weixin_34408624
weixin_34408624

数学烂也要学AI | 带你造一个经济试用版AI终极必杀器


0?wx_fmt=png

今天我们将建立我们自己的深度学习终极大杀器。

  • 我们会搜集最好的精华，并且把他们组合成数字终结者。

  • 我们也会讨论如何把最新的深度学习软件架构一步步安装到Ubuntu Linux 16.04中。

在这台机器上运行神经网络就像热激光束穿过黄油一样快捷流畅。你不用花超过129，000美元来购买 Nvidia’s DGX-1，这个AI超级计算机可以放在一个盒子里。我马上要给你展示它的性能，你绝对不可能找到比它表现更好的了。

最后，如果你的预算比较紧张，也别绝望，我会给出其他省钱的选择。


首先一个超便宜的升级选项

注：太长可以不看

在我们深入构建一个深度学习怪兽之前，我想给你一条最容易的路——升级。

如果你不想攒一个全新的机器，你还有一个超棒的选择。

0?wx_fmt=png


简单地升级你的GPU（采用Titan X或GTX 1080），装一个VMware Workstation或者使用另一种支持GPU加速的虚拟化软件！你还可以仅安装Ubuntu裸机，如果你需要一个Windows系统的计算机，在虚拟机中运行它就行了，这样你的机器就火力全开，可以开始深度学习了。

安装Ubuntu和深度学习架构需要使用的指南在本文的最后。噹噹噹！然后你只需要买一些便宜的配件，就能搞定深度学习超级之星了。

好了，让我们开始吧。

我会把大杀器和省钱优选这两种类型的元件用不同的简称来标识一下：

MINO（不差钱儿）=终极大杀器

ADAD（兜里只剩一块钱，胸中还有一个梦）=经济试用版


终极大杀器元件大聚会

GPU们先来

CPU不再是宇宙中心。人工智能的应用反转了剧本。如果你曾经攒过普通的游戏装备，可能试过把史上最差的英特尔芯片拔出来。

但是时代变了，英伟达成了新的“英特尔”。

深度学习世界中最重要的元件是GPU（们）。

虽然AMD在过去几年的虚拟货币挖掘中遥遥领先，但在人工智能领域仍无建树。这种状况很快会改变，因为他们正在快马加鞭在这个快速扩张的新兴领域攻城掠池，然而现在英伟达仍是王者。当然他们也不会顶着“新英特尔”这个光环停滞不前。他们收购了Nervana系统，并且计划在2017年推出他们自己的深度学习专门集成芯片。

0?wx_fmt=png

深度学习的GPU首选

让我们从MINO开始介绍。终极GPU是Titan X,它无可匹敌。

它采用3584个 CUDA核心，1531MHZ，还拥有12GB容量的G5X，据说存储速度可达10Gbps。

在深度学习中，核心数量很重要，那些核心附近的存储量也同样。

深度学习其实也没什么，就是一堆线性代数。想象着它是一个超级无敌大的EXCEL表格。处理所有这些数字会把一个标准的4或8核心英特尔CPU累瘫。

把数据移进和移出存储器是一个很大的瓶颈，所以在芯片上布置更多的存储器可以解决这个问题，这就是为什么Titan X是这个世界的王者。

你能以建议零售价1200美元的价格从英伟达买到Titan X。不幸的是，你只能买两个。但这可是终极大杀器啊，我们要买四个！那才是真正的四卡合一!

为了实现这个目标，你要花一点高价从第三方零售商那里购买。我觉得从英伟达买两个再从亚马逊买两个很容易实现。这样花费就到了5300美元，这也是到目前为止这个工作站的最大开支。

如果你打算运行Minecraft游戏，它可能还是看起来满屏像素，但如果你想训练一个模型来战胜癌症，这正是你要的显卡。:)

游戏硬件参考网站会告诉你，任何超过两张图形处理卡显卡的计算机都是远远超过处理性能需求的，但这只是游戏！ 对于人工智能来说，你只会想把显卡装得越多越好。当然，人工智能也有效益平衡点，但是数量接近于几十个或者几百个（取决于算法），不是四个。所以继续加吧，我的朋友。

请注意，你绝对不需要SLI桥，除非你还打算用这台机器玩游戏。这玩意仅仅适用于图形渲染，而我们现在的图形处理很少，这和在matplotlib绘制的大量图表不一样。


省钱版GPU

0?wx_fmt=png

你的ADAD显卡是GeForce GTX 1080基本版。1080包括2560个CUDA核心，比Titan X少了许多，但是只需花费一半的价钱，建议零售价是699美元。

它的RAM也更少，只有8GB而不是12GB。

我已经在使用EVGA了，表现很好，所以在你的机器上加装四个这家伙吧。2797与5300美元相比较，节省了许多经费，性能表现却几乎相同。

ADAD的第二优选是GeForce GTX 1070。它装备了1920个CUDA核心，所以也是一个很好的选择。它的建议零售价是499美元，但是超频版的EVGA 1070s只需花389美元，所以价格是更实惠的1556美元。非常可行。

