半夜萤火虫

使用pytorch进行迁移学习修改预训练权重模型的分类层/输出类别（附mmaction相关实现代码）

文章目录

example
step1 文件建立
step2 获得预训练模型
step3 模型修改
参考文章

example

以mmaction中的tsn+resnet50+kinetics训练的模型作为预训练模型，拿来训练TSN+resnet+ucf101。

step1 文件建立

建立文件tools/transfer_model.py。

step2 获得预训练模型

在mmaction/modelzoo中找到TSN的kinectis模型，并下载。

step3 模型修改

因为kinetics数据集共有400类，所以最后一层分类层的权重W为(400,2048)，bias为(400)。
ucf101数据集共有101类。
不同的预训练文件可能结构不太一样？以TSN的kinectis模型作为例子，用torch.load(model_dir)加载后得到一个dict文件checkpoint，这个文件里面还有两个键，分别为meta和state_dict，meta存的是模型相关配置数据，state_dict存的是模型训练后得到的每一层的权重值。
state_dict中以name为key，param为value，param也是一个dict，param中有data这个key，里面存储的都是torch类型的数据。
所以修改思路就是把模型最后一层分类层的W数据改为(101,2048)，bias改为(101)。下面的代码是数值统一改为1。
最后将模型保存为.pth格式，直接可以用了。
关于mmaction中的--resume_from，适用于训练过程中被突然打断，--load_from，适用于迁移模型，所以这个修改后的模型用的是--load_from。

from __future__ import print_function
from __future__ import division
import torch
import copy

# model_dir = '/media/data2/ggwang/modelzoo/tsn/tsn2d_kinetics400_rgb_r50_seg3_f1s1-b702e12f.pth'
model_dir = '/path/to/your/pretrained/model'
checkpoint = torch.load(model_dir) # 加载模型，checkpoint是一个dict
model = copy.deepcopy(checkpoint) # 复制checkpoint，并修改

for name, param in model['state_dict'].items():
    if name=='cls_head.fc_cls.weight':
        param.data = torch.ones(101, 2048)
        model['state_dict'][name] = param
    if name=='cls_head.fc_cls.bias':
        param.data = torch.ones(101)
        model['state_dict'][name] = param
    print('{},size:{}'.format(name, param.data.size()))
torch.save(model, '/media/data2/ggwang/modelzoo/tsn/resnet_kinetics_ucf101.pth')

