ResNet之三——参数调整及网络构建的理解

接上一篇：https://blog.csdn.net/SPESEG/article/details/102963410

当我将repetition设置为[2,2]时，这时的h5模型在8M，当增加为[2,2,2]效果并没有提高，基本上是保持不变，甚至验证集acc还下降了一个点。当我设置为[2,1]时，网络结构如下，说实话第一个[2,2]的层数都小于常用的ResNet-18，而这个是最基本的，图像里面经常用到的。

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 40, 32, 1)    0                                            
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 20, 16, 64)   3200        input_1[0][0]                    
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 20, 16, 64)   256         conv2d_1[0][0]                   
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 20, 16, 64)   0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 10, 8, 64)    0           activation_1[0][0]               
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 10, 8, 64)    36928       max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 10, 8, 64)    256         conv2d_2[0][0]                   
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 10, 8, 64)    0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 10, 8, 64)    36928       activation_2[0][0]               
__________________________________________________________________________________________________
add_1 (Add)                     (None, 10, 8, 64)    0           max_pooling2d_1[0][0]            
                                                                 conv2d_3[0][0]                   
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 10, 8, 64)    256         add_1[0][0]                      
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 10, 8, 64)    0           batch_normalization_3[0][0]      
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 10, 8, 64)    36928       activation_3[0][0]               
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 10, 8, 64)    256         conv2d_4[0][0]                   
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 10, 8, 64)    0           batch_normalization_4[0][0]      
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 10, 8, 64)    36928       activation_4[0][0]               
__________________________________________________________________________________________________
add_2 (Add)                     (None, 10, 8, 64)    0           add_1[0][0]                      
                                                                 conv2d_5[0][0]                   
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 10, 8, 64)    256         add_2[0][0]                      
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 10, 8, 64)    0           batch_normalization_5[0][0]      
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 5, 4, 128)    73856       activation_5[0][0]               
__________________________________________________________________________________________________
batch_normalization_6 (BatchNor (None, 5, 4, 128)    512         conv2d_6[0][0]                   
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 5, 4, 128)    0           batch_normalization_6[0][0]      
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 5, 4, 128)    8320        add_2[0][0]                      
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 5, 4, 128)    147584      activation_6[0][0]               
__________________________________________________________________________________________________
add_3 (Add)                     (None, 5, 4, 128)    0           conv2d_8[0][0]                   
                                                                 conv2d_7[0][0]                   
__________________________________________________________________________________________________
batch_normalization_7 (BatchNor (None, 5, 4, 128)    512         add_3[0][0]                      
__________________________________________________________________________________________________
activation_7 (Activation)       (None, 5, 4, 128)    0           batch_normalization_7[0][0]      
__________________________________________________________________________________________________
average_pooling2d_1 (AveragePoo (None, 1, 1, 128)    0           activation_7[0][0]               
__________________________________________________________________________________________________
flatten_1 (Flatten)             (None, 128)          0           average_pooling2d_1[0][0]        
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 2)            258         flatten_1[0][0]                  
==================================================================================================
Total params: 383,234
Trainable params: 382,082
Non-trainable params: 1,152

显而易见，repetition中的数之和就是add层数。

模型大小4.5M，效果与[2,2]是一样的，下面试试[1,2]，

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_4 (InputLayer)            (None, 40, 32, 1)    0                                            
__________________________________________________________________________________________________
conv2d_31 (Conv2D)              (None, 20, 16, 64)   3200        input_4[0][0]                    
__________________________________________________________________________________________________
batch_normalization_28 (BatchNo (None, 20, 16, 64)   256         conv2d_31[0][0]                  
__________________________________________________________________________________________________
activation_28 (Activation)      (None, 20, 16, 64)   0           batch_normalization_28[0][0]     
__________________________________________________________________________________________________
max_pooling2d_4 (MaxPooling2D)  (None, 10, 8, 64)    0           activation_28[0][0]              
__________________________________________________________________________________________________
conv2d_32 (Conv2D)              (None, 10, 8, 64)    36928       max_pooling2d_4[0][0]            
__________________________________________________________________________________________________
batch_normalization_29 (BatchNo (None, 10, 8, 64)    256         conv2d_32[0][0]                  
__________________________________________________________________________________________________
activation_29 (Activation)      (None, 10, 8, 64)    0           batch_normalization_29[0][0]     
__________________________________________________________________________________________________
conv2d_33 (Conv2D)              (None, 10, 8, 64)    36928       activation_29[0][0]              
__________________________________________________________________________________________________
add_13 (Add)                    (None, 10, 8, 64)    0           max_pooling2d_4[0][0]            
                                                                 conv2d_33[0][0]                  
__________________________________________________________________________________________________
batch_normalization_30 (BatchNo (None, 10, 8, 64)    256         add_13[0][0]                     
__________________________________________________________________________________________________
activation_30 (Activation)      (None, 10, 8, 64)    0           batch_normalization_30[0][0]     
__________________________________________________________________________________________________
conv2d_34 (Conv2D)              (None, 5, 4, 128)    73856       activation_30[0][0]              
__________________________________________________________________________________________________
batch_normalization_31 (BatchNo (None, 5, 4, 128)    512         conv2d_34[0][0]                  
__________________________________________________________________________________________________
activation_31 (Activation)      (None, 5, 4, 128)    0           batch_normalization_31[0][0]     
__________________________________________________________________________________________________
conv2d_36 (Conv2D)              (None, 5, 4, 128)    8320        add_13[0][0]                     
__________________________________________________________________________________________________
conv2d_35 (Conv2D)              (None, 5, 4, 128)    147584      activation_31[0][0]              
__________________________________________________________________________________________________
add_14 (Add)                    (None, 5, 4, 128)    0           conv2d_36[0][0]                  
                                                                 conv2d_35[0][0]                  
__________________________________________________________________________________________________
batch_normalization_32 (BatchNo (None, 5, 4, 128)    512         add_14[0][0]                     
__________________________________________________________________________________________________
activation_32 (Activation)      (None, 5, 4, 128)    0           batch_normalization_32[0][0]     
__________________________________________________________________________________________________
conv2d_37 (Conv2D)              (None, 5, 4, 128)    147584      activation_32[0][0]              
__________________________________________________________________________________________________
batch_normalization_33 (BatchNo (None, 5, 4, 128)    512         conv2d_37[0][0]                  
__________________________________________________________________________________________________
activation_33 (Activation)      (None, 5, 4, 128)    0           batch_normalization_33[0][0]     
__________________________________________________________________________________________________
conv2d_38 (Conv2D)              (None, 5, 4, 128)    147584      activation_33[0][0]              
__________________________________________________________________________________________________
add_15 (Add)                    (None, 5, 4, 128)    0           add_14[0][0]                     
                                                                 conv2d_38[0][0]                  
__________________________________________________________________________________________________
batch_normalization_34 (BatchNo (None, 5, 4, 128)    512         add_15[0][0]                     
__________________________________________________________________________________________________
activation_34 (Activation)      (None, 5, 4, 128)    0           batch_normalization_34[0][0]     
__________________________________________________________________________________________________
average_pooling2d_4 (AveragePoo (None, 1, 1, 128)    0           activation_34[0][0]              
__________________________________________________________________________________________________
flatten_4 (Flatten)             (None, 128)          0           average_pooling2d_4[0][0]        
__________________________________________________________________________________________________
dense_4 (Dense)                 (None, 2)            258         flatten_4[0][0]                  
==================================================================================================
Total params: 605,058
Trainable params: 603,650
Non-trainable params: 1,408

