之前思考过这个问题，把我的思路告诉你 一般来说，如果直接想要语音转语音几乎是很难实现的，现在的神经网络也没有那么智能，或者说现在硬件的速度内存都有一定的限制。

一般来说如果你使用anaconda的话是不用再使用Virtualenv构造环境的，而应该直接使用anaconda构造环境，再使用这个环境下的pip install tensorflow安装，我尝试过没有问题

这个要看你使用的是哪一个准确率，目前了解的TF有两种准确率： stream-acc：这个是统计过往所有的已经训练结果的准确率 batch-acc：这个才是你理解的准确率

首先要理解，Loss并不一定为缩小到0！建议查看loss曲线图，如果train-loss曲线总体保持下降或者保持不变，只要val-loss有下降或者不上升，那其实没什么好担心的。当然这时候你还应该关注下train-acc 和 val-acc查看训练集合准确率是否有在下降

这个问题嘛，其实和tensorflow没什么关系：看下里面的提醒： {代码...} 意思是：你当前使用的pip版本是8.1.1，但是最新版本是10.0.1。你可以(should)考虑升级，但是你也可以不升级啊，不影响的！！

假设大类样本数为100n，小类样本数为n。那么建立对大类随机均分为100份，每份和小类组合成一个训练样本，总共100份。使用这100个训练样本训练100个子分类器，并且都独立训练，测试时以这100个训练子分类器的所有评估值中最大值为准

也就是转化为手写字体，与训练的标准字体相似度问题： 训练一个系统可以识别出不同字体的文字； 输入用户输入文字，通过系统评估出这个是该文字的概率，也就是用户的评分了；

同意楼上的回答，再补充一点吧：关于线性非线性的解释：在数学中，函数是线性函数，那么这个函数就是一条直线；而剩下的所有情况都属于非线性函数。根据以上定义，折线也不属于线性函数，而Relu就是折线的一种，所以就是非线性了。。

我的一些方法： 检查下训练集的样本中对应类别样本数量是不是比较少，尝试扩大样本集？ 如果扩大不了样本集合，训练多个模型，每个模型尽量让各个样本数量均衡，最后再用决策树思想合并结果就行 样本数据集内容是不是确实人眼都识别出来准确率比较低？

lambda函数是里面的i是一个全局变量i，但是由于lambda函数里面所有的值只有在运行时确定。也就是当我们： {代码...} lambda里面的i已经迭代到 9，所以就变成了如fun列表就变成了如下： {代码...}

@staticmethod：下面的函数代表普通函数，也就是说传入的第一个参数不是实例本身，所以你实例化的时候，"xiaoming"是传送给第一个变量self的，而不是player_name的；

这个的话只有一种解释，也就是说，你try里面报的错误不只是代理不可用的错误。一般来讲我们建议python里面的except后面紧跟对应报错的类型，例如ValueError，而不是什么都不写的获取全局全部异常。你可以尝试只捕获代理报错的异常类型，然后看看中间是不是还发生了什...

同意楼上的，python在保存文件时候，已经自动帮把文件转换称流的格式了。

在ipython3上运行结果如下： {代码...}

JS转Python？？？如果是爬虫的话应该是直接用python获取网页数据的吧，怎么还要写JS转Python呢？

什么是同源策略？同源策略/SOP（Same origin policy）是一种约定，由Netscape公司1995年引入浏览器，它是浏览器最核心也最基本的安全功能，如果缺少了同源策略，浏览器很容易受到XSS、CSFR等攻击。所谓同源是指"协议+域名+端口"三者相同，即便两个不同的域名指向同一...