Doi技术团队

在之前笔者有介绍过《在 Android 设备上使用 PaddleMobile 实现图像分类》，使用的框架是百度开源的 PaddleMobile。在本章中，笔者将会介绍使用腾讯的开源手机深度学习框架 ncnn 来实现在 Android 手机实现图像分类，这个框架开源时间比较长，相对稳定很多。

在之前笔者有介绍过《在 Android 设备上使用 PaddleMobile 实现图像分类》，使用的框架是百度开源的 PaddleMobile。在本章中，笔者将会介绍使用小米的开源手机深度学习框架 MACE 来实现在 Android 手机实现图像分类。

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。

我们使用的是 CASIA-WebFace 数据集，该人脸数据集是目前最大的公开人脸数据集。该人脸数据集一共有包含 10,575 个人，494,414 张图像，包含彩色图和灰图。各大人脸数据集情况如下表。

现在越来越多的手机要使用到深度学习了，比如一些图像分类，目标检测，风格迁移等等，之前都是把数据提交给服务器完成的。但是提交给服务器有几点不好，首先是速度问题，图片上传到服务器需要时间，客户端接收结果也需要时间，这一来回就占用了一大半的时间，会使得整体的预测

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。

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：

1. 零初始化，将权重参数初始化为零。
2. 随机初始化，使用随机的方式，初始化权重参数。
3. He 初始化，这个公式的初始化方式。

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.

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。