基于卷积神经网络和tensorflow实现的人脸识别
首先贴一下原文地址:http://tumumu.cn/2017/05/02/deep-learning-face/
以前在学习卷积神经网络的时候,发现了很多很有趣的demo,有一次发现了上面这个人脸识别的例子,不过当时还看不懂,经过一段时间之后决定试试能不能将上面的例子改一下,调以调参什么的,于是就有了这篇文章。本以为我的代码和原文没有什么太大的区别,应该不会出现什么错误,但是实际自己上手之后才会发现很多的问题。具体的程序安装,我这里就不再赘述了,大家可以参考原文,讲的很详细。下面我把我的代码贴出来。和原来的代码没有相差很多,就是改了一下中间的卷积层。自己实际操作还是学到了很多东西的。和原文相比,收集人脸和处理其他人脸的代码我都没有做太大的改变,只是去掉了原文代码中修改图片亮度和对比度的部分,所以我收集的图片都是一样的亮度和一样的对比度,这里就不贴这两部分的代码了。这里直接贴训练部分的代码和最后使用模型的代码。
import tensorflow as tf
import cv2
import numpy as np
import os
import random
import sys
from sklearn.model_selection import train_test_splitmy_faces_path = './gray_my_faces'
other_faces_path = './other_faces'#图片的大小采集的64*64
size = 64
imgs = []
labs = []#定义两个数组用来存放图片和标签
#这里是得到图片的大小,进行统一处理,将图片改成统一大小
def getPaddingSize(img):h,w,_ = img.shape#获得图片的宽和高还有深度top,bottom,left,right = (0,0,0,0)longest = max(h,w)if w < longest:tmp = longest - wleft = tmp // 2right = tmp - leftelif h < longest:tmp = longest - htop = tmp // 2bottom = tmp - topelse:passreturn top,bottom,left,rightdef readData(path,h=size,w=size):for filename in os.listdir(path):if filename.endswith('.jpg'):filename = path + '/' + filenameimg = cv2.imread(filename)top,bottom,left,right = getPaddingSize(img)#将图片放大,扩充图片边缘部分,这里不是很理解为什么要扩充边缘部分#可能是为了实现像padding的作用img = cv2.copyMakeBorder(img,top,bottom,left,right,cv2.BORDER_CONSTANT,value=[0,0,0])img = cv2.resize(img,(h,w))# 将对应的图片和标签存进数组里面imgs.append(img)labs.append(path)readData(my_faces_path)
readData(other_faces_path)#将图片数组与标签转换成数组,并给图片做上标签
imgs = np.array(imgs)
labs = np.array([[0,1] if lab == my_faces_path else [1,0] for lab in labs])#随机划分测试集和训练集,规定测试集的大小,这里是可以自己调的
train_x,test_x,train_y,test_y = train_test_split(imgs,labs,test_size=0.05,random_state=random.randint(0,100))#参数:图片数据的总数,图片的高、宽、通道
train_x = train_x.reshape(train_x.shape[0], size, size,3)
test_x = test_x.reshape(test_x.shape[0], size, size, 3)#将数据转换为小于1的数
train_x = train_x.astype('float32') / 255.0
test_x = test_x.astype('float32') / 255.0#输出一下获取的训练图片和测试图片的长度,也就是大小
print('train size:%s,test size:%s' % (len(train_x),len(test_x)))#图片块,每次取100张图片
batch_size = 100
#计算有多少个batch
num_batch = (len(train_x)) // batch_sizeinput = tf.placeholder(tf.float32,[None,size,size,3])
output = tf.placeholder(tf.float32,[None,2])#这里将input在进行处理一下
images = tf.reshape(input,[-1,size,size,3])keep_prob_5 = tf.placeholder(tf.float32)
keep_prob_75 = tf.placeholder(tf.float32)#下面开始进行卷积层的处理
#第一层卷积,首先输入的图片大小是64*64
