最近试试深度学习能做点什么事情。MXNet是一个与Tensorflow类似的开源深度学习框架，在GPU显存利用率上效率高，比起Tensorflow显著节约显存，并且天生支持分布式深度学习，单机多卡、多机多卡支持丰富，拥有着良好的技术架构。目前是亚马逊AWS的官方深度学习框架。由于其团队以MXNet产品本身为先，所以文档资料较少。现在还稍微多了一点。
1. 搭建Jupyter notebook远程开发环境
Jupyter notebook支持python、R、shell等等，功能非常全面。基于Jupyter notebook，我在实验室的K80 GPUs服务器上搭建MXNet环境（搭建步骤见官网，很简单，131上已装好），然后利用SSH隧道传输，可以随时随地在浏览器里编程，使代码加速运行在K80 GPUs设备上。
Step-by-step教程见博客：http://www.cnblogs.com/shixiangwan/p/6406777.html
2. 卷积神经网络（CNN）
CNN较适合于矩阵特征，例如图像分类，目标检测。生物信息学方面，蛋白质的二级结构预测也有相关paper，牛津出版社的《Deep learning in bioinformatics》叙述很详细：
[attachimg]3437[/attachimg]
当然，CNN也是非常基础的，目前还有RNN（递归神经网络），LSTM（长短记忆网络，NLP和speech领域居多），残差网络（更深且快的卷积网络），GAN（生成对抗网络，亦有很多衍生结构）等等，技术更迭非常之快，一个比较好的书籍是《Deep Learning》，Github上有民间中文版。
对于一些多标签分类任务，想方法把特征做成矩阵形式，也可以利用CNN做分类。这里我写了个试验性程序来证明CNN比传统的多层感知机要优秀些。
数据描述：特征是14489个、34维；标签是14489个、42维。
程序试验：数据直接进入CNN肯定过拟合，于是我将每个特征复制34份形成34*34矩阵（这样做是不对的，只是先跑通CNN）。训练集：验证集：测试集=8:1:1，然后接入普通的卷积网络，用测试集看最终结果。
结果描述：准确率96.5%，这个计算方式是14489*0.1*42=60858个测试样本标签中，有58723个分对的。
源码及运行运行过程输出见：https://github.com/ShixiangWan/MXNet-Bioinformatics/blob/master/protein.ipynb
源码及数据见：https://github.com/ShixiangWan/MXNet-Bioinformatics
程序运行需要（131全都有）：
1. MXNet环境
2. Python 2.7环境，numpy包
本文链接：http://task.lmcjl.com/news/12608.html
