亚洲色成人网站www永久,亚洲欧美人成视频一区在线,亚洲国产成人高清在线观看,亚洲精品久久久久久动漫,亚洲国产精品久久电影欧美

數(shù)字貨幣的最小單位是 1 乘 10 的負(fù) 8 次方,即 0.00000001,出現(xiàn)任何比小數(shù)點(diǎn)后 8 位小的則自動(dòng)截取小數(shù)點(diǎn)后 8 位,不采用四舍五入的方法 交易所 MGD/BTC 這兩種數(shù)字貨幣的交易 假設(shè)： 甲以 1 個(gè) MGD=0.000494BTC 的價(jià)格購(gòu)買(mǎi) 16000 個(gè) MGD
即買(mǎi)入下單： 價(jià)格(BTC)0.000494 數(shù)量（ MGD ） 16000 預(yù)計(jì)成交額 7.904BTC （ 0.000494* 16000 ） 下單時(shí),系統(tǒng)凍結(jié) 7.904 個(gè) BTC 用于購(gòu)買(mǎi) 16000 個(gè) MDG, 這筆訂單在撮合交易系統(tǒng)里分別與乙和丙完成成交 乙、價(jià)格 0.000494 數(shù)量 11057.9159 成交 5.4626104546 截取八位 5.46261045 丙、價(jià)格 0.000494 數(shù)量 4942.0841 成交 2.4413895454 截取八位 2.44138954
則乙獲得 5.46261045 個(gè) BTC ；丙獲得 2.44138954 個(gè) BTC,雙方共獲得 7.90399999 而甲下單以后被凍結(jié) 7.904 個(gè) BTC 并成功購(gòu)買(mǎi) 16000 個(gè) MGD 那么這 7.904-7.90399999=0.000000001 的誤差如何來(lái)處理？
我們的方法是算作交易所的收益,但是否有可能某一種交易的情況下,需要交易所補(bǔ)貼類(lèi)似這樣 0.00000001 的情況？ 而且交易數(shù)據(jù)是用戶(hù)可查的,對(duì)于甲來(lái)說(shuō),兩次交易分別顯示花出 5.46261045 個(gè) BTC 和 2.44138954 個(gè) BTC,那么甲是否會(huì)找交易所問(wèn)他的 0.00000001 個(gè) BTC 哪里去了。

如題,b 站 up 主圖靈的貓發(fā)視頻稱(chēng) tiktok 被收購(gòu),那么背后的 ai 相關(guān)模型,可能會(huì)被美國(guó)通過(guò)對(duì)相關(guān)參數(shù)的分析,從而逆推出國(guó)內(nèi)用戶(hù)群體畫(huà)像。(視頻已掛)
疑惑之處：
1.這樣的逆推有沒(méi)有可能實(shí)現(xiàn)呢？
2.tiktok 會(huì)把國(guó)內(nèi)的模型照搬過(guò)去,然后用海外用戶(hù)的數(shù)據(jù)再調(diào)整參數(shù)嗎？還是說(shuō)從頭建一個(gè)模型,用國(guó)外用戶(hù)形成的數(shù)據(jù)集再重新訓(xùn)練,與國(guó)內(nèi)完全分開(kāi),談不上信息泄露
看過(guò)視頻的相關(guān)從業(yè)者可以解答下疑惑嗎？本人對(duì)人工智能相關(guān)知識(shí)并不了解,所以完全是站在吃瓜群眾的角度去復(fù)述這件事情,可能說(shuō)的不太準(zhǔn)確

網(wǎng)上看到普遍的答案是這個(gè) class TVLoss(nn.Module): def __init__(self,TVLoss_weight=1): super(TVLoss,self).__init__() self.TVLoss_weight = TVLoss_weight def forward(self,x): batch_size = x.size()[0] h_x = x.size()[2] w_x = x.size()[3] count_h = self._tensor_size(x[:,:,1:,:]) count_w = self._tensor_size(x[:,:,:,1:]) h_tv = torch.pow((x[:,:,1:,:]-x[:,:,:h_x-1,:]),2).sum() w_tv = torch.pow((x[:,:,:,1:]-x[:,:,:,:w_x-1]),2).sum() return self.TVLoss_weight*2*(h_tv/count_h+w_tv/count_w)/batch_size def _tensor_size(self,t): return t.size()[1]*t.size()[2]*t.size()[3]
這里給出的說(shuō)的是β=2,且不支持變更. 所以按照這里給出的公式 https://blog.csdn.net/yexiaogu1104/article/details/88395475 β/2, 當(dāng)β=2 那就是 1 也就是不進(jìn)行任何操作. 所以最后 return 這里為什么會(huì)返回一個(gè) self.TVLoss_weight 2, 為啥要 2 呢..

