景深（Depth of Field，DoF）是一个定义简单，但误解颇多的概念。
定义：被摄主体所在平面前后【清晰】的范围。
比如，用全幅相机索尼 a9 配备 14mm/F2.8 镜头时，如果距离被摄物体 2 米，使用Photopills景深计算器可以算出，被摄物体前 0.92m 和后 12.26m 的范围内的物体成像是清晰的。
然而，人的【清晰感知】受很多因素影响。比如照片像素高低，传感器质量，或者打印在多大的纸上，人离多远看，甚至打印机质量，人的视力都会影响。
一般来说，为了排除这些与摄影本身无关的因素，常会做一些假设。Photopills上列出了一些假设：
自Hinton提出预训练概念以来，神经网络得到了长足的发展，从AlexNet在开始各项比赛中疯狂屠榜。当然，像多层神经网络这种参数量巨大的深度学习模型真正变得实用，还是要感谢近些年GPU运算的发展所导致的计算力提高（感谢老黄）。模型巨大化的一个结果是，基于Gradient的优化算法再一次成为主流。二阶算法虽然有不需要指定learning rate，迭代总次数少的优势，但是在参数特别多的情况下，其单步时间复杂度太高，占用内存太多。这制约了其在神经网络中的应用。
考虑一个简单的二类分类问题，如果数据点集合
Support Vector Machine（SVM）就是提供了一种关于从能分开正负样本的超平面中选择最好的超平面的“偏好”或者说标准。它认为离两类数据点“最远”，Margin最大的那个平面是最好的，所以SVM又被称为Maximum Margin Classifier。这种偏好并非像其他模型参数一样是从数据中学习到的，而是我们用自己分析出的结果，算是一种先验知识。SVM的最大Margin的思路是，数据中的随机噪声和扰动甚至错误都是很常见甚至难以避免的，如果一个超平面离两类数据点都比较远，那么它受到这种扰动干扰的几率也就越小，进而在新数据点上预测的泛化效果应该也就越好。
关西旅行主要的/流行的目的地有五处，除了主要的四个城市：大阪，京都，奈良，和神户之外，另有一处是姬路城。由于我只去过大阪京都和奈良，姬路城和奈良暂且按下不表，不过根据之前我查的攻略，个人觉得神户算是个可去可不去的城市，时间紧没必要去，出名的基本上也只有神户牛肉了。 如果是去姬路城的话可以顺路去。
.
近来想做做Kaggle比赛，学学如日中天的Deep learning跑跑实验，鉴于手头最好的机器是12年的rMBP，于是萌生了配一台机器的想法。经过了大概五天的研究，最后敲定的大概就是这个配置：