其他

1、方式一 直接去Docker Hub上直接下載： https://hub.docker.com/r/hyperledger/ docker pull hyperledger/fabric-peer:x86_64-1.0.1docker pull hyperledger/fabric-orderer:x86_64-1.0.1docker pull hyperledger/fabric-ccenv:x86_64-1.0.1docker pull

 這兩天在看CS231n的課程，不得不感慨我國目前的教育制度確實很難培養出真正高端的人才,別人的課程有那麼多的精心準備的課件、筆記和供學生練習的任務和代碼，讓你從原理到工程的實現全過一遍，反觀我所在的所謂的雙一流大學的課程。。呵呵噠。。。不說閑話了，這裡講下反向傳播中的鏈式法則的實現細節。  我們以這個公式為例，實現反向傳播的鏈式法則，在神經網路中的反向傳播的方式是一樣的，只是函數比這個複雜些。

全串連層的推導 全串連層的每一個結點都與上一層的所有結點相連，用來把前邊提取到的特徵綜合起來。由於其全相連的特性，一般全串連層的參數也是最多的。 全串連層的前向計算 下圖中連線最密集的2個地方就是全串連層，這很明顯的可以看出全串連層的參數的確很多。在前向計算過程，也就是一個線性加權求和的過程，全串連層的每一個輸出都可以看成前一層的每一個結點乘以一個權重係數W，最後加上一個偏置值b得到，即 。如下圖中第一個全串連層，輸入有50*4*4個神經元結點，輸出有500個結點，則一共需要5

正常卷積運算： 如上圖：4x4的輸入，卷積Kernel為3x3, ,輸出為2x2。其計算可以理解為： 輸入矩陣展開為4*4=16維向量，記作x 輸出矩陣展開為2*2=4維向量，記作y 卷積核C為如下矩陣： 卷積運算可表示為y = Cx（可以對照動圖理解），而卷積的反向傳播可以如下，相當於乘以C^T 反卷積運算： 如上圖：2x2的輸入，卷積Kernel為3x3, ,輸出為4x4。如果按照正常卷積，產生的feature

天啦嚕。。我發現更新的pytorch已經有instance normalization了。。 不用自己折騰了。。 -2017.5.25 利用 nn.Module 裡的 子類 _BatchNorm (在torch.nn.modules.batchnorm中定義），可以實現各種需求的normalize。 在docs裡，可以看到，有3種normalization

深度學習中對於卷積層的可視化可以協助理解卷積層的工作原理與訓練狀態，然而卷積層可視化的方法不只一種。最簡單的方法即直接輸出卷積核和卷積後的filter通道，成為圖片。然而也有一些方法試圖通過反卷積（轉置卷積）瞭解卷積層究竟看到了什麼。 在TensorFlow中，即使是最簡單的直接輸出卷積層的方法，網上的講解也參差不齊，David 9 今天要把可啟動並執行方法告訴大家，以免大家受到誤導。 廢話少說，最簡單的方法在此：

攝像機矩陣由P由內參矩陣和外參矩陣組成，對攝像機矩陣進行QR分解可以得到內參矩陣和外參矩陣 在opencv的3D重建中（opencv中文網站中：照相機定標與三維情境重建），對攝像機的內參外參有講解： 外參：攝像機的旋轉平移屬於外參，用於描述相機在靜態情境下相機的運動，或者在相機固定時，運動物體的剛性運動。因此，在映像拼接或者三維重建中，就需要使用外參來求幾幅映像之間的相對運動，從而將其註冊到同一個座標系下面來

1 批處理 tf在進行批處理時，會需要用到均值與方差資料，而在批處理中使用的均值與方差不是單純的使用當前批資料的均值與方差，而是對會根據當前批均值方差和上一批維護的均值方差進行指數衰減求一個新的均值方差，而對slim中的batch_norm，需要注意以下幾點： slim

        caffe Convolution層的convolution_param參數字典中有一個group參數，其意思是將對應的輸入通道與輸出通道數進行分組，比如輸入資料大小為 90x100x100x32 90是資料批大小 100x100是映像資料shape，32是通道數，要經過一個3x3x48的卷積，group預設是1，就是全串連的卷積層，