最近在學(xué)習(xí) pix2pixHD 的模型.基本上大體都對(duì)模型的細(xì)節(jié)有所了解了,但是想像在 tensorboard 里面 plot 一下模型.發(fā)現(xiàn)很多問(wèn)題.想請(qǐng)教一下有沒(méi)有什么比較好的方法可以把模型的結(jié)構(gòu)圖給打出來(lái)呢? 我首先試了一下 pytorch 的 torch.utils.tensorboard,用的 add_graph 這個(gè)要求寫(xiě)一個(gè) dummyinput 我就直接從 train 里面的 dataloader 直接 load 了一個(gè)數(shù)據(jù),然后出現(xiàn)的錯(cuò)誤如下: Converting a tensor to a Python index might cause the trace to be incorrect…This means that the trace might not generalize to other inputs! 大概意思就是說(shuō)把 tensor 轉(zhuǎn)成 python 就會(huì)變成常量什么的,然后圖就打不出來(lái).
我本來(lái)已經(jīng) hack 了一下模型的源代碼,因?yàn)?add_graph 要求只有一個(gè) input,但是它在 train.py 腳本中是有 4 個(gè) input 的,我把它打包成一個(gè)參數(shù)之后再在執(zhí)行中自己再解開(kāi)了. 實(shí)際上出現(xiàn)問(wèn)題的好像是它本身在 forward 中對(duì) tensor 的一些轉(zhuǎn)換出現(xiàn)了問(wèn)題.
它的源代碼寫(xiě)的有點(diǎn)抽象,各種包裝,加上初學(xué)實(shí)在想象不出來(lái)這個(gè)模型(已經(jīng)大概有個(gè)數(shù)了,但是想打印出來(lái)對(duì)照一下自己理解有沒(méi)有錯(cuò))
有沒(méi)有什么比較快速的方法可以先讓我預(yù)覽一下這個(gè)模型呢?(實(shí)在不行我就只能一個(gè)一個(gè)模塊在 tf 里面復(fù)現(xiàn),或者把各個(gè)層重新自己寫(xiě)一次再用 summarywriter 來(lái)查看了..)

新用戶(hù)可以免費(fèi)試用 2 小時(shí)活動(dòng)平臺(tái): kiwicloud.io demo: bilibili.com/video/BV1ez411v74J 預(yù)裝 顯卡驅(qū)動(dòng) CUDA 10.1 anaconda 環(huán)境

機(jī)器學(xué)習(xí)初學(xué)者,感謝各位的包涵。疑問(wèn)如下：
首先 ,吳恩達(dá)機(jī)器學(xué)習(xí)課程中,第六周應(yīng)用機(jī)器學(xué)習(xí)的建議——模型選擇和交叉驗(yàn)證一節(jié)中講到（如圖一）,將六成數(shù)據(jù)作為訓(xùn)練集,兩成數(shù)據(jù)交叉驗(yàn)證集,兩成數(shù)據(jù)測(cè)試集。然后分四步：
第一 ：用訓(xùn)練集訓(xùn)練出多個(gè)模型得到各自參數(shù)；
第二 ：將這若干個(gè)模型分別在此用交叉驗(yàn)證集計(jì)算各自交叉驗(yàn)證誤差；
第三 ：選取交叉驗(yàn)證誤差最小的模型；
第四 ：用第三步選出的模型,對(duì)測(cè)試集計(jì)算泛化誤差。
↑↑↑ 圖一 ↑↑↑
以上大體是吳恩達(dá)課程中該部分對(duì)交叉驗(yàn)證的概述。
然而 ,我在搜索引擎及書(shū)籍中看到一種觀點(diǎn)如下,如圖二《白話(huà)機(jī)器學(xué)習(xí)算法》,這本書(shū)的意思大概為：
將全部數(shù)據(jù)集本身切分,然后分別依次互相做交叉驗(yàn)證集。
↑↑↑ 圖二 ↑↑↑
兩處對(duì)交叉驗(yàn)證名詞的解讀有明顯不同 。
故有此疑問(wèn),機(jī)器學(xué)習(xí)中的 交叉驗(yàn)證 到底是指什么呢？吳恩達(dá)機(jī)器學(xué)習(xí)課程和一些書(shū)籍中的該名詞指的是同一種事物嗎？

首先為我的標(biāo)題黨行為向各位朋友道個(gè)歉,但確實(shí)今天導(dǎo)師突然讓我給實(shí)驗(yàn)室配個(gè)服務(wù)器,我因?yàn)闆](méi)有裝機(jī)經(jīng)驗(yàn),所以現(xiàn)在有點(diǎn)懵,想問(wèn)問(wèn)各位有沒(méi)有什么推薦的配置
需求：目前比較主流的顯卡,能用大概三年左右不落伍,跑機(jī)器學(xué)習(xí)算法的訓(xùn)練,有幾個(gè)師兄做 VR/AR 的研究,所以也需要承擔(dān) VR/AR 的性能
預(yù)算：導(dǎo)師說(shuō)沒(méi)有預(yù)算,盡量選比較好的,但也不要太奢華的（我們實(shí)驗(yàn)室算上今年新生大概 17 個(gè)人,搞機(jī)器學(xué)習(xí)的目前好像就我,其他師兄師姐主要做的還是 VR 這類(lèi)人機(jī)交互的方向,后面可能還會(huì)有幾個(gè)新生確定機(jī)器學(xué)習(xí)方向,也會(huì)去訓(xùn)練一下模型啥的
我的想法：我看了一圈京東,目前感覺(jué)： 顯卡： 似乎選 RTX2080 TI 比較合適,但它價(jià)格從 8000-13000 不等,這塊還是有點(diǎn)疑惑,選擇哪個(gè)牌子和哪個(gè)系列比較好,還有就是似乎有帖子建議買(mǎi) turbo 型號(hào)的,說(shuō)三個(gè)風(fēng)扇那種不利于多卡（我也不確定實(shí)驗(yàn)室會(huì)不會(huì)有后續(xù)擴(kuò)展多卡需求,但感覺(jué)上是不是留出一些擴(kuò)展性更好一些？） 主板： 是不是應(yīng)該選支持多卡的,這樣可進(jìn)可退,單卡也可以用？目前看到的有帖子推薦技嘉 X299 CPU： i9 9900K （這個(gè)沒(méi)細(xì)看 內(nèi)存： 海盜船 DDR4 32G （是不是 32G 比較主流 其他的元器件還沒(méi)看
其實(shí)導(dǎo)師讓我配服務(wù)器的時(shí)候還發(fā)給我一個(gè)店鋪鏈接,讓我在這個(gè)經(jīng)銷(xiāo)商這看看,但我看里面好像都是裝機(jī)套餐,感覺(jué)可能有水分,所以還是有點(diǎn)猶豫,順便問(wèn)問(wèn)各位裝機(jī)是自己買(mǎi)好了組裝好一些還是選這種直接列清單給裝好的
編輯比較倉(cāng)促,感謝各位看完,先謝謝大家了

