在与李世石大战之后，AlphaGo全新升级，并把下一个目标锁定为九段棋手柯洁，这注定又将是一场划时代大战。在这里，“升级”可以理解为深度学习的成果，而深度学习已经成为人工智能时代的入口。
 
　　谷歌DeepMind旗下全新升级的AlphaGo，Facebook的人工智能计算服务器Big Sur，越来越“聪明”的IBM人工智能Watson，微软的“深度残差学习”，科大讯飞的“语音深度学习”——国内外行业巨头步伐异常统一，纷纷在语音识别、图像识别、自然语言处理等领域拓展深度学习版图。
 
　　简单地说，深度学习通过构建深层神经网络，模拟人类大脑的工作原理。如图所示，深层神经网络由一个输入层，数个隐层，以及一个输出层构成。每层有若干个神经元，每个神经元模拟人类的神经细胞，而结点之间的连接模拟神经细胞之间的连接。
　　 
 
　　深度神经网络的结构
 
　　可以将深度学习理解为大脑的“构建”，虽然潜力无限，但是门槛不可谓不高。
 
　　首先，深度学习网络模型复杂，计算量大。以DNN(深度神经网络)为例，它需要模拟人脑的计算能力，而人脑包含100多亿个神经细胞，这要求DNN中神经元多，神经元间连接数量也相当惊人，如此庞大的计算量需要高性能的硬件以及软件系统提供支撑。
 
　　一方面，在深度学习系统中，GPU是提升计算性能的关键选择，代码写入并读取变量、执行指令、启动函数调用等都是GPU把控之事。当前CPU只有4核或者6核，模拟出8个或者12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，这对于多媒体计算中大量的重复处理过程有着天生的优势。即使如此，并不表示所有GPU都适合深度学习，开发人员需要根据项目需求做出GPU选择。
 
　　另一方面，深度学习同样需要与项目相匹配的软件系统。目前， Caffe、TensorFlow、MXNet等深度学习框架均已开源，不同框架意味着不同的侧重： Caffe小巧易上手，TensorFlow支持高并发处理，MXNet则具有内存处理优势，只有选择适用的软件框架，才能使研发项目稳步推进。
 
　　其次，深度学习需要大量数据，以训练高准确率的模型。为了达到理想的学习效果，深度学习需要利用海量训练数据，进行反复多次实验，从而选择合理的选择优化方式，进而训练出高准确率的模型。但是，现实情况是，无法获取大规模数据往往成为开发者的瓶颈。
　　 
 
　　再者，对于深度学习，技术支撑不可或缺。对于开发应用者而言，首先需要处理的问题即如何部署软件系统并使之正常运行，但软件系统依赖于底层库，其是否正常运作受多重因素影响。此外，开发者还需要面对复杂的算法、频繁的参数调节等多重难题。所以，强有力的技术支撑不可或缺，然而目前很多研发团队并不具备这样的能力。
 
　　因此，深度学习成为一个效果很好但门槛极高的方向，如何落地产生实际应用效果成为关注的焦点。对此，厚积薄发的云创大数据(www.cstor.cn)打造了全新的深度学习软硬件平台，于2016年7月11日正式发布DeepRack深度学习一体机，以帮助解决深度学习应用中遇到的障碍与困境。
　　 
 
　　DeepRack深度学习一体机全景图
　　 
 
　　DeepRack深度学习一体机计算节点内部图
 
　　在硬件方面，DeepRack深度学习一体机最多可配置4台4U高性能服务器，每台服务器CPU选用英特尔E5-2600系列至强处理器，每台服务器最多可插入4块英伟达GPU卡，提供最大每秒128万亿次的单精度计算能力，满配时相当于160台服务器的计算能力，可使用户的深度学习产品在计算效率方面展现强悍的竞争力。
　　 
 
　　全球图形技术和数字媒体处理器行业领导厂商NVIDIA(英伟达)
 
　　在软件方面，DeepRack深度学习一体机预装