相信有很多朋友都跟我一样，使用 XAMPP 集成的 MySQL，因为它操作起来实在太方便了。但是它默认不是支持 UTF-8 的，需要我们手动去修改配置文件 my.ini

IntelliJ IDEA 是一款非常强大的集成开发环境，基本上可以做任何事情，它的强大大大降低了我们的工作量，提高了工作效率。那么它如何开发 Java Web 呢？下面就为大家介绍使用 IntelliJ IDEA 开发 Java Web。

相信大部分同学都跟我一样都是使用 Windows 系统的，但是作为一个开发者来说，Linux 命令是经常要用到的，在以前我们使用虚拟机安装 Linux 的，如果电脑配置低的话，就基本卡着不动了。在 Windows10 后，我们再也不用那么麻烦了，因为可以直接在 Windows 上安装子系统，这个子系统就是 Ubuntu。

在之前我是很喜欢使用真机进行调试的，因为那时候觉得用真机调试比较方便，直到我发现我的手机打印不出 Log.d()的调试日志，我才开始经常使用模拟器。当然还有两小点是：我的手机不支持快速启动和小编的电脑配置比较低，模拟器太吃内存了。

我在做自动登录的时候遇到的坑，特写此文以提醒各位不要把自己绕进去了。

我们都知道在 Web 端的 cookie 是可以通过服务器端设置保存的，默认是关闭浏览器就清除 cookie 的，但是可以在服务器端设置 cookie 的有效期，浏览器就会自动保存 cookie，而在 Android 上是不会自动保存 cookie，我用的是 Okhttp3，我找不到 response.addCookie(cookie) 和 request.getCookies() 的方法（Java Web 的操作），如果没有保存和重发 cookie 给服务器的话，是不会自动登录的。搞了大半天才知道这一切都在 head 里。

1. 如果有 10,000,000 个例子，数据集拆分一般是 98% 训练，1% 验证，1% 测试。
2. 验证和测试的数据集通常是来自同样的分配。
3. 如果神经网络模型有很大的差异，一般的解决办法是增加数据集和添加正则。
4. 当训练集错误较小，而验证集较大时，通常是增加正则 lambda、增加数据集。
5. 当增加正则化超参数 lambda 时，权重会被推向更小，接近 0.

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。

在 Android 6.0（API 级别 23）以下申请权限是非常简单的，直接在 AndroidManifest.xml 这个配置文件中加入申请权限的列表就可以了，比如我要申请四个权限，如下：

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。

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。

有不少开发者在学习深度学习框架的时候会开源一些训练好的模型，我们可以使用这些模型来运用到我们自己的项目中。如果使用的是同一个深度学习框架，那就很方便，可以直接使用，但是如果时不同深度学习框架，我们就要对模型转换一下。下面我们就介绍如何把 Caffe 的模型转换成 PaddlePaddle 的 Fluid 模型。

Caffe 是目前比较常用的深度学习框架，这个框架安装没有其他一下主流框架那么简单，直接使用 pip 命令安装，它更常用的是使用编译的方式安装。所以写下这个文章记录一下。

中央民族大学创业团队巨神人工智能科技在科赛网公开了一个 TibetanMNIST 正是形体藏文中的数字数据集，TibetanMNIST 数据集的原图片中，图片的大小是 350*350 的黑白图片，图片文件名称的第一个数字就是图片的标签，如 0_10_398.jpg 这张图片代表的就是藏文的数字 0。在本项目中我们结合第四章所学的卷积神经网络，来完成 TibetanMNIST 数据集的分类识别。

开发人脸识别系统，人脸数据集是必须的。所以在我们开发这套人脸识别系统的准备工作就是获取人脸数据集。本章将从公开的数据集到自制人脸数据集介绍，为我们之后开发人脸识别系统做好准备。

前一章我们已经介绍了常见的人脸数据集，在本章将要进行人脸识别的第二步人脸检测。在人脸识别任务中，首先是需要检查一张图片中是包含有人脸，然后把这个人脸裁剪出来，然后使用脸部的关键点进行人脸对齐，最后使用人脸对比方式完成人脸识别。

问题：计算每层网络结构和输入输出尺寸和参数个数。不加 BN？更深？每层的尺寸变化？更多结构？

• 代表一组数据在分布上的集中趋势和总体上的平均水平。
• 常说的中心化（Zero-Centered）或者零均值化（Mean-subtraction），就是把每个数值都减去均值。

在深度学习中，我们经常会使用到 sigmoid 函数作为我们的激活函数，特别是在二分类上，sigmoid 函数是比较好的一个选择，以下就是 sigmoid 函数的公式：