深入理解Redis List队列底层数据结构centos7安装redis6.25结合docker镜像配置方法（附redis.conf文件)list底层的数据结构：linkedList链表zipList压缩列表quickList快链表链表：LinkedList数据结构中常用的带头节点的双向链表，并且带有指向头节点的头指针和指向最后一个节点的尾指针，双向链表保证从任意一个位置可以向前或者向后进行遍历，

网络结构可视化的重要性模型结构可视化是一个非常重要的工具，特别当你在：实现论文中的结构，对他并不熟悉实现自己自定义的网络结构通过检查输出的图相，你可以知道网络设计的逻辑上是否有瑕疵，包括：网络中的层序不正确卷积层或池化层后的输出维度不正确所以我们建议在每个卷积块和池化层块之后将模型可视化，让自己能够进行验证。结构可视化实现首先我们需要安装一个库：graphvizmac具体的安装步骤可以参考我的另一

MiniVGGNet：更深层的卷积神经网络​VGGNet，首次被Simonyan和Zisserman在他们的论文：Very Deep Learning Convolutional Neural Networks for Large-Scale Image Recognition 中提出。​在此之前，深度学习中的神经网络混合使用各种尺寸的卷积核。​经常是第一层卷积核大小在7 * 7到 11*11之间

一、第一个图像分类器​机器学习算法例如K-NN、SVM等，即便是卷积神经网络也需要使数据集中的数据有固定的向量大小，对于图像来说就是要求图像的尺寸一致。​有许多改变图像大小的方法，从保持图像适应比的高级方法 到 压缩\拉伸图像的简单方法。应用那种方法因人而因、因地制宜、根据应用场景而变化。​我们选择的使简单的改变图像大小，不考虑适应比（长宽比）的方法，目录结构如下：​----pyimgsearch

1. 什么是欠拟合和过拟合？当你的模型在数据集上不能获得足够低的loss时，就出现了欠拟合。这种情况下，你的模型未能学习到训练数据中潜在的模式。当我们的学习将训练数据的模式学习的太好了，但不能泛化于验证集，叫做过拟合。因此，我门在训练机器学习模型时的目标是：尽可能降低训练训练loss确保训练loss和测试loss之间的间隙足够小我们可以通过调整神经网络的容量来控制模型是否欠拟合或者过拟合。通过增加

上篇文章1.17.1 注意欠拟合和过拟合中，我们一起讨论了过拟合和欠拟合发生的现象以及导致的原因。在本文中，我们将创建一个TrainingMonitor回调函数，在训练时的每个epoch结束时调用。监视器会将训练和验证的loss和准确率序列化到硬盘当中保存，并且以此为数据进行绘图。通过这个回调函数，我们就可以照看我们的训练过程，及时发现过拟合，阻止实验的继续进行，以防计算资源和时间的白白浪费。创建

数据增强Any modification we make to a learning algothrithm that is intended to reduce its generalization error but not its training error.​——Goodfellow et.al我们对（ 深度）学习算法所做的所有调整都是为了减少其泛化误差，而非训练误差。我们之前所说的正则

Error starting userland proxy: listen tcp 0.0.0.0:80: bind: address already in use今天在阿里的服务器上发现80端口被占用了，优点莫名其妙，一查结果发现是进程aliyundun占用了端口tcp100.100.100.200:80TIME_WAIT-tcp100.100.30.25:80ESTABLISHED 14

绘画在之前的计算机视觉：三、图像基础中介绍了如何在一幅图像中画一个蓝色的矩形，那么如果我们如果想画一条直线，一个圆呢？我们应该如何进行呢？我们就不能再用NumPy来操作了，而是用OpenCV​本文将展示如何利用openCV库来画直线、矩形和圆。直线​接下来的所有操作都将再会一副我们自己定义的画布上进行，我们可以利用NumPy数组自己定义一个画布（图像），因为openCV将一副图片解释为一个NumP

计算机视觉：三、图像基础本文我们将回顾构建图像的基础元素：像素。什么是像素？每个图像都由一组像素构成，像素是图像原生的基础构件，没有比像素更好的粒度(granularity)了。一般来说，我们认为像素是图像中某个给定位置出现的光的"颜色"或者"强度"。如果我们将图像看成一个网格，网格中的每个方块就包含一个像素。​例如，如果我们有一个分辨率为10*10的图像，这就说明我的图像被表示为一个像素网格,这