ctrigger

Python深度学习之分类模型示例，MNIST数据集手写数字识别

MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。

我们把60000个训练样本分成两部分，前5000个为验证样本，后55000为训练样本。代码基本与Tensorflow官方一致，完整代码如下：（TensorFlow版本: 1.14.0，其它版本或许有差异）

#!/usr/bin/env python
import os
import tensorflow as tf

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
tf.compat.v1.enable_eager_execution()

print("TensorFlow Version:\t", tf.__version__)

mnist = tf.keras.datasets.mnist

(x_train_all, y_train_all), (x_test, y_test) = mnist.load_data()
x_train_all, x_test = x_train_all / 255.0, x_test / 255.0

x_valid, x_train = x_train_all[:5000], x_train_all[5000:]
y_valid, y_train = y_train_all[:5000], y_train_all[5000:]

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'],)

model.fit(x_train, y_train, epochs=5, validation_data=(x_valid, y_valid))
model.evaluate(x_test, y_test)

输出结果如下：

"C:\Program Files\Python\Python37\python.exe" "D:/Pycharm Projects/MLDemo/MLDemo.py"
TensorFlow Version:	 1.14.0
Train on 55000 samples, validate on 5000 samples
Epoch 1/5

   32/55000 [..............................] - ETA: 2:58 - loss: 2.4444 - acc: 0.1250
 1056/55000 [..............................] - ETA: 7s - loss: 1.6515 - acc: 0.4848  
 2080/55000 [>.............................] - ETA: 5s - loss: 1.2406 - acc: 0.6192
 3104/55000 [>.............................] - ETA: 4s - loss: 1.0329 - acc: 0.6811
 4192/55000 [=>............................] - ETA: 3s - loss: 0.9097 - acc: 0.7240
 5216/55000 [=>............................] - ETA: 3s - loss: 0.8194 - acc: 0.7510
 6240/55000 [==>...........................] - ETA: 3s - loss: 0.7554 - acc: 0.7708
 7168/55000 [==>...........................] - ETA: 3s - loss: 0.7100 - acc: 0.7846
 8288/55000 [===>..........................] - ETA: 2s - loss: 0.6664 - acc: 0.7986
 9376/55000 [====>.........................] - ETA: 2s - loss: 0.6278 - acc: 0.8104
10528/55000 [====>.........................] - ETA: 2s - loss: 0.6004 - acc: 0.8181
11584/55000 [=====>........................] - ETA: 2s - loss: 0.5733 - acc: 0.8266
12672/55000 [=====>........................] - ETA: 2s - loss: 0.5568 - acc: 0.8320
13792/55000 [======>.......................] - ETA: 2s - loss: 0.5393 - acc: 0.8381
14912/55000 [=======>......................] - ETA: 2s - loss: 0.5257 - acc: 0.8425
15904/55000 [=======>......................] - ETA: 2s - loss: 0.5144 - acc: 0.8462
16928/55000 [========>.....................] - ETA: 2s - loss: 0.5006 - acc: 0.8506
18048/55000 [========>.....................] - ETA: 1s - loss: 0.4886 - acc: 0.8543
19200/55000 [=========>....................] - ETA: 1s - loss: 0.4773 - acc: 0.8573
20256/55000 [==========>...................] - ETA: 1s - loss: 0.4660 - acc: 0.8609
21344/55000 [==========>...................] - ETA: 1s - loss: 0.4550 - acc: 0.8639
22464/55000 [===========>..................] - ETA: 1s - loss: 0.4442 - acc: 0.8674
23584/55000 [===========>..................] - ETA: 1s - loss: 0.4363 - acc: 0.8698
24608/55000 [============>.................] - ETA: 1s - loss: 0.4298 - acc: 0.8717
25696/55000 [=============>................] - ETA: 1s - loss: 0.4223 - acc: 0.8742
26816/55000 [=============>................] - ETA: 1s - loss: 0.4147 - acc: 0.8764
27968/55000 [==============>...............] - ETA: 1s - loss: 0.4070 - acc: 0.8784
29120/55000 [==============>...............] - ETA: 1s - loss: 0.4006 - acc: 0.8805
30240/55000 [===============>..............] - ETA: 1s - loss: 0.3949 - acc: 0.8824
31360/55000 [================>.............] - ETA: 1s - loss: 0.3903 - acc: 0.8838
32512/55000 [================>.............] - ETA: 1s - loss: 0.3842 - acc: 0.8858
33696/55000 [=================>............] - ETA: 1s - loss: 0.3797 - acc: 0.8872
34720/55000 [=================>............] - ETA: 1s - loss: 0.3743 - acc: 0.8886
35776/55000 [==================>...........] - ETA: 0s - loss: 0.3699 - acc: 0.8900
36864/55000 [===================>..........] - ETA: 0s - loss: 0.3651 - acc: 0.8914
38016/55000 [===================>..........] - ETA: 0s - loss: 0.3604 - acc: 0.8928
39136/55000 [====================>.........] - ETA: 0s - loss: 0.3563 - acc: 0.8940
40192/55000 [====================>.........] - ETA: 0s - loss: 0.3526 - acc: 0.8951
41248/55000 [=====================>........] - ETA: 0s - loss: 0.3492 - acc: 0.8962
42400/55000 [======================>.......] - ETA: 0s - loss: 0.3460 - acc: 0.8973
43488/55000 [======================>.......] - ETA: 0s - loss: 0.3423 - acc: 0.8984
44512/55000 [=======================>......] - ETA: 0s - loss: 0.3395 - acc: 0.8993
45440/55000 [=======================>......] - ETA: 0s - loss: 0.3365 - acc: 0.9002
46528/55000 [========================>.....] - ETA: 0s - loss: 0.3335 - acc: 0.9008
47648/55000 [========================>.....] - ETA: 0s - loss: 0.3307 - acc: 0.9017
48736/55000 [=========================>....] - ETA: 0s - loss: 0.3278 - acc: 0.9027
49856/55000 [==========================>...] - ETA: 0s - loss: 0.3252 - acc: 0.9035
50944/55000 [==========================>...] - ETA: 0s - loss: 0.3221 - acc: 0.9045
51968/55000 [===========================>..] - ETA: 0s - loss: 0.3199 - acc: 0.9051
53088/55000 [===========================>..] - ETA: 0s - loss: 0.3176 - acc: 0.9059
54112/55000 [============================>.] - ETA: 0s - loss: 0.3152 - acc: 0.9066
55000/55000 [==============================] - 3s 55us/sample - loss: 0.3129 - acc: 0.9072 - val_loss: 0.1477 - val_acc: 0.9608
Epoch 2/5

