学习深度学习GPU是必不可少的，我们有很多方法可以获得GPU资源，如自己攒一台具有单独显卡的计算机、花钱在各种云服务商处租一些GPU服务等。

当然，我们有时候还可以白嫖一些GPU资源。下面我就简要介绍几个我认为不错的免费GPU资源。

今天我们来介绍如何使用keras训练的模型识别手写字。

其完整的过程分为以下几个步骤：

• 获取训练数据集，构建模型并进行训练
• 保存模型和权重
• 加载模型和权重
• 对用户输入的手写字图片进行预处理
• 对手写字进行识别

下面我们就按照上面的步骤一步步操作吧。

学习深度学习的方法有很多，其中可视化是一个非常重要的方法。今天我就来简要的介绍一下如何对keras模型进行可视化。

通过tensorboard可视化

我们都知道VSCode是最近几年特别流程的一款编辑器，尤其是当你做深度学习开发时，更可以大大提高我们的工作效率。但如果我们所搭建的深度开发环境是在服务器上或是在Docker中，是否还可以使用VSCode呢？

带着这个问题我在网上找了大半天，终于发现几种可行性的方案，记录在这里希望可以帮助到你。

本文介绍一下如何在WSL2下安装Docker。

在WSL2下安装Docker，首先你需要将WSL2安装好，然后再安装Docker Desktop。

Docker现在应用的越来越广泛，不会使用Docker的研发人员估计很难适应未来的变化了。今天我们就简要的了解一下Docker及其使用。

Docker架构

如上图所示，Docker遵循客户端-服务器模型，包括 Docker Client 、Docker 守护程序 、Docker Image、Docker Container 和 Docker Registry 等主要组件。

我们在转码时，为了提高转码效率，通常我们都会使用nvenc来转码。今天我们就来介绍如何编译带nvenc的ffmpeg。

学习深度学习，mnist数据集是我们第一个必须要了解的数据集。

该数据集是keras自带的，直接调用即可。当我们使用keras的时候，你只需要导入keras.datasets.mnist，然后调用load_data()方法即可将数集下载下来。

最近在看YOLOv8的相关内容，想自己偿试着在本地编译了一下，但对这个项目不是很熟悉，绕了不少弯路，这里记录一下如何在本地编译YOLOv8，我想编译其它AI项目也可以借鉴此方法。

在这里记录了我整理了一些机器学习的资料，有兴趣的同学可以看一看

可视化工具

• playgroud.tensorflowAI

  发现了一个特别好的学习机器学习的可视化工具playgroud.tensorflow，通过它可以让你快速理解什么是线性回归，什么是逻辑回归，有人还写了一篇文章，讲解了如何使用这个工具playgroud.tensorflow工具的使用。