搬砖老头
搬砖老头

keras实现常用深度学习模型LeNet，AlexNet，ZFNet，VGGNet，GoogleNet，Resnet

LeNet

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Sequential  
  3. from keras.layers import Dense,Flatten  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D  
  5. from keras.utils.np_utils import to_categorical  
  6. import cPickle  
  7. import gzip  
  8. import numpy as np  
  9. seed = 7  
  10. np.random.seed(seed)  
  11.   
  12. data = gzip.open(r'/media/wmy/document/BigData/kaggle/Digit Recognizer/mnist.pkl.gz')  
  13. train_set,valid_set,test_set = cPickle.load(data)  
  14. #train_x is [0,1]  
  15. train_x = train_set[0].reshape((-1,28,28,1))  
  16. train_y = to_categorical(train_set[1])  
  17.   
  18. valid_x = valid_set[0].reshape((-1,28,28,1))  
  19. valid_y = to_categorical(valid_set[1])  
  20.   
  21. test_x = test_set[0].reshape((-1,28,28,1))  
  22. test_y = to_categorical(test_set[1])  
  23.   
  24. model = Sequential()  
  25. model.add(Conv2D(32,(5,5),strides=(1,1),input_shape=(28,28,1),padding='valid',activation='relu',kernel_initializer='uniform'))  
  26. model.add(MaxPooling2D(pool_size=(2,2)))  
  27. model.add(Conv2D(64,(5,5),strides=(1,1),padding='valid',activation='relu',kernel_initializer='uniform'))  
  28. model.add(MaxPooling2D(pool_size=(2,2)))  
  29. model.add(Flatten())  
  30. model.add(Dense(100,activation='relu'))  
  31. model.add(Dense(10,activation='softmax'))  
  32. model.compile(optimizer='sgd',loss='categorical_crossentropy',metrics=['accuracy'])  
  33. model.summary()  
  34.   
  35. model.fit(train_x,train_y,validation_data=(valid_x,valid_y),batch_size=20,epochs=20,verbose=2)  
  36. #[0.031825309940411217, 0.98979999780654904]  
  37. print model.evaluate(test_x,test_y,batch_size=20,verbose=2)  

AlexNet

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Sequential  
  3. from keras.layers import Dense,Flatten,Dropout  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D  
  5. from keras.utils.np_utils import to_categorical  
  6. import numpy as np  
  7. seed = 7  
  8. np.random.seed(seed)  
  9.   
  10. model = Sequential()  
  11. model.add(Conv2D(96,(11,11),strides=(4,4),input_shape=(227,227,3),padding='valid',activation='relu',kernel_initializer='uniform'))  
  12. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  13. model.add(Conv2D(256,(5,5),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  14. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  15. model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  16. model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  17. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  18. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  19. model.add(Flatten())  
  20. model.add(Dense(4096,activation='relu'))  
  21. model.add(Dropout(0.5))  
  22. model.add(Dense(4096,activation='relu'))  
  23. model.add(Dropout(0.5))  
  24. model.add(Dense(1000,activation='softmax'))  
  25. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  26. model.summary()  

ZFNet

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Sequential  
  3. from keras.layers import Dense,Flatten,Dropout  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D  
  5. from keras.utils.np_utils import to_categorical  
  6. import numpy as np  
  7. seed = 7  
  8. np.random.seed(seed)  
  9.   
  10. model = Sequential()  
  11. model.add(Conv2D(96,(7,7),strides=(2,2),input_shape=(224,224,3),padding='valid',activation='relu',kernel_initializer='uniform'))  
  12. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  13. model.add(Conv2D(256,(5,5),strides=(2,2),padding='same',activation='relu',kernel_initializer='uniform'))  
  14. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  15. model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  16. model.add(Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  17. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  18. model.add(MaxPooling2D(pool_size=(3,3),strides=(2,2)))  
  19. model.add(Flatten())  
  20. model.add(Dense(4096,activation='relu'))  
  21. model.add(Dropout(0.5))  
  22. model.add(Dense(4096,activation='relu'))  
  23. model.add(Dropout(0.5))  
  24. model.add(Dense(1000,activation='softmax'))  
  25. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  26. model.summary()  

VGG-13

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Sequential  
  3. from keras.layers import Dense,Flatten,Dropout  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D  
  5. import numpy as np  
  6. seed = 7  
  7. np.random.seed(seed)  
  8.   
  9. model = Sequential()  
  10. model.add(Conv2D(64,(3,3),strides=(1,1),input_shape=(224,224,3),padding='same',activation='relu',kernel_initializer='uniform'))  
  11. model.add(Conv2D(64,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  12. model.add(MaxPooling2D(pool_size=(2,2)))  
  13. model.add(Conv2D(128,(3,2),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  14. model.add(Conv2D(128,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  15. model.add(MaxPooling2D(pool_size=(2,2)))  
  16. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  17. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  18. model.add(MaxPooling2D(pool_size=(2,2)))  
  19. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  20. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  21. model.add(MaxPooling2D(pool_size=(2,2)))  
  22. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  23. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  24. model.add(MaxPooling2D(pool_size=(2,2)))  
  25. model.add(Flatten())  
  26. model.add(Dense(4096,activation='relu'))  
  27. model.add(Dropout(0.5))  
  28. model.add(Dense(4096,activation='relu'))  
  29. model.add(Dropout(0.5))  
  30. model.add(Dense(1000,activation='softmax'))  
  31. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  32. model.summary()  

