ONgDB项目是neo4j企业版的一个开源分支。另外ONgDB的发起组织也在快速更新。目前最新是3.6.0版本，与企业版neo4j-3.6.0版本功能基本一致。目前企业版neo4j已经更新到4.0版本，最大的特点是支持分库操作，ONgDB还不支持分库操作。一、安装虚拟机使用VMware虚拟机安装CentOS7，搭建三个节点的集群。CentOS7是服务器常用的常用的操作系统，一般安装好系...

参考文章：http://blog.csdn.net/neilron/article/details/513871611.安装docker，Docker ToolBox(傻瓜式安装一直下一步即可)2.安装好之后建议先配置一个环境变量MACHINE_STORAGE_PATH，来自定义虚拟机保存的位置，因为之后下载的镜像越来越多，都是放在虚拟机的虚拟磁盘文件中，虚拟磁盘文件会越来越大，放在默认的C盘用户

hdfs中的绝对路径，就比较简单，就是类似/a/b/c/xxx这样的，就是从根目录开始，通过这个名字找到文件（目录），这个Linux的绝对路径是一样的概念。由于我们并不会像操作Linux文件系统一样cd到hdfs的某个目录下，于是，hdfs中一般来说没有“当前目录”的概念（用fuse或者NFS情况除外）。于是一个hadoop fs -ls a/b/c/xxx这样的访问，就是“相对于hdfs上的当前

AlexNet主要使用到的技术点：一、使用ReLU作为CNN激活函数，成功解决了Sigmoid在网络较深时的梯度弥撒问题。二、训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合。（AlexNet中主要在最后几个全连接层使用Dropout）三、AlexNet全部使用最大池化，避免平均池化的模糊化效果。并且AlexNet提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，

参考文章：http://blog.csdn.net/neilron/article/details/513871611.安装docker，Docker ToolBox(傻瓜式安装一直下一步即可)2.安装好之后建议先配置一个环境变量MACHINE_STORAGE_PATH，来自定义虚拟机保存的位置，因为之后下载的镜像越来越多，都是放在虚拟机的虚拟磁盘文件中，虚拟磁盘文件会越来越大，放在默认的C盘用户

此模型中如果使用100k个batch，并结合学习速率的decay（即每隔一段时间将学习速率下降一个比率），正确率可以高达86%。模型中需要训练的参数约为100万个，而预测时需要进行的四则运算总量在2000万次左右。所以这个卷积神经网络模型中，使用一些技巧。（1）对weight进行L2的正则化。（2）对图片进行翻转，随机剪切等数据增强，制造更多样本。（3）在每个卷积-最大池化层后面使用LR

Google InceptionNet-V3网络结构图：Inception V3网络结构图：类型kernel尺寸/步长（或注释）输入尺寸卷积3*3 / 2299 * 299 * 3卷积3*3 / 1149 * 149 * 32卷积3*3 / 1147 * 147 * 32池化3*3 / 2147 * 147 *

结构有ResNet 50、ResNet 152、ResNet 200，考虑耗时原因只跑了ResNet 152网络结构的forward。# coding:UTF-8"""Typical use:from tensorflow.contrib.slim.nets import resnet_v2ResNet-101 for image classification into 1000 class

VGGNet模型的准确率相比于AlexNet有了很大提升，VGGNet虽然模型参数比AlexNet多，但反而只需要较少的迭代次数就可以收敛，主要原因是更深的网络和更小的卷积核带来的隐式的正则化效果。VGGNet凭借其相对不算很高的复杂度和优秀的分类性能，成为了一代经典的卷积神经网络，直到现在依然被应用在很多地方。VGGNet论文作者给出的总结：LRN层作用不大。越深的网络效果越好。1*1的卷积

日志分析系统的模块组成以及对应的开源技术日志分析系统有以下两类：离线日志分析系统：日志收集（scribe,flume等），日志存储（hdfs等）,日志离线计算（mapreduce、hive、pig,spark sql 等）实时日志分析系统：日志收集（scribe,flume等），消息队列（RabbitMQ、kafka等），实时计算框架（storm、spark streaming等）