Model中DCNN是Finetune VGG-16 net，像素級連接的CRF起到平滑邊緣的作用。模型很清晰，看過FCN之后再看這個就相對比較輕松了。 通過控制Input Stride實現Fine目標（Dense Extractor），而不用像FCN結合Lower Layer和上采樣的方式來Fine，相對FCN減小了運算量。Author最后還是結合了Lower Layer信息，進一步提升了效果

最近打算稍微系統的學習下deep learing的一些理論知識，打算采用Andrew Ng的網頁教程UFLDL Tutorial，據說這個教程寫得淺顯易懂，也不太長。不過在這這之前還是復習下machine learning的基礎知識

使用機器學習的開發工具很多，如Matlab，R語言，Python等等。 本系列文章不會涉及深入的機器學習原理，旨在讓你迅速上手，入門Python進行機器學習。 本文提供一系列資源，教你打造一個Python機器學習的平臺。

Artificial Intelligence，也就是人工智能，就像長生不老和星際漫游一樣，是人類最美好的夢想之一。雖然計算機技術已經取得了長足的進步，但是到目前為止，還沒有一臺電腦能產生“自我”的意識。是的，在人類和大量現成數據的幫助下，電腦可以表現的十分強大，但是離開了這兩者，它甚至都不能分辨一個喵星人和一個汪星人。 圖靈（圖靈，大家都知道吧。計算機和人工智能的鼻祖，分別對應于其著名的“圖靈機”和“圖靈測試”）在1950年的論文里，提出圖靈試驗的設想，即，隔墻對話，你將不知道與你談話的，是人還是電腦。這無疑給計算機，尤其是人工智能，預設了一個很高的期望值。但是半個世紀過去了，人工智能的進展，遠遠沒有達到圖靈試驗的標準。這不僅讓多年翹首以待的人們，心灰意冷，認為人工智能是忽悠，相關領域是“偽科學”。?

MNIST在caffe上的訓練與學習.如果前面的train_net.cpp編譯通過了，那么這個就非常簡單。caffe訓練和測試的數據都是需要leveldb格式的，niuzhiheng大牛已經給我們轉好了MNIST的數據格式

Deep Learning已經火了好久，有些人已經在這里面耕耘了好多年，而有些人才剛剛開始，比如本人。如何才能快速地進入這個領域在較短的時間內掌握DeepLearning最新的技術是值得思考的問題。就目前的情況看，通過網絡上的課程及各種Tutorials以及各種論文來研究這個領域是最佳的途徑。經過一段時間的摸索，我以為圍繞Deep Learning領域的四位大牛展開學習是最佳的具體方式。

本人修改的 caffe detection (windows)（gitcafe 鏈接，github 鏈接），針對車輛檢測編譯后的結果，目錄中的主要文件如下所示。（注：本機為Window 7 x64 位系統，GTX 650 GPU 顯卡。在無顯卡機上請使用CPU模式運行）。

利用訓練好的Caffe網絡得到輸入圖像的分類本文檔描述是：如果已經訓練好了一個Caffe網絡，如何利用這個網絡進行圖像的分類。以下以mnist網絡為例。mnist是用來分類手寫數字0-9的。當用戶寫好一個數字后，圖像進入mnist網絡，然后網絡計算出每個數的概率，認為讀到的是概率最大的數。

深度卷積網絡CNN與圖像語義分割.html級別1：DL快速上手級別2：從Caffe著手實踐級別3：讀paper，網絡Train起來級別4：Demo跑起來讀一些源碼玩玩熟悉Caffe接口，寫Demo這是硬功夫分析各層Layer輸出特征級別5：何不自己搭個CNN玩玩TrainCNN時關于數據集的一些注意事項級別6：加速吧，GPU編程關于語義分割的一些其它工作說好的要筆耕不綴，這開始一邊實習一邊找工作，還攤上了自己的一點私事困擾，這幾個月的東西都沒來得及總結一下。這就來記錄一下關于CNN、Caffe、ImageSematicSegmentation相關的工作，由于公司技術保密的問題，很多東西沒辦法和大家詳說只能抱歉了。在5月份前，我也是一個DL和CNN的門外漢，自己試著看tutorials、papers、搭Caffe平臺、測試CNNNet，現在至少也能改改Caffe源碼（Add/ModifyLayer）、基于Caffe寫個Demo。這里希望把學習的過程分享給那些在門口徘徊的朋友。沒法事無巨細，但希望能起到提點的作用！“乍可刺你眼，不可隱我腳”。

