有些代码不应该被忘记

近些年，深度学习在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。相对来说，深度学习在推荐系统领域的研究与应用还处于早期阶段。 携程在深度学习与推荐系统结合的领域也进行了相关的研究与应用，并在国际人工智能顶级会议AAAI 2017上发表了相应的研究成果《A Hybrid Collaborative Filtering Model with Deep Structure for R

http://www.cnblogs.com/denny402/p/5853538.html http://www.cnblogs.com/denny402/p/5853538.html http://www.cnblogs.com/denny402/p/5853538.html 感觉作者的写作很好，思路清晰，内容丰富，这里提供链接进博客的地址。

在采用深度卷积网进行MNIST数据集进行分类，准确率达到99.2%左右 import tensorflow as tf import math import input_data def weight_variable(shape): initial = tf.truncated_normal(shape,stddev=0.1); return tf.Variable

Github：https://github.com/kailashahirwar/cheatsheets-ai Github：https://github.com/kailashahirwar/cheatsheets-ai 对新手来说，学习机器学习和深度学习是比较困难的，各种深度学习库也是比较难理解，所以，我创建了这个机器学习和深度学习速查表，希望对多家有帮助： 1.Ke

1 文章及其地址  Fully Convolutional Networks for Semantic Segmentation (FCNs)  http://arxiv.org/pdf/1605.06211v1.pdf 2 总述 感觉就是在vgg网络的基础上，将最后三层全连接改为cnn，即全都为卷积层了，fully convolutional networks，然后再反卷积，使输

1 VGG网络总结 感觉就是再alex-net的基础上，研究了下如何加深网络来提高性能的。总体上也是五层卷积加上三层全链接，但是这五层卷积中都会以pooling来分割，且五层卷积尝试叠加多层卷积再一起，并且尝试以更小的核以及提高核的数量来提高网络的性能，比如alex-net的核的大小为11×11×96不等，vgg网络一般都是用3×3的核，但是她核的数量提高了很多，有3×3×256不等，来提高

1 内容概述 本文档主要内容：梳理TensorFlow模型在Jetson TX2上进行inference的主要流程，涉及到相关软件的安装、依赖库的编译配置以及PC端的深度网络模型在Jetson TX2的移植步骤。 2 开发环境 注意：PC端和Jetson TX2所使用的TensorRT安装包是不一样的，前者使用的是Tesla GPUs版本，而后者使用的是Jetson Platform