談談如何訓練乙個效能不錯的深度神經網路

深度學習大火，將各個資料集的state of the art不斷地重新整理，到了開源**一放出，有種全民皆可刷排名的節奏。

不過可別把刷資料想的那麼簡單，不然大家去哪發*****，怎麼混飯吃= = 但是我不想發*****就想佔坑刷資料怎麼辦，看到cifar10都尼瑪刷到了95%了，我這用caffe自帶的小demo才得出78%的結果，caffe你確定不是在騙我？

caffe確實沒在騙你= =今天我給大家介紹一下如何刷出乙個效能接近*****的神經網路

以cnn為例，基本分為三步：

第一步使用leaky relu，dropout（具體參見blog.kaggle.com/2015/01/02/cifar-10-competition-winners-interviews-with-dr-ben-graham-phil-culliton-zygmunt-zajac/）

第二步，資料擾動，將資料上下左右平移，放大縮小，泛綠，泛紅，反色等等，做很多的合理的擾動，

第三步，固定步長學習，直到訓練不動，找乙個高精度的solverstate作為起點，將學習率下降再訓練，按理說降到1e-4就訓練的差不多了

其實當你研究多了就發現，真正提高效能的還是第二步，其他的只能說是錦上添花，資料擾動才是根本，當然這也揭示了分類器本身的缺陷。

當然了，有人問，你網路結構還沒給呢，這個嘛，*****跟實驗接觸多了，自己自然就會設計了，我倒是覺得網路結構不是主要的，因為cnn的致命缺陷其他分類器也都有，要解決只能說是都一起解決。

談談如何訓練乙個效能不錯的深度神經網路

深度學習大火，將各個資料集的state of the art不斷地重新整理，到了開源 一放出，有種全民皆可刷排名的節奏。不過可別把刷資料想的那麼簡單，不然大家去哪發 怎麼混飯吃 但是我不想發 就想佔坑刷資料怎麼辦，看到cifar10都尼瑪刷到了95 了，我這用caffe自帶的小demo才得出78 的...

如何寫出乙個效能優化的單例模式

單例模型是面試當中最常見的一種設計模式，它是一種物件建立模式，用於產生乙個物件的具體例項，可以確保系統中乙個類只產生乙個例項。簡而言之，單例模式可以帶來兩個好處 1 對於頻繁使用到的物件，可以節省反覆建立物件花費的時間 2 減少物件的例項化操作，故而可以降低系統記憶體的使用頻率 根據以上兩點，可看出...

記 vue 表單的乙個效能問題

產品反饋表單頁太卡了，這是乙個有意思的情況，讓我看看。如圖所見，當在 input 輸入資料的時候，連續輸入會感覺明顯的延遲。那個專案最多情況下，表單數量達到千數。筆者在 demo 裡簡化實現，並把表單數量提公升到 10000，把下面的 貼上執行一邊就能得到卡頓效果。眾所周知，vue2 裡的資料使用 ...