当然，如果你没有这么多钱，可以买两或三张卡。甚至只有一个也能让你朝正确的方向前进。

让我们算个数，用两三张显卡达到最佳目的。

3 个Titan X = 10,752 CUDA 核心, 36GB 的 GPU RAM = $3800

  • 2 个 Titan X = 7,167 CUDA 核心, 24 GB 的GPU RAM = $2400

  • 3 个 GTX 1080 = 7,680 CUDA 核心, 24GB的GPU RAM = $2097

  • 2 个 GTX 1080 = 5,120 CUDA 核心, 16GB 的 GPU RAM = $1398

  • 3 个 GTX 1070 = 5,760 CUDA 核心, 24GB 的 GPU RAM = $1167

  • 2个GTX 1070 = 3,840 CUDA 核心, 16GB 的GPU RAM = $778


最佳选择是3 GTX的1080s。使用一半的价格只减了3072个核心。独家揭秘：我就是这样建立我的工作站的。


固态硬盘和连续运转驱动

0?wx_fmt=png

你需要一个固态硬盘，特别是当你构建卷积神经网络并处理大量图像数据时。三星的850 EVO型的1 TB固态硬盘是当前的至尊极品。更妙的是，固态硬盘的价格最近几年出现了暴跌，所以不会破费太多。1 TB 的850型现在只要大约319美元。

ADAD版本的850是250GB的版本，你花98美元就可以轻易地买到它。

您还需要一个连续运转驱动器来存储下载的数据。 深度学习中的数据集可能很大。一台4 TB的希捷Barracuda就能搞定。


主板


0?wx_fmt=png


因为我们想把四个显卡集成到你的机箱中，你可选择的主板就很少了。为了满足在四个显卡的情形下主板能支持最高的总线速度，我们需要微星的超级游戏 X99A SLI Plus。

你也可以选择华硕X99 Deluxe II。

如果你的显卡少于4个，你就有了更多的选项。对于主板来说，我觉得稳定性最重要。这是血的教训，在攒虚拟货币挖掘装备时我就吃了大亏。 如果你经常运行你的GPU，不稳定的主板会把你的机器很快烧毁。技嘉公司制作出非常耐用的主板产品系列。X99 Ultra Gaming产品绝对稳如磐石，价格237美元。


机箱

0?wx_fmt=png

Cooler Master Cosmos II是终极完美的全塔式机箱。它采用铝和钢制成，设计成和赛车类似的流线型风格，是台美丽的机器。

如果你想要一个中塔式机箱，用Cooler Master Maker 5T绝对错不了。

我怎么也不会赞同买一台便宜机箱。如果这样，一旦打开机箱检修故障，你就会发觉当初真是脑子进了水。无需修理的机箱才是好机箱。有许多高性价比的机箱，所以提前做好功课吧。

CPU（中央处理器）

你的深度学习机器不需要太高的CPU性能。大多数应用程序是单线程的，而从应用中加载数据的GPU才是需要多核心工作的地方。所以别把钱花在这儿。

0?wx_fmt=png

也就是说，你也可以使处理器达到最快的处理速度，对于i7-6700K来说就是4GHz。你可以用风扇让它一直维持这个速度。但坦率说，这是可笑的过分要求，但是价格已经降了很多，而我只需要单线程性能。这就是你要的CPU了。

如果你想安静一点，可以选择液体散热的CPU，但是你一般也不会把CPU用那么厉害。大多数的风扇噪音都是从GPU那里来的。

这里没有ADAD的替代品了。3.5GHz频率的i5处理器带液体制冷，它的价位和4GHz的i7相同，所以何必麻烦呢？


电源

要配置一套支持双卡四芯的顶级设备，EVGA的Supernova G2 1600W电源将会是最好的投资，而它大概会花上你305美元。

Titan X高达250W的热设计功率可轻松占去1000W，那么

留给CPU、内存和系统的功率就不太多了，所以最好配备承受范围内功率最大的电源，这样能留出来的部分就更多一些。

如果你的预算有些紧张，那就选择性价比更高的1300W电源吧，只需184美金就能到手。


软件配置

目前硬件的部分就完成了，我们来看看软件部分吧。

你有三个选择：

  • 利用Docker容器（注：一个开源的应用容器引擎）

  • 使用虚拟机

  • 安装裸机


若是选择使用Docker，那么建议从Nvidia-Docker项目入手（ the official Nvidia-Docker）。不过，要想真正把框架库文件和编程语言都搞定的话，你还得在此镜像基础上安装很多东西。

你可以选择一款集成式的深度学习容器，比如Github上的Docker。

本来我还挺喜欢这个集成Docker镜像，不过它有些小毛病，想想安装设置的过程那么复杂，倒也没什么奇怪的了。

我找到了其中一个问题(libopenjpeg2 现在在Ubuntu 16.04 LTS中是 libopenjpeg5)的解决办法，但是不高兴再想怎么解决其他的了，所以目前为止我还在等官方来搞定。如果你是那种热衷解决Dockerfiles漏洞并反馈给Github的人，我真心鼓励你去给这个集成项目帮帮忙。

另一个比较大的问题就是这个Docked 镜像文件实在是太大了，大到因为下载超时没办法直接从 Dockerhub上找资源。这就意味着你必须自己动手构建一个，然而这么做要花上好几个小时去编译、搭新层、调试，这么多的时间都差不多足够倒腾裸机了。

最后还要说一点，有些我想用的东西Docker也不提供，比如Anaconda Python。

所以最终我还是决定参考教程the all-in-one bare metal tutorial（集成裸机指南），并且在它的基础上升级一下，再加入一些个性化配置。

虚拟机

和我之前在太长可以不看那个部分里的说的一样，你是绝对可以通过安装支持虚拟GPU的专业VMware 工作站（注：一款虚拟机软件）来提升手头上的游戏电脑性能的，而且这么做还不用花多少钱，太适合预算有限的人了。除此之外，VMware 工作站还有许多优点，比如它支持在一台主机上同时运行、切换多个虚拟机，你甚至可以用快照来记录当前的配置环境，在后续的操作过程中若是出现错误，就能够通过它来还原到出错误之前的状态。虽说用VMware虚拟机没有Docker上手快，不过目前VM技术已经非常成熟了，熟悉之后你就会发现有很多工具可用，使用体验绝对一流。

