静脉
静脉

手写数字|第四天的Keras

今天的深度学习训练我们要练习一下让计算机识别手写数字。其说是深度学习，我们搭建的神经层只有两层，输入层，输出层。但不要小看只有两层，我们的正确率已经达到了90+%。

废话不多说，先看代码

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import optimizers
from keras.datasets import mnist
from keras.utils.np_utils import to_categorical
import matplotlib.pyplot as plt


# collecting the data
(x_train, y_train), (x_test, y_test) = mnist.load_data('mnist.pkl.gz')
x = x_test[6]/125
x_train = x_train.reshape(60000, 784)/125
x_test = x_test.reshape(x_test.shape[0], 784)/125
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

# design the model
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

# compile the model and pick the loss function and the optimizer
rms = optimizers.RMSprop(lr=0.01, epsilon=1e-8, rho=0.9)
model.compile(optimizer=rms, loss='categorical_crossentropy', metrics=['accuracy'])

# training the model
model.fit(x_train, y_train, batch_size=20, epochs=2, shuffle=True)

# test the model
score = model.evaluate(x_test, y_test, batch_size=500)
h = model.predict_classes(x.reshape(1, -1), batch_size=1)

print 'loss:\t', score[0], '\naccuracy:\t', score[1]
print '\nclass:\t', h
plt.imshow(x)
plt.show()

好的，老生常谈先说第一段代码

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import optimizers
from keras.datasets import mnist
from keras.utils.np_utils import to_categorical
import matplotlib.pyplot as plt
  • 在前几个文章中提到的，我们就不说了，因为前几篇文章介绍的很详细。如果有那些我没有说的，但没看懂请点击一下链接。线性回归|第一天的Keras、分类训练|第二天的Keras、多元分类|第三天的Keras.
  • 好了，今天新导入的模块是mnist，这个模块是keras的数据集。我们倒入这个模块是为了获取mnist的训练数据，和测试数据。下面代码会详解。
  • 另一个新的模块是to_categorical,这是一个函数，主要是把，我们的标签转换成一个二维向量。例如我们一共有5类，我们的标签分别是0，1，2，3，4。通过to_categorical我们就会把标签转换成下面的形式【0，0，0，0，1】（代表标签4）
  • 还有一个新的模块 matplotlib.pyplot。matplotlib是一个python的包，主要是绘制表格等使用。我们今天用它来可视化我们的训练数据。建议安装此包是下载anaconda，管理工具。这样可以很好的解决依赖问题，特别是在windows下。一般我们google，或者baidu都可以，看到如何安装anaconda，或者直接看官网。当然pip安装matplotlib也可以。

收集数据

# collecting the data
(x_train, y_train), (x_test, y_test) = mnist.load_data('mnist.pkl.gz')
x = x_test[6]
x_train = x_train.reshape(60000, 784)/125
x_test = x_test.reshape(x_test.shape[0], 784)/125
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)
  • 通过mnist.load_data()我们可以获得我们需要的训练数据。这里有个东西需要注意一下。（）里面的参数可以不填，但第一次我的下载失败了，文件破损，所以我就改为他的另一个数据包的名称。他的包一共有两个。另一个‘mnist.pnz'
  • 因为我们得到的数据的shape是（60000，28，28）x_train。所以我们要改变一下其shape让其适合训练。自然是改称28*28维的向量了。所以reshape（60000，784）60000是指有60000个量，784是指每个量都是784维的。x_test也类似。x_test.shape[0]也就是原来的量的个数。
  • 还有一点我们为什么要除上125呢？其实除不除，除多少看个人心意吧，因为x_train,每个元素都是介于0～255之间的数，为了训练起来方便我除上125，就变成了0～2之间的数字。
  • 下一个我们用到的就是to_categorical了。上面已经说清楚了，就不废话了。

设计我们的模型

# design the model
model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

好了，没什么新意。我前面集篇文章都讲的比较多。

选取优化器、损失函数，并编译我们的模型

# compile the model and pick the loss function and the optimizer
rms = optimizers.RMSprop(lr=0.01, epsilon=1e-8, rho=0.9)
model.compile(optimizer=rms, loss='categorical_crossentropy', metrics=['accuracy'])
  • 这里唯一一个比较新的是我们选择了一个新的优化器RMSprop。详情请阅读优化器比较

训练我们的模型

# training the model
model.fit(x_train, y_train, batch_size=20, epochs=2, shuffle=True)

同样跟前几篇文章没什么不同。另外提议下batch_size的意义，就是加速我们的训练（GPU），增加更新次数。

测试我们的模型

# test the model
score = model.evaluate(x_test, y_test, batch_size=500)
h = model.predict_classes(x.reshape(1, -1), batch_size=1)

