實踐篇常見的幾個問題
提高篇走上人生巔峰
之前自己學習cv&ml深感資源匱乏，無人指導。剛好有人問我這方面的教程，所以就大概整理一下這些資料。申明一下，我比較懶，不太可能寫成那種實驗教程一樣的東西，大多數東西只是點到為止。所以更適合有一些程式設計，linux基礎，知道計算機視覺，機器學習有大概概念的的人看。這裡的計算機視覺稍微的偏向二維影象的識別和理解。
我在這裡列的一些書籍和課程不一定需要全部看完了再去實踐，做些小實驗。相反，有一些實驗的感性認識會幫助你理解這裡面的內容。當然，要想更加透徹和深入這些書肯定也是不夠的，這裡只是最基礎的內容。而且這裡大多數都是英語書籍和課程，相信我，堅持看完，不追求全部看懂，你會習慣看英語的。
概率論（本科基本夠了），矩陣理論（ 網易公開課的線性代數也很推薦，講得非常透徹，我很最喜歡的課程之一。
課程：
機器學習導論：吳恩達coursera的課。
機器學習基石：台大的課，b站搜機器學習就有了。
書籍：
《prml：pattern recognition and machine learning》 一本看懂，基礎就夠了。
課程：
深度學習與計算機視覺：
，李菲菲學生講的課，看完基本上就有個對深度學習大概的概念了。
深度學習與自然語言處理：
也是李菲菲的課，這個自己找一下，考驗一下用谷歌搜尋東西的能力（其實是我懶）。
書籍：
《deep learning》
有中文版翻譯，最近出書了還是充值一下信仰吧。
這個我還沒有涉及，我只知道這又是個大坑。據說斯坦福有個叫做凸優化的公開課還不錯。其他優化大部分在決策論裡面會提到。這方面我不熟悉，需要自己探索。
《鳥哥的私房菜》入門必備指南
《python學習手冊》 《python核心程式設計》 2和3差別不是特別大
新手：keras
tensorflow（除錯方便） pytorch （新）， caffe（寫指令碼就可以訓練模型） mxnet自己選乙個
keras：
tensorflow：
不要問我為啥不貼其他的，因為我也不會啊。。。。o(∩_∩)o哈！共同交流學習。
視訊記憶體越大越好。
2g只能訓練個minist
4g可以訓練faster rcnn
6g->8g訓練一般的模型
12g->inf 大模型
用cpu真的很慢，訓練minist還行。
參考幾個我之前參考的**：
1，anaconda: cannot import cv2 even though opencv is installed (how to install opencv3)：
2，登入迴圈
很大可能是顯示卡驅動安裝錯了，在命令列重新安裝好正確的顯示卡驅動就好了。
3，是不是會深度學習就可以不學其他的了？
錯，它只是機器學習的一種，其他領域依然有學習的必要。各自有各自的應用場景。
4，是不是深度學習啥都能做？
錯，不具有區域性相關性的資料是沒法做的。
5，是不是深度學習就是ai？
錯，它跟你們家養的鴿子的分辨事物的能力差不多。
6，是不是學好深度學習就有好的工作或者*****？
並不是，找工作好要看其他的計算機相關的專業素養，以及思考問題解決問題的能力。寫*****是要有好的大佬指導的，看待問題的角度和解決問題的思路很重要，網路也不是你想的那麼容易訓練。
7，是不是理論學精通了做實驗更好？
不是，學點理論，做些實驗，學點理論，做點試驗。。。。。。東西是學不完的。
valse：
4，推特上關注大佬們。
那是，不太現實的，深度學習只是個比較通用的方法，還是希望能夠花些精力在紮實基礎理論和專業素養培養上，以及掌握好傳統的方法。
Kafka入坑指南
kafka是為大資料而生的訊息中介軟體，以其百萬級tps的吞吐量名聲大噪，迅速成為大資料領域的寵兒，在資料採集 傳輸 儲存的過程中發揮著舉足輕重的作用，而storm，spark，flink等大資料流處理或批處理平台都有kafka的相關外掛程式支援。本著為開源做貢獻的原則，在學習kafka的同時也參與...
docker docker 入坑指南
用docker是因為在專案中需要在無網的情況下部署系統，因此環境依賴需要大量手動安裝，並且依賴中可能還有需要的依賴，簡直是無底洞。因為手動的原因，安裝堪稱是無底洞，並且乙個依賴安裝不成功會導致整個環境安裝失敗。基於此，開始探索通過docker的部署的方式解決 部署的問題，兩天的研究，可以說docke...
WKWebView 入坑指南
因專案js互動需要，同時因為支援的系統開始從ios 8 之後，所以就打算使用wkwebview替換掉專案中的uiwebview。本篇文章會持續更新在使用過程總碰到的問題。坑二 在控制器直接呼叫 self.webview.configuration.usercontentcontroller adds...