PyTorch自用笔记(第四周)
PyTorch自用笔记(第四周)
- 七、神经网络与全连接层
- 7.1 逻辑斯蒂回归
- 7.2交叉熵
- 7.3 多分类问题实战
- 7.4 全连接层
- `Linear操作`
- `ReLU激活`
- 自定义层次
- train
- 7.5 激活函数与GPU加速
- 7.6 Visdom可视化
- 八、实战技巧
- 8.1 过拟合与欠拟合
- 8.2 交叉验证
- 8.3 正则化
- 8.4 动量与学习率衰减
- 8.5 其他技巧
- early stopping
- dropout
- Stochastic Gradient Descent
- 九、卷积神经网络CNN
- 9.1 什么是卷积
- 9.2 卷积神经网络
- 9.3 池化层与采样层
- 9.4 标准化
- image normalization
- batch normalization
- 9.5 经典卷积网络
- LeNet-5
- AlexNet
- VGG
- GoogLeNet
- ResNet-最重要
- DenseNet
七、神经网络与全连接层
7.1 逻辑斯蒂回归
线性回归回顾:机器学习-吴恩达(第一周)二、模型描述
目标:pred = y
方法:最小化dist(|pred - y|)
逻辑斯蒂回归:机器学习-吴恩达(第二周)六、分类问题
目标:benchmark如精确度
方法1:最小化dist
方法2:最小化divergence
7.2交叉熵
softmax复习:
enlarger the larger
分类问题的loss:
1.MSE
2.Cross Entropy Loss(CEL)交叉熵
3.Hinge Loss(SVM常用)
此处重点讨论交叉熵:
首先看一下entropy(熵)的概念:熵用来表示一种不稳定性(或稳定性);用来衡量惊喜程度;熵越高,信息越少,惊喜程度越小。
然后是Cross Entropy(交叉熵)的概念
特殊情况:
1.P=Q,则H(p,q) = H§,即cross Entropy = Entropy
2.one-hot encoding,则Entropy = 1log1 = 0
对于二分类问题:
H(P,Q) = -(ylog§ + (1-y)log(1-p))
7.3 多分类问题实战
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transformsbatch_size = 200
learning_rate = 0.01
epochs = 10train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))])),batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=False, transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))])),batch_size=batch_size, shuffle=True)# 线性层 ch-out,ch-in;降维至200
w1, b1 = torch.randn(200, 784, requires_grad=True),\torch.zeros(200, requires_grad=True)
w2, b2 = torch.randn(200, 200, requires_grad=True),\torch.zeros(200, requires_grad=True)
w3, b3 = torch.randn(10, 200, requires_grad=True),\torch.zeros(10, requires_grad=True)
# 初始化
torch.nn.init.kaiming_normal_(w1)
torch.nn.init.kaiming_normal_(w2)
torch.nn.init.kaiming_normal_(w3)def forward(x):x = x@w1.t() + b1x = F.relu(x)x = x@w2.t() + b2x = F.relu(x)x = x@w3.t() + b3x = F.relu(x) # logitsreturn x# 优化器
optimizer = optim.SGD([w1, b1, w2, b2, w3, b3], lr=learning_rate)
criteon = nn.CrossEntropyLoss() # softmax+log+nn.lossfor epoch in range(epochs):for batch_idx, (data, target) in enumerate(train_loader):data = data.view(-1, 28*28)logits = forward(data)loss = criteon(logits, target)optimizer.zero_grad()loss.backward()# print(w1.grad.norm(), w2.grad.norm())optimizer.step()if batch_idx % 100 == 0:print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))test_loss = 0correct = 0for data, target in test_loader:data = data.view(-1, 28 * 28)logits = forward(data)test_loss += criteon(logits, target).item()pred = logits.data.max(1)[1]correct += pred.eq(target.data).sum()test_loss /= len(test_loader.dataset)print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(test_loss, correct, len(test_loader.dataset),100. * correct / len(test_loader.dataset)))
