Do one thing and do it well.
Every story has a beginning and an end.
基于深度学习证明的区块链
最近两天公司策划了一场黑客马拉松比赛，自己索性也报名参加了，思考自己目前正在研究深度学习这一课题，就在google上搜索了blockchain deep learning，最后搜到了这一篇论文Energy-recycling Blockchain with Proof-of-Deep-Learning，然后就沿着论文中的思路开发出了一条PoDL链，用于存储深度模型，演讲稿如下，后续会放出Mathematica和Python实现的程式代码。
以下主题都是我感兴趣的内容，目前自己创业主要用的语言就是 Wolfram 和 Python，Wolfram 主要进行原型设计和对最初思路的探索验证。看完以下演讲之后，我会专门针对生物医学和视网膜图像分析这块领域做为深度学习的研究课题。
利用深度学习自动分辨Covid-19患者肺部X射线影像
动画程式代码如下:
Tensorflow基于MPI分布式训练
之前写过一篇文章讨论如何使用TF2.0自带的分布式训练系统，在树莓派4上建立分布式训练集群。然而这里会有一个缺陷，我们需要在每一个节点上去启动写好的训练程式，等全部启动之后，整个分布式训练才会开始运作，那么能否通过MPI消息传递接口来完成分布式的训练，答案就在Uber开发的Horovod，MPI主要用在超算领域，在树莓上搭建MPI集群，第一个可以用来学习超算上的分布式计算，第二可以在实际中观察TF在ARMv8上进行分布式训练的性能。
模型的优化
Tensorflow Converter 可以将模型转化成FlatBuffers格式，FlatBuffers是一款跨平台序列化工具，结构化数据都以二进制形式进行存储，在微控制器上的表现就是节省内存，
TinyML在工业领域的探索
本文用到的Mathematica notebook源码可以在这里下载
Sequences and Recurrent Networks
草稿截图:
Keep thinking, Stay curiousAlways be sensitive to new things