yan的博客

1，删除镜像docker images 查看所有镜像docker rmi [image id] 删除指定镜像删除报错：Error response from daemon: conflict: unable to delete bfcec653d832 (must be forced) - image is being used by stopped container 849808b59787原因，该镜像包含还在是有的容器，删除容器查看所有容器，docker ps -adocker s...

1 安装：https://www.cnblogs.com/yufeng218/p/8370670.html注：centos安装完网卡可能是关闭的不能联网打开无线网卡

LINUX的系统时间老是会不正确，今天发现了一个好的方法让系统时间跟网络上时间同步。方法如下：* * * * * /usr/sbin/ntpdate us.pool.ntp.org | logger -t NTP把以上内容放到crontab里面就ok了！这样以来系统时间永远是与网路上的时间同步。NTP协议全称网络时间协议（Network Time Procotol）。它的目的是在国际互联网上传递统一、标准的时间。具体的实现方案是在网络上指定若干时钟源网站，为用户提供授时服务，并且这些网.

转自：https://blog.csdn.net/william_hehe/article/details/804122271.前言：在深度学习领域。有一个名词叫迁移学习。倍数贫穷人们所喜爱。拿来主意还是用着很舒服的嘛！在使用训练好的模型时，其中有一种保存的模型文件格式叫.npy。2.打开方式·实现代码：import numpy as nptest=np.load('./bvlc_alexnet...

a.get_shape() #得到数组a的维度 例如啊[[1,2],[3,4]]  得到[2,2]a[-1]表示数组a最后一维tf.shape(a)和a.get_shape()比较   相同点：都可以得到tensor a的尺寸   不同点：tf.shape()中a 数据的类型可以是tensor, list, array               a.get_shape()中a...

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值 tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)除去name参数用以指定该操作的name，与方法有关...

转载：https://mp.weixin.qq.com/s?__biz=MzI2MzYwNzUyNg%3D%3D&chksm=eab804d7ddcf8dc1b274d6343cbf281d5e45508a5966fee47d2e27590f834cc03634645218d4&idx=1&mid=2247483742&scene=21&sn=858c4...

阅读数：36853一、TensorFlow模型保存和提取方法1. TensorFlow通过tf.train.Saver类实现神经网络模型的保存和提取。tf.train.Saver对象saver的save方法将TensorFlow模型保存到指定路径中，saver.save(sess,"Model/model.ckpt")，实际在这个文件目录下会生成4个人文件：checkpoint文件...

startswith判断文本是否以某个或某几个字符开始;endswith判断文本是否以某个或某几个字符结束;import os import cv2 for item in os.listdir('/home/xxx/TestImage/'): if item.endswith(('.jpg','.png','gif')): img = cv2.imrea...

概述关于Tensorflow读取数据，官网给出了三种方法：供给数据(Feeding)： 在TensorFlow程序运行的每一步， 让Python代码来供给数据。 从文件读取数据： 在TensorFlow图的起始， 让一个输入管线从文件中读取数据。 预加载数据： 在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。对于数据量较小而言，可能一般选择直接将...

参考知乎回答整理：https://www.zhihu.com/question/52398145主要参考：https://www.zhihu.com/question/52398145/answer/209358209基本概念：损失函数：计算的是一个样本的误差代价函数：是整个训练集上所有样本误差的平均目标函数：代价函数 + 正则化项实际应用：损失函数和代价函数是同一个东...

转自：https://www.cnblogs.com/shixiangwan/p/7953591.html损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则...

转https://blog.csdn.net/u011215144/article/details/72490138这个报错不是数据feed的问题，而是等号左边的g_loss经过一次运算后得到了数值结果，覆盖了原来的g_loss操作，tf处理不了这种命名冲突，所以给变量用名字要注意啊 g_loss=0.01*gen_s_loss+g_c_loss本身是一个操作。 循环执行...

LRN层是按下述公式计算的：（用处不大 可被dropout normalization替代）转自：https://blog.csdn.net/searobbers_duck/article/details/51645941

http://www.cnblogs.com/pinard/p/6069267.html我们要解决的问题，我们的问题是给定测试集的一个新样本特征(x(test)1,x(test)2,...x(test)n(x1(test),x2(test),...xn(test)，我们如何判断它属于哪个类型？　　既然是贝叶斯模型，当然是后验概率最大化来判断分类了。我们只要计算出所有的K个条件概率P(Y=Ck|X=...

1 genpath('路径')；在命令窗口中输入 genpath 命令，可以得到 MATLAB所有的搜索路径首尾连接而成的一个长字符串。示例：>> genpathans =D:\R2009a\toolbox;D:\R2009a\toolbox\aero;D:\R2009a\toolbox\aero\aero;D:\R2009a\toolbox\aero\aero\ja;之后还有很长.....

word list1: http://download.dogwood.com.cn/online/toeflchlx/WordList01.mp3word list2: http://download.dogwood.com.cn/online/toeflchlx/WordList02.mp3word list3: http://download.dogwood.com.cn/online/to...

https://blog.csdn.net/liyuan123zhouhui/article/details/68946805

损失函数 softmax               交叉熵：

常用函数：https://blog.csdn.net/u014595019/article/details/52805444loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(    logits=logits, labels=Y))#均方差 求平均 第一个参数是集合，第二个参数是方向，不设默认对全部求平均...

网址：http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html深层神经网络中的提示/技巧here we will present the implementation details (tricks or tips) in Deep Neural Networks, especially CNN for image-related...

http://blog.sina.com.cn/s/blog_eb23a2510102xe4o.htmlridge regression可以用来处理下面两类问题：一是数据点少于变量个数；二是变量间存在共线性。当变量间存在共线性的时候，最小二乘回归得到的系数不稳定，方差很大。这是因为系数矩阵X与它的转置矩阵相乘得到的矩阵不能求得其逆矩阵，而ridge regression通过引入参数lambda，使...

https://blog.csdn.net/codeur/article/details/70808907

https://blog.csdn.net/LY_ysys629/article/details/72809129

一、发展历史Boosting算法是一种把若干个分类器整合为一个分类器的方法，在boosting算法产生之前，还出现过两种比较重要的将多个分类器整合 为一个分类器的方法，即boostrapping方法和bagging方法。我们先简要介绍一下bootstrapping方法和bagging方法。　　1）bootstrapping方法的主要过程　　主要步骤：　　i)重复地从一个样本集合D中采样n个样本　　...

决策树：https://blog.csdn.net/HerosOfEarth/article/details/52347820