def cnnlayer():conv1 = tf.layers.conv2d(inputs=images,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#输出大小是(64*64*32)#第一层池化pool1 = tf.layers.max_pooling2d(inputs=conv1,pool_size=[2,2],strides=2)#输出大小是(32*32*32)#第二层卷积conv2 = tf.layers.conv2d(inputs=pool1,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#输出大小是(32*32*32)#第二层池化pool2 = tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=2)#输出大小是(16*16*32)#第三层卷积conv3 = tf.layers.conv2d(inputs=pool2,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#(变成16*16*32)#第三层池化pool3 = tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=2)#输出大小是(8*8*32)#第四层卷积conv4 = tf.layers.conv2d(inputs=pool3,filters=64,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#输出大小是(变成8*8*64)# pool3 = tf.layers.max_pooling2d(inputs=conv4,# pool_size=[2,2],# strides=2)#输出大小是(变成4*4*64)#卷积网络在计算每一层的网络个数的时候要细心一些,不然容易出错
#要注意下一层的输入是上一层的输出#平坦化flat = tf.reshape(conv4,[-1,8*8*64])#经过全连接层dense = tf.layers.dense(inputs=flat,units=4096,activation=tf.nn.relu)#drop_out处理drop_out = tf.layers.dropout(inputs=dense,rate=0.5)#输出层logits = tf.layers.dense(drop_out,units=2)return logits# yield logitsdef cnntrain():logits = cnnlayer()# logits = next(cnnlayer())#交叉熵损失函数cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits,labels=output))#将训练优化方法改成GradientDescentOptimizer发现并没有加快收敛所以又改回AdamOptimizer#train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)train_step = tf.train.AdamOptimizer(0.01).minimize(cross_entropy)# 比较标签是否相等,再求的所有数的平均值,tf.cast(强制转换类型)accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(logits,1),tf.argmax(output,1)),tf.float32))#将loss与accuracy保存以供tensorboard使用tf.summary.scalar('loss',cross_entropy)tf.summary.scalar('accuracy',accuracy)#合并所有的Op为一个Opmerged_summary_op = tf.summary.merge_all()#数据保存器的初始化saver = tf.train.Saver()with tf.Session() as sess:sess.run(tf.global_variables_initializer())#把summary Op返回的数据写到磁盘里summary_writer = tf.summary.FileWriter('./tmp',graph=tf.get_default_graph())for n in range(10):#每次取100(batch_size)张图片for i in range(num_batch):batch_x = train_x[i*batch_size : (i + 1) * batch_size]batch_y = train_y[i*batch_size : (i + 1) * batch_size]#开始训练数据,同时训练三个变量,返回三个数据,_,loss,summary = sess.run([train_step,cross_entropy,merged_summary_op],feed_dict={input: batch_x, output: batch_y})summary_writer.add_summary(summary, n * num_batch + i)# 打印损失print(n * num_batch + i, loss)if (n * num_batch + i) % 100 == 0:# 获取测试数据的准确率acc = accuracy.eval({input: test_x, output: test_y,keep_prob_5:1.0,keep_prob_75:1.0})print("第%f个batch,准确率%f" % (n*num_batch+i, acc))# 准确率大于0.98时保存并退出if acc > 0.98 and n > 2:saver.save(sess, './train_faces.model', global_step=n * num_batch + i)sys.exit(0)print('accuracy less 0.98, exited!')cnntrain()
再加上最后使用模型的代码。
import tensorflow as tf
import cv2
import numpy as np
import os
import random
import sys
from sklearn.model_selection import train_test_split
import dlibmy_faces_path = './my_faces'
other_faces_path = './other_faces'#将得到的自己的图片和其他图片进行处理
