Windows平台深度学习入门指南
Windows平台深度学习入门指南
本文从最基本的依赖项开始，依次配置了VS 2015、Anaconda 4.4.0、CUDA 8.0.61 和cuDNN v5.1 等基本环境，然后再从Keras 出发安装Theano、TensorFlow 和CNTK 以作为其后端。在完成配置深度学习框架后，本文分别利用这三个框架作为Keras 后端在CPU 和GPU 上训练了一个标准的卷积神经网络，完成该简单的卷积网络也就意味着我们完成了深度学习环境的配置。
目前有很多帮助我们在Linux 或Mac OS 上构建深度学习（DL）环境的指导文章，但很少有文章完整地叙述如何高效地在Windows 10 上配置深度学习开发环境。此外，很多开发者安装Windows 和Ubuntu 双系统或在Windows 上安装虚拟机以配置深度学习环境，但对于入门者来说，我们更希望还是直接使用Windows 直接配置深度学习环境。因此，本文作者Phil Ferriere 在GitHub 上发布了该教程，他希望能从最基本的环境变量配置开始一步步搭建Keras 深度学习开发环境。
如果读者希望在Windows 10 上配置深度学习环境，那么本文将为大家提供很多有利的信息。
01 依赖项
下面是我们将在Windows 10（Version 1607 OS Build 14393.222）上配置深度学习环境所需要的工具和软件包：
1.Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0：用
于其C/C++编译器（而不是IDE）和SDK，选择该确定的版本是因为CUDA 8.0.61 所支持的Windows 编译器。
2.Anaconda (64-bit) w. Python
3.6 (Anaconda3-
4.4.0) [for Tensorflow support] or
Python 2.7 (Anaconda2-4.4.0) [no Tensorflow support] with MKL：Anaconda 是一个开源的Python 发行版本，其包含了conda、Python、NumPy、SciPy 等180 多个科学包及其依赖项，是一个集成开发环境。MKL 可以利用CPU 加速许多线性代数运算。
3.CUDA 8.0.61 (64-bit)：CUDA 是一种由NVIDIA 推出的通用并行计算架构，该架构使
GPU 能够解决复杂的计算问题，该软件包能提供GPU 数学库、显卡驱动和CUDA 编译器等。
4.cuDNN v
5.1 (Jan 20, 2017) for CUDA 8.0：用于加速卷积神经网络的运算。
5.Keras 2.0.5 with three different backends: Theano 0.9.0, Tensorflow-gpu 1.2.0, and
CNTK 2.0：Keras 以Theano、Tensorflow 或CNTK 等框架为后端，并提供深度学习高级API。使用不同的后端在张量数学计算等方面会有不同的效果。
02 硬件
?Dell Precision T7900, 64GB RAM：Intel Xeon E5-2630 v4 @ 2.20 GHz (1 processor,
10 cores total, 20 logical processors)
?NVIDIA GeForce Titan X, 12GB RAM：Driver version: 372.90 / Win 10 64
03 安装步骤
我们可能喜欢让所有的工具包和软件包在一个根目录下（如e:\toolkits.win），所以在下文只要看到以e:\toolkits.win 开头的路径，那么我们可能就需要小心不要覆盖或随意更改必要的软件包目录。
?Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0?下载地址：https://https://www.wendangku.net/doc/c07999508.html,/vs/older-downloads
运行下载的软件包以安装Visual Studio，可能我们还需要做一些额外的配置：
基于我们安装VS 2015 的地址，需要将C:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\bin 添加到PATH 中。
?定义系统环境变量（sysenv variable）INCLUDE 的值为C:\Program Files (x86)\Windows Kits\10\Include\10.0.10240.0\ucrt
?定义系统环境变量（sysenv variable）LIB 的值为C:\Program Files (x86)\Windows Kits\10\Lib\10.0.10240.0\um\x64;C:\Program Files (x86)\Windows
Kits\10\Lib\10.0.10240.0\ucrt\x64
Anaconda 4.4.0 (64-bit) (Python 3.6 TF support / Python 2.7 no TF support))
本教程最初使用的是Python 2.7，而随着TensorFlow 可作为Keras 的后端，我们决定使用Python 3.6 作为默认配置。因此，根据我们配置的偏好，可以设置e:\toolkits.win\anaconda3-4.4.0 或e:\toolkits.win\anaconda2-4.4.0 为安装Anaconda 的文件夹名。
?Python 3.6 版本的Anaconda 下载地址：https://repo.continuum.io/archive/Anaconda3-4.4.0-Windows-x86_64.exe ?Python 2.7 版本的Anaconda 下载地址：https://repo.continuum.io/archive/Anaconda2-4.4.0-Windows-x86_64.exe
运行安装程序完成安装：
如上，本教程选择了第二个选项，但不一定是最好的。
定义一下变量并更新PATH：
?定义系统环境（sysenv variable）变量PYTHON_HOME 的值为e:\toolkits.win\anaconda3-4.4.0
?添加%PYTHON_HOME%, %PYTHON_HOME%\Scripts 和%PYTHON_HOME%\Library\bin 到PATH 中
创建dlwin36 conda 环境
在安装Anaconda 后，打开Windows 命令窗口并执行：
1.#使用以下命令行创建环境
2.$ conda create --yes -n dlwin36 numpyscipymkl-service m2w64-toolchain
libpythonjupyter
3.# 使用以下命令行激活环境:
4.# > activate dlwin36
5.#