print 'loss:\t', score[0], '\naccuracy:\t', score[1]
print '\nclass:\t', h
plt.imshow(x)
plt.show()
  • 首先evaluate一下我们的训练结果，得到了loss，和accuracy。
  • 然后使用predict_classes（），输入一个图片，并将此图片shape成可输入的矩阵，并经过相同的预处理。注意的一点是这里我们reshape有一个参数是-1，什么意思呢？就是把数组分成x个量，每个量多少维根据数组大小自行调整。还是不理解事不。举个例子。
>>> data
array([[ 0.21033279,  0.50292265,  0.71271164,  0.47520358,  0.73701694,
         0.82117798,  0.44008419,  0.59581689,  0.07051911,  0.57959824,
         0.76565127,  0.51984695,  0.27255042,  0.59663595,  0.48586599,
         0.234282  ,  0.71937941,  0.99956487,  0.46895412,  0.37871936,
         0.81054667,  0.09787709,  0.14693726,  0.81571586,  0.08852998,
         0.73211671,  0.29407735,  0.37332085,  0.00451808,  0.60411745,
         0.20248406,  0.36436494,  0.25961514,  0.22623853,  0.66947677,
         0.54229594,  0.49394167,  0.47603329,  0.90753314,  0.04755629,
         0.22703817,  0.69693293,  0.07821929,  0.14584769,  0.69374338,
         0.22148599,  0.64267874,  0.79070401,  0.91767048,  0.95359906,
         0.17062022,  0.64134807,  0.35871884,  0.86993997,  0.63867876,
         0.39333417,  0.06902379,  0.68998664,  0.78482029,  0.94321673]])

>>> data.reshape(20,-1)
array([[ 0.21033279,  0.50292265,  0.71271164],
       [ 0.47520358,  0.73701694,  0.82117798],
       [ 0.44008419,  0.59581689,  0.07051911],
       [ 0.57959824,  0.76565127,  0.51984695],
       [ 0.27255042,  0.59663595,  0.48586599],
       [ 0.234282  ,  0.71937941,  0.99956487],
       [ 0.46895412,  0.37871936,  0.81054667],
       [ 0.09787709,  0.14693726,  0.81571586],
       [ 0.08852998,  0.73211671,  0.29407735],
       [ 0.37332085,  0.00451808,  0.60411745],
       [ 0.20248406,  0.36436494,  0.25961514],
       [ 0.22623853,  0.66947677,  0.54229594],
       [ 0.49394167,  0.47603329,  0.90753314],
       [ 0.04755629,  0.22703817,  0.69693293],
       [ 0.07821929,  0.14584769,  0.69374338],
       [ 0.22148599,  0.64267874,  0.79070401],
       [ 0.91767048,  0.95359906,  0.17062022],
       [ 0.64134807,  0.35871884,  0.86993997],
       [ 0.63867876,  0.39333417,  0.06902379],
       [ 0.68998664,  0.78482029,  0.94321673]])
>>> data.reshape(20,3)
array([[ 0.21033279,  0.50292265,  0.71271164],
       [ 0.47520358,  0.73701694,  0.82117798],
       [ 0.44008419,  0.59581689,  0.07051911],
       [ 0.57959824,  0.76565127,  0.51984695],
       [ 0.27255042,  0.59663595,  0.48586599],
       [ 0.234282  ,  0.71937941,  0.99956487],
       [ 0.46895412,  0.37871936,  0.81054667],
       [ 0.09787709,  0.14693726,  0.81571586],
       [ 0.08852998,  0.73211671,  0.29407735],
       [ 0.37332085,  0.00451808,  0.60411745],
       [ 0.20248406,  0.36436494,  0.25961514],
       [ 0.22623853,  0.66947677,  0.54229594],
       [ 0.49394167,  0.47603329,  0.90753314],
       [ 0.04755629,  0.22703817,  0.69693293],
       [ 0.07821929,  0.14584769,  0.69374338],
       [ 0.22148599,  0.64267874,  0.79070401],
       [ 0.91767048,  0.95359906,  0.17062022],
       [ 0.64134807,  0.35871884,  0.86993997],
       [ 0.63867876,  0.39333417,  0.06902379],
       [ 0.68998664,  0.78482029,  0.94321673]])
  • 然后下面就是把我们的数据打印出来。
  • plt 是先用plt.imshow()把我们的图片传进取，然后通过plt.show()展示出来。
效果如下：
手写数字|第四天的Keras_第1张图片
4

