准备数据:

import os
from shutil import copyfile# You only need to change this line to your dataset download path
download_path = '/home/pt/下载/DukeMTMC-reID'if not os.path.isdir(download_path):print('please change the download_path')save_path = download_path + '/pytorch'
if not os.path.isdir(save_path):os.mkdir(save_path)
#-----------------------------------------
#query
query_path = download_path + '/query'
query_save_path = download_path + '/pytorch/query'
if not os.path.isdir(query_save_path):os.mkdir(query_save_path)for root, dirs, files in os.walk(query_path, topdown=True):for name in files:if not name[-3:]=='jpg':continueID  = name.split('_')src_path = query_path + '/' + namedst_path = query_save_path + '/' + ID[0] if not os.path.isdir(dst_path):os.mkdir(dst_path)copyfile(src_path, dst_path + '/' + name)#-----------------------------------------
#multi-query
query_path = download_path + '/gt_bbox'
query_save_path = download_path + '/pytorch/multi-query'
if not os.path.isdir(query_save_path):os.mkdir(query_save_path)for root, dirs, files in os.walk(query_path, topdown=True):for name in files:if not name[-3:]=='jpg':continueID  = name.split('_')src_path = query_path + '/' + namedst_path = query_save_path + '/' + ID[0]if not os.path.isdir(dst_path):os.mkdir(dst_path)copyfile(src_path, dst_path + '/' + name)#-----------------------------------------
#gallery
gallery_path = download_path + '/bounding_box_test'
gallery_save_path = download_path + '/pytorch/gallery'
if not os.path.isdir(gallery_save_path):os.mkdir(gallery_save_path)for root, dirs, files in os.walk(gallery_path, topdown=True):for name in files:if not name[-3:]=='jpg':continueID  = name.split('_')src_path = gallery_path + '/' + namedst_path = gallery_save_path + '/' + ID[0]if not os.path.isdir(dst_path):os.mkdir(dst_path)copyfile(src_path, dst_path + '/' + name)#---------------------------------------
#train_all
train_path = download_path + '/bounding_box_train'
train_save_path = download_path + '/pytorch/train_all'
if not os.path.isdir(train_save_path):os.mkdir(train_save_path)for root, dirs, files in os.walk(train_path, topdown=True):for name in files:if not name[-3:]=='jpg':continueID  = name.split('_')src_path = train_path + '/' + namedst_path = train_save_path + '/' + ID[0]if not os.path.isdir(dst_path):os.mkdir(dst_path)copyfile(src_path, dst_path + '/' + name)#---------------------------------------
#train_val
train_path = download_path + '/bounding_box_train'
train_save_path = download_path + '/pytorch/train'
val_save_path = download_path + '/pytorch/val'
if not os.path.isdir(train_save_path):os.mkdir(train_save_path)os.mkdir(val_save_path)for root, dirs, files in os.walk(train_path, topdown=True):for name in files:if not name[-3:]=='jpg':continueID  = name.split('_')src_path = train_path + '/' + namedst_path = train_save_path + '/' + ID[0]if not os.path.isdir(dst_path):os.mkdir(dst_path)dst_path = val_save_path + '/' + ID[0]  #first image is used as val imageos.mkdir(dst_path)copyfile(src_path, dst_path + '/' + name)

 

模型:

import torch
import torch.nn as nn
from torch.nn import init
from torchvision import models
from torch.autograd import Variable######################################################################
def weights_init_kaiming(m):classname = m.__class__.__name__# print(classname)if classname.find('Conv2d') != -1:init.kaiming_normal(m.weight.data, a=0, mode='fan_in')init.constant(m.bias.data, 0.0)elif classname.find('Linear') != -1:init.kaiming_normal(m.weight.data, a=0, mode='fan_out')#init.constant(m.bias.data, 0.0)elif classname.find('BatchNorm1d') != -1:init.normal(m.weight.data, 1.0, 0.02)init.constant(m.bias.data, 0.0)def weights_init_classifier(m):classname = m.__class__.__name__if classname.find('Linear') != -1:init.normal(m.weight.data, std=0.001)#init.constant(m.bias.data, 0.0)# Defines the new fc layer and classification layer
# |--Linear--|--bn--|--relu--|--Linear--|
class ClassBlock(nn.Module):def __init__(self, input_dim, class_num,  relu=True, num_bottleneck=512):super(ClassBlock, self).__init__()#add_block = []add_block1 = []add_block2 = []add_block1 += [nn.BatchNorm1d(input_dim)]if relu:add_block1 += [nn.LeakyReLU(0.1)]add_block1 += [nn.Linear(input_dim, num_bottleneck,bias = False)] add_block2 += [nn.BatchNorm1d(num_bottleneck)]#add_block = nn.Sequential(*add_block)#add_block.apply(weights_init_kaiming)add_block1 = nn.Sequential(*add_block1)add_block1.apply(weights_init_kaiming)add_block2 = nn.Sequential(*add_block2)add_block2.apply(weights_init_kaiming)classifier = []classifier += [nn.Linear(num_bottleneck, class_num,bias = False)]classifier = nn.Sequential(*classifier)classifier.apply(weights_init_classifier)self.add_block1 = add_block1self.add_block2 = add_block2self.classifier = classifierdef forward(self, x):x = self.add_block1(x)x1 = self.add_block2(x)x2 = self.classifier(x1)return x1,x2
#############
class ClassBlock1(nn.Module):def __init__(self, j,h, class_num,  num_bottleneck=512):super(ClassBlock1, self).__init__()#add_block = []add_block1 = []add_block2 = []add_block1 += [nn.BatchNorm1d(input_dim)]add_block1 += [nn.Conv2d(2048, 512,kernel_size=j, stride=h,bias=False)] add_block2 += [nn.BatchNorm1d(num_bottleneck=512)]#add_block = nn.Sequential(*add_block)#add_block.apply(weights_init_kaiming)add_block1 = nn.Sequential(*add_block1)add_block1.apply(weights_init_kaiming)add_block2 = nn.Sequential(*add_block2)add_block2.apply(weights_init_kaiming)classifier = []classifier += [nn.Linear(num_bottleneck, class_num,bias = False)]classifier = nn.Sequential(*classifier)classifier.apply(weights_init_classifier)self.add_block1 = add_block1self.add_block2 = add_block2self.classifier = classifierself.avgpool_1 = nn.AdaptiveAvgPool2d((1,1))def forward(self, x):x = self.add_block1(x)x = self.avgpool_1(x)x1 = self.add_block2(x)x2 = self.classifier(x1)return x1,x2
#ft_net_50_1nn.Conv2d(in_planes, out_planes,kernel_size=kernel_size, stride=stride,padding=padding, bias=False) 
class ft_net(nn.Module):def __init__(self, class_num ,test):super(ft_net, self).__init__()model_ft = models.resnet50(pretrained=True)# avg pooling to global poolingmodel_ft.avgpool = nn.AdaptiveAvgPool2d((1,1))model_ft.fc = nn.Sequential()self.model = model_ft# remove the final downsampleself.model.layer4[0].downsample[0].stride = (1,1)self.model.layer4[0].conv2.stride = (1,1)self.avgpool_1 = nn.AdaptiveAvgPool2d((1,1))#self.avgpool_2 = nn.AdaptiveAvgPool2d((2,2))self.avgpool_2 = nn.AdaptiveAvgPool2d((2,2))self.classifier_1 = ClassBlock(1024, class_num,num_bottleneck=512)self.classifier_2 = ClassBlock(2048, class_num,num_bottleneck=512)self.classifier_3 = ClassBlock1(2048, class_num,1,1,num_bottleneck=512)self.classifier_4 = ClassBlock1(2048, class_num,3,1,num_bottleneck=512)self.test = testdef forward(self, x):x = self.model.conv1(x)x = self.model.bn1(x)x = self.model.relu(x)x = self.model.maxpool(x)x = self.model.layer1(x)x = self.model.layer2(x)x0 = self.model.layer3(x)x = self.model.layer4(x0)#x3 = self.model.avgpool(x)x_3 = self.maxpool_5(x)#x_41 = self.avgpool_2(x)x_4 = self.maxpool_3(x)#x_0 = self.avgpool_1(x0)x_1 = self.maxpool_4(x0)x0 = x_0 + x_1x_31 = x3+x_3x4 = x_41+x_4#x6 = torch.squeeze(x0)x_0 = torch.squeeze(x_0)x_1 = torch.squeeze(x_1)x3 = torch.squeeze(x3)x_3 = torch.squeeze(x_3)#x7 = x1.view(x1.size(0),-1)#x9 =  torch.squeeze(x_31)x_10= x_4.view(x_4.size(0),-1)x_11= x_41.view(x_41.size(0),-1)x10= x4.view(x4.size(0),-1)#x14,x15,x16 = self.classifier_1(x6)x19,x17,x18 = self.classifier_2(x9)x23,x21,x22 = self.classifier_3(x10)#if self.test == True:return x15,x17,x21,x_0,x_1,x3,x_3,x_10,x_11return x16,x18,x22,x_0,x_1,x3,x_3,x_10,x_11