視頻有很多個(gè)每幀移動(dòng)的透明水印,想去除這個(gè)水印。最近嘗試了很多種方案,都看起來(lái)可行,但是實(shí)際上一大堆坑 最開(kāi)始嘗試用 TF object detection 探測(cè)位置,想直接減去。后面發(fā)現(xiàn)這個(gè)水印深淺和大小都有細(xì)微的差別,探測(cè)的精度也不夠。 后面想嘗試 SR 和 GAN 的方式去修補(bǔ),搞了一萬(wàn)+的數(shù)據(jù)集,跑出來(lái)的模型效果也一直不好 有看到幾個(gè)不錯(cuò)的去水印 paper （例如 noise2noise ）,就是不適合視頻,速度太慢了 搞這個(gè)已經(jīng)快懷疑人生了,有沒(méi)有人給點(diǎn)好的建議或方向,感激不盡

前提：學(xué)習(xí)性質(zhì)的個(gè)人項(xiàng)目,準(zhǔn)確度不必太高,能在樂(lè)觀情況下匹配就可以。對(duì)機(jī)器學(xué)習(xí)不熟悉。 對(duì)于帶配圖問(wèn)題的工業(yè)級(jí)別的方案是不是還要識(shí)別圖片區(qū)域,對(duì)這塊區(qū)域進(jìn)行以圖搜圖？還是整個(gè)圖(包含配圖和文字題干)進(jìn)行以圖搜圖？ 現(xiàn)在只準(zhǔn)備做 ocr 文本后匹配文本,對(duì)于比較大的數(shù)據(jù)量(200-300w 題目),常用的方案都有哪些？比如 es/faiss(能做文本匹配嗎,好像只看到圖片)？ ocr 預(yù)處理時(shí)發(fā)現(xiàn)二值化(sauvola)后文字邊緣有一定腐蝕,針對(duì)文本的二值化有什么更好的算法嗎？ 對(duì)于題目的 document layout analysis,有什么好的方案嗎？搜索一些資料基本都是對(duì)論文和新聞文檔做的分析,跟題目的排版還是有較大區(qū)別,自己訓(xùn)練后是否能達(dá)到較好的成果或者有專(zhuān)門(mén)的方案和思路嗎？
問(wèn)題較多,回答皆有金幣感謝,thx

有一批時(shí)間序列數(shù)據(jù),記為 x,shape 為 [n(time), n(location), n(feature)],分別為時(shí)間、地點(diǎn)和特征維度,例如不同地點(diǎn)不同時(shí)間的降雨量、氣溫、噪音等。用簡(jiǎn)單的 LSTM 做時(shí)間序列預(yù)測(cè),LOSS 與評(píng)價(jià)指標(biāo)為 RMSE 。按理說(shuō)輸入數(shù)據(jù)前需要對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理,例如 min-max 或者 z-score
1 、應(yīng)該在哪個(gè)維度上對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理呢？例如 z-score: x = np.mean(x, axis = 0) / np.std(x, axis = 0) x = np.mean(x, axis = (0, 1)) / np.std(x, axis = (0, 1)) x = np.mean(x) / np.std(x) 以上哪種是合理的呢？
2 、在實(shí)際嘗試中,我用了 min-max 、z-score 、取對(duì)數(shù)、取 sigmoid 等多種標(biāo)準(zhǔn)化方法,對(duì)應(yīng)的輸出層激活函數(shù)也試過(guò) sigmoid, tanh 或者不使用激活函數(shù),發(fā)現(xiàn)要么 loss 壓根不下降,要么 loss 可以下降但錯(cuò)誤率很高,反而用原始數(shù)據(jù)輸入能得到比較好的結(jié)果（優(yōu)于 ARIMA 等傳統(tǒng)模型）,很快模型就收斂了,這是為什么呢？不對(duì)時(shí)間序列做任何預(yù)處理就扔進(jìn)網(wǎng)絡(luò),是可以接受的嗎

例如一張股票走勢(shì)圖里,檢測(cè)多段具有某種特征的曲線(xiàn)并框起來(lái)（類(lèi)似于目標(biāo)檢測(cè)）

我在云服務(wù)器上 （ 1G, 1cpu ）, 總是提示內(nèi)存不夠。請(qǐng)問(wèn) tensorflow2 安裝最低的內(nèi)存要求,或者有什么方法可以避免這個(gè)提示？ 謝謝大家~

