这篇日记解读FaceNet的深度卷积网络NN2，并使用Tensorflow实现。NN2网络的结构如下图所示：NN2网络几乎和Inception V1一样，所以如果没有Inception V1的基础，依靠上面这张表格使用Tensorflow实现代码还是有点困难的。这里先介绍inception模块。inception模块是由谷歌发明的，并在2014年ILSVRC比赛中获得第一名。其主要解决两个问题：1

和朋友聊天，我总是很兴奋地跟他们说，人工智能将影响我们生活的方方面面。他们也都表示同意，因为现在的人工智能太火了。但是，但是一般他们都会说人工智能貌似没有影响到我们的生活。言外之意，人工智能离真正影响我们的生活还很远，现在的火热都是媒体炒出来的，我根本不信。我试着举例子跟他们解释，我说自动驾驶啊，语音识别啊之类的。不过说着说着，我也觉得自己有点虚，像悬在半空中一样。这也可以理解，我们对没有到来的东

通过上篇文章马桶识别之数据清洗，通过Resnet50清洗脏数据，得到了干净的马桶图片。但是由于评论区图片有限，每一类的图片只有300张左右。如果从头开始训练，数据量有点小。这时可以通过迁移学习，利用从ImageNet数据集中学习到的模型来进行迁移学习。具体的做法是冻结网络（比如ResNet,GoogleNet,Vgg16等）前几层的权重和偏置，只留下最后一层的参数进行训练。其实，也是把前面几层

看谷歌大脑负责人Jeff Dean关于谷歌大脑在2017年的进展回顾，里面有一段视频立马吸引了我。大概是一个人和机器进行“石头剪刀布”。在视频中，机器每次都可以识别出人出的是“石头”还是其他的，然后几乎同时做出反应。看视频根本区分不出机器“慢”出手。以下为新智元关于Jeff Dean博客的报道，有兴趣的可以在这篇文章里面看到视频：【谷歌官方年度报告】Jeff Dean晒谷歌大脑成绩单，TP

最近，一直在自学深度学习。一边学习理论，一遍学习编程。在做CNN的时候，手头的笔记本电脑就吃不消了，运行的速度明显跟不上。本来想买一台带好点的显卡，可是调研了一下，带NVIDIA 1080的差不多要1万左右，更不用说更高的配置。       偶然发现百度云里面有一款深度学习解决方案：百度深度学习。       浅试了一下，个人感觉有以下几个有点，可供推荐：       1. 上手容易。

闲来没事，经常逛百度的人工智能页面，看有没有上线什么新功能。偶然看到百度人工智能的图片识别模块里面有一个“定制化图片识别”模块，可以上传自己收集的图片，然后百度后台进行分类。有这等好事，当然是试一试了。刚好可以用我收集的不同马桶型号的图片去试一下这个模块的性能。这里你唯一要做的是收集数据，并按照下图的格式组织好数据就可以了。文档中建议每类至少一百张。准备好之后，压缩成zip格式