由于是在虚拟机里安装的RabbitMQ，因此一般遇到进程无法启动就考虑：端口号占用问题、ip主机名映射、配置文件问题等等方面。这里已经排除了端口号占用问题，发现是ip主机名映射问题导致的问题。这是由于个人配置的静态ip由于网络环境问题经常发生变化，因此ip和主机名的映射经常是旧的关系。

在使用docker拉取容器镜像时，由于默认是从Docker Hub（Docker提供的容器镜像存储库）拉取的，国内难以成功，经常报错：Get https://registry-1.docker.io/v2/: net/http: request canceled while waiting for connection (Client.Timeout exceeded while awaiting

但是算法有一个缺点：没考虑词序，像“Completely lacking in good taste, good service, and good ambiance.”，虽然good这个词出现了很多次，有3个good，如果忽略词序，仅把所有单词的词嵌入加起来或平均，最后的特征向量会倾向good的意思，分类器很可能认为这是一个好评，但是事实上这是一个差评，只有一星。生成多对上下文词-目标词的方式是

假设建立一个能够自动识别句中人名位置的序列模型，它的输入序列是这样的：“Harry Potter and Herminoe Granger invented a new spell.”，(这些人名都是出自于J.K.Rowling笔下的系列小说Harry Potter)。输出y，使得输入的每个单词都对应一个输出值，同时这个能够表明输入的单词是否是人名的一部分。注：这是一个命名实体识别问题，常用于搜索

找到全连接层和前一层，用5*5的过滤器来实现卷积层的转化，数量是400个（编号1所示），输入图像大小为5*5*16，用5*5的过滤器对它进行卷积操作，过滤器实际上是5*5*16，因为在卷积过程中，过滤器会遍历这16个通道，所以这两处的通道数量必须保持一致，输出结果为1*1。再添加另外一个卷积层（编号2所示），这里用的是1*1卷积，假设也有400个1*1的过滤器，在这400个过滤器的作用下，下一层的

在图片分类问题中，卷积神经网络的输出的特征向量会经过softmax单元，并最终输出类别，如果正在构建汽车自动驾驶系统的网络，那么对象可能包括以下几类：行人、汽车、摩托车和背景，这意味着图片中不含有前三种对象，也就是说图片中没有行人、汽车和摩托车，输出结果会是背景对象，这四个分类就是softmax函数可能输出的结果。注意：特征点的特性在所有图片中必须保持一致，就好比，特征点1始终是右眼的外眼角，特征

下图中，蓝色的线是min-batch梯度下降法过程中较大学习率的的优化路径，绿线是较小学习率的优化路径。如果使用min-batch梯度下降法，在模型的学习过程中，会有很多噪声，在靠近最小值的时候，由于学习率a不变，因此最终算法在最小值附近摆动。要解决这个问题，就需要减少学习率a，让靠近最小值的过程中，模型的步长小一点，这就需要学习率衰减来解决。

上图所示，现在处理绿色边框的格子外，其他边框的标签都是中间那个向量，而绿色边框的格子有汽车，假设这个汽车与anchor box 2的交并比最大（编号5，紫色长方形框），因此绿色边框的格子的标签是最右边的向量（anchor box 1对应的分量的pc=0），然后根据红色边框（编号3来编码真实边框的参数，也就是右边向量的红色部分）。假设输入的图片是100*100*3，那么经过卷积网络的训练后，得到的输

即假设输入图片是n*n*nc的大小，过滤器是f*f*nc的大小，得到的卷积结果是(n-f+1)*(n-f+1)*nc，其中nc是通道数，这里默认步长为1，不进行padding操作。但是如果想检测不同的边缘特征，比如想同时检测6*6 RGB图像垂直边缘和水平边缘，就可以使用2个3维过滤器（3*3*3），得到两个4*4的输出，把这两个4*4的输出堆叠为4*4*2的输出，这个输出表示同时检查水平和垂直边

这种神经元依赖上下文神经元的现象也被成为协同适应），在训练网络的过程中，由于去除了某些神经元，那么网络就失去了该神经元的部分表征，因此在训练后，网络能学习更加独立丰富的特征（这种效果类似L2范数正则项，每个神经元不会被赋予更大的权重，从而产生了收缩权重平方范数的效果），使模型更加鲁棒。2.网络中每层的keep_prob都可以不同，对于输入层通常不设置keep_prob，对于节点较多的层keep_p