謝謝老鐵

比較基礎(chǔ)的最好,對(duì)著官方 doc 跑了一下 demo,稍微熟悉了下,但是很多名詞不是很懂

本來(lái)要安裝 gpu 版本,安裝顯卡驅(qū)動(dòng)并安裝和 nvidia 容器工具包后,運(yùn)行 docker run --gpus all --rm nvidia/cuda nvidia-smi ,可以看到正常結(jié)果,然后正常安裝 tensorflow-gpu docker 容器（里面的 tengsorflow 可以正常運(yùn)行）,完成后 exit 退出 ssh,過(guò)一段時(shí)間再次鏈接再次運(yùn)行發(fā)現(xiàn) docker run --gpus all --rm nvidia/cuda nvidia-smi 會(huì)卡死,同時(shí) tensorflow 容器里面提示無(wú)法找到顯卡,而運(yùn)行其他非 docker 的 gpus 命令正常,有人遇到嗎？百思不得其解,我嘗試重新重啟并從安裝顯卡驅(qū)動(dòng)開(kāi)始又恢復(fù)正常,然后過(guò)段時(shí)間后又失效

已經(jīng)是訓(xùn)練好的模型了,投入生產(chǎn)環(huán)境也很吃算力,一般的服務(wù)器沒(méi)有獨(dú)立顯卡啊,難道只能跑 cpu 版本,cpu 速度很慢,沒(méi)法用啊,或者給服務(wù)器搞一塊強(qiáng)勁顯卡？

9 月 22 日,作為國(guó)慶前的西安最后一場(chǎng) TensorFlow 技術(shù)交流,TFUG 將為西安開(kāi)發(fā)者帶來(lái)一場(chǎng)內(nèi)容豐富的深度學(xué)習(xí)技術(shù)交流活動(dòng)。在本次活動(dòng)上,來(lái)自不同專(zhuān)業(yè)背景的三位講師將分別就機(jī)器學(xué)習(xí)領(lǐng)域語(yǔ)言新寵 Julia （胡鍵,上海圭步 CTO ）、領(lǐng)域知識(shí)圖譜（鄧葉勛,美亞柏科 AI 研發(fā)中心機(jī)器學(xué)習(xí)算法工程師）和 TensorFlow 入門(mén)（翟軍志,深信科創(chuàng)高級(jí)工程師）給大家?guī)?lái)精彩的分享和討論。時(shí)間：9 月 22 日 13:30-17:30 地點(diǎn)：天谷八路軟件新城 2 期 c1 阿里巴巴絲路總部 19 樓 公眾號(hào)搜：TFUG 西安

今天在 GDD 聽(tīng)了 tf.text 主題演講,演講者在 demo 中使用 Unicode 分字,把中文句子分成單字。
而我和同事在過(guò)去多用詞典法分詞。
想要討論下分字和詞典法分詞兩個(gè)效果有什么差異,結(jié)果一直沒(méi)能堵到演講者 ??。
不知道各位在應(yīng)用過(guò)程中有沒(méi)有對(duì)這方面做過(guò)評(píng)估。

| category | ------------- |'家居', '室內(nèi)設(shè)計(jì)', '裝飾裝潢' |'房地產(chǎn)', '建筑', '建材', '工程' |'房地產(chǎn)'
不支持表格。。。

用了新的 Tesorflow,感覺(jué)完全為了照顧小白,把原來(lái)的老用戶(hù)給屠殺的干干凈凈。 動(dòng)態(tài)圖計(jì)算,我根本不需要,性能、移植性是我考慮的目標(biāo)。 現(xiàn)在 TF 不僅包越來(lái)越大,趨于臃腫,連語(yǔ)法都看不懂,叫 TfKeras 得了。 有介紹說(shuō) MXNET 很好,看看大家怎么想。

#Tensorflow 入門(mén)教程 http://tensornews.cn/ 深度學(xué)習(xí)發(fā)展史 特征工程 深度學(xué)習(xí)之激活函數(shù) 損失函數(shù) 反向傳播算法 [上] 反向傳播算法 [下] Tensorflow 介紹和安裝 Tensorflow 基本操作 卷積神經(jīng)網(wǎng)絡(luò)概述 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)操作 手寫(xiě)數(shù)字識(shí)別數(shù)據(jù)集介紹 卷積神經(jīng)實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型概述 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型 LeNet 綜述 RNN 循環(huán)神經(jīng)網(wǎng)絡(luò) 七步帶你實(shí)現(xiàn) RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)小示例 常用 RNN 網(wǎng)絡(luò)結(jié)構(gòu)及依賴(lài)優(yōu)化問(wèn)題 RNN 的應(yīng)用及注意力模型 Tensorboard [上] Tensorboard [下] tensorflow_multi_gpu Awesome_Tensorflow

同樣的代碼,在 spyder 里面運(yùn)行和直接在 Ubuntu 控制臺(tái)上運(yùn)行的結(jié)果不一致,如下截圖 spyder 的控制臺(tái): https://i.loli.net/2019/06/28/5d15cc7f0daf243402.png ubuntu 控制臺(tái): https://i.loli.net/2019/06/28/5d15cc7fcf86410820.png
順便問(wèn)一句,tensorflow,一直沒(méi)有使用 GPU 來(lái)跑,這是為啥? cuda 版本:10.01 python:3.6.7 tensorflow 1.13.1
tensorflow-estimator 1.13.0
tensorflow-gpu 1.13.1 cudnn 7.5 也試過(guò)將這些東西重裝了一次,還是不行 運(yùn)行 tensorflow 的時(shí)候,一直沒(méi)有報(bào)錯(cuò),但是把我的顯卡內(nèi)存占用了,卻在用 cpu 來(lái)跑,GPU(GTX960)利用率為<10% 部分代碼: gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.33) with tf.Session(gpu_options=gpu_options,config=tf.ConfigProto(log_device_placement=True)) as sess: sess.run(mymode.global_init) #初始全局節(jié)點(diǎn) 郁悶...

