南部_小城

YOLOv3代码详解之网络架构详解

        下面将对YOLOv3的网络架构进行详细的解析，通过使用tensorflow2.0来搭建整个YOLOv3的网络，为了看的更加清楚，这里并没有使用函数，而是一步一步的构建，对照着YOLOv3网络架构的图片，可以更加清楚的看清整个YOLOv3的网络。
        DarkNet-53：

        YOLOv3：

        Tensorflow2.0代码：

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, Add, ZeroPadding2D, BatchNormalization, Input, UpSampling2D, Concatenate
from tensorflow.keras.layers import LeakyReLU
from tensorflow.keras.regularizers import l2

# 输入
input = Input((416, 416, 3))

#-------------------------------
#   主干特征提取网络DarkNet-53
#-------------------------------

# 单次卷积
# x = DarknetConv2D_BN_Leaky(32, (3, 3))(x)
x = Conv2D(filters=32, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(input)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

#------------------------------
# x = resblock_body(x, 64, 1)
#------------------------------
x = ZeroPadding2D(((1, 0), (1, 0)))(x)
x = Conv2D(filters=64, kernel_size=(3, 3), strides=(2, 2), padding="valid", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 重复1次
y = Conv2D(filters=64//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=64, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

#------------------------------
# x = resblock_body(x, 128, 2)
#------------------------------
x = ZeroPadding2D(((1, 0), (1, 0)))(x)
x = Conv2D(filters=128, kernel_size=(3, 3), strides=(2, 2), padding="valid", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 重复2次
y = Conv2D(filters=128//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=128, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=128//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=128, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

#--------------------------------
# x = resblock_body(x, 256, 8)
#--------------------------------
x = ZeroPadding2D(((1, 0), (1, 0)))(x)
x = Conv2D(filters=256, kernel_size=(3, 3), strides=(2, 2), padding="valid", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 重复8次
y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=256//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=256, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

#-----------------------
#  DarkNet-53的第一个输出层
#-----------------------
feat1 = x

#-------------------------------
# x = resblock_body(x, 512, 8)
#-------------------------------
x = ZeroPadding2D(((1, 0), (1, 0)))(x)
x = Conv2D(filters=512, kernel_size=(3, 3), strides=(2, 2), padding="valid", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 重复8次
y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=512//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=512, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

#-----------------------
#  DarkNet-53的第二个输出层
#-----------------------
feat2 = x

#--------------------------------
# x = resblock_body(x, 1024, 4)
#--------------------------------
x = ZeroPadding2D(((1, 0), (1, 0)))(x)
x = Conv2D(filters=1024, kernel_size=(3, 3), strides=(2, 2), padding="valid", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)
# 重复4次
y = Conv2D(filters=1024//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=1024, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=1024//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=1024, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=1024//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=1024, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

y = Conv2D(filters=1024//2, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
y = Conv2D(filters=1024, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)
x = Add()([x, y])

#-----------------------
#  DarkNet-53的第三个输出层
#-----------------------
feat3 = x

# # 打印三个有效特征层
# # feat1:(None, 52, 52, 256)、feat2:(None, 26, 26, 512)、feat3:(None, 13, 13, 1024)
# model = tf.keras.Model(inputs=input, outputs=[feat1, feat2, feat3])
# print(model.summary())
# print(feat1, feat2, feat3)

#-----------------------
#  产生YOLOv3的三个有效特征层
#-----------------------

#-----------------------
#  YOLOv3的第一个有效特征层
#-----------------------
# 五次卷积
x = Conv2D(filters=512, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(feat3)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=512*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=512, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=512*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=512, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

# 调整最后的通道数
y = Conv2D(filters=512*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)

# 3*(20+5):3表示每个网格当中有3个anchor box、20表示每个anchor box预测20个类别概率、5表示每个anchor box预测4个位置信息和一个置信度
y = Conv2D(filters=3*(20+5), kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y1 = LeakyReLU(alpha=0.1)(y)

#-----------------------
#  YOLOv3的第二个有效特征层
#-----------------------
# 卷积
x = Conv2D(filters=256, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

# 上采样
x = UpSampling2D(2)(x)

# 拼接
x = Concatenate()([x, feat2])

# 五次卷积
x = Conv2D(filters=256, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=256*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=256, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=256*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=256, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

