这一讲是关于最流行的版本控制（version control system）工具git的介绍。

作者在摘要中所想的我们在工作中也观察到，尽管最近两年关于CNN网络的设计仍然有各式各样论文出现，比如Mobilenet / ShuffleNet，又或者是NAS搜索的网络结构如EfficientNet等，实际在GPU上使用起来并没有设想的那么high performance（latency / throughput），反而是ResNet系列历久弥新，真正经受住了工业界的考验，仍然是最常用的模型（可以很肯定没有之一），尤其是50，在速度和精度上达到了很好的trade off。

vanilla ResNet50 is usually significantly faster than its recent competitors, of- fering better throughput-accuracy trade-off.

深度学习技术现在早已经走出了学术象牙塔，在工业界广泛铺开。在精度已经没有太多提升空间的现在，网络的计算资源消耗 / latency / QPS等越来越成为大家关注的热点。这篇文章就试图在维持网络high performance的前提，提升网络的精度。这在现实问题中很有意义。

Google比较早的关于training-aware-quantization的模型量化的paper，不过提供了很多模型量化的基本知识。后面不管是TFLite还是TensorRT，都能在这篇文章中找到对应的基础知识。Arxiv: Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference

NAS的文章很多了，这篇介绍DARTS：DARTS: DIFFERENTIABLE ARCHITECTURE SEARCH

这是MIT Missing Semester系列的第五讲，主要关于shell下对于进程（Process)的控制。

TFRecord是TensorFlow中常用的数据打包格式。通过将训练数据或测试数据打包成TFRecord文件，就可以配合TF中相关的DataLoader / Transformer等API实现数据的加载和处理，便于高效地训练和评估模型。

TF官方tutorial：TFRecord and tf.Example

我的博客之前是通过手动调用hexo generate生成public，并更新到master分支的。最近试了下使用travis直接发布，发现省事了不少。官方的文档其实还是挺全的，不过也碰到了一些坑，记录在这里。

这是MIT Missing Semester系列的第四讲。关于vim的第三讲跳过。Data Wrangling在这里的意思是对数据做变换（Transformation）。例如将一个MP4格式的视频转换为AVI，或或者是从日志中提取所需要的结构化文本信息。具体到本课，主要是处理文本信息：如何匹配到我们感兴趣的信息，如果构建一个处理的pipeline等。

工欲善其事，必先利其器。MIT Missing Semester就是这样一门课。在这门课中，不会讲到多少理论知识，也不会告诉你如何写代码，而是会向你介绍诸如shell，git等常用工具的使用。这些工具其实自己在学习工作中或多或少都有接触，不过还是有一些点是漏掉的。所以，一起来和MIT的这些牛人们重新熟悉下这些工具吧！

这篇博客，包括后续的几篇，是我个人在过课程lecture的时候随手记下的自己之前不太清楚的点，可能并不适合阅读到这篇文章的你。如果有时间，还是建议去课程网站上自己过一遍。

这里我跳过了第一节课，直接从bash shell开始。