size = 64
imgs = []
labs = []#定义两个数组用来存放图片和标签
def getPaddingSize(img):h,w,_ = img.shape#获得图片的宽和高还有深度top,bottom,left,right = (0,0,0,0)longest = max(h,w)if w < longest:tmp = longest - wleft = tmp // 2right = tmp - leftelif h < longest:tmp = longest - htop = tmp // 2bottom = tmp - topelse:passreturn top,bottom,left,rightdef readData(path,h=size,w=size):for filename in os.listdir(path):if filename.endswith('.jpg'):filename = path + '/' + filenameimg = cv2.imread(filename)top,bottom,left,right = getPaddingSize(img)#将图片放大,扩充图片边缘部分,这里不是很理解为什么要扩充边缘部分img = cv2.copyMakeBorder(img,top,bottom,left,right,cv2.BORDER_CONSTANT,value=[0,0,0])img = cv2.resize(img,(h,w))imgs.append(img)labs.append(path)#将对应的图片和标签存进数组里面readData(my_faces_path)
readData(other_faces_path)#将图片数组与标签转换成数组
imgs = np.array(imgs)
labs = np.array([[0,1] if lab == my_faces_path else [1,0] for lab in labs])#随机划分测试集和训练集
train_x,test_x,train_y,test_y = train_test_split(imgs,labs,test_size=0.05,random_state=random.randint(0,100))#参数:图片数据的总数,图片的高、宽、通道
train_x = train_x.reshape(train_x.shape[0], size, size,3)
test_x = test_x.reshape(test_x.shape[0], size, size, 3)#将数据转换为小于1的数,二值化使处理变得更简单
train_x = train_x.astype('float32') / 255.0
test_x = test_x.astype('float32') / 255.0#获取训练图片和测试图片的长度,也就是大小
print('train size:%s,test size:%s' % (len(train_x),len(test_x)))#图片块,每次取100张图片
batch_size = 100
num_batch = (len(train_x)) // batch_size#计算总共多少轮input = tf.placeholder(tf.float32,[None,size,size,3])
output = tf.placeholder(tf.float32,[None,2])#输出加两个,true or false
#这里注意的是tf.reshape不是np.reshape
# images = tf.reshape(input,[-1,size,size,3])keep_prob_5 = tf.placeholder(tf.float32)
keep_prob_75 = tf.placeholder(tf.float32)#下面开始进行卷积层的处理
#第一层卷积,首先输入的图片大小是64*64
def cnnlayer():#第一层卷积conv1 = tf.layers.conv2d(inputs=input,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#(64*64*32)
#第一层池化pool1 = tf.layers.max_pooling2d(inputs=conv1,pool_size=[2,2],strides=2)#(32*32*32)#第二层卷积conv2 = tf.layers.conv2d(inputs=pool1,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#(32*32*32)#第二层池化pool2 = tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=2)#(16*16*32)#第三层卷积conv3 = tf.layers.conv2d(inputs=pool2,filters=32,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#(变成16*16*32)
#第三层池化pool3 = tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=2)#(8*8*32)#第四层卷积conv4 = tf.layers.conv2d(inputs=pool3,filters=64,kernel_size=[5,5],strides=1,padding='same',activation=tf.nn.relu)#(变成8*8*64)# pool3 = tf.layers.max_pooling2d(inputs=conv4,# pool_size=[2,2],# strides=2)#(变成4*4*6)#卷积网络在计算每一层的网络个数的时候要细心一些
#卷积层加的padding为same是不会改变卷积层的大小的
#要注意下一层的输入是上一层的输出