print出的为：也就是每一层的名字和参数的shape。

backbone.conv1.weight,size:torch.Size([64, 3, 7, 7])
backbone.bn1.weight,size:torch.Size([64])
backbone.bn1.bias,size:torch.Size([64])
backbone.bn1.running_mean,size:torch.Size([64])
backbone.bn1.running_var,size:torch.Size([64])
backbone.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer1.0.conv1.weight,size:torch.Size([64, 64, 1, 1])
backbone.layer1.0.conv2.weight,size:torch.Size([64, 64, 3, 3])
backbone.layer1.0.bn1.weight,size:torch.Size([64])
backbone.layer1.0.bn1.bias,size:torch.Size([64])
backbone.layer1.0.bn1.running_mean,size:torch.Size([64])
backbone.layer1.0.bn1.running_var,size:torch.Size([64])
backbone.layer1.0.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer1.0.bn2.weight,size:torch.Size([64])
backbone.layer1.0.bn2.bias,size:torch.Size([64])
backbone.layer1.0.bn2.running_mean,size:torch.Size([64])
backbone.layer1.0.bn2.running_var,size:torch.Size([64])
backbone.layer1.0.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer1.0.conv3.weight,size:torch.Size([256, 64, 1, 1])
backbone.layer1.0.bn3.weight,size:torch.Size([256])
backbone.layer1.0.bn3.bias,size:torch.Size([256])
backbone.layer1.0.bn3.running_mean,size:torch.Size([256])
backbone.layer1.0.bn3.running_var,size:torch.Size([256])
backbone.layer1.0.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer1.0.downsample.0.weight,size:torch.Size([256, 64, 1, 1])
backbone.layer1.0.downsample.1.weight,size:torch.Size([256])
backbone.layer1.0.downsample.1.bias,size:torch.Size([256])
backbone.layer1.0.downsample.1.running_mean,size:torch.Size([256])
backbone.layer1.0.downsample.1.running_var,size:torch.Size([256])
backbone.layer1.0.downsample.1.num_batches_tracked,size:torch.Size([])
backbone.layer1.1.conv1.weight,size:torch.Size([64, 256, 1, 1])
backbone.layer1.1.conv2.weight,size:torch.Size([64, 64, 3, 3])
backbone.layer1.1.bn1.weight,size:torch.Size([64])
backbone.layer1.1.bn1.bias,size:torch.Size([64])
backbone.layer1.1.bn1.running_mean,size:torch.Size([64])
backbone.layer1.1.bn1.running_var,size:torch.Size([64])
backbone.layer1.1.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer1.1.bn2.weight,size:torch.Size([64])
backbone.layer1.1.bn2.bias,size:torch.Size([64])
backbone.layer1.1.bn2.running_mean,size:torch.Size([64])
backbone.layer1.1.bn2.running_var,size:torch.Size([64])
backbone.layer1.1.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer1.1.conv3.weight,size:torch.Size([256, 64, 1, 1])
backbone.layer1.1.bn3.weight,size:torch.Size([256])
backbone.layer1.1.bn3.bias,size:torch.Size([256])
backbone.layer1.1.bn3.running_mean,size:torch.Size([256])
backbone.layer1.1.bn3.running_var,size:torch.Size([256])
backbone.layer1.1.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer1.2.conv1.weight,size:torch.Size([64, 256, 1, 1])
backbone.layer1.2.conv2.weight,size:torch.Size([64, 64, 3, 3])
backbone.layer1.2.bn1.weight,size:torch.Size([64])
backbone.layer1.2.bn1.bias,size:torch.Size([64])
backbone.layer1.2.bn1.running_mean,size:torch.Size([64])
backbone.layer1.2.bn1.running_var,size:torch.Size([64])
backbone.layer1.2.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer1.2.bn2.weight,size:torch.Size([64])
backbone.layer1.2.bn2.bias,size:torch.Size([64])
backbone.layer1.2.bn2.running_mean,size:torch.Size([64])
backbone.layer1.2.bn2.running_var,size:torch.Size([64])
backbone.layer1.2.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer1.2.conv3.weight,size:torch.Size([256, 64, 1, 1])
backbone.layer1.2.bn3.weight,size:torch.Size([256])
backbone.layer1.2.bn3.bias,size:torch.Size([256])
backbone.layer1.2.bn3.running_mean,size:torch.Size([256])
