在很多情况下，去训练一个神经网络模型，本地的算力肯定是不够的，我们往往采用租或者使用学校或者公司的服务器进行模型训练等操作，本篇博客主要从零开始介绍如何使用远程服务器进行开发，帮助初学者更好的入门。

最近正在准备毕业设计的相关内容，发现其使用的是和之前的PyTorch有一定的差距，因此就主动了解了它们之间的差距。如果你用过PyTorch，一定会经历过类似的场景：手动编写训练循环、反复切换和模式、手动管理GPU设备、写一堆日志记录逻辑……这些重复的工程代码占用了大量时间，却与核心的模型研究无关。正是为了解决这些问题而诞生的。它不是替代PyTorch的新框架，而是在PyTorch之上构建的工程化规

保险产品的多样性、客户特征的复杂性以及需求差异使得保险推荐存在相当大的不确定性，如何精准识别用户、降低销售风险、提升推荐成功率，成为当前一个非常热门的研究和应用话题。通过对用户本身属性和过往保险购买记录分析客户特点，可以对广大用户进行个人信息的有效筛选，从购买保险的用户群体中提取共同的特征，进而针对这些特征规律提高投放精准性。本案例是针对移动房车险的预测，其中保险公司提供了以家庭为单位的历史数据，

在学习神经网络模型时，最先接触的大概率是感知机模型，本篇博客主要介绍了感知机模型以及其应用的二分类模型，使用的数据集是我们常见的鸢尾花数据集。神经网络：由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应感知机：由两层神经元组成输入层（用于接收外界信号）和输出层（做出判断）从 iris 数据集中取出[sepal length，sepal wid

书接上回（机器学习实战案例——保险产品推荐（上）），上回说到，由于任务的目的不同，单靠一个准确率去衡量一个模型的好坏是远远不够的，因此需要其他的指标去衡量模型的好坏。本案例的保险产品推荐，是一个二分类问题，因此有相当多的模型可供选择，不限于本篇博客所举例的，本篇博客主要带你了解机器学习实践的过程

保险产品的多样性、客户特征的复杂性以及需求差异使得保险推荐存在相当大的不确定性，如何精准识别用户、降低销售风险、提升推荐成功率，成为当前一个非常热门的研究和应用话题。通过对用户本身属性和过往保险购买记录分析客户特点，可以对广大用户进行个人信息的有效筛选，从购买保险的用户群体中提取共同的特征，进而针对这些特征规律提高投放精准性。本案例是针对移动房车险的预测，其中保险公司提供了以家庭为单位的历史数据，

命令行参数是程序和外部交互的重要方式，无论是开发命令行工具还是需要动态配置的应用程序，都离不开对命令行参数的处理。本篇博客以C++语言为例，介绍如何命令使用命令行参数。本篇博客主要介绍在C++环境下，如何配置task.json和launch.json文件，如何传递命令行参数，并进行debug，希望能够对你有所帮助！

最近正在准备毕业设计的相关内容，发现其使用的是和之前的PyTorch有一定的差距，因此就主动了解了它们之间的差距。如果你用过PyTorch，一定会经历过类似的场景：手动编写训练循环、反复切换和模式、手动管理GPU设备、写一堆日志记录逻辑……这些重复的工程代码占用了大量时间，却与核心的模型研究无关。正是为了解决这些问题而诞生的。它不是替代PyTorch的新框架，而是在PyTorch之上构建的工程化规

命令行参数是程序和外部交互的重要方式，无论是开发命令行工具还是需要动态配置的应用程序，都离不开对命令行参数的处理。本篇博客以C++语言为例，介绍如何命令使用命令行参数。本篇博客主要介绍在C++环境下，如何配置task.json和launch.json文件，如何传递命令行参数，并进行debug，希望能够对你有所帮助！

在深度学习领域，“更深的网络性能更好” 曾是研究者们的共识 —— 理论上，网络层数越多，能捕捉的特征越复杂，拟合能力也越强。但在 2015 年之前，当网络深度超过 20 层后，研究者们发现了一个致命问题：梯度消失 / 梯度爆炸导致模型无法训练，甚至出现 “深度退化” 现象（深层网络的测试误差反而比浅层网络更高）。而残差网络（Residual Network，简称 ResNet）的出现，彻底打破了这