数据之路

Artificial Intelligence，也就是人工智能。TensorFlow是Google在2015年底开源的项目TensorFlow的论文地址：http://download.tensorflow.org/paper/whitepaper2015.pdfTensorFlow的中文翻译：http://bigdata.rzaixian.com/tensorflowzh/

输入python，进入python命令行import tensorflow as tftf.__version__查询tensorflow安装路径为:tf.__path__结果如下:  

鉴于tensorflow在centos上安装相当麻烦,特地制作了一个脚本方便以后移植到其它机器上,脚本含有其它python常用包:#! /bin/bash  sudo yum install -y gcc g++ gtk+-devel libjpeg-devel libtiff-devel jasper-devel libpng-devel zlib-devel cmake unzip sqli

1.样本要足够随机2.样本要做归一化3.激活函数要视样本输入选择4.minibatch很重要，几百到几千是比较合适的(很大数据量的情况下)5.learning rate很重要，可以直接用adagrad or adadelta，省去一些麻烦，然后把冲量调到0.9以上6.权重初始化，可用高斯分布乘上一个很小的数

问答环节：问：在finetuning的时候，新问题的图像大小不同于pretraining的图像大小，只能缩放到同样的大小吗？” 答：对的：）问：目前dl在时序序列分析中的进展如何？研究思路如何，能简单描述一下么答：这个有点长，可以看看google最近的一系列machine translation和image description的工作。问：2个问题：1.目前Caffe主要面对CV或图像的任务，是否会考虑其它任务，比如NLP？2.如果想学习Caffe代码的话，能给一些建议吗？答：Caffe的确

为什么要对数据进行归一化？    归一化后加快了梯度下降求最优解的速度；2）归一化有可能提高精度。下面我简单扩展解释下这两点。1 归一化为什么能提高梯度下降法求解最优解的速度？      斯坦福机器学习视频做了很好的解释：https://class.coursera.org/ml-003/lecture/21      如下图所示，蓝色的圈圈图代表的是两个特征的等高线。其中左图两个特征X1和X2的

深度学习框架对比

今天安装opencv折腾了多个小时，为以后安装少走弯路，脚本安装完整 脚本如下

什么是深度学习？在机器学习流行之前，都是基于规则的系统，因此做语音的需要了解语音学，做NLP的需要很多语言学知识，做深蓝需要很多国际象棋大师。而到后来统计方法成为主流之后，领域知识就不再那么重要，但是我们还是需要一些领域知识或者经验来提取合适的feature（特征），feature的好坏往往决定了机器学习算法的成败。对于NLP来说，feature还相对比较好提取，因为语言本身就是高度的抽象；而对于

1、使用nvidia-smi pmon 查看linux系统的gpu情况，如下：显然是2张显卡，如何让它们都工作呢2、keras提供了keras.utils import multi_gpu_model使用多个显卡的功能：在原来的model基础上使用multi_gpu_model函数指定一下gpu个数即可：model =  multi_gpu_model(model, 2)完整列子如下（如粗黑色字体...