ucmengxin_个人页

这个好像是案例自己的bug，其他人跑cifar的案例也是一样的bug……

没看懂8*8的第二个8是哪儿来的…………

1. 数字型的数据如何归一化：这叫binary variable不叫数字型的变量，binary variable（0-1）不用做归一化，直接输入就可以
2. 用什么类型的神经网络：time series prediction的问题可以用lstm和cnn都可以，lstm可能对初学者来说好理解一些。另外time series prediction在非神经网络方法上有一类准确率比较高的方法叫做cooperative coevolution，进阶方法可以参考：
   http://xueshu.baidu.com/s?wd=paperuri:(6d79d2d6a3866df3fbf809ec7322ebc6)&filter=sc_long_sign&sc_ks_para=q%3DMulti-objective+cooperative+coevolution+of+neural+networks+for+time+series+prediction&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8&sc_us=3887716981025528180

用tensorflow/scipy的sparse tensor/matrix

检查一下图片目录是不是相对路径和绝对路径的问题

一个debug的思路吧……
写一个y=x的模型看看同样的代码和保存的模型加载出来哪边的计算结果不一样

tf.cast(tf.greater(a, 0), dtype=tf.int8), cast成什么type看自己需求……

换浏览器

能养成提问贴代码的好习惯么……
简单来说就是prediction = argmax(logits)， 只要把logits，就是网络最后一层的输出（softmax(wx + b))的结果，打出来就可以了

pip install pyhook不就行了么？

当然语音识别可以固定输出词汇，如果有能力自行训练模型的话。如果是用了第三方的服务，你又非常确定你的样本里只会出现固定范围的词汇，可以加一层linear classifier或者加一个简单的一个隐层的Feedforward network把原来第三方服务的输出结果映射到自己的词表里

1. 数据量大怎么做：Excel不熟所以……随便入门一种编程语言吧比如python
2. 做法的理论依据：这相当于是按照特征分布密度做特征离散化，理论基础是有的， 比如有些课程把分数排名前30%的学生定为优秀，后10%的定不及格；但是按贴出的这个数据集，有很多不合理的地方，比如特征值0。0001和0.0002明明从特征来看相差很小，但是离散化之后完全变成两个类别。如果最终目的是做机器学习的话，不建议这样做特征离散化。

我这里设计与开发的这个机器人，就是你跟他一段时间的交流沟通后------这里特指聊天一会后，你无法判断对方是人还是机器，而且，你越想知道，也就越不可能知道，你越跟他聊天，他也就越会聊天，而且会变得越来越聪明，越来越像你自己，当然，除非你有自觉觉人的能力，否则，你的智商与情商就不可能超越他，也不可能从机器人那学到任何东西

他只要完全不鸟你，就可以完全满足你的以上设定……

用maxcompute的插件可以直接一次导出整个分片

Kmeans确定最佳的cluster建议先做可视化，比如做过PAC投影出来看一看有没有明显的cluster。再其次的，无妨k值设定高一点，拿到cluster之后再看是否有非常小的cluster可以丢弃或者距离非常接近的cluster可以合并等等