#平坦化flat = tf.reshape(conv4,[-1,8*8*64])#经过全连接层dense = tf.layers.dense(inputs=flat,units=4096,activation=tf.nn.relu)#drop_out,flat打错一次drop_out = tf.layers.dropout(inputs=dense,rate=0.2)#输出层logits = tf.layers.dense(drop_out,units=2)return logits# yield logits
out = cnnlayer()
# out = next(cnnlayer())
predict = tf.argmax(out,1)
saver = tf.train.Saver()
sess = tf.Session()
saver.restore(sess,tf.train.latest_checkpoint('.'))def is_my_face(image):res = sess.run(predict, feed_dict={input: [image / 255.0]})if res[0] == 1:return Trueelse:return False# 使用dlib自带的frontal_face_detector作为我们的特征提取器detector = dlib.get_frontal_face_detector()cam = cv2.VideoCapture(0)while True:_, img = cam.read()gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)dets = detector(gray_image, 1)if not len(dets):# print('Can`t get face.')cv2.imshow('img', img)key = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)for i, d in enumerate(dets):x1 = d.top() if d.top() > 0 else 0y1 = d.bottom() if d.bottom() > 0 else 0x2 = d.left() if d.left() > 0 else 0y2 = d.right() if d.right() > 0 else 0face = img[x1:y1, x2:y2]# 调整图片的尺寸face = cv2.resize(face, (size, size))print('Is this my face? %s' % is_my_face(face))cv2.rectangle(img, (x2, x1), (y2, y1), (255, 0, 0), 3)cv2.imshow('image', img)key = cv2.waitKey(30) & 0xffif key == 27:sys.exit(0)sess.close()
总结:经过这一次的学习,对卷积神经网络有了更深的理解,在我修改代码的时候,虽然只是修改中间的卷积层,但还是出现了很多的问题,感觉自己不是写的代码而是写的bug。期间被卡住了很久,不过在Stack Overflow的一些大佬帮助下还是解决了问题(虽然我没有提问,但是上面之前的一些回答帮助了我很多)。总而言之,自己动手撸一遍代码还是比只是看看学到的多啊。
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
- 深度学习之视频人脸识别系列四:人脸表征-续
本文是深度学习之视频人脸识别系列的第四篇文章,接着第三篇文章,继续介绍人脸表征相关算法和论文综述。在本系列第一篇文章里我们介绍了人脸识别领域的一些基本概念,分析了深度学习在人脸识别的基本流程,并总结了近年来科研领域的…...
2024/5/4 0:07:16 - 人脸系列工作
参考文章: alibaba MNN, mobilenet classifier, centerface detecter, ultraface detecter, pfld landmarker and zqlandmarker, mobilefacenet https://github.com/MirrorYuChen/mnn_example 模型评估指标AUC(area under the curve) htt…...
2024/4/21 1:20:24 - 大总结--人脸检测
人脸检测(一) 2017年05月06日 17:34:16 HamTam12 阅读数:7960 标签: 人脸检测 OpenCV人脸检测 Dlib人脸检测 级联网络人脸检测 Seetaface 更多 个人分类: 人脸检测 caffe 版权声明:本文为博主原创文章…...
2024/4/21 1:20:23 - 人脸检测:Viola-Jones
这篇论文是2001年投稿、2004年发表的,作者是Paul Viola和Michael J. Jones。有趣的是当年的论文需要两年的审议时间,而如今两个月前的论文就可能过时了,时代在变化。 这篇论文实现了实时的人脸检测算法,是人脸检测这一问题最重要…...
2024/4/20 20:45:49 - computer vision:algorithm and application计算机视觉算法与应用这本书中附录里的关于计算机视觉的一些测试数据集和源码站点
Lyanzhstu.scau.edu.cn http://blog.csdn.net/lyanzh 转自:http://blog.csdn.net/zhubenfulovepoem/article/details/7191794 以下是computer vision:algorithm and application计算机视觉算法与应用这本书中附录里的关于计算机视觉的一些测试数据集和…...
2024/4/20 20:45:47 - 十大预训练模型,助力入门深度学习(第1部分 - 计算机视觉)
作者 | Joey 介绍 对于希望运用某个现有框架来解决自己的任务的人来说,预训练模型可以帮你快速实现这一点。通常来说,由于时间限制或硬件水平限制大家往往并不会从头开始构建并训练模型,这也就是预训练模型存在的意义。大家可以使用预训练模…...
