gdb调试命令的使用及总结
来源：http://www.jb51.net/article/36393.htm
参考：http://www.cnblogs.com/hankers/archive/2012/12/07/2806836.html
参考：http://wiki.ubuntu.org.cn/%E7%94%A8GDB%E8%B0%83%E8%AF%95%E7%A8%8B%E5%BA%8F
100个gdb技
深度学习模型训练痛点及解决方法
## 1 模型训练基本步骤
进入了AI领域，学习了手写字识别等几个demo后，就会发现深度学习模型训练是十分关键和有挑战性的。选定了网络结构后，深度学习训练过程基本大同小异，一般分为如下几个步骤
1. 定义算法公式，也就是神经网络的前向算法。我们一般使用现成的网络，如inceptionV4，mobilenet等。
2. 定义loss，选择优化器，来让loss最小
3. 对数据进行迭
Perseus-BERT——业内性能极致优化的BERT训练方案
【作者】 笋江（林立翔） 驭策（龚志刚） 蜚廉（王志明） 昀龙（游亮）
一，背景——横空出世的BERT全面超越人类
2018年在自然语言处理（NLP）领域最具爆炸性的一朵“蘑菇云”莫过于Google Research提出的BERT（Bidirectional Encoder
Spark机器学习9· 实时机器学习(scala with sbt)
[Spark机器学习](http://book.douban.com/subject/26593179/)
### 1 在线学习
模型随着接收的新消息，不断更新自己；而不是像离线训练一次次重新训练。
像Google一样构建机器学习系统2 - 开发你的机器学习工作流
按照上篇文章搭建了一套Kubeflow Pipelines之后，我们一起小试牛刀，用一个真实的案例，学习如何开发一套基于Kubeflow Pipelines的机器学习工作流。
准备工作
机器学习工作流是一个任务驱动的流程，同时也是数据驱动的流程，这里涉及到数据的导入和准备，模型训练Checkpoint的导出评估，到最终模型的导出。