backbone.layer1.2.bn3.running_var,size:torch.Size([256])
backbone.layer1.2.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer2.0.conv1.weight,size:torch.Size([128, 256, 1, 1])
backbone.layer2.0.conv2.weight,size:torch.Size([128, 128, 3, 3])
backbone.layer2.0.bn1.weight,size:torch.Size([128])
backbone.layer2.0.bn1.bias,size:torch.Size([128])
backbone.layer2.0.bn1.running_mean,size:torch.Size([128])
backbone.layer2.0.bn1.running_var,size:torch.Size([128])
backbone.layer2.0.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer2.0.bn2.weight,size:torch.Size([128])
backbone.layer2.0.bn2.bias,size:torch.Size([128])
backbone.layer2.0.bn2.running_mean,size:torch.Size([128])
backbone.layer2.0.bn2.running_var,size:torch.Size([128])
backbone.layer2.0.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer2.0.conv3.weight,size:torch.Size([512, 128, 1, 1])
backbone.layer2.0.bn3.weight,size:torch.Size([512])
backbone.layer2.0.bn3.bias,size:torch.Size([512])
backbone.layer2.0.bn3.running_mean,size:torch.Size([512])
backbone.layer2.0.bn3.running_var,size:torch.Size([512])
backbone.layer2.0.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer2.0.downsample.0.weight,size:torch.Size([512, 256, 1, 1])
backbone.layer2.0.downsample.1.weight,size:torch.Size([512])
backbone.layer2.0.downsample.1.bias,size:torch.Size([512])
backbone.layer2.0.downsample.1.running_mean,size:torch.Size([512])
backbone.layer2.0.downsample.1.running_var,size:torch.Size([512])
backbone.layer2.0.downsample.1.num_batches_tracked,size:torch.Size([])
backbone.layer2.1.conv1.weight,size:torch.Size([128, 512, 1, 1])
backbone.layer2.1.conv2.weight,size:torch.Size([128, 128, 3, 3])
backbone.layer2.1.bn1.weight,size:torch.Size([128])
backbone.layer2.1.bn1.bias,size:torch.Size([128])
backbone.layer2.1.bn1.running_mean,size:torch.Size([128])
backbone.layer2.1.bn1.running_var,size:torch.Size([128])
backbone.layer2.1.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer2.1.bn2.weight,size:torch.Size([128])
backbone.layer2.1.bn2.bias,size:torch.Size([128])
backbone.layer2.1.bn2.running_mean,size:torch.Size([128])
backbone.layer2.1.bn2.running_var,size:torch.Size([128])
backbone.layer2.1.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer2.1.conv3.weight,size:torch.Size([512, 128, 1, 1])
backbone.layer2.1.bn3.weight,size:torch.Size([512])
backbone.layer2.1.bn3.bias,size:torch.Size([512])
backbone.layer2.1.bn3.running_mean,size:torch.Size([512])
backbone.layer2.1.bn3.running_var,size:torch.Size([512])
backbone.layer2.1.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer2.2.conv1.weight,size:torch.Size([128, 512, 1, 1])
backbone.layer2.2.conv2.weight,size:torch.Size([128, 128, 3, 3])
backbone.layer2.2.bn1.weight,size:torch.Size([128])
backbone.layer2.2.bn1.bias,size:torch.Size([128])
backbone.layer2.2.bn1.running_mean,size:torch.Size([128])
backbone.layer2.2.bn1.running_var,size:torch.Size([128])
backbone.layer2.2.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer2.2.bn2.weight,size:torch.Size([128])
backbone.layer2.2.bn2.bias,size:torch.Size([128])
backbone.layer2.2.bn2.running_mean,size:torch.Size([128])
backbone.layer2.2.bn2.running_var,size:torch.Size([128])
backbone.layer2.2.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer2.2.conv3.weight,size:torch.Size([512, 128, 1, 1])
backbone.layer2.2.bn3.weight,size:torch.Size([512])
backbone.layer2.2.bn3.bias,size:torch.Size([512])
backbone.layer2.2.bn3.running_mean,size:torch.Size([512])
backbone.layer2.2.bn3.running_var,size:torch.Size([512])
backbone.layer2.2.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer2.3.conv1.weight,size:torch.Size([128, 512, 1, 1])
