值是為x的反號，因此程序段為：if(x<0) x=-x;
②if(條件)
{分支1}
else
{分支2}
這是典型的分支結構，如果條件成立，執行分支1，否則執行分支2，分支1和分支2都可以是1條或若干條語句構成。如：求ax^2+bx+c=0的根
分析：因為當b^2-4ac>=0時,方程有兩個實根，否則（b^2-4ac<0）有兩個共軛復根。其程序段如下：
d=b*b-4*a*c;
if(d>=0)
{x1=(-b+sqrt(d))/2a;
x1=(-b-sqrt(d))/2a;
printf(「x1=%8.4f,x2=%8.4f\n」,x1,x2);
}
else
{r=-b/(2*a);
i =sqrt(-d)/(2*a);
printf(「x1=%8.4f+%8.4fi\n」r, i);
printf(「x2=%8.4f-%8.4fi\n」r,i)
}
③嵌套分支語句：其語句格式為：
if(條件1) {分支1}；
else if（條件2） {分支2}
else if（條件3） {分支3}
……
else if（條件n） {分支n}
else {分支n+1}
嵌套分支語句雖可解決多個入口和出口的問題，但超過3重嵌套後，語句結構變得非常復雜，對於程序的閱讀和理解都極為不便，建議嵌套在3重以內，超過3重可以用下面的語句。
④switch開關語句：該語句也是多分支選擇語句，到底執行哪一塊，取決於開關設置，也就是表達式的值與常量表達式相匹配的那一路，它不同if…else 語句，它的所有分支都是並列的，程序執行時，由第一分支開始查找，如果相匹配，執行其後的塊，接著執行第2分支，第3分支……的塊，直到遇到break語句；如果不匹配，查找下一個分支是否匹配。這個語句在應用時要特別注意開關條件的合理設置以及break語句的合理應用。
（3）循環結構：
循環結構可以減少源程序重復書寫的工作量，用來描述重復執行某段演算法的問題，這是程序設計中最能發揮計算機特長的程序結構，C語言中提供四種循環，即goto循環、while循環、do –while循環和for循環。四種循環可以用來處理同一問題，一般情況下它們可以互相代替換，但一般不提倡用goto循環，因為強制改變程序的順序經常會給程序的運行帶來不可預料的錯誤，在學習中我們主要學習while、do…while、for三種循環。常用的三種循環結構學習的重點在於弄清它們相同與不同之處，以便在不同場合下使用，這就要清楚三種循環的格式和執行順序，將每種循環的流程圖理解透徹後就會明白如何替換使用，如把while循環的例題，用for語句重新編寫一個程序，這樣能更好地理解它們的作用。特別要注意在循環體內應包含趨於結束的語句（即循環變數值的改變），否則就可能成了一個死循環，這是初學者的一個常見錯誤。
在學完這三個循環後，應明確它們的異同點：用while和do…while循環時，循環變數的初始化的操作應在循環體之前，而for循環一般在語句1中進行的；while 循環和for循環都是先判斷表達式，後執行循環體，而do…while循環是先執行循環體後判斷表達式，也就是說do…while的循環體最少被執行一次，而while 循環和for就可能一次都不執行。另外還要注意的是這三種循環都可以用break語句跳出循環，用continue語句結束本次循環，而goto語句與if構成的循環，是不能用break和 continue語句進行控制的。
順序結構、分支結構和循環結構並不彼此孤立的，在循環中可以有分支、順序結構，分支中也可以有循環、順序結構，其實不管哪種結構，我們均可廣義的把它們看成一個語句。在實際編程過程中常將這三種結構相互結合以實現各種演算法，設計出相應程序，但是要編程的問題較大，編寫出的程序就往往很長、結構重復多，造成可讀性差，難以理解，解決這個問題的方法是將C程序設計成模塊化結構。
