基础

服务器端处理一次网络请求流程

• 获取请求的数据
  • 客户端与服务器建立连接发出请求，服务器接受请求
• 构建响应数据
  • 当服务器接收完请求，并在用户空间处理客户端的请求，直到构建响应完成
• 返回数据
  • 服务器将已构建好的响应再通过内核空间的网络 I/O 发还给客户端

前言

B树

• B树是一棵平衡树，它是把一维直线分为若干段线段，当我们查找满足某个要求的点的时候，只要去查找它所属的线段即可。这种思想其实就是先找一个大的空间，再逐步缩小所要查找的空间，最终在一个自己设定的最小不可分空间内找出满足要求的解。

  

  

• 之前有在阿里云GPU服务器上弄过： 点击查看， 这里从装Nvidia开始

  一、 安装Nvidia驱动

1.1 查找需要安装的Nvidia版本

1.1.1 官网

• 官网上查找： https://www.nvidia.com/Download/index.aspx?lang=en-us
  • 这里是 GeForce GTX 1080 TI
  • 如下图，推荐 410 版本的

一、 Triplet loss

1、介绍

• Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的，可以学到较好的人脸的embedding
• 为什么不适用 softmax函数呢，softmax最终的类别数是确定的，而Triplet loss学到的是一个好的embedding，相似的图像在embedding空间里是相近的，可以判断是否是同一个人脸。

  2、原理

• 输入是一个三元组 <a, p, n>

  • a： anchor
  • p： positive, 与 a 是同一类别的样本
  • n： negative, 与 a 是不同类别的样本
  more >>

一、Estimator

1、介绍

• 编程堆栈

一、介绍

• 将一张图片的艺术风格应用在另外一张图片上

• 使用深度卷积网络CNN提取一张图片的内容和提取一张图片的风格， 然后将两者结合起来得到最后的结果

一、介绍

• 阿里云的GPU也有了竞价服务，每小时大概1块多，还是可以接受的
• 主要想跑github上的一个论文代码，使用的GPU,(奈何实验室没有GPU)， 本来我已经改成CPU版本的了，但是他训练好的模型是基于GPU的，所以还需要重新训练，结果非常的慢…
• 包含以下内容：
  • 购买竞价GPU
  • 通过SSH连接云服务器
  • 安装Torch、hdf5、cjson、loadcaffe
  • 安装cuda、cudnn、cunn

• Keras 中的实现（可基于Theano和Tensorflow）：点击查看
• Tensorflow 中的实现：点击查看

1、概述

• 2015年提出的用于生物图像分割的网络，并在当时取得了冠军
  • [实际也可用于其他领域，比如一些Kaggle图像分割比赛中也有使用，并且取得了很好的成绩]
• 一般的 CNN 是预测一张图片的类别，而图像分割需要预测每个像素属于的类别，使用是全卷积网络 FCN (fully convolutional network)
• 网络结构包括收缩 [就是 CNN 的卷积操作]和对应的扩展 [可以进行反卷积，这里采用上采样(upsample)]
  • 收缩主要用于捕捉上下文特征
  • 扩展用于定位
• 需要很少的训练集即可完成训练，很容易收敛