裸机

最后我还是选择了裸机。这个方法有点土了，不过作为资深系统管理员，我觉得还是它最靠谱，毕竟一切都在掌控之中。

开始之前，我先说几个关于深度学习软件的重点。

其实绝大部分的AI研究都是用Python写的，因为它简单易学好操作。我不敢保证在AI正式进入人们的生产生活之后 Python会成为最主要的语言，但就目前来说Python是很有必要掌握的。有不少重要框架在它的基础上运行，而且Python有着非常强大而丰富的库，这是其他语言不能比的。

此外，R语言和Scala也很受欢迎，对它们也要多多重视。

下面这个清单列出了设置裸机时我们主要需要的东西。

语言  

  • Anaconda(对应Python 3.6扩展版)－Anaconda是一个性能非常强大的Python发行版本，包含了100多个数据科学适用的Python,R语言和Scala的热门安装包。

  • R－用于统计计算和统计绘图的语言和操作环境

  • Scala －Scala全称为Scalable Language，是一门类似于JAVA而且性能极佳的的模块化语言。


驱动和应用程序编程接口

  • Nvidia驱动程序

  • CUDA－一种由Nvidia推出的通用并行计算架构和应用程序编程接口模型。 

  • cuDNN－一套Nvidia专门为深度神经网络设计的GPU计算加速库。

辅助应用程序

  • Jupyter－一个超级赞的web应用程序，便于用户共享文档并且支持实时代码。

框架／库

  • TensorFlow－谷歌的开源DL框架，可以说支撑起了部分产品，比如谷歌翻译。

  • Theano－一个靠谱而且受欢迎的机器学习框架。

  • Caffe－来自伯克利的深度学习框架。

  • Torch－一个GPU优先的科学计算框架，广泛支持机器学习算法。

  • MXNET－可扩展性极强的DL系统，得到了亚马逊和一些大学的支持。

优秀的抽象库

  • Keras－一个很棒的用Python语言编写的神经网络库，基于TensorFlow或Theano开发 

  • Lasagne－用于构造和训练神经网络的轻量库。

Python库

基本上任何科学的计算系统都需要大量的库来保证运行效率，所以我们马上来装上一些最常用的库吧。

  • Pip＝Python安装包管理工具

  • Pandas＝高性能数据分析库

  • Scikit-learn ＝强大机器学习库

  • Numpy＝Python的一种开源的数字扩展

  • Matplotlib＝可视化库（注：Python的2D绘图库）

  • Scipy＝数值计算库

  • IPython ＝交互式Python 

  • Scrappy＝网络数据爬取框架

  • NLTK＝自然语言工具箱

  • Pattern＝网络挖掘库

  • Seaborn＝统计数据可视化

  • OpenCV＝计算机视觉库

  • Rpy2＝R语言接口

  • Py-graphviz＝统计数据绘图

  • OpenBLAS ＝线性代数库


设置Linux工作站

要解决科技前沿问题，最新版本的Ubuntu LTS是必要的选择。（在我写下这篇文章时的版本是16.04）我很期待在将来能够看到更多教程详细介绍Red Hat Enterprise Linux和它的重新编译产品，像是CentOS和Scientific Linux，不过就现在来说，我们还是用Ubuntu来研究深度学习吧。当然了，之后我可能会继续讨论以Red Hat Enterprise Linux为中心的构造。

用Rufus把Ubuntu装进U盘里。

在统一的可扩展固件接口（UEFI）模式下安装好Ubuntu。


第一次boot

第一次boot之后会黑屏，这是因为开源驱动跟不上最新、最好的芯片。按照以下步骤解决：

电脑在boot的时候,打开TTY设备：

Ctrl + Alt + F1

打开最新的Nvidia驱动，然后reboot：

  • 登陆TTY中的root账号

  • 运行 `sudo apt-get purge nvidia-*`

  • 运行 `sudo add-apt-repository ppa:graphics-drivers/ppa  之后是 sudo apt-get update`

  • 运行`sudo apt-get install nvidia-375`

  • Reboot，这时图像的问题应该就解决了。


升级电脑

打开计算机终端，输入下面的代码：

```

sudo apt-get update -y

sudo apt-get upgrade -y

sudo apt-get install -y build-essential cmake g++ gfortran git pkg-config python-dev software-properties-common wget

sudo apt-get autoremove

sudo rm -rf /var/lib/apt/lists/*

```


CUDA

从英伟达官网上下载CUDA 8安装包，打开下载目录然后安装好CUDA。

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local.deb

sudo apt-get update -y

sudo apt-get install -y cuda

加载CUDA为环境变量

echo ‘export PATH=/usr/local/cuda/bin:$PATH’ >> ~/.bashrc

echo ‘export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc

source ~/.bashrc

检查以确认安装的CUDA版本正确：

nvcc –V

重启电脑：

sudo shutdown -r now

检查CUDA安装情况

首先，安装CUDA样本：/usr/local/cuda/bin/cuda-install-samples-*.sh ~/cuda-samples

cd ~/cuda-samples/NVIDIA*Samples

make -j $(($(nproc) + 1))

