P.S. GFW又发力了，TensorFlow官网被墙了，得用VPN了。
==7月2日：机器学习==
从GitLab上获取所需代码后，又得到了预先处理过的音频文件。音频文件本来数量不多，经过加干扰就获得了一大批文件。
简单阅读了一下train.py和client.py，train.py中设定一个epoch包含3000个stage，然后循环执行100个epoch，除了第一个epoch外，都以上次保存的模型为checkpoint继续进行训练，这样就得到了许多checkpoint，可以选择在一定时候停止训练，可以得到阶段性的学习成果，也就是神经网络模型。train.py执行中只负责训练神经网络，而client.py负责读取音频文件并处理，通过端口feed给train.py。需要注意的是要使用管理员权限运行python，否则通过端口的数据传输会被拒绝。
上午离开前让CPU版的TensorFlow跑起来了，就离开了。初始的accuracy是0.04，基本上就是瞎蒙的概率；速度刚刚好是一个epoch耗时90分钟，下午回来又等了很久，同时以蜗牛网速下载着CUDA，CUDA安装完的时候，跑完了2.5个epoch，也就是完成了2次训练，得到了第二个神经网络模型，第二个模型的accuracy大概是0.52。这时候将进程终止，修改train.py，让它从第三轮epoch开始进行，同时把CPU版的TensorFlow用GPU版本替换了。下午离开的时候，第三轮跑了一半，accuracy已经升到0.67了。
我们用的机器的GPU是GTX970，一般也就归为甜品卡，不算特别尖端。跑一个epoch大概耗时1400s+。而另一台用Titan的机器，跑一个epoch只要900s，速度几乎快了一倍。不过按照我们的速度，机器跑一个通宵，第二天回来的时候也应该能跑完相当可观的轮次数了，虽然越往后降低损失函数可能越不容易，但是据老师说14个epoch得到的模型已经有很高的准确度了。还是要感谢CLDNN算法的优势。
在运行训练的间隙，我们折腾了一下一台闲置的工作站。本来装的是ubuntu，后又装了Win Server 2012，但是Server是空的，比较难配置，也就没去用它，然而ubuntu也出了问题，不能正确识别显卡，图形界面也进不去。在命令行下运行安装显卡驱动也出现错误，与运行着的X Server冲突，X Server却也是进不去的，最后干脆进入recovery, dpkg模式，将所有包都重装，最后结果还不知道，第二天再去折腾。