   32/55000 [..............................] - ETA: 8s - loss: 0.3416 - acc: 0.8750
 1088/55000 [..............................] - ETA: 2s - loss: 0.2193 - acc: 0.9366
 2144/55000 [>.............................] - ETA: 2s - loss: 0.1951 - acc: 0.9459
 3200/55000 [>.............................] - ETA: 2s - loss: 0.1856 - acc: 0.9491
 4320/55000 [=>............................] - ETA: 2s - loss: 0.1806 - acc: 0.9488
 5376/55000 [=>............................] - ETA: 2s - loss: 0.1830 - acc: 0.9488
 6432/55000 [==>...........................] - ETA: 2s - loss: 0.1749 - acc: 0.9496
 7584/55000 [===>..........................] - ETA: 2s - loss: 0.1707 - acc: 0.9499
 8736/55000 [===>..........................] - ETA: 2s - loss: 0.1692 - acc: 0.9497
 9792/55000 [====>.........................] - ETA: 2s - loss: 0.1684 - acc: 0.9504
10944/55000 [====>.........................] - ETA: 2s - loss: 0.1671 - acc: 0.9501
12096/55000 [=====>........................] - ETA: 2s - loss: 0.1670 - acc: 0.9506
13248/55000 [======>.......................] - ETA: 1s - loss: 0.1670 - acc: 0.9505
14432/55000 [======>.......................] - ETA: 1s - loss: 0.1661 - acc: 0.9504
15552/55000 [=======>......................] - ETA: 1s - loss: 0.1682 - acc: 0.9500
16672/55000 [========>.....................] - ETA: 1s - loss: 0.1671 - acc: 0.9507
17760/55000 [========>.....................] - ETA: 1s - loss: 0.1675 - acc: 0.9505
18912/55000 [=========>....................] - ETA: 1s - loss: 0.1660 - acc: 0.9510
19968/55000 [=========>....................] - ETA: 1s - loss: 0.1662 - acc: 0.9510
21120/55000 [==========>...................] - ETA: 1s - loss: 0.1653 - acc: 0.9510
22272/55000 [===========>..................] - ETA: 1s - loss: 0.1640 - acc: 0.9517
23424/55000 [===========>..................] - ETA: 1s - loss: 0.1633 - acc: 0.9523
24544/55000 [============>.................] - ETA: 1s - loss: 0.1625 - acc: 0.9527
25664/55000 [============>.................] - ETA: 1s - loss: 0.1620 - acc: 0.9530
26688/55000 [=============>................] - ETA: 1s - loss: 0.1619 - acc: 0.9530
27840/55000 [==============>...............] - ETA: 1s - loss: 0.1611 - acc: 0.9531
28960/55000 [==============>...............] - ETA: 1s - loss: 0.1620 - acc: 0.9529
30080/55000 [===============>..............] - ETA: 1s - loss: 0.1619 - acc: 0.9527
31232/55000 [================>.............] - ETA: 1s - loss: 0.1610 - acc: 0.9529
32384/55000 [================>.............] - ETA: 1s - loss: 0.1605 - acc: 0.9528
33472/55000 [=================>............] - ETA: 0s - loss: 0.1595 - acc: 0.9532
34592/55000 [=================>............] - ETA: 0s - loss: 0.1589 - acc: 0.9533
35744/55000 [==================>...........] - ETA: 0s - loss: 0.1588 - acc: 0.9534
36896/55000 [===================>..........] - ETA: 0s - loss: 0.1587 - acc: 0.9534
38016/55000 [===================>..........] - ETA: 0s - loss: 0.1575 - acc: 0.9537
39104/55000 [====================>.........] - ETA: 0s - loss: 0.1566 - acc: 0.9539
40256/55000 [====================>.........] - ETA: 0s - loss: 0.1561 - acc: 0.9541
41376/55000 [=====================>........] - ETA: 0s - loss: 0.1562 - acc: 0.9541
42496/55000 [======================>.......] - ETA: 0s - loss: 0.1555 - acc: 0.9542
43648/55000 [======================>.......] - ETA: 0s - loss: 0.1545 - acc: 0.9543
44800/55000 [=======================>......] - ETA: 0s - loss: 0.1539 - acc: 0.9543
45952/55000 [========================>.....] - ETA: 0s - loss: 0.1537 - acc: 0.9544
47072/55000 [========================>.....] - ETA: 0s - loss: 0.1532 - acc: 0.9545
48192/55000 [=========================>....] - ETA: 0s - loss: 0.1526 - acc: 0.9548
49184/55000 [=========================>....] - ETA: 0s - loss: 0.1528 - acc: 0.9548
50336/55000 [==========================>...] - ETA: 0s - loss: 0.1522 - acc: 0.9550
51424/55000 [===========================>..] - ETA: 0s - loss: 0.1521 - acc: 0.9551
52544/55000 [===========================>..] - ETA: 0s - loss: 0.1521 - acc: 0.9549
53696/55000 [============================>.] - ETA: 0s - loss: 0.1516 - acc: 0.9550
54848/55000 [============================>.] - ETA: 0s - loss: 0.1510 - acc: 0.9551
55000/55000 [==============================] - 3s 48us/sample - loss: 0.1512 - acc: 0.9551 - val_loss: 0.1084 - val_acc: 0.9680
Epoch 3/5

