由于最近在做一个项目，但是框架本身有个不合理的设计。其中的代码是单线程的，数据的读取和计算都在一个线程里面完成。也就是说，我们的程序有很大的一部分时间在读取文件数据，导致最终的运行速度很慢。这里就可以使用多线程来优化。
这里需要使用最基本的生产者消费者模式。
使用若干个线程作为生产者，负责数据的读取和预处理，这部分任务是IO密集型的，也就是不太占CPU，但是比较占带宽，而且有延时。在处理完数据之后，将数据放到一个队列中。
CNN的目标检测概述（三）
本次介绍的是Fast R-CNN，与之前的RCNN和SPPNet不同，Fast R-CNN是一个清晰和快速的目标检测的框架。在训练和测试的速度上都远超过上述两种方法。同时，Fast R-CNN的训练是一次性的端到端的训练，同时训练的分类和回归两个任务。极大的简化的训练的流程。
项目代码：https://github.com/rbgirshick/fast-rcnn
三、Fast R-CNN
1）R-CNN与SPPNet的不足
R-CNN在目标检测中有很好的准确率，但是这个方法本身仍有很多的问题。
- 训练过程是多级的。R-CNN的训练分成三个部分，首先是finetune一个网络（目标检测的类别和ImageNet不一样）。之后是使用SVM进行目标的分类的训练。最后是使用feature map来进行目标的bounding-box的回归训练。
- 训练过程费时费空间。SVM和回归两个任务，需要存储目标的特征，需要很多空间。网络的训练过程很慢。
- 测试速度太慢。需要对每个proposal进行前馈，耗时太长。速度只有47s / image。
SPPNet可以加速R-CNN，在SPPNet中，在卷积的部分直接前馈整张图片，之后对于每个proposal，计算出它在feature map上的位置，然后使用SPP Pooling的方式，得到定长的特征向量。使得测试时间大大缩短。但SPPNet也有很多的问题。
[转载] GDB十分钟教程
GDB十分钟教程
作者: liigo
原文链接: http://blog.csdn.net/liigo/archive/2006/01/17/582231.aspx
日期: 2006年1月16日
本文写给主要工作在Windows操作系统下而又需要开发一些跨平台软件的程序员朋友，以及程序爱好者。
GDB是一个由GNU开源组织发布的、UNIX/LINUX操作系统下的、基于命令行的、功能强大的程序调试工具。
GDB中的命令固然很多，但我们只需掌握其中十个左右的命令，就大致可以完成日常的基本的程序调试工作。
CNN的目标检测概述（二）
这次介绍的是2015年的Kaiming He的一篇论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition，以下简称SPP-net。
SPP-net的主要贡献是提出了一种新的pooling的方式，spatial pyramid pooling，简称为SPP。使用这种pooling的方式，可以将任意大小的输入feature map给pooling到固定的大小。使用这种pooling的方式，最终在分类和检测任务上均有一定的效果。
二、SPP-net
1）问题描述
在介绍SPP这个pooling方式之前，我们先说一下，为什么需要这种特殊的pooling。
CNN的目标检测概述（一）
在2012年的ImageNet中，AlexNet拔得头筹。之后，CNN成为了图像识别中的一大利器。
在目标检测中引入CNN，开山之作就是2013年的Rich feature hierarchies for accurate object detection and semantic segmentation，之后简称R-CNN。
一、R-CNN
1）算法原理
R-CNN中，将目标检测分成两步来实现：
- 首先是生成Region proposals，也就是候选框。有许多的基于图像的低维特征生成候选框的算法，例如selective search等。
- 训练一个分类和回归的网络。这个网络可以根据候选框的区域的图片，判断这个图片的类别，以及它应该回归到的位置。
2）检测过程
这样，在具体的一张图片的目标检测的时候，我们可以通过下面的过程来得到结果：
- 对于给定一张图片，通过算法得到大量的候选框(2k个左右)。
