深度学习（DeepLearning）linux服务器系统，近些年来几乎火遍了各领域，虽然所有的行业或领域只要和它扯上半点关系，顿时能够高大上上去。在短短的几年时间里，深度学习野蛮生长颠覆了语音辨识、图像分类、文本理解等诸多领域的算法设计思路，逐渐产生了一种从训练数据出发，经过一个端到端（end-to-end）的模型，之后直接输出得到最终结果的一种新模式。这除了让一切显得愈发简单，但是因为深度学习中的每一层都可以为了最终的任务来调整自己，最终实现了各层之间的通力合作，从而大大增强了任务的确切度。
随着大数据时代的到来以及GPU等各类更强化大的估算设备的发展，深度学习更是如虎添翼，早已进化到可以充分借助各类海量数据（标明数据、弱标明数据或则仅仅数据本身），完全手动地学习到具象的知识抒发，即把原始数据浓缩成某种知识的程度。
这么，问题来了，深度学习从入门到熟练究竟须要多长时间？简单来说，假如仅仅是想要熟悉基本深度学习框架（caffe，tensorflow等）的操作，你须要熟悉了解shell命令，python等编程语言，甚至须要了解linux系统，须要了解这种框架安装之前的依赖库等。
不过，假如不懂linux，不会shell，这么深度学习的入门岂不是成了一纸空谈？事实上并非这么，明天我们就来介绍一款由容天技术人员不懈努力历经一年时间构建的人工智能大数据平台软件“RT-Brian”。RT-Brian也可称为具有深度学习功能的集群管理软件，此软件采用全英文网页界面，把所有深度学习框架使用命令集成为网页上的一个按键，使用方式非常简易，适宜用于AI业务的集群、数据中心。搭配完整的GPU硬件解决方案，可在短时间内帮助顾客完成深度学习的入门、训练、识别任务。
平台构架
第一层：硬件层
支持X86、Power和ARM等异构平台，除了可以支持在不同平台上安装布署，还可以支持CPU、GPU、FPGA和ASIC，以及TPU、DPU等专用深度学习芯片的异构平台集群。支持不对称的估算节点，可以依照不同节点的估算能力分配作业，因而有利于支持设备利旧，保护已有投资。平台以便在云平台上布署，便捷顾客提供云服务。
第二层：集群层
提供分布式文件系统及分布式应用框架如HADOOP、SPARK；结合高性能估算linux 输入法，提供并行估算和估算物理库。
第三层：AI层
融合了基于神经网路的深度学习平台和基于智能估算的机器学习平台，整合多种深度学习框架以及机器学习相关支持库，提供统一的对外插口。
第四层：平台层
以统一平台的形式对外提供深度学习相关功能，包括UI界面方法和服务模式两种。既有基于浏览器的人机插口，也可提供基于WebService的云服务插口，可以支持在联通终端下使用。
第五层：应用层
提供支持用户自定义的企业级应用模块，可以便捷快捷地开发单独的机器学习应用或则与企业现有系统整合，实现快速应用布署和业务实现。提供结合行业应用的成熟方案和模型，便捷用户在短时间内与业务进行结合。
平台布署结布光
RT-BRAIN通过RTNN进行布署，既可以布署在独立的数据中心集中管理，也可以布置在实验室等办公环境，便捷顾客充分借助老旧设备深度linux使用教程，在网路搭建设计上，也与高性能估算集群网路类似，通常包括管理网路、业务网路和估算网路。
①管理网路：主要是用于前期布署和后期管理硬件设备的，对数据带宽要求不高，所以建议使用百兆交换网路。
②计算网路：主要用于训练过程中的数据交换，建议使用56GB以上的IB网路，确保数据并行的IO不成为困局。
③业务网路：主要是用于训练数据的上传和模型的下载等工作，所以对带宽有一定的要求，建议使用千兆网路，也可以与管理网路共享使用百兆网路，或则与估算网路共享56GB以上的IB网路。
RT-Brain更新至今，完全依照一切操作流程简易，以算法为最基础核心的理念，把各个模块统一，自布署安装到数据训练仍然到辨识，一切从简，具体功能说明如下：
无论单机版本还是集群版本，只需晓得IP地址和root密码，一键完成布署。▲
外置多种目前流行深度学习框架，包含图象辨识与语音辨识两种，键盘点击跳转即用。▲
可自主上传算法模型和训练程序，超参方面设置枚举、随机、TPE、贝叶斯四种方法可供选购出最优超参。▲
嵌入JupyterNotebook，可帮助用户实现代码方面的应用及研究。▲
可分别对单机中的CPU、GPU、硬盘、内存以及集群中各个节点进行监控深度linux使用教程，实时把握各模块状态。▲
RT-Brain对于中级用户来说可能只是一个入门工具，对于早已精通的人群带来的特点是可以节约大量时间专注于算法。