训练:

from __future__ import print_function, divisionimport argparse
import torch
import torch.nn as nn
import torch.optim as optim
#from torch.optim import lr_scheduler
from torch.autograd import Variable
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib
matplotlib.use('agg')
import matplotlib.pyplot as plt
from PIL import Image
import time
import os
from model import ft_net
from random_erasing import RandomErasing
import json
from shutil import copyfile
#from loss import TripletLoss
version =  torch.__version__
from  samplers import RandomIdentitySampler
from lr_scheduler import LRScheduler
from triplet_loss import TripletLoss, CrossEntropyLabelSmooth
######################################################################
# Options
# --------gpu_ids = '0'
name = 'ft_net_54922'
data_dir = '/home/pt/下载/Market/pytorch'
train_all_1 = 'True'
batchsize = 32 
erasing_p = 0.5
str_ids = gpu_ids.split(',')
gpu_ids = []
if not os.path.exists('./model/%s' % name):os.makedirs('./model/%s' % name)
for str_id in str_ids:gid = int(str_id)if gid >=0:gpu_ids.append(gid)# set gpu ids
if len(gpu_ids)>0:torch.cuda.set_device(gpu_ids[0])
#print(gpu_ids[0])######################################################################
# Load Data
# ---------
#transform_train_list = [transforms.Resize([288, 144]),#transforms.RandomCrop((256,128)),transforms.RandomHorizontalFlip(0.5),transforms.Pad(10),transforms.RandomCrop([288, 144]),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]if erasing_p>0:transform_train_list = transform_train_list +  [RandomErasing(probability = erasing_p)]print(transform_train_list)
data_transforms = {'train': transforms.Compose( transform_train_list )
}train_all = ''
if train_all_1:train_all = '_all'image_datasets = {}
image_datasets['train'] = datasets.ImageFolder(os.path.join(data_dir, 'train' + train_all),data_transforms['train'])dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size= batchsize,sampler= RandomIdentitySampler(image_datasets[x],batchsize,4), num_workers=8) # 8 workers may work fasterfor x in ['train']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train']}
class_names = image_datasets['train'].classesuse_gpu = torch.cuda.is_available()since = time.time()
inputs, classes = next(iter(dataloaders['train']))
print(time.time()-since)
######################################################################
# Training the model
# ------------------
#
# Now, let's write a general function to train a model. Here, we will
# illustrate:
#
# -  Scheduling the learning rate
# -  Saving the best model
#
# In the following, parameter ``scheduler`` is an LR scheduler object from
# ``torch.optim.lr_scheduler``.y_loss = {} # loss history
y_loss['train'] = []
y_loss['val'] = []
y_err = {}
y_err['train'] = []
y_err['val'] = []def train_model(model, criterion,num_epochs):since = time.time()best_model_wts = model.state_dict()best_acc = 0.0for epoch in range(num_epochs):print('Epoch {}/{}'.format(epoch, num_epochs - 1))print('-' * 10)# update learning ratelr_scheduler = LRScheduler(base_lr=3e-2, step=[60, 130],factor=0.1, warmup_epoch=10,warmup_begin_lr=3e-4)lr = lr_scheduler.update(epoch)optimizer = optim.SGD(model.parameters(), lr = lr,weight_decay=5e-4,momentum=0.9, nesterov=True)print(lr)for param_group in optimizer.param_groups:param_group['lr'] = lr# Each epoch has a training and validation phasefor phase in ['train']:if phase == 'train':#scheduler.step()model.train(True)  # Set model to training modeelse:model.train(False)  # Set model to evaluate moderunning_loss = 0.0running_corrects = 0.0# Iterate over data.for data in dataloaders[phase]:# get the inputsinputs, labels = datanow_batch_size,c,h,w = inputs.shapeif now_batch_size<batchsize: # skip the last batchcontinue#print(inputs.shape)# wrap them in Variableif use_gpu:inputs = inputs.cuda()labels = labels.cuda()else:inputs, labels = Variable(inputs), Variable(labels)temp_loss = []# zero the parameter gradientsoptimizer.zero_grad()# forwardoutputs1,outputs2,outputs3,outputs4= model(inputs)#_, preds = torch.max(outputs.data, 