   32/55000 [..............................] - ETA: 6s - loss: 0.0403 - acc: 1.0000
 1184/55000 [..............................] - ETA: 2s - loss: 0.1262 - acc: 0.9654
 2304/55000 [>.............................] - ETA: 2s - loss: 0.1259 - acc: 0.9661
 3392/55000 [>.............................] - ETA: 2s - loss: 0.1216 - acc: 0.9652
 4544/55000 [=>............................] - ETA: 2s - loss: 0.1202 - acc: 0.9650
 5696/55000 [==>...........................] - ETA: 2s - loss: 0.1192 - acc: 0.9631
 6880/55000 [==>...........................] - ETA: 2s - loss: 0.1125 - acc: 0.9658
 8000/55000 [===>..........................] - ETA: 2s - loss: 0.1099 - acc: 0.9665
 9152/55000 [===>..........................] - ETA: 2s - loss: 0.1088 - acc: 0.9667
10304/55000 [====>.........................] - ETA: 2s - loss: 0.1080 - acc: 0.9664
11488/55000 [=====>........................] - ETA: 1s - loss: 0.1066 - acc: 0.9672
12576/55000 [=====>........................] - ETA: 1s - loss: 0.1069 - acc: 0.9676
13696/55000 [======>.......................] - ETA: 1s - loss: 0.1061 - acc: 0.9678
14848/55000 [=======>......................] - ETA: 1s - loss: 0.1069 - acc: 0.9670
16000/55000 [=======>......................] - ETA: 1s - loss: 0.1075 - acc: 0.9668
17120/55000 [========>.....................] - ETA: 1s - loss: 0.1084 - acc: 0.9661
18240/55000 [========>.....................] - ETA: 1s - loss: 0.1079 - acc: 0.9663
19392/55000 [=========>....................] - ETA: 1s - loss: 0.1081 - acc: 0.9663
20544/55000 [==========>...................] - ETA: 1s - loss: 0.1076 - acc: 0.9667
21696/55000 [==========>...................] - ETA: 1s - loss: 0.1069 - acc: 0.9669
22816/55000 [===========>..................] - ETA: 1s - loss: 0.1070 - acc: 0.9669
24000/55000 [============>.................] - ETA: 1s - loss: 0.1079 - acc: 0.9667
25152/55000 [============>.................] - ETA: 1s - loss: 0.1079 - acc: 0.9671
26272/55000 [=============>................] - ETA: 1s - loss: 0.1083 - acc: 0.9670
27392/55000 [=============>................] - ETA: 1s - loss: 0.1093 - acc: 0.9667
28576/55000 [==============>...............] - ETA: 1s - loss: 0.1100 - acc: 0.9667
29760/55000 [===============>..............] - ETA: 1s - loss: 0.1096 - acc: 0.9668
30880/55000 [===============>..............] - ETA: 1s - loss: 0.1096 - acc: 0.9669
32000/55000 [================>.............] - ETA: 1s - loss: 0.1102 - acc: 0.9667
33120/55000 [=================>............] - ETA: 0s - loss: 0.1100 - acc: 0.9668
34240/55000 [=================>............] - ETA: 0s - loss: 0.1101 - acc: 0.9669
35200/55000 [==================>...........] - ETA: 0s - loss: 0.1100 - acc: 0.9668
36352/55000 [==================>...........] - ETA: 0s - loss: 0.1103 - acc: 0.9667
37472/55000 [===================>..........] - ETA: 0s - loss: 0.1104 - acc: 0.9666
38624/55000 [====================>.........] - ETA: 0s - loss: 0.1104 - acc: 0.9668
39776/55000 [====================>.........] - ETA: 0s - loss: 0.1105 - acc: 0.9668
40896/55000 [=====================>........] - ETA: 0s - loss: 0.1108 - acc: 0.9668
42016/55000 [=====================>........] - ETA: 0s - loss: 0.1106 - acc: 0.9670
43168/55000 [======================>.......] - ETA: 0s - loss: 0.1098 - acc: 0.9672
44320/55000 [=======================>......] - ETA: 0s - loss: 0.1104 - acc: 0.9671
45440/55000 [=======================>......] - ETA: 0s - loss: 0.1109 - acc: 0.9669
46496/55000 [========================>.....] - ETA: 0s - loss: 0.1109 - acc: 0.9669
47648/55000 [========================>.....] - ETA: 0s - loss: 0.1109 - acc: 0.9668
48800/55000 [=========================>....] - ETA: 0s - loss: 0.1109 - acc: 0.9668
49920/55000 [==========================>...] - ETA: 0s - loss: 0.1107 - acc: 0.9669
51040/55000 [==========================>...] - ETA: 0s - loss: 0.1111 - acc: 0.9667
52192/55000 [===========================>..] - ETA: 0s - loss: 0.1116 - acc: 0.9665
53344/55000 [============================>.] - ETA: 0s - loss: 0.1115 - acc: 0.9665
54464/55000 [============================>.] - ETA: 0s - loss: 0.1119 - acc: 0.9665
55000/55000 [==============================] - 3s 47us/sample - loss: 0.1119 - acc: 0.9664 - val_loss: 0.0966 - val_acc: 0.9714
Epoch 4/5

