TensorFlow的安装
在本篇文章中,我们将会介绍 TensorFlow 的安装,TensorFlow 是 Google 公司在 2015 年 11 月 9 日开源的一个深度学习框架。
在本篇文章中,我们将会介绍 TensorFlow 的安装,TensorFlow 是 Google 公司在 2015 年 11 月 9 日开源的一个深度学习框架。
笔者在《MySQL 数据库实现主从复制》这一篇文章中有提到读写分离这个技术,这个技术时基于主从复制之后的一种技术。在数据库主从复制中,一个主数据库有一个或者多个从数据库,我们可以对主数据库进行写入操作
从安全角度来说这是非常不安全的,比如这个数据库服务器磁盘突然损坏了,里面的数据全部丢失了。这种情况如果一开始只是部署一个数据库的话就非常危险了,这表明我们要丢失全部数据,而数据对网站来说是最最重要的,所以我们要保证数据的安全。
笔者介绍了如何在 CentOS 上搭建一个可支持高可用高并发的 Java Web 后端服务器。善于思考的读者可能会想到,在上一篇文章中,我们只是实现 Java Web 服务器的分布式来应对高并发,但是高并发对数据库的的负担也是很重的。在上一篇文章中,我们只是使用到一个 MySQL 服务器,但是但
本篇文章将介绍如何搭建使用 Nginx 和 Tomcat 的高可用高并发的网站,我们将会在 CentOS 系统上搭建这样一个网站后端。这个系统的架构如下:
最近在学习 PaddlePaddle 在各个显卡驱动版本的安装和使用,所以同时也学习如何在 Ubuntu 安装和卸载 CUDA 和 CUDNN,在学习过程中,顺便记录学习过程。在供大家学习的同时,也在加强自己的记忆。本文章以卸载 CUDA 8.0 和 CUDNN 7.05 为例,以安装 CUDA 10.0 和 CUDNN 7.4.2 为例。
最近在学习在 CentOS 上搭建一个云服务平台,所以写下该文章当做笔者的学习笔记,提供给大家一起学习。虽然我们没有办法实现像百度云、腾讯云、阿里云那么强大的云服务平台,但是可以学习它们这些思维,做一个简单的云平台给自己的团队或公司使用。
在本章中,我们一起来学习下 TensorFlow。我们将会学习到 TensorFlow 的一些基本库。通过计算一个线性函数来熟悉这些库。最后还学习使用 TensorFlow 搭建一个神经网络来识别手势。
反向传播计算梯度\frac{\partial J}{\partial \theta}, \theta表示模型的参数。 J是使用正向传播和损失函数来计算的。
计算公式如下:
如果训练数据集不够大,由于深度学习模型具有非常大的灵活性和容量,以至于过度拟合可能是一个严重的问题,为了解决这个问题,引入了正则化的这个方法。要在神经网络中加入正则化,除了在激活层中加入正则函数,应该 dropout 也是可以起到正则的效果。我们来试试吧。
所以一个良好的初始化也是非常重要的,这里尝试三种初始化化方式:
有时候我们需要一些网络数据来工作、学习,比如我们做深度学习的。当做一个分类任务时,需要大量的图像数据,这个图像数据如果要人工一个个下载的,这很明显不合理的,这是就要用到爬虫程序。使用爬虫程序帮我们下载所需要的图像。那么我们就开始学习爬虫吧。
这里导入了两个工具类,可以从这里下载,这里包含了这个函数和用到的数据集,其中用到了 h5py
,如果读者没有安装的话,要先用 pip
安装这个库,还有以下用到的库也要安装。
导入依赖包,这个两个分别是加载数据的工具函数和数据集,这个两个程序可以在这里下载。这个工具函数中使用到 sklearn
包,使用之前还要使用 pip
安装该函数。
如果没有安装对应的包,请使用 pip
安装对应的包,这个使用了一个 lr_utils
的工具类,这个工具类是加载数据集的工具,可以到这里下载。这个工具类也使用一个 h5py
,所以也要安装该包。
深度学习最近起飞的原因是:硬件的开发,特别是 GPU 的计算,是我们获得更多的计算能力;深度学习已在一些重要的领域应用,如广告,语音识别和图像识别等等;目前数字化的时代使得我们拥有更多的数据。
PaddlePaddle 还可以迁移到 Android 或者 Linux 设备上,在这些部署了 PaddlePaddle 的设备同样可以做深度学习的预测。在这篇文章中我们就介绍如何把 PaddlePaddle 迁移到 Android 手机上,并在 Android 的 APP 中使用 PaddlePaddle。
如果读者使用过百度等的一些图像识别的接口,比如百度的细粒度图像识别接口,应该了解这个过程,省略其他的安全方面的考虑。这个接口大体的流程是,我们把图像上传到百度的网站上,然后服务器把这些图像转换成功矢量数据,最后就是拿这些数据
VisualDL 是一个面向深度学习任务设计的可视化工具,包含了 scalar、参数分布、模型结构、图像可视化等功能。可以这样说:“所见即所得”。我们可以借助 VisualDL 来观察我们训练的情况,方便我们对训练的模型进行分析,改善模型的收敛情况。