在利用开源深度学习框架caffe进行数据集进行训练与测试的过程中，难免会想要可视化自己训练过程中的一些训练数据，本篇主要介绍如何利用caffe中自带的工具来可视化cifar10训练与测试过程中的误差曲线和精度曲线。

首先声明，一般GitHub上的作者都会说明具体的运行步骤，在这里针对新手来提出一个引导性的方案。1. 环境准备（1）安装nodejs，具体步骤不多说。在电脑上找到 运行－输入cmd - 输入node -v ，命令可以来查看电脑上是否已装 node , 该命令代表电脑上node的版本。（2）查看npm版本具体步骤同上，输入的命令为npm -v（3）通过npm命令安装 淘宝的镜像及其命令 cnpm ,

上一篇，绘制了Sigmoid与Tanh激活函数的图像，今天分享一下ReLU激活函数的代码，代码整体结构与上一篇相似，只是把函数换了一下：import mathimport matplotlib.pyplot as pltimport numpy as npimport matplotlib as mplmpl.rcParams['axes.unicode_minus']=Falsefi

首先声明，一般GitHub上的作者都会说明具体的运行步骤，在这里针对新手来提出一个引导性的方案。1. 环境准备（1）安装nodejs，具体步骤不多说。在电脑上找到 运行－输入cmd - 输入node -v ，命令可以来查看电脑上是否已装 node , 该命令代表电脑上node的版本。（2）查看npm版本具体步骤同上，输入的命令为npm -v（3）通过npm命令安装 淘宝的镜像及其命令 cnpm ,

如今机器学习领域最火的无疑为深度学习，而现在的深度学习模型都是建立在多CPU、多GPU的基础上，识别、计算某个物体需要强大的处理器支撑，如15年大热的AlphaGo对阵李世石，当时AlphaGo的分布式版本，用了上千个CPU与GPU，而在2012年谷歌猫脸识别的研究中，用的处理器数量达到了16000个，即使是这么多的处理器，要想让机器自动地获取猫的概念，也需要运行三天。    这不禁让我想到E

上一篇，绘制了Sigmoid与Tanh激活函数的图像，今天分享一下ReLU激活函数的代码，代码整体结构与上一篇相似，只是把函数换了一下：import mathimport matplotlib.pyplot as pltimport numpy as npimport matplotlib as mplmpl.rcParams['axes.unicode_minus']=Falsefi