VGG-16

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Sequential  
  3. from keras.layers import Dense,Flatten,Dropout  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D  
  5. import numpy as np  
  6. seed = 7  
  7. np.random.seed(seed)  
  8.   
  9. model = Sequential()  
  10. model.add(Conv2D(64,(3,3),strides=(1,1),input_shape=(224,224,3),padding='same',activation='relu',kernel_initializer='uniform'))  
  11. model.add(Conv2D(64,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  12. model.add(MaxPooling2D(pool_size=(2,2)))  
  13. model.add(Conv2D(128,(3,2),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  14. model.add(Conv2D(128,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  15. model.add(MaxPooling2D(pool_size=(2,2)))  
  16. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  17. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  18. model.add(Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  19. model.add(MaxPooling2D(pool_size=(2,2)))  
  20. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  21. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  22. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  23. model.add(MaxPooling2D(pool_size=(2,2)))  
  24. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  25. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  26. model.add(Conv2D(512,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  
  27. model.add(MaxPooling2D(pool_size=(2,2)))  
  28. model.add(Flatten())  
  29. model.add(Dense(4096,activation='relu'))  
  30. model.add(Dropout(0.5))  
  31. model.add(Dense(4096,activation='relu'))  
  32. model.add(Dropout(0.5))  
  33. model.add(Dense(1000,activation='softmax'))  
  34. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  35. model.summary()  

GoogleNet

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Model  
  3. from keras.layers import Input,Dense,Dropout,BatchNormalization,Conv2D,MaxPooling2D,AveragePooling2D,concatenate  
  4. from keras.layers.convolutional import Conv2D,MaxPooling2D,AveragePooling2D  
  5. import numpy as np  
  6. seed = 7  
  7. np.random.seed(seed)  
  8.   
  9. def Conv2d_BN(x, nb_filter,kernel_size, padding='same',strides=(1,1),name=None):  
  10.     if name is not None:  
  11.         bn_name = name + '_bn'  
  12.         conv_name = name + '_conv'  
  13.     else:  
  14.         bn_name = None  
  15.         conv_name = None  
  16.   
  17.     x = Conv2D(nb_filter,kernel_size,padding=padding,strides=strides,activation='relu',name=conv_name)(x)  
  18.     x = BatchNormalization(axis=3,name=bn_name)(x)  
  19.     return x  
  20.   
  21. def Inception(x,nb_filter):  
  22.     branch1x1 = Conv2d_BN(x,nb_filter,(1,1), padding='same',strides=(1,1),name=None)  
  23.   
  24.     branch3x3 = Conv2d_BN(x,nb_filter,(1,1), padding='same',strides=(1,1),name=None)  
  25.     branch3x3 = Conv2d_BN(branch3x3,nb_filter,(3,3), padding='same',strides=(1,1),name=None)  
  26.   
  27.     branch5x5 = Conv2d_BN(x,nb_filter,(1,1), padding='same',strides=(1,1),name=None)  
  28.     branch5x5 = Conv2d_BN(branch5x5,nb_filter,(1,1), padding='same',strides=(1,1),name=None)  
  29.   
  30.     branchpool = MaxPooling2D(pool_size=(3,3),strides=(1,1),padding='same')(x)  
  31.     branchpool = Conv2d_BN(branchpool,nb_filter,(1,1),padding='same',strides=(1,1),name=None)  
  32.   
  33.     x = concatenate([branch1x1,branch3x3,branch5x5,branchpool],axis=3)  
  34.   
  35.     return x  
  36.   
  37. inpt = Input(shape=(224,224,3))  
  38. #padding = 'same'，填充为(步长-1）/2,还可以用ZeroPadding2D((3,3))  
  39. x = Conv2d_BN(inpt,64,(7,7),strides=(2,2),padding='same')  
  40. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  41. x = Conv2d_BN(x,192,(3,3),strides=(1,1),padding='same')  
  42. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  43. x = Inception(x,64)#256  
  44. x = Inception(x,120)#480  
  45. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  46. x = Inception(x,128)#512  
  47. x = Inception(x,128)  
  48. x = Inception(x,128)  
  49. x = Inception(x,132)#528  
  50. x = Inception(x,208)#832  
  51. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  52. x = Inception(x,208)  
  53. x = Inception(x,256)#1024  
  54. x = AveragePooling2D(pool_size=(7,7),strides=(7,7),padding='same')(x)  
  55. x = Dropout(0.4)(x)  
  56. x = Dense(1000,activation='relu')(x)  
  57. x = Dense(1000,activation='softmax')(x)  
  58. model = Model(inpt,x,name='inception')  
  59. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  60. model.summary()  

Resnet-34

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Model  
  3. from keras.layers import Input,Dense,Dropout,BatchNormalization,Conv2D,MaxPooling2D,AveragePooling2D,concatenate,Activation,ZeroPadding2D  
  4. from keras.layers import add,Flatten  
  5. #from keras.layers.convolutional import Conv2D,MaxPooling2D,AveragePooling2D  
  6. import numpy as np  
  7. seed = 7  
  8. np.random.seed(seed)  
  9.   
  10. def Conv2d_BN(x, nb_filter,kernel_size, strides=(1,1), padding='same',name=None):  
  11.     if name is not None:  
  12.         bn_name = name + '_bn'  
  13.         conv_name = name + '_conv'  
  14.     else:  
  15.         bn_name = None  
  16.         conv_name = None  
  17.   
  18.     x = Conv2D(nb_filter,kernel_size,padding=padding,strides=strides,activation='relu',name=conv_name)(x)  
  19.     x = BatchNormalization(axis=3,name=bn_name)(x)  
  20.     return x  
  21.   
  22. def Conv_Block(inpt,nb_filter,kernel_size,strides=(1,1), with_conv_shortcut=False):  
  23.     x = Conv2d_BN(inpt,nb_filter=nb_filter,kernel_size=kernel_size,strides=strides,padding='same')  
  24.     x = Conv2d_BN(x, nb_filter=nb_filter, kernel_size=kernel_size,padding='same')  
  25.     if with_conv_shortcut:  
  26.         shortcut = Conv2d_BN(inpt,nb_filter=nb_filter,strides=strides,kernel_size=kernel_size)  
  27.         x = add([x,shortcut])  
  28.         return x  
  29.     else:  
  30.         x = add([x,inpt])  
  31.         return x  
  32.   
  33. inpt = Input(shape=(224,224,3))  
  34. x = ZeroPadding2D((3,3))(inpt)  
  35. x = Conv2d_BN(x,nb_filter=64,kernel_size=(7,7),strides=(2,2),padding='valid')  
  36. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  37. #(56,56,64)  
  38. x = Conv_Block(x,nb_filter=64,kernel_size=(3,3))  
  39. x = Conv_Block(x,nb_filter=64,kernel_size=(3,3))  
  40. x = Conv_Block(x,nb_filter=64,kernel_size=(3,3))  
  41. #(28,28,128)  
  42. x = Conv_Block(x,nb_filter=128,kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  43. x = Conv_Block(x,nb_filter=128,kernel_size=(3,3))  
  44. x = Conv_Block(x,nb_filter=128,kernel_size=(3,3))  
  45. x = Conv_Block(x,nb_filter=128,kernel_size=(3,3))  
  46. #(14,14,256)  
  47. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  48. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3))  
  49. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3))  
  50. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3))  
  51. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3))  
  52. x = Conv_Block(x,nb_filter=256,kernel_size=(3,3))  
  53. #(7,7,512)  
  54. x = Conv_Block(x,nb_filter=512,kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  55. x = Conv_Block(x,nb_filter=512,kernel_size=(3,3))  
  56. x = Conv_Block(x,nb_filter=512,kernel_size=(3,3))  
  57. x = AveragePooling2D(pool_size=(7,7))(x)  
  58. x = Flatten()(x)  
  59. x = Dense(1000,activation='softmax')(x)  
  60.   
  61. model = Model(inputs=inpt,outputs=x)  
  62. model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
  63. model.summary()  