   32/55000 [..............................] - ETA: 5s - loss: 0.0525 - acc: 0.9688
 1184/55000 [..............................] - ETA: 2s - loss: 0.1083 - acc: 0.9645
 2240/55000 [>.............................] - ETA: 2s - loss: 0.0960 - acc: 0.9692
 3360/55000 [>.............................] - ETA: 2s - loss: 0.1016 - acc: 0.9685
 4512/55000 [=>............................] - ETA: 2s - loss: 0.1044 - acc: 0.9694
 5632/55000 [==>...........................] - ETA: 2s - loss: 0.0989 - acc: 0.9714
 6720/55000 [==>...........................] - ETA: 2s - loss: 0.0991 - acc: 0.9707
 7840/55000 [===>..........................] - ETA: 2s - loss: 0.1021 - acc: 0.9694
 8992/55000 [===>..........................] - ETA: 2s - loss: 0.1013 - acc: 0.9694
10144/55000 [====>.........................] - ETA: 2s - loss: 0.1003 - acc: 0.9688
11168/55000 [=====>........................] - ETA: 2s - loss: 0.1003 - acc: 0.9680
12288/55000 [=====>........................] - ETA: 1s - loss: 0.0979 - acc: 0.9690
13408/55000 [======>.......................] - ETA: 1s - loss: 0.0965 - acc: 0.9699
14592/55000 [======>.......................] - ETA: 1s - loss: 0.0944 - acc: 0.9706
15744/55000 [=======>......................] - ETA: 1s - loss: 0.0940 - acc: 0.9708
16864/55000 [========>.....................] - ETA: 1s - loss: 0.0930 - acc: 0.9709
17984/55000 [========>.....................] - ETA: 1s - loss: 0.0929 - acc: 0.9710
19136/55000 [=========>....................] - ETA: 1s - loss: 0.0930 - acc: 0.9712
20288/55000 [==========>...................] - ETA: 1s - loss: 0.0928 - acc: 0.9713
21376/55000 [==========>...................] - ETA: 1s - loss: 0.0935 - acc: 0.9710
22464/55000 [===========>..................] - ETA: 1s - loss: 0.0929 - acc: 0.9712
23520/55000 [===========>..................] - ETA: 1s - loss: 0.0948 - acc: 0.9708
24576/55000 [============>.................] - ETA: 1s - loss: 0.0941 - acc: 0.9709
25632/55000 [============>.................] - ETA: 1s - loss: 0.0930 - acc: 0.9712
26784/55000 [=============>................] - ETA: 1s - loss: 0.0927 - acc: 0.9712
27904/55000 [==============>...............] - ETA: 1s - loss: 0.0923 - acc: 0.9713
29056/55000 [==============>...............] - ETA: 1s - loss: 0.0935 - acc: 0.9711
30144/55000 [===============>..............] - ETA: 1s - loss: 0.0946 - acc: 0.9706
31232/55000 [================>.............] - ETA: 1s - loss: 0.0946 - acc: 0.9703
32352/55000 [================>.............] - ETA: 1s - loss: 0.0950 - acc: 0.9703
33504/55000 [=================>............] - ETA: 0s - loss: 0.0949 - acc: 0.9703
34624/55000 [=================>............] - ETA: 0s - loss: 0.0948 - acc: 0.9704
35744/55000 [==================>...........] - ETA: 0s - loss: 0.0941 - acc: 0.9705
36896/55000 [===================>..........] - ETA: 0s - loss: 0.0934 - acc: 0.9707
38016/55000 [===================>..........] - ETA: 0s - loss: 0.0930 - acc: 0.9710
39136/55000 [====================>.........] - ETA: 0s - loss: 0.0932 - acc: 0.9708
40256/55000 [====================>.........] - ETA: 0s - loss: 0.0932 - acc: 0.9710
41408/55000 [=====================>........] - ETA: 0s - loss: 0.0929 - acc: 0.9711
42560/55000 [======================>.......] - ETA: 0s - loss: 0.0927 - acc: 0.9712
43552/55000 [======================>.......] - ETA: 0s - loss: 0.0926 - acc: 0.9712
44672/55000 [=======================>......] - ETA: 0s - loss: 0.0930 - acc: 0.9711
45824/55000 [=======================>......] - ETA: 0s - loss: 0.0930 - acc: 0.9712
46944/55000 [========================>.....] - ETA: 0s - loss: 0.0928 - acc: 0.9712
48096/55000 [=========================>....] - ETA: 0s - loss: 0.0926 - acc: 0.9712
49216/55000 [=========================>....] - ETA: 0s - loss: 0.0923 - acc: 0.9714
50336/55000 [==========================>...] - ETA: 0s - loss: 0.0927 - acc: 0.9712
51392/55000 [===========================>..] - ETA: 0s - loss: 0.0925 - acc: 0.9712
52448/55000 [===========================>..] - ETA: 0s - loss: 0.0927 - acc: 0.9711
53536/55000 [============================>.] - ETA: 0s - loss: 0.0925 - acc: 0.9713
54688/55000 [============================>.] - ETA: 0s - loss: 0.0924 - acc: 0.9714
55000/55000 [==============================] - 3s 48us/sample - loss: 0.0924 - acc: 0.9714 - val_loss: 0.0799 - val_acc: 0.9770
Epoch 5/5