参数比上一个多。最后的acc是一样的，但收敛反而慢了。可见层数很重要。

下面试试[1,1]的如何，只有两个add，结果也不差啊

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_5 (InputLayer)            (None, 40, 32, 1)    0                                            
__________________________________________________________________________________________________
conv2d_39 (Conv2D)              (None, 20, 16, 64)   3200        input_5[0][0]                    
__________________________________________________________________________________________________
batch_normalization_35 (BatchNo (None, 20, 16, 64)   256         conv2d_39[0][0]                  
__________________________________________________________________________________________________
activation_35 (Activation)      (None, 20, 16, 64)   0           batch_normalization_35[0][0]     
__________________________________________________________________________________________________
max_pooling2d_5 (MaxPooling2D)  (None, 10, 8, 64)    0           activation_35[0][0]              
__________________________________________________________________________________________________
conv2d_40 (Conv2D)              (None, 10, 8, 64)    36928       max_pooling2d_5[0][0]            
__________________________________________________________________________________________________
batch_normalization_36 (BatchNo (None, 10, 8, 64)    256         conv2d_40[0][0]                  
__________________________________________________________________________________________________
activation_36 (Activation)      (None, 10, 8, 64)    0           batch_normalization_36[0][0]     
__________________________________________________________________________________________________
conv2d_41 (Conv2D)              (None, 10, 8, 64)    36928       activation_36[0][0]              
__________________________________________________________________________________________________
add_16 (Add)                    (None, 10, 8, 64)    0           max_pooling2d_5[0][0]            
                                                                 conv2d_41[0][0]                  
__________________________________________________________________________________________________
batch_normalization_37 (BatchNo (None, 10, 8, 64)    256         add_16[0][0]                     
__________________________________________________________________________________________________
activation_37 (Activation)      (None, 10, 8, 64)    0           batch_normalization_37[0][0]     
__________________________________________________________________________________________________
conv2d_42 (Conv2D)              (None, 5, 4, 128)    73856       activation_37[0][0]              
__________________________________________________________________________________________________
batch_normalization_38 (BatchNo (None, 5, 4, 128)    512         conv2d_42[0][0]                  
__________________________________________________________________________________________________
activation_38 (Activation)      (None, 5, 4, 128)    0           batch_normalization_38[0][0]     
__________________________________________________________________________________________________
conv2d_44 (Conv2D)              (None, 5, 4, 128)    8320        add_16[0][0]                     
__________________________________________________________________________________________________
conv2d_43 (Conv2D)              (None, 5, 4, 128)    147584      activation_38[0][0]              
__________________________________________________________________________________________________
add_17 (Add)                    (None, 5, 4, 128)    0           conv2d_44[0][0]                  
                                                                 conv2d_43[0][0]                  
__________________________________________________________________________________________________
batch_normalization_39 (BatchNo (None, 5, 4, 128)    512         add_17[0][0]                     
__________________________________________________________________________________________________
activation_39 (Activation)      (None, 5, 4, 128)    0           batch_normalization_39[0][0]     
__________________________________________________________________________________________________
average_pooling2d_5 (AveragePoo (None, 1, 1, 128)    0           activation_39[0][0]              
__________________________________________________________________________________________________
flatten_5 (Flatten)             (None, 128)          0           average_pooling2d_5[0][0]        
__________________________________________________________________________________________________
dense_5 (Dense)                 (None, 2)            258         flatten_5[0][0]                  
==================================================================================================
Total params: 308,866
Trainable params: 307,970
Non-trainable params: 896