Resnet-50

[python]  view plain  copy
  1. #coding=utf-8  
  2. from keras.models import Model  
  3. from keras.layers import Input,Dense,BatchNormalization,Conv2D,MaxPooling2D,AveragePooling2D,ZeroPadding2D  
  4. from keras.layers import add,Flatten  
  5. #from keras.layers.convolutional import Conv2D,MaxPooling2D,AveragePooling2D  
  6. from keras.optimizers import SGD  
  7. import numpy as np  
  8. seed = 7  
  9. np.random.seed(seed)  
  10.   
  11. def Conv2d_BN(x, nb_filter,kernel_size, strides=(1,1), padding='same',name=None):  
  12.     if name is not None:  
  13.         bn_name = name + '_bn'  
  14.         conv_name = name + '_conv'  
  15.     else:  
  16.         bn_name = None  
  17.         conv_name = None  
  18.   
  19.     x = Conv2D(nb_filter,kernel_size,padding=padding,strides=strides,activation='relu',name=conv_name)(x)  
  20.     x = BatchNormalization(axis=3,name=bn_name)(x)  
  21.     return x  
  22.   
  23. def Conv_Block(inpt,nb_filter,kernel_size,strides=(1,1), with_conv_shortcut=False):  
  24.     x = Conv2d_BN(inpt,nb_filter=nb_filter[0],kernel_size=(1,1),strides=strides,padding='same')  
  25.     x = Conv2d_BN(x, nb_filter=nb_filter[1], kernel_size=(3,3), padding='same')  
  26.     x = Conv2d_BN(x, nb_filter=nb_filter[2], kernel_size=(1,1), padding='same')  
  27.     if with_conv_shortcut:  
  28.         shortcut = Conv2d_BN(inpt,nb_filter=nb_filter[2],strides=strides,kernel_size=kernel_size)  
  29.         x = add([x,shortcut])  
  30.         return x  
  31.     else:  
  32.         x = add([x,inpt])  
  33.         return x  
  34.   
  35. inpt = Input(shape=(224,224,3))  
  36. x = ZeroPadding2D((3,3))(inpt)  
  37. x = Conv2d_BN(x,nb_filter=64,kernel_size=(7,7),strides=(2,2),padding='valid')  
  38. x = MaxPooling2D(pool_size=(3,3),strides=(2,2),padding='same')(x)  
  39.   
  40. x = Conv_Block(x,nb_filter=[64,64,256],kernel_size=(3,3),strides=(1,1),with_conv_shortcut=True)  
  41. x = Conv_Block(x,nb_filter=[64,64,256],kernel_size=(3,3))  
  42. x = Conv_Block(x,nb_filter=[64,64,256],kernel_size=(3,3))  
  43.   
  44. x = Conv_Block(x,nb_filter=[128,128,512],kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  45. x = Conv_Block(x,nb_filter=[128,128,512],kernel_size=(3,3))  
  46. x = Conv_Block(x,nb_filter=[128,128,512],kernel_size=(3,3))  
  47. x = Conv_Block(x,nb_filter=[128,128,512],kernel_size=(3,3))  
  48.   
  49. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  50. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3))  
  51. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3))  
  52. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3))  
  53. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3))  
  54. x = Conv_Block(x,nb_filter=[256,256,1024],kernel_size=(3,3))  
  55.   
  56. x = Conv_Block(x,nb_filter=[512,512,2048],kernel_size=(3,3),strides=(2,2),with_conv_shortcut=True)  
  57. x = Conv_Block(x,nb_filter=[512,512,2048],kernel_size=(3,3))  
  58. x = Conv_Block(x,nb_filter=[512,512,2048],kernel_size=(3,3))  
  59. x = AveragePooling2D(pool_size=(7,7))(x)  
  60. x = Flatten()(x)  
  61. x = Dense(1000,activation='softmax')(x)  
  62.   
  63. model = Model(inputs=inpt,outputs=x)  
  64. sgd = SGD(decay=0.0001,momentum=0.9)  
  65. model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])  
  66. model.summary()  

你可能感兴趣的:(深度学习)

