TensorBoard:TensorFlow集成可视化工具GitHub官方项目：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tensorboardTensorBoard 涉及到的运算，通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算。为了更方便 TensorFlow 程序的理解、调试与优化，Googl

本文的主要目的是生成VOC2007格式的Annotations，ImageSets和JPEGImages数据集，以便用faster rcnn训练。需要做的前期工作有两个：下载ImageNet数据集下预训练得到的模型参数（用来初始化）和下载VOC2007数据集。在此基础上开始生成VOC2007格式的Annotations，ImageSets和JPEGImages数据集。下载ImageNet数据

一个小问题的记录如果遇到用notepad++编写的程序出现TabError，则说明tab和空格键混用，需要在notepad++中做如下设置，即可解决这个问题。设置—>首选项----->语言---->Tab设置---->python---->选中replace by space。...

很久很久没有写学习笔记了，现在记录一个老知识。主成分分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。我们知道，最简单的主成分分析方法就是PCA了。从线性代数的角度看，PCA的目标就是使用另一组基去重新描述得到的数据空间。希望在这组新的基下，能尽量揭示原有的数据间的关系。这个维度即最重要的“主元”。PCA的目标就是找到

通过最近一段深度学习的学习与实现，发现数据预处理在深度学习中是非常重要的。数据归一化数据预处理中，标准的第一步是数据归一化。虽然这里有一系列可行的方法，但是这一步通常是根据数据的具体情况而明确选择的。特征归一化常用的方法包含如下几种：简单缩放逐样本均值消减(也称为移除直流分量)特征标准化(使数据集中所有特征都具有零均值和单位方差)Eg:在处理

近期要对医学图像在caffe上进行微调，总算找到一篇不错的文章，转载过来，方便查阅。网址：http://www.cnblogs.com/denny402/p/5137534.htmlcaffe团队用imagenet图片进行训练，迭代30多万次，训练出来一个model。这个model将图片分为1000类，应该是目前为止最好的图片分类model了。假设我现在有一些自己的图片想进

摘要：wget：无法解析主机地址。这就能看出是DNS解析的问题。wget：无法解析主机地址。这就能看出是DNS解析的问题。解决办法：登入root（VPS）。进入/etc/resolv.conf。修改内容为下nameserver 8.8.8.8 #google域名服务器nameserver 8.8.4.4 #google域名服务器

最近终于新采购的硬件性能评测做完了！！！本次硬件性能测评的操作系统是Linux Ubuntu 14.04，主要从基础测试和专业深度学习框架测试两方面进行的测试。基础测试用Phoronix Test Suite套件对新采购硬件系统进行了GPU、memory、CPU和IO的测试，并将测试结果上传到OpenBenchmarking.org网站，然后与旧的硬件系统的测试结果以及别人测试结果进行对比。

经过几天的努力与查资料，终于实现了分布式模式下运行C++版的MapReduce。下面介绍主要步骤和遇到的问题及解决方案。系统配置：在Linux系统上已安装好hadoop 2.5.2版本（本人系统为CentOS7.0（64位系统）。选择工具：Hadoop采用java编写，因而Hadoop天生支持java语言编写作业，但在实际应用中，有时候，因要用到非java的第三方库或者其他原因，要

深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。本文将重点介绍深度学习在物体识别、物体检测、视频分析的最新研究进展，并探讨其发展趋势。1. 深度学习发展历史的回顾现有的深度学习模型属于神经网络。神经网络的历史可追述到上世纪四十年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理，解决各种机器学