還有詳細的安裝模組講解，簡單案例，經典案例，高階內容等等
然後是專案裡自己最近嘗試修改過的部分
1.資料打亂
老師提供的案例是先得到訓練集資料的索引，然後將索引打亂，從而達到打亂訓練集資料的目的。打亂訓練集資料的原因是：網路對最近得到的資料的印象較深，除非特殊任務本身對日期等有限制，都會事先打亂訓練集，增加資料的隨機性，使網路訓練效果更好（泛化能力，不打亂，如果最後的乙個batch裡的資料有較相似的特徵，網路可能比較偏）
此處是通過索引來亂序的**：
事先得到資料集train_set,包含和標籤：
imgs, labels = train_set[0], train_set[1]
#獲得資料集長度
imgs_length = len(imgs)
#定義資料集每個資料的序號，根據序號讀取資料
index_list = list(range(imgs_length))
#讀入資料時用到的批次大小
batchsize = 100
#隨機打亂訓練資料的索引序號
random.shuffle(index_list)
np.random.shuffle(training_data)作業是這樣寫的：
#亂序
train_reader = fluid.io.shuffle(train_reader, 8)
2.資料歸一化問題
一開始的案例是房價**，用的是全連線層來解決，其中乙個步驟是，將輸入資料歸一化，（大概）是有平移偏移的0-1分布，然後我總記得有個啟用函式來著，裡面有乙個sigmoid，就一直以為啟用函式不僅是有非線性功能，還提供網路某一層輸出的歸一化的作用
所以當時聽課的時候對於「只有對輸入資料進行歸一化」，有一點疑惑，
後來想想relu並不是只介於0-1的，所以啟用函式主要還是提供非線性功能吧，不知道網路具體怎麼計算，才能得出，全連線層之後不需要跟乙個歸一化的過程的，
現在想一想，我當時疑惑的應該是輸入歸一化，網路輸出後跟標籤做計算，loss會不會太大
先寫兩點吧~
百度深度框架PaddlePaddle小結
1.就我而言，tensorflow有過一定基礎，也跑過一些網路，但paddlepaddle相對於tensorflow還是方便很多，覺得應該是得益於封裝的比較完美 聽說pytorch也是這樣，暫時還沒了解 2.paddle 底層是c 的，第一次用到動態圖模式，還是比較感興趣，在七日訓練營裡的 裡，有很...
百度發布PaddlePaddle新API
發布paddlepaddle新api，昨日，宣布已完成paddlepaddle 新 api 的內測版本。paddlepaddle 是研發的深度學習開源平台，於去年 9 月對公眾開放，稱得上是國內機器學習開源專案的領軍者。獲悉，該新 api 介面大幅精簡了 paddlepaddle 的 量。下面官方公...
百度訓練營 paddlepaddle學習筆記
整個內容對我本人來說有一定的難度，好在老師很負責，講解的很到位，群裡有很多高手，也很樂於分享，總之，是個很有挑戰性，也愉快的過程，所以，我把每一天的學習內容都簡要記錄在部落格中了day1,day2 這裡主要展示一下學習成果 首先抓取了1000來張 青春有你2 選手的 使用resnet50網路進行影象...