  • 使用Jupyter Notebook进行深度学习编程 - 深度学习教程 shandianfk_com ChatGPTAIjupyter深度学习ide
    大家好，今天我们要聊聊如何使用JupyterNotebook进行深度学习编程。深度学习是人工智能领域中的一项重要技术，通过模仿人脑神经网络的方式进行学习和分析。JupyterNotebook作为一个强大的工具，可以帮助我们轻松地进行深度学习编程，尤其适合初学者和研究人员。本文将带领大家一步步了解如何在JupyterNotebook中开展深度学习项目。一、什么是JupyterNotebook？Jup
  • 深度学习 Deep Learning 第8章 深度学习优化 odoo中国 AI编程人工智能深度学习人工智能优化
    深度学习第8章深度学习的优化章节概述本章深入探讨了深度学习中的优化技术，旨在解决模型训练过程中面临的各种挑战。优化是深度学习的核心环节，直接关系到模型的训练效率和最终性能。本章首先介绍了优化在深度学习中的特殊性，然后详细讨论了多种优化算法，包括随机梯度下降（SGD）、动量法、Nesterov动量法、AdaGrad、RMSProp和Adam等。此外，还探讨了参数初始化策略、自适应学习率方法以及二阶优
  • 景联文科技提供高质量文本标注服务，驱动AI技术发展 景联文科技 科技人工智能
    文本标注是指在原始文本数据上添加标签的过程，这些标签可以用来指示特定的实体、关系、事件等信息，以帮助计算机理解和处理这些数据。文本标注是自然语言处理（NLP）领域的一个重要环节，它通过为文本的不同部分提供具体的含义和上下文信息，增强机器学习和深度学习模型对文本内容的理解能力。标注类型情感分析情感极性：确定文本表达的情感倾向，如正面、负面或中立。强度评估：衡量情感的强烈程度，从轻微到极端不等。命名实
  • 深度学习篇---对角矩阵&矩阵的秩&奇异矩阵 Ronin-Lotus 程序代码篇深度学习篇深度学习矩阵人工智能线性代数
    文章目录前言一、对角矩阵（DiagonalMatrix）1.1定义1.2特性行列式运算简化1.3应用领域深度学习信号处理量子力学经济学二、矩阵的秩（RankofaMatrix）2.1定义2.2特性满秩降秩影响2.3应用领域深度学习图像压缩推荐系统控制理论三、奇异矩阵（SingularMatrix）3.1定义3.2特性秩不足行列式为零3.3应用领域深度学习正则化损失函数结构工程统计学数值计算四、跨领
  • DeepSeek、Grok 与 ChatGPT 三巨头：技术架构与应用场景的全方位解析 云策量化 Deepseekchatgptdeepseekgrok
    前言在当今人工智能领域，DeepSeek、Grok和ChatGPT作为语言模型的三巨头，各自凭借独特的技术架构和广泛的应用场景，在自然语言处理领域占据着重要地位。本文将对这三款模型的技术架构和应用场景进行全方位解析，以期为读者提供深入的了解和有价值的参考。一、技术架构（一）DeepSeekDeepSeek是由DeepSeek团队开发的一款大型语言模型，其技术架构基于深度学习中的Transforme
  • OpenCV 4.2.0与扩展模块安装与应用指南 土城三富
    本文还有配套的精品资源，点击获取简介：OpenCV4.2.0是一个先进的计算机视觉库，包含了图像处理、计算机视觉和机器学习算法。本压缩包包含OpenCV核心库和扩展模块（opencv_contrib），版本均为4.2.0。该版本引入了性能增强、API优化以及对深度学习框架和硬件加速技术的更新支持。扩展模块提供了额外的实验性算法和功能，有助于研究和开发新算法。指南详细介绍了如何安装和配置这些库，并提
  • 介于YOLOv5的裂缝识别系统 程序员～小强 YOLO
    介于YOLOv5的裂缝识别系统在现代工业中，裂缝监测是的保障设施安全的重要环节。我们公司的新项目——基于YOLOv5的裂缝识别系统，将为您提供高效、精准的解决方案，助力各类工程项目的质量管理。系统优势我们的裂缝识别系统借助YOLOv5进行深度学习，经过精心训练，拥有强大的图像识别能力。只需简单的步骤，您就能将复杂的裂缝检测转化为轻松的操作，让分析变得更加简单、高效。核心功能图片上传与场景选择用户可
  • 使用Dall-E生成图像：文本到图像的魔力 shuoac 计算机视觉人工智能python
    使用Dall-E生成图像：文本到图像的魔力技术背景介绍Dall-E是OpenAI开发的一个强大的文本到图像生成模型，它能够根据自然语言描述创造出全新的数字图像。这一技术基于深度学习的方法，使得创意与AI图像生成的结合更具可能性。本文将介绍如何调用Dall-EAPI来生成图像，从而使开发者能够将这一技术应用到自己的项目中。核心原理解析Dall-E利用大型语言模型（LLM）从用户提供的文本描述中提取详
  • 【深度学习|地学应用】滑坡灾害早期隐患的概念、特征及识别方法，同时解释其与人工边坡、滑坡易发性之间的联系与区别。 985小水博一枚呀 深度学习人工智能
    【深度学习|地学应用】滑坡灾害早期隐患的概念、特征及识别方法，同时解释其与人工边坡、滑坡易发性之间的联系与区别。【深度学习|地学应用】滑坡灾害早期隐患的概念、特征及识别方法，同时解释其与人工边坡、滑坡易发性之间的联系与区别。文章目录【深度学习|地学应用】滑坡灾害早期隐患的概念、特征及识别方法，同时解释其与人工边坡、滑坡易发性之间的联系与区别。1.滑坡灾害早期隐患的概念与特征概念主要特征2.通过光学
  • 给普通人看的深度学习说明书：用快递系统理解AI如何思考 嵌入式Jerry PythonAI人工智能深度学习
    第一章：理解AI的思维方式（快递版）1.1快递分拣站的故事假设你管理一个快递分拣站：传统方法：手动制定规则（比如根据邮编分拣）机器学习：观察老员工的分拣记录，总结规律深度学习：搭建自动分拣流水线，自主发现隐藏规则1.2神经网络就像智能分拣机传送带（输入层）：接收包裹信息（图片像素/文字等）#就像扫描快递单input_data=[0.2,0.7,0.1]#归一化后的特征数据分拣工人（隐藏层）：每个工
  • 解析大模型归一化：提升训练稳定性和性能的关键技术 秋声studio 口语化解析深度学习人工智能大模型归一化
    引言在深度学习领域，特别是在处理大型神经网络模型时，归一化（Normalization）是一项至关重要的技术。它可以提高模型的训练稳定性和性能，在加速收敛方面发挥了重要作用。本文将深入探讨大模型归一化的原理、常见方法及其应用场景，并结合实际案例和代码示例进行说明。一、归一化的作用与理论基础归一化的主要目的是为了提高模型的训练稳定性和性能。具体来说，归一化有以下几个关键作用：提高训练稳定性：在神经网