然后在命令结果上做记录，用+1表示电脑所具有的GPU数量，如果出现多于一个的情况，只要把数字加上去就可以了，这样不论是安装还是编译，速度都会快上很多。

接着运行deviceQuery并确保显卡的情况能够顺利被检测，还要保证测试被通过：

bin/x86_64/linux/release/deviceQuery


cuDNN

cuDNN是DNN的GPU加速库，不幸的是，你没办法从repo里下一个，要在Nvidia上注册并申请获得许可，点击此链接前往申请。等待获批的时间少则几个小时，多则几天，拿到许可之后请下载版本4或5，在这个教程中我安装的是版本5。

进行下一步之前，请耐心等待直到装好cuDNN为止，否则其他以cuDNN为基础的框架可能会安装失败。

提取并复制文件：

cd ~/Downloads/

tar xvf cudnn*.tgz

cd cuda

sudo cp */*.h /usr/local/cuda/include/

sudo cp */libcudnn* /usr/local/cuda/lib64/

sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

输入以下代码以做检查：

nvidia-smi

顺利的话，计算机会输出一些GPU数据。


Python

sudo apt-get install -y python-pip python-dev

sudo apt-get update && apt-get install -y python-numpy python-scipy python-nose python-h5py python-skimage python-matplotlib python-pandas python-sklearn python-sympy libfreetype6-dev libpng12-dev libopenjpeg5

sudo apt-get clean && sudo apt-get autoremove

rm -rf /var/lib/apt/lists/*

现在通过Pip（安装包工具）将其余库安装完毕

pip install seaborn rpy2 opencv-python pygraphviz pattern nltk scrappy


Tensorflow

一句话搞定，爽！

测试Tensorflow

$ python
 ...
 >>> import tensorflow as tf
 >>> hello = tf.constant('Hello, TensorFlow!')
 >>> sess = tf.Session()
 >>> print(sess.run(hello))
 Hello, TensorFlow!
 >>> a = tf.constant(10)
 >>> b = tf.constant(32)
 >>> print(sess.run(a + b))
 42
 >>>


OpenBLAS

sudo apt-get install -y libblas-test libopenblas-base libopenblas-dev


Jupyter

Juypter是一个超级棒的代码共享脚本，你可以轻松地用它分享含有代码和教程的“笔记”。在下一篇文章里我会详细介绍它的功能。

pip install -U ipython[all] jupyter


Theano

准备好需要的配置之后就可以安装Theano了

sudo apt-get install -y python-numpy python-scipy python-dev python-pip python-nose g++ python-pygments python-sphinx python-nose

sudo pip install Theano

是的没错，Theano首字母确实要大写。

测试一下有没有装好Theano，要是安装成功的话在执行输入命令的时候不会有任何警告和错误：

python
>>> import theano
>>> exit()

nosetests theano


Keras

Keras是一款能够基于Theano 和 Tensorflow开发的抽象包装类，非常棒而且很受欢迎。它的安装过程和用法简单的不能再简单了，甚至有点无聊。

sudo pip install keras


Lasagne

Lasagne是另一款被广泛使用的优秀包装器，它比起Keras还要更灵活一些，这样你就可以轻轻松松天马行空、脑洞大开。如果说Keras的受追捧表示对深度学习的研究开始步入正轨，那么Lasagne也许会引领下一个阶段。下面是它的安装指南：

pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/v0.1/requirements.txt


MXNET

MXNET是一个由亚马逊支持，可扩展性极强的框架。点击链接跳转至安装教程。另外，Python 适用的MXNet安装脚本链接在这。

在Ubuntu上安装MXNET

来自网页：

MXNet目前支持Python, R, Julia, 和 Scala语言。在Ubuntu操作系统上，MXNet提供一套可以安装所有需要的MXNet依赖项和库的Git Bash脚本给使用Python和R语言的用户。这一简易安装脚本可以在运行Ubuntu 12或更高版本的电脑上完成Python及 R语言适用的MXNet设置。该脚本将把MXNet安装在您的home文件夹~/mxnet中。

给Python安装MXNet

克隆MXNet的库，在终端运行以下命令(没有”sudo”)

git clone https://github.com/dmlc/mxnet.git ~/mxnet --recursive

我们在使用GPU，所以要加入一些配置到config.mk file中去。

cd ~/mxnet

cp make/config.mk .

echo "USE_CUDA=1" >>config.mk

echo "USE_CUDA_PATH=/usr/local/cuda" >>config.mk

echo "USE_CUDNN=1" >>config.mk

添加到路径：

source ~/.bashrc

安装R语言适用的MXNet

我们之后会用到R语言的，所以现在就一起装了吧。点击链接跳转至R语言适用的MXNet的安装脚本。在设置好R语言之后下面的这些步骤可以调用脚本。

首先添加R repo:

sudo echo “deb http://cran.rstudio.com/bin/linux/ubuntu xenial/” | sudo tee -a /etc/apt/sources.list

其次把R添加到Ubuntu Keyring:

gpg — keyserver keyserver.ubuntu.com — recv-key E084DAB9

gpg -a — export E084DAB9 | sudo apt-key add –

然后安装R-Base：

sudo apt-get install r-base r-base-dev

再安装R-Studio(如果版本号不同要修改命令)

sudo apt-get install -y gdebi-core

wget https://download1.rstudio.org/rstudio-0.99.896-amd64.deb

sudo gdebi -n rstudio-0.99.896-amd64.deb

rm rstudio-0.99.896-amd64.deb

最后安装R 适用的MXNet :

cd ~/mxnet/setup-utils

bash install-mxnet-ubuntu-r.sh


Caffe

安装指导来自the Caffe 网站，我发现他们有些迷之飘忽不定，不过每个人的受益可能不同。坦白说，我不怎么用Caffe，而且其他很多新手教程也不太讲它，所以如果你觉得这部分有些操蛋，那就直接跳过好了，哪天需要的时候再来看就好。

