Google Translate

2017年5月1日星期一

Install GUI of Ubuntu on AWS

1. Connect ssh to ec2 instance.

2. install vncserver:
sudo apt install ubuntu-desktop
sudo apt install vnc4server
sudo apt install gnome-panel

3. Type 'vncserver' to setup pwd

4. Kill vncserver 'vncserver -kill :1'

5. Type following:

vim /home/ubuntu/.vnc/xstartup

and modify

unset SESSION_MANAGER
# exec /etc/.....
gnome-session -session=gnome-classic &
gnome-panel&

('ESC', ':wq', 'ENTER' to quit vim)

Type 'vncserver' to start.

Download TightVNC Viewer to connect.

In AWS website, to set "Inbound rule" to allow connections, with IP::port


Tensorflow with AWS: https://aws.amazon.com/cn/blogs/china/tensorflow-on-aws/



发帖者 时间： 没有评论:
标签： ,

2016年9月26日星期一

Ubuntu install lists 



A list of post installation of Ubuntu








sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev




sudo apt-get update


sudo apt-get upgrade




Google Chrome














http://cn.soulmachine.me/2016-08-17-deep-learning-cuda-development-environment/


Driver:




sudo add-apt-repository ppa:graphics-drivers/ppa


sudo apt-get update


sudo apt-get install nvidia-375 (gforce) -377(quadro)




1. 'stop x server'


'Ctrl + Alt + F1' ===> terminal


sudo service lightdm stop


2. download and install driver


sudo sh NVIDIA.......












Cuda  #install


sudo sh cuda_8.0.27_linux.run --tmpdir=/tmp --override


sudo sh cuda_8.0.27.1_linux.run






~/.bashrc


export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}






#test


cd ~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery


make


./deviceQuery






cd ~/NVIDIA_CUDA-8.0_Samples/5_Simulations/nbody/


make


./nbody -benchmark -numbodies=256000 -device=0






Output:



> Windowed mode



> Simulation data stored in video memory



> Single precision floating point simulation



> 1 Devices used for simulation



gpuDeviceInit() CUDA Device [0]: "GeForce GTX 1080



> Compute 6.1 CUDA device: [GeForce GTX 1080]



number of bodies = 256000



256000 bodies, total time for 10 iterations: 2364.286 ms



= 277.192 billion interactions per second



= 5543.830 single-precision GFLOP/s at 20 flops per interaction






cuDNN


'copy ../cuda/include/*.h  to  /usr/local/cuda-8.0/include/'


'copy ../cuda/lib64/*.* to /usr/local/cuda-8.0/lib64'


**'/usr/local/cuda-8.0' is the path where CUDA installed.






Tensorflow


sudo apt-get install libcurl3-dev


$ conda install virtualenv # suggested by the output of terminal not using pip install
$ conda create --name=tensorflow_env python=3.5
$ source activate tensorflow_env
$ pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl # the code you provided is for the python 3












(to delete env: conda env remove --name tensorflow)




Rebuild tensorflow with CUDA!!!


https://alliseesolutions.wordpress.com/2016/09/08/install-gpu-tensorflow-from-sources-w-ubuntu-16-04-and-cuda-8-0-rc/






Note: 


1. Install protobuf 3.0!!MUST BE 3.0


pip install protobuf3


2. MUST downloads tensorflow from online, NOT get from the command line!!!


In build:


$ bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package


$ bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/Downloads/tensorflow_pkg


$ sudo pip3 install ~/Downloads/tensorflow_pkg/tensorflow-0.10.0-py3-none-any.whl
























######==========================================================================


Caffe:


http://caffe.berkeleyvision.org/installation.html#prerequisites




In compiling opencv, BEFORE 'make':


In file 'modules/cudalegacy/src/graphcuts.cpp' change:


-#if !defined (HAVE_CUDA) || defined (CUDA_DISABLER)


+// GraphCut has been removed in NPP 8.0


+#if !defined (HAVE_CUDA) || defined (CUDA_DISABLER) || (CUDART_VERSION >= 8000)






prereqisites:


1. protobuf


sudo apt-get install autoconf automake libtool curl make g++ unzip


2. glog, etc..


sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

3. hdf5


sudo apt-get install hdf5-tools


cd /usr/lib/x86_64-linux-gnu


sudo ln -s libhdf5_serial.so.10.1.0 libhdf5.so


sudo ln -s libhdf5_serial_hl.so.10.0.2 libhdf5_hl.so






Changes in Makefile.config


Uncomment 'OPENCV_VERSION := 3', 'USE_CUDNN := 1', 'ANACONDA_HOME := $(HOME)/anaconda3/envs/caffe/', 'PYTHON_INCLUDE := $(ANACONDA_HOME)/include \