   32/55000 [..............................] - ETA: 5s - loss: 0.1389 - acc: 0.9375
 1088/55000 [..............................] - ETA: 2s - loss: 0.0770 - acc: 0.9715
 2144/55000 [>.............................] - ETA: 2s - loss: 0.0785 - acc: 0.9748
 3200/55000 [>.............................] - ETA: 2s - loss: 0.0706 - acc: 0.9775
 4256/55000 [=>............................] - ETA: 2s - loss: 0.0716 - acc: 0.9777
 5248/55000 [=>............................] - ETA: 2s - loss: 0.0713 - acc: 0.9777
 6240/55000 [==>...........................] - ETA: 2s - loss: 0.0735 - acc: 0.9771
 7296/55000 [==>...........................] - ETA: 2s - loss: 0.0732 - acc: 0.9775
 8352/55000 [===>..........................] - ETA: 2s - loss: 0.0762 - acc: 0.9769
 9408/55000 [====>.........................] - ETA: 2s - loss: 0.0772 - acc: 0.9760
10464/55000 [====>.........................] - ETA: 2s - loss: 0.0758 - acc: 0.9762
11552/55000 [=====>........................] - ETA: 2s - loss: 0.0755 - acc: 0.9759
12608/55000 [=====>........................] - ETA: 2s - loss: 0.0786 - acc: 0.9752
13664/55000 [======>.......................] - ETA: 2s - loss: 0.0776 - acc: 0.9755
14816/55000 [=======>......................] - ETA: 1s - loss: 0.0764 - acc: 0.9758
16000/55000 [=======>......................] - ETA: 1s - loss: 0.0765 - acc: 0.9756
17152/55000 [========>.....................] - ETA: 1s - loss: 0.0769 - acc: 0.9754
18240/55000 [========>.....................] - ETA: 1s - loss: 0.0776 - acc: 0.9753
19392/55000 [=========>....................] - ETA: 1s - loss: 0.0776 - acc: 0.9754
20576/55000 [==========>...................] - ETA: 1s - loss: 0.0779 - acc: 0.9753
21728/55000 [==========>...................] - ETA: 1s - loss: 0.0770 - acc: 0.9754
22784/55000 [===========>..................] - ETA: 1s - loss: 0.0773 - acc: 0.9754
23872/55000 [============>.................] - ETA: 1s - loss: 0.0773 - acc: 0.9755
24992/55000 [============>.................] - ETA: 1s - loss: 0.0775 - acc: 0.9755
26080/55000 [=============>................] - ETA: 1s - loss: 0.0773 - acc: 0.9757
27008/55000 [=============>................] - ETA: 1s - loss: 0.0773 - acc: 0.9755
27872/55000 [==============>...............] - ETA: 1s - loss: 0.0783 - acc: 0.9752
28960/55000 [==============>...............] - ETA: 1s - loss: 0.0789 - acc: 0.9750
29984/55000 [===============>..............] - ETA: 1s - loss: 0.0801 - acc: 0.9744
30592/55000 [===============>..............] - ETA: 1s - loss: 0.0797 - acc: 0.9745
31136/55000 [===============>..............] - ETA: 1s - loss: 0.0795 - acc: 0.9744
32032/55000 [================>.............] - ETA: 1s - loss: 0.0794 - acc: 0.9744
33024/55000 [=================>............] - ETA: 1s - loss: 0.0793 - acc: 0.9745
34080/55000 [=================>............] - ETA: 1s - loss: 0.0789 - acc: 0.9748
35200/55000 [==================>...........] - ETA: 0s - loss: 0.0785 - acc: 0.9749
36256/55000 [==================>...........] - ETA: 0s - loss: 0.0790 - acc: 0.9746
37440/55000 [===================>..........] - ETA: 0s - loss: 0.0785 - acc: 0.9749
38496/55000 [===================>..........] - ETA: 0s - loss: 0.0784 - acc: 0.9749
39552/55000 [====================>.........] - ETA: 0s - loss: 0.0785 - acc: 0.9749
40608/55000 [=====================>........] - ETA: 0s - loss: 0.0786 - acc: 0.9749
41696/55000 [=====================>........] - ETA: 0s - loss: 0.0785 - acc: 0.9749
42816/55000 [======================>.......] - ETA: 0s - loss: 0.0782 - acc: 0.9749
43904/55000 [======================>.......] - ETA: 0s - loss: 0.0776 - acc: 0.9750
44960/55000 [=======================>......] - ETA: 0s - loss: 0.0775 - acc: 0.9750
46048/55000 [========================>.....] - ETA: 0s - loss: 0.0771 - acc: 0.9752
47136/55000 [========================>.....] - ETA: 0s - loss: 0.0772 - acc: 0.9752
48224/55000 [=========================>....] - ETA: 0s - loss: 0.0770 - acc: 0.9753
49248/55000 [=========================>....] - ETA: 0s - loss: 0.0770 - acc: 0.9754
50272/55000 [==========================>...] - ETA: 0s - loss: 0.0769 - acc: 0.9754
51232/55000 [==========================>...] - ETA: 0s - loss: 0.0771 - acc: 0.9753
52192/55000 [===========================>..] - ETA: 0s - loss: 0.0770 - acc: 0.9754
52992/55000 [===========================>..] - ETA: 0s - loss: 0.0771 - acc: 0.9753
53568/55000 [============================>.] - ETA: 0s - loss: 0.0771 - acc: 0.9754
54496/55000 [============================>.] - ETA: 0s - loss: 0.0772 - acc: 0.9752
55000/55000 [==============================] - 3s 52us/sample - loss: 0.0773 - acc: 0.9752 - val_loss: 0.0723 - val_acc: 0.9788

   32/10000 [..............................] - ETA: 0s - loss: 0.0410 - acc: 0.9688
 2496/10000 [======>.......................] - ETA: 0s - loss: 0.1088 - acc: 0.9671
 5280/10000 [==============>...............] - ETA: 0s - loss: 0.0977 - acc: 0.9705
 7936/10000 [======================>.......] - ETA: 0s - loss: 0.0810 - acc: 0.9757
10000/10000 [==============================] - 0s 22us/sample - loss: 0.0756 - acc: 0.9776

