wyx100

官网实例详解4.23（mnist_cnn.py）-keras学习笔记四

基于MINIST数据集的卷积神经网络

该代码，使用cnn对MINIST数据集（包含7千张28*28的单通道（灰度图、黑白图）图片）分类（0-9，10个类别）

Keras实例目录

名词解释

mnist，手写数据集。

MNIST（Mixed National Institute of Standards and Technology database）是一个计算机视觉数据集，它包含70000张手写数字的灰度图片，其中每一张图片包含 28 X 28 个像素点。

数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据.

官网详细解介绍（详情，数据集结构、下载）

cnn（Convolutional Neural Networks），卷积神经网络

代码注释

mnist_cnn.py （点击查看原文）

'''Trains a simple convnet on the MNIST dataset.
训练一个基于MINIST数据集的简单卷积神经网络
Gets to 99.25% test accuracy after 12 epochs
12个周期后达到99.25%的精确度
(there is still a lot of margin for parameter tuning).
（通过参数调整还可提升精确度）
16 seconds per epoch on a GRID K520 GPU.
使用一个GRID K520 GPU （图形处理器）每个周期16秒
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
# 输入图像维度
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
# 用于训练和测试的数据集，经过了筛选（清洗、数据样本顺序打乱）和分割（分割为训练和测试集）
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first': # Theano框架，图像通道在前
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else: # TensorFlow框架，图像通道在后
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
# 类别向量转为2分类矩阵
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

代码运行

C:\ProgramData\Anaconda3\python.exe E:/keras-master/examples/mnist_cnn.py

x_train shape: (60000, 28, 28, 1)
60000 train samples
10000 test samples
Train on 60000 samples, validate on 10000 samples
Epoch 1/12

