记录一下在AWS上搭建云服务的过程。假设我们现在要搭建一个云服务系统，这个系统要提供网站服务，用户数据存储在数据库。需要提供一个高可用性，高性能，可灵活扩展的一个方案。方案设计如下：1. 定义一个虚拟私有云VPC2. 定义一个公有子网，用于放置跳板机。定义两个私有子网，放置WebServer。定义两个私有子网，放置Aurora Cluster3. Web服务器，采用Auto S...

最近研究了一下自动驾驶的模拟器Airsim和CARLA，准备搭建一个学习环境来学习自动驾驶的相关知识。Airsim最初是微软推出的一个模拟飞行的平台，之后增加了模拟驾驶的内容，这个平台据网上的资料是微软的一个较小的开源项目，因此也没有得到太大的重视，我看了一下平台好像也好久没有更新了，平台上的问题也没有什么人解答。我在Linux环境上下载的City Environment始终解压有问题，看到平..

工作流可以实现业务流程的自动化，用户可以自己定义工作流程，通过流程来把常用的任务组织起来，而无需在程序中固化流程。这也符合当今微服务，低代码开发的趋势。Camunda是目前主流的一个工作流平台，遵循业界的标准(BPMN, DMN...)，国内的很多低代码工作流平台也是基于Camunda来做进一步的定制开发的。Camunda目前有7和8两个版本，其中最新的8版本是采用SAAS的方式来提供服务，也可以

[备注：我的另外一篇博文对这个Imagenet的数据处理过程有更新，请参考： https://blog.csdn.net/gzroy/article/details/85954329]最近想以Imagenet 2012图像分类大赛的数据来进行训练和测试，看看如何能利用这么大量的图像数据来完善卷积神经网络模型。之前做的基于Cifar10的数据量还是大小了，类别也不够多。Imagenet的数据总共..

        在上一篇博文中已经提到了如何对Imagenent 2012图像分类大赛的数据进行预处理。在此基础之上，我们可以搭建不同的神经网络来学习如何对Imagenet的数据进行训练和预测。Imagenet的数据集足够庞大，有120多万张图片和1000个类别，是CIFAR 10数据集无法比拟的，我觉得只有真正在Imagenet的数据集上训练出一个好的模型，才能证明在计算机视觉领域具备解决实际问

YOLO V3版本是一个强大和快速的物体检测模型，同时原理上也相对简单。我之前的博客中已经介绍了如何用Tensorflow来实现YOLO V1版本，之后我自己也用Tensorflow 1.X版本实现了YOLO V3，现在Tensorflow演进到了2.0版本，相比较１.X版本做了很大的改进，也更加易用了，因此我记录一下如何用Tensorflow 2.0版本来实现YOLO V3。网上能找到的很多Te

在之前的博客中，我用TF-Agents实现了一个深度Q学习模型，并且对小车上山这个环境进行了训练。那么更进一步，我们可以看看能否用深度Q学习解决一些更复杂的问题，例如我们是否能训练一个模型，可以玩Atari的游戏，并取得比人类更好的成绩。在2015年，DeepMind发表的论文...

最近比较忙，好久没更新博客了。上一篇博客是关于对Imagenet数据集进行预处理的，虽然能给Tensorflow的后续训练提供数据，但是我觉得还是有改进的空间，主要包括了两点：数据集中还提供了很多图片的bounding box，这个bounding box是人工进行的标注，准确的标注了图片中对应类别的物体的具体位置。在之前的数据集预处理中没有包括这一部分。即使我们现在做的模型是做类别判断，...

Transformer是谷歌在2017年的一篇论文"Attention is all you need"提出的一个seq2seq的模型架构，其创造性的提出了自注意力的思想，可以很好的表达序列中各个单词之间的相互注意力关系。这个模型在NLP领域取得了巨大的成功。此外这个模型架构在最近几年也在CV领域取得了令人瞩目的进展，在图像识别，目标检测等方面都达到或超过CNN模型的性能。因此Transforme

       在上一篇博文中我重写了Tensorflow中的CNN的实现，对于CIFAR10的测试集的准确率为85%左右。在这个实现中，用到了2个卷积层和2个全连接层。具体的模型架构如下：       为了进一步提高准确率，我们可以采用一些更先进的模型架构，其中一种很出名的架构就是RESNET，残差网络。这是Kaiming大神在2015年的论文"Deep Residual Learnin