好了，看看运行的结果

/home/kroossun/miniconda2/bin/python /home/kroossun/PycharmProjects/ML/matp.py
Using TensorFlow backend.
Epoch 1/2
2017-09-07 12:57:55.376184: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-09-07 12:57:55.376250: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-09-07 12:57:55.376256: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-09-07 12:57:55.376260: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-09-07 12:57:55.376265: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
   20/60000 [..............................] - ETA: 400s - loss: 2.5463 - acc: 0.0500
  920/60000 [..............................] - ETA: 11s - loss: 1.1999 - acc: 0.6359 
 1740/60000 [..............................] - ETA: 7s - loss: 0.9247 - acc: 0.7195 
 2620/60000 [>.............................] - ETA: 6s - loss: 0.8059 - acc: 0.7637
 3540/60000 [>.............................] - ETA: 5s - loss: 0.7262 - acc: 0.7870
 4460/60000 [=>............................] - ETA: 4s - loss: 0.6716 - acc: 0.8043
 5400/60000 [=>............................] - ETA: 4s - loss: 0.6472 - acc: 0.8128
 6180/60000 [==>...........................] - ETA: 4s - loss: 0.6289 - acc: 0.8215
 7020/60000 [==>...........................] - ETA: 4s - loss: 0.6008 - acc: 0.8296
 7860/60000 [==>...........................] - ETA: 3s - loss: 0.5804 - acc: 0.8340
 8760/60000 [===>..........................] - ETA: 3s - loss: 0.5643 - acc: 0.8388
 9660/60000 [===>..........................] - ETA: 3s - loss: 0.5418 - acc: 0.8450
10440/60000 [====>.........................] - ETA: 3s - loss: 0.5324 - acc: 0.8489
11260/60000 [====>.........................] - ETA: 3s - loss: 0.5189 - acc: 0.8529
12160/60000 [=====>........................] - ETA: 3s - loss: 0.5135 - acc: 0.8552
13040/60000 [=====>........................] - ETA: 3s - loss: 0.5084 - acc: 0.8571
13820/60000 [=====>........................] - ETA: 3s - loss: 0.5000 - acc: 0.8607
14600/60000 [======>.......................] - ETA: 3s - loss: 0.4921 - acc: 0.8634
15420/60000 [======>.......................] - ETA: 3s - loss: 0.4859 - acc: 0.8654
16280/60000 [=======>......................] - ETA: 2s - loss: 0.4855 - acc: 0.8663
17040/60000 [=======>......................] - ETA: 2s - loss: 0.4778 - acc: 0.8684
17860/60000 [=======>......................] - ETA: 2s - loss: 0.4710 - acc: 0.8704
18720/60000 [========>.....................] - ETA: 2s - loss: 0.4685 - acc: 0.8715
19600/60000 [========>.....................] - ETA: 2s - loss: 0.4651 - acc: 0.8728
20500/60000 [=========>....................] - ETA: 2s - loss: 0.4612 - acc: 0.8741
21280/60000 [=========>....................] - ETA: 2s - loss: 0.4577 - acc: 0.8752
22100/60000 [==========>...................] - ETA: 2s - loss: 0.4530 - acc: 0.8767
22840/60000 [==========>...................] - ETA: 2s - loss: 0.4513 - acc: 0.8780
23680/60000 [==========>...................] - ETA: 2s - loss: 0.4479 - acc: 0.8793
24420/60000 [===========>..................] - ETA: 2s - loss: 0.4466 - acc: 0.8802
25260/60000 [===========>..................] - ETA: 2s - loss: 0.4435 - acc: 0.8811
26140/60000 [============>.................] - ETA: 2s - loss: 0.4414 - acc: 0.8826
27000/60000 [============>.................] - ETA: 2s - loss: 0.4388 - acc: 0.8833
27800/60000 [============>.................] - ETA: 2s - loss: 0.4363 - acc: 0.8842
28640/60000 [=============>................] - ETA: 2s - loss: 0.4352 - acc: 0.8848
29460/60000 [=============>................] - ETA: 1s - loss: 0.4356 - acc: 0.8856
30340/60000 [==============>...............] - ETA: 1s - loss: 0.4324 - acc: 0.8867
31120/60000 [==============>...............] - ETA: 1s - loss: 0.4331 - acc: 0.8870
31900/60000 [==============>...............] - ETA: 1s - loss: 0.4311 - acc: 0.8878
32780/60000 [===============>..............] - ETA: 1s - loss: 0.4303 - acc: 0.8884
33660/60000 [===============>..............] - ETA: 1s - loss: 0.4289 - acc: 0.8890
34400/60000 [================>.............] - ETA: 1s - loss: 0.4281 - acc: 0.8894
35240/60000 [================>.............] - ETA: 1s - loss: 0.4281 - acc: 0.8900
36100/60000 [=================>............] - ETA: 1s - loss: 0.4247 - acc: 0.8910
36980/60000 [=================>............] - ETA: 1s - loss: 0.4238 - acc: 0.8916
37860/60000 [=================>............] - ETA: 1s - loss: 0.4221 - acc: 0.8922