backbone.layer2.3.conv2.weight,size:torch.Size([128, 128, 3, 3])
backbone.layer2.3.bn1.weight,size:torch.Size([128])
backbone.layer2.3.bn1.bias,size:torch.Size([128])
backbone.layer2.3.bn1.running_mean,size:torch.Size([128])
backbone.layer2.3.bn1.running_var,size:torch.Size([128])
backbone.layer2.3.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer2.3.bn2.weight,size:torch.Size([128])
backbone.layer2.3.bn2.bias,size:torch.Size([128])
backbone.layer2.3.bn2.running_mean,size:torch.Size([128])
backbone.layer2.3.bn2.running_var,size:torch.Size([128])
backbone.layer2.3.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer2.3.conv3.weight,size:torch.Size([512, 128, 1, 1])
backbone.layer2.3.bn3.weight,size:torch.Size([512])
backbone.layer2.3.bn3.bias,size:torch.Size([512])
backbone.layer2.3.bn3.running_mean,size:torch.Size([512])
backbone.layer2.3.bn3.running_var,size:torch.Size([512])
backbone.layer2.3.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.0.conv1.weight,size:torch.Size([256, 512, 1, 1])
backbone.layer3.0.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.0.bn1.weight,size:torch.Size([256])
backbone.layer3.0.bn1.bias,size:torch.Size([256])
backbone.layer3.0.bn1.running_mean,size:torch.Size([256])
backbone.layer3.0.bn1.running_var,size:torch.Size([256])
backbone.layer3.0.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.0.bn2.weight,size:torch.Size([256])
backbone.layer3.0.bn2.bias,size:torch.Size([256])
backbone.layer3.0.bn2.running_mean,size:torch.Size([256])
backbone.layer3.0.bn2.running_var,size:torch.Size([256])
backbone.layer3.0.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.0.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.0.bn3.weight,size:torch.Size([1024])
backbone.layer3.0.bn3.bias,size:torch.Size([1024])
backbone.layer3.0.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.0.bn3.running_var,size:torch.Size([1024])
backbone.layer3.0.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.0.downsample.0.weight,size:torch.Size([1024, 512, 1, 1])
backbone.layer3.0.downsample.1.weight,size:torch.Size([1024])
backbone.layer3.0.downsample.1.bias,size:torch.Size([1024])
backbone.layer3.0.downsample.1.running_mean,size:torch.Size([1024])
backbone.layer3.0.downsample.1.running_var,size:torch.Size([1024])
backbone.layer3.0.downsample.1.num_batches_tracked,size:torch.Size([])
backbone.layer3.1.conv1.weight,size:torch.Size([256, 1024, 1, 1])
backbone.layer3.1.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.1.bn1.weight,size:torch.Size([256])
backbone.layer3.1.bn1.bias,size:torch.Size([256])
backbone.layer3.1.bn1.running_mean,size:torch.Size([256])
backbone.layer3.1.bn1.running_var,size:torch.Size([256])
backbone.layer3.1.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.1.bn2.weight,size:torch.Size([256])
backbone.layer3.1.bn2.bias,size:torch.Size([256])
backbone.layer3.1.bn2.running_mean,size:torch.Size([256])
backbone.layer3.1.bn2.running_var,size:torch.Size([256])
backbone.layer3.1.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.1.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.1.bn3.weight,size:torch.Size([1024])
backbone.layer3.1.bn3.bias,size:torch.Size([1024])
backbone.layer3.1.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.1.bn3.running_var,size:torch.Size([1024])
backbone.layer3.1.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.2.conv1.weight,size:torch.Size([256, 1024, 1, 1])
backbone.layer3.2.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.2.bn1.weight,size:torch.Size([256])
backbone.layer3.2.bn1.bias,size:torch.Size([256])
backbone.layer3.2.bn1.running_mean,size:torch.Size([256])
backbone.layer3.2.bn1.running_var,size:torch.Size([256])