其實(shí)現(xiàn)在 TensorFlow 1.13 版已經(jīng)有大量 tf.keras 的 API 了, 我嘗試將 MobileNet V2 用 keras 那套 subclassing 方法寫(xiě)了一遍。 發(fā)現(xiàn)無(wú)論怎樣操作都無(wú)法把 tf.keras.layers 里 Batch Normalization 的 running mean 以及 running variance 加進(jìn) UpdateOps 這個(gè) Collection, 同時(shí),類(lèi)似這種情況含有 regularization 的 Conv2D 中也不會(huì)把 regularization 加進(jìn) regularization loss collection 里。 查了下 GitHub 上相關(guān)的 issue, 有人說(shuō)用 keras 那套 model.compile 和 model.fit 來(lái)進(jìn)行 training 可以 update 這些。 這是不是意味著以后習(xí)慣靜態(tài)圖的玩家基本就沒(méi)有框架可用了。

被 Tensorboard 折磨 ing, 碰到這個(gè)問(wèn)題,不得其解。 首先我用 placeholder 定義了一個(gè)計(jì)算圖,并將其中的某些變量添加到了 tf.summary.scalar()中。 隨后我以如下方式添加了 tf.summary.merge_all() # Graph has been defined above # And variables have beed added via tf.summary.scalar() init = tf.global_variables_initializer() if save_dir is not None: merged_summary_op = tf.summary.merge_all() # Training process... with tf.Session() as sess: sess.run(init) print(tf.get_collection(tf.GraphKeys.SUMMARIES), merged_summary_op) # returns [] None
報(bào)錯(cuò)顯示為： cost, rcost, merged = sess.run([self.cost, self.rcost, merged_summary_op], feed_dict={self.mode:'train', self.x:data, self.labels:label}) TypeError: Fetch argument None has invalid type （ merged_summary_op -> None ）
請(qǐng)問(wèn)這是什么原因?qū)е碌模?我查到了一篇博客,里面描述了一種情形,我也不太理解。這會(huì)是跟我類(lèi)似的問(wèn)題嗎？
博客鏈接

數(shù)據(jù)來(lái)源是京東新款手機(jī)的評(píng)論和打分,目前收集到 2500 條數(shù)據(jù),但打分小于 5 分的只有不到 40 條
訓(xùn)練模型層次是：嵌入層-》 LSTM-》 Dense-》 Dense-》輸出層 嵌入層的初始數(shù)據(jù)為 word2vec 訓(xùn)練的詞向量 輸入的訓(xùn)練數(shù)據(jù)為詞索引,標(biāo)記為打分
部分代碼如下： def main(): x_train = pad_seq() y_train = star() x_train, y_train, x_test, y_test = set_data(x_train, y_train) model = Sequential() model.add(Embedding(input_dim=input_dim+1, output_dim=output_dim, input_length=k, embeddings_initializer=my_init)) model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2, activation='sigmoid')) model.add(Dense(256, activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dense(1,activation='sigmoid')) model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"]) model.fit(x_train, y_train, batch_size=batch_size, epochs=15) score, acc = model.evaluate(x_test, y_test, batch_size=batch_size) print('Test score:', score) print('Test accuracy:', acc)
然而訓(xùn)練結(jié)果是這樣的。。。 Epoch 15/15 32/2015 [..............................] - ETA: 0s - loss: -63.2713 - acc: 0.0000e+00 160/2015 [=>............................] - ETA: 0s - loss: -63.4706 - acc: 0.0000e+00 288/2015 [===>..........................] - ETA: 0s - loss: -63.5481 - acc: 0.0000e+00 384/2015 [====>.........................] - ETA: 0s - loss: -63.2713 - acc: 0.0026 480/2015 [======>.......................] - ETA: 0s - loss: -63.3046 - acc: 0.0021 608/2015 [========>.....................] - ETA: 0s - loss: -63.4024 - acc: 0.0016 736/2015 [=========>....................] - ETA: 0s - loss: -63.3796 - acc: 0.0027 864/2015 [===========>..................] - ETA: 0s - loss: -63.3821 - acc: 0.0023 992/2015 [=============>................] - ETA: 0s - loss: -63.3838 - acc: 0.0020 1120/2015 [===============>..............] - ETA: 0s - loss: -63.3852 - acc: 0.0018 1248/2015 [=================>............] - ETA: 0s - loss: -63.3991 - acc: 0.0016 1376/2015 [===================>..........] - ETA: 0s - loss: -63.4104 - acc: 0.0015 1504/2015 [=====================>........] - ETA: 0s - loss: -63.3879 - acc: 0.0020 1632/2015 [=======================>......] - ETA: 0s - loss: -63.4081 - acc: 0.0018 1760/2015 [=========================>....] - ETA: 0s - loss: -63.4344 - acc: 0.0017 1888/2015 [===========================>..] - ETA: 0s - loss: -63.4233 - acc: 0.0021 2015/2015 [==============================] - 1s 470us/step - loss: -63.4214 - acc: 0.0020 32/504 [>.............................] - ETA: 2s 504/504 [==============================] - 0s 412us/step Test score: -63.769539061046785 Test accuracy: 0.0 Process finished with exit code 0
model 如下： _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding_1 (Embedding) (None, 20, 50) 49350 _________________________________________________________________ lstm_1 (LSTM) (None, 128) 91648 _________________________________________________________________ dense_1 (Dense) (None, 256) 33024 _________________________________________________________________ dense_2 (Dense) (None, 128) 32896 _________________________________________________________________ dense_3 (Dense) (None, 1) 129 ================================================================= Total params: 207,047 Trainable params: 207,047 Non-trainable params: 0 _________________________________________________________________