  128/60000 [..............................] - ETA: 17:33 - loss: 2.3013 - acc: 0.1016
  384/60000 [..............................] - ETA: 5:58 - loss: 2.2054 - acc: 0.2057 
  640/60000 [..............................] - ETA: 3:39 - loss: 2.1000 - acc: 0.2656
  896/60000 [..............................] - ETA: 2:39 - loss: 2.0585 - acc: 0.3114
 1152/60000 [..............................] - ETA: 2:06 - loss: 1.9493 - acc: 0.3533
 1408/60000 [..............................] - ETA: 1:45 - loss: 1.8618 - acc: 0.3899
 1664/60000 [..............................] - ETA: 1:30 - loss: 1.7447 - acc: 0.4255
 1920/60000 [..............................] - ETA: 1:19 - loss: 1.6956 - acc: 0.4458
 2176/60000 [>.............................] - ETA: 1:11 - loss: 1.6158 - acc: 0.4720
 2432/60000 [>.............................] - ETA: 1:04 - loss: 1.5295 - acc: 0.5000
 2688/60000 [>.............................] - ETA: 59s - loss: 1.4723 - acc: 0.5179 
 2944/60000 [>.............................] - ETA: 55s - loss: 1.4236 - acc: 0.5343
 3200/60000 [>.............................] - ETA: 51s - loss: 1.3725 - acc: 0.5531
 3456/60000 [>.............................] - ETA: 48s - loss: 1.3395 - acc: 0.5639
 3712/60000 [>.............................] - ETA: 45s - loss: 1.2918 - acc: 0.5787
 3968/60000 [>.............................] - ETA: 43s - loss: 1.2571 - acc: 0.5895
 4224/60000 [=>............................] - ETA: 41s - loss: 1.2198 - acc: 0.6039
 4480/60000 [=>............................] - ETA: 39s - loss: 1.1782 - acc: 0.6192
 4736/60000 [=>............................] - ETA: 37s - loss: 1.1437 - acc: 0.6303
 4992/60000 [=>............................] - ETA: 35s - loss: 1.1125 - acc: 0.6418
 5248/60000 [=>............................] - ETA: 34s - loss: 1.0821 - acc: 0.6522
 5504/60000 [=>............................] - ETA: 33s - loss: 1.0626 - acc: 0.6593
 5760/60000 [=>............................] - ETA: 32s - loss: 1.0387 - acc: 0.6675
 6016/60000 [==>...........................] - ETA: 31s - loss: 1.0138 - acc: 0.6754
 6272/60000 [==>...........................] - ETA: 30s - loss: 0.9881 - acc: 0.6826
 6528/60000 [==>...........................] - ETA: 29s - loss: 0.9697 - acc: 0.6896
 6784/60000 [==>...........................] - ETA: 28s - loss: 0.9445 - acc: 0.6974
 7040/60000 [==>...........................] - ETA: 27s - loss: 0.9242 - acc: 0.7043
 7296/60000 [==>...........................] - ETA: 27s - loss: 0.9089 - acc: 0.7097
 7552/60000 [==>...........................] - ETA: 26s - loss: 0.8903 - acc: 0.7154
 7808/60000 [==>...........................] - ETA: 25s - loss: 0.8753 - acc: 0.7200
 8064/60000 [===>..........................] - ETA: 25s - loss: 0.8600 - acc: 0.7248
 8320/60000 [===>..........................] - ETA: 24s - loss: 0.8473 - acc: 0.7284
 8576/60000 [===>..........................] - ETA: 24s - loss: 0.8321 - acc: 0.7334
 8832/60000 [===>..........................] - ETA: 23s - loss: 0.8148 - acc: 0.7389
 9088/60000 [===>..........................] - ETA: 23s - loss: 0.8029 - acc: 0.7435
 9344/60000 [===>..........................] - ETA: 22s - loss: 0.7905 - acc: 0.7474
 9600/60000 [===>..........................] - ETA: 22s - loss: 0.7770 - acc: 0.7511
 9856/60000 [===>..........................] - ETA: 21s - loss: 0.7664 - acc: 0.7541
10112/60000 [====>.........................] - ETA: 21s - loss: 0.7570 - acc: 0.7564
10368/60000 [====>.........................] - ETA: 21s - loss: 0.7452 - acc: 0.7603
10624/60000 [====>.........................] - ETA: 20s - loss: 0.7340 - acc: 0.7643
10880/60000 [====>.........................] - ETA: 20s - loss: 0.7271 - acc: 0.7666
11136/60000 [====>.........................] - ETA: 19s - loss: 0.7192 - acc: 0.7697
11392/60000 [====>.........................] - ETA: 19s - loss: 0.7102 - acc: 0.7722
11648/60000 [====>.........................] - ETA: 19s - loss: 0.7039 - acc: 0.7749
11904/60000 [====>.........................] - ETA: 19s - loss: 0.6959 - acc: 0.7778
