本文为上篇文章《初用Docker总结》中所提到的，对自己的一个算法项目的进行Docker镜像制作的一个大致的流程。也算是填了上文中挖的坑，谨做记录，将来遗忘流程时借以查阅。
Pecan 的创建是为了填补 Python Web 框架世界中的空白：一个非常轻巧的框架，它提供了对象分派样式路由(object-dispatch style routing)。Pecan 并非旨在成为“全栈”框架，因此不提供对会话（sessions）或数据库之类的现成支持。相反地 Pecan 专注于 HTTP 本身。
Pecan官网：http://www.pecanpy.org/
关于Docker，第一次是在做OCR部署的时候接触，但是项目并没真正使用Docker进行部署。而后也多次在公司其他部门技术分享会上学习，但都没有达到真正的理解，皆是泛泛而过。
近三天，疯狂捣鼓Docker的云化部署的过程中，同时不断与同事的交流下，终于初步理解了Docker这个工具，以下便是自己对近几天所学到的内容作一个总结，方便以后进行查阅。
本文主要记录Docker的基本使用流程和用法，后面会出一篇有关算法Web API项目的Docker部署过程，也算是对今日的一个总结。
第一次在Dell Precision笔记本工作站中部署深度学习开发环境，因为牵连到显示的问题，所以步骤上相较之前写的《云服务器深度学习服务器环境搭建》有所不同，此文是这两天安装NVIDIA驱动摸爬滚打过程中的含泪的心得体会，特做记录，免得以后同一个坑，掉进去两次。
Flask 是一个使用 Python 编写的轻量级Web 应用框架。Flask的目的是要建立一个非常稳定和可靠的Web应用的基础系统，我们可以使用Flack再加上各种插件，扩展和其他模块，能够构建功能强大的网站和应用。根据2019年的使用情况数据可看出，主流 Python Web 框架包括：django、Flask、Tornado、Web2Py 等，web.py由于其原作者的仙逝，近些年表现出颓疲的状态，令人惋惜不已。
本教程在云服务器上安装了WSGI (Web Server Gateway Interface )接口 及 Http Sever (如 Apache、Nginx等)。
Python Web环境 -> Flask+ Nginx + Gunicorn + Supervisor
Flask是Web框架、Nginx 提供对外的服务、Gunicorn为WSGI服务器、Supervisor来守护进程。
注：本教程在Python3.x版本运行，安装可参考：Python3.x的安装及相关设置
此前基于云服务器部署Python Web环境(Nginx+Spawn-fcgi+web.py)的教程可以按需参阅。
作为一个一直在路上追求艺术和高效的汉子，为了在使用命令行的过程中让自己更加赏心悦目，我又来折腾我的终端了。
目标的效果如下：
一直没有使用Pycharm来写代码的习惯，以往都是习惯了用Sublime Text来写代码，然后通过Transmit (FTP工具)上传到服务器上，在使用SecureCRT运行脚本。
为方便通过断点来参看数据并调试代码，遂考虑使用Pycharm来远程调用云服务器GPU来调试本地代码，一是因为本地Mac本显卡实在无力运行此高计算量的程序，二是怕自己的本本爆掉。
Pycharm有以下几个便利之处：(也是在不断折腾中发现的，🤦♂️)
PyTorch是一个基于Torch的Python开源机器学习库，由Facebook的人工智能研究小组开发，可替代Numpy实现GPU加速的张量计算。
对比PyTorch和Tensorflow
没有好的框架，只有合适的框架， 这篇知乎文章有个简单的对比，所以这里就不详细再说了。 并且技术是发展的，知乎上的对比也不是绝对的，比如Tensorflow在1.5版的时候就引入了Eager Execution机制实现了动态图，PyTorch的可视化,windows支持，沿维翻转张量等问题都已经不是问题了。
一句话，PyTorch是一个相当简洁优雅且高效快速的框架！
通过可视化训练过程，我们可以对神经网络训练更为方便的理解、调试与优化。本文将分别介绍三种主流的神经网络框架 (TensorFlow、PyTorch及Keras) 中的可视化方法。
毕业已两月有余，中秋佳节将至，借本篇来记述研究生期间印象比较深刻的几个场景，以此来缅怀自己「酸甜苦辣」的研究生生活！
深度学习中的的前向传播（Forward Propagation）与反向传播（Back Propagation）的目的就是，寻找一组最优的参数，使得损失函数（Lost Function）或称为成本函数（Cost Function）获取到最小值。