运行结果:
E:\Anaconda\Anaconda3\python.exe E:/Python/PyTorch/main.py
Train Epoch: 0 [0/60000 (0%)] Loss: 2.516278
Train Epoch: 0 [20000/60000 (33%)] Loss: 0.795775
Train Epoch: 0 [40000/60000 (67%)] Loss: 0.566244
Test set: Average loss: 0.0242, Accuracy: 890/8952 (10%)
Train Epoch: 1 [0/60000 (0%)] Loss: 0.681463
Train Epoch: 1 [20000/60000 (33%)] Loss: 0.443154
Train Epoch: 1 [40000/60000 (67%)] Loss: 0.527179
Test set: Average loss: 0.0277, Accuracy: 882/8952 (10%)
Train Epoch: 2 [0/60000 (0%)] Loss: 0.614502
Train Epoch: 2 [20000/60000 (33%)] Loss: 0.688908
Train Epoch: 2 [40000/60000 (67%)] Loss: 0.558806
Test set: Average loss: 0.0298, Accuracy: 874/8952 (10%)
Train Epoch: 3 [0/60000 (0%)] Loss: 0.534761
Train Epoch: 3 [20000/60000 (33%)] Loss: 0.545937
Train Epoch: 3 [40000/60000 (67%)] Loss: 0.545407
Test set: Average loss: 0.0308, Accuracy: 883/8952 (10%)
Train Epoch: 4 [0/60000 (0%)] Loss: 0.383387
Train Epoch: 4 [20000/60000 (33%)] Loss: 0.402272
Train Epoch: 4 [40000/60000 (67%)] Loss: 0.417884
Test set: Average loss: 0.0316, Accuracy: 889/8952 (10%)
Train Epoch: 5 [0/60000 (0%)] Loss: 0.410931
Train Epoch: 5 [20000/60000 (33%)] Loss: 0.382123
Train Epoch: 5 [40000/60000 (67%)] Loss: 0.466876
Test set: Average loss: 0.0321, Accuracy: 886/8952 (10%)
Train Epoch: 6 [0/60000 (0%)] Loss: 0.426217
Train Epoch: 6 [20000/60000 (33%)] Loss: 0.377756
Train Epoch: 6 [40000/60000 (67%)] Loss: 0.471739
Test set: Average loss: 0.0332, Accuracy: 884/8952 (10%)
Train Epoch: 7 [0/60000 (0%)] Loss: 0.455824
Train Epoch: 7 [20000/60000 (33%)] Loss: 0.323968
Train Epoch: 7 [40000/60000 (67%)] Loss: 0.411355
Test set: Average loss: 0.0333, Accuracy: 887/8952 (10%)
Train Epoch: 8 [0/60000 (0%)] Loss: 0.347510
Train Epoch: 8 [20000/60000 (33%)] Loss: 0.394835
Train Epoch: 8 [40000/60000 (67%)] Loss: 0.308944
Test set: Average loss: 0.0340, Accuracy: 891/8952 (10%)
Train Epoch: 9 [0/60000 (0%)] Loss: 0.330805
Train Epoch: 9 [20000/60000 (33%)] Loss: 0.447674
Train Epoch: 9 [40000/60000 (67%)] Loss: 0.383535
Test set: Average loss: 0.0344, Accuracy: 883/8952 (10%)
注:初始化很重要,不同的初始值可以极大程度上影响学习结果
7.4 全连接层
Linear操作
ReLU激活
自定义层次
step1
step2
step3
MLP类内
注:nn.ReLU vs F.relu()等价于类vs函数
train
自动加载参数
7.5 激活函数与GPU加速
激活函数可见李飞飞计算机视觉-自用笔记(第二周)
GPU加速:
7.6 Visdom可视化
下载并安装:pip install visdom
开启服务器:python -m visdom.server
此过程中如果出现Error404则需要重新手动安装
首先卸载:pip uninstall visdom
官网下载:github.com/facebookresearch/visdom
进入目录:cd Downloads;cd visdom-master
安装:pip install -e
回到用户目录运行python -m visdom.server
复制地址在浏览器打开
遇到问题:
启动visdom服务器时卡在downloading
解决方法:
找到visdom中的server.py,在最后几行的位置将download_scripts()注释掉,重新开启服务器,成功,将链接复制到浏览器打开即可
visdom示例
from visdom import Visdom
viz = Visdom() # viz实例
viz.line([0.], [0.], win='train_loss', opts=dict(title='train_loss')) # 初始[Y][X]=[0][0], win为ID,opts额外配置信息
viz.line([loss.item()], [global_step], win='train_loss', update='append')
八、实战技巧
8.1 过拟合与欠拟合
可见机器学习-吴恩达(第二周)7-1 过拟合问题
8.2 交叉验证
Train-Val-Test划分可参考机器学习-吴恩达(第四周)
7.3中的实战已经训练集和测试集的思想,即用训练集训练参数,每隔一段时间用测试集测试准确率;而实际中会用交叉验证集来测试准确率,在客户使用之前不会触碰测试集中的数据
50k:10k划分
print('train:', len(train_db), 'test:', len(test_db))
train_db, val_db = torch.utils.data.random_split(train_db, [50000, 10000])
print('db1:', len(train_db), 'db2:', len(val_db))
train_loader = torch.utils.data.DataLoader(train_db,batch_size=batch_size, shuffle=True)
val_loader = torch.utils.data.DataLoader(val_db,batch_size=batch_size, shuffle=True)
K-fold交叉验证集
比如60k的训练集,将其划分为N份,每次随机取N-1份做train,另外一份做交叉验证集
8.3 正则化
作用:改善过拟合
可参考机器学习-吴恩达(第四周)10-7
1.增加数据量
2.降低模型复杂度(shallow、正则化)
3.Dropout
4.数据增强
5.提前终结
本节讨论正则化的方法,L2也可叫权重衰减
L2:(常用)
device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate, weight_decay=0.01)
criteon = nn.CrossEntropyLoss().to(device)
L1:
regularization_loss = 0
for param in model.parameters():regularization_loss += torch.sum(torch.abs(param))classify_loss = criteon(logits, target)
loss = classify_loss + 0.01 * regularization_lossoptimizer.zero_grad()
loss.backward()
optimizer.step()
8.4 动量与学习率衰减
李飞飞计算机视觉-自用笔记(第三周)7
Scheme1
optimizer = torch.optim.SGD(model.parameters(), args.lr,momentum=args.momentum,weight_decay=args.weight_decay)scheduler = ReduceLROnPlateau(optimizer, 'min') # 将优化器丢给函数管理;模式减少lrfor epoch in xrange(args.start_epoch, args.epochs):train(train_loader, model, criterion, optimizer, epoch)result_avg, loss_val = validate(val_loader, model, criterion, epoch)scheduler.step(loss_val) # 监听loss
Scheme2
# Assuming optimizer uses lr = 0.05 for all groups
# lr = 0.05 if epoch < 30
# lr = 0.005 if 30 <= epoch < 60
# lr = 0.0005 if 60 <= epoch < 90
# ...
scheduler = StepLR(optimizer, step_size=30, gamma=0.1)
for epoch in range(100):scheduler.step()train(...)validate(...)
8.5 其他技巧
early stopping
目的:防止过拟合
方法:
1.交叉验证集选择参数
2.检测验证集表现
3.在验证集表现最好时停止
dropout
李飞飞计算机视觉-自用笔记(第三周)7.2
net_dropped = torch.nn.Sequential(torch.nn.Linear(784, 200),torch.nn.Dropout(0.5), # drop 50% of the neurontorch.nn.ReLU(),torch.nn.Linear(200, 200),torch.nn.Dropout(0.5), # drop 50% of the neurontorch.nn.ReLU(),torch.nn.Linear(200, 10),
)
注:测试时要取消dropout操作
for epoch in range(epochs):# trainnet_dropped.train()for batch_idx, (data, target) in enumerate(train_loader):...net_dropped.eval()test_loss = 0correct = 0for data, target in test_loader:...
