pythondbn

㈠ 写分布式机器学习算法，哪种编程接口比较好

SVM方面，首选的肯定是LIBSVM这个库，应该是应用最广的机器学习库了。 下面主要推荐一些DeepLearning的GitHub项目吧！ 1. convnetjs - Star:2200+ 实现了卷积神经网络，可以用来做分类，回归，强化学习等。 2. DeepLearn Toolbox - Star:1000+ Matlab实现中最热的库存，包括了CNN,DBN,SAE,CAE等主流模型。 3. Deep Learning(yusugomo) - Star:800+ 实现了深度学习网络，从算法与实现上都比较全，提供了5种语言的实现：python,C/C++,Java,Scala，实现的模型有DBN/CDBN/RBM/CRBM/dA/SdA/LR等。 4. Neural-Networks-And-Deep-Learning - Star:500+ 这是同名书的配套代码，语言是Python。 5. rbm-mnist - Star:200+ 这个是hinton matlab代码的C++改写版，还实现了Rasmussen的共轭梯度Conjugate Gradient算法。

㈡ Python如何连接Sql anywhere

1、基于文本文档(Markdown) 设想好需要的基本需要的表、字段、类型；
2、使用 Rails Migration 随着功能的开发逐步创建表；
3、随着细节功能的开发、需求，逐步增加字段，删除字段，或者调整字段类型；
4、第一个 Release 的时候清理 Migrations 合并成一个;
5、随着后期的改动，逐步增加、修改、删除字段或表。

㈢ 如何用python和web.py搭建一个网站

1. 环境搭建。

环境搭建比较繁琐，记得当时也是满世界找资料，所以我直接打包好了所有的文件（apache(已经放进去python-wscgi) + web.py+apache所需要的vs2010运行库+python+网站文件），直接解压放上去就能用。有需要同学让我传一个或者网盘发一把就行。

装apache并配置python-wscgi，这个比较惨，花了好多时间去搜索才搞定，主要是windows上的python-wscgi不好难找。
为了节省以后的开发时间，我把配置好的apache给打包了，反正也是绿色的，新建网站只需要在服务器上配置开机启动apache，并在apache的config里面修改下自己网站路径就行。

2. 开发。

开发阶段倒是没什么好说的，web.py官方有教程，不过这里我需要提几点建议：
如果可以务必全站用utf-8编码。

建立数据库建议写个生成脚本，比如createDataBase.py，有改动重新运行一遍，不要试用ide去建。

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

mysql的账号由两部分组成

格式 如 hello@"192.168.0.123'
指：
用户名字是hello， 只能用ip为192.168.0.123的客户端来登录，
如果用主账号在一台ip地址为192.168.0.22的客户端上就不能登录了。

localhost 是sock方式 连接的
------------------------------------------------------
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] |
+----------------+

最后 一个 '%'是个通配符 表示所有客户端都可以登录

也就是mysql的账号是由两部分组成。

既然是不同的账号当然可以设置不同的密码了
如果
账号 root@localhost 密码 124
账号 [email protected] 密码可以设置成 345

㈤ 深度学习需要有python基础吗

首先，深度学习需要Python基础，如果你会Java也是可以的，计算机专业同样可以学习。

深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：

(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。

(2)基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。

(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。

深度学习作为实现机器学习的技术，拓展了人工智能领域范畴，主要应用于图像识别、语音识别、自然语言处理。推动市场从无人驾驶和机器人技术行业扩展到金融、医疗保健、零售和农业等非技术行业，因此掌握深度学习的AI工程师成为了各类型企业的招聘热门岗位。

了解更多查看深度学习。

㈥ 怎样用python调用已经训练好的caffe

定义CAFFE为caffe跟目录，caffe的核心代码都在$CAFFE/src/caffe 下，主要有以下部分：net, blob, layer, solver.

• net.cpp:
  net定义网络， 整个网络中含有很多layers， net.cpp负责计算整个网络在训练中的forward, backward过程， 即计算forward/backward 时各layer的gradient。
  
  

• layers:
  在$CAFFE/src/caffe/layers中的层，在protobuffer (.proto文件中定义message类型，.prototxt或.binaryproto文件中定义message的值) 中调用时包含属性name， type（data/conv/pool…）， connection structure (input blobs and output blobs)，layer-specific parameters（如conv层的kernel大小）。定义一个layer需要定义其setup, forward 和backward过程。
  
  

• blob.cpp:
  net中的数据和求导结果通过4维的blob传递。一个layer有很多blobs， e.g,

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

• 对conv层，weight blob大小为 Output 节点数 * Input 节点数 * Height * Width，如AlexNet第一个conv层的blob大小为96 x 3 x 11 x 11；