在电脑训练中，我明天试试[2]和[1]的效果如何？下班。

[2]的网络结构及结果如下：

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_6 (InputLayer)            (None, 40, 32, 1)    0                                            
__________________________________________________________________________________________________
conv2d_45 (Conv2D)              (None, 20, 16, 64)   3200        input_6[0][0]                    
__________________________________________________________________________________________________
batch_normalization_40 (BatchNo (None, 20, 16, 64)   256         conv2d_45[0][0]                  
__________________________________________________________________________________________________
activation_40 (Activation)      (None, 20, 16, 64)   0           batch_normalization_40[0][0]     
__________________________________________________________________________________________________
max_pooling2d_6 (MaxPooling2D)  (None, 10, 8, 64)    0           activation_40[0][0]              
__________________________________________________________________________________________________
conv2d_46 (Conv2D)              (None, 10, 8, 64)    36928       max_pooling2d_6[0][0]            
__________________________________________________________________________________________________
batch_normalization_41 (BatchNo (None, 10, 8, 64)    256         conv2d_46[0][0]                  
__________________________________________________________________________________________________
activation_41 (Activation)      (None, 10, 8, 64)    0           batch_normalization_41[0][0]     
__________________________________________________________________________________________________
conv2d_47 (Conv2D)              (None, 10, 8, 64)    36928       activation_41[0][0]              
__________________________________________________________________________________________________
add_18 (Add)                    (None, 10, 8, 64)    0           max_pooling2d_6[0][0]            
                                                                 conv2d_47[0][0]                  
__________________________________________________________________________________________________
batch_normalization_42 (BatchNo (None, 10, 8, 64)    256         add_18[0][0]                     
__________________________________________________________________________________________________
activation_42 (Activation)      (None, 10, 8, 64)    0           batch_normalization_42[0][0]     
__________________________________________________________________________________________________
conv2d_48 (Conv2D)              (None, 10, 8, 64)    36928       activation_42[0][0]              
__________________________________________________________________________________________________
batch_normalization_43 (BatchNo (None, 10, 8, 64)    256         conv2d_48[0][0]                  
__________________________________________________________________________________________________
activation_43 (Activation)      (None, 10, 8, 64)    0           batch_normalization_43[0][0]     
__________________________________________________________________________________________________
conv2d_49 (Conv2D)              (None, 10, 8, 64)    36928       activation_43[0][0]              
__________________________________________________________________________________________________
add_19 (Add)                    (None, 10, 8, 64)    0           add_18[0][0]                     
                                                                 conv2d_49[0][0]                  
__________________________________________________________________________________________________
batch_normalization_44 (BatchNo (None, 10, 8, 64)    256         add_19[0][0]                     
__________________________________________________________________________________________________
activation_44 (Activation)      (None, 10, 8, 64)    0           batch_normalization_44[0][0]     
__________________________________________________________________________________________________
average_pooling2d_6 (AveragePoo (None, 1, 1, 64)     0           activation_44[0][0]              
__________________________________________________________________________________________________
flatten_6 (Flatten)             (None, 64)           0           average_pooling2d_6[0][0]        
__________________________________________________________________________________________________
dense_6 (Dense)                 (None, 2)            130         flatten_6[0][0]                  
==================================================================================================
Total params: 152,322
Trainable params: 151,682
Non-trainable params: 640

效果是一样的。模型大小不到2M。下面是[1]的结果

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_7 (InputLayer)            (None, 40, 32, 1)    0                                            
__________________________________________________________________________________________________
conv2d_50 (Conv2D)              (None, 20, 16, 64)   3200        input_7[0][0]                    
__________________________________________________________________________________________________
batch_normalization_45 (BatchNo (None, 20, 16, 64)   256         conv2d_50[0][0]                  
__________________________________________________________________________________________________
activation_45 (Activation)      (None, 20, 16, 64)   0           batch_normalization_45[0][0]     
__________________________________________________________________________________________________
max_pooling2d_7 (MaxPooling2D)  (None, 10, 8, 64)    0           activation_45[0][0]              
__________________________________________________________________________________________________
conv2d_51 (Conv2D)              (None, 10, 8, 64)    36928       max_pooling2d_7[0][0]            
__________________________________________________________________________________________________
batch_normalization_46 (BatchNo (None, 10, 8, 64)    256         conv2d_51[0][0]                  
__________________________________________________________________________________________________
activation_46 (Activation)      (None, 10, 8, 64)    0           batch_normalization_46[0][0]     
__________________________________________________________________________________________________
conv2d_52 (Conv2D)              (None, 10, 8, 64)    36928       activation_46[0][0]              
__________________________________________________________________________________________________
add_20 (Add)                    (None, 10, 8, 64)    0           max_pooling2d_7[0][0]            
                                                                 conv2d_52[0][0]                  
__________________________________________________________________________________________________
batch_normalization_47 (BatchNo (None, 10, 8, 64)    256         add_20[0][0]                     
__________________________________________________________________________________________________
activation_47 (Activation)      (None, 10, 8, 64)    0           batch_normalization_47[0][0]     
__________________________________________________________________________________________________
average_pooling2d_7 (AveragePoo (None, 1, 1, 64)     0           activation_47[0][0]              
__________________________________________________________________________________________________
flatten_7 (Flatten)             (None, 64)           0           average_pooling2d_7[0][0]        
__________________________________________________________________________________________________
dense_7 (Dense)                 (None, 2)            130         flatten_7[0][0]                  
==================================================================================================
Total params: 77,954
Trainable params: 77,570
Non-trainable params: 384

结果如图，最后验证集92.6%，模型不到1M，这是各方面最好的模型了。

当我考虑极限，即不采用add，很简单的层，如下

Layer (type)                 Output Shape              Param #   
=================================================================
input_8 (InputLayer)         (None, 40, 32, 1)         0         
_________________________________________________________________
conv2d_53 (Conv2D)           (None, 20, 16, 64)        3200      
_________________________________________________________________
batch_normalization_48 (Batc (None, 20, 16, 64)        256       
_________________________________________________________________
activation_48 (Activation)   (None, 20, 16, 64)        0         
_________________________________________________________________
max_pooling2d_8 (MaxPooling2 (None, 10, 8, 64)         0         
_________________________________________________________________
batch_normalization_49 (Batc (None, 10, 8, 64)         256       
_________________________________________________________________
activation_49 (Activation)   (None, 10, 8, 64)         0         
_________________________________________________________________
average_pooling2d_8 (Average (None, 1, 1, 64)          0         
_________________________________________________________________
flatten_8 (Flatten)          (None, 64)                0         
_________________________________________________________________
dense_8 (Dense)              (None, 2)                 130       
=================================================================
Total params: 3,842
Trainable params: 3,586
Non-trainable params: 256