  • 深入解析深度学习中的过拟合与欠拟合诊断、解决与工程实践 古月居GYH 深度学习人工智能
    一、引言：模型泛化能力的核心挑战在深度学习模型开发中，欠拟合与过拟合是影响泛化能力的两个核心矛盾。据GoogleBrain研究统计，工业级深度学习项目中有63%的失败案例与这两个问题直接相关。本文将从基础概念到工程实践，系统解析其本质特征、诊断方法及解决方案，并辅以可复现的代码案例。二、核心概念与通熟易懂解释简单而言，欠拟合是指模型不能在训练集上获得足够低的误差。换句换说，就是模型复杂度低，模型在
  • Umi-OCR 实践教程：离线、免费、高效的图像文字识别工具 几道之旅 人工智能智能体及数字员工ocr人工智能
    一、工具简介Umi-OCR是一款开源、免费且支持离线运行的OCR（光学字符识别）工具，适用于Windows和Linux系统。它基于深度学习技术，能够高效提取图像中的文字，支持多语言识别、批量处理、截屏识别等功能，尤其适合对隐私敏感或网络受限的场景。核心亮点：离线运行：无需联网，保护隐私。多引擎支持：提供Paddle（高性能）和Rapid（低配兼容）两种引擎。批量处理：支持图片、PDF、电子书等多格
  • 基于ChatGPT、GIS与Python机器学习的地质灾害风险评估、易发性分析、信息化建库及灾后重建高级实践 weixin_贾 防洪评价风险评估滑坡泥石流地质灾害
    第一章、ChatGPT、DeepSeek大语言模型提示词与地质灾害基础及平台介绍【基础实践篇】1、什么是大模型？大模型（LargeLanguageModel,LLM）是一种基于深度学习技术的大规模自然语言处理模型。代表性大模型：GPT-4、BERT、T5、ChatGPT等。特点：多任务能力：可以完成文本生成、分类、翻译、问答等任务。上下文理解：能理解复杂的上下文信息。广泛适配性：适合科研、教育、行
  • anythingLLM 使用教程 惟贤箬溪 穷玩AiAIGC人工智能
    一、anythingLLM简介anythingLLM是一款灵活且功能强大的语言模型，它基于先进的深度学习架构构建，旨在为用户提供多样化的自然语言处理服务。其设计理念注重通用性和可扩展性，能够适应多种领域和任务，无论是文本生成、智能问答，还是翻译、摘要提取等，都能展现出出色的性能。与同类模型相比，anythingLLM具有训练数据丰富、模型优化程度高的优势，能够生成更符合逻辑、更具实用性的文本内容。
  • 深度解析大模型推理框架：原理、应用与实践 百度_开发者中心 人工智能大模型自然语言处理
    在当今数据驱动的时代，大模型推理框架已经成为人工智能领域的重要支柱。本文将通过简明扼要、清晰易懂的方式，带领读者深入了解大模型推理框架的原理、应用领域和实践经验，帮助读者更好地掌握这一技术，并在实际工作中发挥其价值。一、大模型推理框架简介大模型推理框架是指一种基于深度学习技术的推理框架，主要用于解决大规模数据集下的复杂问题。该框架通过对海量数据进行高效的训练和推理，能够快速地对各种复杂场景进行分析
  • 大模型推理框架：从理论到实践的全面解析 百度_开发者中心 人工智能大模型自然语言处理
    在数据驱动的时代，深度学习技术已经渗透到各个行业，从图像识别到自然语言处理，从推荐系统到智能客服，其应用无处不在。然而，深度学习模型的训练和推理过程往往涉及大量数据和复杂计算，传统的计算框架难以满足需求。因此，大模型推理框架应运而生，成为解决这一问题的关键。一、大模型推理框架基本概念大模型推理框架是一种基于深度学习技术的推理框架，它通过对海量数据进行高效的训练和推理，能够快速地对各种复杂场景进行分
  • Yolo系列之Yolo的基本理解 是十一月末 YOLOpython开发语言yolo
    YOLO的基本理解目录YOLO的基本理解1YOLO1.1概念1.2算法2单、多阶段对比2.1FLOPs和FPS2.2one-stage单阶段2.3two-stage两阶段1YOLO1.1概念YOLO(YouOnlyLookOnce)是一种基于深度学习的目标检测算法，由JosephRedmon等人于2016年提出。它的核心思想是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位
  • 大语言模型学习路线：从入门到实战 大模型官方资料 语言模型学习人工智能产品经理自然语言处理搜索引擎
    大语言模型学习路线：从入门到实战在人工智能领域，大语言模型（LargeLanguageModels,LLMs）正迅速成为一个热点话题。本学习路线旨在为有基本Python编程和深度学习基础的学习者提供一个清晰、系统的大模型学习指南，帮助你在这一领域快速成长。本学习路线更新至2024年02月，后期部分内容或工具可能需要更新。适应人群已掌握Python基础具备基本的深度学习知识学习步骤本路线将通过四个核
  • 深度学习与目标检测系列(六) 本文约(4.5万字) | 全面解读复现ResNet | Pytorch | 小酒馆燃着灯 深度学习目标检测pytorch人工智能ResNet残差连接残差网络
    文章目录解读Abstract—摘要翻译精读主要内容Introduction—介绍翻译精读背景RelatedWork—相关工作ResidualRepresentations—残差表达翻译精读主要内容ShortcutConnections—短路连接翻译精读主要内容DeepResidualLearning—深度残差学习ResidualLearning—残差学习翻译精读ResNet目的以前方法本文改进本质
  • 深度学习与目标检测系列(三) 本文约(4万字) | 全面解读复现AlexNet | Pytorch | 小酒馆燃着灯 深度学习目标检测pytorchAlexNet人工智能
    文章目录解读Abstract-摘要翻译精读主要内容1.Introduction—前言翻译精读主要内容：本文主要贡献：2.TheDataset-数据集翻译精读主要内容：ImageNet简介：图像处理方法：3.TheArchitecture—网络结构3.1ReLUNonlinearity—非线性激活函数ReLU翻译精读传统方法及不足本文改进方法本文的改进结果3.2TrainingonMultipleG
  • 计算机视觉技术探索：美颜SDK如何利用深度学习优化美颜、滤镜功能？ 美狐美颜sdk 美颜SDK美颜API直播美颜SDK计算机视觉深度学习直播美颜SDK美颜sdk第三方美颜sdk美颜api
    时下，计算机视觉+深度学习正在重塑美颜技术，通过智能人脸检测、AI滤镜、深度美肤、实时优化等方式，让美颜效果更加自然、精准、个性化。那么，美颜SDK如何结合深度学习来优化美颜和滤镜功能？本文将深入解析AI在美颜技术中的应用，并探讨其未来发展趋势。一、深度学习如何赋能美颜SDK？1.AI人脸检测与关键点识别：精准捕捉五官在美颜过程中，首先需要精准检测人脸位置和五官特征点，确保美颜效果不会失真。深度学