安装前提：

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler

sudo apt-get install -y --no-install-recommends libboost-all-dev

sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev

克隆Caffe repo:

cd ~/git

git clone https://github.com/BVLC/caffe.git

cd caffe

cp Makefile.config.example Makefile.config

在Makefile中用cuDNN 设置参数: USE_CUDNN := 1 :

sed -i ‘s/# USE_CUDNN := 1/USE_CUDNN := 1/‘ Makefile.config

修改BLAS的open参数值：

sed -i 's/BLAS := atlas/BLAS := open/' Makefile.config

安装好所需的东西，然后构建Caffe，构建测试并确保顺利通过所有测试。记住这些工作将花费一些时间。另外再次记住+1表示构造Caffe 所需GPU的数量，数量超过一个的时候要加上去。

sudo pip install -r python/requirements.txt

make all -j $(($(nproc) + 1))

make test -j $(($(nproc) + 1))

make runtest -j $(($(nproc) + 1))

搭建PyCaffe，Python到Caffe的接口

make pycaffe -j $(($(nproc) + 1))

加载Caffe为环境变量

echo ‘export CAFFE_ROOT=$(pwd)’ >> ~/.bashrc

echo ‘export PYTHONPATH=$CAFFE_ROOT/python:$PYTHONPATH’ >> ~/.bashrc

source ~/.bashrc

测试以确认Caffe安装成功。要是成功的话在执行输入命令的时候不会有任何警告和错误：

ipython
>>> import caffe
>>> exit()


Torch

下面是Torch安装指南，我个人在安装这个框架的时候遇到一些问题，不过基本上绝大部分人用它都没问题的。

git clone https://github.com/torch/distro.git ~/git/torch — recursive

cd torch; bash install-deps;

./install.sh


Scala

sudo apt-get -y install scala


Anaconda

下载 Anaconda for Python 3.6 ，同时也提供2.7.x版本选择。

安装：

sudo bash Anaconda3–4.3.0-Linux-x86_64.sh

千万不要把它添加到bashrc文件，否则当你reboot的时候，Python就会系统预置为Anaconda。这个操作在脚本中是被系统预设为“no”的，但你可能还是会像我最初那样被鬼迷了心窍。千万别，相信我，你会希望保持系统预置的，因为有一堆依赖项依赖于Ubuntu的Python。

此外，Anaconda支持用户创造版本之间灵活切换的环境。

让我们创建两个Anaconda环境:

conda create -n py2 python=2.7

conda create -n py3 python=3.6

激活py3的环境：

source activate py3

source activate py3

完成所有包的安装：

conda install pip pandas scikit-learn scipy numpy matplotlib ipython-notebook seaborn opencv scrappy nltk pattern

然后通过pip安装Conda（Anaconda的管理工具）内不提供的pygraphviz和R语言桥：

pip install pygraphviz rpy2

Reboot:

sudo shutdown -r now


给Anaconda安装Tensorflow, Theano, 和 Keras

你要给Python 2和3两个版本的Anaconda安装这些库，他们自带性能最优化，所以用这些Anaconda支持的库能获得更好的效果。

让我们从Python 3开始:

source activate py3

pip install tensorflow Theano keras

接着休眠Python 3，激活py2环境。

source deactivate

激活py2环境：

source activate py2

给py2安装:

pip install tensorflow Theano keras

休眠环境：

source deactivate

凭借我们为与Ubuntu匹配的标准Python所安装的所有框架，最后你得到的就是内置Python 2.7.x的标准Ubuntu框架。


结论

终于搞定了。跟着这个教程一步步做下来，现在你应该已经有了一台顶级机器，或者是实惠一点的经济适用版。当然，最新、最好的适合深度学习的软件也已经装好了。

那么，准备好打几场硬仗吧。仔细研究研究教程，就可以动手了！ 要密切留意这一系列我的下一篇文章哦，我将会深挖Kaggle数据科学界的超级碗 。2017年竞赛主题是寻找战胜肺癌的可能，奖金总计高达一百万美元！

原文发布时间为：2017-04-26

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号

你可能感兴趣的:(数学烂也要学AI | 带你造一个经济试用版AI终极必杀器)