backbone.layer3.2.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.2.bn2.weight,size:torch.Size([256])
backbone.layer3.2.bn2.bias,size:torch.Size([256])
backbone.layer3.2.bn2.running_mean,size:torch.Size([256])
backbone.layer3.2.bn2.running_var,size:torch.Size([256])
backbone.layer3.2.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.2.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.2.bn3.weight,size:torch.Size([1024])
backbone.layer3.2.bn3.bias,size:torch.Size([1024])
backbone.layer3.2.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.2.bn3.running_var,size:torch.Size([1024])
backbone.layer3.2.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.3.conv1.weight,size:torch.Size([256, 1024, 1, 1])
backbone.layer3.3.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.3.bn1.weight,size:torch.Size([256])
backbone.layer3.3.bn1.bias,size:torch.Size([256])
backbone.layer3.3.bn1.running_mean,size:torch.Size([256])
backbone.layer3.3.bn1.running_var,size:torch.Size([256])
backbone.layer3.3.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.3.bn2.weight,size:torch.Size([256])
backbone.layer3.3.bn2.bias,size:torch.Size([256])
backbone.layer3.3.bn2.running_mean,size:torch.Size([256])
backbone.layer3.3.bn2.running_var,size:torch.Size([256])
backbone.layer3.3.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.3.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.3.bn3.weight,size:torch.Size([1024])
backbone.layer3.3.bn3.bias,size:torch.Size([1024])
backbone.layer3.3.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.3.bn3.running_var,size:torch.Size([1024])
backbone.layer3.3.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.4.conv1.weight,size:torch.Size([256, 1024, 1, 1])
backbone.layer3.4.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.4.bn1.weight,size:torch.Size([256])
backbone.layer3.4.bn1.bias,size:torch.Size([256])
backbone.layer3.4.bn1.running_mean,size:torch.Size([256])
backbone.layer3.4.bn1.running_var,size:torch.Size([256])
backbone.layer3.4.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.4.bn2.weight,size:torch.Size([256])
backbone.layer3.4.bn2.bias,size:torch.Size([256])
backbone.layer3.4.bn2.running_mean,size:torch.Size([256])
backbone.layer3.4.bn2.running_var,size:torch.Size([256])
backbone.layer3.4.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.4.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.4.bn3.weight,size:torch.Size([1024])
backbone.layer3.4.bn3.bias,size:torch.Size([1024])
backbone.layer3.4.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.4.bn3.running_var,size:torch.Size([1024])
backbone.layer3.4.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer3.5.conv1.weight,size:torch.Size([256, 1024, 1, 1])
backbone.layer3.5.conv2.weight,size:torch.Size([256, 256, 3, 3])
backbone.layer3.5.bn1.weight,size:torch.Size([256])
backbone.layer3.5.bn1.bias,size:torch.Size([256])
backbone.layer3.5.bn1.running_mean,size:torch.Size([256])
backbone.layer3.5.bn1.running_var,size:torch.Size([256])
backbone.layer3.5.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer3.5.bn2.weight,size:torch.Size([256])
backbone.layer3.5.bn2.bias,size:torch.Size([256])
backbone.layer3.5.bn2.running_mean,size:torch.Size([256])
backbone.layer3.5.bn2.running_var,size:torch.Size([256])
backbone.layer3.5.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer3.5.conv3.weight,size:torch.Size([1024, 256, 1, 1])
backbone.layer3.5.bn3.weight,size:torch.Size([1024])
backbone.layer3.5.bn3.bias,size:torch.Size([1024])
backbone.layer3.5.bn3.running_mean,size:torch.Size([1024])
backbone.layer3.5.bn3.running_var,size:torch.Size([1024])