(4)模塊化程序結構
C語言的模塊化程序結構用函數來實現，即將復雜的C程序分為若干模塊，每個模塊都編寫成一個C函數，然後通過主函數調用函數及函數調用函數來實現一大型問題的C程序編寫，因此常說：C程序=主函數+子函數。 因些，對函數的定義、調用、值的返回等中要尤其注重理解和應用，並通過上機調試加以鞏固。
三．掌握一些簡單的演算法
編程其實一大部分工作就是分析問題，找到解決問題的方法，再以相應的編程語言寫出代碼。這就要求掌握演算法，根據我們的《C程序設計》教學大綱中，只要求我們掌握一些簡單的演算法，在掌握這些基本演算法後，要完成對問題的分析就容易了。如兩個數的交換、三個數的比較、選擇法排序和冒泡法排序，這就要求我們要清楚這些演算法的內在含義，其中選擇法排序和冒泡法排序稍難，但只要明白排序的具體過程，對代碼的理解就不難了。如用選擇法對10個不同整數排序（從小到大），選擇法排序思路：設有10個元素a[1]~a[10],將a[1]與a[2]~a[10]比較，若a[1]比a[2]~a[10]都小，則不進行交換，即無任何操作；若a[2]~a[10] 中有一個比a[1]小，則將其中最大的一個（假設為a）與a[1]交換，此時a[1]中存放了10個中最小的數。第二輪將a[2]與a[3]~a[10]比較，將剩下9個數中的最小者a與a[2]交換，此時a[2] 中存放的10個數中第2小的數；依此類推，共進行9輪比較，a[1]到a[10]就已按從小到大的順序存放。即每一輪都找出剩下數中的最小一個，代碼如下：
for(i=1;i<=9;i++)
for(j=i+1;j<=10;j++)
if(a>a[j]
{temp=a;
a=a[j];
a[j]=temp;
}
結語：當我們把握好上述幾方面後，只要同學們能克服畏難、厭學、上課能專心
4. 「曙光2000」超級伺服器 是什麼
曙光2000-I超級伺服器 曙光2000-I超級伺服器是國家863高技術計劃在信息領域的重大成果，於1998年12月通過了國家科學技術部主持的鑒定。它的總體水平達到了90年代同期國際先進水平，有些方面如機群操作系統、集成化並行編程環境和伺服器聚集軟體等已處於國際領先水平，它的一些關鍵技術如單一系統映象、全局文件系統等有重要創新，是一個有很強市場競爭力的產品。它是繼曙光1000、曙光1000A之後推出的又一高端的面向大規模商業應用、網路信息服務和科學計算的通用並行計算機系統。 1．系統介紹 曙光2000-I系統峰值速度為每秒200億次，內存容量為8GB，內置硬碟容量為152GB，節點機總數為34個（可達128個）。它採用當前先進的Cluster體系結構，完全兼容IBM SP系統，是當前國際上最流行的超級伺服器體系結構。它為我國信息化建設提供強有力的工具，是超級計算中心、數據中心、信息中心、網路中心、各種清算中心、結算中心和交換中心主伺服器的理想選擇。 曙光2000-I超級伺服器採用了許多國際上創新的技術，該機的高速緩存通信網採用了智能中心研製的二維蛀洞路由晶元組，提供高達1600Mbps的點對點通信帶寬，另外該機採用了智能中心研製的基於JAVA的機群管理系統，提供單一系統映像。同時，曙光2000-I還提供了傑出的系統可擴展性、易用性、可管理性和高可用性，即SUMA特性。並且有上萬種的AIX商用應用軟體支持。它不僅擅長大規模科學工程計算（最高浮點運算速度可達每秒200億次以上），而且適用於事務處理、網路與信息服務以及決策支持等非科學計算領域。 2．技術特點 曙光2000-I通用超級伺服器採用松耦合分布式存儲的可擴展機群體系結構，與IBM的RS/6000 SP二進制兼容。