  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • android系统selinux中添加新属性property 辉色投像
    1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
    本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
  • C语言宏函数 南林yan C语言c语言
    一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux运维
    理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 瑶池防线 谜影梦蝶
    冥华虽然逃过了影梦的军队，但他是一个忠臣，他选择上报战况。败给影梦后成逃兵，高层亡尔还活着，七重天失守......随便一条，即可处死冥华。冥华自然是知道以仙界高层的习性此信一发自己必死无疑，但他还选择上报实情，因为责任。同样此信送到仙宫后，知道此事的人，大多数人都认定冥华要完了，所以上到仙界高层，下到扫大街的，包括冥华自己，全都准备好迎接冥华之死。如果仙界现在还属于两方之争的话，冥华必死无疑。然而
  • 《策划经理回忆录之二》 路基雅虎
    话说三年变六年，飘了，飘了……眨眼，2013年5月，老吴回到了他的家乡——油城从新开启他的工作幻想症生涯。很庆幸，这是一家很有追求，同时敢于尝试的，且实力不容低调的新星房企——金源置业(前身泰源置业)更值得庆幸的是第一个盘就是油城十路的标杆之一:金源盛世。2013年5月，到2015年11月，两年的陪伴，迎来了一场大爆发。2000个筹，5万/筹，直接回笼1个亿！！！这……让我开始认真审视这座看似五线
  • Long类型前后端数据不一致 igotyback 前端
    响应给前端的数据浏览器控制台中response中看到的Long类型的数据是正常的到前端数据不一致前后端数据类型不匹配是一个常见问题，尤其是当后端使用Java的Long类型（64位）与前端JavaScript的Number类型（最大安全整数为2^53-1，即16位）进行数据交互时，很容易出现精度丢失的问题。这是因为JavaScript中的Number类型无法安全地表示超过16位的整数。为了解决这个问
  • LocalDateTime 转 String igotyback java开发语言
    importjava.time.LocalDateTime;importjava.time.format.DateTimeFormatter;publicclassMain{publicstaticvoidmain(String[]args){//获取当前时间LocalDateTimenow=LocalDateTime.now();//定义日期格式化器DateTimeFormatterformat
  • swagger访问路径 igotyback swagger
    Swagger2.x版本访问地址：http://{ip}:{port}/{context-path}/swagger-ui.html{ip}是你的服务器IP地址。{port}是你的应用服务端口，通常为8080。{context-path}是你的应用上下文路径，如果应用部署在根路径下，则为空。Swagger3.x版本对于Swagger3.x版本（也称为OpenAPI3）访问地址：http://{ip
  • 如何在 Fork 的 GitHub 项目中保留自己的修改并同步上游更新？github_fork_update iBaoxing github
    如何在Fork的GitHub项目中保留自己的修改并同步上游更新？在GitHub上Fork了一个项目后，你可能会对项目进行一些修改，同时原作者也在不断更新。如果想要在保留自己修改的基础上，同步原作者的最新更新，很多人会不知所措。本文将详细讲解如何在不丢失自己改动的情况下，将上游仓库的更新合并到自己的仓库中。问题描述假设你在GitHub上Fork了一个项目，并基于该项目做了一些修改，随后你发现原作者对
  • 扫地机类清洁产品之直流无刷电机控制 悟空胆好小 清洁服务机器人单片机人工智能
    扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
  • 绘本讲师训练营【24期】8/21阅读原创《独生小孩》 1784e22615e0
    24016-孟娟《独生小孩》图片发自App今天我想分享一个蛮特别的绘本，讲的是一个特殊的群体，我也是属于这个群体，80后的独生小孩。这是一本中国绘本，作者郭婧，也是一个80厚。全书一百多页，均为铅笔绘制，虽然为黑白色调，但并不显得沉闷。全书没有文字，犹如“默片”，但并不影响读者对该作品的理解，反而显得神秘，梦幻，給读者留下想象的空间。作者在前蝴蝶页这样写到：“我更希望父母和孩子一起分享这本书，使他
  • 30天风格练习-DAY2 黄希夷
    Day2（重义）在一个周日/一周的最后一天，我来到位于市中心/市区繁华地带的一家购物中心/商场，中心内人很多/熙熙攘攘。我注意到/看见一个独行/孤身一人的年轻女孩/，留着一头引人注目/长过腰际的头发，上身穿一件暗红色/比正红色更深的衣服/穿在身体上的东西。走下扶梯的时候，她摔倒了/跌向地面，在她正要站起来/让身体离开地面的时候，过长/超过一般人长度的头发被支撑身体/躯干的手掌压/按在下面，她赶紧用
  • 店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码 说私域 人工智能小程序
    摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
  • 消息中间件有哪些常见类型 xmh-sxh-1314 java
    消息中间件根据其设计理念和用途，可以大致分为以下几种常见类型：点对点消息队列（Point-to-PointMessagingQueues）：在这种模型中，消息被发送到特定的队列中，消费者从队列中取出并处理消息。队列中的消息只能被一个消费者消费，消费后即被删除。常见的实现包括IBM的MQSeries、RabbitMQ的部分使用场景等。适用于任务分发、负载均衡等场景。发布/订阅消息模型（Pub/Sub
  • ArcGIS栅格计算器常见公式（赋值、0和空值的转换、补充栅格空值） 研学随笔 arcgis经验分享
    我们在使用ArcGIS时通常经常用到栅格计算器，今天主要给大家介绍我日常中经常用到的几个公式，供大家参考学习。将特定值（-9999）赋值为0，例如-9999.Con("raster"==-9999,0,"raster")2.给空值赋予特定的值（如0）Con(IsNull("raster"),0,"raster")3.将特定的栅格值(如1)赋值为空值，其他保留原值SetNull("raster"==
  • 高级编程--XML+socket练习题 masa010 java开发语言
    1.北京华北2114.8万人上海华东2,500万人广州华南1292.68万人成都华西1417万人（1）使用dom4j将信息存入xml中（2）读取信息，并打印控制台（3）添加一个city节点与子节点（4）使用socketTCP协议编写服务端与客户端，客户端输入城市ID，服务器响应相应城市信息（5）使用socketTCP协议编写服务端与客户端，客户端要求用户输入city对象，服务端接收并使用dom4j
