本文目录
- 迁移学习：如何使用TensorFlow机器学习对图像进行分类
- 为什么有些低端云主机（1CPU，4G内存）也提供SQLServer，这大型数据库，能运行吗
- 如何破解冯·诺伊曼瓶颈
- conda命令在什么环境下用
- 如何辨别一个程序员水平的高低
迁移学习：如何使用TensorFlow机器学习对图像进行分类
简单来说分为两种方式：一、使用一预训练模型作为特征提取器，再进行模型训练调优；二、通过调优（Fine-tune）这个预训练模型，结合图像增广达到训练分类器目标。
以VGG16模型为例，我们下载了VGG16的预训练模型，可以看到已经删除了与该分类器相关的VGG-16模型分类器的最后分类部分，利用VGG-16模型作为特征提取器，冻结各层，利用它提取我们待分类图片的bottleneck层的特征：
train_features_vgg = get_bottleneck_features(vgg_model, train_imgs_scaled)
validation_features_vgg = get_bottleneck_features(vgg_model, validation_imgs_scaled)
然后我们搭建简单的模型分类器，将提取的train_features_vgg 特征作为模型训练的输入参数，迭代训练可以得到一个简单的图像分类器。
第二种方法，还是以VGG-16为例，我们先冻结前3层，将4-5层设置为可训练的，然后再配合image augmentation，通过不断去训练迭代优化最后两层的参数去获得更加优秀的图像分类器。
经过综合评估，通常第二类方法比第一类方法的实现效果更加。
为什么有些低端云主机（1CPU，4G内存）也提供SQLServer，这大型数据库，能运行吗
楼主，首先，明确的告诉你，你这个配置的运主机是可以安装sqlserver2008以下版本的。sqlserver2008对机器的运行要求不高，微软官方给出的安装要求如下：
操作系统要求：Windows Server 2003 Service Pack 2, Windows Server 2008, Windows Vista, Windows Vista Service Pack 1, Windows XP Service Pack 2, Windows XP Service Pack 332 位系统：具有 Intel 1 GHz（或同等性能的兼容处理器）或速度更快的处理器的计算机（建议使用 2 GHz 或速度更快的处理器。仅支持单处理器）
64 位系统：1.4 GHz 或速度更快的处理器（建议使用 2 GHz 或速度更快的处理器。仅支持单处理器）
最低 256 MB RAM（建议使用 1 GB 或更大的 RAM） 1 GB 可用硬盘空间
所以如果你在运主机上安装，一般没有多大问题，只是速度需要很长时间。耐心等待就可以。
再次，按照楼主的描述，一般云主机提供sqlserver服务器，是专门的云数据库服务器提供，比如说阿里云，云数据库RDS SQL Server 版，可以创建RDS for SQL Server实例，而且性能做了各种优化。它的收费方式有三种：
- 包年包月实例无法转为按量付费实例。
- 按量付费实例可以转为包年包月实例，请参见按量付费转包年包月。
- 同一个主账号，最多可以创建30个按量付费的RDS实例。如需提高此限额，请提交工单申请。
我之前买了一批主机，我是从中间商手里买的，比官网要便宜一些，然后附送了我3个云数据库RDS SQL Server 版实例，基本够用。我在云上部署了是财务软件，要不然，也不会用sql server，好多财务软件用。
如果说，你购买了云主机，最好选一个云数据库RDS SQL Server 版，毕竟你的主机配置一般，如果说，真不想花这个钱，而且非常用Sql Server，可以在云主机安装一个，这是你要考考虑一下，你的应用并发量有多大，如果像我们装的就是财力软件，本身用的人并不多，就无所谓。有一定的并发量，你要考录以下几个方面：
响应时间（Response Time）
响应时间一般指的是一条SQL 语句执行后得出结果耗费的时间。 而一般用户使用来说，比如BS结构，响应时间大家一般会认为是访问页面到页面呈现结束，这样的感官时间。这个时间就需要考虑更多的因素。比如网络、浏览器等等。曾经我碰到的CASE 页面打开速度超慢，但是数据库正常，后来分析发现是页面中潜入的一个很小的GIF影响了。所以要系统来分析。 而执行SQL语句获得的响应时间是最为纯粹的反馈，也是能够得到准备信息的步骤。 在系统跟踪的话，可以用SQL profile 来跟踪响应的内容，分析语句的反馈时间，之后再来详细讲解。
吞吐量（Thougput）
吞吐量是反映系统到底有多繁忙的指标，了解此指标可以更为清晰的知晓系统的使用状况。 性能监视器中可以用SQL Batch Request/Sec，SQL Transactions /Sec等指标来获取。
基线 （BaseLine）
BaseLine一直是我强调的指标。 基线是反映系统日常状况的指标，如果知晓了系统的各种基线值。那么就清楚了底在哪里，天在哪里。这样才能更容易去判断和解决问题。 而基线值是靠长期经验和数据获取的。
瓶颈（bottleneck）
系统一旦产生了瓶颈，我们就要去判断瓶颈，而瓶颈一般来说多会有关联性。比如内存不足可能导致IO过高，IO过高也可能导致CPU等待。 所以准确的知道瓶颈在哪里，这是需要去判断的。使用性能监视器和分析功能可以快捷的帮助大家分析瓶颈。
这里我给楼主比较全面的一此建议，希望能给你一些参考。
如何破解冯·诺伊曼瓶颈
专注于纳米电子和数字技术的比利时微电子研究中心（Imec）联合全球领先的特种晶圆代工企业格芯（Global Foundries），今天对一款新型人工智能芯片进行了硬件展示。
这款人工智能芯片基于 Imec 的 Analog in Memory Computing (AiMC)架构，利用了格芯的 22FDX 解决方案，通过层层优化能在模拟领域的内存计算硬件上执行深度神经网络计算。
这款芯片的能效达到了创纪录的 2900 TOPS/W，是低功耗设备边缘推理的重要推动者。这项新技术在隐私、安全和延迟方面的优势，将对从智能音箱到自动驾驶汽车等多种边缘设备的人工智能应用产生影响。
从数字计算机时代初期开始，处理器和内存是分开的，因此使用大量数据进行的操作需要从内存存储中检索出同样多的数据元素。而这就是冯·诺伊曼瓶颈（von Neumann bottleneck）。
它是指在 CPU 与内存之间的流量（资料传输率）与内存的容量相比起来相当小，在现代电脑中，流量与CPU的工作效率相比之下非常小，在某些情况下（当CPU需要在巨大的资料上执行一些简单指令时），资料流量就成了整体效率非常严重的限制。CPU将会在资料输入或输出内存时闲置。由于CPU速度远大于内存读写速率，因此瓶颈问题越来越严重。
为了解决这一挑战，Imec 和包括格芯在内的合作伙伴启动了工业附属机器学习计划， 致力于开发新的架构，在 SRAM 单元中执行模拟计算来消除冯·诺伊曼瓶颈。
由此产生的模拟推理加速器(AnIA)，建立在GF的22FDX半导体平台上，能效显著。特性测试表明，功耗效率达到峰值，即每瓦特每秒2900兆次运算(TOPS/W)。在微型传感器和低功耗边缘设备中的模式识别，通常由数据中心的机器学习来驱动，现在可以在这个高能效加速器上本地执行。
conda命令在什么环境下用
使用conda。首先我们将要确认你已经安