6.# 使用以下命令行关闭环境:
7.# > deactivate dlwin36
8.#
9.# * for power-users using bash, you must source
10.#
如上所示，使用active dlwin36 命令激活这个新的环境。如果已经有了旧的dlwin36 环境，可以先用condaenv remove -n dlwin36 命令删除。既然打算使用GPU，为什么还要安装
CPU 优化的线性代数库如MKL 呢？在我们的设置中，大多数深度学习都是由GPU 承担的，这并没错，但CPU 也不是无所事事。基于图像的Kaggle 竞赛一个重要部分是数据增强。如此看来，数据增强是通过转换原始训练样本（利用图像处理算子）获得额外输入样本（即更多的训练图像）的过程。基本的转换比如下采样和均值归0 的归一化也是必需的。如果你觉得这样太冒险，可以试试额外的预处理增强（噪声消除、直方图均化等等）。当然也可以用GPU 处理并把结果保存到文件中。然而在实践过程中，这些计算通常都是在CPU 上平行执行的，而GPU 正忙于学习深度神经网络的权重，况且增强数据是用完即弃的。因此，我们强烈推荐安装MKL，而Theanos 用BLAS 库更好。
CUDA 8.0.61 (64-bit)
从英伟达网站下载CUDA 8.0 (64-bit)：https://https://www.wendangku.net/doc/c07999508.html,/cuda-downloads
选择合适的操作系统：
下载安装包：
运行安装包，安装文件到e:\toolkits.win\cuda-8.0.61 中：
完成安装后，安装包应该创建了一个名为CUDA_PATH 的系统环境变量（sysenv variable），并且已经添加了%CUDA_PATH%\bin 和%CUDA_PATH%\libnvvp 到PATH 中。检查是否真正添加了，若CUDA 环境变量因为一些原因出错了，那么完成下面两个步骤：
?定义名为CUDA_PATH 的系统环境变量的值为e:\toolkits.win\cuda-8.0.61
?添加%CUDA_PATH%\bin 和%CUDA_PATH%\libnvvp 到PATH 中
cuDNN v5.1 (Jan 20, 2017) for CUDA 8.0
根据英伟达官网「cuDNN 为标准的运算如前向和反向卷积、池化、归一化和激活层等提供高度调优的实现」，它是为卷积神经网络和深度学习设计的一款加速方案。
cuDNN 的下载地址：https://https://www.wendangku.net/doc/c07999508.html,/rdp/cudnn-download
我们需要选择符合CUDA 版本和Window 10 编译器的cuDNN 软件包，一般来说，cuDNN 5.1 可以支持CUDA 8.0 和Windows 10。
下载的ZIP 文件包含三个目录（bin、include、lib），抽取这三个的文件夹到%CUDA_PATH% 中。
GitHub上最受欢迎的57个深度学习开源项目
GitHub上最受欢迎的57个深度学习开源项目TensorFlow 作为谷歌的第二代机器学习系统，TensorFlow在过去的一年里成为了github上当之无愧的最受欢迎项目。按照谷歌所说，在某些基准测试中，TensorFlow 的表现比第一代的DistBelief 快了2倍。TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow 的自动分化（auto-differentiation）。通过灵活的Python 接口，要在TensorFlow 中表达想法也会很容易。Caffe Caffe是一个高效的开源深度学习框架。由表达式，速度和模块化组成。Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。Caffe能够运行很棒的模型和海量的数据，可以使用Caffe提供的各层类型来定义自己的模型。Neural style Torch实现的神经网络算法。Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。deepdream Deep Dream是一款图像识别工具。一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一张图片喂入之后，
选择某一层神经网路（Google 的神经网路有10-30 层）进行重复处理的次数和变形的程度，就能获得一张非常后现代的「画作」。Keras 一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。运行在Theano和TensorFlow之上。Keras是一个极简的、高度模块化的神经网络库，采用Python（Python 2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。RocAlphaGo 学生主导的一个独立项目，从新实现了DeepMind在2016 Nature发表的内容，《用深度神经网络和树搜索学习围棋》(Nature 529, 484-489, 28 Jan 2016)。 TensorFlow Models 基于TensorFlow开发的模型。这个库包含了各种机器学习模型在TensorFlow实践。 Neural Doodle 运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）CNTK 深度学习工具包。来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。（从单机上的1个、延伸至超算上的多个）在
江南营_江南深度研学之旅(1)
诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践之旅 【课程简介】 一道水，一架桥，一支橹声，隽秀婉约的聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨，再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里，穿越历史，冶爱国之志，体悟文化魅力；一起走进园，欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化涵；一起游历西湖，领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆博物馆、中国黄酒博物馆，全面了解历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】
