因为是青葱岁月, 我们不曾深涉世谙; 但也因为懵懂年少, 我们才拥有无限的可能。我们的青春舞动在这些年难忘的时光里，我们的汗水挥洒在这几栋往来的教学楼里，我们的梦想腾飞在这片通向未来的土地上，我们的记忆不会忘掉这些年一起走过的日子。每年，我们都要经历一次春夏秋冬的轮转，但有一种夏天，叫做我们的毕业季。
作者： AI柠檬博主
-
语音识别技术发展的历史背景和研究现状
人类对于语音识别领域相关技术的研究，从上世纪的50年代初就已经开始了，当时的科研人员就曾对语音发音的音素特征做了相关研究。在1952年时,贝尔(Bell)实验室的研究人员,通过使用模拟的电子器件,实现了针对特定说话人说英文数字的孤立词进行语音识别的功能。这个系统主要是提取发音中每个元音的共振峰信息,然后通过简单的模板匹配,从而实现的。该系统得到了98%的正确率[1]。
-
机器学习：朴素贝叶斯分类器
朴素贝叶斯分类器(naïve Bayes classifier)是机器学习中的一种假设特征之间强独立的基于贝叶斯定理的简单概率分类器。朴素贝叶斯自20世纪50年代起就已经广泛研究，具有快速易实现的优点，这种机器学习方法在有适当的预处理时，可以与这个领域包括支持向量机在内的更先进的方法相竞争[1]。本文将主要介绍朴素贝叶斯分类器算法的原理，并以一个小实例解释其在实际中是如何应用的。
-
深度学习：基于mxnet的mnist手写数字识别
mnist手写数字识别是入门深度学习，或者学习一个新的深度学习框架时，最容易上手的程序。本文中，我将使用mxnet深度学习框架在mnist数据集上实现一个简单的手写数字识别模型。
-
深度学习如今还能走多远
2019年3月，计算机领域的最高奖——图灵奖，颁发给了深度学习的三位创造者Yoshua Bengio， Yann LeCun，和Geoffrey Hinton。这三位科学家对深度学习基本概念的发明，做出的令人们轰动的实验，对工程领域和深度神经网络实际应用的贡献，使得他们的得奖当之无愧。
-
为Keras包装一个线程安全的数据生成器
我们在使用Keras训练深度学习模型时，往往不能一次将数据全部加载进内存中，那样会导致内存不足的问题。包括Keras在内的深度学习框架提供了动态数据加载的模式，也就是说，需要使用到哪些数据时，才会加载哪些数据，而Keras需要我们自己定义一个数据生成器，并通过多线程的机制调用我们传入的数据生成器，克服硬盘的IO速度瓶颈，以实现数据的动态加载。
-
通过同步和加锁解决多线程的线程安全问题
在计算机多线程编程中，线程之间的安全问题是很重要的，它不仅关系到所需要的功能能否正确地实现，还关系到算法运行结果的稳定性等问题。当在多线程编程时，或者使用到的软件框架是具有多线程运行功能的时候，一名训练有素且技术过硬的合格程序员是会考虑程序在多线程环境下运行时的线程安全问题的，尤其是在多个线程间存在共享的资源的情况下。博主最近在使用Keras框架做深度学习训练的时候，就遇到了这样的问题，多线程时，Python的普通生成器会遇到异常。本文主要介绍两种实现多线程之间线程安全的方案，同步和加锁。
-
记一次机械硬盘出现数据写入错误的真实案例
由于博主做的工作原因，最近获取到了一批语音数据集，全部为wav格式。数据拿到手，自然要将数据存储到自己的硬盘中。由于固态硬盘的容量有限，所以我就将其全部复制粘贴到机械结构的移动硬盘中，随后要进行的工作就是数据的处理。
-
C++ 常用STL库总结
我们在使用C++开发相关软件、实现一些算法的时候，不可避免的会使用到STL标准库，本文对这个标准库常用的几种数据结构和算法库进行了整理。代码样例来自HowieMen，感谢。
-
如何解决神经网络训练时loss不下降的问题
当我们训练一个神经网络模型的时候，我们经常会遇到这样的一个头疼的问题，那就是，神经网络模型的loss值不下降，以致我们无法训练，或者无法得到一个效果较好的模型。导致训练时loss不下降的原因有很多，而且，更普遍的来说，loss不下降一般分为三种，即：训练集上loss不下降，验证集上loss不下降，和测试集上loss不下降。这里，首先默认各位都能理解过拟合和欠拟合的概念，如果有不清楚的可以参考下面的一些文章。