第一期 實驗環境搭建 《顯示卡就是開發板》

1.安裝ubuntu16.04_desktop系統，步驟略過；

2.修改ubuntu 軟體源為國內映象：

sudo vi /etc/apt/source.list

:%s/us.archive.ubuntu/mirrors.aliyun/g
:wqsudo apt-get update

sudo apt-get install nvidia-384

4.安裝cuda

wget 

sudo dpkg --install cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda-8-0
sudo gedit /etc/profile
#在profile檔案中新增：
export cuda_home="/usr/local/cuda-8.0"
export path="/usr/local/cuda-8.0/bin:$"
export ld_library_path="/usr/local/cuda-8.0/lib64:$"
#然後:
source /etc/profile

5.安裝cudnn庫

或者

sudo dpkg --install libcudnn6*****

*****
*******.deb

mkdir -p ~/.pip

cd ~/.pip
vim pip.conf

[global]  

index-url=
.tsinghua
.edu
.cn/******

sudo apt-get python-dev python3-dev

sudo apt-get install python-pip python-virtualenv
sudo pip install -u pip
sudo pip install -u virtualenv

mkdir -p env/tensorflow

virtualenv env/tensorflow
# 如果需要python3 版本 virtualenv -p /usr/bin/python3 env/tensorflow
source
env/tensorflow/bin/activate

pip install numpy scipy matplotlib pillow scikit-learn scikit-image

pip install tensorflow-gpu
pip install opencv-python
pip install h5py keras
pip install ipython==5.5.0
pip install jupyter

jupyter notebook

到這裡gpu進行深度學習實驗的簡陋實驗環境就已經搭建好了，我們來執行乙個hello world驗證一下：

新建乙個notebook，然後輸入下面的內容，最後ctrl + enter 執行。

import tensorflow as tf

layer1 = tf.placeholder(tf.string)
with tf.session() as sess:
print
'output:', sess.run(layer1, feed_dict=)

這裡說明以下我為什麼選擇jupyter作為實驗環境，而不是傳統的ide，比如sublime, pycharm, eclipse+pydev ，因為方便並且便於演示。如果不習慣這種方式可以改用其他環境。

下面再執行乙個演示程式:

%matplotlib inline 

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# prepare train data
train_x = np.linspace(-1, 1, 100)
train_y = 2 * train_x + np.random
.randn(*train_x.shape) * 0.33 + 10
# define the model
x = tf.placeholder("float")
y = tf.placeholder("float")
w = tf.variable(0.0, name="weight")
b = tf.variable(0.0, name="bias")
loss = tf.square(y - x*w - b)
train_op = tf.train
.gradientdescentoptimizer(0.01).minimize(loss)
# create session to run
with tf.session() as sess:
sess.run(tf.global_variables_initializer())
epoch = 1
for i in range(30):
for (x, y) in zip(train_x, train_y):
_, w_value, b_value = sess.run([train_op, w, b],feed_dict=)
print("epoch: {}, w: {}, b: {}"
.format(epoch, w_value, b_value))
epoch += 1
# draw plot
plt.plot(train_x,train_y,"+")
plt.plot(train_x,train_x.dot(w_value)+b_value)
plt.show()

上面這個例程演示了深度學習的基本概念，首先使用np.linespace生成(-1，1)之間的100個隨機數，然後將他們執行同一線性運算，最後通過前30個資料，**出這些點的回歸曲線。背後的理論請大家自己查文獻吧，我這裡僅僅是個演示。

因為實驗環境只是自己使用，所以使用virtualenv的方式，如果乙個實驗環境多人使用，建議使用 nvidia docker 的方式將每個人的實驗環境分離開。

規劃小結（第一期）

一月一小結，這是規劃裡既定的方案，而從正式開學大現在也剛有31天了，所以寫下第一期的規劃小結，和有關於下一期的規劃安排。在第一期的學習中，其實是在原本的規劃上有一定小的調整的，總結的概括如下 第一 調整了對於bootloader的學習，在這一期主要將bootloader進行了乙個系統的了解，而並未著...

總結做完第一期專案

首先，對於這個專案，需求不是很明確，然後要到交貨的時候，都還在趕，還在添需求，給研發來說，心驚膽顫，因為怕新增的會有影響。所以，一定在前期，先把需求整理好。如果對需求沒有理解充分，就及時的與客戶交流。當然，也會遇到傳說中的不好交流的客戶，給研發人員來說，那就是一種壓力，所以不想去理睬客戶。但是最後傷...

第一期 第八題

a b problem too problem description this problem is also a a b problem,but it has a little difference,you should determine does a b could be divided w...