38660/60000 [==================>...........] - ETA: 1s - loss: 0.4219 - acc: 0.8927
39460/60000 [==================>...........] - ETA: 1s - loss: 0.4205 - acc: 0.8932
40320/60000 [===================>..........] - ETA: 1s - loss: 0.4184 - acc: 0.8941
41180/60000 [===================>..........] - ETA: 1s - loss: 0.4185 - acc: 0.8943
41940/60000 [===================>..........] - ETA: 1s - loss: 0.4176 - acc: 0.8948
42760/60000 [====================>.........] - ETA: 1s - loss: 0.4163 - acc: 0.8953
43660/60000 [====================>.........] - ETA: 1s - loss: 0.4173 - acc: 0.8955
44540/60000 [=====================>........] - ETA: 0s - loss: 0.4172 - acc: 0.8957
45340/60000 [=====================>........] - ETA: 0s - loss: 0.4156 - acc: 0.8961
46160/60000 [======================>.......] - ETA: 0s - loss: 0.4157 - acc: 0.8964
47040/60000 [======================>.......] - ETA: 0s - loss: 0.4153 - acc: 0.8967
47860/60000 [======================>.......] - ETA: 0s - loss: 0.4138 - acc: 0.8970
48720/60000 [=======================>......] - ETA: 0s - loss: 0.4125 - acc: 0.8975
49480/60000 [=======================>......] - ETA: 0s - loss: 0.4124 - acc: 0.8977
50300/60000 [========================>.....] - ETA: 0s - loss: 0.4121 - acc: 0.8981
51160/60000 [========================>.....] - ETA: 0s - loss: 0.4101 - acc: 0.8984
52060/60000 [=========================>....] - ETA: 0s - loss: 0.4081 - acc: 0.8990
52840/60000 [=========================>....] - ETA: 0s - loss: 0.4077 - acc: 0.8992
53680/60000 [=========================>....] - ETA: 0s - loss: 0.4062 - acc: 0.8997
54520/60000 [==========================>...] - ETA: 0s - loss: 0.4061 - acc: 0.9002
55380/60000 [==========================>...] - ETA: 0s - loss: 0.4063 - acc: 0.9004
56160/60000 [===========================>..] - ETA: 0s - loss: 0.4062 - acc: 0.9007
56980/60000 [===========================>..] - ETA: 0s - loss: 0.4055 - acc: 0.9011
57820/60000 [===========================>..] - ETA: 0s - loss: 0.4036 - acc: 0.9015
58680/60000 [============================>.] - ETA: 0s - loss: 0.4025 - acc: 0.9018
59480/60000 [============================>.] - ETA: 0s - loss: 0.4015 - acc: 0.9022
60000/60000 [==============================] - 3s - loss: 0.4007 - acc: 0.9025     
Epoch 2/2
   20/60000 [..............................] - ETA: 179s - loss: 0.4713 - acc: 0.9500
  840/60000 [..............................] - ETA: 7s - loss: 0.2679 - acc: 0.9369  
 1580/60000 [..............................] - ETA: 5s - loss: 0.2831 - acc: 0.9411
 2360/60000 [>.............................] - ETA: 5s - loss: 0.2772 - acc: 0.9445
 3160/60000 [>.............................] - ETA: 4s - loss: 0.2998 - acc: 0.9383
 3980/60000 [>.............................] - ETA: 4s - loss: 0.2976 - acc: 0.9384
 4820/60000 [=>............................] - ETA: 4s - loss: 0.3141 - acc: 0.9349
 5620/60000 [=>............................] - ETA: 4s - loss: 0.3278 - acc: 0.9324
 6420/60000 [==>...........................] - ETA: 3s - loss: 0.3158 - acc: 0.9335
 7280/60000 [==>...........................] - ETA: 3s - loss: 0.3245 - acc: 0.9327
 8140/60000 [===>..........................] - ETA: 3s - loss: 0.3245 - acc: 0.9323
 8920/60000 [===>..........................] - ETA: 3s - loss: 0.3175 - acc: 0.9337
 9740/60000 [===>..........................] - ETA: 3s - loss: 0.3217 - acc: 0.9332
10620/60000 [====>.........................] - ETA: 3s - loss: 0.3181 - acc: 0.9339
11420/60000 [====>.........................] - ETA: 3s - loss: 0.3248 - acc: 0.9331
12160/60000 [=====>........................] - ETA: 3s - loss: 0.3259 - acc: 0.9334
12960/60000 [=====>........................] - ETA: 3s - loss: 0.3226 - acc: 0.9334
13760/60000 [=====>........................] - ETA: 3s - loss: 0.3196 - acc: 0.9342
14620/60000 [======>.......................] - ETA: 3s - loss: 0.3173 - acc: 0.9342
15400/60000 [======>.......................] - ETA: 2s - loss: 0.3161 - acc: 0.9343
16200/60000 [=======>......................] - ETA: 2s - loss: 0.3158 - acc: 0.9348
17060/60000 [=======>......................] - ETA: 2s - loss: 0.3131 - acc: 0.9349
17940/60000 [=======>......................] - ETA: 2s - loss: 0.3118 - acc: 0.9347
18660/60000 [========>.....................] - ETA: 2s - loss: 0.3111 - acc: 0.9350
19460/60000 [========>.....................] - ETA: 2s - loss: 0.3125 - acc: 0.9352
