之前实现过faster rcnn, 但是因为各种原因,有需要实现一次,而且发现许多博客都不全面.现在发现了一个比较全面的博客.自己根据这篇博客实现的也比较顺利.在此记录一下(照搬). 原博客:https://blog.csdn.net/char_QwQ/article/details/80980505 文章代码连接:https://github.com/endernewton/tf-faster-rcnn 显卡:TiTan RTX/Qudro K2200(丽台k2200).--我分别在两张显卡都

1.Activity状态图 2.Activity生命周期简图 启动Activity: onCreate()—>onStart()—>onResume(),Activity进入running状态. 被其它Activity部分遮盖: onPause(),仍有部分可见,还在内存中.可被回收.同时在onPause里持久化数据.不是在onSaveInstanceState中. 从onPause回到前台:onResume(),然后再次进入running态. 被其它Activity遮盖(HOME,锁屏,启动

#!/usr/bin/env python #有如下值集合[11,22,33,44,55,66,77,88,99,90...],将所有大于66值保存至字典的一个key中,将小于66的值保存至大二个key的值 li = [11,22,33,44,55,66,77,88,99,90] person = {">66":[],"<=66":[]} for i,j in enumerate(li,0) : if int(j) > 66 : person[&q

n=0while n <10: n+=1print(n) # print(n)放在while的外面和while并列的时候, 只会打印出最后一个结果 n=0while n <10: n+=1 print(n) # 当print()放在while里面,和上面n+=1对齐时,每次都会打印,所以打印的是: 1 2 3 4 5 6 7 8 9 10

class A(object): def __init__(self): print("init class A") class B(object): def __init__(self): print("init class B") class C(object): def __init__(self): print("init class C") super(C, self).__init__() class D(object): def _

因为没有GPU,所以在CPU下训练自己的数据,中间遇到了各种各样的坑,还好没有放弃,特以此文记录此过程. 1.在CPU下配置faster r-cnn,参考博客:http://blog.csdn.net/wjx2012yt/article/details/52197698#quote 2.在CPU下训练数据集,需要对py-faster-rcnn内的roi_pooling_layer和smooth_L1_loss_layer改为CPU版本, 并重新编译.这位博主对其进行了修改,可直接进行替换:htt

问题描述:当采用EF的DbContext保存decimal类型数据到数据库,默认只会保存小数点后的前2位小数,其余均置0:例如保存101.182352152322,实际存到数据库里的数据为101.180000000000: 解决方法:在创建项目DbContext时,重写DbContext.OnModelCreating()方法:然后通过如下方法指定精度: 1 protected override void OnModelCreating(DbModelBuilder modelBuilder)

安装环境:Ubuntu14.04.显卡Tesla K40C+GeForce GT 705.tensorflow1.0.0.pycharm5.0 说明:原文见博客园,有问题原文下留言,不定期回复.本文作者吴疆,转载请备注. 本文可解决的问题: 1.tensorflow1.0.0环境搭建 2.Ubuntu14.04安装pycharm5.0 3.Ubuntu14.04上跑通faster rcnn_TF的demo程序 4.Ubuntu14.04上跑通faster rcnn_TF的训练过程 安装步骤如下:

深度学习是一个框架,包含多个重要算法: Convolutional Neural Networks(CNN)卷积神经网络 AutoEncoder自动编码器 Sparse Coding稀疏编码 Restricted Boltzmann Machine(RBM)限制波尔兹曼机 Deep Belief Networks(DBN)深信度网络 Recurrent neural Network(RNN)多层反馈循环神经网络神经网络 对于不同问题(图像,语音,文本),需要选用不同网络模型比如CNN RESNE

将日志信息记入数据库时增加了一个时间字段,发现存入数据库时只保留了日期,而没有时分秒信息. 我这边环境是(SRPINGMVC+Mybatis,mysql版本5.6.28以上),java层使用类型为java.util.Date,数据字段类型为date 参考了一些网上的说法,基本描述是说: date:只有日期,没有时间,2016-09-21: time:只有时间,没有日期,23:42:31: datetime:日期时间都有,2016-09-21 23:42:31 . timestamp:可以在进行I