單節點採用先進的PowerPC RISC處理器晶元，具有大容量的內存和硬碟，單節點功能強大。節點間通過高速二維蛀洞路由通信網或Myrinet提供1600Mbps或2560Mbps的點對點通信帶寬，可以保證隨著用戶應用和技術的發展，曙光2000-I系統幾乎可以線性地擴展節點數量。這種技術使得TB級的數據處理成為可能。 曙光2000-I提供了基本通信庫(BCL)、PVM和MPI高層並行程序開發環境、集成的並行程序設計環境(IPPE)、並行調試器(DCDB)、基於Web的傻瓜界面(KISS)、自動並行化工具(AutoPAR)，機群系統管理(CSMS)、批作業管理 (JOSS)、資源管理(RMS)和曙光伺服器聚集軟體(DSC)。此外還提供了一系列與IBM RS/6000兼容的開放的軟體工具，包括C和Fortran編譯器、數學和工程庫ESSL、DB2 UDB資料庫等。 PowerPC處理器 提供解決大規模復雜應用所需的處理能力 可以靈活地進行配置，獲得最優的商業或科學計算應用性能 開放的系統設計 支持多種通信協議、適配器、外設，靈活地配置系統 支持開放的工業標准 配置靈活 提供多種節點類型，可以在單個系統中混用 支持不同的PCI和ISA適配器 Wormho1e Routing (蛀洞路由)晶元 支持節點間的高效通信 點對點的通信時間獨立於節點的相對位置 可擴展性 系統升級和擴充更為簡單，透明地支持應用的線性增長 運算處理性能、存儲器容量和I/O吞吐量的線性擴展 系統分區 動態節點池劃分支持獨立的應用子系統，提高系統的可用性 避免故障的擴散，提高系統的可靠性 單一系統映像 單一登錄點，通過一個域名使用不同的節點 單點的控制管理，使系統管理更加簡單 單一的文件系統 高可用性 提供高可用軟體，避免系統崩潰所造成的昂貴代價 避免單一故障點 AIX操作系統 提供兼容的AIX平台，兼容IBM RS/6000系統應用 提供上萬種的應用軟體支持 3．應用范圍 曙光2000-I系統由完整的基於AIX操作系統的節點組成，能為上萬個AIX平台的應用軟體提供介面。曙光2000-I系統的節點可以動態地分為多個節點池，運行不同的應用。例如，兩個節點可以作為Notes伺服器，四個節點運行資料庫，其它節點進行科學計算。節點池根據用戶不同時期的不同要求可進行動態調節，動態分區及管理由伺服器聚集軟體執行，帶給用戶完美的系統解決方案。應用范圍包括： 科學工程計算 石油地震勘探：三維迭前深度偏移成像，油藏數值模擬等 天氣預報與氣候模式計算：大范圍或局部地區短期、中長期天氣預報，全球或局部地區高解析度、高精度氣候模式計算 水利與電力：水文水情預測分析，河湖及海洋污染分析，電力調度和電網控制等 製造業：航天航空器、汽車、船舶等的輔助設計和模擬，性能及可靠性整體實驗分析 流體力學計算：湍流、高超音速流動、真實氣體效應、爆炸及高碰撞等研究領域的數值模擬 遙感領域：合成孔徑雷達的高解析度成像、遙感數值信號成像和處理 基礎科學研究中的理論計算：量子化學及葯物分子設計，DNA和蛋白質的電子結構分析，材料科學計算，原子分子物理計算，理論與高能物理計算，以及天體物理與核物理等基礎研究領域的理論計算 事務處理應用 在線事務處理(OLTP)：銀行的支付系統和清結算系統，電子商務系統，證券交易系統，保險系統，以及各種大型MIS系統 在線分析處理(OLAP)：數據挖掘、數據倉庫和決策支持系統等 並行資料庫 支持Oracle、DB2 UDB等並行資料庫的各種應用 網路伺服器 Internet／Intranet伺服器 文件伺服器 信息檢索伺服器 多媒體伺服器 伺服器聚集 國際流行應用方式，可以將用戶的各種應用整合到一台曙光2000超級伺服器中，便於系統的管理，提高整個系統的可用性。 曙光2000-I通用超級伺服器以優異的性能價格比和傑出的SUMA特性為我國的信息化建設提供了高性能計算平台，在石油、電力、航空航天、銀行及基礎科學研究等行業領域有廣闊的應用前景，必將在我國國民經濟各領域信息化建設中擔當重要角色。