  • 深度学习模型性能全景评估与优化指南 niuTaylor 深度学习人工智能
    深度学习模型性能全景评估与优化指南一、算力性能指标体系1.核心算力指标对比指标计算方式适用场景硬件限制TOPS(TeraOperationsPerSecond)每秒万亿次整数运算量化模型推理NVIDIAJetsonNano仅支持FP16/FP32TFLOPS(TeraFLoating-pointOPerationsperSecond)TFLOPS=Cores×FLOPs/Cycle×Frequen
  • 利用Python和深度学习方法实现手写数字识别的高精度解决方案——从数据预处理到模型优化的全流程解析 快撑死的鱼 Python算法精解python深度学习开发语言
    利用Python和深度学习方法实现手写数字识别的高精度解决方案——从数据预处理到模型优化的全流程解析在人工智能的众多应用领域中，手写数字识别是一项经典且具有重要实际应用价值的任务。随着深度学习技术的飞速发展，通过构建和训练神经网络模型，手写数字识别的精度已经可以达到99%以上。本文将以Python为主要编程语言，结合深度学习的核心技术，详细解析手写数字识别的实现过程，并探讨如何进一步优化模型以提高
  • 强化学习中的深度卷积神经网络设计与应用实例 数字扫地僧 计算机视觉cnn人工智能神经网络
    I.引言强化学习（ReinforcementLearning，RL）是机器学习的一个重要分支，通过与环境的交互来学习最优策略。深度学习，特别是深度卷积神经网络（DeepConvolutionalNeuralNetworks，DCNNs）的引入，为强化学习在处理高维度数据方面提供了强大工具。本文将探讨强化学习中深度卷积神经网络的设计原则及其在不同应用场景中的实例。II.深度卷积神经网络在强化学习中的
  • 腾讯云大模型知识引擎与DeepSeek：打造懒人专属的谷歌浏览器翻译插件 大富大贵7 程序员知识储备1程序员知识储备2程序员知识储备3腾讯云云计算
    摘要：随着人工智能技术的飞速发展，越来越多的前沿技术和工具已走入日常生活。翻译工具作为跨语言沟通的桥梁，一直处于技术创新的风口浪尖。本文探讨了腾讯云大模型知识引擎与DeepSeek结合谷歌浏览器插件的可能性，旨在为用户提供一种便捷、高效的翻译体验。通过应用深度学习、自然语言处理和知识图谱技术，该插件不仅能实时翻译网页内容，还能根据上下文进行智能推荐，实现精准的语境转换。本文将详细阐述其设计思路、技
  • PyTorch深度学习框架60天进阶学习计划 - 第28天：多模态模型实践（二） 凡人的AI工具箱 深度学习pytorch学习AI编程人工智能python
    PyTorch深度学习框架60天进阶学习计划-第28天：多模态模型实践（二）5.跨模态检索系统应用场景5.1图文匹配系统的实际应用应用领域具体场景优势电子商务商品图像搜索、视觉购物用户可以上传图片查找相似商品或使用文本描述查找商品智能媒体内容推荐、图片库搜索通过内容的语义理解提供更精准的推荐和搜索社交网络基于内容的帖子推荐理解用户兴趣，提供更相关的内容推荐教育技术多模态教学资源检索教师和学生可以更
  • PyTorch深度学习框架60天进阶学习计划 - 第28天：多模态模型实践（一） 凡人的AI工具箱 深度学习pytorch学习AI编程人工智能python
    PyTorch深度学习框架60天进阶学习计划-第28天：多模态模型实践（一）引言：跨越感知的边界欢迎来到我们的PyTorch学习旅程第28天！今天我们将步入AI世界中最激动人心的领域之一：多模态学习。想象一下，如果你的模型既能"看"又能"读"，并且能够理解图像与文字之间的联系，这将为我们打开怎样的可能性？今天我们将专注于构建图文匹配系统，学习如何使用CLIP（ContrastiveLanguage
  • 10.2 如何解决从复杂 PDF 文件中提取数据的问题？ 墨染辉 大语言模型pdf
    10.2如何解决从复杂PDF文件中提取数据的问题？解决方案：嵌入式表格检索解释：嵌入式表格检索是一种专门针对从复杂PDF文件中的表格提取数据的技术。它结合了表格识别、解析和语义理解，使得从复杂结构的表格中检索信息成为可能。具体步骤：表格检测和识别：目标：在PDF页面中准确地定位和识别表格区域。方法：使用计算机视觉和深度学习技术，如卷积神经网络（CNN）或其他先进的图像处理算法。效果：能够检测出页面
  • TensorFlow深度学习实战项目：从入门到精通 点我头像干啥 Ai深度学习tensorflow人工智能
    引言深度学习作为人工智能领域的一个重要分支，近年来取得了显著的进展。TensorFlow作为Google开源的深度学习框架，因其强大的功能和灵活的架构，成为了众多开发者和研究者的首选工具。本文将带领大家通过一个实战项目，深入理解TensorFlow的使用方法，并掌握深度学习的基本流程。1.TensorFlow简介1.1TensorFlow是什么？TensorFlow是一个开源的机器学习框架，由Go
  • java线程Thread和Runnable区别和联系 zx_code javajvmthread多线程Runnable
    我们都晓得java实现线程2种方式，一个是继承Thread，另一个是实现Runnable。 模拟窗口买票，第一例子继承thread，代码如下 package thread; public class ThreadTest { public static void main(String[] args) { Thread1 t1 = new Thread1(
  • 【转】JSON与XML的区别比较 丁_新 jsonxml
    1.定义介绍 (1).XML定义 扩展标记语言 (Extensible Markup Language, XML) ，用于标记电子文件使其具有结构性的标记语言，可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言。 XML使用DTD(document type definition)文档类型定义来组织数据;格式统一，跨平台和语言，早已成为业界公认的标准。 XML是标
  • c++ 实现五种基础的排序算法 CrazyMizzz C++c算法
    #include<iostream> using namespace std; //辅助函数，交换两数之值 template<class T> void mySwap(T &x, T &y){ T temp = x; x = y; y = temp; } const int size = 10; //一、用直接插入排
