对存储的访问都是通过端口(port)完成的，如果允许两个线程(处理机)同时(绝对的同时)访问同一个存储器。这个存储器就需要相应数量的端口(port)，这就通常说的单端口，双端口，或更多的端口。但多端口存储器有非常大的硬件开销，面积，功耗，延迟还会变糟糕。但对一类访问模式，比如所有处理机访问的地址都不相同，一个解决的办法就是将存储器按地址(一般是低地址的几位)分为若干个bank。多个处理机和多个ba

1,T检验和F检验的由来一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较，我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很 少、很

1. 随机森林使用背景1.1 随机森林定义随机森林是一种比较新的机器学习模型。经典的机器学习模型是神经网络，有半个多世纪的历史了。神经网络预测精确，但是计算量很大。上世纪八十年代Breiman等人发明分类树的算法（Breiman et al. 1984），通过反复二分数据进行分类或回归，计算量大大降低。2001年Breiman把分类树组合成随机森林（Breiman 2001a），即在变量（

Awesome Recurrent Neural NetworksA curated list of resources dedicated to recurrent neural networks (closely related todeep learning).Maintainers -Jiwon Kim,Myungsub ChoiWe have pages for othe

LSTM隐层神经元结构：//让程序自己学会是否需要进位，从而学会加法#include "iostream"#include "math.h"#include "stdlib.h"#include "time.h"#include "vector"#include "assert.h"using namespace std;#define i

默认安装路径：/usr/local/lib/python2.7/dist-packages/tensorflow=====================================================================================================#install pythonsudo apt-get install python-

对于自然语言处理中的各种模型来说，最大熵模型是一种在形式上最简单，但是在实现上却最复杂的模型。最大熵模型就是在满足已知条件的情况下，求得使熵最大的概率模型。说起来很简单，实际上要求得这个熵最大的概率模型，计算量十分巨大，因此需要仔细设计细节。      最大熵模型最大的难点来源于特征的选取和参数估计。其中特征选取的需要很多次迭代，在迭代的过程中逐步对参数进行估计。在最大熵模型参数的计算中，

前面的话NVidia发布了TensorRT，支持fp16，可以在TX1和Pascal架构的显卡，如gtx1080上运行半精度。官方说法是TensorRT对inference的加速很明显，往往可以有一倍的性能提升。而且还支持使用caffe的模型。但不足的是还不支持自定义层，只有常用的一些层可以选用，NVidia论坛上也表示近期不太可能支持自定义层。目前网上关于如何将TensorRT

RNN 模型作为一个可以学习时间序列的模型被认为是深度学习中比较重要的一类模型。在Tensorflow的官方教程中，有两个与之相关的模型被实现出来。第一个模型是围绕着Zaremba的论文Recurrent Neural Network Regularization，以Tensorflow框架为载体进行的实验再现工作。第二个模型则是较为实用的英语法语翻译器。在这篇博客里，我会主要针对第一个模型的代码

1：C4.5C4.5就是一个决策树算法，它是决策树（决策树也就是做决策的节点间像一棵树一样的组织方式，其实是一个倒树）核心算法ID3的改进算法，所以基本上了解了一半决策树构造方法就能构造它。决策树构造方法其实就是每次选择一个好的特征以及分裂点作为当前节点的分类条件。C4.5比ID3改进的地方时：ID3选择属性用的是子树的信息增益（这里可以用很多方法来定义信息，ID3使用的是熵（entrop