首先 cuda 裝的是 9.1.85_win10_64 位,是在百度網(wǎng)盤(pán)上下載的 local 可執(zhí)行文件（因?yàn)楣倬W(wǎng)的下載太慢而且聯(lián)網(wǎng)版安裝包也很慢）,用 vs2015 測(cè)試自帶 Samples 成功。
然后 cudnn 是下載官網(wǎng)的 9.0 版本,但是按照網(wǎng)上做法測(cè)試報(bào)錯(cuò)： #include #include #include using namespace std; void main() { cudnnHandle_t handle; cudnnStatus_t t = cudnnCreate(&handle); cout << cudnnGetErrorString(t); getchar(); }
錯(cuò)誤 MSB3721 命令“"D:\CUDA9.2\Development\bin\nvcc.exe" -gencode=arch=compute_30,code="sm_30,compute_30" --use-local-env --cl-version 2015 -ccbin "C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\bin" -x cu -ID:\CUDA9.2\Development\include -ID:\CUDA9.2\Development\include -G --keep-dir Debug -maxrregcount=0 --machine 32 --compile -cudart static -g -D_MBCS -Xcompiler "/EHsc /W3 /nologo /Od /FS /Zi /RTC1 /MDd " -o Debug\test.cu.obj "C:

我的 python 版本是 Python 3.4.8[email?protected] :~(spider)$ pip install --ignore-installed --upgrade 'https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl'--user Collecting https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user HTTP error 404 while getting https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user Could not install requirement https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user because of error 404 Client Error: Not Found for url:https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user Could not install requirement https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user because of HTTP error 404 Client Error: Not Found for url:https://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user for URLhttps://github.com/sigilioso/tensorflow-build/raw/master/tensorflow-1.4.0-cp36-cp36m-linux_x86_64.whl--user 下載版本的報(bào)錯(cuò),直接 pip3 install tensorflow 的話(huà)不能用 Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 我是想用這個(gè)浮點(diǎn)運(yùn)算的,現(xiàn)在如何下載對(duì)應(yīng)版本的 tensorflow

我是參考這位兄弟的文章練習(xí)的,只不過(guò)我的環(huán)境換成了 Ubuntu,
https://www.jianshu.com/p/db8824205fc3
根據(jù)這位博主的測(cè)試,第一千步就差不多能達(dá)到 90%準(zhǔn)確率。 step:100 loss:1.5357 accuracy:0.4900 step:200 loss:1.0189 accuracy:0.7000 step:300 loss:0.7720 accuracy:0.7850 step:400 loss:0.6589 accuracy:0.8000 step:500 loss:0.4987 accuracy:0.8300 step:600 loss:0.5863 accuracy:0.8100 step:700 loss:0.5242 accuracy:0.8350 step:800 loss:0.3541 accuracy:0.9000 step:900 loss:0.5004 accuracy:0.8700 step:1000 loss:0.3152 accuracy:0.9050
可是我訓(xùn)練了差不多一百萬(wàn)步,始終在 0.3~0.4 徘徊,不收斂,里面有些大小寫(xiě)的錯(cuò)誤我都修正了,還是不得要領(lǐng)。
我的訓(xùn)練結(jié)果： step:100 loss:2.2414 accuracy:0.2250 used time: 3 s step:200 loss:2.0146 accuracy:0.3450 used time: 7 s step:300 loss:1.9829 accuracy:0.2900 used time: 11 s step:400 loss:1.8127 accuracy:0.3350 used time: 15 s step:500 loss:1.9361 accuracy:0.3150 used time: 19 s step:600 loss:1.8108 accuracy:0.3300 used time: 23 s step:700 loss:1.7482 accuracy:0.3950 used time: 27 s step:800 loss:1.7227 accuracy:0.3200 used time: 31 s step:900 loss:1.7529 accuracy:0.3500 used time: 35 s step:1000 loss:1.7124 accuracy:0.3300 used time: 38 s step:1100 loss:1.7832 accuracy:0.3350 used time: 42 s step:1200 loss:1.7278 accuracy:0.3500 used time: 46 s step:1300 loss:1.6402 accuracy:0.3000 used time: 50 s step:1400 loss:1.6699 accuracy:0.3200 used time: 54 s step:1500 loss:1.6819 accuracy:0.3600 used time: 59 s step:1600 loss:1.7417 accuracy:0.3400 used time: 63 s step:1700 loss:1.7227 accuracy:0.3350 used time: 67 s step:1800 loss:1.6762 accuracy:0.3850 used time: 71 s step:1900 loss:1.6828 accuracy:0.3150 used time: 75 s step:2000 loss:1.6694 accuracy:0.2900 used time: 79 s step:2100 loss:1.6974 accuracy:0.2950 used time: 83 s step:2200 loss:1.6517 accuracy:0.3450 used time: 87 s step:2300 loss:1.6009 accuracy:0.3600 used time: 91 s step:2400 loss:1.7358 accuracy:0.3300 used time: 95 s step:2500 loss:1.7149 accuracy:0.3500 used time: 99 s step:2600 loss:1.6166 accuracy:0.3850 used time: 103 s step:2700 loss:1.6242 accuracy:0.3500 used time: 107 s step:2800 loss:1.6648 accuracy:0.3550 used time: 111 s step:2900 loss:1.6295 accuracy:0.3050 used time: 115 s step:3000 loss:1.6616 accuracy:0.3400 used time: 119 s
聯(lián)系了博主,博主表示檢查了很久也不知道為什么會(huì)這樣。而且同一篇文章下也有其它網(wǎng)友說(shuō)遇到了同樣的問(wèn)題。
請(qǐng)教下各位大神~先謝過(guò)了。

