ziyubiti

　　Tensorflow Playground是Google开源的一个神经网络深度学习展示demo，以图形化形式展示，可以直观地理解神经网络的工作原理。
　　
　　本地部署
　　同样也可以将其git到本地部署，便于无网络环境下研究。
　　其采用node.js开发，nn.ts即是简化的nn库。
　　1、在控制台执行：
　　

1

　　npm install https://github.com/tensorflow/playground.git

1
2
3

　  npm install jitsu -g
　  cd node_modules/deep-playground-prototype
　  jitsu install http-server

1
2

　  cd dist
　  node ../http-server/bin/http-server

内容摘自：https://github.com/jobbole/awesome-machine-learning-cn

环境配置

method 1: github
在原电脑将Hexo服务端文件全部提交到github, 在新电脑拉出github仓库，进行正常Hexo操作即可。
method 2: copy file
首先按照搭建hexo的过程一步步重新在新电脑上操作，之后只要用原电脑的scaffolds, source, themes 和 _config.yml替换新生成的文件就行了；为方便可以将服务端整个文件夹拷贝下来。

安装环境：Ubuntu kylin 16.04 LTS， 自带 python 2.7.11

　　opencv功能强大，并提供C++、Python等各种接口而易于使用。
　　在Python下用img=cv2.imread()函数读取图像时，总是返回为None，造成后面的处理img.shape总是返回为NoneType错误。
　　系统为Ubuntu14.03，查看已安装有opencv2.4，网上查了下，有说是因为opencv的bug，建议用cv2.cv.LoadImage()代替使用，使用这个函数代替后，总是返回ioerror，再查似乎并没有他人遇到过ioerror问题。
　　既然这种方法行不通，那就可以考虑下面替代方法：
　　Alt 1：由于后面的img处理时是ndarray格式，那可以考虑先用matlab将图片读取后存储为mat格式，在python中直接读取mat数据，略过直接读取图片的imread操作。这种方法规避了上述错误，验证可行。
　　然后，偶尔查看pip list时，发现并没有opencv-python，忽然想到，可能是因为底层虽然安装了opencv，但并没有安装python接口，而python自带的cv2 api仅包含了函数列表，没有进一步与opencv的交互，这样imread时就可能不报错，但实际没有读取数据，造成返回为NoneType。
　　Final solution：执行pip install --upgrade opencv-python，成功后重新打开python console验证，imread jpg通过，返回的img为正常的M*N*3数据；至此解决此错误。

　　mat格式是matlab的数据存储格式，按照矩阵保存，与numpy数据格式兼容，适合于各种数学运算。
　　python可调用scipy库进行mat格式的数据读写。

python中调用matlab函数，主要使用mlab库，一个python-matlab接口。

目前LTE TDD已部署CA，对于不同带宽的CA，部署时如何计算各个CC的中心频点呢？并且复合后的CA带宽是多少？