  • 辗转相处求最大公约数 沐刃青蛟 C++漏洞
    无言面对”江东父老“了，接触编程一年了，今天发现还不会辗转相除法求最大公约数。惭愧惭愧！   为此，总结一下以方便日后忘了好查找。   1.输入要比较的两个数a,b   忽略：2.比较大小（因为后面要的是大的数对小的数做%操作）   3.辗转相除（用循环不停的取余，如a%b,直至b=0）   4.最后的a为两数的最大公约数 &
  • F5负载均衡会话保持技术及原理技术白皮书 bijian1013 F5负载均衡
    一.什么是会话保持？        在大多数电子商务的应用系统或者需要进行用户身份认证的在线系统中，一个客户与服务器经常经过好几次的交互过程才能完成一笔交易或者是一个请求的完成。由于这几次交互过程是密切相关的，服务器在进行这些交互过程的某一个交互步骤时，往往需要了解上一次交互过程的处理结果，或者上几步的交互过程结果，服务器进行下
  • Object.equals方法：重载还是覆盖 Cwind javagenericsoverrideoverload
    本文译自StackOverflow上对此问题的讨论。 原问题链接   在阅读Joshua Bloch的《Effective Java（第二版）》第8条“覆盖equals时请遵守通用约定”时对如下论述有疑问： “不要将equals声明中的Object对象替换为其他的类型。程序员编写出下面这样的equals方法并不鲜见，这会使程序员花上数个小时都搞不清它为什么不能正常工作：” pu
  • 初始线程 15700786134
          暑假学习的第一课是讲线程，任务是是界面上的一条线运动起来。            既然是在界面上，那必定得先有一个界面，所以第一步就是，自己的类继承JAVA中的JFrame，在新建的类中写一个界面，代码如下： public class ShapeFr
  • Linux的tcpdump 被触发 tcpdump
    用简单的话来定义tcpdump，就是：dump the traffic on a network，根据使用者的定义对网络上的数据包进行截获的包分析工具。 tcpdump可以将网络中传送的数据包的“头”完全截获下来提供分析。它支 持针对网络层、协议、主机、网络或端口的过滤，并提供and、or、not等逻辑语句来帮助你去掉无用的信息。 实用命令实例 默认启动 tcpdump 普通情况下，直
  • 安卓程序listview优化后还是卡顿 肆无忌惮_ ListView
    最近用eclipse开发一个安卓app，listview使用baseadapter，里面有一个ImageView和两个TextView。使用了Holder内部类进行优化了还是很卡顿。后来发现是图片资源的问题。把一张分辨率高的图片放在了drawable-mdpi文件夹下，当我在每个item中显示，他都要进行缩放，导致很卡顿。解决办法是把这个高分辨率图片放到drawable-xxhdpi下。 &nb
  • 扩展easyUI tab控件，添加加载遮罩效果 知了ing jquery
    (function () { $.extend($.fn.tabs.methods, { //显示遮罩 loading: function (jq, msg) { return jq.each(function () { var panel = $(this).tabs(&
  • gradle上传jar到nexus 矮蛋蛋 gradle
    原文地址： https://docs.gradle.org/current/userguide/maven_plugin.html configurations {     deployerJars } dependencies {     deployerJars "org.apache.maven.wagon
  • 千万条数据外网导入数据库的解决方案。 alleni123 sqlmysql
    从某网上爬了数千万的数据，存在文本中。 然后要导入mysql数据库。 悲剧的是数据库和我存数据的服务器不在一个内网里面。。 ping了一下， 19ms的延迟。 于是下面的代码是没用的。 ps = con.prepareStatement(sql); ps.setString(1, info.getYear())............; ps.exec
  • JAVA IO InputStreamReader和OutputStreamReader 百合不是茶 JAVA.io操作 字符流
    这是第三篇关于java.io的文章了，从开始对io的不了解-->熟悉--->模糊，是这几天来对文件操作中最大的感受，本来自己认为的熟悉了的，刚刚在回想起前面学的好像又不是很清晰了，模糊对我现在或许是最好的鼓励 我会更加的去学 加油！： JAVA的API提供了另外一种数据保存途径，使用字符流来保存的，字符流只能保存字符形式的流   字节流和字符的难点：a,怎么将读到的数据
  • MO、MT解读 bijian1013 GSM
    MO= Mobile originate，上行，即用户上发给SP的信息。MT= Mobile Terminate，下行，即SP端下发给用户的信息； 上行:mo提交短信到短信中心下行:mt短信中心向特定的用户转发短信，你的短信是这样的，你所提交的短信，投递的地址是短信中心。短信中心收到你的短信后，存储转发，转发的时候就会根据你填写的接收方号码寻找路由，下发。在彩信领域是一样的道理。下行业务：由SP
  • 五个JavaScript基础问题 bijian1013 JavaScriptcallapplythisHoisting
    下面是五个关于前端相关的基础问题，但却很能体现JavaScript的基本功底。 问题1：Scope作用范围 考虑下面的代码：  (function() { var a = b = 5; })(); console.log(b); 什么会被打印在控制台上？  回答：         上面的代码会打印 5。 &nbs
  • 【Thrift二】Thrift Hello World bit1129 Hello world
    本篇，不考虑细节问题和为什么，先照葫芦画瓢写一个Thrift版本的Hello World，了解Thrift RPC服务开发的基本流程   1. 在Intellij中创建一个Maven模块，加入对Thrift的依赖，同时还要加上slf4j依赖，如果不加slf4j依赖，在后面启动Thrift Server时会报错 <dependency>
  • 【Avro一】Avro入门 bit1129 入门
    本文的目的主要是总结下基于Avro Schema代码生成，然后进行序列化和反序列化开发的基本流程。需要指出的是，Avro并不要求一定得根据Schema文件生成代码，这对于动态类型语言很有用。   1. 添加Maven依赖   <?xml version="1.0" encoding="UTF-8"?> <proj
  • 安装nginx+ngx_lua支持WAF防护功能 ronin47
    需要的软件:LuaJIT-2.0.0.tar.gz                   nginx-1.4.4.tar.gz          &nb
  • java-5.查找最小的K个元素-使用最大堆 bylijinnan java
