最近試試深度學習能做點什么事情。MXNet是一個與Tensorflow類似的開源深度學習框架，在GPU顯存利用率上效率高，比起Tensorflow顯著節約顯存，並且天生支持分布式深度學習，單機多卡、多機多卡支持豐富，擁有着良好的技術架構。目前是亞馬遜AWS的官方深度學習框架。由於其團隊以MXNet產品本身為先，所以文檔資料較少。現在還稍微多了一點。
1. 搭建Jupyter notebook遠程開發環境
Jupyter notebook支持python、R、shell等等，功能非常全面。基於Jupyter notebook，我在實驗室的K80 GPUs服務器上搭建MXNet環境（搭建步驟見官網，很簡單，131上已裝好），然后利用SSH隧道傳輸，可以隨時隨地在瀏覽器里編程，使代碼加速運行在K80 GPUs設備上。
Step-by-step教程見博客：http://www.cnblogs.com/shixiangwan/p/6406777.html
2. 卷積神經網絡（CNN）
CNN較適合於矩陣特征，例如圖像分類，目標檢測。生物信息學方面，蛋白質的二級結構預測也有相關paper，牛津出版社的《Deep learning in bioinformatics》敘述很詳細：
[attachimg]3437[/attachimg]
當然，CNN也是非常基礎的，目前還有RNN（遞歸神經網絡），LSTM（長短記憶網絡，NLP和speech領域居多），殘差網絡（更深且快的卷積網絡），GAN（生成對抗網絡，亦有很多衍生結構）等等，技術更迭非常之快，一個比較好的書籍是《Deep Learning》，Github上有民間中文版。
對於一些多標簽分類任務，想方法把特征做成矩陣形式，也可以利用CNN做分類。這里我寫了個試驗性程序來證明CNN比傳統的多層感知機要優秀些。
數據描述：特征是14489個、34維；標簽是14489個、42維。
程序試驗：數據直接進入CNN肯定過擬合，於是我將每個特征復制34份形成34*34矩陣（這樣做是不對的，只是先跑通CNN）。訓練集：驗證集：測試集=8:1:1，然后接入普通的卷積網絡，用測試集看最終結果。
結果描述：准確率96.5%，這個計算方式是14489*0.1*42=60858個測試樣本標簽中，有58723個分對的。
源碼及運行運行過程輸出見：https://github.com/ShixiangWan/MXNet-Bioinformatics/blob/master/protein.ipynb
源碼及數據見：https://github.com/ShixiangWan/MXNet-Bioinformatics
程序運行需要（131全都有）：
1. MXNet環境
2. Python 2.7環境，numpy包