zqjackking的博客

在python中，list是其内置数据类型，而array是numpy中的一个数据类型。 两者的区别在于： （1）list中的数据类不必相同的，而array的中的类型必须全部相同 （2) 在list中的数据类型保存的是数据的存放的地址,即通过链表实现的。而array是通过线性表实现的。 numpy中封装的array有很强大的功能。 下面来具体看一下。a=[[[1,2,3],[4,5

1训练mnist数据集，首先运行以下脚本： ./examples/mni st/train_lenet.sh 打开该脚本，发现里面就一句话 ./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt 这是调用编译好的build/tools/caffe.bin二进制文件，参数solver指定了训练超参数文件。

感觉13roman to integer比12integer to roman 要难一些。但是前者的难度是easy，后者难度是medium. 首先看下 integer to roman，string roman[][10] = { {"", "I", "II", "III", "IV", "V", "VI", "VII", "VIII", "IX"},

这一部分是在rpn文件夹下面。 首先看generate_anchors.py。这个模块直接返回anchor。 anchor=[[ -83., -39., 100., 56.], [-175., -87., 192., 104.], [-359., -183., 376., 200.], [ -55., -55., 72.,

caffe-ssd里面有normalization的实现，包括.hpp，.cpp，.cu。其实现的是L2-normalization L2正则化的公式是： 现在来看caffe的代码实现。 首先是caffe.proto，这里面定义了normalization_parameter message NormalizeParameter { optional bool across_spa

转载自http://blog.youkuaiyun.com/langxing1992/article/details/71440831 一般情况下，如果使用的是1080或者Titan的显卡，最好是使用CUDA8.0+cudnn5.1 可是最新的faster rcnn（https://github.com/rbgirshick/py-faster-rcnn）与cudnn 5.1，编译caffe-fast-rc

之前用腾讯的ncnn的框架做灰度图分类，发现caffe和ncnn的结果不一致。 然后试着将caffe的caffemodel和ncnn的bin文件里面的权重提取出来。 1 提取caffemodel里的参数。#!/usr/bin/env python# 引入“咖啡”import caffeimport numpy as np# 使输出的参数完全显示# 若没有这一句，因为参数太多，中间会以省略号

使用Cmake编译opencv源码遇到如下错误**CMake Error: The following variables are used in this project, but they are set to NOTFOUND. Please set them or make sure they are set and tested correctly in the CMake fil...