上午探访安昌古镇漫游小桥流水梦回江南水乡游历江南小镇，画笔描绘 第五天 下午乘坐高铁前往：车次G60东-西 15:22-19:48辅导员送站一次相聚一生情谊备注：因天气交通等原因，组委会保留调整活动顺序及个别项目的权力，保证活动总量不变。 【活动费用】 2900/人；包含火车（往返高铁）及活动期间所有的费用。 ?【人文积淀-理性思维】·第一天下午·钱塘江·六和塔 钱塘江潮被誉为“天下第一潮”，是世界一大自然奇观，它是天体引力和地球自转的离心作用，加上湾喇叭口的特殊地形所造成的特大涌潮。六和塔位于省市西湖之南，钱塘江畔 月轮山上，是中国现存最完好的砖木结构古塔之一。 小任务1：学生面对浩渺的钱塘江，接受审美教育，并结合手册提示，探究钱塘江大潮的在科学原理； 小任务2：学生走进六和塔，收集关于六和塔的传说故事，留下自己与六和塔最美的合照； ?【审美情趣-人文积淀】·第二天上午·西湖·省博物馆 西湖，是一首诗，一幅天然图画，一个美丽动人的故事，不论是多年居住在这里的人还是匆匆而过的旅人，无不为这天下无双的美景所倾倒。平湖秋月、断桥残雪、柳浪闻莺、花 港观鱼、雷峰夕照、双峰插云、南屏晚钟、三潭印月，西湖十景个擅其胜。省博物馆是省规 模最大的综合性人文科学博物馆，文物品类丰富，年代序列完整。 小任务1：集体创绘，全体学生齐动手，集体协作，面对美景，协作创作最美的西湖； 小任务2：走进博物馆，寻访国宝，找一找最能代表江南文化的文物，向小组同学分享并交流；
智能分析之深度学习和整体解决方案
智能分析之深度学习 深度学习对于智能分析来说就相当于人类的学习一样，人类不学习就是一张白纸，什么都不会，从我们的咿呀学说和学走路开始，到上学年龄的老师教学，再到进入社会的自我学习，无论何时何地，碰到新的事物就需要学习，智能分析既然是模拟人类，那深度学习就跟人类学习新事物一个原理，碰到一个新的事物，它无法辩认这是什么东西，最多只能判断它是否运动，运动速度是多少，是哪种颜色，是什么形状，但具体是什么物体它并不知道，那要辨认出具体物体，就需要做事前的深度学习 深度学习是学习物体的多个特征，不同的物体记忆不同的特征，比如认识不同的人、做人脸识别、人脸与身份证的对比等，一般都是通过识别人的五官特征，两个眼角，鼻子与两个嘴角五
个点位的位置、距离等信息，通常叫做人脸识别的五点识别，因为这些信息是不会随着年龄的增长而改变比例的，识别这些信息之后保存到数据库或文件中，一般是保存在XML文件中，当然有些情况还会记载物体的大小、颜色、形状等等多个参数，根据实际情况学习不同的特征值，这是学习的过程。 学习完之后就可以进行分析对比了，首先是找出视频中出现变化的对象，这个变化的对象有些是通过移动的对象来判断，有些是通过对比两帧数据来对比，反正是找出变化的对象即可，对象找出来之后先做初步的判断是否是我们需要检测的对象，如果是的话再提取物体的特征值，来对比保存的物体的各个特征
值，是否与保存的对象有相符的，再根据平台设置的相似度来确认是否是同一个人或对象。 在实际使用的过程中，算法首先是要进行一轮预处理阶段，即处理掉一些干扰因素，包括去除光亮条件和噪声、阈值、模糊等；对象的特征是一组描述符，为了使用这些描述符来训练模型或预测其中的一个模型，需要通过成千上万次图像预处理、提取特征来建立一个关于特征的大数据集合，并且通过选取的训练模型来提取特征。这就是为什么深度学习算法速度慢，当建模越多和视频中出现的对象越多，处理速度就会越慢，如果需要进一步排除误判，还需要对输出数据进行后期处理，比如合并多个分类，比如判断人脸后再判断身高，体形等，要判断这些因素，又要结合安装的摄像机的高度、角度等因素来设置人在视频中实际占的像素，在不同位置占的像素等，越想得到精准的结果，要处理的数据量就越大，对环境的要求就会越高，当平台处理的条
深度学习计算系统
附件3： 深度学习计算系统采购需求 一、每套总体要求 （一）节点一运行平台计算池指标： 1、性能指标：2*Intel Xeon E5-2698 V4 2.2G/20核40线程/135W。 本系统采用多并发处理，并发处理器核数≧40个，处理器工作频率不低于2200MHz，处理能力至少达到0.45万亿次每秒； 2、数据指标：本系统采用高效数据系统，由于需要提供处理器直接数据读取，工作频率至少需要2133MHz，可分配容量每个处理核心至少需要16GB的容量； 3、系统容量：768G(32G*24)DDR4 2133 RegECC。 为方便使用，需要至少768GB的高速系统运行空间，并集成本次模型设计深度学习系统所需要的相应软件，同时可以选择采用多人使用模式，学习模型并不互相影响； 4、数据池指标：1T SSD 固态硬盘。 不少于1TB高速存储空间，且IOPS读取性能不低于92K，写入性能不低于83K； ★5、高速处理单元：8*Nvidia Tesla P100 16G显存，额外配置sitonholy散热模块。 要求单台物理设备必须提供不少于10个处理单元的接口，为提高系统的运行效率，需要额外增加加速设备，加速设备采用被动散热模式，供电环境由本系统统一供应；加速设备必须提供≧9.3万亿次每秒的精度计算能力，本次采购加速缓存空间总共需要128GB的容量。 6、设备访问处理：本系统既支持本地环境使用，同时也支持由外部访问，支持接入集群，提供mellanox 双口56G+1*千兆管理网络接口。 7、供电模块：为了确保平台的稳定可靠运行，必须提供≧4000w的2+2高效冗余电源。 ★8、软件要求：提供Tensorflow/Pytorch/Cuda/Theano/Torchd等软件的部署，提供大规模千万级车辆识别动态、精面、视频流高精度识别算法，面向亿/min的大规模数图的检索.基于平面波密度泛函理论GPU计算软件。 （二）节点二运行平台计算池指标： 1、性能指标：2*Intel Xeon E5-2650 V4 2.2G/12核24线程/105W。 本系统采用多并发处理，并发处理器数≧24个，处理器工作频率不低于2200MHz，处理能力至少需要0.37万亿次每秒； 2、数据指标： 本系统采用高效数据系统，由于需要提供处理器直接数据读取，工作频率至少需要2133MHz，可分配容量每个处理核心至少需要32GB的容量； 3、系统容量：768G(32G*24)DDR4 2133 RegECC。 为方便使用，需要至少768GB的高速系统运行空间，并集成本次模型设计学习系统所需要的相应软件，同时可以选择采用多人使用模式，学习模型并不互相影响；
研学方案
“研学旅行”实施方案 一、项目实施背景 从2013年发布《国民休闲旅游纲要》到2016年的《关于推进中小学生研学旅行的意见》，国家教育部等多部门发文要求大力推进研学旅行。研学旅行有利于促进学生培育和践行社会主义核心价值观，激发学生对党、对国家、对人民的热爱之情；有利于推动全面实施素质教育，创新人才培养模式，引导学生主动适应社会，促进书本知识和生活经验的深度融合；有利于加快提高人民生活质量，满足学生日益增长的旅游需求，从小培养学生文明旅游意识，养成文明旅游行为习惯。近年来，各地积极探索开展研学旅行，部分试点地区取得显著成效，在促进学生健康成长和全面发展等方面发挥了重要作用。二、定位与宗旨 目前大多数研学旅行还处在研究开发状态，良莠不齐，市场认可度不够，家长热度不高（尤其省内）。这是我们的机遇，也是挑战，我们的定位是要打造出一个学校认可、家长认可、学生认可的研学品牌，让学生在研学中学到东西。 三、具体实施 （一）方案A：纯旅游研学 本方案以若干旅游景点为研学地点，前期采取跟旅行社合作的方式（合作方式有待探讨），研学的核心（课件+“内容”）内容采取跟大学历史系或者旅游系的老师合作。 该方案的优点：该方案采用跟旅行社合作，研学路线可以借用