12160/60000 [=====>........................] - ETA: 18s - loss: 0.6867 - acc: 0.7810
12416/60000 [=====>........................] - ETA: 18s - loss: 0.6764 - acc: 0.7844
12672/60000 [=====>........................] - ETA: 18s - loss: 0.6674 - acc: 0.7875
12928/60000 [=====>........................] - ETA: 17s - loss: 0.6589 - acc: 0.7901
13184/60000 [=====>........................] - ETA: 17s - loss: 0.6508 - acc: 0.7928
13440/60000 [=====>........................] - ETA: 17s - loss: 0.6440 - acc: 0.7951
13696/60000 [=====>........................] - ETA: 17s - loss: 0.6393 - acc: 0.7972
13952/60000 [=====>........................] - ETA: 16s - loss: 0.6327 - acc: 0.7994
14208/60000 [======>.......................] - ETA: 16s - loss: 0.6271 - acc: 0.8009
14464/60000 [======>.......................] - ETA: 16s - loss: 0.6200 - acc: 0.8033
14720/60000 [======>.......................] - ETA: 16s - loss: 0.6143 - acc: 0.8056
14976/60000 [======>.......................] - ETA: 16s - loss: 0.6072 - acc: 0.8078
15232/60000 [======>.......................] - ETA: 15s - loss: 0.6004 - acc: 0.8099
15488/60000 [======>.......................] - ETA: 15s - loss: 0.5950 - acc: 0.8117
15744/60000 [======>.......................] - ETA: 15s - loss: 0.5889 - acc: 0.8136
16000/60000 [=======>......................] - ETA: 15s - loss: 0.5831 - acc: 0.8153
16256/60000 [=======>......................] - ETA: 15s - loss: 0.5770 - acc: 0.8172
16512/60000 [=======>......................] - ETA: 14s - loss: 0.5734 - acc: 0.8185
16768/60000 [=======>......................] - ETA: 14s - loss: 0.5701 - acc: 0.8195
17024/60000 [=======>......................] - ETA: 14s - loss: 0.5650 - acc: 0.8211
17280/60000 [=======>......................] - ETA: 14s - loss: 0.5597 - acc: 0.8230
17536/60000 [=======>......................] - ETA: 14s - loss: 0.5547 - acc: 0.8245
17792/60000 [=======>......................] - ETA: 14s - loss: 0.5493 - acc: 0.8262
18048/60000 [========>.....................] - ETA: 13s - loss: 0.5445 - acc: 0.8276
18304/60000 [========>.....................] - ETA: 13s - loss: 0.5400 - acc: 0.8289
18560/60000 [========>.....................] - ETA: 13s - loss: 0.5344 - acc: 0.8307
18816/60000 [========>.....................] - ETA: 13s - loss: 0.5301 - acc: 0.8320
19072/60000 [========>.....................] - ETA: 13s - loss: 0.5274 - acc: 0.8329
19328/60000 [========>.....................] - ETA: 13s - loss: 0.5227 - acc: 0.8343
19584/60000 [========>.....................] - ETA: 12s - loss: 0.5178 - acc: 0.8358
19840/60000 [========>.....................] - ETA: 12s - loss: 0.5142 - acc: 0.8373
20096/60000 [=========>....................] - ETA: 12s - loss: 0.5100 - acc: 0.8387
20352/60000 [=========>....................] - ETA: 12s - loss: 0.5058 - acc: 0.8401
20608/60000 [=========>....................] - ETA: 12s - loss: 0.5015 - acc: 0.8413
20864/60000 [=========>....................] - ETA: 12s - loss: 0.4984 - acc: 0.8424
21120/60000 [=========>....................] - ETA: 12s - loss: 0.4944 - acc: 0.8438
21376/60000 [=========>....................] - ETA: 12s - loss: 0.4899 - acc: 0.8453
21632/60000 [=========>....................] - ETA: 11s - loss: 0.4862 - acc: 0.8464
21888/60000 [=========>....................] - ETA: 11s - loss: 0.4824 - acc: 0.8478
22144/60000 [==========>...................] - ETA: 11s - loss: 0.4793 - acc: 0.8487
22400/60000 [==========>...................] - ETA: 11s - loss: 0.4764 - acc: 0.8497
22656/60000 [==========>...................] - ETA: 11s - loss: 0.4733 - acc: 0.8507
22912/60000 [==========>...................] - ETA: 11s - loss: 0.4700 - acc: 0.8520
23168/60000 [==========>...................] - ETA: 11s - loss: 0.4663 - acc: 0.8533
23424/60000 [==========>...................] - ETA: 11s - loss: 0.4623 - acc: 0.8545
23680/60000 [==========>...................] - ETA: 10s - loss: 0.4592 - acc: 0.8555
23936/60000 [==========>...................] - ETA: 10s - loss: 0.4563 - acc: 0.8565
