集群这东西，就是各种文件配置，太过于杂乱导致，如果你不是特别细心，总是会错误百出，以致于精神萎靡而无法向前。但是，有时候，即便你细心得像个暖男，最后还是会出现问题，很多时候，这并不是你的错，而是机器的错，但是，如果你不能够在短时间内找到“问题”的真正原因，背锅的还是你自己几个浪费时间的问题* 1还是防火墙问题：把防火墙全部给永久封停# 关闭iptables/etc/ini...

开发环境系统：CentOS release 6.5jdk：jdk1.7.0_45hadoop：2.5.2hadoop集群搭建参照：https://blog.csdn.net/soundslow/article/details/80101146eclipse插件配置由于需要使用跨平台文件传递，多以需要一个hadoop插件hadoop-eclipse-plugin-2.5.2...

安装前的环境：四台机器的时间一致；需要一台机器进行免密码登录，即可以访问任何一台机器，包括自己，而不需要输入密码。这样便于通过一台机器进行控制，而且避免每一次都需要输入密码。时间一致：date查看时间ntpdate -u xx.xx.xx.xx同步xx.xx.xx.xx服务器的时间到本机，一般使用ntpdate -u ntp.api.bz。参看链接设置免密码登录Setup pas...

title: 深度学习20-限制玻尔兹曼机RBMtags: 新建,模板,小书匠grammar_cjkRuby: true玻尔兹曼机来源于玻尔兹曼分布，而玻尔兹曼分布的创立者是路德维希·玻尔兹曼，这个原理来源于他首次将统计学用于研究热力学，即物质的状态概率和它对应的能量有关。比如，我们常用熵来形容物体的混乱程度，同时如果我们的定义足够好，任何物质其实都有它的一个“能量函数”，这个能量函数表...

SINGING-VOICE SEPARATION FROM MONAURAL RECORDINGS USING DEEP RECURRENT NEURAL NETWORKS主体内容：作为当前的一大热门，语音识别在得到快速应用的同时，也要更适应不同场景的需求，特别是对于智能手机而言，由于元器件的微型化导致对于语音处理方面的器件不可能很大，因此单通道上的语音分离技术就显得极为重要，而语音分离...

title: 语音合成综述tags: 新建,模板,小书匠grammar_cjkRuby: true语音相关基础知识点：时域信号：一维原始信号傅里叶变换：得到频域特征短时傅里叶变换：傅里叶变换得到了频域信号，但是丢失了时域信号，所欲通过STFT得到时频信号梅尔频谱倒谱系数：单单频率信号表达不足，为了更加和人的耳朵听觉相符，我们使用了mel窗滤波，得到人耳的频率段幅度系数梅尔声谱...

Fork/Join 模式类似于MapReduce，也相当于一种分而治之的理念，或者说就像二分查找、二路归并算法。通过将一个大量的计算分解为许多的小计算，分而治之，然后再合并，同时，这些分出来的每个小计算都是并行进行的，这样就大大增大了CPU的利用率。Fork/Join 模式有自己的适用范围。如果一个应用能被分解成多个子任务，并且组合多个子任务的结果就能够获得最终的答案，那么这个应用就适...

SINGING-VOICE SEPARATION FROM MONAURAL RECORDINGS USING DEEP RECURRENT NEURAL NETWORKS主体内容：作为当前的一大热门，语音识别在得到快速应用的同时，也要更适应不同场景的需求，特别是对于智能手机而言，由于元器件的微型化导致对于语音处理方面的器件不可能很大，因此单通道上的语音分离技术就显得极为重要，而语音分离...

title: 语音合成综述tags: 新建,模板,小书匠grammar_cjkRuby: true语音相关基础知识点：时域信号：一维原始信号傅里叶变换：得到频域特征短时傅里叶变换：傅里叶变换得到了频域信号，但是丢失了时域信号，所欲通过STFT得到时频信号梅尔频谱倒谱系数：单单频率信号表达不足，为了更加和人的耳朵听觉相符，我们使用了mel窗滤波，得到人耳的频率段幅度系数梅尔声谱...

单纯以算法为论，深度学习从业者的算法能力可能并不需要太大，因为很多时候，只需要构建合理的框架，直接使用框架是不需要太理解其中的算法的。但是我们还是需要知道其中的很多原理，以便增加自身的知识强度，而优化器可能正是深度学习的算法核心本文基本完全参考一下连接：原理简化讲解篇：https://morvanzhou.github.io/tutorials/machine-learning/ML-i...