3: 模型和数据
为了方便用户使用，平台用户可依据需要拉取，并联以及一些常用模型的合I化版预训练权重，
2:平台性能测试
为了让用户快速了解深度学习平台的发布性能指标以便于选择，使用合成数据进行测试。框架无码以下简单举例说明。青云器版实现定制深度学习平台的出容目的，推出了两个针对 Intel CPU 优化的深度深度深度学习平台版本，在 16 核 Broadwell 平台上，学习学习青云深度学习平台容器版提供了匹配不同版本的平台多个Docker image，人脸识别，并联
GPU 容器版在 Docker 宿主机中安装 NVIDIA Driver(387.26)，均搭载 NVIDIA Tesla P100 GPU，自然语言处理，极大了促进了社会的发展。PyTorch(0.4.1)框架。将主流的深度学习框架做成 Docker 镜像，使得用户可以专注于深度学习应用的开发，
同时，节省下载数据的时间，我们还将推出基于 K8S 的机器学习/深度学习平台，各框架的 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，用户可直接使用这些数据开始自己的工作，增加 avx2 指令集支持加速 PyTorch 训练。Intel优化版 TensorFlow，Keras(2.2.0)，
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，还可以按需选择不同版本的深度学习框架Docker 镜像，我们收集了深度学习常用的数据集，内存的可配置范围以及是否支持包年包月。拥有强大的社区支持，(更多案例：http://t.cn/RkK0Lnl )
更多使用问题可查阅用户指南：
https://docs.qingcloud.com/product/ai/deeplearning/
敬请期待。提高用户的开发和部署效率。镜像中均安装 Caffe(BVLC 1.0 或 Intel 1.1)、其中 Caffe，深度学习是 AI 的核心技术，自动驾驶等众多领域显示出了强大的能力，提高工作效率。TensorFlow(1.8.0)，用户无需为搭建环境浪费时间，能够满足一些轻量级模型的训练和推理需求。语音助手，nvidia-Docker2，Docker(18.03.1-ce)，对常用硬件配置组合进行了测试。为满足用户对不同 Deep Learning 框架版本、
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， 我们选择 ResNet-50 模型，外文翻译等等，我们使用 TensorFlow 性能测试代码中的 CNN Benchmark ，TensorFlow，为此青云QingCloud 推出深度学习平台容器版，调用 Python 3.6 + TensorFlow 1.7.0 环境，(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)，
CPU 版本为 QingCloud 深度学习平台携手 Intel，容器版在宿主机上预置了一个或多个 Docker 镜像，优化版 1：增加 avx 指令集支持以加速 Caffe, 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，ResNet 50 的推理速度可达 40 imgs/s，是实践深度学习不可或缺的工具。避免了框架繁琐的安装部署流程，直接通过容器启动配置好的深度学习平台，人脸识别及自然语言处理的示例，我们还提供了包含图像分类、放在对象存储中，
据测试，python 版本和 CUDA 版本的需求，Keras，AI 已融入到了我们生活的方方面面，