Stochastic Gradient Descent
随机梯度下降 Stochastic != random
九、卷积神经网络CNN
9.1 什么是卷积
先导知识:
1.图像在计算机中以像素点形式存储,分为三个通道RGB
2.神经网络机器学习-吴恩达(第二周)机器学习-吴恩达(第三周)
3.人眼:感受野(局部相关性)
4.卷积核参数共享,大大减少了参数量
9.2 卷积神经网络
可参考李飞飞计算机视觉-自用笔记(第二周)
注:多个不同的kernel代表多个不同的观察图像的角度
input_channels:图像的通道
kernel_channels:卷积核的数量 | 对应input通道数量
kernel_size:卷积核的大小
stride:步长
padding:填充边界
bias:偏置;与kernel数量一致
特征学习:随着层次的叠加,从低维特征逐步过渡到高维特征
PyTorch中实现:
推荐将上过程直接写为:
out = layer(x) # __call__
F中存在类似功能的函数:
9.3 池化层与采样层
下采样:隔行 | 隔列采样
最大池化(max pooling):
平均池化(avg pooling):取均值
上采样:简单复制
ReLU:将图像只存在非负值
9.4 标准化
image normalization
在权值送到下一层之前,规范其符合高斯分布,方便梯度下降的快速进行
mean表示均值,std表示方差,三个值表示RGB三个通道,标准化过程就是用(X - μ)/ σ
batch normalization
training:
注:running_mean和running_var分别表示全局的均值和方差
test:
1.1个样本无法统计均值和方差
2.running_mean和running_var赋值给mean和var
3.无反向传播,不需更新
batch normalization优点:
1.收敛速度更快
2.更好搜索最优解
3.稳定性
9.5 经典卷积网络
可参考李飞飞计算机视觉-自用笔记(第四周),此处将会对之前学过的知识进行一个补充,已经出现过的内容不再赘述
LeNet-5
手写数字识别
3卷积+2全连接
AlexNet
5卷积+3全连接
VGG
VGG11
VGG16
VGG19
1 * 1卷积核
GoogLeNet
22层
ResNet-最重要
注:保证ch_in和ch_out即使不一致也可以做到残差相加
DenseNet
每一层与前面的所有层都有短接的存在
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- A Bug‘s Life HDU - 1829(种类并查集基础题)
题目思路 看完题目其实就能知道是挺裸的种类并查集 以下是个人对种类并查集的理解: 种类并查集是并查集的一种延申应用 如果并查集表示的关系是亲戚的亲戚是亲戚 那么种类并查集表示的关系就是敌人的敌人是朋友 种类并查集就是将多种类型的人之间的关系用数组存下来 大小一般是…...
2024/3/17 17:18:40 - element-ui el-cascader Cascader 级联选择器 详细使用教程
最近在使用element-ui,碰到了需要使用级联选择器的情况,研究了好久,终于实现了功能了,在这里记录一下,以便以后再次用到的时候查看。1.需求模拟给出如下层级表要求实现类似下图效果2.实现过程加标签sql语句 后台处理成树形json串前台显示1.需求模拟给出如下层级表project_…...
2024/3/25 14:23:46 - 【待解决】多表单切换iframe带有随机id,无法定位
如下图,可见iframe带有随机id,所以每次定位都会失败...
2024/3/25 14:23:47 - 【pycharm】pycharm书写代码快捷键
以下仅整理Mac版pycharm,Windows应当类似。 ⌘+delete 删除整行 ⌘+R 替换 ⌘+F 查找 ⌘+→ 光标移动到本行末尾 ⌘+← 光标移动到本行开头 ⌘+/ 注释 ⇧+enter 新建当前光标所在行的下一行...
