芯片设计，讲究一个软硬协同设计，如果不考虑软件或客户的使用方式，不从top down是看架构设计，那么，设计出来的芯片硬件大概率是烂尾楼，兼容性差，迁移性差，软件编程难用，过分注重单一计算或单一模型（性能泛化差），等等一系列问题和痛点。打个形象的比喻，芯片架构设计就像大楼施工前的图纸设计，各种事情（户型，地基，车位，绿化，布线，监控，采暖，上下水，采暖，空调，通风，电梯，安全，材料选取，成本等）都

1.全局设置（对所有git工程都有效）设置用户名：git config --global user.name 用户名设置邮箱：git config --global user.email 邮箱2.对特定branch（切换到工程目录下执行）设置用户名：git config user.name 用户名设置邮箱：git config use...

在使用Eclipse开发c++ native程序的过程中，eclipse的默认设置是windows->preferences->c/c++->Indexer->indexer Enable->update immediately file-save,如此，当工程代码中包含大量源码或第三方文件时，会造成indexer的内存剧增（可以通过设置eclipse最大内存避免），使得很慢，造成多个

总所周知，在深度学习的训练中，样本的质量和数量都是非常重要的一环。然后在实际的生产过程中，样本的数量往往可以通过一些手段得到满足，但是质量却非常依赖人工的标注，因此往往在训练中会包含一定数量的标注不正确的数据。一般认为这样的一些数据，会对于最终的结果造成负面影响，但是具体怎样影响训练和最终的模型推广效果我们来做一个小实验。实验设置使用工具 ：MXNET数据集：MNIST训练集大小：

总所周知，在深度学习的训练中，样本的质量和数量都是非常重要的一环。然后在实际的生产过程中，样本的数量往往可以通过一些手段得到满足，但是质量却非常依赖人工的标注，因此往往在训练中会包含一定数量的标注不正确的数据。一般认为这样的一些数据，会对于最终的结果造成负面影响，但是具体怎样影响训练和最终的模型推广效果我们来做一个小实验。实验设置使用工具 ：MXNET数据集：MNIST训练集大小：

当pull并build nvidia镜像的时候，会报错，原因是超时或者没授权，unauthorized: authentication required nvidia，解决方法如下：登录：https://ngc.nvidia.com/setup/api-key注册账户并登录账户，选择set up，点击Generate API Key， 在页面最下面生成Key， 复制下载并安装NGC...

在机器学习里，经常会看到两个词，data fidelity term, regularization(prior) term.例如，在image restoration中，我们需要最小化如下的object function(MAP, 最大后验概率)，则：data fidelity term:regularization(prior) term:那么两项的作用是什么呢？Th...

ReLu(Rectified Linear Units)激活函数论文参考：DeepSparse Rectifier Neural Networks (很有趣的一篇paper）起源：传统激活函数、脑神经元激活频率研究、稀疏激活性传统Sigmoid系激活函数传统神经网络中最常用的两个激活函数，Sigmoid系（Logistic-Sigmoid、Tanh-Sigmoid）被

matlab java.lang.OutOfMemoryError Java虚拟机内存不够用了.可以增加最大内存设置. 1. 查找matlab根路径.在matlab命令行中敲入:matlabroot 显示根路径,如:C:\MATLAB7 2.查看当前Java虚拟机最大堆内存, 敲入:java.lang.Runtime.getRuntime.maxMemory 

总所周知，在深度学习的训练中，样本的质量和数量都是非常重要的一环。然后在实际的生产过程中，样本的数量往往可以通过一些手段得到满足，但是质量却非常依赖人工的标注，因此往往在训练中会包含一定数量的标注不正确的数据。一般认为这样的一些数据，会对于最终的结果造成负面影响，但是具体怎样影响训练和最终的模型推广效果我们来做一个小实验。实验设置使用工具 ：MXNET数据集：MNIST训练集大小：