backbone.layer3.5.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer4.0.conv1.weight,size:torch.Size([512, 1024, 1, 1])
backbone.layer4.0.conv2.weight,size:torch.Size([512, 512, 3, 3])
backbone.layer4.0.bn1.weight,size:torch.Size([512])
backbone.layer4.0.bn1.bias,size:torch.Size([512])
backbone.layer4.0.bn1.running_mean,size:torch.Size([512])
backbone.layer4.0.bn1.running_var,size:torch.Size([512])
backbone.layer4.0.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer4.0.bn2.weight,size:torch.Size([512])
backbone.layer4.0.bn2.bias,size:torch.Size([512])
backbone.layer4.0.bn2.running_mean,size:torch.Size([512])
backbone.layer4.0.bn2.running_var,size:torch.Size([512])
backbone.layer4.0.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer4.0.conv3.weight,size:torch.Size([2048, 512, 1, 1])
backbone.layer4.0.bn3.weight,size:torch.Size([2048])
backbone.layer4.0.bn3.bias,size:torch.Size([2048])
backbone.layer4.0.bn3.running_mean,size:torch.Size([2048])
backbone.layer4.0.bn3.running_var,size:torch.Size([2048])
backbone.layer4.0.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer4.0.downsample.0.weight,size:torch.Size([2048, 1024, 1, 1])
backbone.layer4.0.downsample.1.weight,size:torch.Size([2048])
backbone.layer4.0.downsample.1.bias,size:torch.Size([2048])
backbone.layer4.0.downsample.1.running_mean,size:torch.Size([2048])
backbone.layer4.0.downsample.1.running_var,size:torch.Size([2048])
backbone.layer4.0.downsample.1.num_batches_tracked,size:torch.Size([])
backbone.layer4.1.conv1.weight,size:torch.Size([512, 2048, 1, 1])
backbone.layer4.1.conv2.weight,size:torch.Size([512, 512, 3, 3])
backbone.layer4.1.bn1.weight,size:torch.Size([512])
backbone.layer4.1.bn1.bias,size:torch.Size([512])
backbone.layer4.1.bn1.running_mean,size:torch.Size([512])
backbone.layer4.1.bn1.running_var,size:torch.Size([512])
backbone.layer4.1.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer4.1.bn2.weight,size:torch.Size([512])
backbone.layer4.1.bn2.bias,size:torch.Size([512])
backbone.layer4.1.bn2.running_mean,size:torch.Size([512])
backbone.layer4.1.bn2.running_var,size:torch.Size([512])
backbone.layer4.1.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer4.1.conv3.weight,size:torch.Size([2048, 512, 1, 1])
backbone.layer4.1.bn3.weight,size:torch.Size([2048])
backbone.layer4.1.bn3.bias,size:torch.Size([2048])
backbone.layer4.1.bn3.running_mean,size:torch.Size([2048])
backbone.layer4.1.bn3.running_var,size:torch.Size([2048])
backbone.layer4.1.bn3.num_batches_tracked,size:torch.Size([])
backbone.layer4.2.conv1.weight,size:torch.Size([512, 2048, 1, 1])
backbone.layer4.2.conv2.weight,size:torch.Size([512, 512, 3, 3])
backbone.layer4.2.bn1.weight,size:torch.Size([512])
backbone.layer4.2.bn1.bias,size:torch.Size([512])
backbone.layer4.2.bn1.running_mean,size:torch.Size([512])
backbone.layer4.2.bn1.running_var,size:torch.Size([512])
backbone.layer4.2.bn1.num_batches_tracked,size:torch.Size([])
backbone.layer4.2.bn2.weight,size:torch.Size([512])
backbone.layer4.2.bn2.bias,size:torch.Size([512])
backbone.layer4.2.bn2.running_mean,size:torch.Size([512])
backbone.layer4.2.bn2.running_var,size:torch.Size([512])
backbone.layer4.2.bn2.num_batches_tracked,size:torch.Size([])
backbone.layer4.2.conv3.weight,size:torch.Size([2048, 512, 1, 1])
backbone.layer4.2.bn3.weight,size:torch.Size([2048])
backbone.layer4.2.bn3.bias,size:torch.Size([2048])
backbone.layer4.2.bn3.running_mean,size:torch.Size([2048])
backbone.layer4.2.bn3.running_var,size:torch.Size([2048])
backbone.layer4.2.bn3.num_batches_tracked,size:torch.Size([])
cls_head.fc_cls.weight,size:torch.Size([101, 2048])
cls_head.fc_cls.bias,size:torch.Size([101])