  • 我的软件 麦田的设计者 我的软件音乐类娱乐放松
         这是我写的一款app软件，耗时三个月，是一个根据央视节目开门大吉改变的，提供音调，猜歌曲名。1、手机拥有者在android手机市场下载本APP，同意权限，安装到手机上。2、游客初次进入时会有引导页面提醒用户注册。（同时软件自动播放背景音乐）。3、用户登录到主页后，会有五个模块。a、点击不胫而走，用户得到开门大吉首页部分新闻，点击进入有新闻详情。b、
  • linux awk命令详解 被触发 linux awk
    awk是行处理器: 相比较屏幕处理的优点，在处理庞大文件时不会出现内存溢出或是处理缓慢的问题，通常用来格式化文本信息 awk处理过程: 依次对每一行进行处理，然后输出 awk命令形式: awk [-F|-f|-v] ‘BEGIN{} //{command1; command2} END{}’ file [-F|-f|-v]大参数，-F指定分隔符，-f调用脚本，-v定义变量 var=val
  • 各种语言比较 _wy_ 编程语言
                        Java Ruby PHP 擅长领域                  
  • oracle 中数据类型为clob的编辑 知了ing oracle clob
    public void updateKpiStatus(String kpiStatus,String taskId){ Connection dbc=null; Statement stmt=null; PreparedStatement ps=null; try { dbc = new DBConn().getNewConnection(); //stmt = db
  • 分布式服务框架 Zookeeper -- 管理分布式环境中的数据 矮蛋蛋 zookeeper
    原文地址： http://www.ibm.com/developerworks/cn/opensource/os-cn-zookeeper/ 安装和配置详解 本文介绍的 Zookeeper 是以 3.2.2 这个稳定版本为基础，最新的版本可以通过官网 http://hadoop.apache.org/zookeeper/来获取，Zookeeper 的安装非常简单，下面将从单机模式和集群模式两
  • tomcat数据源 alafqq tomcat
    数据库 JNDI(Java Naming and Directory Interface，Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。 没有使用JNDI时我用要这样连接数据库： 03.  Class.forName("com.mysql.jdbc.Driver");  04.  conn
  • 遍历的方法 百合不是茶 遍历
                                                          遍历 在java的泛
  • linux查看硬件信息的命令 bijian1013 linux
    linux查看硬件信息的命令 一.查看CPU： cat /proc/cpuinfo   二.查看内存： free   三.查看硬盘： df   linux下查看硬件信息 1、lspci 列出所有PCI 设备； lspci - list all PCI devices:列出机器中的PCI设备（声卡、显卡、Modem、网卡、USB、主板集成设备也能
  • java常见的ClassNotFoundException bijian1013 java
    1.java.lang.ClassNotFoundException: org.apache.commons.logging.LogFactory   添加包common-logging.jar2.java.lang.ClassNotFoundException: javax.transaction.Synchronization    
  • 【Gson五】日期对象的序列化和反序列化 bit1129 反序列化
    对日期类型的数据进行序列化和反序列化时，需要考虑如下问题：   1. 序列化时，Date对象序列化的字符串日期格式如何 2. 反序列化时，把日期字符串序列化为Date对象，也需要考虑日期格式问题 3. Date A -> str -> Date B,A和B对象是否equals   默认序列化和反序列化     import com
  • 【Spark八十六】Spark Streaming之DStream vs. InputDStream bit1129 Stream
      1. DStream的类说明文档：   /** * A Discretized Stream (DStream), the basic abstraction in Spark Streaming, is a continuous * sequence of RDDs (of the same type) representing a continuous st
  • 通过nginx获取header信息 ronin47 nginx header
    1. 提取整个的Cookies内容到一个变量，然后可以在需要时引用，比如记录到日志里面， if ( $http_cookie ~* "(.*)$") {         set $all_cookie $1; }     变量$all_cookie就获得了cookie的值，可以用于运算了
  • java-65.输入数字n，按顺序输出从1最大的n位10进制数。比如输入3，则输出1、2、3一直到最大的3位数即999 bylijinnan java
    参考了网上的http://blog.csdn.net/peasking_dd/article/details/6342984 写了个java版的： public class Print_1_To_NDigit { /** * Q65.输入数字n，按顺序输出从1最大的n位10进制数。比如输入3，则输出1、2、3一直到最大的3位数即999 * 1.使用字符串
  • Netty源码学习-ReplayingDecoder bylijinnan javanetty
    ReplayingDecoder是FrameDecoder的子类，不熟悉FrameDecoder的，可以先看看 http://bylijinnan.iteye.com/blog/1982618 API说，ReplayingDecoder简化了操作，比如： FrameDecoder在decode时，需要判断数据是否接收完全： public class IntegerH
