好花不常开

最新推荐文章于 2024-07-26 09:57:20 发布

destiny0714

最新推荐文章于 2024-07-26 09:57:20 发布

阅读量846

点赞数

分类专栏：随笔而已文章标签： fckeditor

本文链接：https://blog.youkuaiyun.com/destiny0714/article/details/1124708

版权

随笔而已专栏收录该内容

14 篇文章

订阅专栏

csdn的FCKeditor为什么如此脆弱，刚写好的内容，设置一下格式，就弹出vs2005叫我调试，眼看着那好不易打的字，就这么没有了。
外边的破雨还在下个不停，越下越冷，看来明天打算去游泳的念头又可以打消了。
时间过得可够快的了，转眼三个月的夏天又没了，秋天到了，不知今年的秋天能收获些什么呢？

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

destiny0714

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【转载】100个思维模型（不一定都适用，各取所需）

我驾驶汽车从不是为了从A点到达B点，我喜欢去感受汽车，与之交流，与之融为一体。

01-09

1万+

世界上最有智慧的人是怎样理性思考的？他们在商业活动和个人生活中是如何做决策的？ 95岁的智慧老人查理·芒格的“多元思维模型”，相信大家都不陌生。他提倡要学习在所有学科中真正重要的理论，并在此基础上形成所谓的“普世智慧”，以此为利器去研究商业投资领域的重要问题。因为每个学科都是从一个独特的角度去切入了解这个世界，都是一个摸象的瞎子。要对世界有真实的了解，就必须掌握多个学科的核心思维方式。本文是对查理·芒格100个思维模型的重磅汇总，值得收藏起来反复研读、推敲精进。正文：对查理·芒格的100个思维模型的汇总是希

英语学习加油站[收集]

★(ChengKing)【夜战鹰】【产品级性能调优与故障诊断分析】★

07-16

4813

智慧英语Blind men can judge no colours. 不宜问道于盲. Blessed is he who expects nothing, for he shall never be disappointed. 人无所求最享福，因他不为失望苦. Blood is thicker than water. 血浓于水. Blood will have blood. 血债要用血

参与评论您还未登录，请先登录后发表或查看评论

忘川花开

aa1000777的专栏

10-09

1013

曼珠沙华传说，很久很久以前，某个城市的边缘开满了大片大片的曼珠沙华，也就是彼岸花，它的花香有一种魔力，可以让人想起自己前世的事情。守护彼岸花的是两个妖精，一个是花妖叫曼珠，一个是叶妖叫沙华。他们守侯了几千年的彼岸花，可是从来没有见过面，因为开花的时候，就没有叶子，有叶子的时候没有花。他们疯狂地想念着彼此，并被这种痛苦折磨着。终于有一天，他们决定违背神的规定偷偷地见

导游词怎么写？十分钟速学

2401_86357738的博客

07-26

1265

导游词写作技巧

单反相机的传奇—佳能单反50年辉煌之路(连载二)

dbjtimve93993的博客

06-03

293

Kwanon——迷一样的观音单反相机的传奇—佳能单反50年辉煌之路(连载二) 作者木木　　精机光学研究所挂牌半年后，也就是1934年6月，第一台相机“Kwanon”试制出品。即使不懂梵文，我们从Logo上的千手观音也能够一眼明白，Kwanon就是我们熟知的大慈大悲观世音菩萨，原来吉田五郎笃信佛教，对观世音尤其虔诚，而相机所采用的镜头取名“Kasyapa”，则是释迦牟尼十大弟子之...

失意时，要耐得住寂寞

平平爱学习的博客

03-06

522

风物长宜放眼量 ——在法学院研究生毕业典礼上的讲话何兵（中国政法大学法学院副院长）失意时，要耐得住寂寞 1984年，我在县城的机关工作。因为年轻，不明世事，很快就让一位领导不高兴。现在想来，他其实也没大毛病，只不过染有小官僚的恶习。阿谀奉承，拍上压下……得罪领导，是官场大忌，他不让我入党。在机关工作，不能入党，意味着不能进步。有一次，我和他单独谈话，问他凭什么？他说了一...