5. 程序員轉行大數據是個明智的選擇嗎
程序員又被人們戲稱為「程序猿」，雖然薪資不低卻依然掩飾不住悲催的命運：加班、單身成了這一職業的代名詞。而最重要的，是職業發展限制性較高，常常有程序員憂慮自己的職業只是一碗青春飯。而正在這時候，大數據時代來臨了，程序員們彷彿看到了希望的曙光，想要投身大數據行業。那麼，程序員轉行大數據是個明智的選擇嗎？
除去個人因素，大數據的確具有十分強大的發展潛力。從國家政策到國內各大企業的重視程度，無一不在為大數據時代的騰飛積蓄著力量。而且，不同於傳統的IT行業，大數據行業其實更像是一個工具，也可以說是各行各業的一個神器。它的應用范圍十分廣泛，幾乎360行，行行都能利用大數據分享到不小的紅利。大數據技術能夠精準地引導企業進行企業決策，把企業從傳統的「憑經驗吃飯」的套路中解脫出來。從此以後，再也沒人說「嘴上無毛，辦事不牢」了，經驗代表過去，而大數據代表著未來。大數據工程師經過多年的歷練，說是企業的「軍師」也不為過。而廣泛的行業范疇更為大數據專業人才提供了無限的可能。可以說，大數據給了人們一個更廣闊的發展空間，無限的發展可能。而相比之下，程序員的發展空間就會顯得局促很多。其實，任何行業都不是一味的黯淡無光和一味的前途無量。還是需要看個人的喜好和專長。如果你對大數據感興趣，歡迎來報名光環大數據培訓班，相信你會有一個美好的將來！
6. 程序員為什麼要學深度學習
費良宏：程序員為什麼要學深度學習？
深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。
7. 中國IT界最牛的十個人
1、最牛的是史玉柱。他是80年代末在深圳做漢卡（輸入漢字字型檔早期硬體）賺到第一桶金，但後來擴張太快搞房地產和保健品破產了欠了幾個億。但卧薪嘗膽幾年後還清老百姓的債務，重新回到IT行業做網路游戲、保健品、房地產，現在是網路游戲界里的老大之一。有技術、有良心、有能力、有熱情！
2、網易的丁三石，搞互聯網很多年了，發展穩固，最近幾年搞網路游戲發展迅速，又是廣東政協委員IT的先進代表，最近又開始關注環保和農業
3、盛大的陳天橋，最早引入韓國《傳奇》開拓了國內的網游市場，賺第一桶金
4、李開復。1998年，李開復加盟微軟公司，並隨後創立了微軟中國研究院（現微軟亞洲研究院）。2005年7月20日加入Google（谷歌）公司，並擔任Google（谷歌）全球副總裁兼中國區總裁一職。2009年9月4日，宣布離職並創辦創新工場任董事長兼首席執行官。他現在自己的公司還沒出名，但之前最牛的軟體公司在亞洲他做老大。是IT年輕人的偶。
5、 楊致遠 1990年以優異的成績進入離家不遠的斯坦福大學。該校的電機系是矽穀神州的組成部分，他就選修電機工程，只花了四年，他就獲得了學士、碩士學位，並結識戴維•費洛，二人於1994年4月創立Yahoo!，因此楊致遠被稱為「世紀網路第一人」，開啟了人類的網路時代。他是中國台灣人
6、譚浩強。這個沒什麼人聽過吧。但所有在國內大學計算機專業學習的教科書10本有8本是他編寫的。共編著出版了130本計算機著作，主編了300多本計算機書籍。獲全國高校教學成果獎國家級獎、國家科技進步獎、多項部委級優秀教材獎，北京市政府授予「有突出貢獻專家」稱號，被國家科委、中國科協表彰為「全國優秀科普工作者」。英國劍橋國際傳記中心將他列入「世界名人錄 」，2000年被《計算機世界》報組織的「世紀評選」評為我國「20世紀最有影響的10個IT人物」之一 。