FlatBuffers反射
概述 概述 基本有三种方式： unpack和pack，可以对某个成员进行操作，可以在多个flatbuffers局部拷贝的时候用到。 parser方式，在做成员细致的修正的时候可以用到 reflection，不推荐使用。
个人学习笔记
学习整理：梯度下降(Gradient Descent)
概念 参考链接：Intro to optimization in deep learning: Gradient Descent 概念 只有2个权值的情况下，理想的损失函数模型如下：
caffe源码阅读
一、caffe::Net 1、NetParameter定义 一、caffe::Net 1、NetParameter定义 其中DEPRECATED已经去除 message NetParameter { optional string name = 1; // consider giving the network a name optional bool force_backward = 5 [default = false]; optional NetState state = 6; optional bool debug_info = 7 [default = false]; repeated LayerParameter layer = 100; // ID 100 so layers are printed last. }
VMware使用
一、如何扩展磁盘容量 一、如何扩展磁盘容量 在虚拟机系统下电后，选择编辑虚拟机设置->硬盘->扩展 启动虚拟机系统后执行sudo gparted，然后进行配置 1）linux-swap配置为swap off，然后delete 2）extended区域delete 3）ext4区域resize，预留4GB空间 4）unallocated区域，new->Extended Partition，然后再new->linux-swap 5）选√ 6）linux-swap区域选为swap on，然后记录下linux-swap区域的uuid sudo gedit /etc/fstab，替换swap的uuid 执行sudo swapoff -a，sudo swapon -a 执行reboot，重启系统
序列化之FlatBuffers
一、基本说明 一、基本说明 源码：FlatBuffers 指南：FlatBuffers Programmer’s Guide 结构定义文件为.fbs，注释使用//，可以使用include "my.fbs"嵌套包含文件 可以理解为轻量级的protobuf，不会依赖library，但是编码会复杂一些 FlatBuffers的特点是先构造成员，再构造父结点；与protobuf相反
tensorflow的模型设计
一、简单模型设计 一、简单模型设计 如下模型（ 参见：神经网络反向推导 )
tensorflow的基础使用
一、图 graph 一、图 graph tensorflow是基于graph的并行计算架构。graph是静态的，构建gragh并不会运行。需要启动一个session，运行graph。比如a=(b+c)*(c+2) 的graph如下：（其中b+c 和 c+2是并行的）
Dockerfile的使用
指令说明 FROM 指令说明 FROM 制定所创建镜像的基础镜像，如果本地不存在，则默认会去Docker Hub下载指定镜像。格式为FROM<image>，或FROM<image>:<tag>,或FROM<image>@<digest>。 注意：任何Dockerfile中的第一条指令必须为FROM指令，并且，如果在同一个Dockerfile中创建多个镜像，可以使用多个FROM指令（每个镜像一次）。比如： FROM centos FROM centos:latest
docker的使用
一、安装和配置 一、安装和配置 安装docker sudo apt-get install docker-io 配置用户组 sudo usermod -aG docker USER_NAME ：避免每次使用特权身份，重新登录生效 查看docker信息 docker info 启动和关闭docker服务 sudo service docker restart : 重启docker服务 sudo service docker stop : 关闭docker服务
caffe如何使用训练好的模型
一、需要的文件 一、需要的文件 经过caffe训练后，通常需要使用4种文件： 模型配置文件，比如lenet.prototxt，内容类似如下： name: "LeNet" layer { name: "data" type: "Input" top: "data" input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } } layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" ...... 注意它与lenet_train.prototxt的区别，主要是输入替换，和weight_filler和bias_filler删除等 模型文件，比如lenet_10000.caffemodel 均值文件，比如mean.binaryproto 标签文件，比如name.labels，内容如下： thing matter object atmospheric phenomenon body part body of water head hair ......
caffe如何解析数据库
一、convert_imageset 一、convert_imageset 使用caffe中的convert_imageset工具可以将原始图片转换成LevelDB或者Lmdb格式。转换方法如下： $ convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME
caffe的基础使用
一、环境搭建 1、安装依赖库 一、环境搭建 1、安装依赖库 sudoapt−getinstalllibprotobuf−devlibleveldb−devlibsnappy−devlibopencv−devlibhdf5−serial−devprotobuf−compiler sudo apt-get install --no-install-recommends libboost-all-dev sudoapt−getinstalllibgflags−devlibgoogle−glog−devliblmdb−dev sudo apt-get install libatlas-base-dev $ sudo apt-get install python-dev