学习率是深度神经网络里最重要的超参数之一，学习率的选取直接影响了我们模型的质量，但有时学习率的选取是很玄学的
随着训练样本数量的提升，我们训练后的模型的表现也越来越好，但每次迭代的时间也不断增加。我们主要通过，减少完成一次参数更新的样本数量，以及利用算法尽量从最短路径更新参数，来优化梯度下降算法
随着神经网络的深度化，容易出现训练集的精度高，测试集的精度相对不高，这可能是出现了过拟合的情况。这时可以通过增加训练集来解决。如果增加训练集的代价太高，正则化是一个很好的选择
深层神经网络其实与 浅层神经网络 类似，只是含有多个隐藏层，可以实现更复杂的功能
单隐层的神经网络中 正向传播 与 反向传播 向量化的具体实现与具体计算过程
这里介绍通过vtk库实现的简单图形处理
CMake 中有许多显式或隐式的预定义好的变量，也可以自己定义变量
CMake 包含许多指令可以方便构建
vtkVolume类似几何渲染的vtkActor，需要传入 vtkVolumeMapper 和 vtkVolumeProperty
所有 体绘制Mapper 都继承自 vtkVolumeMapper
微信自动回复机器人
基于web的动物识别专家系统
基于标签的用户行为日志大数据分析系统
CNN for predicting the quality of the welding
基于spark的Apriori算法