在学python，调试linux，尝试搭res-net环境，但是发现上周读的论文懂的思路又忘了，跟不上了。今天要重新开始，又不知道做什么了。
1.继续搭好res-net框架。
2.然后要再看细一点它的改进，想一想怎么应用改进去
3.测试
4.读数学推导，整理手推
5.下一部分是稳定性的部分，再细致读懂+实验
6.数学推导，手推。
7.想一点new thing。结合所有论文，再重读重读。
8.整理结果，整理参考文献，整理思路，提高写作素养和水平。
新的问题：
imagenet数据集太大了，100多G，就很麻烦。 下载完了，训练到差不多也不知道多长时间。
利用云服务去训练，还得再学，而且花钱。
现在仔细看了论文，发现论文里用的是cifar10/100去复现，而且主要是pre-act 也说明我之前的搜索和苦恼，反正对于真正工作的推进和落实，作用是不大的。
我都纠结和准备了啥呢？
1.调研了FAIR 基于torch的resnet复现，发现描述有许多GPU的要求，但是我没有许多GPU，我怕不能部署，同时怕，if下下来，CPU干不了，不兼容，要改很多东西，所以放弃这个选择，但是同时也去搜索了云GPU的方法，发现了一篇总结还不错，以后用得到，但是没有进一步细看。
2.熟悉anaconda linux下的使用 环境创建 激活，安装tensorflow
3.下了个tensorpack 也是想复现来着
4.找imagenet 观察imagenet的描述信息， 账号注册，又发现实在是 数据集太大了
5.现在同时在下已有的模型，很多convert，发现了起码两类convert 吧，想用fine-tune微调 加东西，去改。 或者先跑起来识别测试。
6.下载模型也可以下两个渠道，一个是一种转好的，一个是原有的 -convert，两个渠道的源码不太一样。然而。。。我是想结合。。。。。也不知道行不行
7.现在要转化cifar的准备了：再研究研究数据集，还有哪个版本哪的代码（原本tensorflow，tensorpack 大致就这么多吧）
网友评论