一、概述　　近期研究了一下超融合的内容，简单做了下学习总结。　　虚拟化是一种基本思想，是云计算、超融合的基础，在信息系统的各层都有不同的应用，举例来说：　　存储虚拟化，存储阵列就是将若干集中部署的磁盘先汇总，再划分成不同的逻辑磁盘分配给不同的服务器使用。　　网络虚拟化，网络我们一般分为接入层和汇聚层，使用网络虚拟化后，对于单个宿主机到交换机的部分可以认为是汇聚层，对于宿主机中虚拟出的OS，可以在内

这里我们构建了一个16>32>1的神经网络模型，其中16、32、1指的是每一层的神经元数量，第一层与第二层的神经元数量无所谓可以随便写，第三层的1与预测的结果相对应，也就是我们使用前7天的平均温度，预测的是今天这“一个”平均温度。Val_loss是模型验证的“损失”，也就是前面我们设置的那10%，这个值越小说明你的模型验证的结果也不错。各字段的意思看名字就知道了，其中avg指的是当日平均温度，av

为了帮助大家建立硬件环境，项目组直接提供了CAD设计图（设计软件：Fusion 360，文末附CAD下载），包含了所有你需要的零配件而且是3D的视图！近日斯坦福开源了一个四足机器人项目“Stanford Doggo”，“只需”3000美金就可以DIY一个能跳一米高兼后空翻的电子小狗，一段时间研究后我们写了这篇简单的指引帮助大家快速入手这个灵敏的小狗狗。项目组还奉上了完整的BOM单（文末附EXCEL

回顾：　　【零基础】AI神经元解析（含实例代码）　　【零基础】浅层神经网络解析一、序言　　前面我们已经完成了单神经元、浅层神经网络（2层）的解析，其中有很多没有讲透的地方我们就暂时不要理会了，比如反向传播的原理我也没看明白呢。这里我们继续下一步，解析深层的神经网络（N层），也就是真的要“深度学习”了。　　注：本文内容主要是对“床长”的系列教程进行总结，强烈推荐“床长”的人...

这里我们构建了一个16>32>1的神经网络模型，其中16、32、1指的是每一层的神经元数量，第一层与第二层的神经元数量无所谓可以随便写，第三层的1与预测的结果相对应，也就是我们使用前7天的平均温度，预测的是今天这“一个”平均温度。Val_loss是模型验证的“损失”，也就是前面我们设置的那10%，这个值越小说明你的模型验证的结果也不错。各字段的意思看名字就知道了，其中avg指的是当日平均温度，av

一、概述　　近期研究了一下超融合的内容，简单做了下学习总结。　　虚拟化是一种基本思想，是云计算、超融合的基础，在信息系统的各层都有不同的应用，举例来说：　　存储虚拟化，存储阵列就是将若干集中部署的磁盘先汇总，再划分成不同的逻辑磁盘分配给不同的服务器使用。　　网络虚拟化，网络我们一般分为接入层和汇聚层，使用网络虚拟化后，对于单个宿主机到交换机的部分可以认为是汇聚层，对于宿主机中虚拟出的OS，可以在内

一、前言　　开始研究API了，远期目标是实现极星量化（python）运行策略，但下单通过API（C++）下单，在API上做一些简单的功能，比如条件单、止盈止损、套利等，极星量化跑策略向API下指令交易。这样做似乎有点脱了裤子放屁的感觉，但不失为一种新的尝试。　　本篇就先搞定开发环境的问题，由于一个很奇葩的原因，这里就只研究linux下的开发环境，我使用的是centos6.7。　　（因为...

最后的最后，我突然想到3年前，第一次接触神经网络时，当时的教程说，如果要做“概率”预测，最好就将待训练的数据进行归一化，也就是将10、20、30，这样的数据，按正态分布转换成0.1、0.2、0.3这样介于0-1之间的数。正常应该是2、5、6，实际是2.3、4.3、6.3。为了解决这个问题，我构建了一个极简的问题和模型，从最简单的问题来入手，排查问题产生的原因，功夫不负有心人，还真给我排查到了。所以

回顾：　　【零基础】AI神经元解析（含实例代码）　　【零基础】浅层神经网络解析一、序言　　前面我们已经完成了单神经元、浅层神经网络（2层）的解析，其中有很多没有讲透的地方我们就暂时不要理会了，比如反向传播的原理我也没看明白呢。这里我们继续下一步，解析深层的神经网络（N层），也就是真的要“深度学习”了。　　注：本文内容主要是对“床长”的系列教程进行总结，强烈推荐“床长”的人...

一、序言　　前面的文章中，我们逐步从单神经元、浅层网络到深层网络，并且大概搞懂了“向前传播”和“反向传播”的原理，比较而言深层网络做“手写数字”识别已经游刃有余了，但神经网络还存在很多问题，比如最常见的两个问题：“过拟合”和“欠拟合”，下图中从左到右依次是“欠拟合”、“刚刚好”、“过拟合”。　　简单点说，欠拟合是我们学习到的w没能很好地“满足”训练数据的特征，一般是因为训练数据...