20320/60000 [=========>....................] - ETA: 2s - loss: 0.3119 - acc: 0.9351
21200/60000 [=========>....................] - ETA: 2s - loss: 0.3120 - acc: 0.9350
21980/60000 [=========>....................] - ETA: 2s - loss: 0.3161 - acc: 0.9347
22820/60000 [==========>...................] - ETA: 2s - loss: 0.3150 - acc: 0.9350
23680/60000 [==========>...................] - ETA: 2s - loss: 0.3112 - acc: 0.9352
24560/60000 [===========>..................] - ETA: 2s - loss: 0.3115 - acc: 0.9352
25300/60000 [===========>..................] - ETA: 2s - loss: 0.3120 - acc: 0.9353
26100/60000 [============>.................] - ETA: 2s - loss: 0.3147 - acc: 0.9350
26940/60000 [============>.................] - ETA: 2s - loss: 0.3171 - acc: 0.9348
27760/60000 [============>.................] - ETA: 2s - loss: 0.3148 - acc: 0.9351
28600/60000 [=============>................] - ETA: 2s - loss: 0.3145 - acc: 0.9352
29360/60000 [=============>................] - ETA: 1s - loss: 0.3153 - acc: 0.9352
30200/60000 [==============>...............] - ETA: 1s - loss: 0.3134 - acc: 0.9354
31040/60000 [==============>...............] - ETA: 1s - loss: 0.3150 - acc: 0.9355
31880/60000 [==============>...............] - ETA: 1s - loss: 0.3152 - acc: 0.9356
32680/60000 [===============>..............] - ETA: 1s - loss: 0.3176 - acc: 0.9353
33520/60000 [===============>..............] - ETA: 1s - loss: 0.3156 - acc: 0.9357
34400/60000 [================>.............] - ETA: 1s - loss: 0.3133 - acc: 0.9358
35200/60000 [================>.............] - ETA: 1s - loss: 0.3155 - acc: 0.9356
35920/60000 [================>.............] - ETA: 1s - loss: 0.3152 - acc: 0.9357
36740/60000 [=================>............] - ETA: 1s - loss: 0.3147 - acc: 0.9358
37620/60000 [=================>............] - ETA: 1s - loss: 0.3134 - acc: 0.9360
38500/60000 [==================>...........] - ETA: 1s - loss: 0.3164 - acc: 0.9358
39320/60000 [==================>...........] - ETA: 1s - loss: 0.3164 - acc: 0.9357
40120/60000 [===================>..........] - ETA: 1s - loss: 0.3171 - acc: 0.9358
40940/60000 [===================>..........] - ETA: 1s - loss: 0.3193 - acc: 0.9356
41780/60000 [===================>..........] - ETA: 1s - loss: 0.3197 - acc: 0.9356
42660/60000 [====================>.........] - ETA: 1s - loss: 0.3196 - acc: 0.9358
43440/60000 [====================>.........] - ETA: 1s - loss: 0.3201 - acc: 0.9357
44200/60000 [=====================>........] - ETA: 0s - loss: 0.3180 - acc: 0.9362
45040/60000 [=====================>........] - ETA: 0s - loss: 0.3167 - acc: 0.9365
45900/60000 [=====================>........] - ETA: 0s - loss: 0.3178 - acc: 0.9365
46700/60000 [======================>.......] - ETA: 0s - loss: 0.3183 - acc: 0.9366
47480/60000 [======================>.......] - ETA: 0s - loss: 0.3194 - acc: 0.9366
48380/60000 [=======================>......] - ETA: 0s - loss: 0.3191 - acc: 0.9369
49240/60000 [=======================>......] - ETA: 0s - loss: 0.3203 - acc: 0.9367
50000/60000 [========================>.....] - ETA: 0s - loss: 0.3198 - acc: 0.9368
50820/60000 [========================>.....] - ETA: 0s - loss: 0.3203 - acc: 0.9369
51640/60000 [========================>.....] - ETA: 0s - loss: 0.3193 - acc: 0.9370
52480/60000 [=========================>....] - ETA: 0s - loss: 0.3198 - acc: 0.9369
53200/60000 [=========================>....] - ETA: 0s - loss: 0.3194 - acc: 0.9370
54000/60000 [==========================>...] - ETA: 0s - loss: 0.3207 - acc: 0.9368
54840/60000 [==========================>...] - ETA: 0s - loss: 0.3211 - acc: 0.9370
55720/60000 [==========================>...] - ETA: 0s - loss: 0.3240 - acc: 0.9368
56600/60000 [===========================>..] - ETA: 0s - loss: 0.3253 - acc: 0.9365
57380/60000 [===========================>..] - ETA: 0s - loss: 0.3260 - acc: 0.9365
58200/60000 [============================>.] - ETA: 0s - loss: 0.3252 - acc: 0.9365
59040/60000 [============================>.] - ETA: 0s - loss: 0.3242 - acc: 0.9366
59840/60000 [============================>.] - ETA: 0s - loss: 0.3244 - acc: 0.9366
60000/60000 [==============================] - 3s - loss: 0.3243 - acc: 0.9366     
  500/10000 [>.............................] - ETA: 0s
1/1 [==============================] - 0s
loss:   0.348073045909 
accuracy:   0.941699999571

