爱吃肉的悟空-优快云博客

原创重启之后docker不能用了：Docker Error starting daemon: Devices cgroup isn‘t mounted；Got permission denied whil

centos7系统明明挂载了cgroup，却非要说我没挂载重启之前好好的，重启之后出了问题，搞了好久才解决umount /sys/fs/cgroup/memory/mount -t cgroup -o memory cgroup /sys/fs/cgroup/memory/mount -t cgroup -o memory none /sys/fs/cgroup/memory/重启之后还发现，root用户可以使用docker，但是普通用户无法使用，会报错：Got permission denied whi

2022-07-13 17:09:36 2108

原创 crontab 时间参数设置，不运行或报错的处理

先放结论：有时候我们的代码需要在crontab中传入特定的时间参数，比如我希望运行如下代码：python main.py -t 202207080000 202207130000假设上述代码表示传入两个时间参数-t后面的时间参数，我们往往希望是跟着时间动态变化的，这个时候需要如下设置：python main.py -t $(date "+\%Y\%m\%d\%H\%M" -d "-4 hours") $(date "+\%Y\%m\%d\%H\%M" -d "-0 hours")或者python main

2022-07-13 14:52:46 1068

原创 FY4A数据读取与插值

先说结果：已实现YF4A总共57种产品的数据读取，并且进行了经纬度矩阵的计算，有效区域与无效区域的标定，根据指定经纬网格进行插值等功能，后续将会更新定标、定位、几何校正、数据反演等功能代码在github:https://github.com/aiwei169/FY4Ahttps://github.com/aiwei169/FY4A使用方法如下，现任选一个FY4A文件（用户使用时，只需要输入路径即可，程序会自动识别是哪一个FY4A产品），比如输入CLT产品，并插值到中国区域import ut..

2021-09-28 15:24:59 8469 70

原创 gitlab练手小项目

gitlab练手小项目目录：前言正文小测试学习目标展望附部分pycharm与git使用指南前言某次下午茶分享会中，王建淼提出了资料库的建设方案，并暂定了gitlab为资料库存储平台。基于平时的观察，发现大家对gitlab的使用并不频繁，同时无从了解大家对gitlab使用的熟悉程度。（或许可以做个小调查，但无论调查结果如何，并不影响本方案的实施）gitlab是个非常有用的工具综合以上三点，有必要推.

2020-11-24 10:45:27 561 1

原创 QSWAT-AW应用中遇到的一些bug

一开始想要利用QSWAT-AW完全替代QGIS-QSWAT插件，故尝试运行swatplus_aw.sh： swatplus_aw.sh末尾加上read，保存并运行，方便查看bug信息见bug 1-8 后遇到bug 8，暂时未能解决。改只调用run_calibration.py程序率定参数：用 pycharm 打开run_calibration.py， Code->Edit Configurations Script path填上C:\SWAT\SWA.

2020-11-23 15:38:48 1575 4

原创 SWAT的Fortran源码编译过程中的一些bug

编译：Setting->complier->Other complier options添加一行-ffree-line-length-noneToochain executables->Linker for dynamic libs修改成mingw32-gfortran.exerev59.2版本与59.3版本的差异在流量的单位上，59.2版本的流量单位是ha-m（公顷/天），59.3版本是m3/s（立方米/秒），单位转化需要*/86400ru_all..

2020-11-23 15:37:35 1741 3

原创 QSWAT模型模拟水文流域出流量

QSWAT安装略对DEM文件进行处理获取DEM数据文件 147-> /data/DEM/-> china.tif 或 147-> /data/DEM/dem/-> 各省.tif 导入图层 Layer-> Add Layer-> Add Raster Layer [...] 打开所在省/国/洲的tif文件（DEM数据文件）

2020-11-23 15:25:09 3199 1

原创 seadas及ocssw模块安装教程

先放结果seadas的linux版本功能齐全，这里给出seadas linux版的安装教程，以及ocssw模块的安装主要分为3个大步骤：1.安装虚拟机2.安装ubuntu3.安装seadas及ocssw模块由于考虑到网络原因，本教程将在完全不用翻墙的情况下进行，我本人已经单独下载好了安装所需要的所有的组件，上传到百度云：链接：https://pan.baidu.com/s/1OdxUaTHz1sICu_ocaskbpg提取码：sdas（如果链接失效，请联系wec..