效果不错，但有天花板，应该加些类似的层。模型大小只有88k。从8M到88k，压缩了90倍。

要做就要做到极致。

另外有相关问题可以加入QQ群讨论，不设微信群

QQ群：868373192

语音深度学习群

迪杰斯特拉(Dijkstra's )算法——解决带权有向无向图最短路径一条晒干的咸魚数据结构与算法算法
迪杰斯特拉算法(Dijkstra'sAlgorithm)，又称为狄克斯特拉算法，是一种用于解决带权重有向图或无向图最短路径问题的算法。该算法由荷兰计算机科学家艾兹赫尔·狄克斯特拉在1956年发明，是一种广泛应用于网络路由和其他领域的算法。在2001年的一次采访中，Dijkstra博士透露了他设计这个算法的起因和过程：从Rotterdam到Groningen的最短路线是什么？我花了大概20分钟时间设
你刚买的手机，是新手机吗？可夫小子
大家好，我是可夫小子，关注职场和个人成长。日更第15天，欢迎关注！随着双十一的临近，各大商家也推出相应的优惠活动。每年618和双11是两个重要的购物节。对于有需求的消费者，在这两个时间节点入手产品，无疑将获得一些优惠。但当你花了大几千，购入的手机，真是一台新手机吗？来说说我近期的换机事件。从我的换机说起众所周知，iPhone11的使用的是Intel的基带，拉胯的蜂窝网络，让用户在户外弱网环境抓狂，
【Awesome Adb】渔jy 凑数Android adb
转载：https://github.com/mzlogin/awesome-adb目录基本用法命令语法为命令指定目标设备启动/停止查看adb版本以root权限运行adbd指定adbserver的网络端口设备连接管理查询已连接设备/模拟器USB连接无线连接（Android11及以上）无线连接（需要借助USB线）无线连接（无需借助USB线）应用管理查看应用列表所有应用系统应用第三方应用安装APK与应用
什么是中间件，常用的中间件有哪些？渔jy java tomcat java docker
什么是中间件？顾名思义，中间件就是处于中间的软件，处于操作系统、数据库等系统软件和应用软件之间的一种起连接作用。中间件是一种独立的系统软件平台，为网络应用软件提供综合的服务和完整的计算环境，借助这种软件使得网络应用能够实现集成，达到业务的协同，实现业务的灵活性。主要解决异构网络环境下分布式应用软件的互连与互操作问题，提供标准接口、协议，屏蔽实现细节，提高应用系统易移植性（北京大学梅宏）。常见的中间
深度学习中的梯度消失和梯度爆炸问题码上飞扬深度学习人工智能梯度消失梯度爆炸
在深度学习领域，随着模型层数的增加，我们常常会遇到两个棘手的问题：梯度消失（VanishingGradients）和梯度爆炸（ExplodingGradients）。这两个问题严重影响了深度神经网络的训练效率和性能。本文将详细介绍这两个问题，并通过实例帮助读者更好地理解。一、梯度消失问题梯度消失是深度学习中的一大难题，尤其在训练深度神经网络时显得尤为棘手。这一问题的本质在于，当我们在训练过程中通过
YOLOv8改进 | 主干篇 | YOLOv8引入MobileNetV4 小李学AI YOLOv8有效涨点专栏 YOLO 深度学习计算机视觉目标检测人工智能机器学习神经网络
1.MobileNetV4介绍1.1摘要：我们推出了最新一代的MobileNet，称为MobileNetV4(MNv4)，具有适用于移动设备的通用高效架构设计。在其核心，我们引入了通用倒瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）和新颖的额外深度（ExtraDW）变体。除了UIB之外，我们还推出了MobileMQA，这是一个专为移动加速
恐怖变态逻辑推理之二十五执拗的瓶子
这是多年前，网络初兴时，流传颇广的逻辑推理故事。据说，是美国FBI用来测试心理是否变态的试题。这个嘛，听听就行了，现在，在各种媒体、影视、网络文学的轰炸下，大家的见识都已成倍增长，对世界、人性等的看法也更丰富了。这些故事，有点感觉就像脑筋急转弯，就是那么意外，但细思下，又有那么点道理，不用多纠结，权当锻炼一下脑力，放松一下了。后面的题，越来越需要以点扩面的发挥想象力了，答案堪比小说。钥匙一名保险推
深入解析HarmonyOS Image组件的使用与优化神码兄弟 HarmonyOS学习开发语言 harmonyos
在现代移动应用开发中，图像处理是一个至关重要的部分。HarmonyOS提供了功能强大的图像组件，允许开发者从多种来源显示图像，如本地资源、网络资源、资源文件、媒体库和Base64图像编码。本篇博客将深入探讨如何接地使用图像组件，并高效涵盖一些实用的进阶技巧，如图像的缩放、插值、重复、渲染模式、解码大小以及滤镜效果。一、图像组件的基本使用1.从本地资源加载图像ImagemyImage=newImag
永远的“林妹妹” 艾冰台
在观看东京奥运会期间，8月6日，有一则消息给我们这代人带来悲伤和感慨。越剧名家王文娟过世，享年96岁。现在的小孩对她估计没什么印象，电视里网络上戏曲类节目很少很少，尤其是电视里，不夸张的说几乎没有。不像我小时候跟着大人去生产队的电视机房看电视，那时电视播放的戏曲节目很多，在上海来说犹以沪剧、越剧居多。偶尔也会有黄梅戏、锡剧等江浙地区的剧种演出。农闲的时候，生产队的打谷场上拉幕布放电影，也有传统戏曲
怎样兼职副业轻松实现每天500元收入（网络赚钱500一天的方法）多职猫
怎样兼职副业轻松实现每天500元收入（网络赚钱500一天的方法）而每天赚取500元的收入，对于许多人来说，是一个非常理想的兼职目标。那么，如何才能轻松实现这个目标呢？在本文中，我们将分享一些网络赚钱的方法，帮助你实现每天500元的收入。推荐一篇找兼职必看的免费教程：《手机兼职，300-500/天，一单一结，大量要人》，在这里可以找到各种日结兼职，打字录入兼职，游戏试玩等适合大家的岗位一、做任务赚钱
【网络安全】WordPress Uncontrolled Resource Consumption 秋说网络安全 web安全漏洞挖掘 wordpress
