已经为大家熟知和了

在以前的博客中提到，Netflix一直不断创新，努力通过寻找更好的方法为我们的会员找到最好的电影和电视节目。当一个新的算法技术例如深度学习在其他领域（如图像识别、神经成像、语言模型和语音识别）展现非常好的前景时，我们没有惊喜，而是试图找出如何应用这些技术来改善我们的产品。在这篇文章中，我们将和大家分享在Netflix实验这些方法过程中建立基础设施的一些经验。希望对从事类似算法的人有所帮助，尤其是那些也使用AWS基础设施的人们。然而，我们不会详细说明我们如何使用人工神经元网络的变量实现个性化，因为它现在还在研究阶段。 

许多研究人员指出，大部分流行的深度学习算法技术已经为大家熟知和了解。最近这一领域的革新已经能让这些技术能够实际应用，包括设计和实现的架构，可以在合理的资源和时间的情况下执行这些技术。第一个大规模深度学习成功实例是连续几天使用1000台机器的16000个CPU内核训练一个神经网络。尽管这具有里程碑意义，但是所需的基础设施、成本、计算时间仍然是不实际的。

Andrew Ng和他的团队解决了这个问题。他们使用强大而廉价的GPU代替大型集群的CPU，使用此体系结构仅用3台机器在几天内就训练出比原来大6.5倍的模型。在另一项研究中，Schwenk等人表明，在GPU上训练这些模型可以大大提高性能，即使和高端的多核CPU相比。