想學習深度學習開源架構，比如tensorflow，caffe，需要掌握哪些 linux 知識？
linux 方面的知識我認為主要在系統配置方面，這裡推薦一下 docker，docker 是一個容器虛拟機，可以讓虛拟機中的程式和硬體更緊密的結合在一起，同時省去了配置 cuda，blas/lapack 等環境方面的麻煩，現在 docker 本身也是一個非常火熱的領域。
還沒有接觸過深度學習。作為一個初學者，我想知道 mxnet 這類架構，與 spark mllib 裡邊機器學習包的關系、差異？spark 隻是提供了一些機器學習算法，可以這樣了解嗎？
這個問題表面上是問差異，但是我想多講一點，首先現在工業級應用其實都離不開 apache 生态的支援，如果一個分布式系統不和 zookeeper 說兩句話，都不好意思出來混。當然也有如 elasticearch 一類的生命野蠻的存在，mxnet 分布式設計有一些部分是非常可圈可點的，比如利用 yarn 進行伺服器資源管理，這樣的話可以很容易的和工業級分布式應用整合在一起。spark mllib 更多的是一些現有的功能包，包括了監督式和非監督式學習的很多常用子產品。mxnet 更為專門，目前據我有限的經驗，mllib的程式基于java虛拟機，并沒有和機器層緊密結合。elk = elasticsearch + logstash + kibana :)，elasticsearch 5.0很好很強大，加入了beats也可以研究一下。
對深度學習硬體支撐這一塊的看法。
硬體很有意思，例如圖像處理裡面，非常大的運算量是用在了卷積層計算上面。所謂卷積層計算，就是将圖像通過深度網絡，映射到更低的次元上面去，圖像卷積操作可能到了某一天，會出現一個視網膜一樣的硬體，在攝像頭上面就已經完成了卷積操作，我們傳圖像的時候，可能傳一個類似于 meta tag 的東西。這樣的話 fpga 就有大大的用處。（有群友繼續問到：是否類 似autoencoder）autoencoder 是一個邏輯上的概念，應該說叫做 asic，application specific integrated circuit，最後成平也就是手機晶片的一個小子產品。
相關閱讀：
<a href="http://www.leiphone.com/news/201611/ktwbq22osek6b6ij.html" target="_blank">《ai 從業者該如何選擇深度學習開源架構丨硬創公開課》</a>
本文作者：亞峰