未经许可，不得转载。文章目录WordPresswp-cron.php实战漏洞危害解决措施WordPressWordPress是全球最广泛使用的内容管理系统（CMS），目前约有43%的网站依赖于它。由于其用户友好的界面和丰富的插件功能，WordPress成为了全球最受欢迎的CMS。然而，在使用WordPress的过程中，用户常常忽视一些潜在的配置问题，其中之一就是wp-cron.php文件的设置。w
C++学习笔记----5、重用之设计（四）---- 设计一个成功的抽象与SOLID原则王俊山IT 学习笔记 c++开发语言
1、设计一个成功的抽象经验与迭代对于好的抽象非常重要。真正好的设计的接口来自于经年的编写与使用其他的抽象。你也可以通过重要既存的、以标准设计模式形式存在的设计好的抽象来利用其他人的经年的编写与使用抽象。当你碰到其他的抽象，尝试记住什么起作用什么不起作用。在上周使用的Windows文件系统API有发现什么缺陷吗？如果你不使用同事的而要自己写网络包装器，会有什么不同吗？最好的接口鲜有一蹴而就，所以要保
怎么安全的一个人呆着 Shirleyang
现在宅文化越来越深入人心，大家都喜欢一个人呆着。所以我们在学习那么多的沟通技巧之后，反其道而行之，来看看有哪些办法可以让我们成为孤家寡人。一：不沟通沟通是做一切事情的基础，人与人之间的交往必须要有沟通，那我们为了成为孤家寡人，那当然就是不沟通。收到信息了不回复，电话不接，网络上不露面。二：随意传播也许我们还有几个忠实的朋友，那么我们就去散播他们的隐私，去说一下他们的坏话，在我们共有的朋友那里多多的
【编程底层思考】多线程编程中哪些行为和操作会导致线程让出cpu Dylanioucn java jvm 开发语言
在多线程编程中，线程可能会因为多种原因让出CPU。以下是一些常见的情况：1.时间片耗尽：在大多数操作系统中，CPU时间是被分配给线程的，每个线程在一定时间后必须让出CPU，以便其他线程可以运行。2.I/O操作：当线程执行I/O操作（如读取文件、网络通信等）时，它可能会被挂起，直到I/O操作完成。在等待期间，线程会释放CPU。3.线程阻塞：线程可能会调用某些会阻塞的操作，如wait()、sleep(
CBK-D4-通信与网络安全、访问控制.md 青葱味奶糖 CISSP 网络安全访问控制 cissp 通信与网络安全访问控制
CBK-D4-通信与网络安全、访问控制安全网络架构和组件OSI模型–20世纪70年代开发出来，1984年正式作为ISO标准7498发布应用层、表示层、会话层、传输层、网络层、数据链路层、物理层。应表会传网数物封装和解封，数据从物理层到应用层向上移动时被称为解封，向下移动被称为封装。对等层通信，应表会层是PDU，协议数据单元。传输层是TCP/UDP,段或数据报。网络层是数据包，数据链路层是帧，物理层
解决 JS WebSocket 心跳检测重连二川bro 前端 JS javascript websocket
解决JSWebSocket心跳检测重连文章目录解决JSWebSocket心跳检测重连一、WebSocket心跳检测的作用二、心跳检测的处理方案1.创建WebSocket连接2.心跳参数设置3.心跳检测逻辑4.心跳包响应处理5.断线重连机制三、总结一、WebSocket心跳检测的作用WebSocket是一种在单个TCP连接上进行全双工通讯的协议。然而，由于网络条件、防火墙设置或服务器配置等因素，We
计算机网络端口码龄4年审核中计算机网络网络
应用在通信过程中是通过端口来识别发送交付的。那么通信的一方是怎么知道对方的应用进程的端口号呢？2017年12月25日，星期一，简单点说这些信息都被封装在ip包内，我个人觉得你现在不太明白的地方是不太清楚数据包在传递过程中，每一跳hop对数据包的操作，首先，你要知道，我们现在使用最广泛的非iso的网络标准是TCP/IP，从下到上分为：物理层数据链路层网络层传输层应用层在最底层也就是第一层中，数据是以
探索安全的边界：深入解析CVE-2023-7028——GitLab账户接管漏洞邹澜鹤Gardener
探索安全的边界：深入解析CVE-2023-7028——GitLab账户接管漏洞在网络安全的最前沿，总有那么一些发现让整个社区为之一震。今天，我们将聚焦于一个引人注目的安全漏洞——CVE-2023-7028，这是一个针对GitLab平台的账户接管（AccountTake-Over）漏洞。本文旨在通过深入浅出的技术分析和场景探讨，为您提供对这一重要安全问题的理解，并非鼓励任何非法操作，而是增强我们对于
不管世界有多大，都不如有人等着你回家胭脂鳕
又是一年岁末，你是否已经踏上归家的列车。还是已经到达了那个你魂牵梦绕的家乡，吃上了父母为你精心准备的家乡菜。图片来源于网络每一年临近春节十分，都是倍加思乡的时候。人们都说，现在生活的节奏快了，年味淡了。的确，大城市的快节奏生活，让我们只记得奔忙只记得努力，已经忘了停下脚步，慢慢的去感受一下年味儿。还有几天就过春节了，街上已经有了明显的年味儿。各商家已经摆出了满满的年货。吃的，喝的用的。只有你想不到
【论文阅读|cryoET】本周粗读汇总吃吃今天努力学习了吗冷冻电镜三维重建论文阅读
论文1：CryoDRGN-ET：深度重建生成网络以可视化细胞内动态生物分子Abstract虽然冷冻电子断层扫描可以以分子分辨率揭示结构，但图像处理算法仍然是解决原位生物分子结构异质性的瓶颈。本文介绍CryoDRGN-ET用于cryoET断层图的异质重建。CryoDRGN-ET直接从子断层扫描倾斜系列图像中学习三维密度图的深度生成模型，并且可以捕获成分和构象不同的状态。通过原位恢复肺炎支原体核糖体中
面对DDoS攻击只能被动接受？防御DDoS新思路你该看一看 Hik__c484
近年来DDoS攻击频频发生，很多企业都不知如何防御DDoS攻击，同时基于DDoS攻击的勒索事件也在上演，攻击者要求企业支付勒索金额以免受攻击。至此，DDoS攻击的危害已从使网络瘫痪造成业务损失，演变成了赤裸裸的金钱勒索，只能选择被动接受。一直以来，安全的核心问题都是攻防双方的成本博弈。DDoS攻击是一种实施成本较低且技术手段最为容易的恶意攻击方式，近年来，DDoS/CC攻击在激烈商业竞争的推动下，
如何开发针对不平衡分类的成本敏感神经网络 python 背包客研究不平衡学习分类神经网络 python