用python批量下载网络图片_批量下载网站图片的Python实用小工具

weixin_39597987的博客

11-22

317

本文适合于熟悉Python编程且对互联网高清图片饶有兴趣的筒鞋。读完本文后，将学会如何使用Python库批量并发地抓取网页和下载图片资源。只要懂得如何安装Python库以及运行Python程序，就能使用本文给出的程序批量下载指定图片啦！在网上冲浪的时候，总有些“小浪花”令人喜悦。没错，小浪花就是美图啦。边浏览边下载，自然是不错的；不过，好花不常开，好景不常在，想要便捷地保存下来，一个个地另存为还是...

山重水复疑无路，最快下降问梯度（深度学习入门系列之七）

chuange6363的博客

09-10

180

一年多前，吴军博士写了一本畅销书《智能时代》[1]。书里提到，在人工智能领域，有一个流派叫“鸟飞派”，亦称之为“模仿派”。说的是，当人们要学习飞翔的时候，最先想到的是模仿鸟一样去飞翔。很多年前，印度诗人泰戈尔出了本《飞鸟集》，里面有个名句：“天空没有留下翅膀的痕迹，但我已经飞过”。有人对此...

被华策、欢瑞等甩下，唐人影视往日荣光已成回忆？

weixin_34270865的博客

12-05

374

说起唐人影视，相信大家并不陌生，长期以来，唐人影视都备受大家的喜爱，推出了不少经典好剧，如早前的《绝代双骄》、《宝莲灯》、《杨门女将之女儿当自强》等。特别是通过游戏改编的《仙剑奇侠传》、《仙剑奇侠传三》、《轩辕剑之天之痕》等更是让唐人影视在市场上站稳脚跟。今年是唐人影视成立的20周年，曾几何时，唐人影视一直是行业翘楚，但时至今日，唐人影视逐渐走下了那个辉煌的宝座，说是沦为业界笑话也不为过。唐人...

【深度学习之美】山重水复疑无路，最快下降问梯度（入门系列之七）

玉来愈宏的随笔

06-24

878

（原文于2017年6月发表于云栖社区：https://yq.aliyun.com/articles/105339）一年多前，吴军博士写了一本畅销书《智能时代》[1]。书里提到，在人工智能领域，有一个流派叫“鸟飞派”，亦称之为“模仿派”。说的是，当人们要学习飞翔的时候，最先想到的是模仿鸟一样去飞翔。很多年前，印度诗人泰戈尔出了本《飞鸟集》，里面有个名句：“天空没有留下翅膀的痕迹，但我已经飞过”。有人...

人在什么情况下叫人看不起？

地推

02-25

577

就我而言，我最看不起的是：无时不刻都在算计别人的人，认为自己算计的滴水不漏，但是人都不是傻子，多数人会疏远，断绝，当然也有少数人好面子，给她（他）留面子，自己吃点哑巴亏。我姑奶奶家两个儿子都有钱，一个当官一个当老板，就女儿是个普通工人，但是女婿有本事，靠着当官的舅子哥包揽小工人，高价包来工钱到位。但是姑奶奶因为孩子小时候日子紧张的原因吧，日子过的就像五花肉，富亲戚来了和穷亲戚来层次分的很清楚。。平日亲戚去她家，桌子上干干净净，没有水果，没有干果，更别提烟和酒了。我和我父亲去拜年，总是干坐一会，说几句

一位导游小姐的经典欢送词.docx

02-14

- **情感共鸣**：通过共情的语言，比如提到“好花不常开，好景不常在”，激发游客的情感共鸣，使欢送词更加感人。 - **未来期待**：通过表达对再次相聚的期望，为欢送词画上圆满的句号，如“何时君再来？”等语句，...

项目百态深入理解软件项目行为模式

01-12

生日手机祝福短信.doc

03-01

3. 语言艺术：文档中的祝福语句使用了优美的比喻和象征，如“心灵深处的好花常开”、“友情如酒，愈陈愈香”，展现了中文语言的丰富性和表达力。 4. 成长阶段的象征：文档提到了不同的年龄，如16岁、17岁、18岁，...