2024/3/25 14:23:48 - 手机app应用开发创意方案需注意哪些
手机app应用开发创意方案需注意哪些作为移动端互联网开发的首选,具有无法比拟的优势。对于一个产品、企业的宣传和推广有着重要的意义。APP手机应用程序开发以其好用、方便、快捷等优势快速占据市场。虽然,APP在易操作上面优势明显,但是正因为这个原因造成同质化严重。那么,…...
2024/3/25 14:23:48 - Darknet和YOLO的区别和关系
Darknet是个轻量级深度学习训练框架,用c和cuda编写,支持GPU加速。可以把它理解为Tensorflow,pytorch,caffe,mxnet等框架类似,都是用于跑模型的底层框架。 YOLO系列是目标检测领域比较优秀的网络模型,和SSD,R-CNN,Faster R-CNN等模型一样。 作者:Joseph Chet Redmon开…...
2024/3/25 14:23:51 - AcWing 836. 合并集合
知识点:并查集+路径压缩一共有n个数,编号是1~n,最开始每个数各自在一个集合中。现在要进行m个操作,操作共有两种:“M a b”,将编号为a和b的两个数所在的集合合并,如果两个数已经在同一个集合中,则忽略这个操作;“Q a b”,询问编号为a和b的两个数是否在同一个集合中;…...
2024/3/25 14:23:51 - 李飞飞计算机视觉-自用笔记(第五周)
李飞飞计算机视觉-自用笔记(五)10 循环神经网络 10 循环神经网络 RNN:Recurrent Neural Network 输入与输出存在多种对应关系核心模块:用公式来表示:普通的反向传播在RNN中的计算会很繁琐,所以提出了一种沿时间的截断式反向传播方法:即使输入的序列很长,在训练模型时,…...
2024/3/25 14:23:51 - 作业
一、Linux的发行版本可以大体分为两大类,一类是商业公司维护的发行版,一类是社区组织维护的发行版(免费版),前者以著名的RHEl代表,后者以Debian代表. 三大主流版本为Debian、RedHat、SUSE。 Debian包含Ubuntu。 RedHat包含Fdora、RHEL、CentOs、Oracle。 SUSE包含SLES、ope…...
2024/3/27 12:45:46 - 广度优先搜索解决
仅仅是记录个人想法,希望不要有人被我不成熟的想法误导了广度优先搜索是什么对于树问题来讲,类似于一行一行搜索过去在树问题中的算法思路从父结点开始,将父结点的两个子节点存储在队列末尾,且先放左节点然后放右节点。之后将队列中第一个结点取出并进行上述操作。可以看出…...
2024/3/25 14:23:54 - leetcode200题之二叉树专题(二)
1. 二叉树的前序、中序、后序遍历(1)递归解决:根据前序遍历根左右,中序遍历左根右,后序遍历左右根即可。class Solution { public:vector<int> res;vector<int> preorderTraversal(TreeNode* root) {if(root==nullptr) return {};recur(root);return res;}voi…...
2024/3/28 4:22:07 - arcgis api for js 4.x 加载另类wmts地图
首先使用WebTileLayer类的createSubclass方法创建并重写一个TileLayer的图层类:var WMTSMeratorLayer2 = WebTileLayer.createSubclass([JSONSupport], {declaredClass: "WMTSMeratorLayer",normalizeCtorArgs: function (b, c) {return "string" === typ…...
2024/3/25 14:23:56 - STP生成树原理及选举规则
一、生成树原理 当一个网络是环形的网络时,会形成广播风暴,所谓的广播风暴是指对于一个大家都不知道主机的MAC地址,所有交换机都会不停的相互广播,会占用大量的网络带宽,导致正常业务不能运行,甚至彻底瘫痪。而STP生成树形成一个树状结构的无环网络拓扑,使得网络拓扑物理…...
2024/3/25 14:23:57 - thymeleaf 标准表达式
thymeleaf 标准表达式...
