全笔记共3.4w字，共分3篇发布，携带笔记pdf资源，一点一滴带你学习《大数据技术与实践》，课程内容源自笔者本科学校。内容包括：大数据技术概述、大数据与其他新技术之间的关系、大数据的获取、存储与并行计算、大数据分布式文件处理系统HDFS、分布式数据库HBase、、MapReduce、Hive、Spark、理解数据、大数据技术综合运用

2w6k字，真的不能再详细了！！！几乎每一行代码都有注释！！！本教程包括MNIST数据集的下载与保存与加载、卷积神经网路的构建、模型的训练、模型的测试、模型的保存、模型的加载与继续训练和测试、模型训练过程、测试过程的可视化、模型的使用。

前言：Python课需要完成一个需要实现多人聊天室的实验，有个附加要求就是能否不局限在局域网中进行聊天，而是能实现连接公网就可以聊天。这就需要我们将服务端的Python代码放在云服务器上运行。而本人由于在此之前从来没接触过这方面的内容，真的在这个过程中遇到了很多的问题，也是摸索了一个晚上才完成了云服务器的部署与使用。实际上我也查了很多的云服务器的使用教程，但是大多数都很复杂（很多都是针对web项目

前言：Python课需要完成一个需要实现多人聊天室的实验，有个附加要求就是能否不局限在局域网中进行聊天，而是能实现连接公网就可以聊天。这就需要我们将服务端的Python代码放在云服务器上运行。而本人由于在此之前从来没接触过这方面的内容，真的在这个过程中遇到了很多的问题，也是摸索了一个晚上才完成了云服务器的部署与使用。实际上我也查了很多的云服务器的使用教程，但是大多数都很复杂（很多都是针对web项目

本文主要介绍了语言模型（LM）在语音识别中的重要性和应用。LM能够估计token sequence的概率，包括N-gram、Continuous LM、NN-based LM和RNN-based LM等模型。此外，文章还介绍了如何将LM与语音识别模型（LAS）相结合，包括Shallow Fusion、Deep Fusion和Cold Fusion等融合方式。这些融合方式可以大大提高LAS的预测准确

Text-to-Speech，即文字到语音，也就是我们这个课程所要完成的内容：语音合成。目前的语音合成技术都是端对端训练的。课程大纲会先讲在深度学习流行之前，业界是怎么做的，再讲我们要怎样控制 TTS 来合成出我们想要的声音。Tacotron 用的是一个典型的 Seq2Seq + Attention 的模型架构。它输出还会有个后处理（Post-processing）才会产生声音频谱（spectro

一、Text Token二、模型（Speech Recognition）功能三、声音特征 Acoustic Feature四、声音数据集介绍五、常用声音模型介绍（基本上都是 seq2seq 模型）

LAS：就是 seq2seqCTC：decoder 是 linear classifier 的 seq2seqRNA：输入一个东西就要输出一个东西的 seq2seqRNN-T：输入一个东西可以输出多个东西的 seq2seqNeural Transducer：每次输入一个 window 的 RNN-TMoCha：window 移动伸缩自如的 Neural Transducer。

既然是从低维重构原始图像不太行，那如果将隐变量维度取输入维度一样大小呢？似乎还不够，因为标准的 VAE 将后验分布也假设为高斯分布，这限制了模型的表达能力。事实上，人们猜测，由于高斯分布簇只是众多可能的后验分布中极小的一部分，如果后验分布的性质与高斯分布差很远，那么拟合效果就会很糟糕。因此，人们想到了另一个模型：Flow。流模型通过一系列耦合层，可以将复杂的输入分布转化为高斯分布，这样的过程可逆，

本文主要介绍了语言模型（LM）在语音识别中的重要性和应用。LM能够估计token sequence的概率，包括N-gram、Continuous LM、NN-based LM和RNN-based LM等模型。此外，文章还介绍了如何将LM与语音识别模型（LAS）相结合，包括Shallow Fusion、Deep Fusion和Cold Fusion等融合方式。这些融合方式可以大大提高LAS的预测准确