心惠天意

读取文件最后一行和从文件最后一行往上读取

图片相似度比较，并动态更新图片

终端运行结果2022-01-13 11:28:50.703903: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.11.02022-01-13 11:28:52.229102: I tensorflow/compiler/jit/xla_cpu_device.cc:41] Not creating XLA devices, t

CNN卷积神经网络启发卷积层卷积层总结1x1卷积作用卷积层作用为什么需要池化层Pooling池化层最大池化池化层总结启发我们想要识别的物体的特征知识占用整个图像的一小块区域想要识别的物体的特征会出现在不同图像的不同区域卷积层卷积神经网络是包含卷积层的神经网络，一个卷积层包含多个卷积核用于识别多个图像特征全连接层32x32x3 图像 -----> 拉伸展平为 3072x1卷积层32x32x3图像 -----> 保留空间结构不变概念一个滤波器两个滤波器六

深度学习正则化偏差和方差数据集划分偏差与方差的意义解决办法正则化正则化项的理解神经网络中的正则化L1与L2正则化为什么能够防止过拟合Droupout正则化Dropout 模型描述问题：为什么需要去做rescaleDroupout为什么有效（如何理解）Dropout实用指南偏差和方差数据集划分首先我们对机器学习当中涉及到的数据集划分进行一个简单的复习训练集（train set）：用训练集对算法或模型进行训练过程；验证集（development set）：利用验证集（又称为简单交叉验证集，hold-

Sigmoid——二分类将输出转换为概率概率的值范围为0.0到1.0属于所有类别的概率之和为1.0σ(li)=11+e−liσ(li) = \frac{1}{1 + e^{-li}}σ(li)=1+e−li1​Softmax——多分类S(li)=e(li)∑ke(lk)S(l_i) = \frac{e^(l_i)}{\sum{_k}e^(l_k)}S(li​)=∑k​e(lk​)e(li​)​multi-label分类，非 multi-class分类输出属于对个类别中的一个

python实现RabbitMQ的消息队列的示例代码rabbitmq_utils.pypublish.pyconsumer.pyrabbitmq_utils.pyimport pikaimport jsonimport timeimport osfrom datetime import datetime# 保存send的数据current_date = datetime.date(datetime.now())log_name = str(current_date) + ".log"

rabbitmg篇---忘记用户名和密码之处理办法进入rabbitmq安装目录输入命令进入rabbitmq安装目录忘记账号密码，需要新增一个管理员账号，然后进去修改账号密码C:\Program Files\XMQ\rabbitmq_server-3.8.11\sbin输入命令rabbitmqctl add_user admin admin123rabbitmqctl set_user_tags admin administratorrabbitmqctl set_permissions

获取xml的标签数量，提取某个标签的图片名字及对应的图片数据集的格式数据集的格式

概念区分FLOPS：注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。以下答案不考虑activation function的运算。卷积层：字母含义：Ci=input channel，k=kernel size,HW=output

pytorch 模型训练得到的权重(.pth)转换成onnximport ioimport numpy as npimport torchimport torch.onnxfrom model.nets.yolo4 import YoloBodyfrom conf.my_conf import anchors_path, classes_path, model_path_trainweight_file = '../data/weights/Epoch75-Total_Loss0.750

# -- coding: utf-8 --import osfrom PIL import Imagedef letterbox_image(image, size): iw, ih = image.size w, h = size scale = min(w/iw, h/ih) nw = int(iw*scale) nh = int(ih*scale) image = image.resize((nw, nh), Image.BICUBIC)