jjw_zyfx的博客

python利用pyshark监听网卡来抓包其中pyshark中摸索的一些可用参数

ubuntu python使用boost调用c++代码详细且简单的过程

python 在包含类似字符\x16、\x12、\x某某的数组中将以\x开头的字符找出来的方法

python vue3实现大文件分段续传(断点续传)--带暂停和继续功能

django djangorestframework-simplejwt djangorestframework token的生成、刷新、校验以及django中间件拦截并解析token

python rabbitmq实现简单/持久/广播/组播/topic/rpc消息异步发送可配置Django

flask_socketio 以继承 Namespace方式实现一个网页聊天应用

flask flask-socketio创建一个网页聊天应用

flask before_request 请求拦截器返回无值则放行，有值则拦截

django celery 实现异步、延迟、定时任务

Django结合websocket实现分组的多人聊天

Django和websocket实现简单的多人聊天

linux每隔一段时间执行一次程序

Linux 中的ps -ef | grep -v awk -z -f参数详解

linux 运行.sh 让其执行其中的Python文件

pytorch cv2 plt transforms pause waitforbuttonpress一个完整的图片处理程序

torch.utils.data.RandomSampler和torch.utils.data.SequentialSampler的区别

torchvision.models._utils.IntermediateLayerGetter

python 实现将RGBA 转换为RGB

Python 将JPEG变成jpg

tarfile 解压tar

服务器上下载百度云数据

官方解释：各参数详细解释：precision 精度threshold 阈值edgeitems 边界元素数linewidth 线宽 即一行容纳多少位profile 显示样式

python

在看moco源码时发下有个这样的代码不知道咋用的，复现了一下model = moco.builder.MoCo( # 这种初始化模型的方式是因为导包的时候导到了moco这一层 models.__dict__[args.arch], args.moco_dim, args.moco_k, args.moco_m, args.moco_t, args.mlp)print(model)具体复现过程如下：1、文件夹目录如下：只需要红框框住的这三个.py文件就行，test文

代码链接请点击下载1、首先要下载ISBI Challenge数据集点击下载提取码： ob5k2、登录华为云 在服务列表中搜obs 点进入对象存储服务obs3、进入后点击创建通3.1、创建通3.2、创建内容3.3 进入桶内4、新建文件及上传文件4.1、按照这个目录进行创建4.2、创建文件夹unet4.3、点击unet文件夹，进入后创建src和data文件夹(同上)，这里演示上传文件如下：4.3.1 点击上传4.3.2 文件上传4.3.3上传main.py 和READM

代码如下：import paramikoimport osfrom ftplib import FTPimport paramiko, osimport json# def callback(current, total):# print("文件大小为：{}，已经下载了：{}".format(total, current))# def ssh_download(fromPath, toPath, timeout=120, host='你的第一个服务器的IP地址', port='2

代码及效果如下：先导包import cv2import albumentationsfrom albumentations.pytorch.transforms import ToTensorV2import matplotlib.pyplot as plt原图：image = cv2.imread('./cat3.jpg')image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)plt.figure(figsize=(5, 5)) plt.imsh

from sklearn.model_selection import KFoldkfold = KFold(n_splits=5, shuffle=False) # n_splits：将原始数据分成多少折(份) shuffle：是否打乱每折的顺序test = torch.arange(10)for train_data, test_data in kfold.split(test): # 可以看出分为5折，先前两个作为测试数据，后8个作为训练数据，然后依次类推 print(train_d

报错的原因呢是因为使用迭代器的时候用了多个workers即在这一句for (tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X, mlm_Y, nsp_y) in train_iter: 而这个train_iter的参数为：num_workers = d2l.get_dataloader_workers()train_iter = torch.utils.data.DataLoader(train_set, batch

d2l.Vocab(sentences, min_freq=2, reserved_tokens=['<pad>', '<mask>', '<cls>', '<sep>'])sentences：源句子，比如说 sentences赋值为下边的五个句子 注意第一句我手动添加了两个'<unk>',第二句添加了'<pad>', '<mask>', '<cls>', '<sep>',作为第三个参数的测试[

代码如下：net = nn.Linear(2, 2)print(net.state_dict())输出结果：OrderedDict([('weight', tensor([[ 0.6155, -0.4649], [-0.1848, -0.0663]])), ('bias', tensor([-0.0265, -0.4134]))])从输出结果可以看出，在适用nn.Linear的时候会自动给weight和bias赋初值，点进Linear后可以发现Att

先看代码def dropout_layer(X, dropout): """该函数以dropout的概率丢弃张量输入X中的元素 """ assert 0 <= dropout <= 1 # 在本情况中，所有元素都被丢弃。 if dropout == 1: return torch.zeros_like(X) # 在本情况中，所有元素都被保留。即不用丢弃 if dropout == 0: return X

交叉熵公式：H(p,q)=−∑plogqH(p,q) = - \sum plogqH(p,q)=−∑plogq为啥使用交叉熵，先看一组例子对比如果对于多分类的真实值的概率为q = [1, 0, 0, 0, 0] 可以理解为，[是猫,非猫,非猫,非猫,非猫]多分类的预测值的概率为(第一组)p = [0.4, 0.3, 0.05, 0.05, 0.2] 则计算交叉熵结果为：0.916如果预测值的结果为另一组(第二组)即p=[0.98, 0.01, 0, 0, 0.01]则交叉熵的结果为：0.02经过

import osimport timeimport cv2from pathlib import Pathimport globstart_time = time.time()result = os.system('ffmpeg -i out.mp4 -f image2 -v quiet ./video_test/frame%05d.jpg')end_time = time.time()ffmpeg_total_time = end_time-start_timeimage_list

1、Mac安装请点击这里2、使用介绍：显示ffmpeg使用的基本信息命令：ffmpeg -h显示ffmpeg使用的高级信息命令：ffmpeg -h long显示ffmpeg使用的所有信息命令：ffmpeg -h full也可以打印到文件中查看详细的内容：ffmpeg -h long > ffmpeg_h_long.log粗略查找：win用: ffmpeg -encoders | findstr x264mac用: ffmpeg -encoders | grep x264 查找流中

1、先点击这里去官网下载文件2、在桌面建一个叫ffmpeg 的文件夹并将下载的文件解压到这个文件夹下如下图：3、新开一个终端然后输入如下命令(配置环境变量)：open ~/.zshrc4、按如下内容编辑环境变量，编辑完后保存 Ctrl+s# FFmpegexport PATH=$PATH:/Users/jjw/Desktop/ffmpeg5、重新打开一个终端输入如下命令就可以在任意终端使用ffmpeg了：source ~/.zshrc6 例如，新开一个终端输入ffmpeg显示结

第一种方式：cv2：import cv2class my_net(nn.Module): def __init__(self): super(my_net, self).__init__() #加载ResNet预训练模型 self.model = resnet50(pretrained=False) self.model.load_state_dict(torch.load('./models/resnet50-19c8e357.p

numpy.ndarray的数组中numpy.ndarray的list和int居然可以直接进行比较并把结果作为索引import numpy as npb = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])a = np.array([0, 0, 0, 1, 1, 1, 2, 2, 2])print(type(a))for i in range(3): # 真神奇了，这个居然也能比较 # numpy.ndarray的list和int类型的在数组中 #

从上图可以看出来argsort先进行升序排序，排完序后再将现在排序的结果在原来数组中的索引返回即：2为排序后的第一个数，2在原来列表中的索引为4，所以输出的列表的第一个数也是4，同样排序后的4在原来的列表中的索引为3所以输出结果的第二个也是3...