1)_, preds1 = torch.max(outputs1.data, 1)_, preds2 = torch.max(outputs2.data, 1)_, preds3 = torch.max(outputs3.data, 1)_, preds4 = torch.max(outputs3.data, 1)#loss1 = criterion(outputs1, labels)loss2 = criterion(outputs2, labels)loss3 = criterion(outputs3, labels)loss4 = criterion(outputs4, labels)##temp_loss.append(loss1)temp_loss.append(loss2)temp_loss.append(loss3)temp_loss.append(loss4)#loss = sum(temp_loss)/4if phase == 'train':loss.backward()optimizer.step()# statisticsif int(version[2]) > 3: # for the new version like 0.4.0 and 0.5.0running_loss += loss.item() * now_batch_sizeelse :  # for the old version like 0.3.0 and 0.3.1running_loss += loss.data[0] * now_batch_sizea = float(torch.sum(preds1 == labels.data))b = float(torch.sum(preds2 == labels.data))c = float(torch.sum(preds3 == labels.data))d = float(torch.sum(preds4 == labels.data))#running_corrects_1 = a + b +c +drunning_corrects_2 = running_corrects_1 /4running_corrects +=running_corrects_2#running_corrects +=float(torch.sum(preds == labels.data))epoch_loss = running_loss / dataset_sizes[phase]epoch_acc = running_corrects / dataset_sizes[phase]# 在日志文件中记录每个epoch的精度和losswith open('./model/%s/%s.txt' %(name,name),'a') as acc_file:acc_file.write('Epoch: %2d, Precision: %.8f, Loss: %.8f\n' % (epoch, epoch_acc, epoch_loss))print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))y_loss[phase].append(epoch_loss)y_err[phase].append(1.0-epoch_acc)            # deep copy the modelif phase == 'train':last_model_wts = model.state_dict()if epoch < 150:if epoch%10 == 9:save_network(model, epoch)draw_curve(epoch)else:#if epoch%2 == 0:save_network(model, epoch)draw_curve(epoch)print()time_elapsed = time.time() - sinceprint('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))#print('Best val Acc: {:4f}'.format(best_acc))# load best model weightsmodel.load_state_dict(last_model_wts)save_network(model, 'last')return model######################################################################
# Draw Curve
#---------------------------
x_epoch = []
fig = plt.figure(figsize=(32,16))
ax0 = fig.add_subplot(121, title="loss")
ax1 = fig.add_subplot(122, title="top1err")
def draw_curve(current_epoch):x_epoch.append(current_epoch)ax0.plot(x_epoch, y_loss['train'], 'bo-', label='train')#ax0.plot(x_epoch, y_loss['val'], 'ro-', label='val')ax1.plot(x_epoch, y_err['train'], 'bo-', label='train')#ax1.plot(x_epoch, y_err['val'], 'ro-', label='val')if current_epoch == 0:ax0.legend()ax1.legend()fig.savefig( os.path.join('./model',name,'train.jpg'))######################################################################
# Save model
#---------------------------
def save_network(network, epoch_label):save_filename = 'net_%s.pth'% epoch_labelsave_path = os.path.join('./model',name,save_filename)torch.save(network.cpu().state_dict(), save_path)if torch.cuda.is_available():network.cuda(gpu_ids[0])######################################################################
# Finetuning the convnet
# ----------------------
#
# Load a pretrainied model and reset final fully connected layer.
#a = 'ft_net_11_15'
#def load_network(network):#save_path = os.path.join('./model',a,'net_%s.pth'%38)#save_path = './model/ft_net_11_15/net_38.pth'#network.load_state_dict(torch.load(save_path))#return network#model_structure = ft_net(len(class_names))
model = ft_net(len(class_names),False)
#model = load_network(model_structure)#model = ft_net(len(class_names))
print(model)if use_gpu:model = model.cuda()#criterion = TripletLoss(margin=0.5)
triplet = TripletLoss(margin=0.3)
criterion = CrossEntropyLabelSmooth(num_classes=len(class_names))# Decay LR by a factor of 0.1 every 40 epochs######################################################################
# Train and evaluate
# ^^^^^^^^^^^^^^^^^^
#
# It should take around 1-2 hours on GPU. 
#
dir_name = os.path.join('./model',name)
if os.path.isdir(dir_name):#os.mkdir(dir_name)copyfile('./train_11.py', dir_name+'/train_11.py')copyfile('./model.py', dir_name+'/model.py')# save optsmodel = train_model(model, criterion,num_epochs=220)