class:  [4]

可以看到，我们的图片是4识别出来也是4，另外在测试集上的正确是0.94也是很不错了呢，毕竟我们只有两层神经元啊。

文章结束了，如果大家有什么意见或者需要我帮助的欢迎留言。

你可能感兴趣的:(手写数字|第四天的Keras)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • 情绪觉察日记第37天 露露_e800
    今天是家庭关系规划师的第二阶最后一天，慧萍老师帮我做了个案，帮我处理了埋在心底好多年的一份恐惧，并给了我深深的力量！这几天出来学习，爸妈过来婆家帮我带小孩，妈妈出于爱帮我收拾东西，并跟我先生和婆婆产生矛盾，妈妈觉得他们没有照顾好我…。今晚回家见到妈妈，我很欣赏她并赞扬她，妈妈说今晚要跟我睡我说好，当我们俩躺在床上准备睡觉的时候，我握着妈妈的手对她说:妈妈这几天辛苦你了，你看你多利害把我们的家收拾得
  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
    功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
  • 关于沟通这件事，项目经理不需要每次都面对面进行 流程大师兄
    很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
  • 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
  • 铭刻于星（四十二） 随风至
    69夜晚，绍敏同学做完功课后，看了眼房外，没听到动静才敢从书包的夹层里拿出那个心形纸团。折痕压得很深，都有些旧了，想来是已经写好很久了。绍敏同学慢慢地、轻轻地捏开折叠处，待到全部拆开后，又反复抚平纸张，然后仔细地一字字默看。只是开头的三个字是第一次看到，让她心漏跳了几拍。“亲爱的绍敏：从四年级的时候，我就喜欢你了，但是我一直不敢说，怕影响你学习。六年级的时候听说有人跟你表白，你接受了，我很难过，但
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 想家 爆米花机
    也许不同于大家对家乡的思念，我对家乡甚至是疯狂的不舍。还未踏出车站就感觉到幸福，我享受这里的夕阳、这里的浓烈柴火味、这里每一口家常菜。我是宅女，我贪恋家的安逸。刚刚踏出大学校门，初出茅庐，无法适应每年只能国庆和春节回家。我焦虑、失眠、无端发脾气，是无法适应工作的节奏，是无法接受我将一步步离开家乡的事实。我不想承认自己胸无大志，选择再次踏上征程。图片发自App
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
    本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
  • C语言宏函数 南林yan C语言c语言
    一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 谢谢你们，爱你们！ 鹿游儿
    昨天家人去泡温泉，二个孩子也带着去，出发前一晚，匆匆下班，赶回家和孩子一起收拾。饭后，我拿出笔和本子（上次去澳门时做手帐的本子）写下了1\2\3\4\5\6\7\8\9,让后让小壹去思考，带什么出发去旅游呢？她在对应的数字旁边画上了，泳衣、泳圈、肖恩、内衣内裤、tapuy、拖鞋……画完后，就让她自己对着这个本子，将要带的，一一带上，没想到这次带的书还是这本《便便工厂》(晚上姑婆发照片过来，妹妹累得
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux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
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 2021年12月19日，春蕾教育集团团建活动感受——黄晓丹 黄错错加油
    感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
  • Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断 尐尐呅
    结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 瑶池防线 谜影梦蝶
    冥华虽然逃过了影梦的军队，但他是一个忠臣，他选择上报战况。败给影梦后成逃兵，高层亡尔还活着，七重天失守......随便一条，即可处死冥华。冥华自然是知道以仙界高层的习性此信一发自己必死无疑，但他还选择上报实情，因为责任。同样此信送到仙宫后，知道此事的人，大多数人都认定冥华要完了，所以上到仙界高层，下到扫大街的，包括冥华自己，全都准备好迎接冥华之死。如果仙界现在还属于两方之争的话，冥华必死无疑。然而
  • 爬山后遗症 璃绛
    爬山，攀登，一步一步走向制高点，是一种挑战。成功抵达是一种无法言语的快乐，在山顶吹吹风，看看风景，这是从未有过的体验。然而，爬山一时爽，下山腿打颤，颠簸的路，一路向下走，腿部力量不够，走起来抖到不行，停不下来了！第二天必定腿疼，浑身酸痛，坐立难安！
  • C/C++Win32编程基础详解视频下载 择善Zach 编程C++Win32
    课题视频：C/C++Win32编程基础详解 视频知识：win32窗口的创建                   windows事件机制 主讲：择善Uncle老师 学习交流群：386620625 验证码：625 --
  • Guava Cache使用笔记 bylijinnan javaguavacache
    1.Guava Cache的get/getIfPresent方法当参数为null时会抛空指针异常 我刚开始使用时还以为Guava Cache跟HashMap一样，get(null)返回null。 实际上Guava整体设计思想就是拒绝null的，很多地方都会执行com.google.common.base.Preconditions.checkNotNull的检查。 2.Guava
  • 解决ora-01652无法通过128（在temp表空间中） 0624chenhong oracle
    解决ora-01652无法通过128（在temp表空间中）扩展temp段的过程 一个sql语句后，大约花了10分钟，好不容易有一个结果，但是报了一个ora-01652错误，查阅了oracle的错误代码说明：意思是指temp表空间无法自动扩展temp段。这种问题一般有两种原因：一是临时表空间空间太小，二是不能自动扩展。 分析过程：    既然是temp表空间有问题，那当