在 Windows XP 计算机上安装打印机驱动程序

坚信与成长

12-25

5167

在 Windows XP 计算机上安装打印机驱动程序 loadTOCNode(2, summary);若要在 Windows XP 计算机上本地安装打印机驱动程序，请按照下列步骤操作： 1. 如果使用的是基于 Wiondows XP 的计算机，请单击开始，单击控制面板，单击“打印机和其它硬件”，然后单击

WIN98自动获取ip地址上不去网的问题

坚信与成长

11-23

3384

昨天一个客户的机器上不去网，跑去看了一下，机器配置蛮高的，系统是新做的WIN98，直接接入100M局域网，局域网共享2MaD上网，系统地ip地址分配是自动获取，但是死活上不去网。检查了一下，没有发现问题，就是ping不通网关。开始以为是网线的问题，拿下来测了一下发现有几根是不通的，但是那不通的几根是不影响100M数据传输的，安心起见，还是重新打了接头，测试通过，接上机器，郁闷还是ping不

另类人生三大悲，三小悲【三大悲哀，三小悲哀】

坚信与成长

08-26

2551

今天在单位看于博士的视频，说人生三大悲哀，在网上查到了这么一段。原来人生中有这样的三大悲哀：酒喝不醉，觉睡不觉，钱花不完．三小悲哀：上大学时上了一个没有兴趣的学科，上班时找了一个没有兴趣的工作，在旁边找了一个不喜欢的伴侣天啊，呵呵．的确有点道理大家是否用一种平和心态看待自己人生，世界观相信会找到属于自己快乐的东西。呜呜，为什么我一样都不占阿，沾酒就醉，倒下就睡，钱不花都不够啊，疯了！

一池江水半江灯。繁星点点落江城，严霜寒雪封不住，若明若暗水火情

坚信与成长

08-28

1882

——招聘——吉林省鸿源信息技术有限公司

坚信与成长

12-19

1430

招聘职位：系统分析师人数1 人 4000-6000任职资格：1．精通B/S程序设计，精通.NET技术，并熟悉JAVA技术。2．精通设计模式，UML语言，面向对象技术。3．熟悉CMMI，深入了解软件工程方法。4．从事过10人以上的大中型应用软件项目开发经验。5．具备良好的识别和设计通用框架及模块的能力。6．能吃苦，具有良好的团队沟通协作能力。7．熟悉GIS开发，有supermap开发经验者优先

使用Vision Transformer 进行图像分类

最新发布

01-02

### 使用 Vision Transformer 实现图像分类 #### 构建模型架构 Vision Transformer (ViT) 将输入图像分割成固定大小的多个图块(patch)，这些图块被线性嵌入(embedding)，随后位置编码(position encoding)会被加到嵌入向量上，最后送入由多头自注意力机制(multi-head self-attention mechanism)组成的变换器(transformer encoder)[^1]。 ```python import torch.nn as nn from vit_pytorch import ViT model = ViT( image_size=256, patch_size=32, num_classes=100, # CIFAR-100 数据集类别数 dim=1024, depth=6, heads=8, mlp_dim=2048, dropout=0.1, emb_dropout=0.1 ) ``` 此代码片段定义了一个基于 PyTorch 的 ViT 模型实例化对象 `model`。参数设置取决于具体应用场景需求以及所使用的硬件资源情况[^2]。 #### 准备数据集对于不同的图像分类任务，准备相应的数据集至关重要。例如，在处理花卉图片时，先要确保已下载好花分类数据集，并按照一定比例划分为训练集和验证集/测试集[^3]： ```python from torchvision.datasets import ImageFolder from torchvision.transforms import ToTensor from torch.utils.data.dataloader import DataLoader train_dataset = ImageFolder(root='path_to_train_data', transform=ToTensor()) test_dataset = ImageFolder(root='path_to_test_data', transform=ToTensor()) batch_size = 64 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size * 2) ``` 这段 Python 脚本展示了如何加载本地存储的数据文件夹作为数据源，并创建适合批量训练的数据迭代器。 #### 训练过程一旦完成了上述准备工作之后就可以开始正式进入训练环节了。通常情况下会采用交叉熵损失函数(cross entropy loss function)配合随机梯度下降(SGD)优化算法来最小化预测误差；同时为了防止过拟合还可以引入正则项如权重衰减(weight decay)等技术手段: ```python import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=1e-4) for epoch in range(num_epochs): running_loss = 0. for images, labels in train_loader: optimizer.zero_grad() outputs = model(images.cuda()) if use_gpu else model(images) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels.cuda() if use_gpu else labels) loss.backward() optimizer.step() running_loss += loss.item() * images.size(0) print(f'Epoch [{epoch}/{num_epochs}], Loss: {running_loss / len(train_loader.dataset)}') ``` 这里给出了一段简单的循环体用来遍历整个训练周期内的每一个批次(batch)，并通过反向传播调整网络内部各层之间的连接权值以期达到更好的泛化能力。