24192/60000 [===========>..................] - ETA: 10s - loss: 0.4533 - acc: 0.8576
24448/60000 [===========>..................] - ETA: 10s - loss: 0.4498 - acc: 0.8587
24704/60000 [===========>..................] - ETA: 10s - loss: 0.4464 - acc: 0.8598
24960/60000 [===========>..................] - ETA: 10s - loss: 0.4437 - acc: 0.8607
25216/60000 [===========>..................] - ETA: 10s - loss: 0.4418 - acc: 0.8615
25472/60000 [===========>..................] - ETA: 10s - loss: 0.4385 - acc: 0.8625
25728/60000 [===========>..................] - ETA: 10s - loss: 0.4357 - acc: 0.8633
25984/60000 [===========>..................] - ETA: 10s - loss: 0.4337 - acc: 0.8641
26240/60000 [============>.................] - ETA: 9s - loss: 0.4308 - acc: 0.8651 
26496/60000 [============>.................] - ETA: 9s - loss: 0.4284 - acc: 0.8658
26752/60000 [============>.................] - ETA: 9s - loss: 0.4255 - acc: 0.8667
27008/60000 [============>.................] - ETA: 9s - loss: 0.4235 - acc: 0.8673
27264/60000 [============>.................] - ETA: 9s - loss: 0.4211 - acc: 0.8680
27520/60000 [============>.................] - ETA: 9s - loss: 0.4189 - acc: 0.8686
27776/60000 [============>.................] - ETA: 9s - loss: 0.4166 - acc: 0.8695
28032/60000 [=============>................] - ETA: 9s - loss: 0.4145 - acc: 0.8700
28288/60000 [=============>................] - ETA: 9s - loss: 0.4120 - acc: 0.8709
28544/60000 [=============>................] - ETA: 9s - loss: 0.4095 - acc: 0.8716
28800/60000 [=============>................] - ETA: 9s - loss: 0.4075 - acc: 0.8723
29056/60000 [=============>................] - ETA: 8s - loss: 0.4060 - acc: 0.8727
29312/60000 [=============>................] - ETA: 8s - loss: 0.4040 - acc: 0.8733
29568/60000 [=============>................] - ETA: 8s - loss: 0.4014 - acc: 0.8741
29824/60000 [=============>................] - ETA: 8s - loss: 0.4000 - acc: 0.8746
30080/60000 [==============>...............] - ETA: 8s - loss: 0.3981 - acc: 0.8753
30336/60000 [==============>...............] - ETA: 8s - loss: 0.3963 - acc: 0.8759
30592/60000 [==============>...............] - ETA: 8s - loss: 0.3941 - acc: 0.8767
30848/60000 [==============>...............] - ETA: 8s - loss: 0.3919 - acc: 0.8775
31104/60000 [==============>...............] - ETA: 8s - loss: 0.3894 - acc: 0.8782
31360/60000 [==============>...............] - ETA: 8s - loss: 0.3874 - acc: 0.8788
31616/60000 [==============>...............] - ETA: 8s - loss: 0.3858 - acc: 0.8793
31872/60000 [==============>...............] - ETA: 7s - loss: 0.3842 - acc: 0.8798
32128/60000 [===============>..............] - ETA: 7s - loss: 0.3821 - acc: 0.8804
32384/60000 [===============>..............] - ETA: 7s - loss: 0.3800 - acc: 0.8810
32640/60000 [===============>..............] - ETA: 7s - loss: 0.3783 - acc: 0.8816
32896/60000 [===============>..............] - ETA: 7s - loss: 0.3771 - acc: 0.8821
33152/60000 [===============>..............] - ETA: 7s - loss: 0.3755 - acc: 0.8826
33408/60000 [===============>..............] - ETA: 7s - loss: 0.3737 - acc: 0.8832
33664/60000 [===============>..............] - ETA: 7s - loss: 0.3717 - acc: 0.8837
33920/60000 [===============>..............] - ETA: 7s - loss: 0.3699 - acc: 0.8843
34176/60000 [================>.............] - ETA: 7s - loss: 0.3685 - acc: 0.8848
34432/60000 [================>.............] - ETA: 7s - loss: 0.3666 - acc: 0.8854
34688/60000 [================>.............] - ETA: 7s - loss: 0.3649 - acc: 0.8860
34944/60000 [================>.............] - ETA: 6s - loss: 0.3633 - acc: 0.8865
35200/60000 [================>.............] - ETA: 6s - loss: 0.3614 - acc: 0.8870
35456/60000 [================>.............] - ETA: 6s - loss: 0.3600 - acc: 0.8875
35712/60000 [================>.............] - ETA: 6s - loss: 0.3583 - acc: 0.8880
35968/60000 [================>.............] - ETA: 6s - loss: 0.3573 - acc: 0.8882
