经常有粉丝问我该选flink和spark streaming？ 业务选型对新手来说是件非常困难的事情，对于经验丰富又经常思考的人来说就很简单。 选型的时候个人准备知识： 1.深入了解框架。 2.深入了解框架的周边生态。 3.深入了解你自己的业务场景。 就拿flink和spark streaming来说吧，要是理解其设计灵感就会很简单的理解该选谁： spark 是做批处理起家，然后以微批的形式开创了流处理。使用场景很显而易见了，允许一点延迟，批量处理，吞吐量优先地，而且spark streaming贡献者这么多依然很稳定。 flink是以流处理起家，然后以流处理的灵感去创建批处理。那就很适合实时

今天遇到了一点点的小情况，我自己根据leaflet.js做了一个离线地图，公司要用来做态势，但是地图的底图用的是高德的原图，样式是下面这样的： 但是态势的主题是如下的这种淡蓝色： 这就造成了本次的需求，需要可以修改样式的主题，由于本人是个后端小佬，前端菜鸡，所以实现起来发生了一些困难，这里简单介绍下实现的路程。 首先看下效果： 然后介绍下艰辛的过程： 首先，需要用到一个基于leaflet.js的插件: https://github.com/hnrchrdl/leaflet-tilelayer-colorizr 但是在使用这个插件的时候出现了一些问题，这里不赘述了，大致就是我加载的地图瓦

减少过拟合方法： 交叉验证 normalization 学习率调整， learning rate decay momentum动量调整 k折交叉检验： 正则化： 更小的权值w，从某种意义上说，表示网络的复 杂度更低，对数据的拟合刚刚好（这个法则也叫做奥卡姆剃刀） 添加正则化相当于参数的解空间添加了约束，限制了模型的复杂度 L1正则化的形式是添加参数的绝对值之和作为结构风险项，L2正则化的形式添加参数的平方和作为结构风险项 L1正则化鼓励产生稀疏的权重，即使得一部分权重为0，用于特征选择；L2鼓励产生小而分散的权重，鼓励让模型做决策的时候考虑更多的特征，而不是仅仅依赖强依赖某几个特

VGG作为流行的几个模型之一,训练图形数据效果不错，在mnist数据集是常用的入门集数据，VGG层数非常多，如果严格按照规范来实现，并用来训练mnist数据集，会出现各种问题，如，经过16层卷积后，28*28*1的图片几乎无法进行。 先介绍下VGG ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络，现在称其为VGGNet。它主要的贡献是展示出网络的深度是算法优良性能的关键部分。 他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3×3的卷积和2×2的汇聚。他们的预训练模型是可以在网络上获得并在Ca

迁移学习在深度学习中是经常被使用的方法，指的是在一个任务中预训练的模型被用于另一个任务的模型训练，以加快模型训练，减少资源消耗。 然而网络搜索相关的话题，基本上只涉及加载预训练模型的特定变量值的方法，即不涉及预训练模型某个变量与当前任务网络对应变量shape改变的处理。 在具体的语音合成多说话人模型迁移学习得到单说话人模型的任务中，就涉及到了迁移变量改变shape的情况，将解决方法如下列出。 文章目录一. 问题来源二. 相关接口三. 解决方法 一. 问题来源        语音合成多说话人模型迁移学习得到单说话人模型的任务中，涉及了迁移变量改变shape的情况。        一个不可避免的是

RTL8201F最新规格书

里面包括19种语言合成软件、串口调试软件、程序对于JQ8400-FL模块也适用

TensorBoard是TensorFlow下的一个可视化的工具，能够帮助我们在训练大规模神经网络过程中出现的复杂且不好理解的运算。TensorBoard能展示你训练过程中绘制的图像、网络结构等。 1. 构建简单的TensorBoard日志输出 import tensorflow as tf input1 = tf.constant([1.0, 2.0, 3.0], name=input1) input2 = tf.Variable(tf.random_uniform([3], name=input2)) output = tf.add_n([input1, input2], nam

当使用Tensorflow训练大量深层的神经网络时，我们希望去跟踪神经网络的整个训练过程中的信息，比如迭代的过程中每一层参数是如何变化与分布的，比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的，比如损失值的变化情况，等等。如果能在训练的过程中将一些信息加以记录并可视化得表现出来，是不是对我们探索模型有更深的帮助与理解呢？ Tensorflow官方推出了可视化工具Tensorboard，可以帮助我们实现以上功能，它可以将模型训练过程中的各种数据汇总起来存在自定义的路径与日志文件中，然后在指定的web端可视化地展现这些信息。 1. Tensorboard介绍 1.1 Tensorboa

近期做了一些反垃圾的工作，除了使用常用的规则匹配过滤等手段，也采用了一些机器学习方法进行分类预测。我们使用TensorFlow进行模型的训练，训练好的模型需要保存，预测阶段我们需要将模型进行加载还原使用，这就涉及TensorFlow模型的保存与恢复加载。 总结一下Tensorflow常用的模型保存方式。 保存checkpoint模型文件（.ckpt） 首先，TensorFlow提供了一个非常方便的api，tf.train.Saver()来保存和还原一个机器学习模型。 模型保存 使用tf.train.Saver()来保存模型文件非常方便，下面是一个简单的例子： import ten