在過去幾年間，許多深度神經網路 (dnn) 模型用於各種應用，如影象識別和語音翻譯。上述模型通常針對特定目標，但是可以進一步擴充套件，應用於新型使用案例。例如，可以訓練模型，以識別影象中的數字和字母，重複使用該模型，在更廣泛的模型或資料集（用於自主駕駛）中閱讀指示牌。
通過本博文，我們將會：
介紹傳輸學習及一些傳輸學習應用
介紹 neon 在傳輸學習中的應用
介紹示例**如何利用 neon* 將預訓練模型傳輸到新資料集
通過一些結果探索傳輸學習的價值
傳輸學習
接觸視覺分類任務。卷積神經網路 (cnn) 分為若干層，每一層學習特性的規模各不相同。低級別層識別低階特性，如貓的皮毛或磚牆的紋理。高階別層識別高階特性，如行人移動時的體型或汽車車窗的構造。
針對不同的分類任務，不同規模中學習的特性提供了優秀的特徵向量。它們和基於核心的演算法（人工操作員開發的）所獲取的特徵向量截然不同，因為後者通過大量的訓練執行進行學習。這些訓練執行旨在系統化地改進模型引數，以儘量減少**輸出,yp=f(xt)（xt是真實世界中的訊號，f() 是模型）和地面實況, yt, 之間的典型錯誤。
以下幾個示例介紹了重複使用 cnn（經受良好訓練）所學習的特性。oquab 等。
[1] 展示了訓練 alexnet 模型識別包含單個物件的影象，其特性可以用於識別真實世界中複雜的影象物件。szegedy 等。[2] 展示了在乙個極為深入的深度神經網路中，半數層所學習的特性可以用於視覺分類。bell 等。[3] 展示了各種預訓練 cnn 學習的材料特性（如木頭、玻璃等），例如 alexnet 和 googlenet 可以完成其他不相關的任務，包括影象分割。預訓練網路所學習的特性頗有成效，因為它們捕獲了資料中的一般統計、空間一致性與層級元關係。
利用 neon 傳輸學習
利用單個物件上訓練的權重進行一般性場景分類
imagenet 是非常流行的資料集，訓練資料集的影象主要代表了 1000 種不同型別的單個物件。它是乙個優秀的資料庫，用於獲取代表單個物件的特徵向量。然而，真實世界的影象更加複雜，針對不同的規模，單個影象捕獲的物件產生許多例項。這些場景因為合攏變得更加複雜。在不同規模和合攏程度下，人和牛的示例如下圖所示。
intel技術雙週刊已全面開啟：訂閱這裡。
利用ssh傳輸檔案
在linux下一般用scp這個命令來通過ssh傳輸檔案。而如果你的工作環境是windows的話，那麼可以選擇用 secure crt,或者putty 這樣的ssh登入工具來進行傳輸.對於linux環境 一 利用scp傳輸檔案 scp username servername path filename...
利用ssh傳輸檔案
相信各位vpser在使用vps時會經常在不同vps間互相備份資料或者轉移資料，大部分情況下vps上都已經安裝了nginx或者類似的web server，直接將要傳輸的檔案放到web server的目錄，然後在目標機器上執行 wget 就行了。當vps上沒有安裝web server和ftp serve...
利用ssh傳輸檔案
在linux下一般用scp這個命令來通過ssh傳輸檔案。2 上傳本地檔案到伺服器 scp path filename username servername path 例如scp var www test.php root 192.168.0.101 var www 把本機 var www 目錄下的...