最近在學(xué)習(xí) python,想入門(mén)一下深度學(xué)習(xí),網(wǎng)上搜了一些大都是用的 python2.7,因?yàn)閯傞_(kāi)始所以不太明白,TensorFlow 是支持 python3 的,請(qǐng)教各位一下,有好的書(shū)籍或者視頻推薦嗎？

偶然又看到“限制性三體問(wèn)題”：理想模式下,就 3 個(gè)星體,不考慮 3 個(gè)星體之外的環(huán)境擾動(dòng)。已知 3 個(gè)星體的能量、動(dòng)量、角動(dòng)量,設(shè)置初始狀態(tài)不考慮形狀、質(zhì)心偏移等因素。這種情況下的“限制性三體問(wèn)題”,依然沒(méi)有數(shù)學(xué)上的解析解。顯然是目前的數(shù)學(xué)工具不夠。想了一下,是不是和偏微分方程沒(méi)有精確解是同一個(gè)本質(zhì)？ 三體問(wèn)題應(yīng)該要用全微分的,如果 4 體問(wèn)題要用全微分+1 維常微分（已經(jīng)找不到數(shù)學(xué)里的方式去描述了）,所以 N 體問(wèn)題無(wú)解,本質(zhì)上是目前沒(méi)有比微分方程更高一級(jí)的數(shù)學(xué)表述工具。 我的理解是至少要有一種泰勒級(jí)數(shù)展開(kāi)這樣的分析方法,去做為微分方程的展開(kāi)式表示,才能處理 N 體問(wèn)題？ 剛上渣本的低年級(jí)新鳥(niǎo),敘述不準(zhǔn)多多指正。

圖中劃線(xiàn)部分左閉區(qū)間是怎么得出來(lái)的？
h(x0)為什么一定取得到？

因?yàn)橄霃念^學(xué)習(xí)數(shù)學(xué),最近在看陶哲軒的 實(shí)分析 ,首先就是定義自然數(shù)：
Axiom 2.1. 0 is a natural number.
Axiom 2.2. If n is a natural number, then n++ is also a natural number.
Axiom 2.3. Axiom 2.3. 0 is not the successor of any natural number; i.e., we have n++ = 0 for every natural number n.
Axiom 2.4. Different natural numbers must have different successors; i.e., if n, m are natural numbers and n = m, then n++ = m++. Equivalently2, if n++ = m++, then we must have n = m.
前四條看下來(lái),有兩個(gè)疑問(wèn)： "0"這個(gè)符號(hào)是自然數(shù),但它是如何對(duì)應(yīng)到我們所認(rèn)知的 0 這個(gè)數(shù)量的 "++"這個(gè)動(dòng)作為什么是+1,而不是+0.1,+0.77
作者顯然知道我們會(huì)有這些疑惑,緊接著給出一個(gè)例子：
N := {0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5,...}.
并且勾勒出目前只缺少一個(gè)公理 ：
What we want is some axiom which says that the only numbers in N are those which can be obtained from 0 and the increment operation - in order to exclude elements such as 0.5.
可是最后一個(gè)公理是數(shù)學(xué)歸納法原理：
Axiom 2.5 (Principle of mathematical induction). Let P(n) be any property pertaining to a natural number n. Suppose that P(0) is true, and suppose that whenever P(n) is true, P(n++) is also true. Then P(n) is true for every natural number n.
對(duì) axiom 2.5 的補(bǔ)充說(shuō)明是這樣：
The informal intuition behind this axiom is the following. Suppose P(n) is such that P(0) is true, and such that whenever P(n) is true, then P(n++) is true. Then since P(0) is true, P(0++) = P(1) is true. Since P(1) is true, P(1++) = P(2) is true. Repeating this indefinitely, we see that P(0), P(1), P(2), P(3), etc. are all true - however this line of reasoning will never let us conclude that P(0.5), for instance, is true. Thus Axiom 2.5 should not hold for number systems which contain “ unnecessary ” elements such as 0.5. ——這里直將 0++ 賦值給變量“ 1 ”,1++賦值給變量“ 2 ”,并且直接認(rèn)為變量"1"的值就是我們熟悉的數(shù)量 1,變量“ 2 ”的值就是我們熟悉的數(shù)量 2,由此證明自然數(shù)集合中不存在 0.5 這樣的數(shù)。這樣的推理科學(xué)嗎？還有我上述的第一個(gè)疑問(wèn)（ "0"這個(gè)符號(hào)是自然數(shù),但它是如何對(duì)應(yīng)到我們所認(rèn)知的 0 這個(gè)數(shù)量的 ）貌似也沒(méi)有解決。