今天的一个decimal类型保存到数据的问题困扰了我很长时间,最后就是一个小小的设置问题解决······坑······深坑···· 话不多说,直接说问题,在说答案: 问题:linq当采用EF的DbContext保存decimal类型数据到数据库,默认只会保存小数点后的前2位小数,其余均置0: 例如保存1.23456789,实际存到数据库里的数据为1.23000000: 就是那么坑想想精确到小数点后面在多位也不行,就给你两位,这个肯定满足不了我的要就呀,linq那么强大肯定有哪里可以设置的,这不问

转自:https://anifacc.github.io/deeplearning/machinelearning/python/2017/08/30/dlwp-ch14-keep-best-model-checkpoint/,感谢分享 深度学习模型花费时间大多很长, 如果一次训练过程意外中断, 那么后续时间再跑就浪费很多时间. 这一次练习中, 我们利用 Keras checkpoint 深度学习模型在训练过程模型, 我的理解是检查训练过程, 将好的模型保存下来. 如果训练过程意外中断, 那么我

训练完一个模型后,为了以后重复使用,通常我们需要对模型的结果进行保存.如果用Tensorflow去实现神经网络,所要保存的就是神经网络中的各项权重值.建议可以使用Saver类保存和加载模型的结果. 1.使用tf.train.Saver.save()方法保存模型 tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph

保存图形,用的是plt.savefig函数,只需要在保存图形之后,调用plt.close()关闭画布,就不会显示出来了: data.plot() outfile='image.png' plt.savefig(outfile) plt.close()

卷积神经网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间精确的数学表达式,只要用已知的模式对卷积神经网络加以训练,网络就具有输入.输出之间映射的能力. 其训练算法与传统的BP算法类似,主要分4步,可分为2个阶段: 第一阶段,前向传播阶段: (1)从样本集中取一个样本,将样本输入网络: (2)计算相应的实际输出. 在此阶段,信息从输入层经过逐级的变换,传送到输出层.这个过程也是网络在完成训练后正常运行时执行的过程. 第二阶段,后向传播阶段:

Elasticsearch使用Log4j 2进行日志记录.可以使用log4j2.properties文件配置Log4j2. Elasticsearch公开三个属性 ${sys:es.logs.base_path}, ${sys:es.logs.cluster_name} ${sys:es.logs.node_name} 可以在配置文件中被引用,以确定日志文件的位置. 该属性${sys:es.logs.base_path}将解析为日志目录, ${sys:es.logs.cluster_name}将

DeviceOne之前介绍过了,现在来介绍一下DeviceOne快速开发到什么程度 使用js只需要5分钟就可以打出垮Android.ios.windows三大平台的纯原生UI的安装包. 只需要6个小时,就可以画出仿微信的四个页面. 只需要10个小时,就可以画出仿墨迹天气的三个页面. DeviceOne地址:http://www.deviceone.net QQ群:365443130 请看效果图:

当做性能压测时,可能会需要把响应数据的一些字段统计出来.这里简单介绍一下. 1.首先把接口调通,确定需要统计的字段,这里以统计ccmpSeq字段来做例子. 2.添加正则表达式提取器,用来提取响应结果中的ccmpSeq 正则表达式用""包起来,如HTTP请求完成后的响应数据 { "ccmpSeq":"CBS_queryBalance20171023131825491588", "respTime":"201808201

模板编程中如果要特化或偏特化(局部特化)一个类模板,需要特化该类模板的所有成员函数.类模板中大多数成员函数的功能可能是一模一样的,特化时我们可能只需要重新实现1.2个成员函数即可.在这种情况下,如果全部重写该模板类的所有成员函数,不但会增加工作量,也不利于代码的维护. 例如下面的类模板A,只有在模板参数是char*时才需要特化成员函数func(),但其他的成员函数都不需要特化: template <typename _Ty> struct A { // 其他成员函数a // 其他成员函数b /

最近在重温K&R的C语言圣经,第二章中的练习题2-2引起了我的注意. 原题是: Write a loop equivalent to the for loop above without using && or ||. 题目里说的for循环是下面这个: ; i < lim- && (c=getchar()) != '\n' && c != EOF; ++i) s[i] = c; 不能用&&和||运算符,又要与for循环中的3个条