Myloader参数说明

本文介绍了MySQL备份与恢复过程中的各种命令行选项,包括备份目录、事务查询数量、覆盖表、目标数据库等设置,帮助读者更好地理解如何进行高效的数据备份与恢复。
  -d, --directory                   备份文件的目录
  -q, --queries-per-transaction     每次事务执行的查询数量,默认是1000
  -o, --overwrite-tables            如果要恢复的表存在,则先drop掉该表,使用该参数,需要备份时候要备份表结构
  -B, --database                    An alternative database to restore into
  -s, --source-db                   Database to restore
  -e, --enable-binlog               启用还原数据的二进制日志
  -h, --host                        主机名
  -u, --user                        用户名
  -p, --password                    密码
  -P, --port                        端口
  -S, --socket                      套接字文件
  -t, --threads                     开启的线程数,默认是4
  -C, --compress-protocol           Use compression on the MySQL connection
  -V, --version                     显示版本并退出
  -v, --verbose                     输出模式, 0 = silent, 1 = errors, 2 = warnings, 3 = info, 默认为2

  

转载于:https://www.cnblogs.com/abclife/p/7765414.html

import torch from torchvision import transforms from torch.utils.data import Dataset, DataLoader from PIL import Image import torch.nn. functional as F def Myloader (path) : return Image.open(path).convert('RGB ') #得到一个包含所有图片文件名与标签的列表 def init_process (path, lens) : data = [] name = find_label(path) for i in range(lens[0],lens[1]): data.append([path % i, (name,)]) return data class MyDataset (Dataset) : def _init_(self, data, transform, loder) : self. data = data self. transform = transform self. loader = loder def _getitem_(self, item) : img, label = self. data [item] img = self. loader (img) img = self. transform (img) return img, label def _len_(self) : return len (self.data) def find_label (str) : first, last = 0, 0 for i in range (len(str)-1,-1,-1): if str[i] == '%' and str[ i - 1] == '.': last = i - 1 if(str[i] == 'c' or str[i] == 'd')and str[i - 1] == '/': first=i break name = str[first:last] if name == 'dog' : return 1 else: return 0 def load_data () : transform = transforms. Compose ([ transforms .RandomHorizontalFlip (p=0.3) , transforms. RandomVerticalFlip (p=0.3) , transforms. Resize ( (256, 256)), transforms. ToTensor () , transforms. Normalize (mean= (0.5, 0.5, 0.5), std= (0.5,0.5,0.5))]) path1 = 'G:/学校文件/大三下学期/cat and dog/train/&d.jpg' data1 = init_process (path1, [0, 500]) path2 = 'G:/学校文件/大三下学期/cat and dog/train/?d.jpg' data2 = init_process (path2, [0, 500]) path3 = 'G:/学校文件/大三下学期/cat and dog/test1/8d.jpg' data3 = init_process (path3, [1000, 1200]) path4 = 'G:/学校文件/大三下学期/cat and dog/test1/&d. jpg' data4 = init_process (path4, [1000, 1200]) # 1300个训练 train_data = data1 + data2 + data3[0: 150] + data[0: 150] train = MyDataset(train_
最新发布
03-18
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值