旅行社的优势，资源充分整合，老师和家长的路线选择多，可以极大丰富学生的课外知识，并且可以开展夏令营和冬令营活动。缺点是要综合考虑各个年龄段的学生，路线过多，会导致前期工作准备不够充足。 方案细节初步安排如下： 1、前期工作（3月20日-3月30日）： （1）与某个旅行社达成合作关系（目前有合作意向的有康辉旅行社）； （2）与某个大学的历史或者旅游系老师达成合作关系，负责研学核心内容的开发，包括路线的选择和内容的开发 （3）完成计划的策划和确定具体实施细节。 2、中期工作（4月1日-5月30日） （1）4月1日-4月15日与旅行社和老师确定最终的研学路线； （2）4月15日-5月30日一个半月的时间根据最终具体的研学路线，来做具体的研学课件和研学内容，研究出研学到底应该让学生学到什么，怎么保证学生能学到这些； （3）同时根据最终确定的研学方案做好定价方案，在这个过程中要充分进行调研，进学校、访家长，做到收费合理； （4）根据做好的方案做好线上推广，把做好的资料全部上传到线上，可以参考北京世纪明德。
基于FPGA平台的深度学习应用研究
基于FPGA平台的深度学习应用研究 近年来,人工智能可以说是当下最热门的话题之一,而推动人工智能技术蓬勃发展的动力正是深度学习的崛起。如今,深度学习已广泛应用于各个领域,在计算机视觉、语音识别和自然语言处理等领域都取得了重大突破。 然而深度学习强大的模拟预测能力离不开具有超强计算能力硬件的支持,强大的计算能力是支撑深度学习发展的基础。如何满足深度学习日渐增加的高性能计算需求,一直是很多科研机构和商业公司研究的热点。 随着FPGA的不断发展和OpenCL异构计算标准的不断完善,基于FPGA的新型异构计算平台开始展现其高性能计算的潜力。与大型的工作站和GPU集群相比,FPGA平台具有高性能、低功耗的优势。 因此,本文基于FPGA的OpenCL异构计算平台,对深度学习中常用的CNN图像分类进行了异构计算加速研究和具体实现。本文首先介绍了深度学习领域中常用于图像处理的卷积神经网络的相关知识和常用的CNN网络模型。 对新型OpenCL异构计算标准的编程架构进行了分析研究,对OpenCL标准的平台模型、执行模型、内存模型和编程模型4种模型特点作了详细的阐述。然后,基于对CNN模型实现图像分类过程中计算并行性特征的分析和FPGA高并行性的硬件架构特点,设计了CNN图像分类的异构计算加速方案。 针对特定的CNN模型AlexNet,完成了整个网络模型的FPGA异构计算加速内核设计。根据模型中各层网络之间的计算相似性,对网络模型中的8个网络层采用了相同的内核设计方法以便于系统复用。 对于单层网络中卷积、池化等不同的运算操作设计了5个对应的硬件加速内核。根据计算过程中数据的传递特点,使用了Channel技术在多个内核间进行数
江南营江南深度研学之旅1
江南营-江南深度研学之旅（1)
————————————————————————————————作者：————————————————————————————————日期:
诗梦江南，入画寻踪 ——长清区实验小学江南深度研学实践 之旅 【课程简介】 一道水,一架桥，一支橹声,隽秀婉约的杭州绍兴聚合了太多的历史文化。此次研学活动旨在让同学们了解祖国江南，同时感受一场从远古传说，到春秋的吴越文化，到南北朝的文人风骨,再到明清以及近代的大儒伟人的历史盛宴。活动中，同学们将一起寻访王羲之、蔡元培、鲁迅、周恩来等名人伟人故里,穿越历史,陶冶爱国之志,体悟文化魅力；一起走进沈园,欣赏宋代江南私家园林的秀美景观，探寻园林蕴含的文化内涵；一起游历西湖,领略“淡妆浓抹总相宜”的如画美景；一起走进综合性人文科学博物馆浙江博物馆、中国黄酒博物馆，全面了解浙江历史文化。 【课程特色】 ●文化名镇江南风采 ●穿越时空触摸历史 【行程简表】 时间课程安排课程主题课程链接 第一天上午乘坐高铁前往杭州:车次G63 济南-杭州东 0７:23-1１：５３辅导员接站读万卷书行万里路下午参观钱塘江、六和塔看天下第一潮登镇潮六和塔追寻江畔的历史故事 晚上研学课程指导分组讨论课程，研学收获分享 实践－辅导员指导学生完成课程手 册 第二天上午 游历杭州西湖置身如画美景感受西湖柔情参观苏堤、孤山、曲院风荷 浙江博物馆参观历史展品考察浙江文化感受历史文化的沉淀 下午灵隐寺、飞来峰登山览胜景寺宇悟佛心登山参观庙宇,了解佛教文化 晚上研学课程指导分组讨论课程，研学收获分享实践-辅导员指导学生完成课程手册 第三天上午探访鲁迅故里探寻书中世界亲访三味书屋追寻鲁迅先生的足迹 下午 游览沈园漫步江南园林,探寻文化内涵 人文－体味江南风情/建筑-江南园林建 筑风格 参观黄酒博物馆参观历史文物体悟江南魅力历史-绍兴历史文化 晚上 大善塔 仓桥直街 漫步古城小道欣赏绍兴夜色实践-实地感受，见景抒情 第四天上午书圣故里历史街区历游文人旧地感受文化魅力人文-文人旧所、大家荟萃
深度学习概述
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习 模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。 目录 1简介 2基础概念 ?深度 ?解决问题 3核心思想 4例题 5转折点 6成功应用 1简介 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。[2] 深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。[2] 2基础概念 深度：从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算并且一个计算 深度学习的值(计算的结果被应用到这个节点的孩子节点的值)。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有孩子，输出节点没有父亲。 这种流向图的一个特别属性是深度(depth)：从一个输入到一个输出的最长路径的长度。
研学