• 对inner proct 层， weight blob大小为 1 * 1 * Output节点数 * Input节点数； bias blob大小为1 * 1 * 1 * Output节点数（ conv层和inner proct层一样，也有weight和bias，所以在网络结构定义中我们会看到两个blobs_lr，第一个是weights的，第二个是bias的。类似地，weight_decay也有两个，一个是weight的，一个是bias的）；
  
  
  blob中，mutable_cpu/gpu_data() 和cpu/gpu_data()用来管理memory，cpu/gpu_diff()和 mutable_cpu/gpu_diff()用来计算求导结果。
  
  

• slover.cpp:
  结合loss，用gradient更新weights。主要函数：
  Init(),
  Solve(),
  ComputeUpdateValue(),
  Snapshot(), Restore(),//快照（拷贝）与恢复 网络state
  Test()；
  
  在solver.cpp中有3中solver，即3个类：AdaGradSolver, SGDSolver和NesterovSolver可供选择。
  
  关于loss，可以同时有多个loss，可以加regularization（L1/L2）；

Protocol buffer：

上面已经将过， protocol buffer在 .proto文件中定义message类型，.prototxt或.binaryproto文件中定义message的值；

• Caffe
  Caffe的所有message定义在$CAFFE/src/caffe/proto/caffe.proto中。

• Experiment
  在实验中，主要用到两个protocol buffer: solver的和model的，分别定义solver参数（学习率啥的）和model结构(网络结构)。



• 好吧，了一大段，不晓得有没有帮助，说点accuracy = 0.5的问题。简单说，就是分错了，好吧我知道这是废话。既然是分错了，那么就要检查下了，首先检查你的训练模型。


• 根据训练过程来看，训练应该是已经收敛了，（反正loss一直在减小）。


• 这句可能是我理解问题，如果模型收敛的话，loss应该趋于平稳，如这样。


㈦ web.py form表单填写内容，通过post方法提交，为什么老提示" POST /add" - 405 Method Not Allowed

POST 方法名字写错了：
将 def Post(self) 改为 def POST(self)

㈧ 深度学习和AI有什么关系，学习什么内容呢

深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：

(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。

(2)基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。

(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。



深度学习作为实现机器学习的技术，拓展了人工智能领域范畴，主要应用于图像识别、语音识别、自然语言处理。推动市场从无人驾驶和机器人技术行业扩展到金融、医疗保健、零售和农业等非技术行业，因此掌握深度学习的AI工程师成为了各类型企业的招聘热门岗位。、

中公教育联合中科院专家打造的深度学习分八个阶段进行学习：

第一阶段AI概述及前沿应用成果介绍

• 深度学习的最新应用成果

• 单层/深度学习与机器学习

• 人工智能的关系及发展简

第二阶段神经网络原理及TensorFlow实战


• 梯度下降优化方法

• 前馈神经网络的基本结构和训练过程

• 反向传播算法

• TensorFlow开发环境安装

• “计算图”编程模型

• 深度学习中图像识别的操作原理

第三阶段循环神经网络原理及项目实战

• 语言模型及词嵌入

• 词嵌入的学习过程

• 循环神经网络的基本结构

• 时间序列反向传播算法

• 长短时记忆网络（LSTM）的基本结构

• LSTM实现语言模型

第四阶段生成式对抗网络原理及项目实战

• 生成式对抗网络（GAN）的基本结构和原理

• GAN的训练过程

• GAN用于图片生成的实现

第五阶段深度学习的分布式处理及项目实战

• 多GPU并行实现

• 分布式并行的环境搭建

• 分布式并行实现

第六阶段深度强化学习及项目实战

• 强化学习介绍

• 智能体Agent的深度决策机制（上）

• 智能体Agent的深度决策机制（中）

• 智能体Agent的深度决策机制（下）

第七阶段车牌识别项目实战

• 数据集介绍及项目需求分析

• OpenCV库介绍及车牌定位

• 车牌定位

• 车牌识别

• 学员项目案例评讲

第八阶段深度学习前沿技术简介


• 深度学习前沿技术简介

• 元学习

• 迁移学习等

了解更多查看深度学习。

㈨ deep dream算法怎样玩

SVM方面，首选的肯定是libsvm这个库，应该是应用最广的机器学习库了。
下面主要推荐一些DeepLearning的GitHub项目吧！
1. convnetjs - star:2200+
实现了卷积神经网络，可以用来做分类，回归，强化学习等。
2. DeepLearn Toolbox - star:1000+
Matlab实现中最热的库存，包括了cnn,DBN,sae,cae等主流模型。
3. Deep Learning(yusugomo) - star:800+
实现了深度学习网络，从算法与实现上都比较全，提供了5种语言的实现：Python,C/C++,Java,Scala，实现的模型有DBN/CDBN/RBM/CRBM/dA/SdA/lr等。
4. Neural-Networks-And-Deep-Learning - star:500+
这是同名书的配套代码，语言是Python。
5. rbm-mnist - Star:200+
这个是hinton matlab代码的C++改写版，还实现了Rasmussen的共轭梯度Conjugate Gradient算法。