  • js特殊字符过滤 cngolon js特殊字符js特殊字符过滤
    1.js中用正则表达式 过滤特殊字符, 校验所有输入域是否含有特殊符号function stripscript(s) {    var pattern = new RegExp("[`~!@#$^&*()=|{}':;',\\[\\].<>/?~！@#￥……&*（）&mdash;—|{}【】‘；：”“'。，、？]"
  • hibernate使用sql查询 ctrain Hibernate
    import java.util.Iterator; import java.util.List; import java.util.Map; import org.hibernate.Hibernate; import org.hibernate.SQLQuery; import org.hibernate.Session; import org.hibernate.Transa
  • linux shell脚本中切换用户执行命令方法 daizj linuxshell命令切换用户
    经常在写shell脚本时，会碰到要以另外一个用户来执行相关命令，其方法简单记下：   1、执行单个命令：su - user -c "command" 如：下面命令是以test用户在/data目录下创建test123目录 [root@slave19 /data]# su - test -c "mkdir /data/test123" 
  • 好的代码里只要一个 return 语句 dcj3sjt126com return
    别再这样写了：public boolean foo() {    if (true) {         return true;     } else {          return false;    
  • Android动画效果学习 dcj3sjt126com android
    1、透明动画效果 方法一：代码实现 public View onCreateView(LayoutInflater inflater, ViewGroup container, Bundle savedInstanceState) { View rootView = inflater.inflate(R.layout.fragment_main, container, fals
  • linux复习笔记之bash shell (4)管道命令 eksliang linux管道命令汇总linux管道命令linux常用管道命令
    转载请出自出处： http://eksliang.iteye.com/blog/2105461     bash命令执行的完毕以后，通常这个命令都会有返回结果，怎么对这个返回的结果做一些操作呢？那就得用管道命令‘|’。     上面那段话，简单说了下管道命令的作用，那什么事管道命令呢？     答：非常的经典的一句话，记住了，何为管
  • Android系统中自定义按键的短按、双击、长按事件 gqdy365 android
    在项目中碰到这样的问题： 由于系统中的按键在底层做了重新定义或者新增了按键，此时需要在APP层对按键事件（keyevent）做分解处理，模拟Android系统做法，把keyevent分解成： 1、单击事件：就是普通key的单击； 2、双击事件：500ms内同一按键单击两次； 3、长按事件：同一按键长按超过1000ms（系统中长按事件为500ms）； 4、组合按键：两个以上按键同时按住；
  • asp.net获取站点根目录下子目录的名称 hvt .netC#asp.nethovertreeWeb Forms
    使用Visual Studio建立一个.aspx文件(Web Forms)，例如hovertree.aspx,在页面上加入一个ListBox代码如下： <asp:ListBox runat="server" ID="lbKeleyiFolder" />   那么在页面上显示根目录子文件夹的代码如下： string[] m_sub
  • Eclipse程序员要掌握的常用快捷键 justjavac javaeclipse快捷键ide
      判断一个人的编程水平，就看他用键盘多，还是鼠标多。用键盘一是为了输入代码（当然了，也包括注释），再有就是熟练使用快捷键。   曾有人在豆瓣评 《卓有成效的程序员》：“人有多大懒，才有多大闲”。之前我整理了一个 程序员图书列表，目的也就是通过读书，让程序员变懒。  写道 程序员作为特殊的群体，有的人可以这么懒，懒到事情都交给机器去做，而有的人又可
  • c++编程随记 lx.asymmetric C++笔记
     为了字体更好看，改变了格式……   &&运算符：   #include<iostream> using namespace std; int main(){      int a=-1,b=4,k;      k=(++a<0)&&!(b--
  • linux标准IO缓冲机制研究 音频数据 linux
    一、什么是缓存I/O(Buffered I/O)缓存I/O又被称作标准I/O,大多数文件系统默认I/O操作都是缓存I/O。在Linux的缓存I/O机制中，操作系统会将I/O的数据缓存在文件系统的页缓存(page cache)中，也就是说，数据会先被拷贝到操作系统内核的缓冲区中，然后才会从操作系统内核的缓冲区拷贝到应用程序的地址空间。1.缓存I/O有以下优点:A.缓存I/O使用了操作系统内核缓冲区，
  • 随想 生活 暗黑小菠萝 生活
    其实账户之前就申请了，但是决定要自己更新一些东西看也是最近。从毕业到现在已经一年了。没有进步是假的，但是有多大的进步可能只有我自己知道。   毕业的时候班里12个女生，真正最后做到软件开发的只要两个包括我，PS：我不是说测试不好。当时因为考研完全放弃找工作，考研失败，我想这只是我的借口。那个时候才想到为什么大学的时候不能好好的学习技术，增强自己的实战能力，以至于后来找工作比较费劲。我
  • 我认为POJO是一个错误的概念 windshome javaPOJO编程J2EE设计
                  这篇内容其实没有经过太多的深思熟虑，只是个人一时的感觉。从个人风格上来讲，我倾向简单质朴的设计开发理念；从方法论上，我更加倾向自顶向下的设计；从做事情的目标上来看，我追求质量优先，更愿意使用较为保守和稳妥的理念和方法。    &
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他