第一单元 课题人与自我?我自信，会成功 学习目标正确认识自我，能够说出自己的优点和不足；增强自我调控、承受挫折、适应环境的能力；了解树立自信心的方法，培养健全的人格和良好的心理素质；提高心理健康水平，增强自我教育能力，形成健康、自信的人生观。参考主题（1）我自信，会成功；（2）克服考试焦虑；（3）消除孤独感。 实践方式心理测试；收集资料；手工制作。 方法引导发表意见的技巧；如何对调查结果进行统计与分析。 学科整合与心理健康教育、品德与社会、语文等学科整合。关注心理健康，形成健康的生活态度；善于发现其他同学身上的优点并虚心学习；学习名人名言，领悟其深刻含义，并激励自己；进行小制作设计。 课时安排5课时 教学流程 第一课时 研究准备 我们一天天地长大，从妈妈怀里的婴儿，长成了少年。想想自己在成长过程中有哪些烦恼？你是怎么解决的？ 同学们根据自己的兴趣自主确定设计研究方案，其方法一般是: 1、我的烦恼及解决的办法 2、我自信，会成功 3、消除孤独感 以上方案进行研究、讨论、尝试初步建立印象。 第二课时 我自信，会成功 一、研究实施 自信对我们走向成功非常重要。今天，就我们一起通过探究活动来寻找自信，增强自信！ 二、方法与引导： 发表意见的技巧 1、态度诚恳、谦逊。多采用“我个人认为”、“我目前的想法是”等表达方式； 2、不能只发表否定性意见，对好的方面要充分肯定； 3、对事不对人，只针对事情发表意见； 4、通过举例等方式，引导他人发现存在的问题； 5、避免个人垄断话题，邀请不善于发表意见的组员参与讨论。 三、“我自信，会成功”研究方案 主题名称研究时间 研究目的1、正确认识自己，发现自己的优点与不足 2、
当前三大自动化深度学习平台简介_光环大数据培训
https://www.wendangku.net/doc/c07999508.html, 当前三大自动化深度学习平台简介_光环大数据培训 深度学习技术往往比较复杂，从头开发的难度较大，但现在有一些公司提供了能帮助开发者轻松使用深度学习的自动化深度学习(ADL)平台，比如微软的CustomVision.AI、谷歌的 Cloud AutoML、OneClick.AI。Data Science Central 近日发文对这三个平台进行了比较和盘点，机器之心对该文做了编译介绍。 阻碍我们使用深度学习方法的原因有很多，其中最主要的是深度学习方法很复杂和困难。 数据科学领域有一部分研究者和开发者已经选择学习这些新技术了，但在预测性和规范性建模的问题类型和技术方面(我们 90% 的工作就是这些)，学习深度学习技术却与我们的大部分工作方向背道而驰。 至少在图像、视频、文本和语音识别与处理领域，人工智能(AI)已经成为了每个人的口头禅，但寻找有资格执行你的项目的数据科学家仍然很困难。 实际上我列举的图像、视频、文本和语音应用只是深度学习应用的一小部分。尽管这些是最为人所知且可能是最明显的应用，但深度神经网络(DNN)也能出色地预测时序数据以及解决复杂的传统的消费倾向问题。 去年 12 月份我在写数据科学 2018 年预测时，我注意到 Gartner 说在2018 年 DNN 会成为 80% 数据科学家的标准工具组件。我的预测是：尽管能实现这种简洁性的第一家提供商肯定会获得丰厚的回报，但绝不可能是在 2018 年。看来我预测错了。 2018 年才刚过去 4 个月，我就看到了三种旨在简化深度学习以让任何人
https://www.wendangku.net/doc/c07999508.html, (至少是任何数据科学家)都能使用该技术的不同平台。 最低要求 所有的主要公司和几家小公司都为执行 CNN 或 RNN/LSTM 提供了极大简化的工具，但这仍然需要实验性地人工调整层的类型和数量、连接方式、节点和其它超参数(这些设置往往会影响最初的成功)。 我们希望有真正一键式的应用，让一般的数据科学家或甚至开发者都能成功构建图像或文本分类器。 实现这一目标的最快方法是通过迁移学习。在深度学习领域，迁移学习是指将之前成功构建的大型的、复杂的 CNN 或 RNN/LSTM 模型在新的更有限的数据集上进行训练。 基本上而言，常用于图像分类的迁移学习会将更复杂的模型归纳为更少或之前训练过的类别。迁移学习不能创造原模型中没有的分类，但它可以学习创造子集或汇总类别。 其优势在于常常会执行超参数调节，这样你就知道模型将会训练。更重要的是，你只需不到 1 个小时时间，仅用几百张有标注图像就能构建一个成功的迁移模型。 但是，自动化深度学习的真正目标是完全自动化的超参数调节，而不是迁移学习。你在下面会读到，有的努力还在进行中，而有的则宣称已经实现了这一目标。 微软 CustomVision.AI
研学课程质量管理方案
XXXX中小学研学旅行课程质量管理 一、指导思想 全面贯彻党的教育方针，以《国家中长期教育改革和发展规划纲要》《基础教育课程改革纲要》《国民旅游休闲纲要》为指导，认真落实立德树人的育人目标，以培养学生的综合实践能力和创新能力为核心，以学生发展为本，全面提升学生综合素质。 二、课程设计原则与课程内容 (一)课程设计原则 1.开放性原则:充分利用校内外资源体现目标的多元性，内容的广泛性，时间空间的广域性，展示的多样性和评价的灵活性。 2.整合性原则:以研学旅行资源及教学内容、方法和师资情况为基础，结合学生认知能力和社会实际整合开发课程，保证课程的时效性，实现课程的生成性。 3.体验性原则:尊重学生主体地位，以人为本，以学生活动为主，突出体验实践，培养学生创新精神和实践能力，变知识性的课堂教学为发展性的体验教学。 4.生活性原则:着眼于生活实际的观察视角，把学生从最简单熟悉的生活层面引领到更加广阔的社会生活舞台，加强教育的生活性，突出生活的教育化程度。 (二)课程内容
1.了解社会状况。通过研学旅行活动，了解当前社会实践活动中迫切需要解决的现实问题，如交通、卫生、网络、饮食、环境、动植物保护以及人口老龄化、就业压力、就医入学等现实状况。 2.探究学科问题。包括物理、化学、生物、地理、数学、语文、英语、政治、历史、通用技术、信息技术、体育、音乐、美术以及学科交叉知识的探究，发现一些值得研究的新问题。 3.前沿科技应用。在研学活动中，学习和研究前沿科学技术在生活、生产实践和科学实践领域的应用。如3D打印、AR/VR、无人机、无人驾驶等。 三、课程实施 （1）课程开发要立足教育性。 要使研学旅行做到立意高远、目标明确、活动生动、学习有效，避免出现“只旅不学”或“只学不旅”的现象，就必须把教育性原则放在首位，寻找适切的研学主题和课程教育目标，深度促进研学旅行活动课程与学校课程的有机融合。作为中小学教育教学实践的重要组成部分，研学旅行的活动课程既要结合学生身心特点、接受能力和实际需要，又要注重知识性、科学性和趣味性。 在课程目标的制订上，要与学校的综合实践活动课程统筹考虑，活动中的知识性目标、能力性目标、情感、态度、价值观领域的目标和核心素养的目标等等，都应该是落实课标的核心要点。 （2）研学旅行课程突出实践性 正是我国推动全面实施素质教育的一种重要创新。研学旅行的课
LTE深度覆盖产品方案
LTE深度覆盖产品方案
2014年8月13日
目录 概述
MDAS产品方案 室分移频产品方案 电缆天线产品方案 WLOC产品方案
移动通信市场新的挑战
9 9 9 9 9 9 多系统混合运营，包含2G+3G+4G+WIFI 多系统混合运营 包含2G 3G 4G WIFI 4G时代90%的数据业务发生在室内 传统 传统DAS规划施工难度大，底噪高 规划施 难度大 底 高 传统DAS不能很好的支持MIMO 室内用户感受差，投诉多 室内容量飙升，但建设传统DAS，利用率低
室内感受太差 投诉多 室内感受太差，投诉多
70%的投诉是对室内覆盖 的不满 覆盖不足占投诉的比重高达 80%
quality, 6.53% available,?