Process finished with exit code 0

准确率达到97.76%，还是相当不错的吧。至此，深度学习之“Hello World”示例完毕~~~

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
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
扫地机类清洁产品之直流无刷电机控制悟空胆好小清洁服务机器人单片机人工智能
扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
消息中间件有哪些常见类型 xmh-sxh-1314 java
消息中间件根据其设计理念和用途，可以大致分为以下几种常见类型：点对点消息队列（Point-to-PointMessagingQueues）：在这种模型中，消息被发送到特定的队列中，消费者从队列中取出并处理消息。队列中的消息只能被一个消费者消费，消费后即被删除。常见的实现包括IBM的MQSeries、RabbitMQ的部分使用场景等。适用于任务分发、负载均衡等场景。发布/订阅消息模型（Pub/Sub
html 中如何使用 uniapp 的部分方法某公司摸鱼前端 html uni-app 前端
示例代码：Documentconsole.log(window);效果展示：好了，现在就可以uni.使用相关的方法了
2018-07-23-催眠日作业-#不一样的31天#-66小鹿小鹿_33
预言日：人总是在逃避命运的路上，与之不期而遇。心理学上有个著名的名词，叫做自证预言；经济学上也有一个很著名的定律叫做，墨菲定律；在灵修派上，还有一个很著名的法则，叫做吸引力法则。这3个领域的词，虽然看起来不太一样，但是他们都在告诉人们一个现象：你越担心什么，就越有可能会发生什么。同样的道理，你越想得到什么，就应该要积极地去创造什么。无论是自证预言，墨菲定律还是吸引力法则，对人都有正反2个维度的影响
《大清方方案》| 第二话谁佐清欢
和珅究竟说了些什么？竟能令堂堂九五之尊龙颜失色！此处暂且按下不表；单说这位乾隆皇帝，果真不愧是康熙从小带过的，一旦决定了要做的事，便杀伐决断毫不含糊。他当即亲自拟旨，着令和珅为钦差大臣，全权负责处理方方事件，并钦赐尚方宝剑，遇急则三品以下官员可先斩后奏。和珅身负皇上重托，岂敢有半点怠慢，当夜即率领相关人等，马不停蹄杀奔江汉。这一路上，和珅的几位幕僚一直在商讨方方事件的处置方案。有位年轻幕僚建议快刀
《庄子.达生9》钱江潮369
【原文】孔子观于吕梁，县水三十仞，流沫四十里，鼋鼍鱼鳖之所不能游也。见一丈夫游之，以为有苦而欲死也，使弟子并流而拯之。数百步而出，被发行歌而游于塘下。孔子从而问焉，曰：“吾以子为鬼，察子则人也。请问，‘蹈水有道乎’”曰：“亡，吾无道。吾始乎故，长乎性，成乎命。与齐俱入，与汩偕出，从水之道而不为私焉。此吾所以蹈之也。”孔子曰：“何谓始乎故，长乎性，成乎命？”曰：“吾生于陵而安于陵，故也；长于水而安于
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
linux中sdl的使用教程,sdl使用入门 Melissa Corvinus linux中sdl的使用教程
本文通过一个简单示例讲解SDL的基本使用流程。示例中展示一个窗口，窗口里面有个随机颜色快随机移动。当我们鼠标点击关闭按钮时间窗口关闭。基本步骤如下：1.初始化SDL并创建一个窗口。SDL_Init()初始化SDL_CreateWindow()创建窗口2.纹理渲染存储RGB和存储纹理的区别：比如一个从左到右由红色渐变到蓝色的矩形，用存储RGB的话就需要把矩形中每个点的具体颜色值存储下来；而纹理只是一
LLM 词汇表落难Coder LLMs NLP 大语言模型大模型 llama 人工智能
Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
509. 斐波那契数(每日一题) lzyprime
lzyprime博客(github)创建时间：2021.01.04qq及邮箱：2383518170leetcode笔记题目描述斐波那契数，通常用F(n)表示，形成的序列称为斐波那契数列。该数列由0和1开始，后面的每一项数字都是前面两项数字的和。也就是：F(0)=0，F(1)=1F(n)=F(n-1)+F(n-2)，其中n>1给你n，请计算F(n)。示例1：输入：2输出：1解释：F(2)=F(1)+
四章-32-点要素的聚合彩云飘过
本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
高端密码学院笔记285 柚子_b4b4
高端幸福密码学院（高级班）幸福使者：李华第（598）期《幸福》之回归内在深层生命原动力基础篇——揭秘“激励”成长的喜悦心理案例分析主讲：刘莉一，知识扩充:成功=艰苦劳动+正确方法+少说空话。贪图省力的船夫，目标永远下游。智者的梦再美，也不如愚人实干的脚印。幸福早课堂2020.10.16星期五一笔记:1，重视和珍惜的前提是知道它的价值非常重要，当你珍惜了，你就真正定下来，真正的学到身上。2，大家需要
2020-04-12每天三百字之连接与替代冷眼看潮
不知道是不是好为人师，有时候还真想和别人分享一下我对某些现象的看法或者解释。人类社会不断发展进步的过程，就是不断连接与替代的过程。人类发现了火并应用火以后，告别了茹毛饮血的野兽般的原始生活（火烧、烹饪替代了生食）人类用石器代替了完全手工，工具的使用使人类进步一大步。类似这样的替代还有很多，随着科技的发展，有更多的原始的事物被替代，代之以更高效、更先进的技术。在近现代，汽车替代了马车，高速公路和铁路
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LLaVa和Ollama实现多模态RAG示例 llzwxh888 python 人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
使用Apify加载Twitter消息以进行微调的完整指南 nseejrukjhad twitter easyui 前端 python
#使用Apify加载Twitter消息以进行微调的完整指南##引言在自然语言处理领域，微调模型以适应特定任务是提升模型性能的常见方法。本文将介绍如何使用Apify从Twitter导出聊天信息，以便进一步进行微调。##主要内容###使用Apify导出推文首先，我们需要从Twitter导出推文。Apify可以帮助我们做到这一点。通过Apify的强大功能，我们可以批量抓取和导出数据，适用于各类应用场景。
如何部分格式化提示模板:LangChain中的高级技巧 nseejrukjhad langchain java 服务器 python
标题:如何部分格式化提示模板:LangChain中的高级技巧内容:如何部分格式化提示模板:LangChain中的高级技巧引言在使用大型语言模型(LLM)时,提示工程是一个关键环节。LangChain提供了强大的提示模板功能,让我们能更灵活地构建和管理提示。本文将介绍LangChain中一个高级特性-部分格式化提示模板,这个技巧可以让你的提示管理更加高效和灵活。什么是部分格式化提示模板?部分格式化提
东南林氏之九牧林候选父系祖缘树TheYtree
渊源介绍东晋初年晋安林始祖林禄公入闽，传十世隋右丞林茂，由晋安迁居莆田北螺村。又五世而至林万宠，唐开元间任高平太守，生三子：韬、披、昌。韬公之孙攒，唐德宗立双阙以旌表其孝，时号"阙下林家"。昌公字茂吉，乃万宠公第三子，官兵部司马，配宋氏，生一子名萍。萍于唐贞元间明经及第，官沣洲司马(后追赠中宪大夫)。唐太和年间归隐后，迁居仙游游洋，世称“游洋林”；其后裔居游洋后迁移漳州漳浦路下，由路下林第四房平和
【目标检测数据集】卡车数据集1073张VOC+YOLO格式熬夜写代码的平头哥∰ 目标检测 YOLO 人工智能
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1073标注数量(xml文件个数)：1073标注数量(txt文件个数)：1073标注类别数：1标注类别名称:["truck"]每个类别标注的框数：truck框数=1120总框数：1120使用标注工具：labelImg标注
121. 买卖股票的最佳时机薄荷糖的味道_fb40
