TensorRT是Nvdia推出的专门针对部署阶段进行加速的驱动，可用于加速模型推断，提供C++和Python接口，支持tensorflow和caffe框架，目前最新版本是4.0。

1. 安装

　　我的环境是ubuntu Server 16 , anaconda3.6(官方推荐的python版本是2.7或3.5)，CUDA9.0+cuDNN7.1（必要）。

　　首先下载TensorRT4.0的安装包，我选择的是基于cuda9.0的tar格式安装包。

　　解压文件：

 tar -xzvf TensorRT-4.0.1.6.Ubuntu-16.04.4.x86_64-gnu.cuda-9.0.cudnn7.1.tar.gz

修改本地环境变量：

 vim ~/.bashrc

　　添加 :

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:~/TensorRT-4.0.1.6/lib:/usr/local/cuda-9.0/lib64"

刷新生效：

 source ~/.bashrc

　　然后安装python库：

cd ~/TensorRT-4.0.0.16/python 
pip install tensorrt-4.0.0.16-cp35-cp35mu-linux_x86_64.whl

　　如果无法安装，请把文件名修改为:tensorrt-4.0.0.16-cp36-cp36mu-linux_x86_64.whl

　　用同样的方法安装UFF，graphsurgeon的python安装包

   cd ~/TensorRT-4.0.1.6/uff
   cd ~/TensorRT-4.0.1.6/graphsurgeon

　　import tensorrt as trt 测试python版本安装是否正确。由于是python3.6版本的，所以会无法导入某些包。我的处理办法是修改库目录的.so文件名：

cd ~/anaconda3/lib/python3.6/site-packages/tensorrt

　　搜索.so文件，将例如_nv_utils_bindings.cpython-35m-x86_64-linux-gnu.so修改为_nv_utils_bindings.cpython-36m-x86_64-linux-gnu.so即可解决问题。

　　最后测试C++接口：

cd ~/TensorRT-4.0.1.6/targets/x86_64-linux-gnu/samples/sampleMNIST
make CUDA_INSTALL_DIR=/usr/local/cuda
cd ~/TensorRT-4.0.0.16/bin
./sample_mnist

　　输出：

　　到此TensorRT安装成功。

官方文档：https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html

工业中面临的常常是庞大的数据计算量，采用单一的tensorflow不能完全解决问题，需要结合hadoop，kafka，GPU，C++ 来进行加速和搭建系统。官方的whl安装包不能满足系统要求，通过源码编译安装来加快运行速度。

在此前请先搭建hadoop环境，安装bazel，我的环境 Ubuntu18.04，python3，hadoop2.7

一. 编译本地tensorflow安装包

1.clone tensorflow源代码到本地

2.进入 tensorflow目录下目录下 执行 ./configure

起步

在神经网络中，使用交叉熵（ Cross-entropy ）作为代价函数能更好的促进训练。在说明交叉熵之前，先来讲讲二次代价函数的不足。

起步

层次聚类( Hierarchical Clustering )是聚类算法的一种，通过计算不同类别的相似度类创建一个有层次的嵌套的树。

起步

所谓聚类( Clustering )，就是将相似的事物聚集在一 起，而将不相似的事物划分到不同的类别的过程，是数据分析之中十分重要的一种手段。与此前介绍的决策树，支持向量机不同的监督学习不同，聚类算法是非监督学习( unsupervised learning )，在数据集中，并不清楚具体的类别。

起步

训练集中可能是有若干维度的特征。但有时并不是所有特征都是有用的，有的特征其实和结果并没有关系。因此需要一个能衡量自变量和因变量之间的相关度。