# 调整最后的通道数
y = Conv2D(filters=256*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)

# 3*(20+5):3表示每个网格当中有3个anchor box、20表示每个anchor box预测20个类别概率、5表示每个anchor box预测4个位置信息和一个置信度
y = Conv2D(filters=3*(20+5), kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y2 = LeakyReLU(alpha=0.1)(y)

#-----------------------
#  YOLOv3的第三个有效特征层
#-----------------------
# 卷积
x = Conv2D(filters=128, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

# 上采样
# 输入:(batch_size, rows, cols, channels)
# 输出:(batch_size, rows*2, cols*2, channels)
# 默认使用最近邻插值(也可以选择线性插值)
x = UpSampling2D(2)(x)

# 拼接
x = Concatenate()([x, feat1])

# 五次卷积
x = Conv2D(filters=128, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=128*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=128, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=128*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

x = Conv2D(filters=128, kernel_size=(1, 1), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
x = BatchNormalization()(x)
x = LeakyReLU(alpha=0.1)(x)

# 调整最后的通道数
y = Conv2D(filters=128*2, kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(x)
y = BatchNormalization()(y)
y = LeakyReLU(alpha=0.1)(y)

# 3*(20+5):3表示每个网格当中有3个anchor box、20表示每个anchor box预测20个类别概率、5表示每个anchor box预测4个位置信息和一个置信度
y = Conv2D(filters=3*(20+5), kernel_size=(3, 3), strides=(1, 1), padding="same", use_bias=False, kernel_regularizer=l2(5e-4))(y)
y = BatchNormalization()(y)
y3 = LeakyReLU(alpha=0.1)(y)

# 打印三个有效特征层
# y1:(None, 13, 13, 75)、y2:(None, 26, 26, 75)、y3:(None, 52, 52, 75)
model = tf.keras.Model(inputs=input, outputs=[y1, y2, y3])
print(model.summary())
print(y1, y2, y3)