Signal?
Call?
Others, thers
5.32%
Outdoor
30%
70% Indoor
but?call failed, 4.40%
No Weak?
signal, 43.65% signal, 40.10%
数据来源: 某运营商用户投诉 分布情况
MIMO的“痛”与“疼”
9 MIMO技术是TD-LTE技术的基础，在室内覆盖系统中表现为信源为双通道 。 9 TD-LTE室内信源双通道，而现有室分系统是单通道，不能充分体现TD-LTE 的技术优势，多个场景多UE条件下，双通道室分下行平均吞吐量为单通道 室分的1.5~1.85倍，双通道室分具有明显的性能优势。 9 TD-LTE双通道室分技术要求：双单极化天线间距12λ（1.5米左右）；双通 道时 2个通道之间的功率不平衡需要<3dB 道时，2个通道之间的功率不平衡需要<3dB。 9 施工受制于物业，不是简单的线缆施工改造，很多物业已经不允许再进行 线缆施工。
5
Windows平台深度学习入门指南
Windows平台深度学习入门指南 本文从最基本的依赖项开始，依次配置了VS 2015、Anaconda 4.4.0、CUDA 8.0.61 和cuDNN v5.1 等基本环境，然后再从Keras 出发安装Theano、TensorFlow 和CNTK 以作为其后端。在完成配置深度学习框架后，本文分别利用这三个框架作为Keras 后端在CPU 和GPU 上训练了一个标准的卷积神经网络，完成该简单的卷积网络也就意味着我们完成了深度学习环境的配置。
目前有很多帮助我们在Linux 或Mac OS 上构建深度学习（DL）环境的指导文章，但很少有文章完整地叙述如何高效地在Windows 10 上配置深度学习开发环境。此外，很多开发者安装Windows 和Ubuntu 双系统或在Windows 上安装虚拟机以配置深度学习环境，但对于入门者来说，我们更希望还是直接使用Windows 直接配置深度学习环境。因此，本文作者Phil Ferriere 在GitHub 上发布了该教程，他希望能从最基本的环境变量配置开始一步步搭建Keras 深度学习开发环境。 如果读者希望在Windows 10 上配置深度学习环境，那么本文将为大家提供很多有利的信息。 01 依赖项 下面是我们将在Windows 10（Version 1607 OS Build 14393.222）上配置深度学习环境所需要的工具和软件包： 1.Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0：用 于其C/C++编译器（而不是IDE）和SDK，选择该确定的版本是因为CUDA 8.0.61 所支持的Windows 编译器。 2.Anaconda (64-bit) w. Python 3.6 (Anaconda3- 4.4.0) [for Tensorflow support] or Python 2.7 (Anaconda2-4.4.0) [no Tensorflow support] with MKL：Anaconda 是一个开源的Python 发行版本，其包含了conda、Python、NumPy、SciPy 等180 多个科学包及其依赖项，是一个集成开发环境。MKL 可以利用CPU 加速许多线性代数运算。
青海研学l旅游发展的SWOT分析
青海省研学旅游发展SWOT分析 （一）优势（strength） 1.旅游资源丰富多样 截至目前，全省旅游A级景点多达106处，其中5A级3家；4A级19家，3A级65家，2A级19家。自然与人文旅游资源丰富多样，著名的景区有青海湖景区，金银滩景区、祁连风光旅游区、茶卡盐湖旅游区等，人文旅游资源有藏传佛教塔尔寺景区、互助土族故土园景区、原子城、湟源丹葛尔古城等，独特的地质条件与多样的民族风情为青海省开展研学旅游提供了强大的物质基础。 2.地质旅游资源优势明显 青海省地域辽阔,在漫长的地球演化过程中,在内外力地质共同作用形成、发展并遗留下来类型众多的不可再生的地质资源,青海省凭借丰富的旅游地质资源,现已获批多处地质资源集中分布区开发建设为国家地质公园，知名的有坎布拉国家地质公园、互助北山国家地质公园、贵德国家地质公园、昆仑山国家地质公园等，形成了红色砂砾岩的丹霞地貌、冰蚀地貌景观、高原岩溶景观、古地震鼓包遗迹等地貌景观，除了具有不可估量的科研价值外，还具有开展研学旅游，建设研学旅游教育基地的广阔前景。 （二）劣势（weakness） 1.景区间通达性差 作为研学旅游目的地其集聚性较差，包尤其是潜在的旅游资源，重要景区间的连接道路、景区内的交通体系、景区的道路标示系统等有待进一步加强，与现代“快旅慢游”需求和“井喷式”增长严重不匹配，缺乏全面系统的交通网将研学旅游景区串联起来。旅游各景区发展不平衡，基础设施、服务配套远不能适应人民群众日益增长的多旅游需求。 2.旅游季节差异性明显 旅游季节性是旅游活动的固有特征，青海省旅游季节性明显，由于气候因素旅游旺季集中在夏季，导致旺季游客量多，而到了冬季，气候比较寒冷，草木凋零，研学旅游开展较为困难、使得旅游景点、宾馆饭店、旅行社等资源和设施大量闲置、出租率下降、运营成本上升，旅游企业为争夺客源进而采取降价竞争，导致经济效益低下。 （三）机遇（opportunity） 1.政策支持焕发旅游活力 近年来，一系列决策为全省旅游业提档升级提供了强大的政策支撑。一是《国务院关于促进旅游业改革发展的若干意见》以及全国旅游发展“515战略”，将旅游业定位为战略性支柱产业和人民群众满意的现代服务业和实现脱贫的重要产业，破除了旅游发展的认识障碍和制度障碍；二是青海省委、省政府出台了《关于促进旅游业改革发展的实施意见》、《2015年—2020年青海省旅游业行动计划》，将推动县域旅游业发展提向更高层次、更大格局迈进；三是地方政府对各地旅游业的重要战略部署。随着研学旅游的深入开展，其巨大的经济效益、社会效益和生态效益毫无疑问将得到各级政府的高度重视，不断获得政策支持力度，实现研学旅游又好又快发展，引领“旅游+”产业新风向。 2.研学旅游竞争力将持续增强 随着旅游的飞速发展，我省已形成一批骨干旅游企业，将继续提升旅游市场主体的竞争力。旅游发展环境全面改善，形成设施齐全、功能配套、优质高效的