背景 最近在做私人化部署項目，項目的整體方案基於docker。考慮到客戶的運行環境可能無法串連到公網，因此需要製作docker的離線安裝。整個離線安裝分為三個部分：1）準備docker離線安裝包，2）docker離線源配置，3）離線安裝docker 準備docker離線安裝包 目前只考慮Linux及其發行版的伺服器。docker對於機器和作業系統的要求： 核心版本3.10及其以上 作業系統位元為64位 CPU架構為x86_64或amd64（目前也有別的支援）

1.新版本的opencv3.X系列在提升穩定性的同時也砍掉了一些常用的函數庫，例如opencv2\contrib\contrib.hpp  ，這個庫在opencv2.X版本中就有，到opencv3.x版本之後發現被砍掉了，還好opencv是開源的，可以直接將需要的源碼部分包含到工程檔案中編譯就行了，一般相容性還是不錯的。 例如：在 contrib.hpp中包含了一種可以直接擷取當前檔案夾下檔案的類 class

一、fabric網路結構(暫時不包括CA) 如上圖所示，在fabric網路中，O表示Orderer，P代表Peer，EP代表Endorsing Peer(endorser)，CC代表Chaincode以及Client、Channel、Ledger、Transaction，由它們組成了整個網路，下面對每種元素進行介紹：

BIP9允許部署多個向後相容的軟分叉，通過曠工在一個目標周期內投票，如果達到啟用閾值nRuleChangeActivationThreshold,就能成功的啟用該升級。在實現方面，通過重定義區塊頭資訊中的version欄位，將version欄位解釋為bit vector，每一個bit可以用來跟蹤一個獨立的部署，在滿足啟用條件之後，該部署將會生效，同時該bit可以被其他部署使用。目前通過BIP9成功進行軟分叉有BIP68, 112, 113, 於2016-07-04 ，高度：419328成功啟用.

接上篇文章: 我在建立的工程中的HelloWorldScene.ccp檔案裡添加了如下代碼: 注意標紅的地方:     pc_client_t *client = pc_client_new(); // 注意這裡,因為我是用android的真機測試.在最開始的時候ip地址填寫的是127.0.0.1. 結果怎麼測試都不能通過  int re = pc_client_connect(client, &address);這句始終返回-1

隨機預言模型下的可證明安全：    Goldwasser 等學者首次比較系統地闡述了可證明安全思想，並給出了具有可證明安全性的加密和簽名方案[44，48]，然而，上述方案的可證明安全是以嚴重犧牲效率為代價的，因此，上述方案雖然在理論上具有重要意義，但並不實用。1993年,Bellare 和 Rogaway 兩位學者[49]正式提出了隨機預言模型（Random

Hyperledger 源碼分析之 Fabric Broadcast，意味著用戶端將請求訊息（例如完成背書後的交易）通過 gRPC 介面發送給 Ordering 服務。 這些請求訊息，會交給 orderer.common.server 包中 server 結構體的 Broadcast(srv ab.AtomicBroadcast_BroadcastServer) error 方法處理。該方法主要會調用到 orderer.common.

       現代企業的IT規劃在通常意義上的分為'廣義'的和'狹義'的。所謂'廣義'的IT規劃是指從企業的戰略出發，充分分析企業核心價值鏈的運作模式，進而找出IT的支撐點和機會點，從而明晰企業的IT戰略，並構築企業的IT應用藍圖、IT治理模式、資訊資源體系及系統實施規劃等，以實現對企業戰略目標達成的有效支援。而'狹義'的IT規劃則側重對系統硬體、系統軟體、開發技術等進行計劃與安排，是圍繞技術展開的。這裡，我們所討論的IT規劃主要是針對'廣義'的IT規劃。

Git介紹 分布式：Git版本控制系統是一個分布式的系統，是用來儲存工程原始碼曆史狀態的命令列工具。   儲存點：Git的儲存點可以追蹤源碼中的檔案, 並能得到某一個時間點上的整個工程項目的狀態；可以在該儲存點將多人提交的源碼合并, 也可以回退到某一個儲存點上。  

綜述

系統版本：Ubuntu16.04.4 ①　安裝nodejs(安裝後版本nodejs版本大於6）、babel-node環境 方案一：參考網站：http://blog.csdn.net/weibo392/article/details/77368550 方案二：更新ubuntu軟體源 sudo apt-get updatesudo apt-get install -y python-software-properties