大概是今年 1 月中旬開(kāi)始復(fù)習(xí) AES,參考了 matt wu 的這篇 AES 標(biāo)準(zhǔn)及 Rijndael 算法解析 以及他的源碼。不知不覺(jué)寫(xiě)了快一萬(wàn)字。。。昨天剛收尾,大體完成吧,先發(fā)給導(dǎo)師過(guò)了一遍,有些地方可能會(huì)討論和打磨一下∠(?」∠)＿
指路-> AES study based on FIPS 197
文章沒(méi)有涵蓋 AES 的所有知識(shí)點(diǎn),主要記錄了我在復(fù)習(xí) AES 的過(guò)程中比較生疏的幾處內(nèi)容,相對(duì)印象深刻的地方就一筆帶過(guò)了。能把知識(shí)轉(zhuǎn)化成自己的記錄還是很有意思的呀,歡迎 V 站帶佬們指正,再修改修改準(zhǔn)備發(fā)給學(xué)弟學(xué)妹們當(dāng)復(fù)習(xí)資料了( σ'ω')σ

從代碼可讀性的角度看數(shù)學(xué)演算中的標(biāo)識(shí)符命名

https://github.com/jantic/DeOldify/blob/master/README.md 一個(gè)有趣的 CUDA 項(xiàng)目,可以將黑白老照片變成彩色的。

http://i.imgur.com/4s1hBfN.png
不死心問(wèn)一下筆記本 1050 支持 cudnn 嗎？
既然支持 cuda,怎么會(huì)不成功呢？
http://i.imgur.com/mT99ID0.jpg

目前需求是用到圖形識(shí)別和數(shù)據(jù)的整理和統(tǒng)計(jì),數(shù)量級(jí)也就是幾十萬(wàn)條的,不算很大。

比如說(shuō)三千塊左右的顯卡, GTX 1070 擁有 1920 個(gè)流處理單元, 8G 顯存。 Quadro M2000 只有 768 個(gè)單元, 4G 顯存。
游戲卡的誘惑太大了啊,顯存大,單元多...我知道專(zhuān)業(yè)卡在 CAD 方面可能有加成,但是不知道對(duì)于 CUDA 這種并行計(jì)算有沒(méi)有優(yōu)化,或者說(shuō)可以更加穩(wěn)定？

不是用來(lái)打游戲, 是搞深度學(xué)習(xí)用的（ CUDA ／ caffe ／ DIGITS ）
之前花 30k 一塊的價(jià)格,買(mǎi)了幾塊 tesla K40C ,裝 ubuntu 跑深度學(xué)習(xí)了,運(yùn)算能力真是強(qiáng)悍,但是另一位導(dǎo)師接受不了這個(gè)采購(gòu)價(jià)格,只能買(mǎi) 5k 左右的卡,求推薦！能裝 ubuntu 就行,（他之前有塊泰坦,裝 ubuntu 顯示 unknown chipset maxwell ）,應(yīng)該是麥克斯韋架構(gòu)的卡裝不了 ubuntu ,我也不太清楚具體情況。
要求：在這張表里的卡 https://developer.nvidia.com/cuda-gpus
價(jià)格 5k 左右就行,給推薦點(diǎn),謝謝各位

最近考慮換工作（換行業(yè)）,希望轉(zhuǎn)到人工智能等新領(lǐng)域,但是對(duì)這些領(lǐng)域商業(yè)應(yīng)用上接觸很少,目前比較中意 CUDA 和 EMC 存儲(chǔ)相關(guān)的工作。求指導(dǎo)？1 ,簡(jiǎn)單了解了一下 CUDA/openCL ,感覺(jué)確實(shí)殺傷力迅猛,對(duì) ML 之類(lèi)的應(yīng)用確實(shí)有催化劑的作用,但是目前真正使用 OpenCL/CUDA 作為底層基礎(chǔ)的成功案例多嗎？未來(lái)市場(chǎng)是否會(huì)持續(xù)擴(kuò)張。 2 ,存儲(chǔ)部分在云計(jì)算 /人工智能未來(lái)是什么角色？目前主流商業(yè)市場(chǎng)上游有哪些產(chǎn)業(yè) /公司？ 3 ,前些日子感覺(jué) FPGA/GPU/TPU 撕 B 了一頓,這些高大深的領(lǐng)域我們也只是看客？ 個(gè)人對(duì)這些計(jì)算結(jié)構(gòu)不是很了解,簡(jiǎn)單認(rèn)為 FPGA 作為底層中間實(shí)現(xiàn)了標(biāo)準(zhǔn)的 OpenCL 不知道有沒(méi)有大規(guī)模的商用案例?？雌饋?lái)確實(shí)會(huì)比 GPU 等效率高很多。 GPU 應(yīng)該是目前成功的商業(yè)案例,但是 CUDA 自己官網(wǎng)上說(shuō)全球有 700+計(jì)算集群,這個(gè) 700 不是到是什么概念。 TPU 不說(shuō)了沒(méi)有公開(kāi)資料,個(gè)人認(rèn)為應(yīng)該局限性比較大。 小白求噴. :)