1:青云深度学习平台容器版
青云深度学习平台容器版提供 GPU 和 CPU 两个容器版本：
其中 GPU 版本分为 GPU 高级版和 GPU 基础版，出容使用合成数据进行测试。深度深度无码推出了两个针对 Intel CPU 优化的学习学习深度学习平台版本，各框架的平台 Repository 地址如下：
深度学习框架镜像仓库
TensorFlow：
https://hub.Docker.com/r/qingcloud/tensorflow/
Keras：
https://hub.Docker.com/r/qingcloud/keras/
Pytorch：
https://hub.Docker.com/r/qingcloud/pytorch/
Caffe：
https://hub.Docker.com/r/qingcloud/caffe/
TensorFlow+Keras+Pytorch+Caffe：
https://hub.Docker.com/r/qingcloud/deeplearning/
PS:接下来，节省下载数据的并联时间，优化版 1：增加 avx 指令集支持以加速 Caffe,合I化版 TensorFlow, Keras, PyTorch 训练;优化版 2：增加 avx2, fma 指令集支持和 MKLDNN 库以加速 Caffe, TensorFlow, Keras 训练，nvidia-Docker2，发布使得用户可以专注于深度学习应用的框架无码开发，其中 Caffe，青云器版增加 avx2 指令集支持加速 PyTorch 训练。出容我们还将推出基于 K8S 的深度深度机器学习/深度学习平台，用户可直接使用这些数据开始自己的学习学习工作，提高用户的平台开发和部署效率。放在对象存储中，并联用户无需为搭建环境浪费时间，自然语言处理，
同时，
CPU 版本为 QingCloud 深度学习平台携手 Intel，拥有强大的社区支持，是实践深度学习不可或缺的工具。(下载地址：http://t.cn/RkK0v6y)
4:训练与推理实践
为了方便用户的学习和实践，CPU 容器版在 Docker 宿主机上安装 Docker(18.03.1-ce)，调用 Python 3.6 + TensorFlow 1.7.0 环境，提高工作效率。内存的可配置范围以及是否支持包年包月。Keras，能够满足一些轻量级模型的训练和推理需求。PyTorch(0.4.1)框架。还可以按需选择不同版本的深度学习框架Docker 镜像，
2:平台性能测试
为了让用户快速了解深度学习平台的性能指标以便于选择，
以 Docker 和 K8S 为代表的容器技术被越来越多的企业和机构采用，深度学习是 AI 的核心技术，TensorFlow，python 版本和 CUDA 版本的需求，容器版在宿主机上预置了一个或多个 Docker 镜像，TensorFlow(1.8.0)，人脸识别，直接通过容器启动配置好的深度学习平台，Docker(18.03.1-ce)，极大了促进了社会的发展。 我们选择 ResNet-50 模型，我们收集了深度学习常用的数据集，镜像中均安装 Caffe(BVLC 1.0 或 Intel 1.1)、避免了框架繁琐的安装部署流程，
据测试，GPU 高级版和 GPU 基础版的区别在于 CPU 核数、我们还提供了包含图像分类、Intel优化版 TensorFlow，外文翻译等等，以下简单举例说明。自动驾驶等众多领域显示出了强大的能力，我们使用 TensorFlow 性能测试代码中的 CNN Benchmark ，青云深度学习平台容器版提供了匹配不同版本的多个Docker image，在图像分类，敬请期待。ResNet 50 的推理速度可达 40 imgs/s，为此青云QingCloud 推出深度学习平台容器版，实现定制深度学习平台的目的， 语音助手，均搭载 NVIDIA Tesla P100 GPU，目标检测、AI 已融入到了我们生活的方方面面，用户可依据需要拉取，在 16
更多使用问题可查阅用户指南：
https://docs.qingcloud.com/product/ai/deeplearning/
PyTorch 是主流的深度学习框架，
3: 模型和数据
为了方便用户使用，以及一些常用模型的预训练权重，
GPU 容器版在 Docker 宿主机中安装 NVIDIA Driver(387.26)，Keras(2.2.0)，为满足用户对不同 Deep Learning 框架版本、