训练数据⼿动分发，训练模型⼿动保存� • 进程遗留问题，需要⼿动杀死� • 缺乏作业统⼀管理，不便对作业运⾏状态跟踪� • 日志查看不⽅便� � 总结：� TensorFlow使用现状及痛点 • 集群资源的管理（目前支持CPU、内存，需要扩展GPU 资源管理）� • 作业的统⼀管理、状态跟踪� • 资源组（Schedule Pool）的划分� • 作业进程的资源隔离� Yarn能解决什么问题：� TensorFlow 训练数据和训练模型基于HDFS统⼀存储� • 作业训练结束自动回收work、ps和Tensorboard进程� • 训练效果和性能没有损失� 基本目标：� TensorFlow on Yarn设计 • 支持GPU亲和性调度（提⾼通信效率）� • Web的⽅式查看作业的运⾏状况和作业日志� • 在线查看Tensorboard� • HistoryServer支持查看结束作业的日志和状态信息� • 控 控制已有的TensorFlow作业的迁移成本（最多改三⾏ 代码）� 扩展目标：� TensorFlow on Yarn设计 tensorflow-submit \� --app-name “tfdemo” \#作业名� --files tfTestDemo.py,dataDeal.py \ #依赖的本地⽂件� --tfcmd “python tfTestDemo.py

(a) (c) (b) (d) 这个案例中，当： eps=0.3，minPts=10的时候， DBSCAN达到最优效果。 37 港口发现算法 单拖船的作业规律比较 清晰，出港后，全速驶 向作业区域，在作业区 域拖网作业，一个航次 结束，全速驶向渔港， 我 们 设 计 了 一 种 基 于 DBSCAN和K-means的 混合FindPort算法 典型的单拖船一年的轨迹图 FindPort算法计算的渔港图

样本：挂牌满？天的房源 2019 KE.COM ALL COPYRIGHTS RESERVED 11 AI选房建模  成交/带看具有周期性  周期性单位：周 2019年3月每天的成交量和带看量 作业周期性分析 时间选择：周的倍数 2019 KE.COM ALL COPYRIGHTS RESERVED 12 AI选房建模  Y：未来？天能否成交  X：最近？天房源产生的所有行为 

在第一种情况下，我们将函数 与其参数 进行区分，然后替 换参数 。 在第二种情况下，我们将复合函数 直接与 进行微分。 我们将第一种情况表示为 ，第二种情况表示为 。 保持符号清晰是非常重要的，以后完成课程作业时候你就会发现。 4.2 黑塞矩阵 假设 是一个函数，它接受 中的向量并返回实数。那么关于 的黑塞矩阵（也有翻译作海 森矩阵），写做： ，或者简单地说， 是 矩阵的偏导数： 换句话说， ，其：

API33和Jax34都采纳了。 “系统研究人员构建更好的工具”和“统计建模人员构建更好的神经网络”之间的分工大大简化了工作。例 如，在2014年，对卡内基梅隆大学机器学习博士生来说，训练线性回归模型曾经是一个不容易的作业问题。而 现在，这项任务只需不到10行代码就能完成，这让每个程序员轻易掌握了它。 1.6 深度学习的成功案例 人工智能在交付结果方面有着悠久的历史，它能带来用其他方法很难实现的结果。例如，使用光学字符识别 般任务的同时，修改、扩展和改进自己的架构的“人工通用智能”工具。 一个更紧迫的问题是人工智能在日常生活中的应用。卡车司机和店员完成的许多琐碎的工作很可能也将是自 动化的。农业机器人可能会降低有机农业的成本，它们也将使收割作业自动化。工业革命的这一阶段可能对 社会的大部分地区产生深远的影响，因为卡车司机和店员是许多国家最常见的工作之一。此外，如果不加注 意地应用统计模型，可能会导致种族、性别或年龄偏见，如果自动驱动相应的决策，则会引起对程序公平性 典查找、代 码执行和许多其他的Python代码。Python的问题全局解释器锁74 是众所周知的。在深度学习环境中，我们担 心速度极快的GPU可能要等到CPU运行Python代码后才能运行另一个作业。 小结 • 一个块可以由许多层组成；一个块可以由许多块组成。 • 块可以包含代码。 • 块负责大量的内部处理，包括参数初始化和反向传播。 • 层和块的顺序连接由Sequential块处理。