参考文章

pytorch：如何修改加载了预训练权重的模型的输入或输出–(生成新的权重文件)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
Enum用法不懂事的小屁孩 enum
以前的时候知道enum，但是真心不怎么用，在实际开发中，经常会用到以下代码: protected final static String XJ = "XJ"; protected final static String YHK = "YHK"; protected final static String PQ = "PQ";
【Spark九十七】RDD API之aggregateByKey bit1129 spark
1. aggregateByKey的运行机制 /** * Aggregate the values of each key, using given combine functions and a neutral "zero value". * This function can return a different result type
hive创建表是报错： Specified key was too long; max key length is 767 bytes daizj hive
今天在hive客户端创建表时报错，具体操作如下 hive> create table test2(id string); FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:javax.jdo.JDODataSto
Map 与 JavaBean之间的转换周凡杨 java 自省转换反射
最近项目里需要一个工具类，它的功能是传入一个Map后可以返回一个JavaBean对象。很喜欢写这样的Java服务，首先我想到的是要通过Java 的反射去实现匿名类的方法调用，这样才可以把Map里的值set 到JavaBean里。其实这里用Java的自省会更方便，下面两个方法就是一个通过反射，一个通过自省来实现本功能。 1：JavaBean类 1 &nb
java连接ftp下载 g21121 java
有的时候需要用到java连接ftp服务器下载，上传一些操作，下面写了一个小例子。 /** ftp服务器地址 */ private String ftpHost; /** ftp服务器用户名 */ private String ftpName; /** ftp服务器密码 */ private String ftpPass; /** ftp根目录 */ private String f
web报表工具FineReport使用中遇到的常见报错及解决办法（二）老A不折腾 finereport web报表 java报表总结
抛砖引玉，希望大家能把自己整理的问题及解决方法晾出来，Mark一下，利人利己。出现问题先搜一下文档上有没有，再看看度娘有没有，再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题，大多文档上都有提到的。 1、没有返回数据集：在存储过程中的操作语句之前加上set nocount on 或者在数据集exec调用存储过程的前面加上这句。当S
linux 系统cpu 内存等信息查看墙头上一根草 cpu 内存 liunx
1 查看CPU 　　1.1 查看CPU个数　　# cat /proc/cpuinfo | grep "physical id" | uniq | wc -l 　　2 　　**uniq命令：删除重复行;wc –l命令：统计行数** 　　1.2 查看CPU核数　　# cat /proc/cpuinfo | grep "cpu cores" | u
Spring中的AOP aijuans spring AOP
Spring中的AOP Written by Tony Jiang @ 2012-1-18 （转）何为AOP AOP，面向切面编程。在不改动代码的前提下，灵活的在现有代码的执行顺序前后，添加进新规机能。来一个简单的Sample: 目标类： [java] view plain copy print ? package&nb
placeholder(HTML 5) IE 兼容插件 alxw4616 JavaScript jquery jQuery插件
placeholder 这个属性被越来越频繁的使用. 但为做HTML 5 特性IE没能实现这东西. 以下的jQuery插件就是用来在IE上实现该属性的. /** * [placeholder(HTML 5) IE 实现.IE9以下通过测试.] * v 1.0 by oTwo 2014年7月31日 11:45:29 */ $.fn.placeholder = function
Object类,值域,泛型等总结(适合有基础的人看) 百合不是茶泛型的继承和通配符变量的值域 Object类转换
java的作用域在编程的时候经常会遇到,而我经常会搞不清楚这个问题,所以在家的这几天回忆一下过去不知道的每个小知识点变量的值域; package 基础; /** * 作用域的范围 * * @author Administrator * */ public class zuoyongyu { public static vo
JDK1.5 Condition接口 bijian1013 java thread Condition java多线程
Condition 将 Object 监视器方法（wait、notify和 notifyAll）分解成截然不同的对象，以便通过将这些对象与任意 Lock 实现组合使用，为每个对象提供多个等待 set （wait-set）。其中，Lock 替代了 synchronized 方法和语句的使用，Condition 替代了 Object 监视器方法的使用。条件（也称为条件队列或条件变量）为线程提供了一
开源中国OSC源创会记录 bijian1013 hadoop spark MemSQL
一.Strata+Hadoop World（SHW）大会是全世界最大的大数据大会之一。SHW大会为各种技术提供了深度交流的机会，还会看到最领先的大数据技术、最广泛的应用场景、最有趣的用例教学以及最全面的大数据行业和趋势探讨。二.Hadoop &nbs
【Java范型七】范型消除 bit1129 java
范型是Java1.5引入的语言特性，它是编译时的一个语法现象，也就是说，对于一个类，不管是范型类还是非范型类，编译得到的字节码是一样的，差别仅在于通过范型这种语法来进行编译时的类型检查，在运行时是没有范型或者类型参数这个说法的。范型跟反射刚好相反，反射是一种运行时行为，所以编译时不能访问的变量或者方法(比如private)，在运行时通过反射是可以访问的，也就是说，可见性也是一种编译时的行为，在
【Spark九十四】spark-sql工具的使用 bit1129 spark
spark-sql是Spark bin目录下的一个可执行脚本，它的目的是通过这个脚本执行Hive的命令，即原来通过 hive>输入的指令可以通过spark-sql>输入的指令来完成。 spark-sql可以使用内置的Hive metadata-store，也可以使用已经独立安装的Hive的metadata store 关于Hive build into Spark
js做的各种倒计时 ronin47 js 倒计时
第一种：精确到秒的javascript倒计时代码 HTML代码: <form name="form1"> <div align="center" align="middle"