2024/3/25 14:23:58 - Spark程序运行常见错误解决方法以及优化
Spark程序运行常见错误解决方法以及优化参考文章: (1)Spark程序运行常见错误解决方法以及优化 (2)https://www.cnblogs.com/double-kill/p/9012383.html 备忘一下。...
2024/3/25 14:23:59 - 【力扣题库】两数相加
【力扣题库】两数相加 题目: 给出两个非空的链表来表示两个非负的整数。其中,他们各自的位数是按照逆序的方式存储的,并且他们的每个节点只能存储一个数字。 如果,我们将这两个数相加,则会返回一个新的链表来表示他们的和。 您可以假设除了数字0之外,这两个数字多不会以0…...
2024/3/25 14:24:00 - 用C#创建Websocket的客户端
Socket是传输控制层协议,比较灵活,使用的场合比较多。WebSocket是应用层协议,比较易用,网页端使用非常方便。因为有很多phthon程序喜欢用WebSocket 作为服务端进行网络通信。这时,如果需要C#程序做为客户端,则可以使用以下方法。先载NuGet包 WebSocketSharp。string webPa…...
2024/3/25 14:24:01 - 创建parquet类型的hive外表
前面一篇文章中,介绍过如何使用flink,消费kafka数据,并且将数据以parquet格式sink到hdfs上,并且sink的时候使用了天、小时的方式进行了分桶策略。详情见:https://blog.csdn.net/liuxiao723846/article/details/107695737最终,在hdfs上形成了如下的文件:/data/test/dt=20…...
2024/3/25 14:24:01 - docker上部署前后端项目
两种方式: 一. 通过idea连接docker 略 二.直接在linux上部署安装docker 安装nginx ftp上传jar 和Dockerfile文件 、 在当前目录下制作 景像docker bulid -t adminweb .查看docker images5.启动 在容器中 docker run -d -p 8080:8080 adminweb 查看 docker psftp上传 前端代码n…...
2024/3/25 14:24:02 - 【CSDN】博客文章内去除图片水印
写博客的时候发现图片右下角有水印,但是又不想要水印, 在其他博主的文章里面发现了小技巧,分享下:其实就是写博客粘贴图片的时候,把下面红框框起来的部分去掉,水印也就消失了不错,给原博主点赞!...
2024/3/25 14:24:04
最新文章
- pytorch中nn.GroupNorm()作用及参数说明
数据归一化的作用,特点是分组归一化,每个组独立进行归一化处理。 torch.nn.GroupNorm(num_groups,num_channels) num_groups:组数 num_channels:通道数量 对num_channels这么多个通道分成num_groups个组分别进行归一化 nn.GroupNorm是一个用于定义分组…...
2024/3/28 19:41:16 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - python初级第一次作业
一、 dayint(input("enter today day")) fdayint(input("enter num of day since today")) c((fday%7)day)%7 if c0:print("sunday") elif c1:print("monday") elif c2:print("tuesday") elif c3:print("wendnsday&quo…...
2024/3/28 13:52:30 - C# 方法(函数)
文章目录 C# 方法(函数)简单示例程序代码运行效果 值传递和引用传递示例程序 运行效果按输出传递参数运行结果 C# 方法(函数) 简单示例 程序代码 访问的限制符 using System; using System.Collections.Generic; using Syste…...
2024/3/27 8:37:00 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/3/28 16:59:55 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/3/28 4:39:34 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/3/28 5:03:31 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/3/27 10:27:59 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/3/27 3:29:54 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/3/28 9:07:44 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/3/28 18:09:48 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/3/27 3:03:23 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/3/28 9:58:22 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/3/28 10:24:59 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/3/27 0:22:43 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/3/28 19:36:32 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/3/28 17:15:47 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/3/28 8:42:54 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/3/28 8:14:39 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/3/27 15:45:39 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/3/27 21:26:55 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/3/28 8:24:01 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/3/28 5:29:22 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/3/28 9:26:43 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57