36224/60000 [=================>............] - ETA: 6s - loss: 0.3557 - acc: 0.8887
36480/60000 [=================>............] - ETA: 6s - loss: 0.3541 - acc: 0.8893
36736/60000 [=================>............] - ETA: 6s - loss: 0.3528 - acc: 0.8895
36992/60000 [=================>............] - ETA: 6s - loss: 0.3511 - acc: 0.8901
37248/60000 [=================>............] - ETA: 6s - loss: 0.3492 - acc: 0.8907
37504/60000 [=================>............] - ETA: 6s - loss: 0.3476 - acc: 0.8912
37760/60000 [=================>............] - ETA: 6s - loss: 0.3462 - acc: 0.8917
38016/60000 [==================>...........] - ETA: 5s - loss: 0.3451 - acc: 0.8921
38272/60000 [==================>...........] - ETA: 5s - loss: 0.3437 - acc: 0.8924
38528/60000 [==================>...........] - ETA: 5s - loss: 0.3426 - acc: 0.8928
38784/60000 [==================>...........] - ETA: 5s - loss: 0.3412 - acc: 0.8933
39040/60000 [==================>...........] - ETA: 5s - loss: 0.3398 - acc: 0.8938
39296/60000 [==================>...........] - ETA: 5s - loss: 0.3382 - acc: 0.8942
39552/60000 [==================>...........] - ETA: 5s - loss: 0.3367 - acc: 0.8947
39808/60000 [==================>...........] - ETA: 5s - loss: 0.3358 - acc: 0.8951
40064/60000 [===================>..........] - ETA: 5s - loss: 0.3346 - acc: 0.8955
40320/60000 [===================>..........] - ETA: 5s - loss: 0.3334 - acc: 0.8959
40576/60000 [===================>..........] - ETA: 5s - loss: 0.3322 - acc: 0.8963
40832/60000 [===================>..........] - ETA: 5s - loss: 0.3308 - acc: 0.8968
41088/60000 [===================>..........] - ETA: 5s - loss: 0.3296 - acc: 0.8972
41344/60000 [===================>..........] - ETA: 5s - loss: 0.3287 - acc: 0.8975
41600/60000 [===================>..........] - ETA: 4s - loss: 0.3274 - acc: 0.8980
41856/60000 [===================>..........] - ETA: 4s - loss: 0.3261 - acc: 0.8984
42112/60000 [====================>.........] - ETA: 4s - loss: 0.3248 - acc: 0.8989
42368/60000 [====================>.........] - ETA: 4s - loss: 0.3233 - acc: 0.8994
42624/60000 [====================>.........] - ETA: 4s - loss: 0.3219 - acc: 0.8998
42880/60000 [====================>.........] - ETA: 4s - loss: 0.3208 - acc: 0.9001
43136/60000 [====================>.........] - ETA: 4s - loss: 0.3195 - acc: 0.9005
43392/60000 [====================>.........] - ETA: 4s - loss: 0.3186 - acc: 0.9009
43648/60000 [====================>.........] - ETA: 4s - loss: 0.3173 - acc: 0.9013
43904/60000 [====================>.........] - ETA: 4s - loss: 0.3164 - acc: 0.9015
44160/60000 [=====================>........] - ETA: 4s - loss: 0.3156 - acc: 0.9017
44416/60000 [=====================>........] - ETA: 4s - loss: 0.3143 - acc: 0.9022
44672/60000 [=====================>........] - ETA: 4s - loss: 0.3133 - acc: 0.9025
44928/60000 [=====================>........] - ETA: 4s - loss: 0.3119 - acc: 0.9030
45184/60000 [=====================>........] - ETA: 3s - loss: 0.3109 - acc: 0.9033
45440/60000 [=====================>........] - ETA: 3s - loss: 0.3099 - acc: 0.9036
45696/60000 [=====================>........] - ETA: 3s - loss: 0.3087 - acc: 0.9039
45952/60000 [=====================>........] - ETA: 3s - loss: 0.3077 - acc: 0.9042
46208/60000 [======================>.......] - ETA: 3s - loss: 0.3067 - acc: 0.9045
46464/60000 [======================>.......] - ETA: 3s - loss: 0.3058 - acc: 0.9047
46720/60000 [======================>.......] - ETA: 3s - loss: 0.3047 - acc: 0.9051
46976/60000 [======================>.......] - ETA: 3s - loss: 0.3036 - acc: 0.9054
47232/60000 [======================>.......] - ETA: 3s - loss: 0.3027 - acc: 0.9058
47488/60000 [======================>.......] - ETA: 3s - loss: 0.3016 - acc: 0.9061
47744/60000 [======================>.......] - ETA: 3s - loss: 0.3005 - acc: 0.9065
48000/60000 [=======================>......] - ETA: 3s - loss: 0.2993 - acc: 0.9068
