首先是一些基本的概念 人工神经网络 ann

tensorflow 主要做了什么？

特征提取 运算

框架的主要目的 是提供一个工具箱，使得开发时能够简化代码，呈现出来的模型尽可能简单易懂。

神经元函数以及优化方法：

• 激活函数的选取
• 卷积函数
• 池化函数
• 分类函数
• 优化方法有哪些？

队列和线程

1. 队列
2. 队列管理器
3. 线程和协调器

普通纯粹的神经网络

卷积神经网络

循环神经网络

gan

强化学习的未来

• 人脸识别
• 自然语言处理
• 图像与语音的结合
• 生成式对抗网络

tensorflowonspark 在 MNIST 上的实践

0.预留 为在executor 上执行的每个tf进程保留一个端口，并且启动数据消息的监听器

1.启动 在executor 上启动tensorflow 主函数

2.数据获取

• readers 和 queuerunners
• feeding 发送到tf节点

机器学习主要有两种形式，一种是监督学习，另外一种是非监督学习。

监督学习，需要提供一组学习样本，也就是说数据是需要手动打上标签。程序可以通过这组样本学习相关的规律或者是模式，然后通过得到的规律或者模式来判断没有被打过标签的数据是什么样子的数据。

非监督学习，数据没有被标注过。

监督学习是在被告诉过了正确的答案后的学习，
而非监督学习是在没有被告诉正确答案时的学习。

非监督学习是在大量的非常乱的数据中寻找一些潜在的关系，这个成本非常高。

• 决策树 自动化放贷、风控
• 朴素贝叶斯分类器 判断垃圾邮件、新闻分类
• 最小二乘法 （是一种线性回归）
• 逻辑回归
• 支持向量机
• 集成方法

• 聚类算法
• 主成分分析
• 奇异值分解
• 独立成分分析

有人说 有修养的程序员才可能成长为真正的工程师和架构师，否则只能沦为码农。

比较重要的几个方面：

• 英文能力
• 问问题的能力
• 写代码的修养
• 安全防范意识
• 软件工程和上线规范
• 编程规范

取法其上，得乎其中，
取法其中，得乎其下，
取法其下，法不得也。

C C++ JAVA GO Python

tensorflow 是一个google开源的深度学习的框架，执行性能良好，值得使用。

caffe，caffe2 通过配置就可以拼凑一个深度学习框架，大大简化流程但也依赖大量的开源库，性能也不错。2013开始面世，很有活力的一个框架。

keras 这个一个积木式的框架，有很多现成的函数 可以直接拿来用，开发速度杠杠的，就是缺少灵活性。

MXNet 是一个全功能,灵活可编程和高扩展性的深度学习框架，可能学术上用的比较多吧！

Torch 是一个facebook在维护的框架，灵活性也很大，不过要lua语言结合使用；

CNTK微软推出的一个深度学习框架，可以在window上执行，性能据说是最优的，可是使用者不多，可能是市场都被主流的几个占有了；

Deeplearning4j java的一个深度学习库，不甚了解；

Theano 是一个很古老的框架，性能比较差，速度最慢的，生产环境不会用的，只是现在有些研究室还在用。

其他：

SciKit-learn 是老牌的开源 Python 算法框架

openCV 是一个图片及视觉算法的框架

pytorch 后来居上

交换两个变量的值 没有C语言那么麻烦

链状比较

三元操作符进行条件赋值

多行字符串

存储列表元素到新的变量中

打印引入模块的文件路径

_ 是上一个执行的表达式的输出

字典集合推导

调试脚本

开启文件分享

1

python3 -m http.server

检查python中的对象

简化if语句

一行代码计算阶乘

1
2
3
4

import functools


result = (lambda k: functools.reduce(int.__mul__, range(1, k+1))(3)

找到列表中出现最频繁的数

max(set(test), key=test.count)

python递归限制次数到1000

检查一个对象的内存使用情况：

2.7中一个32比特的整数占用24字节
3.5中一个32比特的整数占用28字节

确定内存使用情况 可以调用getsizeof

使用 __slot__减少内存开支

使用lambda 来模仿输出方法

从两个相关的序列构建一个字典

搜索字符串的多个前后缀

endswith()后面可以连接字符串 元组也是可以的

不使用循环构建一个列表

itertools.chain.from_iterable

• 实现 switch-case 语句

def xswitch(x):
    return xswitch._system_dict.get(x, None)