 

提取特征:

from __future__ import print_function, divisionimport argparse
import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.autograd import Variable
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import time
import os
import scipy.io
from model import ft_net#from model import ######################################################################
# Options
# --------
gpu_ids = '0'
which_epoch =223
test_dir = '/home/pt/下载/Market/pytorch'
name = 'ft_net_54922'
batchsize = 32str_ids = gpu_ids.split(',')
#which_epoch = opt.which_epochtest_dir = test_dirgpu_ids = []
for str_id in str_ids:id = int(str_id)if id >=0:gpu_ids.append(id)# set gpu ids
if len(gpu_ids)>0:torch.cuda.set_device(gpu_ids[0])######################################################################
# Load Data
# ---------
#
# We will use torchvision and torch.utils.data packages for loading the
# data.
#
data_transforms = transforms.Compose([transforms.Resize((288,144)),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
############### Ten Crop        #transforms.TenCrop(224),#transforms.Lambda(lambda crops: torch.stack(#   [transforms.ToTensor()(crop) #      for crop in crops]# )),#transforms.Lambda(lambda crops: torch.stack(#   [transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(crop)#       for crop in crops]# ))
])data_dir = test_dir
image_datasets = {x: datasets.ImageFolder( os.path.join(data_dir,x) ,data_transforms) for x in ['gallery','query']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size= batchsize,shuffle=False, num_workers=8) for x in ['gallery','query']}
class_names = image_datasets['query'].classes
use_gpu = torch.cuda.is_available()######################################################################
# Load model
#---------------------------
def load_network(network):save_path = os.path.join('./model',name,'net_%s.pth'%which_epoch)network.load_state_dict(torch.load(save_path))return network######################################################################
# Extract feature
# ----------------------
#
# Extract feature from  a trained model.
#
def fliplr(img):'''flip horizontal'''inv_idx = torch.arange(img.size(3)-1,-1,-1).long()  # N x C x H x Wimg_flip = img.index_select(3,inv_idx)return img_flipdef extract_feature(model,dataloaders):features = torch.FloatTensor()count = 0for data in dataloaders:img, label = datan, c, h, w = img.size()count += nprint(count)ff = torch.FloatTensor(n,2048).zero_()for i in range(2):if(i==1):img = fliplr(img)input_img = Variable(img.cuda())#img=img.unsqueeze(0)outputs_4outputs_1,outputs_2,outputs_3, outputs_4= model(input_img)outputs = torch.cat((outputs_1,outputs_2,outputs_3,outputs_4),1)#outputs = model(input_img)f = outputs.data.cpu()ff = ff+f# norm featurefnorm = torch.norm(ff, p=2, dim=1, keepdim=True)ff = ff.div(fnorm.expand_as(ff))features = torch.cat((features,ff), 0)return featuresdef get_id(img_path):camera_id = []labels = []for path, v in img_path:#filename = path.split('/')[-1]filename = os.path.basename(path)label = filename[0:4]camera = filename.split('c')[1]if label[0:2]=='-1':labels.append(-1)else:labels.append(int(label))camera_id.append(int(camera[0]))return camera_id, labelsgallery_path = image_datasets['gallery'].imgs
query_path = image_datasets['query'].imgsgallery_cam,gallery_label = get_id(gallery_path)
query_cam,query_label = get_id(query_path)######################################################################
# Load Collected data Trained model
print('-------test-----------')
#model_structure =ft_net_middle(751)
#model_structure = ft_net_50_1(751)
model_structure =ft_net(751,True)
model = load_network(model_structure)# Remove the final fc layer and classifier layer
#if not opt.PCB:#model.model.fc = nn.Sequential()#model.classifier = nn.Sequential()
#else:#model = PCB_test(model)# Change to test mode
model = model.eval()
#model.classifier_1.
if use_gpu:model = model.cuda()# Extract feature
gallery_feature = extract_feature(model,dataloaders['gallery'])
query_feature = extract_feature(model,dataloaders['query'])# Save to Matlab for check
result = {'gallery_f':gallery_feature.numpy(),'gallery_label':gallery_label,'gallery_cam':gallery_cam,'query_f':query_feature.numpy(),'query_label':query_label,'query_cam':query_cam}
scipy.io.savemat('pytorch_result.mat',result)

 

测试:

import scipy.io
import torch
import numpy as np
import time
from  re_ranking import re_ranking
#######################################################################
# Evaluate
def evaluate(score,ql,qc,gl,gc):index = np.argsort(score)  #from small to large#index = index[::-1]# good indexquery_index = np.argwhere(gl==ql)camera_index = np.argwhere(gc==qc)good_index = np.setdiff1d(query_index, camera_index, assume_unique=True)junk_index1 = np.argwhere(gl==-1)junk_index2 = np.intersect1d(query_index, camera_index)junk_index = np.append(junk_index2, junk_index1) #.flatten())CMC_tmp = compute_mAP(index, good_index, junk_index)return CMC_tmpdef compute_mAP(index, good_index, junk_index):ap = 0cmc = torch.IntTensor(len(index)).zero_()if good_index.size==0:   # if emptycmc[0] = -1return ap,cmc# remove junk_indexmask = np.in1d(index, junk_index, invert=True)index = index[mask]# find good_index indexngood = len(good_index)mask = np.in1d(index, good_index)rows_good = np.argwhere(mask==True)rows_good = rows_good.flatten()cmc[rows_good[0]:] = 1for i in range(ngood):d_recall = 1.0/ngoodprecision = (i+1)*1.0/(rows_good[i]+1)if rows_good[i]!=0:old_precision = i*1.0/rows_good[i]else:old_precision=1.0ap = ap + d_recall*(old_precision + precision)/2return ap, cmc######################################################################
result = scipy.io.loadmat('pytorch_result.mat')
query_feature = result['query_f']
query_cam = result['query_cam'][0]
query_label = result['query_label'][0]
gallery_feature = result['gallery_f']
gallery_cam = result['gallery_cam'][0]
gallery_label = result['gallery_label'][0]CMC = torch.IntTensor(len(gallery_label)).zero_()
ap = 0.0
#re-ranking
print('calculate initial distance')
q_g_dist = np.dot(query_feature, np.transpose(gallery_feature))
q_q_dist = np.dot(query_feature, np.transpose(query_feature))
g_g_dist = np.dot(gallery_feature, np.transpose(gallery_feature))
since = time.time()
re_rank = re_ranking(q_g_dist, q_q_dist, g_g_dist)
time_elapsed = time.time() - since
print('Reranking complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
for i in range(len(query_label)):ap_tmp, CMC_tmp = evaluate(re_rank[i,:],query_label[i],query_cam[i],gallery_label,gallery_cam)if CMC_tmp[0]==-1:continueCMC = CMC + CMC_tmpap += ap_tmp#print(i, CMC_tmp[0])CMC = CMC.float()
CMC = CMC/len(query_label) #average CMC
print('top1:%f top5:%f top10:%f mAP:%f'%(CMC[0],CMC[4],CMC[9],ap/len(query_label)))
name = 'ft_net_11_18'
# 记录每个epoch的精度和loss
with open('./model/%s/%s.txt' %(name,name+'_172_2'),'a') as acc_file:acc_file.write('Rank@1: %f, Rank@5: %f, Rank@10: %f\n,mAP:%f' % (CMC[0],CMC[4],CMC[9],ap/len(query_label)))

 

查看全文
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

  1. PAM / 回文自动机(回文树)略解

    回文自动机可以处理一个字符串的回文子串的信息,复杂度为 O(n)O(n)O(n)。 参考资料:翁文涛 《回文树及其应用》 结构 回文自动机的每个节点代表一个回文子串,本质相同的回文子串在一个节点上。记节点 iii 代表的回文串为 sis_isi​(实现时不用记录),长度为 lenilen_ileni…...

    2024/3/14 4:01:41
  2. JavaScript限时搜索功能实现,限制恶意搜索保护网站减轻服务器负担

    如果我们的网站可以让用户一直连续不断地搜索文章或帖子,如果大量用户同时连续搜索,或者被别人恶意不断连续搜索,这样就会给服务器造成很大的负担,导致网站不稳定,甚至访问不了。 基于这个问题,我们需要写一个限时搜索功能来解决。 下面,本作就献出自己制作的“限时搜索…...

    2024/3/14 9:53:11
  3. 关于api接口的各种描述 (淘宝)

    taobao接入文档 网上api接口比比皆是,各大平台,大平台有淘宝、天猫、1688等等,接口的作用也是非常之多,下面列出部分淘宝上万邦科技的部分接口,有兴趣可以瞧瞧,顺便也提供一个网址供有心人参详: https://console.open.onebound.cn/console/?i=Walker item_get - 获得淘…...

    2024/3/14 9:53:15
  4. JUC之限流利器 Semaphore

    如果大家对java架构相关感兴趣,可以关注下面公众号,会持续更新java基础面试题, netty, spring boot,spring cloud等系列文章,一系列干货随时送达, 超神之路从此展开, BTAJ不再是梦想!概念 Semaphore 是一个计数信号量,必须由获取它的线程释放。 常用于限制可以访问某些资…...

    2024/3/14 9:53:11
  5. java个人编写的笔记

    Java学习记录 注释 //: 单行注释 /**/ :多行注释 标识符数据类型 所有变量必须通过定义后使用 //八大数据类型 //整数 int num1 = 10; //最常用 byte num2 = 20; short nu3 = 30; long num4 = 30L; //long类型要在数字后加L//小叔,浮点数 float num5 = 51.5F; //float类型要在…...

    2024/3/14 4:01:37
  6. 计算机视觉CV理论基础--未有深度学习之前

    代码: """ 函数为cv2.threshold( ) 这个函数有四个参数,第一个是原图像矩阵,第二个是进行分类的阈值,第三个是高于(低于)阈值时赋予的新值, 第四个是一个方法选择参数,常用的有: cv2.THRESH_BINARY(黑白二值) cv2.THRESH_BINARY_INV(黑白二值翻转) …...