48256/60000 [=======================>......] - ETA: 3s - loss: 0.2990 - acc: 0.9070
48512/60000 [=======================>......] - ETA: 3s - loss: 0.2978 - acc: 0.9074
48768/60000 [=======================>......] - ETA: 2s - loss: 0.2968 - acc: 0.9077
49024/60000 [=======================>......] - ETA: 2s - loss: 0.2957 - acc: 0.9081
49280/60000 [=======================>......] - ETA: 2s - loss: 0.2954 - acc: 0.9082
49536/60000 [=======================>......] - ETA: 2s - loss: 0.2947 - acc: 0.9084
49792/60000 [=======================>......] - ETA: 2s - loss: 0.2938 - acc: 0.9087
50048/60000 [========================>.....] - ETA: 2s - loss: 0.2927 - acc: 0.9091
50304/60000 [========================>.....] - ETA: 2s - loss: 0.2922 - acc: 0.9093
50560/60000 [========================>.....] - ETA: 2s - loss: 0.2911 - acc: 0.9097
50816/60000 [========================>.....] - ETA: 2s - loss: 0.2902 - acc: 0.9100
51072/60000 [========================>.....] - ETA: 2s - loss: 0.2892 - acc: 0.9103
51328/60000 [========================>.....] - ETA: 2s - loss: 0.2885 - acc: 0.9106
51584/60000 [========================>.....] - ETA: 2s - loss: 0.2874 - acc: 0.9109
51840/60000 [========================>.....] - ETA: 2s - loss: 0.2866 - acc: 0.9112
52096/60000 [=========================>....] - ETA: 2s - loss: 0.2856 - acc: 0.9114
52352/60000 [=========================>....] - ETA: 1s - loss: 0.2846 - acc: 0.9118
52608/60000 [=========================>....] - ETA: 1s - loss: 0.2835 - acc: 0.9121
52864/60000 [=========================>....] - ETA: 1s - loss: 0.2826 - acc: 0.9124
53120/60000 [=========================>....] - ETA: 1s - loss: 0.2816 - acc: 0.9127
53376/60000 [=========================>....] - ETA: 1s - loss: 0.2809 - acc: 0.9130
53632/60000 [=========================>....] - ETA: 1s - loss: 0.2801 - acc: 0.9132
53888/60000 [=========================>....] - ETA: 1s - loss: 0.2792 - acc: 0.9134
54144/60000 [==========================>...] - ETA: 1s - loss: 0.2785 - acc: 0.9136
54400/60000 [==========================>...] - ETA: 1s - loss: 0.2774 - acc: 0.9139
54656/60000 [==========================>...] - ETA: 1s - loss: 0.2767 - acc: 0.9142
54912/60000 [==========================>...] - ETA: 1s - loss: 0.2758 - acc: 0.9144
55168/60000 [==========================>...] - ETA: 1s - loss: 0.2754 - acc: 0.9146
55424/60000 [==========================>...] - ETA: 1s - loss: 0.2750 - acc: 0.9148
55680/60000 [==========================>...] - ETA: 1s - loss: 0.2745 - acc: 0.9150
55936/60000 [==========================>...] - ETA: 1s - loss: 0.2738 - acc: 0.9153
56192/60000 [===========================>..] - ETA: 0s - loss: 0.2731 - acc: 0.9155
56448/60000 [===========================>..] - ETA: 0s - loss: 0.2723 - acc: 0.9158
56704/60000 [===========================>..] - ETA: 0s - loss: 0.2719 - acc: 0.9159
56960/60000 [===========================>..] - ETA: 0s - loss: 0.2711 - acc: 0.9161
57216/60000 [===========================>..] - ETA: 0s - loss: 0.2704 - acc: 0.9164
57472/60000 [===========================>..] - ETA: 0s - loss: 0.2696 - acc: 0.9166
57728/60000 [===========================>..] - ETA: 0s - loss: 0.2687 - acc: 0.9169
57984/60000 [===========================>..] - ETA: 0s - loss: 0.2682 - acc: 0.9170
58240/60000 [============================>.] - ETA: 0s - loss: 0.2678 - acc: 0.9172
58496/60000 [============================>.] - ETA: 0s - loss: 0.2671 - acc: 0.9174
58752/60000 [============================>.] - ETA: 0s - loss: 0.2664 - acc: 0.9176
59008/60000 [============================>.] - ETA: 0s - loss: 0.2656 - acc: 0.9179
59264/60000 [============================>.] - ETA: 0s - loss: 0.2654 - acc: 0.9180
59520/60000 [============================>.] - ETA: 0s - loss: 0.2647 - acc: 0.9182
59776/60000 [============================>.] - ETA: 0s - loss: 0.2639 - acc: 0.9184
60000/60000 [==============================] - 16s 265us/step - loss: 0.2633 - acc: 0.9186 - val_loss: 0.0583 - val_acc: 0.9809
Epoch 2/12