2020-10-22 11:48:15 5235 18

原创电影条形码的制作

每一部电影，都有其独特的条形码，方法是将视频的每一帧提取出来，并且做成长条Reddit网友etherealpenguin做了一件很好玩的事儿：他用Java做了一个程序，可以截取电影中每一帧画面的颜色的平均色。他选了几部喜欢的电影截取平均色，然后把所有帧的颜色都压进了一张图里，看起来就像是这个电影的专属条形码。但是我不认同平均色这种做法，因为他没有上下的变化，整个画面只有一种颜色，这是不...

2020-03-31 20:59:21 3461 2

原创 TeX Live2018_latex安装教程

Y·S 2018年8月5日15:00:32点击链接https://tug.org/texlive/ 注：Latex不止TeX这一种，这里只给出了TeX的安装，如果想尝试别的软件的同学可以自行寻找其他教程。并执行如下操作：第一步第二步第三步第四步第五步装载下载好了的Tex Live安装包：分以下几种情况：...

2018-08-05 15:08:06 80574 13

FY4A数据读取代码codes.7z

FY4A数据读取代码

2021-09-28

gis_data.txt

数据名称文件格式全球DEM_30m nc 全球DSM_30m tiff 中国各省土地利用数据_1km（含二级分类） tiff、arcgis文件中国土地利用数据_30m（含二级分类） tiff 2000、2010、2020年的全球30m土地利用数据 tiff 中国各省、市、县行政区矢量文件 shp

2021-07-14

install_ocssw.py

修改过了的install_ocssw.py，配合https://pan.baidu.com/s/1OdxUaTHz1sICu_ocaskbpg 提取码：sdas 一起使用，原本的install_ocssw.py有许多问题

2020-10-22

seadas_7.5.3_linux64_installer.sh

seadas7.5.3-linux版，seadas7.5.3-linux版，seadas7.5.3-linux版，seadas7.5.3-linux版seadas7.5.3-linux版

2020-04-16

linux下的anaconda和tensorflow

2020-04-16

杜卡莫—黎曼几何

很好的书，是黎曼几何的经典教材，适合本科生，或者非数学系研究生研读

2018-09-30

Learning PDEs for image restoration via optimal control

2018-08-05

image processing and analysis

原文标题是：Introduction to the special issue on partial differential equations and geometry-driven diffusion in image processing and analysis 1998年，学者们首次较为系统地将机器学习+PDE用于Image processing

2018-08-05

机密空间信息隐藏与遥感影像授权使用

这是一篇论文这是一篇论文这是一篇论文这是一篇论文这是一篇论文这是一篇论文

2018-05-30

基于深度卷积神经网络的人脸识别技术综述_景晨凯

人脸识别是计算机视觉的重要应用之一，广义的人脸识别包含图像采集、人脸检测、人脸对齐、特征表示等过程。人脸识别的发展史主要是人脸特征表示方法的变迁史。针对特征的表示方法，从人脸识别技术的发展历史、研究现状和未来发展三个方面进行综述:分阶段对传统的几类经典的人脸识别算法进行回顾和总结;以深度学习算法的诞生过程为切入点，重点分析了在人脸识别中取得突破性进展的深度卷积神经网络 DCNN(deep convolutional neural networks)的技术思想和关键问题;针对人脸识别和深度学习算法的重大挑战，展望了未来可能存在的发展方向。

2018-04-08

复杂环境下的人脸识别Deep Learning Face Attributes in the Wild

Predicting face attributes in the wild is challenging due to complex face variations. We propose a novel deep learning framework for attribute prediction in the wild. It cascades two CNNs, LNet and ANet, which are fine- tuned jointly with attribute tags, but pre-trained differently. LNet is pre-trained by massive general object categories for face localization, while ANet is pre-trained by massive face identities for attribute prediction. This framework not only outperforms the state-of-the-art with a large margin, but also reveals valuable facts on learning face representation.