2024/4/20 20:45:48 - NVIDIA之AI Course:Getting Started with AI on Jetson Nano—Class notes(一)
NVIDIA之AI Course:Getting Started with AI on Jetson Nano—Class notes(一) 导读 在线参加面向初学者的深度学习研究院课程,可以自由掌握进度。 将学习收集图像数据,并用其为自定义任务(例如识别手势以及用于找到图像中…...
2024/4/20 17:56:31 - NVIDIA之AI Course:Getting Started with AI on Jetson Nano—Class notes(三)
NVIDIA之AI Course:Getting Started with AI on Jetson Nano—Class notes(三) Notice The original text comes from NVIDIA-AI Course. This article only provides Chinese translation. 目录 Image Classification AI And Deep Learning AI And Deep Learnin…...
2024/5/4 4:14:59 - AI能让杨超越跳舞?背后原理大揭秘!
上个月杨超越编程大赛在github上大火了一段时间,不过随着时间失衡其热度慢慢下降了,不过而该赛事的31号作品《YCY Dance Now》横空出世,能够做到让用户给定一段跳舞的源视频并上传到指定网站,然后就可以欣赏到杨超越(注意这里不是单纯的换脸,而是整个人连同装束全变),表…...
2024/4/20 4:54:32 - 【技术综述】人脸关键点检测的数据集与核心算法
人脸关键点检测是诸如人脸识别、表情分析、三维人脸重建等其它人脸相关任务的基础。近些年来,深度学习方法已被成功应用到了人脸的关键点检测,本章将介绍深度学习方法在人脸关键点检测方向的研究。包括人脸关键点任务,包括其关键点检测数据集…...
2024/4/21 1:20:21 - 6月份最热门的机器学习开源项目Top10
编译 | Debra编辑 | NatalieAI 前线导读: 燥热的 6 月天已经结束了,本月机器学习领域又有哪些开源项目值得一看呢?Mybridge AI 从将近 250 个机器学习开源项目中评选出排名 Top10 的项目。这是他们对在此期间新发布或进行重大发布的项目进行比…...
2024/4/21 1:20:20 - 大学英语综合教程三 Unit 1至Unit 8 课文内容英译中 中英翻译
大学英语综合教程三 Unit 1至Unit 8 课文内容英译中 中英翻译 大家好,我叫亓官劼(q guān ji ),在CSDN中记录学习的点滴历程,时光荏苒,未来可期,加油~博客地址为:亓官劼的博客 本文原…...
2024/4/21 1:20:19 - EEG公开数据集汇总
人脑连接组计划,该数据库目前被试数约1200人,包括结构MRI、静息态MRI、任务态fMRI、MEG等数据模态,其他数据还包括人口统计学数据、神经心理学数据、基因数据。网址:http://www.humanconnectome.org/1000功能连接组计划(1000 Func…...
2024/4/21 1:20:17 - 2019年9月Github上最热门的开源项目
9 月份 GitHub 上最热门的开源项目排行已经出炉啦,在本月的名单中,有开源书籍、有开源课程等,下面就是本月上榜的10个开源项目:1pure-bash-biblehttps://github.com/dylanaraps/pure-bash-bible Star 21281这是一位澳大利亚的工程…...
2024/4/21 1:20:16 - 2020年5月Github上最热门的开源项目
5月份GitHub上最热门的开源项目排行已经出炉啦,一起来看看上榜详情吧1cwa-app-androidhttps://github.com/corona-warn-app/cwa-app-android Star 1526Corona-Warn-App(简称CWA)意思是“新冠病毒预警 App”,基于苹果和谷歌的 Expo…...
2024/4/21 1:20:15 - 计算机视觉论文-2021-07-13
本专栏是计算机视觉方向论文收集积累,时间:2021年7月13日,来源:paper digest 欢迎关注原创公众号 【计算机视觉联盟】,回复 【西瓜书手推笔记】 可获取我的机器学习纯手推笔记! 直达笔记地址:机…...