  128/60000 [..............................] - ETA: 12s - loss: 0.0178 - acc: 0.9922
  384/60000 [..............................] - ETA: 12s - loss: 0.0326 - acc: 0.9870

59904/60000 [============================>.] - ETA: 0s - loss: 0.0300 - acc: 0.9907
60000/60000 [==============================] - 14s 235us/step - loss: 0.0299 - acc: 0.9907 - val_loss: 0.0265 - val_acc: 0.9915
Epoch 11/12

  128/60000 [..............................] - ETA: 12s - loss: 0.0337 - acc: 0.9922
  384/60000 [..............................] - ETA: 12s - loss: 0.0295 - acc: 0.9948

59904/60000 [============================>.] - ETA: 0s - loss: 0.0257 - acc: 0.9918
60000/60000 [==============================] - 13s 213us/step - loss: 0.0257 - acc: 0.9918 - val_loss: 0.0291 - val_acc: 0.9919
Test loss: 0.029070270710035036
Test accuracy: 0.9919

Process finished with exit code 0

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
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
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Enum 枚举 120153216 enum 枚举
原文地址：http://www.cnblogs.com/Kavlez/p/4268601.html Enumeration 于Java 1.5增加的enum type...enum type是由一组固定的常量组成的类型，比如四个季节、扑克花色。在出现enum type之前，通常用一组int常量表示枚举类型。比如这样： public static final int APPLE_FUJI = 0
Java8简明教程 bijian1013 java jdk1.8
Java 8已于2014年3月18日正式发布了，新版本带来了诸多改进，包括Lambda表达式、Streams、日期时间API等等。本文就带你领略Java 8的全新特性。一.允许在接口中有默认方法实现 Java 8 允许我们使用default关键字，为接口声明添
Oracle表维护快速备份删除数据 cuisuqiang oracle 索引快速备份删除
我知道oracle表分区，不过那是数据库设计阶段的事情，目前是远水解不了近渴。当前的数据库表，要求保留一个月数据，且表存在大量录入更新，不存在程序删除。为了解决频繁查询和更新的瓶颈，我在oracle内根据需要创建了索引。但是随着数据量的增加，一个半月数据就要超千万，此时就算有索引，对高并发的查询和更新来说，让然有所拖累。为了解决这个问题，我一般一个月会进行一次数据库维护，主要工作就是备
java多态内存分析麦田的设计者 java 内存分析多态原理接口和抽象类
“ 时针如果可以回头，熟悉那张脸，重温嬉戏这乐园，墙壁的松脱涂鸦已经褪色才明白存在的价值归于记忆。街角小店尚存在吗？这大时代会不会牵挂，过去现在花开怎么会等待。但有种意外不管痛不痛都有伤害，光阴远远离开，那笑声徘徊与脑海。但这一秒可笑不再可爱，当天心
Xshell实现Windows上传文件到Linux主机被触发 windows
经常有这样的需求，我们在Windows下载的软件包，如何上传到远程Linux主机上？还有如何从Linux主机下载软件包到Windows下；之前我的做法现在看来好笨好繁琐，不过也达到了目的，笨人有本方法嘛；我是怎么操作的： 1、打开一台本地Linux虚拟机，使用mount 挂载Windows的共享文件夹到Linux上，然后拷贝数据到Linux虚拟机里面；（经常第一步都不顺利，无法挂载Windo
类的加载ClassLoader 肆无忌惮_ ClassLoader
类加载器ClassLoader是用来将java的类加载到虚拟机中，类加载器负责读取class字节文件到内存中，并将它转为Class的对象（类对象），通过此实例的 newInstance()方法就可以创建出该类的一个对象。其中重要的方法为findClass(String name)。如何写一个自己的类加载器呢？首先写一个便于测试的类Student
html5写的玫瑰花知了ing html5
<html> <head> <title>I Love You!</title> <meta charset="utf-8" /> </head> <body> <canvas id="c"></canvas>
google的ConcurrentLinkedHashmap源代码解析矮蛋蛋 LRU
原文地址： http://janeky.iteye.com/blog/1534352 简述 ConcurrentLinkedHashMap 是google团队提供的一个容器。它有什么用呢？其实它本身是对 ConcurrentHashMap的封装，可以用来实现一个基于LRU策略的缓存。详细介绍可以参见 http://code.google.com/p/concurrentlinke
webservice获取访问服务的ip地址 alleni123 webservice
1. 首先注入javax.xml.ws.WebServiceContext, @Resource private WebServiceContext context; 2. 在方法中获取交换请求的对象。 javax.xml.ws.handler.MessageContext mc=context.getMessageContext(); com.sun.net.http
菜鸟的java基础提升之道——————>是否值得拥有百合不是茶
1，c++，java是面向对象编程的语言，将万事万物都看成是对象；java做一件事情关注的是人物，java是c++继承过来的，java没有直接更改地址的权限但是可以通过引用来传值操作地址，java也没有c++中繁琐的操作，java以其优越的可移植型，平台的安全型，高效性赢得了广泛的认同，全世界越来越多的人去学习java，我也是其中的一员 java组成：
通过修改Linux服务自动启动指定应用程序 bijian1013 linux
Linux中修改系统服务的命令是chkconfig (check config)，命令的详细解释如下: chkconfig 功能说明：检查，设置系统的各种服务。语　　法：chkconfig [ -- add][ -- del][ -- list][系统服务] 或 chkconfig [ -- level <</SPAN>
spring拦截器的一个简单实例 bijian1013 java spring 拦截器 Interceptor
Purview接口 package aop; public interface Purview { void checkLogin(); } Purview接口的实现类PurviesImpl.java package aop; public class PurviewImpl implements Purview { public void check
[Velocity二]自定义Velocity指令 bit1129 velocity
什么是Velocity指令在Velocity中，#set,#if, #foreach, #elseif, #parse等，以#开头的称之为指令，Velocity内置的这些指令可以用来做赋值，条件判断，循环控制等脚本语言必备的逻辑控制等语句，Velocity的指令是可扩展的，即用户可以根据实际的需要自定义Velocity指令自定义指令(Directive)的一般步骤 &nbs