  # $(ANACONDA_HOME)/include/python3.5 \


  # $(ANACONDA_HOME)/lib/python3.5/site-packages/numpy/core/include \', 'USE_PKG_CONFIG := 1'






(BEFORE 'make all' for caffe)


find . -type f -exec sed -i -e 's^"hdf5.h"^"hdf5/serial/hdf5.h"^g' -e 's^"hdf5_hl.h"^"hdf5/serial/hdf5_hl.h"^g' '{}' \;




mkdir build
cd build
cmake ..
make all      (Or cmake -DWITH_IPP=ON . && make -j $(nproc) && make install???)
make install
make runtest












C++


CodeBlocks:


sudo add-apt-repository ppa:damien-moore/codeblocks-stable
sudo apt-get update


Anaconda




Pycharm:


sudo add-apt-repository ppa:mystic-mirage/pycharm


sudo apt-get update


sudo apt-get install pycharm-comminity


Notepad++:



sudo add-apt-repository ppa:notepadqq-team/notepadqq



sudo apt-get update



sudo apt-get install notepadqq
















发帖者



时间：





没有评论:
  


















标签：

















          

        

          

        

2016年3月16日星期三


          

        









Install Pyspark in Windows and with PyCharm!!!










Build Spark environment for Windows command line.

Paths added in this session are for Win environment by default.



1. Install java JDK to ..\Java\jdk1.8.0_74



Add path ..\Java\jdk1.8.0_74;..\Java\jdk1.8.0_74\bin





2. Install scala to ..\scala



Add path ..\scala\bin





3. DONOT!!! Install Python 3



3. Install Anaconda3 and ADD PATH the most front!!







4. Download the latest prebuilt Spark to ..\Spark\spark-1.6.1



Add path:  ..\Spark\spark-1.6.1;..\Spark\spark-1.6.1\bin





5. SPARK_HOME = ..\Spark\spark-1.6.1



    Download hadoop "winutils.exe" etc. files.



    HADOOP_HOME  =  ../hadoop/hadoop-common-2.2.0-bin-master



Now java, scala, and spark can all be run in command line in windows.



======================================================================

Next, go further for PyCharm IDE

Paths added in this session are for "current-project" settings in Run\EditConfigurations.



6. Install PyCharm





7. Add Environment Variables in PyCharm IDE

PYTHONPATH  =  ../Spark/spark-1.6.1/python;/Spark/spark-1.6.1/python/lib/py4j-0.9-src.zip;..\hadoop\hadoop-common-2.2.0-bin-master\bin



HADOOP_HOME  =  ../hadoop/hadoop-common-2.2.0-bin-master



SPARK_HOME = Spark/spark-1.6.1





=======================================================================

To be further tested and simplified!














发帖者



时间：





没有评论:
  


































          

        

          

        

2015年7月16日星期四


          

        









【转载】如何将文章发表在高影响因子的期刊上










原文地址:



http://blog.sciencenet.cn/blog-502444-879588.html





做学术研究的人，都知道一个著名的短语“Publish or perish”。就是说，研究人员，发表文章是硬道理，只有快速而持续在某些专业领域发表自己的研究成果，才能在学术界占领高地，让自己走得更远。无论大家如何评价学术论文发表对科学和社会的贡献，学术圈实质上的游戏规则，一直没有太大改变：对研究人员来说，发表论文是硬通货，是他们获得职位、争取资源、赢得荣誉的重要途经与手段。目前，杂志数量爆发式增长，研究人员在发表论文的时候有了更多的选择，但同时也给学术评估带来了不小的麻烦，于是评估人员只好依赖于期刊质量指标来评定研究质量。比如汤普森的影响因子，就是为了将这个复杂而微妙的判定简化为一个数字，这也是目前业内使用最广泛的指标。理论上，影响因子似乎是期刊所发表研究的质量，但这一假设目前受到越来越多的质疑。学术圈的人都深切体会到，一篇文章能否在某个期刊最终发表出来，除了科学质量方面的因素外，还有其他一些很重要的因素。



