vivo高启强

RenderThread优化 简单来说开启硬件加速以后，会有一个RenderThread协助我们的主线程去绘制ui。 大厂中的常规优化手段有一种是调高RenderThread的线程优先级（调整到-19

预加载下一个页面的图片 Glide 的preload 应该有不少人都用过，但应该多数情况下都是在一个列表页中preload。 有一种情况的preaload 会复杂一些 列表页A ---> 详情页B。

为什么要监控gc情况 不仅仅是android了，其实只要是java技术这一块的，做性能监控，gc次数/频率 肯定是要做的，服务端那边也有，只不过他们监控的手段和我们不太一样。 但是目的是一样的，gc的

预测温度 这份数据大概就这样： 准备数据 可以看出来这8年的温度变化曲线是差不多的 再看下头几天的温度曲线 准备训练集 可以看下这个输出 sample就是包含256个样本的批量，每个样本是连续120小

图像分割示例 训练数据可下载 图片和图片的掩码 原图： 对应目标的掩码图 准备训练数据 看下shape 构建模型 看下模型。可以清晰的看到 模型的 转换过程 训练 没有cuda的话，这个训练时间很长。

卷积神经网络 概念 这一章，我觉得最重要的就是要理解好卷积神经网络的概念，这个搞的差不多了，后面看代码才会轻松， 这里推荐这个视频卷积神经网络 除了这个以外，大家还可以自行去youtube ，b站 搜

构建Keras模型的不同方法 序贯模型 最简单常用的模型 ，本质上是个列表 两种方法来构建模型 但是要注意，此时模型还没有权重， 必须调用build 并给定输入形状时 模型才具有权重 直接调用weig

本小节主要对前面3个小节的概念进行汇总，将机器学习的直觉固化转变为可靠的概念框架。 这一步非常重要， 会影响你后面进行tensorflow开发时的固定调试技巧 过拟合 与 欠拟合 随着训练的进行，模型

影评分类：二分类问题示例 加载 imdb 数据集 可以看下运行效果 准备数据 这里会碰到一个问题，因为每个评论的 单词数量都不一样，但是神经网络需要处理的是 大小相同的数据批量 ，你需要将 列表转换为