给定一个数组，它的第i个元素是一支给定股票第i天的价格。如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例1:输入:[7,1,5,3,6,4]输出:5解释:在第2天（股票价格=1）的时候买入，在第5天（股票价格=6）的时候卖出，最大利润=6-1=5。注意利润不能是7-1=6,因为卖出价格需要大于买入价格。示例2:输入:
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
大伟说成语之唉声叹气求索大伟
＊大伟说成语＊【唉声叹气】叹气：因心里不痛快或不如意而吐出长气，发出声音。因为痛苦、憋闷或感伤而发出叹息的声音。【大伟说】情绪外露，非人类所特有，动物亦有情绪，悲哀和欢乐所表示的情绪亦是不一样的，会嗷嗷大叫也会低吟痛哭。不同的是，人类的情绪更复杂，更多样，更丰富。唉声叹气，可以说是最基础的情绪，因为无奈而举足无措，不知该如何如何化解，只有独自一人慢慢承受，长吁短叹不知如何是好，其实是无能无力的表现
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&#
libyuv之linux编译 jaronho Linux linux 运维服务器
文章目录一、下载源码二、编译源码三、注意事项1、银河麒麟系统（aarch64）（1）解决armv8-a+dotprod+i8mm指令集支持问题（2）解决armv9-a+sve2指令集支持问题一、下载源码到GitHub网站下载https://github.com/lemenkov/libyuv源码，或者用直接用git克隆到本地，如：gitclonehttps://github.com/lemenko
Faiss Tips：高效向量搜索与聚类的利器焦习娜Samantha
FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
钢筋长度超限检测检数据集VOC+YOLO格式215张1类别 futureflsl 数据集 YOLO 深度学习机器学习
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：215标注数量(xml文件个数)：215标注数量(txt文件个数)：215标注类别数：1标注类别名称:["iron"]每个类别标注的框数：iron框数=215总框数：215使用标注工具：labelImg标注规则：对类别进
怎么做淘客赚钱(2022最新免费淘客盈利的方法) 高省_飞智666600
很多人都不知道什么是淘宝客，今天小编为大家解答一下吧。淘宝客，现在简称淘客，是时下比较流行的一个词语，特质为淘宝店推广商品获取提成的人，这些人没有自己的产品，只是在淘宝里面选择适合自己的产品，在自己比较熟悉的领域推广，把产品卖出去之后，会从淘宝店家那里获得百分之五到百分之五十左右的佣金。淘宝客付出的是什么呢？时间。你需要花时间去选适合自己推广的产品，需要花时间去选自己的推广方法，如果你打算自己做个
Java实现的简单双向Map，支持重复Value superlxw1234 java 双向map
关键字：Java双向Map、DualHashBidiMap 有个需求，需要根据即时修改Map结构中的Value值，比如，将Map中所有value=V1的记录改成value=V2，key保持不变。数据量比较大，遍历Map性能太差，这就需要根据Value先找到Key，然后去修改。即：既要根据Key找Value，又要根据Value
PL/SQL触发器基础及例子百合不是茶 oracle数据库触发器 PL/SQL编程
触发器的简介; 触发器的定义就是说某个条件成立的时候，触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用，也不能调用。触发器和过程函数类似过程函数必须要调用, 一个表中最多只能有12个触发器类型的,触发器和过程函数相似触发器不需要调用直接执行, 触发时间：指明触发器何时执行，该值可取： before：表示在数据库动作之前触发
[时空与探索]穿越时空的一些问题 comsci 问题
我们还没有进行过任何数学形式上的证明,仅仅是一个猜想..... 这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
easy ui datagrid上移下移一行商人shang js 上移下移 easyui datagrid
/** * 向上移动一行 * * @param dg * @param row */ function moveupRow(dg, row) { var datagrid = $(dg); var index = datagrid.datagrid("getRowIndex", row); if (isFirstRow(dg, row)) {
Java反射 oloz 反射
本人菜鸟，今天恰好有时间，写写博客，总结复习一下java反射方面的知识，欢迎大家探讨交流学习指教首先看看java中的Class package demo; public class ClassTest { /*先了解java中的Class*/ public static void main(String[] args) { //任何一个类都
springMVC 使用JSR-303 Validation验证杨白白 spring mvc
JSR-303是一个数据验证的规范，但是spring并没有对其进行实现，Hibernate Validator是实现了这一规范的，通过此这个实现来讲SpringMVC对JSR-303的支持。 JSR-303的校验是基于注解的，首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。登录需要验证类 public class Login { @NotEmpty
log4j 香水浓 log4j
log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE #log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML #console log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender log4
使用ajax和history.pushState无刷新改变页面URL agevs jquery 框架 Ajax html5 chrome
表现如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时，细心的你会发现页面之间的点击是通过ajax异步请求的，同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。是什么有这么强大的功能呢？ HTML5里引用了新的API，history.pushState和history.replaceState，就是通过
centos中文乱码 AILIKES centos OS ssh
一、CentOS系统访问 g.cn ，发现中文乱码。于是用以前的方式：yum -y install fonts-chinese CentOS系统安装后，还是不能显示中文字体。我使用 gedit 编辑源码，其中文注释也为乱码。后来，终于找到以下方法可以解决，需要两个中文支持的包： fonts-chinese-3.02-12.
触发器 baalwolf 触发器
触发器(trigger)：监视某种情况，并触发某种操作。触发器创建语法四要素：1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete) 语法： create trigger triggerName after/before
JS正则表达式的i m g bijian1013 JavaScript 正则表达式
g:表示全局（global)模式，即模式将被应用于所有字符串，而非在发现第一个匹配项时立即停止。 i:表示不区分大小写（case-insensitive）模式，即在确定匹配项时忽略模式与字符串的大小写。 m:表示
HTML5模式和Hashbang模式 bijian1013 JavaScript AngularJS Hashbang模式 HTML5模式