比如，我们一直在告诫学生，一篇稿件在写作风格、突出重点和表达上少许的差别就可能影响杂志的接收情况。那么，这只是老道的论文作者的感觉，还是不同期刊上文章的表达真的存在着这些差别呢？如果这些差别真的存在，那么是否表明影响因子真的与科学质量以外的东西有关，作者是否可以通过改善一些相对简单的写作技巧来提高他们在高影响因子期刊上发表论文的机会呢？在竞争激烈的学术圈，年轻的研究人员和学生们必须尽可能发表更多的论文，也希望最大限度地争取在“好”的刊物上发表文章的机会，那么应该怎么做呢？美国南伊利诺斯大学的Brady Neiles及其同事在最近一期的Bulletin of the Ecological Society of America上撰文，分析了不同影响因子期刊中发表的论文，指出：在这种竞争激烈的环境下，作者如果要让他们的稿件脱颖而出，改善写作风格可能是一个有效的手段。有力的科学写作手段也可看作是某种程度的“推销”和“讲故事”，作者必须找到如何创造性地讲故事，并清晰地表达这些发现的重要性。



这篇文献研究工作从10个期刊中各挑选了12篇论文，这10本生态学期刊的影响因子的差异很大（根据2011年的Ifs，分别从0.619至17.557不等），而12篇文章是通过随机数发生器挑选的。研究人员首先将文章从PDF格式转化成XML格式，并整理成标准格式，移除标题、作者机构、关键词、图形及其标题以及表格等会干扰文本分割的内容。在这个基础上，评估了30多个写作参数，大致分为语法、数字的使用和各部分的比例长度等（详细内容，请阅读原文，很长的一个表格）。为了保证一致性，每个参数都由同一位分析人员负责收集。之后，用多变量方差分析（MANOVA）来测试影响因子对每个写作风格变量的影响。在进行探索性分析中，他们从全局模型开始，然后剔除所有P > 0.06的变量，获得最终的模型。最后根据IF将期刊分成了三大类别进行交叉对比（表1）。不是生态学领域的人员，也许对Ecology Letters这个杂志不熟悉，这里做一个简单说明：生态学的刊物大多IF不高，平均在2~3之间，而Ecology Letters则是个怪胎，IF在2011年和2012年分别高达17.557和17.949，不过2013年下降到13.042，但总体上仍然是生态学中IF遥遥领先的期刊，因此这篇论文将Ecology Letters划分成单独一组来分析，还是有一定道理的。







表1 分析中所用到的期刊及其影响因子和分类



总体上，模型显示期刊间有极其显著的差异（P < 0.0001），当然这些变量有相当大的噪音，但一些模式是非常明显的。Ecology Letters中的论文经常会在标题中包含结果（P<= 0.057），而最低IF期刊中的文章很少这样写。低IF期刊中的文章更喜欢在标题中包含一个物种，而高IF期刊中的文章更喜欢在标题中包含研究地。Ecology Letters中的文章包含更多的预测数据，而低IF期刊中包含更少的预测数据。最低的IF期刊包含更多的数据表、地图和图片。低IF期刊中的文章段落较长，Ecology Letters中的文章段落较短。低IF期刊中所引用的论文也来自低IF期刊，而Ecology Letters中所引用的文章更多来自高IF期刊。



这个结果说明了不同IF期刊上所发表论文的简单文体差异。尽管这些模式还不是很明确，但确实说明了高IF学术期刊要求论文写的更简洁一些，视野更广一些。例如，较高IF期刊要求在标题中说明结果，而较低IF期刊经常提到所研究的物种，这说明较高IF期刊希望论文关注一个问题，而较低IF期刊中的论文则是关注一个具体的生态系统。较高IF期刊上的论文往往有更多的详述假设的预测数据，而较低IF期刊上的论文只是有更多的数据表、地图和数字，说明了二者的焦点是不同的。令人惊讶的是，不同IF的期刊，语法没有什么太大差别，唯一的区别是段落的长短。也许，编辑人员最终对文章的决定权，模糊了不同写作风格之间的差异。



这个结果为年轻学者进军出版领域提供了一定的洞见。文章作者最后也强调了Gaming the system的问题，所以希望科学质量是影响出版质量的最主要因素，而不是推销技巧，然而这又的确是一个不容忽视的因素。







参考文献：



Brady Neiles, Charleve S. Carey, AlessandraAraujo, David Burkhart, Lucas J. Kirschman, Brandon LaBumbard, Seth LaGrange,Josiah J. Maine, Artur M. Rombenso, Michelle N. Wood, and Justin G. Boyles, 2015. Writing Your Way into High Impact Factor Journals. Bulletin of the Ecological Society of America 96:312–316.














发帖者



时间：





没有评论:
  


































          

        

          

        

2015年6月21日星期日


          

        










[Cited] Extremely Swirly Bokeh – Short Tutorial












Extremely Swirly Bokeh – Short Tutorial



BY  · JUNE 8, 2014












发帖者



时间：






































        

      









订阅：
博文 (Atom)