如何开发针对不平衡分类的成本敏感神经网络深度学习神经网络是一类灵活的机器学习算法，可以在各种问题上表现良好。神经网络使用误差反向传播算法进行训练，该算法涉及计算模型在训练数据集上产生的误差，并根据这些误差的比例更新模型权重。这种训练方法的局限性在于，每个类别的示例都被视为相同，对于不平衡的数据集，这意味着模型对一个类别的适应性要强得多，而对另一个类别的适应性则弱得多。反向传播算法可以更新，以根据类
菩萨蛮•元宵 tulipjia
图片来自网络元宵最是黄昏好，银花火树情难了。月上柳梢头，人约花灯楼。雪消梅落处，又见春风渡。明月洒清辉，游人灯宴归。
江苏BGP大带宽服务器所适用的业务有哪些？ wanhengwangluo 服务器运维机房
随着网络业务的快速发展，企业对于服务器的性能与网络质量有着很高的要求，而江苏BGP大带宽服务器则有着优质的网络资源和高性能的服务器硬件配置，是大部分企业的理想选择，本文就来介绍一下江苏BGP大带宽服务器都适用于哪些业务。江苏BGP大带宽服务器能够适用于在线教育平台当中，可以为平台提供稳定可靠的数据传输和处理大量的音频与视频，支持多个用户同时在线学习，确保师生之间的互动顺畅无阻，并且可以保证教育课程
人工智能在网络安全领域的应用探索亿林数据人工智能 web安全安全网络安全
随着网络技术的飞速发展，网络安全问题日益凸显，成为制约数字化进程的重要瓶颈。人工智能（AI）作为一种变革性技术，正逐步在网络安全领域展现出其巨大的潜力和价值。本文旨在探讨人工智能在网络安全领域的应用现状、优势、挑战及未来发展趋势。一、人工智能在网络安全中的应用现状威胁检测与响应人工智能通过机器学习算法，能够自动识别网络中的异常行为，如未经授权的访问、恶意软件传播等。传统的安全系统依赖于静态规则和签
PXE 高效批量网络装机爱笑的文化网络
文章目录部署PXE远程安装服务搭建PXE远程安装服务器验证PXE网络安装部署PXE远程安装服务络装机方法，并结合Kickstart配置实现无人值守自动安装。上述服务器的批量部署方法，具备以下三个优点：规模化：同时装配多台服务器；自动化：安装系统、配置各种服务；远程实现：不需要光盘、U盘等安装介质。PXE是由Intel公司开发的网络引导技术，工作在Client/Server模式，允许客户机通过网络从
Firewalld 防火墙基础爱笑的文化服务器 linux 网络
Firewalld概述firewalld提供了支持网络区域所定义的网络链接以及接口安全等级的动态防火墙管理工具.支持IPv4、IPv6防火墙设置以及以太网桥，并且拥有两种配置模式:运行时配置与永久配置,支持服务或应用程序直接添加防火墙规则接口firewalld和iptables的关系firewald自身并不具备防火墙的功能，而是和iptables一样需要通过内核的netfilter来实现firew
时间旅行者：LSTM算法的奥秘大揭秘！风清扬雨 lstm 算法人工智能
Hey小伙伴们，今天给大家带来一个超级有趣的主题——LSTM算法的基本结构和公式推导！项目背景你知道吗？在时间序列预测中，传统的神经网络很难处理长距离的依赖关系。但是，有一种神奇的神经网络叫做LSTM（LongShort-TermMemory），它就像是时间旅行者一样，可以记住很久以前的信息！时间旅行听起来很酷吧？那我们就来一起探索一下LSTM的世界吧！原理解析1️⃣什么是LSTM？LSTM是一种
2024网络安全学习路线非常详细推荐学习白帽黑客-晨哥 web安全学习安全数据库 php
关键词：网络安全入门、渗透测试学习、零基础学安全、网络安全学习路线首先咱们聊聊，学习网络安全方向通常会有哪些问题1、打基础时间太长学基础花费很长时间，光语言都有几门，有些人会倒在学习linux系统及命令的路上，更多的人会倒在学习语言上；2、知识点掌握程度不清楚对于网络安全基础内容，很多人不清楚需要学到什么程度，囫囵吞枣，导致在基础上花费太多时间；看到很多小伙伴，买了HTML，PHP，数据库，计算机
网络安全总结① 无泡汽水网络面试网络安全
上一篇：网络工程面试题②下一篇：网络安全总结②信息安全信息安全的定义防止任何对数据进行未授权访问的措施，或者防止造成信息有意无意泄漏、破坏、丢失等问题的发生，让数据处于远离危险、免于威胁的状态或特性。信息安全的脆弱性协议栈自身的脆弱性缺乏数据源验证机制，缺乏完整性验证机制，缺乏机密性保障机制（可以抓包）操作系统的自身漏洞人为：在程序编写过程中，为实现不可告人的目的，在程序代码的隐藏处保留后门硬件：
Spring4.1新特性——综述 jinnianshilongnian spring 4.1
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
Schema与数据类型优化 annan211 数据结构 mysql
目前商城的数据库设计真是一塌糊涂，表堆叠让人不忍直视，无脑的架构师，说了也不听。在数据库设计之初，就应该仔细揣摩可能会有哪些查询，有没有更复杂的查询，而不是仅仅突出很表面的业务需求，这样做会让你的数据库性能成倍提高，当然，丑陋的架构师是不会这样去考虑问题的。选择优化的数据类型 1 更小的通常更好更小的数据类型通常更快，因为他们占用更少的磁盘、内存和cpu缓存，
第一节 HTML概要学习 chenke html Web css
第一节 HTML概要学习 1. 什么是HTML HTML是英文Hyper Text Mark-up Language(超文本标记语言)的缩写，它规定了自己的语法规则，用来表示比“文本”更丰富的意义，比如图片，表格，链接等。浏览器（IE,FireFox等）软件知道HTML语言的语法，可以用来查看HTML文档。目前互联网上的绝大部分网页都是使用HTML编写的。打开记事本输入一下内
MyEclipse里部分习惯的更改 Array_06 eclipse
继续补充中---------------------- 1.更改自己合适快捷键windows-->prefences-->java-->editor-->Content Assist--> Activation triggers for java的右侧“.”就可以改变常用的快捷键选中 Text
近一个月的面试总结 cugfy 面试
