https://www.bilibili.com/video/av10156946/index_4.html#page=4
from IPython.display import FileLink
FileLink('文件位置')
--- 建立连接，将文件从服务器下载到电脑
import numpy as np
x=np.array([1,2,3,5,6,7,8,9])
np.clip(x,3,8)
Out[88]:
array([3, 3, 3, 5, 6, 7, 8, 8])
Elitic-第一家深度学习用于医疗，肺癌，真正难点不是技术而是现实问题，比如ct图片太大，如何让imagenet识别黑白模式，而网络代码差不多一样
可视化的重要性：
寻找对焦边缘-对角线的过滤器
寻找渐变色的过滤器
找寻圆形、边角、眼睛。。
Gobor filters
why finetuning：imagenet等已经学到了一些特征
从where一层开始微调：自己实验
how让激活向量处于正确的范围内：Xavier Initialization泽维尔初始化，nin和nout分别为当前权重矩阵的输入神经元个数和输出神经元个数，得到当前矩阵的标准差
lesson2代码：
loss导数：显示当权重改变时得到的值的变化
深度学习中不存在局部最小值，因为参数太多，不是三维而是上亿；局部最小值是对随机梯度下降中不发继续优化
如果倒数未知？：not worry,现代神经网络库都可以内部自动符号微分，只需要告诉它架构
深度学习中总是可以存在参数继续优化下去的 Sequential([Dense(输入的数,activation='softmax',input_shape=(输出的个数,))]) 一个输入，两个输出
狗和骨头与猫和狗共同出现的概率，前者更高 - imganet
bcolz：保存numpy数组快几乎不耗内存
VGG：224*224大小输入 notebook中： ？？get_data ~ 就会展示函数细节，连接不同的batch
RMSprop：对SGD的一种微调
深度学习在矩阵从输入开始一步步所做的事情：在激活层进行非线性操作，
model.addpop删除summary
??vgg.finetune(batches)~细节~就是model.pop->model.add一个含有新分类数的Dense层-》mode.compile
keras中使用batches时要用model.fit_generator(batches,...)