2024/4/21 1:20:14 - 人工智能/数据科学比赛汇总 2019.7
内容来自 DataSciComp,人工智能/数据科学比赛整理平台。 Github:iphysresearch/DataSciComp 本项目由 ApacheCN 强力支持。 微博 | 知乎 | CSDN | 简书 | OSChina | 博客园 Data Science for Good: CareerVillage.org https://www.kaggle.com/c/data-sc…...
2024/4/20 9:58:58 - Top10机器学习开源项目发布,历时一个月评出 | 附GitHub地址
原作:Mybridge问耕 补充整理量子位 出品 | 公众号 QbitAI从将近250个机器学习开源项目中,综合各种条件进行打分排序,最终Mybridge团队评选出十大最新、最棒的机器学习开源项目。这份Top10名单中包括对象检测、换脸、预测等等最热的AI明星、话…...
2024/4/21 1:20:13 - [Samuel Ko]——我的2020年回顾
0. 写在前面 其实一直以来,CSDN博客就完全是我个人的技术成长方面的记录和总结,由于工作的原因,一些更新,更好的资料没办法上传上来。 之前的CSDN对我来讲,更像是一个纯技术文档,在这已经几年了,也完全没有发一些关于个人的动态或者经历。现在是2021年1月3号,时光荏苒…...
2024/4/21 1:20:11 - 行人检测资源【转】
来自:http://blog.csdn.net/hermito/article/details/51153837 行人检测资源(上)综述文献 http://www.cvrobot.net/pedestrian-detection-resource-1-summary-review-survey/ 行人检测资源(下)代码数据 http://www.cvr…...
2024/4/20 20:45:56
最新文章
- 【LeetCode】树的DFS(前序、中序、后序)精选10题
目录 前序遍历: 1. 二叉树的所有路径(简单) 2. 求根节点到叶节点数字之和(简单) 3. 路径总和 III(中等) 中序遍历: 1. 递增顺序搜索树(简单) 2. 验证二…...
2024/5/4 8:11:43 - 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 - [C++][算法基础]模拟队列(数组)
实现一个队列,队列初始为空,支持四种操作: push x – 向队尾插入一个数 x;pop – 从队头弹出一个数;empty – 判断队列是否为空;query – 查询队头元素。 现在要对队列进行 M 个操作,其中的每…...
2024/5/1 13:02:53 - docker进行jenkins接口自动化测试持续集成实战
文章目录 一、接口功能自动化测试项目源码讲解二、接口功能自动化测试运行环境配置1、下载jdk,maven,git,allure并配置对应的环境变量2、使用docker安装jenkins3、配置接口测试的运行时环境选择对应节点4、jenkins下载插件5、jenkins配置环境…...
2024/5/3 5:48:46 - 【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…...
2024/5/1 17:30:59 - 【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…...
2024/5/2 16:16:39 - 【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…...
2024/4/29 2:29:43 - 【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…...
2024/5/3 23:10:03 - 【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…...
2024/4/27 17:58:04 - 【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…...
2024/4/27 14:22:49 - 【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…...
2024/4/28 1:28:33 - 【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…...
2024/4/30 9:43:09 - 【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…...
2024/4/27 17:59:30 - 【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…...
2024/5/2 15:04:34 - 【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、…...
2024/4/28 1:34:08 - 【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…...
2024/4/26 19:03:37 - 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…...
2024/4/29 20:46:55 - 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…...
2024/4/30 22:21:04 - 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…...
2024/5/1 4:32:01 - 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…...
2024/5/4 2:59:34 - 「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…...
2024/4/28 5:48:52 - 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…...
2024/4/30 9:42:22 - 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」。 …...
2024/5/2 9:07:46 - 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…...
2024/4/30 9:42:49 - 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