1、深度学习、高性能计算和图形渲染等领域。H800GPU服务器是一种强大的计算机服务器，拥有8张高性能GPU卡，提供极大的计算能力，适用于需要大规模并行计算的科学计算、深度学习和图形渲染等领域。
你先把数据确保在envi里打开，然后再做后续处理。
ENVI 有一个小工具叫 haze tool，在网上可以下载安装。它可以去除薄云或气溶胶，但图像的光谱信息会有一些缺失，并且不能去除厚云。现在有一些论文是探讨如何去除云对遥感影像的影响的，你可以在知网搜搜看。
如果只是要显示效果达到去薄云的效果，推荐做幂运算，就是平方一下。。
一般下载都是卫星传感器所获取的波段，需要在ENVI进行RGB波段合成，合成完再加载到arcgis里进行矢量，同时别忘了坐标问题。
其实你可以去腾讯云去租用GPU云服务器来进行深度学习计算。腾讯云 GPU 实例类型众多，应用广泛，不同的实例类型有不同的产品定位。用户可以根据自身的应用场景，结合性能、价格等因素，选择最符合业务需求的实例。
可以选择RTX3080 /RTX3090/RTX4090（上月刚发布，本月12日上市）。预算充足，可以选择专业深度学习卡Titan RTX/Tesla V100 /A6000/A100/H100（处于断供中）等等。
在选择GPU服务器租用服务商时，技术实力至关重要。苏州创云拥有400多名专业IT人员，提供全面的云安全和云计算解决方案，确保客户不仅能得到物美价廉的服务器，还能得到云应用的深度支持。
价格透明，性价比高 很多站长和中小企业在租用服务器的时候都会考虑性价比这一问题，好的怕太贵，便宜的又怕不好。像有商城的服务商，每一款型号的租用期限以及价格，都会标注清清楚楚，最后还会签订正式的合同。
接口：高带宽，同时延迟低。传统解决方式：专门的存储服务器，借助万兆端口访问。缺点：带宽不高，对深度学习的数据读取过程时间长（延迟大，两台机器之间数据交换），成本还巨高。
如果是性价比的话，可以选择GPUCAT的云服务器。价格的话还是挺划算的，听说服务不错的。为人工智能、图形图像、生命科学、量化金融等行业提供超强的浮点计算能力。
1、数据存储要求 在一些深度学习案例中，数据存储会成为明显的瓶颈。做深度学习首先需要一个好的存储系统，将历史资料保存起来。主要任务：历史数据存储，如：文字、图像、声音、视频、数据库等。
2、加显卡： 1050ti 4G省钱，入门，1070ti性价比最高，价格还不错，高端可选1080ti。勿买3G显存版本，好多CNN的sample 都跑不起来。买个大厂的公版即可，没必要买那些超频的版本。
3、做深度学习需要一定的计算资源，比如，需要大量进行矩阵乘法的运算，因此，需要具备较高的计算速度和较强的浮点数运算能力的CPU。
4、内存别太小。一般就是看威刚，金士顿，芝奇，海盗船这几个牌子，芝奇，海盗船用的晶元据说好一些，金士顿也有骇客神条，还是看预算吧，一般不会差太多钱。
5、深度学习的配置是需要一些投入的，所以应该分阶段来购买配置比较合理。
6、附注：测试模型图像模型：语言模型：云轩Cloudhin专注Deep learning和高性能计算服务器定制，针对主要深度学习框架（如TensorFlow、Caffe Theano或Torch）进行了优化和设置，在桌面上即可提供强大的深度学习功能。
在价格上，RAKsmart提供多种GPU服务器租用方案，满足不同规模和需求的建站服务，以$1608/月起，并且经常推出优惠活动，可访问美国主机侦探查看优惠信息，使用优惠码购买可以，进一步降低购买成本。
最后，重复一遍结论：到淘宝，搜gpu租用，跟店家交流一下、再试用1-2小时，你就知道，好东西在哪里了。
可以选择大厂也可以，毕竟gpu服务器市面上挺多的 如果是性价比的话，可以选择GPUCAT的云服务器。价格的话还是挺划算的，听说服务不错的。为人工智能、图形图像、生命科学、量化金融等行业提供超强的浮点计算能力。
其实你可以去腾讯云去租用GPU云服务器来进行深度学习计算。腾讯云 GPU 实例类型众多，应用广泛，不同的实例类型有不同的产品定位。用户可以根据自身的应用场景，结合性能、价格等因素，选择最符合业务需求的实例。
网上租服务器怎么实名？网上租服务器实名的方法如下 实名认证分为个人和企业两种方式认证：第一种是以企业名义租用我们服务器，需要提供营业执照的照片。第二种是以个人名字租用服务器，个人需要提供身份证照片。
当需要对大数据bigdata做同样的事情时，GPU更合适，当需要对同一数据做很多事情时，CPU正好合适。GPU能做什么？关于图形方面的以及大型矩阵运算，如机器学习算法等方面，GPU就能大显身手。
性能：GPU云服务器在处理图形和计算密集型任务时具有优势，例如深度学习、虚拟现实、视频编解码等。而CPU云服务器更适合处理一般的计算任务，例如Web服务器、数据库服务器等。
这是涉及算法的问题，当然用GPU更合适，比CPU有强大得多的运算能力，比FPGA有更强的编程能力。
NPU啊 为深度学习而生的专业芯片 不过考虑价格与制造工艺水平，GPU更实惠更成熟。很多深度学习喜欢买NVIDIA的高单精度的多张游戏卡来用。
在未来的深度学习中，大约有95%的应用是数据的推断。而且FPGA或者ASIC相较于GPU/CPU无论在研发还是产出上的成本都明显降低。因此必然是兵家必争之地。
深度学习用cpu训练和用gpu训练的区别 （1）CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算。