    2024/3/14 0:57:49
  7. 部分排序

    /**部分排序给定一个整数数组,编写一个函数,找出索引m和n,只要将索引区间[m,n]的元素排好序,整个数组就是有序的。注意:n-m尽量最小,也就是说,找出符合条件的最短序列。函数返回值为[m,n],若不存在这样的m和n(例如整个数组是有序的),请返回[-1,-1]。示例:输入: [1…...

    2024/3/14 0:57:48
  8. 方法的定义格式

    一、方法:其实就是若干语句的功能更集合。1、定义方法的完整格式:修饰符、返回值类型、方法名称(参数类型 参数名称,…){方法体Return 返回值;}2、修饰符:现阶段的固定写法,public static3、返回值类型:方法最终产生的数据结果是什么类型4、方法名称:方法的名字。规则…...

    2024/3/14 0:57:47
  9. MySQL 数据库事务

    事务的ACID并发事务带来的问题更新丢失(Lost Update)脏读(Dity Reads)不可重复读(Non-Repeatable Reads)幻读(Phanton Reads)事务隔离级别...

    2024/3/14 0:57:45
  10. Java面向对象编程_包&访问控制权限&构造方法私有化&枚举

    总览其他文章链接 【 Java编程基础_注解与命名规则&数据类型&运算符&修饰符&流程控制】 【Java面向对象编程_方法&类与对象&数组&String类】 【Java面向对象编程_抽象类&接口&包装类&泛型】本文内容1,包2,访问控制权限3,构造方法私…...

    2024/3/14 9:52:51
  11. Unity 制作抖音同款 罗马时钟

    这个罗马时钟 好像出来好久了在某音上,刚看到 觉得很 好玩,所以自己就想着实现一下 效果,大概用了四个小时吧。 下面直接上图先说一下制作思路:1. 文本的放置位置。2.时间的获取 和校正。 3. Text随着时间的刷新 而刷新位置主要思路 就这些,然后就是 一些动画 效果。刚开始…...

    2024/3/14 9:52:46
  12. Android开发之带进度条的WebView

    带进度条的webview更多请查看博客说明:https://blog.csdn.net/xiayiye5/article/details/106571014立即下载老套路先看效果:直接上代码:区分java和kotlin版本Java版本:package com.example.progresswebview;import android.os.Bundle; import android.view.View; import an…...

    2024/3/14 4:01:33
  13. 零基础Python基础知识框架补充及复习(一、基础概念)

    感谢大家支持,会继续努力的。零基础的同学可以看看前面的系列,要不然可能会有些东西看不懂。基础概念: 什么是Python? Python是一种高级编程语言,在许多领域中有应用,包括Web编程、 脚本编写、科学计算和人工智能。 它很受欢迎,并被组织使用,例如谷歌、美国国家航空航天…...

    2024/3/14 4:01:28
  14. 跟我学Git(二)

    标记 Git可以把特定的历史版本标记为重要版本。 创建注释标签 git tag -a v1.4 -m "add tag"-a表示标签为注释标签,-m指定标记信息,它会和标签一起存储。 补加标签 更多的情况是经过多次测试,确定了一个稳定的历史版本,这时候需要补加标签说明。 git tag -a v1.2…...

    2024/3/19 11:28:50
  15. 电路基本概念

    电流 电流密度 电阻 电源 电流的连续性方程 恒定电流条件 欧姆定律的微分形式 有待完善...

    2024/3/14 4:01:19
  16. springboot项目mysql数据库中文乱码问题

    在application.properties中配置的数据库url后加上 ?useUnicode=true&characterEncoding=UTF-8,如下: spring.datasource.url=jdbc:mysql://127.0.0.1:3306/blog?useUnicode=true&characterEncoding=UTF-8...

    2024/3/27 21:15:58
  17. 《电子DIY》之基于51单片机的温度报警系统的设计与制作(数码管显示)(按键控制)

    链接: 添加链接描述...

    2024/3/21 14:25:49
  18. Codeforces Round #647 (Div. 1) - Thanks, Algo Muse! Solution(暂缺F)

    文章目录前言AAABBBCCCDDDEEE 前言 还好没打,不然掉分掉到爽-----实力还是太弱… AAA本题主要考察选手的英语阅读能力,我看十几分钟才看懂,呜呜呜 你需要写nnn篇博客,博客的主题相关性为一张图. 一篇博客的主题为所有相邻已写博客的主题的mex\text{mex}mex值(不考虑0). 现在已知…...

    2024/3/14 9:52:55
  19. 01django开发博客系统之后端开发

    一、新建项目1. 如何创建一个项目(project)创建一个项目,实际上就是创建一个Web网站。命令格式:django-admin startproject + 项目名示例:在home目录下创建一个项目,项目名为django_sitewgp@wgp-django:~$ sudo django-admin startproject django_site创建完毕,当前目录下…...