- 将候选框的图片裁剪出，然后输入到CNN网络中。
- 网络的输出为分类的结果和回归的结果。然后我们就知道这个区域是不是目标，如果是，计算出它的回归的位置。
- 得到大量的有类别的框，通过NMS算法，得到最终的目标的框。
3）网络训练
对于目标检测这个任务，我们现有的标注数据其实并不多。所以通常都是使用ImageNet等大的公开的数据进行预训练，或者直接使用预训练好的模型在finetune。
[转载] 应用Valgrind发现Linux程序的内存问题
原文地址：https://www.ibm.com/developerworks/cn/linux/l-cn-valgrind/
Valgrind 概述
体系结构
Valgrind是一套Linux下，开放源代码（GPL V2）的仿真调试工具的集合。Valgrind由内核（core）以及基于内核的其他调试工具组成。内核类似于一个框架（framework），它模拟了一个CPU环境，并提供服务给其他工具；而其他工具则类似于插件 (plug-in)，利用内核提供的服务完成各种特定的内存调试任务。Valgrind的体系结构如下图所示：
图 1 Valgrind 体系结构
本站的WordPress插件一览
其实Jetpack这个插件里面已经提供了大量的工具。如果安装了这个插件，那么下面的很多插件都是可以不用安装的。不过在国内使用Jetpack这个插件有点麻烦。我这里就一直没有用，等换了国外的服务器之后，之前的博客的很多内容都得重新编辑，太麻烦了，所以干脆不用了。
1. Akismet Anti-Spam
网址：https://wordpress.org/plugins/akismet/
由千百万人使用，Akismet可能是保护您的站点免受垃圾评论的世界上最好的方式。 您的站点已完全配置并受到不断的保护。
博客服务器维护中的小技巧
这里记录了小喵的博客的服务器的一些小的技巧，包括安装和各种参数的配置，便于以后查看。不定期更新。
1. LNMP环境的配置——oneinstack
LNMP环境就是Linux、Nginx、Mysql和Php这四个的组合，由于这四个都是免费的，因此在网站搭建的时候最常使用到，另一个名词是LAMP，其中A表示的是Apache。但Apache比较占资源，所以我用的还是Nginx。
这里，网上应该有超多的教程，我当时配置的时候也是参考了各种教程，但最终还是放弃了，自己去配置这些东西真的好难。于是，我就把目标转向了各种集成好的环境了。
shadowsocks安装和配置
我使用的VPS是 https://www.vultr.com/?ref=7305758 ，感觉使用美国的服务器，速度真心还不错，带宽很高，流量也很足，日本的服务器响应最快，但是看不了pixiv，所以我也就换成美国的了。
如果需要注册的话，不妨用我的这个链接，这样也算是我的一个推荐。谢谢！
shadowsocks是一个十分方便安装和配置的代理工具。官网是：http://shadowsocks.org
这里记录一下，shadowsocks的安装和配置的过程，方便以后的查阅。这里使用的是python版本的shadowsocks。
Python Trick
这里主要记录一些Python使用上的小技巧，以后使用的时候可以方便查阅。不定期更新。
1. 豆瓣源
使用pip为python安装一个第三方库的时候，由于国内可能不方便下载国外的库，这里可以使用豆瓣源来加速。只需要加上参数-i https://pypi.douban.com/simple/即可。比如安装scrapy就可以使用如下的指令:
|
1 |
pip install -i https://pypi.douban.com/simple/ scrapy |
2. Python环境管理
很多时候，我们可能需要用到不同版本的python，比如2.7和3.4两个版本。这时候可以使用virtualenv，virtualenvwrapper等工具。但实际上anaconda本身就已经支持python的版本控制了（我一直用的anaconda）。比如我们要新建一个2.7版本的python环境，就只需要输入：
|
1 |
conda create -n py27 python=2.7 |
这样就创建了一个2.7版本的python，且这个python环境的名字叫做py27。