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
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
2023-04-17|篮球女孩长一木
1小学抑或初中阶段，在课外书了解到她的故事。“篮球女孩”。当时佩服她的顽强，也对生命多了一丝敬畏。今天刚好在公众号看到，长大后的“篮球女孩”。佩服之余又满是心疼。网络侵删祝那素未蒙面的女孩，未来一切顺遂。
在一台Ubuntu计算机上构建Hyperledger Fabric网络落叶无声9 区块链超级账本 Hyperledger fabric 区块链 ubuntu 构建 hyperledger fabric
在一台Ubuntu计算机上构建HyperledgerFabric网络Hyperledgerfabric是一个开源的区块链应用程序平台，为开发基于区块链的应用程序提供了一个起点。当我们提到HyperledgerFabric网络时，我们指的是使用HyperledgerFabric的正在运行的系统。即使只使用最少数量的组件，部署Fabric网络也不是一件容易的事。Fabric社区创建了一个名为Cello
【华为OD技术面试真题 - 技术面】-测试八股文真题题库（1）算法大师华为od 面试 python 算法前端
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.黑盒测试和白盒测试的区别2.假设我们公司现在开发一个类似于微信的软件1.0版本，现在要你测试这个功能：打开聊天窗口，输入文本，限制字数在200字以内。问你怎么提取测试点。功能测试性能测试安全性测试可用性测试跨平台兼容性测试网络环境测试3.接口测试的工具你了解哪些
《在战“疫”中成长致敬生活》观后感梅子刘的刀
（作者：周晨）今天上午，我看了“我是接班人”网络大课堂《在战役中成长致敬生活》。有很多人拿出自己攒下的钱，默默地捐给了武汉，有几千块钱的、有几万块钱的，也有十几万块钱的。连小朋友也把自己的压岁钱捐给了武汉。有名环卫工人把自己五年的积蓄全部捐给了武汉。有名外卖小哥为医护人员买鞋子送吃的。还有已经治愈出院的新型肺炎病人捐了400毫升的血浆。还有位叫大树的叔叔，虽然他没有钱，但是他地里有蔬菜，捐了几大卡
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
中原焦点团队网络初中级30期阴丽丽坚持分享第三百八十八次2022.10.18分享约练次数（74）咨询师（6）来访者（53）观察者（15）阴丽丽
今天是忙碌的一天，一早起来，总想着找点把事情弄完，可总也弄不完。就这样弄着吧！孩子的事，自己的事都在那里搁置着，不想做，有点欧！今天总体还不错，只是在下午起床时走神了俩小时，也算是给自己的放松吧！今日难得1.儿子乖巧、听话，努力配合，一天下来也是忙忙碌碌，这真的很难得！2.儿子今天录的视频被班主任认可，这真的很难得3.我今天早上做核酸时，自己把教案整了一下，这真的很难得
网络编程基础记得开心一点啊网络
目录♫什么是网络编程♫Socket套接字♪什么是Socket套接字♪数据报套接字♪流套接字♫数据报套接字通信模型♪数据报套接字通讯模型♪DatagramSocket♪DatagramPacket♪实现UDP的服务端代码♪实现UDP的客户端代码♫流套接字通信模型♪流套接字通讯模型♪ServerSocket♪Socket♪实现TCP的服务端代码♪实现TCP的客户端代码♫什么是网络编程网络编程，指网络上
多子女家庭问题 3e5c5362403c
杨宁宁焦点解决网络初17中19坚持分享589天（2021.3.20）本周约练我1次，总计166次，读书打卡第256天案例督导收获：【家有老大篇】被爱与高期待下的独舞家里的第一个孩子往往集万千宠爱于一身。爸爸妈妈、爷爷奶奶、姥姥姥爷的目光都聚焦在他的身上。在这种光环下长大的孩子，就如小皇帝一般，衣来伸手、饭来张口。拥有爱的同时，也意味着拥有了更高的被期待，父母会花血本给你报各种各样的早教班，给你买各
父母教育孩子的方式，将影响孩子一生树英教育
为什么有些孩子总是充满自信与快乐？独立、有主见又坚强？而有些孩子却自卑、胆怯，软弱又过度依赖父母？为什么有些孩子总是健康、阳光又富于创造力？而有些孩子却悲观、孤僻又思想空乏？一个孩子的行为取决于孩子的思想，思想取决于环境和自己的认知，认知取决于教育。父母是孩子人生中的第一位教育者，父母养育孩子的方式，将决定他们人生的高度，影响他们的一生。网络图，侵权即删优秀的父母就像园丁，既要浇水施肥，又要修剪杂
2024.9.6 Python，华为笔试题总结，字符串格式化，字符串操作，广度优先搜索解决公司组织绩效互评问题，无向图 RaidenQ python 华为 leetcode 算法力扣广度优先无向图
1.字符串格式化name="Alice"age=30formatted_string="Name:{},Age:{}".format(name,age)print(formatted_string)或者name="Alice"age=30formatted_string=f"Name:{name},Age:{age}"print(formatted_string)2.网络健康检查第一行有两个整数m