train_net.cpptrain_net.cpp是caffe的主函數所在處，學習caffe時應該由此輻射到各個具體的函數去學習。

caffe源碼簡單解析——Blob（1）使用caffe也有一段時間了，但更多是使用Python的接口，使用現有的ImageNet訓練好的模型進行圖片分類。為了更好的了解caffe這個框架，也為了提高自己的水平，在對卷積神經網絡有了一些研究之后，終于開始研讀caffe的源碼了，今天看了Blob類的一些內容，做個總結。看過caffe官方文檔的話，應該會知道，它可以分為三層：Blob、Layer、Net。Blob是一個四維的數組，用于存儲數據，包括輸入數據、輸出數據、權值等等；Layer層則是神經網絡中具體的各層結構，主要是計算的作用，在根據配置文件初始化結構后，前向計算結果，反向更新參數，都是它要做的，而它的輸入和輸出都是Blob數據；Net的話，就是多個Layer組合而成的有向無環圖結構，也就是具體的網絡了。Layer和Net的代碼有待深入，尤其是Layer的代碼，caffe實現了差不多40種不同的Layer層，里面有不同的激活函數，這個要好好研究下。

caffe源碼分析--math_functions.cu代碼研究其中用到一個宏定義

Caffe代碼導讀（0）：路線圖【Caffe是什么？】Caffe是一個深度學習框架，以代碼整潔、可讀性強、運行速度快著稱。代碼地址為：https://github.com/BVLC/caffe【博客目的】從接觸Caffe、編譯運行、閱讀代碼、修改代碼一路走來，學習到不少內容，包括深度學習理論，卷積神經網絡算法實現，數學庫MKL，計算機視覺庫OpenCV，C++模板類使用，CUDA程序編寫……本博客目的是為初學者清除代碼閱讀中的障礙，結合官網文檔、融入個人理解、注重動手實踐

按照官網教程安裝，我在 OS X 10.9 和 Ubuntu 14.04 上面都安裝成功了。主要麻煩在于 glog gflags gtest 這幾個依賴項是google上面的需要翻墻。由于我用Mac沒有CUDA，所以安裝時需要設置 CPU_ONLY := 1。 如果不是干凈的系統，安裝還是有點麻煩的比如我在OS X 10.9上面，簡直不是一般的麻煩，OS X 10.9 默認的編譯器是clang，所以還要修改編譯器和重行編譯一大堆依賴庫。這方面其實網上教程很多，涵蓋了各種你可能遇到的問題，多Google下問題還是可以解決的。

Leveldb介紹?Leveldb是一個google實現的非常高效的（key-value）數據庫，能夠支持十億級別的數據量了。在這個數量級別下還有著非常高的性能，主要歸功于它的良好的設計。?LevelDB是單進程的服務，性能非常之高，在一臺4核Q6600的CPU機器上，每秒鐘寫數據超過40w，而隨機讀的性能每秒鐘超過10w。 實際中的應用：我是學習和使用caffe才知道有leveldb這個東西的，比leveldb更高級的有，不過我看了下其文檔，比leveldb復雜多了，先學習leveldb，有時間再學習leveldb。?在caffe中沒有python的leveldb示例，都是用C++直接將圖片轉化leveldb，之前仿照著寫一個將自己的圖片保存為leveldb，訓練之后發現錯誤，而且找不到原因，所以就找了python的實現，畢竟python找錯誤比較簡單一些。

Caffe生成的數據分為2種格式：Lmdb和Leveldb。 它們都是鍵/值對（Key/Value Pair）嵌入式數據庫管理系統編程庫。 雖然lmdb的內存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允許多種訓練模型同時讀取同一組數據集。 因此lmdb取代了leveldb成為Caffe默認的數據集生成格式

本教程為了那些第一次使用caffe框架進行深度學習訓練的人而生的，我來一個簡單關于caffe訓練數據的組織來個簡單的介紹。我們都知道caffe中使用leveldb 和lmd兩種方式進行組織數據。這里介紹一種使用lmd進行訓練數據組織的方式。

計劃甲骨文融合中間件中間件主流技術選型JavaEE SOA Web2.0業務邏輯視圖數據任務完成分配任務人工工作流服務BPEL流程業務活動監視編排策略評估人工交互監視用戶界面ADF Faces組件業務服務JSR-227數據綁定Web服務甲骨文融合開發體系架構數據庫Schema Web Center事件規則引擎結果事實<在此處插入圖片 一流的企業級開發工具JDeveloper 11g主要特點全面完整的開發生命周期支持多種技術開發標準支持行業標準跨平臺（應用服務器和數據庫）高效提高代碼質量可視化和聲明式的開發Oracle應用開發框架(OracleADF)免費支持完整的開發生命周期設計編碼調優部署分析調試和測試版本控制多種開發技術集于一身

中國某電信公司電子商務平臺分為兩層：支撐層和業務層，支撐層為電子商務業務的開展提供支撐功能，包括認證系統、支付系統、移動終端安全系統以及整個電子商務業務的計費和結算系統；業務層包括各種具體的電子商務業務以及為各種業務提供公共服務功能的業務平臺。電子商務平臺的體系結構如下圖所示。

oracle 10g rac+asm 的備份與恢復，因為asm 磁盤管理是兩個實例都可以訪問的，并且是共享的， 歸檔日志文件也是放在asm磁盤上，所以備份與恢復的操作和單實例差不多，只需要在一個節點上做可以了