  • Struct在jsp标签 不懂事的小屁孩 struct
    非UI标签介绍： 控制类标签： 1：程序流程控制标签   if   elseif    else <s:if test="isUsed"> <span class="label label-success">True</span> </
  • 按对象属性排序 换个号韩国红果果 JavaScript对象排序
    利用JavaScript进行对象排序，根据用户的年龄排序展示 <script> var bob={ name;bob, age:30 } var peter={ name;peter, age:30 } var amy={ name;amy, age:24 } var mike={ name;mike, age:29 } var john={
  • 大数据分析让个性化的客户体验不再遥远 蓝儿唯美 数据分析
    顾客通过多种渠道制造大量数据，企业则热衷于利用这些信息来实现更为个性化的体验。 分析公司Gartner表示，高级分析会成为客户服务的关键，但是大数据分析的采用目前仅局限于不到一成的企业。 挑战在于企业还在努力适应结构化数据，疲于根据自身的客户关系管理（CRM）系统部署有效的分析框架，以及集成不同的内外部信息源。 然而，面对顾客通过数字技术参与而产生的快速变化的信息，企业需要及时作出反应。要想实
  • java笔记4 a-john java
    操作符 1，使用java操作符       操作符接受一个或多个参数，并生成一个新值。参数的形式与普通的方法调用不用，但是效果是相同的。加号和一元的正号（+）、减号和一元的负号（-）、乘号（*）、除号（/）以及赋值号（=）的用法与其他编程语言类似。       操作符作用于操作数，生成一个新值。另外，有些操作符可能会改变操作数自身的
  • 从裸机编程到嵌入式Linux编程思想的转变------分而治之：驱动和应用程序 aijuans 嵌入式学习
        笔者学习嵌入式Linux也有一段时间了，很奇怪的是很多书讲驱动编程方面的知识，也有很多书将ARM9方面的知识，但是从以前51形式的（对寄存器直接操作，初始化芯片的功能模块）编程方法，和思维模式，变换为基于Linux操作系统编程，讲这个思想转变的书几乎没有，让初学者走了很多弯路，撞了很多难墙。     笔者因此写上自己的学习心得，希望能给和我一样转变
  • 在springmvc中解决FastJson循环引用的问题 asialee 循环引用fastjson
              我们先来看一个例子：           package com.elong.bms; import java.io.OutputStream; import java.util.HashMap; import java.util.Map; import co
  • ArrayAdapter和SimpleAdapter技术总结 百合不是茶 androidSimpleAdapterArrayAdapter高级组件基础
    ArrayAdapter比较简单，但它只能用于显示文字。而SimpleAdapter则有很强的扩展性，可以自定义出各种效果   ArrayAdapter;的数据可以是数组或者是队列        // 获得下拉框对象 AutoCompleteTextView textview = (AutoCompleteTextView) this
  • 九封信 bijian1013 人生励志
            有时候，莫名的心情不好，不想和任何人说话，只想一个人静静的发呆。有时候，想一个人躲起来脆弱，不愿别人看到自己的伤口。有时候，走过熟悉的街角，看到熟悉的背影，突然想起一个人的脸。有时候，发现自己一夜之间就长大了。         2014，写给人
  • Linux下安装MySQL Web 管理工具phpMyAdmin sunjing PHPInstallphpMyAdmin
    PHP http://php.net/ phpMyAdmin http://www.phpmyadmin.net Error compiling PHP on CentOS x64   一、安装Apache 请参阅http://billben.iteye.com/admin/blogs/1985244   二、安装依赖包 sudo yum install gd
  • 分布式系统理论 bit1129 分布式
    FLP One famous theory in distributed computing, known as FLP after the authors Fischer, Lynch, and Patterson, proved that in a distributed system with asynchronous communication and process crashes,
  • ssh2整合(spring+struts2+hibernate)-附源码 白糖_ eclipsespringHibernatemysql项目管理
    最近抽空又整理了一套ssh2框架，主要使用的技术如下： spring做容器，管理了三层(dao,service,actioin)的对象 struts2实现与页面交互(MVC)，自己做了一个异常拦截器，能拦截Action层抛出的异常 hibernate与数据库交互 BoneCp数据库连接池，据说比其它数据库连接池快20倍，仅仅是据说 MySql数据库   项目用eclipse
  • treetable bug记录 braveCS table
    // 插入子节点删除再插入时不能正常显示。修改： //不知改后有没有错，先做个备忘 Tree.prototype.removeNode = function(node) { // Recursively remove all descendants of +node+ this.unloadBranch(node); // Remove
  • 编程之美-电话号码对应英语单词 bylijinnan java算法编程之美
    import java.util.Arrays; public class NumberToWord { /** * 编程之美 电话号码对应英语单词 * 题目： * 手机上的拨号盘，每个数字都对应一些字母，比如2对应ABC，3对应DEF.........，8对应TUV，9对应WXYZ， * 要求对一段数字，输出其代表的所有可能的字母组合
  • jquery ajax读书笔记 chengxuyuancsdn jQuery ajax
