月度归档： 2018年12月

前述博文 Tensorflow C++ 从训练到部署(2)：简单图的保存、读取与 CMake 编译 和 Tensorflow C++ 从训练到部署(3)：使用 Keras 训练和部署 CNN 使用 Tensorflow/Keras 的 Python API 进行训练，并使用 C++ API 进行了预测。由于 C++ API 需要编译...

系统环境 Ubuntu 16.04 Jetpack 3.2.1 on TX2 [Link](with CUDA 9.0 cuDNN 7.0.5) 1、编译准备 1）配置环境 Shell export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64:$LD_LIBRARY_PATH 1 export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64:$LD_LIBRARY_PATH 2）安装依赖 Java Shell sudo apt-get install openjdk-8-jdk 1 sudo apt-get install openjdk-8-jdk Bazel (Tensorflow 使用 Bazel 0.15 编译，因此这里下载 0.15.2 版本，详情参见这里) Shell cd...

1 概念 在数学中，线性规划（Linear Programming，简称 LP）特指目标函数和约束条件皆为线性的最优化问题。 通常线性规划问题包含： 1）一个需要极大化的线性目标函数 （表示为 个决策变量 的加权和）： 2）线性形式的问题约束，表示为 个决策变量满足 个方程约束或不等式约束： 3）决策变量非负，表示为： 2 标准型 描述线性规划问题最直观的形式就是标准型，通常表示为： 可以证明：任意线性规划的一般形式，都可以通过对目标函数取负、添加松弛变量等操作，化成标准形式。 3 对偶问题 下述例子来自维基百科，整体解释比较清晰： 一个线性规划问题（“原问题”）的对偶线性规划问题（“对偶问题”）是另一个线性规划问题，由原问题以一定方式派生而来： 原问题中的每个变量都变为对偶问题中的一个限制条件； 原问题中的每个限制条件都变为对偶问题中的一个变量； 原问题若是求目标函数的最大值，则对偶问题是求最小值，反之亦然。 3.1 对偶问题的构建 对于以下形式的两个线性规划问题： 问题甲 问题乙 最大化目标函数 最小化目标函数 n个变量 n个限制条件 第i个限制条件为 第j个限制条件为 第k个限制条件为 m个限制条件 第i个限制条件为 第j个限制条件为 第k个限制条件为 m个变量...