2018年深度学习教学大纲(审核)
《深度学习》教学大纲 适用专业：信息类课程性质：公选课 学时数：32 学分数： 2 课程号：开课学期：春季 大纲执笔人：赵宏大纲审核人：谢鹏寿 一、课程的地位和教学目标 深度学习技术促进了人工智能在图像识别、语音识别、自然语言处理等领域的突破，成为实现人工智能的重要技术之一。本课程采用Google开源软件TensorFlow作为深度学习技术实现的平台，讲解全连接神经网络、自编码器和多层感知机、卷积神经网络、循环神经网络等的设计与实现，以及网络训练过程中的数据处理、网络调优与超参数设置，并介绍深度强化学习和网络模型可视化、多GPU并行与分布式处理技术。通过本课程学习使学生掌握深度学习技术并能够应用该技术解决实际问题。 二、课程教学内容和基本要求 （一）深度学习技术和平台概述（4学时） 教学重点、难点： 教学重点：深度学习技术，深度学习平台，TensoFlow； 教学难点：TensorFlow； 教学内容和基本要求 1、掌握部分：TensorFlow平台构建； 2、理解部分：深度学习技术原理； 3、了解部分：Caffe，Neon，Torch等平台； （二）全连接神经网络（4学时） 教学重点、难点： 教学重点：全连接神经网络设计，训练数据预处理，网络调优和超参数设置； 教学难点：损失函数、激活函数； 教学内容和基本要求 1、掌握部分：全连接神经网络设计与训练； 2、理解部分：网络调优和超参数设置； 3、了解部分：训练过程可视化； （三）自编码器和多层感知机（4学时） 教学重点、难点：
教学重点：自编码器设计，多层感知机设计； 教学难点：目标优化函数设置； 教学内容和基本要求 1、掌握部分：自编码器设计和多层感知机设计与训练； 2、理解部分：目标优化函数设置； 3、了解部分：自编码器设计和多层感知机的拓展应用；（四）卷积神经网络（6学时） 教学重点、难点： 教学重点：卷积神经网络设计； 教学难点：卷积运算原理； 教学内容和基本要求 1、掌握部分：卷积神经网络设计与训练； 2、理解部分：Pooling技术和Dropout技术； 3、了解部分：LRN技术； （五）循环神经网络（6学时） 教学重点、难点： 教学重点：循环神经网络设计； 教学难点：双向LSTM网络； 教学内容和基本要求 1、掌握部分：循环神经网络设计与训练； 2、理解部分：LSTM网络； 3、了解部分：网络欠拟合和过拟合处理方法； （六）深度强化学习（4学时） 教学重点、难点： 教学重点：策略网络和估值网络设计； 教学难点：奖励和估值设计； 教学内容和基本要求 1、掌握部分：策略网络和估值网络设计与训练； 2、理解部分：奖励和估值设计； 3、了解部分：Alpha Go的实现； （七）多GPU并行与分布式处理技术（4学时） 教学重点、难点： 教学重点：GPU的配置；
华为室内深度覆盖专项设计方案
华为室深度覆盖专项设计方案 1.1项目概述 近年来，室移动用户的通信感知逞下降趋势，特别是居民小区，用户投诉量不断攀升。各个运营商都普遍遇到这个问题，对网络优化和网络建设都提出不小的挑战。加强室覆盖，确保用户感知成为重点工作。 目前，在网络覆盖类投诉中，室覆盖引发的客户投诉占比高达50%以上。公司室分系统业务量吸收情况：GSM室分话务吸收比例为4.8%，GSM室分数据流量吸收比例为7%；TD室分话务吸收比例为8.5%，TD室分下行数据流量吸收比例为8.9%。室覆盖网络质量的提升已成为亟待解决的主要工作。 为了进一步解决室网络覆盖问题，提高覆盖质量，全面改善客户感知，公司从华为室分入手，按照全面梳理、重点保障、普遍提升的原则，采用边测试、边制定方案、边实施优化的方式，分区域、分阶段逐一排查解决现网室覆盖盲区、弱覆盖及难点问题。 1.2工作概述 结合客户投诉情况，按照重要区域、热点区域、一般区域的原则及次序，通过现场测试、话务统计等多种手段全面排查室深度覆盖、语音质量等室网络质量问题。重点对影响室覆盖质量的干放、电桥、合路器、室分天线、耦合器、功分器、负载、馈缆、接头等器件质量进行测试、排查。根据测试、排查结果，同步制定室深度覆盖优化方案。
具体工作容： 1）参数调整，通过调整小区重选、切换、邻区、功率控制、2/3G互操作等参数，提升室深度覆盖能力。 2）频率优化，通过2G频率、TD频率及扰码优化，室分专用频率规划等手段，提升室覆盖质量。 3）通过分层覆盖改造，天线补点或位置调整，新技术应用等手段，改善室覆盖及质量。 4）同步进行室深度覆盖优化整改方案实施后的现场测试与效果评估。 2问题及优化方案 2.1弱覆盖 弱覆盖优化流程 弱覆盖整体优化流程如下图所示。
研学旅行实践
研学旅行的实践 为迎接挑战，培养21世纪全能型人才，我们当今的教育格局也在发生剧烈改变，过去把教育理解为有计划、有意识、有目的和有组织的学习。正规教育和非正规教育都是制度化的。但很多人的学习都是非正式的，我们在生活中学到的知识并非有意而为之。这种非正式学习是所有社会化经验的必然体验，所以我们要重视非正式学习。 目前的发展趋势是从传统教育机构，转向混合多样化和复杂的学习格局，我们需要一种更加流畅的一体化学习方法，让学校教育和其他非正规教育更加密切的互动，相互影响，并且相互补充，拓展学习的空间网络。 为更好的开展研学旅行教育，我们应从各个方面做好准备。首先，营地方面需要做好以下几点：课程和线路研发，活动组织和协调服务，师资、专业讲解员，集中食宿服务，交通服务，管理体制，安全保障机制，领导班子。 在研学旅行课程方面，四五六年纪以乡土乡情为主，初中阶段，以县情市情为主，高一高二阶段以省情国情为主。课程主题方面可以分为自然类、地理类、科技类、环保类、历史类、人文类、拓展类、体育类、艺术类、职业探索类、爱国主义革命传统、理念信仰国情教育。研学课程开发的原则应该具有教育性原则，寻找切实的研学主题和课程教育目标，深度促进研学旅行活动课程与学校课程的有机结合，既要结合学生身心特点，接受能力和世纪需求，又要注重知识性、科学性和趣味性。实践性原则，在教师的指导下，以问题为中心，在实际情境中认识和体验客观世界，在实践学习中亲近自然,了解社会认识自我，并在学习过程中提高发现问题，分析问题和解决问题的实践能力。整合性原则，研学旅行基地功能的拓展，研学旅行线路的设计，活动课程资源的开发，都需要进行创造性的整合。安全性原则，研学旅行需要对研学线路课程设计、组织方案、实施过程、实施效果等进行事前、事中、事后评估，切实做到活动有方案，行前有备案，应急有预案，确保研学活动过程中每个环节的