【Hive十】Programming Hive学习笔记 bit1129 programming
第二章 Getting Started 1.Hive最大的局限性是什么？一是不支持行级别的增删改(insert, delete, update)二是查询性能非常差(基于Hadoop MapReduce）,不适合延迟小的交互式任务三是不支持事务2. Hive MetaStore是干什么的？Hive persists table schemas and other system metadata.
nginx有选择性进行限制 ronin47 nginx 动静　限制
http { limit_conn_zone $binary_remote_addr zone=addr:10m; limit_req_zone $binary_remote_addr zone=one:10m rate=5r/s;... server {... location ~.*\.(gif|png|css|js|icon)$ {
java-4.-在二元树中找出和为某一值的所有路径 . bylijinnan java
/* * 0.use a TwoWayLinkedList to store the path.when the node can't be path,you should/can delete it. * 1.curSum==exceptedSum:if the lastNode is TreeNode,printPath();delete the node otherwise
Netty学习笔记 bylijinnan java netty
本文是阅读以下两篇文章时： http://seeallhearall.blogspot.com/2012/05/netty-tutorial-part-1-introduction-to.html http://seeallhearall.blogspot.com/2012/06/netty-tutorial-part-15-on-channel.html 我的一些笔记 ===
js获取项目路径 cngolon js
//js获取项目根路径，如： http://localhost:8083/uimcardprj function getRootPath(){ //获取当前网址，如： http://localhost:8083/uimcardprj/share/meun.jsp var curWwwPath=window.document.locati
oracle 的性能优化 cuishikuan oracle SQL Server
在网上搜索了一些Oracle性能优化的文章，为了更加深层次的巩固[边写边记]，也为了可以随时查看，所以发表这篇文章。 1.ORACLE采用自下而上的顺序解析WHERE子句，根据这个原理，表之间的连接必须写在其他WHERE条件之前，那些可以过滤掉最大数量记录的条件必须写在WHERE子句的末尾。（这点本人曾经做过实例验证过，的确如此哦！
Shell变量和数组使用详解 daizj linux shell 变量数组
Shell 变量定义变量时，变量名不加美元符号（$，PHP语言中变量需要），如： your_name="w3cschool.cc" 注意，变量名和等号之间不能有空格，这可能和你熟悉的所有编程语言都不一样。同时，变量名的命名须遵循如下规则：首个字符必须为字母（a-z，A-Z）。中间不能有空格，可以使用下划线（_）。不能使用标点符号。不能使用ba
编程中的一些概念，KISS、DRY、MVC、OOP、REST dcj3sjt126com REST
KISS、DRY、MVC、OOP、REST （1）KISS是指Keep It Simple,Stupid（摘自wikipedia），指设计时要坚持简约原则，避免不必要的复杂化。（2）DRY是指Don't Repeat Yourself（摘自wikipedia），特指在程序设计以及计算中避免重复代码，因为这样会降低灵活性、简洁性，并且可能导致代码之间的矛盾。（3）OOP 即Object-Orie
[Android]设置Activity为全屏显示的两种方法 dcj3sjt126com Activity
1. 方法1：AndroidManifest.xml 里，Activity的 android:theme 指定为" @android:style/Theme.NoTitleBar.Fullscreen" 示例: <application
solrcloud 部署方式比较 eksliang solrCloud
solrcloud 的部署其实有两种方式可选，那么我们在实践开发中应该怎样选择呢？第一种：当启动solr服务器时，内嵌的启动一个Zookeeper服务器，然后将这些内嵌的Zookeeper服务器组成一个集群。第二种：将Zookeeper服务器独立的配置一个集群，然后将solr交给Zookeeper进行管理谈谈第一种：每启动一个solr服务器就内嵌的启动一个Zoo
Java synchronized关键字详解 gqdy365 synchronized
转载自：http://www.cnblogs.com/mengdd/archive/2013/02/16/2913806.html 多线程的同步机制对资源进行加锁，使得在同一个时间，只有一个线程可以进行操作，同步用以解决多个线程同时访问时可能出现的问题。同步机制可以使用synchronized关键字实现。当synchronized关键字修饰一个方法的时候，该方法叫做同步方法。当s
js实现登录时记住用户名 hw1287789687 记住我记住密码 cookie 记住用户名记住账号
在页面中如何获取cookie值呢? 如果是JSP的话,可以通过servlet的对象request 获取cookie,可以参考:http://hw1287789687.iteye.com/blog/2050040 如果要求登录页面是html呢?html页面中如何获取cookie呢? 直接上代码了页面:loginInput.html 代码: <!DOCTYPE html PUB
开发者必备的 Chrome 扩展 justjavac chrome
Firebug：不用多介绍了吧https://chrome.google.com/webstore/detail/bmagokdooijbeehmkpknfglimnifench ChromeSnifferPlus：Chrome 探测器，可以探测正在使用的开源软件或者 js 类库https://chrome.google.com/webstore/detail/chrome-sniffer-pl
算法机试题李亚飞 java 算法机试题
在面试机试时，遇到一个算法题，当时没能写出来，最后是同学帮忙解决的。这道题大致意思是：输入一个数，比如4,。这时会输出： &n
正确配置Linux系统ulimit值字符串 ulimit
在Linux下面部署应用的时候，有时候会遇上Socket/File: Can’t open so many files的问题；这个值也会影响服务器的最大并发数，其实Linux是有文件句柄限制的，而且Linux默认不是很高，一般都是1024，生产服务器用其实很容易就达到这个数量。下面说的是，如何通过正解配置来改正这个系统默认值。因为这个问题是我配置Nginx+php5时遇到了，所以我将这篇归纳进
hibernate调用返回游标的存储过程 Supanccy2013 java DAO oracle Hibernate jdbc
注：原创作品，转载请注明出处。上篇博文介绍的是hibernate调用返回单值的存储过程，本片博文说的是hibernate调用返回游标的存储过程。此此扁博文的存储过程的功能相当于是jdbc调用select 的作用。 1，创建oracle中的包，并在该包中创建的游标类型。 ---创建oracle的程
Spring 4.2新特性-更简单的Application Event wiselyman application
1.1 Application Event Spring 4.1的写法请参考10点睛Spring4.1-Application Event 请对比10点睛Spring4.1-Application Event 使用一个@EventListener取代了实现ApplicationListener接口,使耦合度降低; 1.2 示例包依赖 <p

官网实例详解4.23（mnist_cnn.py）-keras学习笔记四

你可能感兴趣的:(python,人工智能)