本文是在学习中的总结，欢迎转载但请注明出处：http://blog.csdn.net/pistolove/article/details/46753275 前言打算换个工作，近一个月面试了不少的公司，下面将一些面试经验和思考分享给大家。另外校招也快要开始了，为在校的学生提供一些经验供参考，希望都能找到满意的工作。
HTML5一个小迷宫游戏 357029540 html5
通过《HTML5游戏开发》摘抄了一个小迷宫游戏，感觉还不错，可以画画，写字，把摘抄的代码放上来分享下，喜欢的同学可以拿来玩玩！ <html> <head> <title>创建运行迷宫</title> <script type="text/javascript"
10步教你上传githib数据张亚雄 git
官方的教学还有其他博客里教的都是给懂的人说得，对已我们这样对我大菜鸟只能这么来锻炼，下面先不玩什么深奥的，先暂时用着10步干净利索。等玩顺溜了再用其他的方法。操作过程（查看本目录下有哪些文件NO.1）ls （跳转到子目录NO.2）cd+空格+目录（继续NO.3）ls （匹配到子目录NO.4）cd+ 目录首写字母+tab键+（首写字母“直到你所用文件根就不再按TAB键了”）（查看文件
MongoDB常用操作命令大全 adminjun mongodb 操作命令
成功启动MongoDB后，再打开一个命令行窗口输入mongo，就可以进行数据库的一些操作。输入help可以看到基本操作命令，只是MongoDB没有创建数据库的命令，但有类似的命令如：如果你想创建一个“myTest”的数据库，先运行use myTest命令，之后就做一些操作（如：db.createCollection('user')）,这样就可以创建一个名叫“myTest”的数据库。一
bat调用jar包并传入多个参数 aijuans
下面的主程序是通过eclipse写的： 1.在Main函数接收bat文件传递的参数（String[] args）如： String ip =args[0]; String user=args[1]; &nbs
Java中对类的主动引用和被动引用 ayaoxinchao java 主动引用对类的引用被动引用类初始化
在Java代码中，有些类看上去初始化了，但其实没有。例如定义一定长度某一类型的数组，看上去数组中所有的元素已经被初始化，实际上一个都没有。对于类的初始化，虚拟机规范严格规定了只有对该类进行主动引用时，才会触发。而除此之外的所有引用方式称之为对类的被动引用，不会触发类的初始化。虚拟机规范严格地规定了有且仅有四种情况是对类的主动引用，即必须立即对类进行初始化。四种情况如下：1.遇到ne
导出数据库提示 outfile disabled BigBird2012 mysql
在windows控制台下，登陆mysql，备份数据库： mysql>mysqldump -u root -p test test > D:\test.sql 使用命令 mysqldump 格式如下： mysqldump -u root -p *** DBNAME > E:\\test.sql。注意：执行该命令的时候不要进入mysql的控制台再使用，这样会报
Javascript 中的 && 和 || bijian1013 JavaScript &&||
准备两个对象用于下面的讨论 var alice = { name: "alice", toString: function () { return this.name; } } var smith = { name: "smith",
[Zookeeper学习笔记之四]Zookeeper Client Library会话重建 bit1129 zookeeper
为了说明问题，先来看个简单的示例代码： package com.tom.zookeeper.book; import com.tom.Host; import org.apache.zookeeper.WatchedEvent; import org.apache.zookeeper.ZooKeeper; import org.apache.zookeeper.Wat
【Scala十一】Scala核心五：case模式匹配 bit1129 scala
package spark.examples.scala.grammars.caseclasses object CaseClass_Test00 { def simpleMatch(arg: Any) = arg match { case v: Int => "This is an Int" case v: (Int, String)
运维的一些面试题 yuxianhua linux
1、Linux挂载Winodws共享文件夹 mount -t cifs //1.1.1.254/ok /var/tmp/share/ -o username=administrator,password=yourpass 或 mount -t cifs -o username=xxx,password=xxxx //1.1.1.1/a /win
Java lang包-Boolean BrokenDreams boolean
Boolean类是Java中基本类型boolean的包装类。这个类比较简单，直接看源代码吧。 public final class Boolean implements java.io.Serializable,
读《研磨设计模式》-代码笔记-命令模式-Command bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.List; /** * GOF 在《设计模式》一书中阐述命令模式的意图：“将一个请求封装
matlab下GPU编程笔记 cherishLC matlab
不多说，直接上代码 gpuDevice % 查看系统中的gpu,,其中的DeviceSupported会给出matlab支持的GPU个数。 g=gpuDevice(1); %会清空 GPU 1中的所有数据,,将GPU1 设为当前GPU reset(g) %也可以清空GPU中数据。 a=1; a=gpuArray(a); %将a从CPU移到GPU中 onGP
SVN安装过程 crabdave SVN
