pythondbn

㈠ 寫分布式機器學習演算法，哪種編程介面比較好

SVM方面，首選的肯定是LIBSVM這個庫，應該是應用最廣的機器學習庫了。 下面主要推薦一些DeepLearning的GitHub項目吧！ 1. convnetjs - Star:2200+ 實現了卷積神經網路，可以用來做分類，回歸，強化學習等。 2. DeepLearn Toolbox - Star:1000+ Matlab實現中最熱的庫存，包括了CNN,DBN,SAE,CAE等主流模型。 3. Deep Learning(yusugomo) - Star:800+ 實現了深度學習網路，從演算法與實現上都比較全，提供了5種語言的實現：python,C/C++,Java,Scala，實現的模型有DBN/CDBN/RBM/CRBM/dA/SdA/LR等。 4. Neural-Networks-And-Deep-Learning - Star:500+ 這是同名書的配套代碼，語言是Python。 5. rbm-mnist - Star:200+ 這個是hinton matlab代碼的C++改寫版，還實現了Rasmussen的共軛梯度Conjugate Gradient演算法。

㈡ Python如何連接Sql anywhere

1、基於文本文檔(Markdown) 設想好需要的基本需要的表、欄位、類型；
2、使用 Rails Migration 隨著功能的開發逐步創建表；
3、隨著細節功能的開發、需求，逐步增加欄位，刪除欄位，或者調整欄位類型；
4、第一個 Release 的時候清理 Migrations 合並成一個;
5、隨著後期的改動，逐步增加、修改、刪除欄位或表。

㈢ 如何用python和web.py搭建一個網站

1. 環境搭建。

環境搭建比較繁瑣，記得當時也是滿世界找資料，所以我直接打包好了所有的文件（apache(已經放進去python-wscgi) + web.py+apache所需要的vs2010運行庫+python+網站文件），直接解壓放上去就能用。有需要同學讓我傳一個或者網盤發一把就行。

裝apache並配置python-wscgi，這個比較慘，花了好多時間去搜索才搞定，主要是windows上的python-wscgi不好難找。
為了節省以後的開發時間，我把配置好的apache給打包了，反正也是綠色的，新建網站只需要在伺服器上配置開機啟動apache，並在apache的config裡面修改下自己網站路徑就行。

2. 開發。

開發階段倒是沒什麼好說的，web.py官方有教程，不過這里我需要提幾點建議：
如果可以務必全站用utf-8編碼。

建立資料庫建議寫個生成腳本，比如createDataBase.py，有改動重新運行一遍，不要試用ide去建。

㈣ db = web.database(dbn='mysql', host='127.0.0.1', db='imchenkun', user='root', pw='root')

mysql的賬號由兩部分組成

格式 如 hello@"192.168.0.123'
指：
用戶名字是hello， 只能用ip為192.168.0.123的客戶端來登錄，
如果用主賬號在一台ip地址為192.168.0.22的客戶端上就不能登錄了。

localhost 是sock方式 連接的
------------------------------------------------------
mysql -uroot -p --socket /tmp/mysql.sock

select user();
+----------------+
| user() |
+----------------+
| root@localhost |
+----------------+

------------------------------------------------------

mysql -uroot -p -h 127.0.0.1
select user();
+----------------+
| user() |
+----------------+
| [email protected] |
+----------------+

最後 一個 '%'是個通配符 表示所有客戶端都可以登錄

也就是mysql的賬號是由兩部分組成。

既然是不同的賬號當然可以設置不同的密碼了
如果
賬號 root@localhost 密碼 124
賬號 [email protected] 密碼可以設置成 345

㈤ 深度學習需要有python基礎嗎

首先，深度學習需要Python基礎，如果你會Java也是可以的，計算機專業同樣可以學習。

深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：

(1)基於卷積運算的神經網路系統，即卷積神經網路(CNN)。

(2)基於多層神經元的自編碼神經網路，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)。

(3)以多層自編碼神經網路的方式進行預訓練，進而結合鑒別信息進一步優化神經網路權值的深度置信網路(DBN)。

深度學習作為實現機器學習的技術，拓展了人工智慧領域范疇，主要應用於圖像識別、語音識別、自然語言處理。推動市場從無人駕駛和機器人技術行業擴展到金融、醫療保健、零售和農業等非技術行業，因此掌握深度學習的AI工程師成為了各類型企業的招聘熱門崗位。

了解更多查看深度學習。

㈥ 怎樣用python調用已經訓練好的caffe

定義CAFFE為caffe跟目錄，caffe的核心代碼都在$CAFFE/src/caffe 下，主要有以下部分：net, blob, layer, solver.

• net.cpp:
  net定義網路， 整個網路中含有很多layers， net.cpp負責計算整個網路在訓練中的forward, backward過程， 即計算forward/backward 時各layer的gradient。
  
  

• layers:
  在$CAFFE/src/caffe/layers中的層，在protobuffer (.proto文件中定義message類型，.prototxt或.binaryproto文件中定義message的值) 中調用時包含屬性name， type（data/conv/pool…）， connection structure (input blobs and output blobs)，layer-specific parameters（如conv層的kernel大小）。定義一個layer需要定義其setup, forward 和backward過程。
  
  

• blob.cpp:
  net中的數據和求導結果通過4維的blob傳遞。一個layer有很多blobs， e.g,

• 對data，weight blob大小為Number * Channels * Height * Width, 如256*3*224*224；

• 對conv層，weight blob大小為 Output 節點數 * Input 節點數 * Height * Width，如AlexNet第一個conv層的blob大小為96 x 3 x 11 x 11；

