CentOS 8 安裝與設定 MySQL 8, phpMyAdmin 4.9

MySQL 8 具有更快的速度與穩定性,據說在許多項目的效能又勝過孿生兄弟 MariaDB,事實上這兩個孿生兄弟軟體的表現都很優秀。總之,本文就是要介紹該如何在 CentOS 8 上完成 MySQL 8、phpMyAdmin 4.9的安裝與基本設定。值得注意的是,請先將伺服器的 PHP 和 網站伺服器(Apache or Nginx或其他) 都安裝完成,才有辦法測試 phpMyAdmin。

Read more

CentOS 8 基礎設定(時區, EPEL, SSH/sFTP, SEManage, wget)

從頭開始架設 CentOS 8 作為伺服器,不論你要用來作為哪一種伺服器,都需要有這些軟體替你的伺服器打基礎。這其中包含設定伺服器時區的 timedatectl、安裝 EPEL(Extra Packages for Enterprise Linux)、安裝 SEManage、設定 SSH 遠端服務和 sFTP 以及 wget。
上述設定與軟體之中較為特別的是 SEManage,這是用來讓你方便管理 SELinux 設定的套件,好好學一下對於設定會很有幫助的。

Read more

Convolutional Neural Networks(CNN) #6 Pooling in Backward pass

本文將介紹Pooling layer在反向傳遞(Backward propagation / Backward pass)的運作過程,雖然Pooling層的參數不需要被訓練,但是在大多數情況下,Pooling layer通常是承接著啟動函數的輸出。因此,池化層在反向傳遞的過程中與Kernel、Bias、Feature map皆為不可或缺的環節。

Read more

Convolutional Neural Networks(CNN) #5 特徵圖&偏差值的導數

本篇文章要來介紹對特徵圖(Feature map)與偏差值(Bias)在Backward propagation的推導過程與可程式化的計算方法。由於卷積神經網路(Convolutional Neural Network, CNN)在使用倒傳遞法(Backpropagation)的反向傳遞(Backward pass)過程中,就是藉著計算參數之梯度(偏微分)作為更新並訓練參數的手段,因此了解這些原理對於初探卷積神經網路的學習者來說也非常重要。

Read more

Convolutional Neural Networks(CNN) #4 卷積核的Back propagation

卷積神經網路的參數最終仍會以Backpropagation(倒傳遞法)來優化,本文將由淺而深的從原理到可程式化的計算方法向各位介紹Kernel的偏微分計算方法。而本文採用的範例是包含padding的卷積層,這種設定也將更趨近於現實,希望透過這種方式讓各位完全理解。

Read more

Convolutional Neural Networks(CNN) #3 計算參數量

因為卷積神經網路(CNN)的特性,使得在使用CNN進行影像辨識時可以大幅度的降低參數量。本節介紹的主題就是計算CNN的參數量,但是在開始之前,會先用簡單的例子帶各位了解如何架構CNN,希望各位能徹底明白卷積神經網路的運作流程,藉此深入了解計算參數量的方法。

Read more

Convolutional Neural Networks(CNN) #2 池化層(Pooling layer)

池化層在卷積類神經網路扮演的角色也很關鍵,它可以幫助我們縮小Feature map的大小,也可以用來強CNN萃取出來的特徵。本篇文章就是要介紹池化層(Pooling layer)的運算規則。池化層的概念很簡單,但它仍有許多需要注意的屬性,像是與卷積層會用到的『移動步伐Stride』在池化層也會派上用場。

Read more