    1、jsp页面 <%@ page language="java" import="java.util.*" pageEncoding="GBK"%> <% String path = request.getContextPath(); String basePath = request.getScheme()
  • JWFD工作流拓扑结构解析伪码描述算法 comsci 数据结构算法工作活动J#
      对工作流拓扑结构解析感兴趣的朋友可以下载附件，或者下载JWFD的全部代码进行分析   /*  流程图拓扑结构解析伪码描述算法         public java.util.ArrayList DFS(String graphid, String stepid, int j)
  • oracle I/O 从属进程 daizj oracle
    I/O 从属进程 　　I/O从属进程用于为不支持异步I/O的系统或设备模拟异步I/O.例如，磁带设备(相当慢)就不支持异步I/O.通过使用I/O 从属进程，可以让磁带机模仿通常只为磁盘驱动器提供的功能。就好像支持真正的异步I/O 一样，写设备的进程(调用者)会收集大量数据，并交由写入器写出。数据成功地写出时，写入器(此时写入器是I/O 从属进程，而不是操作系统)会通知原来的调用者，调用者则会
  • 高级排序:希尔排序 dieslrae 希尔排序
    public void shellSort(int[] array){ int limit = 1; int temp; int index; while(limit <= array.length/3){ limit = limit * 3 + 1;
  • 初二下学期难记忆单词 dcj3sjt126com englishword
    kitchen 厨房 cupboard 厨柜 salt 盐 sugar 糖 oil 油 fork 叉；餐叉 spoon 匙；调羹 chopsticks 筷子 cabbage 卷心菜；洋白菜 soup 汤 Italian 意大利的   Indian 印度的 workplace  工作场所 even 甚至；更 Italy 意大利 laugh 笑 m
  • Go语言使用MySQL数据库进行增删改查 dcj3sjt126com mysql
    目前Internet上流行的网站构架方式是LAMP，其中的M即MySQL, 作为数据库，MySQL以免费、开源、使用方便为优势成为了很多Web开发的后端数据库存储引擎。MySQL驱动Go中支持MySQL的驱动目前比较多，有如下几种，有些是支持database/sql标准，而有些是采用了自己的实现接口,常用的有如下几种: http://code.google.c...o-mysql-dri
  • git命令 shuizhaosi888 git
    ---------------设置全局用户名： git config --global user.name "HanShuliang" //设置用户名 git config --global user.email "[email protected]" //设置邮箱 ---------------查看环境配置 git config --li
  • qemu-kvm 网络 nat模式 (四) haoningabc kvmqemu
    qemu-ifup-NAT #!/bin/bash BRIDGE=virbr0 NETWORK=192.168.122.0 GATEWAY=192.168.122.1 NETMASK=255.255.255.0 DHCPRANGE=192.168.122.2,192.168.122.254 TFTPROOT= BOOTP= function check_bridge()
  • 不要让未来的你，讨厌现在的自己 jingjing0907 生活 奋斗 工作 梦想
     故事one 　23岁，他大学毕业，放弃了父母安排的稳定工作，独闯京城，在家小公司混个小职位，工作还算顺手，月薪三千，混了混，混走了一年的光阴。　　　　24岁，有了女朋友，从二环12人的集体宿舍搬到香山民居，一间平房，二人世界，爱爱爱。偶然约三朋四友，打扑克搓麻将，日子快乐似神仙；　　　　25岁，出了几次差，调了两次岗，薪水涨了不过百，生猛狂飙的物价让现实血淋淋，无力为心爱银儿购件大牌
  • 枚举类型详解 一路欢笑一路走 enum枚举详解enumsetenumMap
    枚举类型详解 一.Enum详解      1.1枚举类型的介绍   JDK1.5加入了一个全新的类型的”类”—枚举类型，为此JDK1.5引入了一个新的关键字enum,我们可以这样定义一个枚举类型。      Demo:一个最简单的枚举类   public enum ColorType { RED
  • 第11章 动画效果（上） onestopweb 动画
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Eclipse中jsp、js文件编辑时，卡死现象解决汇总 ljf_home eclipsejsp卡死js卡死
    使用Eclipse编辑jsp、js文件时，经常出现卡死现象，在网上百度了N次，经过N次优化调整后，卡死现象逐步好转，具体那个方法起到作用，不太好讲。将所有用过的方法罗列如下：   1、取消验证 windows–>perferences–>validation 把 除了manual 下面的全部点掉，build下只留 classpath dependency Valida
  • MySQL编程中的6个重要的实用技巧 tomcat_oracle mysql
    每一行命令都是用分号(;)作为结束 对于MySQL，第一件你必须牢记的是它的每一行命令都是用分号(;)作为结束的，但当一行MySQL被插入在PHP代码中时，最好把后面的分号省略掉，例如： mysql_query("INSERT INTO tablename(first_name,last_name)VALUES('$first_name',$last_name')");
  • zoj 3820 Building Fire Stations(二分+bfs) 阿尔萨斯 Build
    题目链接：zoj 3820 Building Fire Stations 题目大意：给定一棵树，选取两个建立加油站，问说所有点距离加油站距离的最大值的最小值是多少，并且任意输出一种建立加油站的方式。 解题思路：二分距离判断，判断函数的复杂度是o(n)，这样的复杂度应该是o(nlogn)，即使常数系数偏大，但是居然跑了4.5s，也是醉了。 判断函数里面做了3次bfs，但是每次bfs节点最多
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他