SVN安装过程 subversion-1.6.12 ./configure --prefix=/usr/local/subversion --with-apxs=/usr/local/apache2/bin/apxs --with-apr=/usr/local/apr --with-apr-util=/usr/local/apr --with-openssl=/
sql　行列转换 daizj sql 行列转换行转列列转行
行转列的思想是通过case when 来实现列转行的思想是通过union all 来实现下面具体例子：假设有张学生成绩表(tb)如下: Name Subject Result 张三语文　　74 张三数学　　83 张三物理　　93 李四语文　　74 李四数学　　84 李四物理　　94 */ /* 想变成姓名 &
MySQL--主从配置 dcj3sjt126com mysql
linux下的mysql主从配置：说明：由于MySQL不同版本之间的(二进制日志)binlog格式可能会不一样，因此最好的搭配组合是Master的MySQL版本和Slave的版本相同或者更低， Master的版本肯定不能高于Slave版本。（版本向下兼容） mysql1 : 192.168.100.1 //master mysq
关于yii 数据库添加新字段之后model类的修改 dcj3sjt126com Model
rules: array('新字段','safe','on'=>'search') 1、array('新字段', 'safe')//这个如果是要用户输入的话，要加一下， 2、array('新字段', 'numerical'),//如果是数字的话 3、array('新字段', 'length', 'max'=>100),//如果是文本 1、2、3适当的最少要加一条，新字段才会被
sublime text3 中文乱码解决 dyy_gusi Sublime Text
sublime text3中文乱码解决原因：缺少转换为UTF-8的插件目的：安装ConvertToUTF8插件包第一步：安装能自动安装插件的插件，百度“Codecs33”，然后按照步骤可以得到以下一段代码： import urllib.request,os,hashlib; h = 'eb2297e1a458f27d836c04bb0cbaf282' + 'd0e7a30980927
概念了解：CGI，FastCGI，PHP-CGI与PHP-FPM geeksun PHP
CGI CGI全称是“公共网关接口”(Common Gateway Interface)，HTTP服务器与你的或其它机器上的程序进行“交谈”的一种工具，其程序须运行在网络服务器上。 CGI可以用任何一种语言编写，只要这种语言具有标准输入、输出和环境变量。如php,perl,tcl等。 FastCGI FastCGI像是一个常驻(long-live)型的CGI，它可以一直执行着，只要激活后，不
Git push 报错 "error: failed to push some refs to " 解决 hongtoushizi git
Git push 报错 "error: failed to push some refs to " . 此问题出现的原因是：由于远程仓库中代码版本与本地不一致冲突导致的。由于我在第一次git pull --rebase 代码后，准备push的时候，有别人往线上又提交了代码。所以出现此问题。解决方案： 1： git pull 2：
第四章 Lua模块开发 jinnianshilongnian nginx lua
在实际开发中，不可能把所有代码写到一个大而全的lua文件中，需要进行分模块开发；而且模块化是高性能Lua应用的关键。使用require第一次导入模块后，所有Nginx 进程全局共享模块的数据和代码，每个Worker进程需要时会得到此模块的一个副本（Copy-On-Write），即模块可以认为是每Worker进程共享而不是每Nginx Server共享；另外注意之前我们使用init_by_lua中初
java.lang.reflect.Proxy liyonghui160com
1.简介 Proxy 提供用于创建动态代理类和实例的静态方法（1）动态代理类的属性代理类是公共的、最终的，而不是抽象的未指定代理类的非限定名称。但是，以字符串 "$Proxy" 开头的类名空间应该为代理类保留代理类扩展 java.lang.reflect.Proxy 代理类会按同一顺序准确地实现其创建时指定的接口
Java中getResourceAsStream的用法 pda158 java
1.Java中的getResourceAsStream有以下几种： 1. Class.getResourceAsStream(String path) ： path 不以’/'开头时默认是从此类所在的包下取资源，以’/'开头则是从ClassPath根下获取。其只是通过path构造一个绝对路径，最终还是由ClassLoader获取资源。　　2. Class.getClassLoader.get
spring 包官方下载地址（非maven） sinnk spring
SPRING官方网站改版后，建议都是通过 Maven和Gradle下载，对不使用Maven和Gradle开发项目的，下载就非常麻烦，下给出Spring Framework jar官方直接下载路径: http://repo.springsource.org/libs-release-local/org/springframework/spring/ s
Oracle学习笔记(7) 开发PLSQL子程序和包 vipbooks oracle sql 编程
哈哈，清明节放假回去了一下，真是太好了，回家的感觉真好啊！现在又开始出差之旅了，又好久没有来了，今天继续Oracle的学习！这是第七章的学习笔记，学习完第六章的动态SQL之后，开始要学习子程序和包的使用了……，希望大家能多给俺一些支持啊！编程时使用的工具是PLSQL

ResNet之三——参数调整及网络构建的理解

你可能感兴趣的:(speechdnn,ResNet,keras,网络)