继续搬砖第三篇《How to Parallelize Deep Learning on GPUs Part 1/2: Data Parallelism》In my lastblog post I showed what to look out for when you build a GPU cluster. Most importantly, you want a fast n

python版本太多容易出现清理不干净，在https://stackoverflow.com上面找了好久没有找到一个靠谱的答案。碰到的问题是：  File "/home/mi/pycharm/helpers/pydev/pydevd.py", line 1578, in    globals = debugger.run(setup['file'], None, None, is_m

一直不是很清楚到底买什么NVIDIA卡合适？对于硬件小白的我来说，买显存最大的没问题，并不清楚什么GPU适合什么深度模型。碰巧找到一个懂GPU的行家，由于国内翻墙比较麻烦就将这几篇blog转过来了。地址《Which GPU(s) to Get for Deep Learning: My Experience and Advice for Using GPUs in Deep Learn

最后这一篇是对于计算卡的理解指导《 A Full Hardware Guide to Deep Learning》Deep Learning is very computationally intensive, so you will need a fast CPU with many cores, right? Or is it maybe wasteful to buy a fas

如何处理大规模的快数据集大数据指的是创建的数据和供分析的数据的数量与速率迅速增加。此趋势的主要驱动因素是不断增加的信息数字化。采集设备的数量和类型以及其他数据生成机制无时无刻不在增加。大数据源包括来自仪表传感器、卫星和医疗图像的流数据，来自安全摄像机的视频以及派生自金融市场和零售运营的数据。上述来源的大数据集可以包含千兆字节或百万兆字节的数据，并且每天以兆字节或千兆字节的级别增长。

这一篇是对于卷积的理解《Understanding Convolution in Deep Learning》Convolution is probably the most important concept in deep learning right now. It was convolution and convolutional nets that catapulted de

今天我们要谈论的文章为：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks. ICLR2014.这是大牛Yann LeCun小组的文章。openreview中有下载链接和讨论：http://openreview.net/document/cb1bf

Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。我的系统是window环境，首先安装python，接下来就是pip。pip安装：在python根目录下创建一个get-pip.py的文件，内容：https://bootstrap.pypa.io/get-pip.py然后

晚上比较懒，直接搬砖了。1.简单的将日志打印到屏幕 import logginglogging.debug('Thisis debug message')logging.info('Thisis info message')logging.warning('Thisis warning message') 屏幕上

1 前言Meta Learning 元学习或者叫做 Learning to Learn 学会学习 已经成为继Reinforcement Learning 增强学习之后又一个重要的研究分支（以后仅称为Meta Learning）。对于人工智能的理论研究，呈现出了Artificial Intelligence --> Machine Learning --> Deep Learni...