    import java.util.Arrays; import java.util.Random; public class MinKElement { /** * 5.最小的K个元素 * I would like to use MaxHeap. * using QuickSort is also OK */ public static void
  • TCP的TIME-WAIT bylijinnan socket
    原文连接： http://vincent.bernat.im/en/blog/2014-tcp-time-wait-state-linux.html 以下为对原文的阅读笔记 说明： 主动关闭的一方称为local end，被动关闭的一方称为remote end 本地IP、本地端口、远端IP、远端端口这一“四元组”称为quadruplet，也称为socket 1、TIME_WA
  • jquery ajax 序列化表单 coder_xpf Jquery ajax 序列化
       checkbox 如果不设定值，默认选中值为on；设定值之后，选中则为设定的值   <input type="checkbox" name="favor" id="favor" checked="checked"/> $("#favor&quo
  • Apache集群乱码和最高并发控制 cuisuqiang apachetomcat并发集群乱码
    都知道如果使用Http访问，那么在Connector中增加URIEncoding即可，其实使用AJP时也一样，增加useBodyEncodingForURI和URIEncoding即可。 最大连接数也是一样的，增加maxThreads属性即可，如下，配置如下： <Connector maxThreads="300" port="8019" prot
  • websocket dalan_123 websocket
    一、低延迟的客户端-服务器 和 服务器-客户端的连接 很多时候所谓的http的请求、响应的模式，都是客户端加载一个网页，直到用户在进行下一次点击的时候，什么都不会发生。并且所有的http的通信都是客户端控制的，这时候就需要用户的互动或定期轮训的，以便从服务器端加载新的数据。   通常采用的技术比如推送和comet（使用http长连接、无需安装浏览器安装插件的两种方式：基于ajax的长
  • 菜鸟分析网络执法官 dcj3sjt126com 网络
      最近在论坛上看到很多贴子在讨论网络执法官的问题。菜鸟我正好知道这回事情.人道"人之患好为人师" 手里忍不住,就写点东西吧. 我也很忙.又没有MM,又没有MONEY....晕倒有点跑题. OK,闲话少说,切如正题. 要了解网络执法官的原理. 就要先了解局域网的通信的原理. 前面我们看到了.在以太网上传输的都是具有以太网头的数据包. 
  • Android相对布局属性全集 dcj3sjt126com android
    RelativeLayout布局android:layout_marginTop="25dip" //顶部距离android:gravity="left" //空间布局位置android:layout_marginLeft="15dip //距离左边距 // 相对于给定ID控件android:layout_above 将该控件的底部置于给定ID的
  • Tomcat内存设置详解 eksliang jvmtomcattomcat内存设置
    Java内存溢出详解   一、常见的Java内存溢出有以下三种：   1. java.lang.OutOfMemoryError: Java heap space ----JVM Heap（堆）溢出JVM在启动的时候会自动设置JVM Heap的值，其初始空间(即-Xms)是物理内存的1/64，最大空间(-Xmx)不可超过物理内存。 可以利用JVM提
  • Java6 JVM参数选项 greatwqs javaHotSpotjvmjvm参数JVM Options
    Java 6 JVM参数选项大全（中文版）   作者：Ken Wu Email: [email protected] 转载本文档请注明原文链接 http://kenwublog.com/docs/java6-jvm-options-chinese-edition.htm！   本文是基于最新的SUN官方文档Java SE 6 Hotspot VM Opt
  • weblogic创建JMC i5land weblogicjms
    进入 weblogic控制太 1.创建持久化存储 --Services--Persistant Stores--new--Create FileStores--name随便起--target默认--Directory写入在本机建立的文件夹的路径--ok 2.创建JMS服务器 --Services--Messaging--JMS Servers--new--name随便起--Pers
  • 基于 DHT 网络的磁力链接和BT种子的搜索引擎架构 justjavac DHT
    上周开发了一个磁力链接和 BT 种子的搜索引擎 {Magnet & Torrent}，本文简单介绍一下主要的系统功能和用到的技术。 系统包括几个独立的部分： 使用 Python 的 Scrapy 框架开发的网络爬虫，用来爬取磁力链接和种子； 使用 PHP CI 框架开发的简易网站； 搜索引擎目前直接使用的 MySQL，将来可以考虑使
  • sql添加、删除表中的列 macroli sql
    添加没有默认值：alter table Test add BazaarType char(1) 有默认值的添加列：alter table Test add BazaarType char(1) default(0) 删除没有默认值的列：alter table Test drop COLUMN BazaarType 删除有默认值的列：先删除约束（默认值）alter table Test DRO
  • PHP中二维数组的排序方法 abc123456789cba 排序二维数组PHP
    <?php/*** @package     BugFree* @version     $Id: FunctionsMain.inc.php,v 1.32 2005/09/24 11:38:37 wwccss Exp $*** Sort an two-dimension array by some level
  • hive优化之------控制hive任务中的map数和reduce数 superlxw1234 hivehive优化
    一、    控制hive任务中的map数: 1.    通常情况下，作业会通过input的目录产生一个或者多个map任务。 主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；2. 
  • Spring Boot 1.2.4 发布 wiselyman spring boot
    Spring Boot 1.2.4已于6.4日发布，repo.spring.io and Maven Central可以下载(推荐使用maven或者gradle构建下载)。   这是一个维护版本，包含了一些修复small number of fixes,建议所有的用户升级。   Spring Boot 1.3的第一个里程碑版本将在几天后发布，包含许多
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他