*以下为TensorBoard展示MNIST数据训练结果
[[文件:20170701 203504.jpg|无框]]
==2017年7月2日==
当天，早上在动手实验操作学习体验方面，进行了两个主要部分：
其一关于Keras实践。Keras简单来说便是TensorFlow的封装并进一步集成Keras框架并由此达到机器学习模型、训练、预测的过程。
简单地了解和尝试网络训练后到下一环节，可谓本日主要的“重头戏”。
也就是其二：关于语音识别网络这一主要部分（本挑战学习核心内容），经过老师指导，简单了解和学习到语言识别网络中较为简单的三层全连接网络和比较准确率更优的CLDNN网络
然后，铺垫过后主要是进行TensorFlow/ Keras的使用 并最终其实期望大致训练的效果。
当中，大致的操作流程为：在Tsinghua i-Center的gitlab资源里下载提供的代码、并有老师提供音频数据（被调整统一为.wave ，且经过加干扰在原本为数不多的音频基础上获得大量！），然后在获得的文件夹audioNet里开始操作。在创建目录和修改代码后，开始进行训练——在该目标档案文件夹里运行python train.py 以及python client.py， 当中遇到了一些问题，包括cudnn的版本未成功被识别为装好(装了6不行而要5...)以及一些档案补充使得环境适当（cuda,cudnn合适存在对gpu起作用）可以进行Trainning，结果为需要运行大批数据，几乎整个下午（粗略估计大于2小时），明天应当有结果（生成一系列文件），并继续观察。这就令我初步见识到神经网络训练的过程了（非常初阶）！
值得一提的是：这天我们继续有老师再讲解深度学习原理以及一些（对我来说陌生的词）激活函数，人工神经网络，损失函数的量化输出结果和实际结果的差距，常用调节权重的方法中随机梯度下降法，一些Deep Learning的常用术语等。
以下为训练过程摄影图片：
[[文件:1|无框]]
[[文件:2|无框]]