这期David 9给各位初学者推荐8个很棒的机器学习小抄，速查表以及我的理解，希望各位刚入坑的小伙伴能有一个总览性的理解，加速你的学习迭代：
1. SCIKIT-LEARN 算法导览 ：
分类只要判别类别标签，回归还要预测具体值，特征降维要找到有用的那些维度，聚类是要给未知总集区分类别，初学者除了知道以上这些问题大类， SCIKIT-LEARN 算法导览还提供一些具体的选择细节。 继续阅读8 个很棒的机器学习小抄，速查表及其解释: Machine Learning Cheat Sheets !
分类： 算法
TensorFlow手把手入门之分布式TensorFlow — 3个关键点，把你的TensorFlow代码重构为分布式！
分布式架构就像哈姆雷特，一千个人眼中有一千种分布式方式 — David 9
对于机器学习模型，分布式大致分两类：模型分布式和数据分布式:
模型分布式非常复杂和灵活， 它把整个机器学习模型分割，分散在多个节点上，在每个节点上计算模型的各个部分， 最后把结果拼接起来。如果你造了一个并行性很高的深度网络，比如这个，那就更棒了。你只要在每个节点上，计算不同的层，最后把各个层的异步结果通过较为精妙的方式汇总起来。
而我们今天要手把手教大家的是数据分布式。模型把数据拷贝到多个节点上， 每次算Epoch迭代的时候，每个节点对于一个batch的梯度都会有一个计算值，一个batch结束后，所有节点把梯度值汇总起来（ps参数服务器的任务就是汇总所有参数更新），从而进行更新。这就会导致每个batch的计算都比非分布式方法精准。相对非分布式，并行方法下，同样的迭代次数，收敛较快。 继续阅读TensorFlow手把手入门之分布式TensorFlow — 3个关键点，把你的TensorFlow代码重构为分布式！
用TensorFlow可视化卷积层的方法
深度学习中对于卷积层的可视化可以帮助理解卷积层的工作原理与训练状态，然而卷积层可视化的方法不只一种。最简单的方法即直接输出卷积核和卷积后的filter通道，成为图片。然而也有一些方法试图通过反卷积（转置卷积）了解卷积层究竟看到了什么。
在TensorFlow中，即使是最简单的直接输出卷积层的方法，网上的讲解也参差不齐，David 9 今天要把可运行的方法告诉大家，以免大家受到误导。
废话少说，最简单的方法在此：
如果你有一个卷积层，我们以Tensorflow自带的cifar-10训练为例子：
with tf.variable_scope('conv1') as scope:
kernel = _variable_with_weight_decay('weights',
shape=[5, 5, 3, 64],
stddev=5e-2,
wd=0.0)
conv = tf.nn.conv2d(images, kernel, [1, 1, 1, 1], padding='SAME')
biases = _variable_on_cpu('biases', [64], tf.constant_initializer(0.0))
pre_activation = tf.nn.bias_add(conv, biases)
conv1 = tf.nn.relu(pre_activation, name=scope.name)
_activation_summary(conv1)