    2024/3/14 9:52:46
  20. Maven Helper插件解决包冲突问题

    安装Maven Helperidea安装maven helper安装成功后打开pom文件pom.xmldependency analyzer可查看pom所有包引用treeMaven 解析 jar 包依赖在 pom.xml 中引入某个 jar 包依赖,当 Maven 解析该依赖时,需要引入的 jar 包不仅仅只有 当前jar包,还会有这个jar包内部依赖的 jar 包,…...

    2024/3/14 4:01:11

最新文章

  1. go中继承、多态的模拟实现

    Go语言采用了与传统面向对象编程语言&#xff08;如Java或C&#xff09;不同的方法来实现继承和多态。 它通过接口&#xff08;Interfaces&#xff09;、结构体&#xff08;Structs&#xff09;和组合&#xff08;Composition&#xff09;提供了继承和多态的能力 继承的模拟实…...

    2024/3/28 21:42:23
  2. 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&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; 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
  3. Vue3中的reactive与ref

    前言&遇到的bug reactive与ref都是Vue3中非常重要的API&#xff0c;众所周知&#xff0c;用这两个API可以创建响应式数据&#xff0c;从而实现Vue的数据驱动视图。 平时用的时候只知道用ref定义基本数据类型&#xff0c;reactive定义引用数据类型。 因为今天发现一个bug…...

    2024/3/28 14:38:53
  4. THINKPHP仿Word 统计字数的方法

    项目需要根据文章字数自动统计字数&#xff0c;该方法和 word大概 一致&#xff0c; word 统计字数&#xff0c;相连的英文和数字&#xff08;半角&#xff09;会计算成一个字&#xff0c;如 good123就会统计成一个字&#xff0c;一下子也不知道该如何进行计算。 示例 functio…...

    2024/3/28 10:14:42
  5. 【外汇早评】美通胀数据走低,美元调整

    原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...

    2024/3/27 10:21:24
  6. 【原油贵金属周评】原油多头拥挤,价格调整

    原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...

    2024/3/24 20:11:25
  7. 【外汇周评】靓丽非农不及疲软通胀影响

    原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...

    2024/3/18 12:12:47
  8. 【原油贵金属早评】库存继续增加,油价收跌

    原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...

    2024/3/24 20:11:23
  9. 【外汇早评】日本央行会议纪要不改日元强势

    原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...

    2024/3/26 20:58:42
  10. 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响

    原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...

    2024/3/28 17:01:12
  11. 【外汇早评】美欲与伊朗重谈协议

    原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...

    2024/3/24 5:55:47
  12. 【原油贵金属早评】波动率飙升,市场情绪动荡

    原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...

    2024/3/27 10:28:22
  13. 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试

    原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...

    2024/3/26 23:04:51
  14. 【原油贵金属早评】市场情绪继续恶化,黄金上破

    原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...

    2024/3/26 11:20:25
  15. 【外汇早评】美伊僵持,风险情绪继续升温

    原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...

    2024/3/24 20:11:18
  16. 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势

    原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...

    2024/3/28 9:10:53
  17. 氧生福地 玩美北湖(上)——为时光守候两千年

    原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...

    2024/3/24 20:11:16
  18. 氧生福地 玩美北湖(中)——永春梯田里的美与鲜

    原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...

    2024/3/24 20:11:15
  19. 氧生福地 玩美北湖(下)——奔跑吧骚年!

    原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...

    2024/3/27 7:12:50
  20. 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!

    原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...

    2024/3/24 20:11:13
  21. 「发现」铁皮石斛仙草之神奇功效用于医用面膜

    原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...

    2024/3/26 11:21:23
  22. 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者

    原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...

    2024/3/28 18:26:34
  23. 广州械字号面膜生产厂家OEM/ODM4项须知!

    原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...

    2024/3/28 12:42:28
  24. 械字号医用眼膜缓解用眼过度到底有无作用?

    原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...

    2024/3/28 20:09:10
  25. 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&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  26. 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; 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
  27. 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&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  28. 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&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  29. 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&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  30. 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&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;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&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  31. 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&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;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&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  32. 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&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  33. 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&#xff0c;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&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  34. 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&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;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&#xff1f;一般的方…...

    2022/11/19 21:17:08
  35. 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 &#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  36. 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
  37. 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&#xff0c;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&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  38. 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&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  39. 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&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  40. 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&#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  41. 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&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;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&#xff0c;非常…...

    2022/11/19 21:17:00
  42. 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&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;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
  43. 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&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;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&#xff0…...

    2022/11/19 21:16:58
  44. 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