我们可以用$locationProvider来配置$location服务（可以采用注入的方式，就像AngularJS中其他所有东西一样）。这里provider的两个参数很有意思，介绍如下。 html5Mode 一个布尔值，标识$location服务是否运行在HTML5模式下。 ha
[Maven学习笔记六]Maven生命周期 bit1129 maven
从mvn test的输出开始说起当我们在user-core中执行mvn test时，执行的输出如下： /software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
【Hadoop七】基于Yarn的Hadoop Map Reduce容错 bit1129 hadoop
运行于Yarn的Map Reduce作业，可能发生失败的点包括 Task Failure Application Master Failure Node Manager Failure Resource Manager Failure 1. Task Failure 任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
记一次数据推送的异常解决端口解决 ronin47 记一次数据推送的异常解决
　　需求：从db获取数据然后推送到B 程序开发完成，上jboss,刚开始报了很多错，逐一解决，可最后显示连接不到数据库。机房的同事说可以ping 通。　　自已画了个图，逐一排除，把linux 防火墙　和　setenforce　设置最低。　　　service iptables stop
巧用视错觉-UI更有趣 brotherlamp UI ui视频 ui教程 ui自学 ui资料
我们每个人在生活中都曾感受过视错觉（optical illusion）的魅力。视错觉现象是双眼跟我们开的一个玩笑，而我们往往还心甘情愿地接受我们看到的假象。其实不止如此，视觉错现象的背后还有一个重要的科学原理——格式塔原理。格式塔原理解释了人们如何以视觉方式感觉物体，以及图像的结构，视角，大小等要素是如何影响我们的视觉的。在下面这篇文章中，我们首先会简单介绍一下格式塔原理中的基本概念，
线段树-poj1177-N个矩形求边长（离散化+扫描线） bylijinnan 数据结构算法线段树
package com.ljn.base; import java.util.Arrays; import java.util.Comparator; import java.util.Set; import java.util.TreeSet; /** * POJ 1177 (线段树+离散化+扫描线)，题目链接为http://poj.org/problem?id=1177
HTTP协议详解 chicony http协议
引言
Scala设计模式 chenchao051 设计模式 scala
Scala设计模式我的话：在国外网站上看到一篇文章，里面详细描述了很多设计模式，并且用Java及Scala两种语言描述，清晰的让我们看到各种常规的设计模式，在Scala中是如何在语言特性层面直接支持的。基于文章很nice，我利用今天的空闲时间将其翻译，希望大家能一起学习，讨论。翻译
安装mysql daizj mysql 安装
安装mysql (1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps (强制删除) 执行命令rpm -qa |grep mysql 检查是否删除干净 (2)执行命令 rpm -i MySQL-server-5.5.31-2.el
HTTP状态码大全 dcj3sjt126com http状态码
完整的 HTTP 1.1规范说明书来自于RFC 2616，你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性，因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端，支持协议版本可以通过调用request
asihttprequest上传图片 dcj3sjt126com ASIHTTPRequest
NSURL *url =@"yourURL"; ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url]; [currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
C语言中，关键字static的作用 e200702084 C++c C#
在C语言中，关键字static有三个明显的作用： 1)在函数体，局部的static变量。生存期为程序的整个生命周期，（它存活多长时间）；作用域却在函数体内（它在什么地方能被访问（空间））。一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区，函数调用结束后并不释放单元，但是在其它的作用域的无法访问。当再次调用这个函数时，这个局部的静态变量还存活，而且用在它的访
win7/8使用curl geeksun win7
1. WIN7/8下要使用curl，需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。下载地址： http://curl.haxx.se/download.html 请选择不带SSL的版本，否则还需要安装SSL的支持包 2. 可以给Windows增加c
Creating a Shared Repository; Users Sharing The Repository hongtoushizi git
转载自： http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section: git init –bare git clone git remote git pull git p
Java实现字符串反转的8种或9种方法 Josh_Persistence 异或反转递归反转二分交换反转 java字符串反转栈反转
注：对于第7种使用异或的方式来实现字符串的反转，如果不太看得明白的，可以参照另一篇博客： http://josh-persistence.iteye.com/blog/2205768 /** * */ package com.wsheng.aggregator.algorithm.string; import java.util.Stack; /**
代码实现任意容量倒水问题 home198979 PHP 算法倒水
形象化设计模式实战 HELLO!架构 redis命令源码解析倒水问题：有两个杯子，一个A升，一个B升，水有无限多，现要求利用这两杯子装C
Druid datasource zhb8015 druid
推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证，稳定可靠。它最重要的特点是：监控、扩展和性能。下载和Maven配置看这里： http
两种启动监听器ApplicationListener和ServletContextListener spjich java spring 框架
引言:有时候需要在项目初始化的时候进行一系列工作，比如初始化一个线程池，初始化配置文件，初始化缓存等等，这时候就需要用到启动监听器，下面分别介绍一下两种常用的项目启动监听器 ServletContextListener 特点: 依赖于sevlet容器，需要配置web.xml 使用方法: public class StartListener implements
JavaScript Rounding Methods of the Math object 何不笑 JavaScript Math
The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(), Math.floor(), and Math.round() — handle rounding in differen

Python深度学习之分类模型示例，MNIST数据集手写数字识别

你可能感兴趣的:(Python深度学习之分类模型示例，MNIST数据集手写数字识别)