正态分布（normal distribution），也称为常态分布，高斯分布（gaussian distribution），是连续随机变量概率分布的一种，自然界中大量现象符合正态分布，比如身高/体重/成绩/收入/寿命

在多变量回归或分类问题上，需要保证这些变量的取值范围具有同一尺度

原因一：确保大尺度变量不会左右分类器的分类结果。如果分类器利用结果变量的距离来计算损失函数，那么小尺度变量的变化会被忽略，大尺度变量会决定分类效果
原因二：帮助梯度下降算法收敛更快。参考机器学习–特征缩放/均值归一化，从损失函数等值线图可知，变量在同一尺度下能够更快的通过梯度下降算法收敛

常用的特征缩放方法包括标准化（或称为规范化）和区间缩放

主要内容如下：

1. 回归和分类的区别
2. 线性回归
3. 最小二乘法
4. 梯度下降法

进行图像处理经常需要使用图像数据集，常用的包括cifar-10/mnist等等

很多时候也需要自己进行图像的采集，如何有效的保存和管理这些图像，以及训练完成后得到的数据？参考DATA LOADING AND PROCESSING TUTORIAL进行图像数据集的制作

cifar-100数据集解析和cifar-10数据集解析类似，区别在于cifar-100共20个超类（superclass），100个子类，所以每张图像有两个标签：超类标签（coarse label）和子类标签（fine label）

cifar-10数据集保存10类，每类6000张图像。其中50000张训练图像和10000张测试图像

训练图像保存在5个文件中，每个文件有10000张图像，测试图像保存在一个文件，训练和测试图像都以随机顺序保存

官网：The CIFAR-10 dataset

cifar-10提供了使用不同语言生成的压缩包，包括python/matlab/c

更详细的配置参考：[PyCharm]Remote配置

当前使用笔记本进行开发，想要利用服务器加快编译和运行速度

jupyter notebook是一个基于客户端-服务器架构的web应用，但是默认仅能运行在本地，可以通过配置开放远程服务器端口

本文实现单用户远程访问功能，如果要实现多用户访问，参考JupyterHub

问题描述

将Jenkins架设在局域网服务器上，使用内网穿透技术映射Jenkins端口，打开页面，提示错误

It appears that your reverse proxy set up is broken

默认Jenkins已安装好github插件Github plugin

使用WebHook方式进行github的配置，过程如下：

1. 获取Jenkins WebHook URL
2. 配置github仓库WebHook
3. 新建jenkins工程并配置github仓库
4. 推送修改到github，触发jenkins工程