java-37.有n 个长为m+1 的字符串，如果某个字符串的最后m 个字符与某个字符串的前m 个字符匹配，则两个字符串可以联接 bylijinnan java
public class MaxCatenate { /* * Q.37 有n 个长为m+1 的字符串，如果某个字符串的最后m 个字符与某个字符串的前m 个字符匹配，则两个字符串可以联接， * 问这n 个字符串最多可以连成一个多长的字符串，如果出现循环，则返回错误。 */ public static void main(String[] args){
mongoDB安装开窍的石头 mongodb安装基本操作
mongoDB的安装 1:mongoDB下载 https://www.mongodb.org/downloads 2:下载mongoDB下载后解压
[开源项目]引擎的关键意义 comsci 开源项目
一个系统，最核心的东西就是引擎。。。。。而要设计和制造出引擎，最关键的是要坚持。。。。。。现在最先进的引擎技术，也是从莱特兄弟那里出现的，但是中间一直没有断过研发的
软件度量的一些方法 cuiyadll 方法
软件度量的一些方法http://cuiyingfeng.blog.51cto.com/43841/6775/在前面我们已介绍了组成软件度量的几个方面。在这里我们将先给出关于这几个方面的一个纲要介绍。在后面我们还会作进一步具体的阐述。当我们不从高层次的概念级来看软件度量及其目标的时候，我们很容易把这些活动看成是不同而且毫不相干的。我们现在希望表明他们是怎样恰如其分地嵌入我们的框架的。也就是我们度量的
XSD中的targetNameSpace解释 darrenzhu xml namespace xsd targetnamespace
参考链接: http://blog.csdn.net/colin1014/article/details/357694 xsd文件中定义了一个targetNameSpace后，其内部定义的元素，属性，类型等都属于该targetNameSpace,其自身或外部xsd文件使用这些元素，属性等都必须从定义的targetNameSpace中找：例如：以下xsd文件，就出现了该错误，即便是在一
什么是RAID0、RAID1、RAID0+1、RAID5，等磁盘阵列模式? dcj3sjt126com raid
RAID 1又称为Mirror或Mirroring，它的宗旨是最大限度的保证用户数据的可用性和可修复性。 RAID 1的操作方式是把用户写入硬盘的数据百分之百地自动复制到另外一个硬盘上。由于对存储的数据进行百分之百的备份，在所有RAID级别中，RAID 1提供最高的数据安全保障。同样，由于数据的百分之百备份，备份数据占了总存储空间的一半，因而，Mirror的磁盘空间利用率低，存储成本高。 Mir
yii2 restful web服务快速入门 dcj3sjt126com PHP yii2
快速入门 Yii 提供了一整套用来简化实现 RESTful 风格的 Web Service 服务的 API。特别是，Yii 支持以下关于 RESTful 风格的 API：支持 Active Record 类的通用API的快速原型涉及的响应格式（在默认情况下支持 JSON 和 XML) 支持可选输出字段的定制对象序列化适当的格式的数据采集和验证错误
MongoDB查询(3)——内嵌文档查询（七） eksliang MongoDB查询内嵌文档 MongoDB查询内嵌数组
MongoDB查询内嵌文档转载请出自出处：http://eksliang.iteye.com/blog/2177301 一、概述有两种方法可以查询内嵌文档：查询整个文档；针对键值对进行查询。这两种方式是不同的，下面我通过例子进行分别说明。二、查询整个文档例如:有如下文档 db.emp.insert({ &qu
android4.4从系统图库无法加载图片的问题 gundumw100 android
典型的使用场景就是要设置一个头像，头像需要从系统图库或者拍照获得，在android4.4之前，我用的代码没问题，但是今天使用android4.4的时候突然发现不灵了。baidu了一圈，终于解决了。下面是解决方案： private String[] items = new String[] { "图库","拍照" }; /* 头像名称 */
网页特效大全 jQuery等 ini JavaScript jquery css html5 ini
HTML5和CSS3知识和特效 asp.net ajax jquery实例分享一个下雪的特效 jQuery倾斜的动画导航菜单选美大赛示例你会选谁 jQuery实现HTML5时钟功能强大的滚动播放插件JQ-Slide 万圣节快乐！！！向上弹出菜单jQuery插件 htm5视差动画 jquery将列表倒转顺序推荐一个jQuery分页插件 jquery animate
swift objc_setAssociatedObject block(version1.2 xcode6.4) 啸笑天 version
import UIKit class LSObjectWrapper: NSObject { let value: ((barButton: UIButton?) -> Void)? init(value: (barButton: UIButton?) -> Void) { self.value = value
Aegis 默认的 Xfire 绑定方式，将 XML 映射为 POJO MagicMa_007 java POJO xml Aegis xfire
Aegis 是一个默认的 Xfire 绑定方式，它将 XML 映射为 POJO, 支持代码先行的开发.你开发服务类与 POJO,它为你生成 XML schema/wsdl XML 和注解映射概览默认情况下，你的 POJO 类被是基于他们的名字与命名空间被序列化。如果
js get max value in (json) Array qiaolevip 每天进步一点点学习永无止境 max 纵观千象
// Max value in Array var arr = [1,2,3,5,3,2];Math.max.apply(null, arr); // 5 // Max value in Jaon Array var arr = [{"x":"8/11/2009","y":0.026572007},{"x"
XMLhttpRequest 请求 XML,JSON ,POJO 数据 Luob. POJO json Ajax xml XMLhttpREquest
在使用XMlhttpRequest对象发送请求和响应之前，必须首先使用javaScript对象创建一个XMLHttpRquest对象。 var xmlhttp； function getXMLHttpRequest(){ if(window.ActiveXObject){ xmlhttp:new ActiveXObject("Microsoft.XMLHTTP
jquery wuai jquery
以下防止文档在完全加载之前运行Jquery代码，否则会出现试图隐藏一个不存在的元素、获得未完全加载的图像的大小等等 $(document).ready(function(){ jquery代码; }); <script type="text/javascript" src="c:/scripts/jquery-1.4.2.min.js&quo

使用pytorch进行迁移学习 修改预训练权重模型的分类层/输出类别（附mmaction相关实现代码）