• 對inner proct 層， weight blob大小為 1 * 1 * Output節點數 * Input節點數； bias blob大小為1 * 1 * 1 * Output節點數（ conv層和inner proct層一樣，也有weight和bias，所以在網路結構定義中我們會看到兩個blobs_lr，第一個是weights的，第二個是bias的。類似地，weight_decay也有兩個，一個是weight的，一個是bias的）；
  
  
  blob中，mutable_cpu/gpu_data() 和cpu/gpu_data()用來管理memory，cpu/gpu_diff()和 mutable_cpu/gpu_diff()用來計算求導結果。
  
  

• slover.cpp:
  結合loss，用gradient更新weights。主要函數：
  Init(),
  Solve(),
  ComputeUpdateValue(),
  Snapshot(), Restore(),//快照（拷貝）與恢復 網路state
  Test()；
  
  在solver.cpp中有3中solver，即3個類：AdaGradSolver, SGDSolver和NesterovSolver可供選擇。
  
  關於loss，可以同時有多個loss，可以加regularization（L1/L2）；

Protocol buffer：

上面已經將過， protocol buffer在 .proto文件中定義message類型，.prototxt或.binaryproto文件中定義message的值；

• Caffe
  Caffe的所有message定義在$CAFFE/src/caffe/proto/caffe.proto中。

• Experiment
  在實驗中，主要用到兩個protocol buffer: solver的和model的，分別定義solver參數（學習率啥的）和model結構(網路結構)。



• 好吧，了一大段，不曉得有沒有幫助，說點accuracy = 0.5的問題。簡單說，就是分錯了，好吧我知道這是廢話。既然是分錯了，那麼就要檢查下了，首先檢查你的訓練模型。


• 根據訓練過程來看，訓練應該是已經收斂了，（反正loss一直在減小）。


• 這句可能是我理解問題，如果模型收斂的話，loss應該趨於平穩，如這樣。


㈦ web.py form表單填寫內容，通過post方法提交，為什麼老提示" POST /add" - 405 Method Not Allowed

POST 方法名字寫錯了：
將 def Post(self) 改為 def POST(self)

㈧ 深度學習和AI有什麼關系，學習什麼內容呢

深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：

(1)基於卷積運算的神經網路系統，即卷積神經網路(CNN)。

(2)基於多層神經元的自編碼神經網路，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)。

(3)以多層自編碼神經網路的方式進行預訓練，進而結合鑒別信息進一步優化神經網路權值的深度置信網路(DBN)。



深度學習作為實現機器學習的技術，拓展了人工智慧領域范疇，主要應用於圖像識別、語音識別、自然語言處理。推動市場從無人駕駛和機器人技術行業擴展到金融、醫療保健、零售和農業等非技術行業，因此掌握深度學習的AI工程師成為了各類型企業的招聘熱門崗位。、

中公教育聯合中科院專家打造的深度學習分八個階段進行學習：

第一階段AI概述及前沿應用成果介紹

• 深度學習的最新應用成果

• 單層/深度學習與機器學習

• 人工智慧的關系及發展簡

第二階段神經網路原理及TensorFlow實戰


• 梯度下降優化方法

• 前饋神經網路的基本結構和訓練過程

• 反向傳播演算法

• TensorFlow開發環境安裝

• 「計算圖」編程模型

• 深度學習中圖像識別的操作原理

第三階段循環神經網路原理及項目實戰

• 語言模型及詞嵌入

• 詞嵌入的學習過程

• 循環神經網路的基本結構

• 時間序列反向傳播演算法

• 長短時記憶網路（LSTM）的基本結構

• LSTM實現語言模型

第四階段生成式對抗網路原理及項目實戰

• 生成式對抗網路（GAN）的基本結構和原理

• GAN的訓練過程

• GAN用於圖片生成的實現

第五階段深度學習的分布式處理及項目實戰

• 多GPU並行實現

• 分布式並行的環境搭建

• 分布式並行實現

第六階段深度強化學習及項目實戰

• 強化學習介紹

• 智能體Agent的深度決策機制（上）

• 智能體Agent的深度決策機制（中）

• 智能體Agent的深度決策機制（下）

第七階段車牌識別項目實戰

• 數據集介紹及項目需求分析

• OpenCV庫介紹及車牌定位

• 車牌定位

• 車牌識別

• 學員項目案例評講

第八階段深度學習前沿技術簡介


• 深度學習前沿技術簡介

• 元學習

• 遷移學習等

了解更多查看深度學習。

㈨ deep dream演算法怎樣玩

SVM方面，首選的肯定是libsvm這個庫，應該是應用最廣的機器學習庫了。
下面主要推薦一些DeepLearning的GitHub項目吧！
1. convnetjs - star:2200+
實現了卷積神經網路，可以用來做分類，回歸，強化學習等。
2. DeepLearn Toolbox - star:1000+
Matlab實現中最熱的庫存，包括了cnn,DBN,sae,cae等主流模型。
3. Deep Learning(yusugomo) - star:800+
實現了深度學習網路，從演算法與實現上都比較全，提供了5種語言的實現：Python,C/C++,Java,Scala，實現的模型有DBN/CDBN/RBM/CRBM/dA/SdA/lr等。
4. Neural-Networks-And-Deep-Learning - star:500+
這是同名書的配套代碼，語言是Python。
5. rbm-mnist - Star:200+
這個是hinton matlab代碼的C++改寫版，還實現了Rasmussen的共軛梯度Conjugate Gradient演算法。