深度学习在PAI平台中的应用
深度学习在PAI平台中的应用
1. 前言 自2012年Deep Learning的代表模型AlexNet在ImageNet大赛中力压亚军，以超过10个百分点的绝对优势夺得头筹之后，依托于建模技术的进步、硬件计算能力的提升、优化技术的进步以及海量数据的累积，Deep Learning在语音、图像以及文本等多个领域不断推进，相较于传统作法取得了显著的效果提升。 工业界和学术界也先后推出了用于Deep Learning建模用途的开源工具和框架，包括Caffe、Theano、Torch、MXNet、TensorFlow、Chainer、CNTK等等。其中MXNet、TensorFlow以及CNTK均对于训练过程提供了多机分布式支持，在相当大程度上解放了DL建模同学的生产力。但是，DL领域的建模技术突飞猛进，模型复杂度也不断增加。 从模型的深度来看，以图像识别领域为例，12年的经典模型AlexNet由5个卷积层，3个全连接层构成（图1），在当时看来已经算是比较深的复杂模型，而到了15年，微软亚洲研究院则推出了由151个卷积层构成的极深网络ResNet（图2）；从模型的尺寸来看，在机器翻译领域，即便是仅仅由单层双向encoder，单层decoder构成的NMT模型（图3），在阿里巴巴的一个内部训练场景下，模型尺寸也达到了3GB 左右的规模。
从模型的计算量来看，上面提到的机器翻译模型在单块M40 NVIDIA GPU上，完成一次完整训练，也需要耗时近三周。Deep Learning通过设计复杂模型，依托于海量数据的表征能力，从而获取相较于经典shallow模型更优的模型表现的建模策略对于底层训练工具提出了更高的要求。 现有的开源工具，往往会在性能上、显存支持上、生态系统的完善性上存在不同层面的不足，在使用效率上对于普通的算法建模用户并不够友好。阿里云推出的PAI(Platform of Artificial Intelligence)[18]产品则致力于通过系统与算法协同优化的方式，来有效解决Deep Learning训练工具的使用效率问题，目前PAI集成了TensorFlow、Caffe、MXNet这三款流行的Deep Learning框架，并针对这几款框架做了定制化的性能优化支持，以求更好的解决用户建模的效率问题。 这些优化目前都已经应用在阿里巴巴内部的诸多业务场景里，包括黄图识别、OCR识别、机器翻译、智能问答等，这些业务场景下的某些建模场景会涉及到几十亿条规模的训练样本，数GB的模型尺寸，均可以在我们的优化策略下很好地得到支持和满足。经过内部大规模数据及模型场景的检测之后，我们也期望将这些能力输出，更好地赋能给阿里外部的AI从业人员。
网络学习空间“人人通”的深度学习
数字社区 tougao2@https://www.wendangku.net/doc/c07999508.html, 64 中国信息技术教育 广东省韶关市教育局教研室 吴秉健 网络学习空间“人人通”的深度学习 主论博文使我对近些年的网络学习有所反思。从本世纪开始到现在的十多年间，全国各地中小学的信息技术教育与学科课程教学经历了从课程整合到课程深度融合的变化。教育部推动教育信息化的洪荒之力在于推动“三通两平台”的普及应用，目前的重点是通过数字化云平台的应用推动移动学习资源的供给侧变革。该变革的主要特点有：①教学硬件设备接入互联网经历了三个阶段：校校通、班班通和人人通。②数字化教学资源的移动存储介质从磁盘、光盘、U盘发展到云盘（云平台）。③教学手段从计算机投影、互动电子白板发展到平板和智能手机等教学移动终端应用。④数字化教学资源的设计与开发应用经历了教师单机制作和教学应用、上传共享后的下载整合应用、数字化平台课程资源的碎片化定制和个性化网络学习空间的嵌入应用。⑤教师信息技术应用能力提升的教学策略，即教师优化教学过程、学生转变学习方式。⑥学生信息技术人人通嵌入式的学习方式，即翻转学习、混合学习、无缝学习。 移动学习资源的供给侧变革就是要满足课程资源在数字化平台中的流转。课程管理系统（CMS）和学习管理系统（LMS）这两大平台的深度融合是网络学习空间“人人通”的必然选择。学校和教师推进信息化教学的洪荒之力在于推动学生在网络学习空间“人人通”理念下的深度学习：①采用“联通主义”打消“行为主 义”“认知主义”和“建构主义”三者之间的隔阂。平台学习录入师生的数字化身份，更有利于开展平台深度学习的实证研究。②慕课和微课程资源的设计与开发应用成果成为中小学教师信息技术应用能力提升课程的载体，有利于教师体验碎片化知识的远迁移学习，从而促进教师引导学生进行深度学习。③在师生移动学习技术“人人通”的情形下，课程管理系统（CMS）和学习管理系统（LMS）两大平台有优质微课资源嵌入能动态获取学生的学习行为数据及其相关的测量评价数据。④将数字化平台的预设资源与学习空间“人人通”交互生成的生成性资源对比，有利于通过评价数据干预教学设计，通过数字化平台的自适应技术为个性化学习探索不同的学习路径，从而能包容学生的各种学习步调。⑤平台学习要从单纯的离身认知思维转向与具身认知思维并重。就像案例中的孩子，他虽然每天都根据数字化APP进行课程的学习，但是却没有得到教师对典型问题的归纳提示，也没有接收到同伴们对解题思路的研究和讨论。离身认知在这样“孤独”的学习中，渐渐成为学习的“独行者”。 总之，平台学习要从单纯的虚拟现实环境转向增强现实环境以及混合学习环境，进而提升学生的具身认知能力。因为身体是认知的基础，具身思维让我们认识到身体是行为的承载工具，身体认知与知识的获得、技能的获得和情感的体验都密切相关。