戴容容中原焦点团队.网络初级第33期,坚持分享第19天 2022年3月9日 TessDai
《每个人眼中的世界都是不同的》“一千个人眼里有一千个哈姆雷特”世界是多元的,每个人都有自己的道理,人人按照自己的理解去看待这个世界的人和物.我们如此,其他人也是如此.因此,任何事情,我们要放下自己以为的真理,去理解他人认为的真理,只有同频方能共振.孩子在慢慢长大的过程中慢慢学会独立,甚至对抗.尤其当孩子处于青春期的时候,他们开始有很多自己独立的想法,和一些特立独行的做法,家长常常会觉得不可思议,觉
第1步win10宿主机与虚拟机通过NAT共享上网互通学习3人组大数据大数据
VM的CentOS采用NAT共用宿主机网卡宿主机器无法连接到虚拟CentOS要实现宿主机与虚拟机通信，原理就是给宿主机的网卡配置一个与虚拟机网关相同网段的IP地址，实现可以互通。1、查看虚拟机的IP地址2、编辑虚拟机的虚拟网络的NAT和DHCP的配置，设置虚拟机的网卡选择NAT共享模式3、宿主机的IP配置，确保vnet8的IPV4属性与虚拟机在同一网段4、ping测试连通性[root@localh
网络通信流程记得开心一点啊服务器网络运维
目录♫IP地址♫子网掩码♫MAC地址♫相关设备♫ARP寻址♫网络通信流程♫IP地址我们已经知道IP地址由网络号+主机号组成，根据IP地址的不同可以有5钟划分网络号和主机号的方案：其中，各类地址的表示范围是：分类范围适用网络网络数量主机最大连接数A类0.0.0.0~127.255.255.255大型网络12616777214【(2^24)-2】B类128.0.0.0~191.255.255.255中
Java爬虫框架（一）--架构设计狼图腾-狼之传说 java 框架 java 任务 html解析器存储电子商务
一、架构图那里搜网络爬虫框架主要针对电子商务网站进行数据爬取，分析，存储，索引。爬虫：爬虫负责爬取，解析，处理电子商务网站的网页的内容数据库：存储商品信息索引：商品的全文搜索索引Task队列：需要爬取的网页列表Visited表：已经爬取过的网页列表爬虫监控平台：web平台可以启动，停止爬虫，管理爬虫，task队列，visited表。二、爬虫1.流程1)Scheduler启动爬虫器，TaskMast
计算机木马详细编写思路小熊同学哦 php 开发语言木马木马思路
导语：计算机木马（ComputerTrojan）是一种恶意软件，通过欺骗用户从而获取系统控制权限，给黑客打开系统后门的一种手段。虽然木马的存在给用户和系统带来严重的安全风险，但是了解它的工作原理与编写思路，对于我们提高防范意识、构建更健壮的网络安全体系具有重要意义。本篇博客将深入剖析计算机木马的详细编写思路，以及如何复杂化挑战，以期提高读者对计算机木马的认识和对抗能力。计算机木马的基本原理计算机木
Mongodb Error: queryTxt ETIMEOUT xxxx.wwwdz.mongodb.net 佛一脚 error react mongodb 数据库
背景每天都能遇到奇怪的问题，做个记录，以便有缘人能得到帮助！换了一台电脑开发nextjs程序。需要连接mongodb数据，对数据进行增删改查。上一台电脑好好的程序，新电脑死活连不上mongodb数据库。同一套代码，没任何修改，搞得我怀疑人生了，打开浏览器进入mongodb官网毫无问题，也能进入线上系统查看数据，网络应该是没问题。于是我尝试了一下手机热点，这次代码能正常跑起来，连接数据库了！！！是不
高考后该不该给孩子买电脑，什么情况能买？什么情况不能买？寻求改变
我知道家长们很担心，怕买了电脑小孩沉迷游戏，耽误了学业，也不利于身体健康。对于准大学生来说，基本上在18岁左右，也不算小了，但在很多父母眼里，依旧是个小孩子。数据显示，这种情况是有发生的，大学生约70%的电脑主要被用于玩网络游戏，如果没有养成一个用良好的习惯，对孩子影响是非常大的。我总结为三买，三不买。最近有看到群里很多家长再问，小孩上大学该不该给他买电脑，要买和不买两种观点的家长都有，那么哪种情
ESP32-C3入门教程网络篇⑩——基于esp_https_ota和MQTT实现开机主动升级和被动触发升级的OTA功能小康师兄 ESP32-C3入门教程 https 服务器 esp32 OTA MQTT
文章目录一、前言二、软件流程三、部分源码四、运行演示一、前言本文基于VSCodeIDE进行编程、编译、下载、运行等操作基础入门章节请查阅：ESP32-C3入门教程基础篇①——基于VSCode构建HelloWorld教程目录大纲请查阅：ESP32-C3入门教程——导读ESP32-C3入门教程网络篇⑨——基于esp_https_ota实现史上最简单的ESP32OTA远程固件升级功能二、软件流程
中国广电永久9元流量套餐！性价比最高流量卡套餐介绍！优惠攻略官
中国广电是中国最大的传媒集团之一，其推出的流量套餐备受消费者青睐。中国广电最实惠的流量套餐不仅价格亲民，而且提供了优质的网络体验。首先，中国广电的流量套餐价格实惠，适合不同消费者的需求。无论是短期的日租卡还是长期有效的月租卡，用户都可以根据自己的实际情况选择适合自己的套餐。而且，流量的价格相对于其他运营商的套餐来说更加合理，给用户提供了更大的选择空间。☞大流量卡套餐「→点这免费申请办理」或者截图扫
WebMagic：强大的Java爬虫框架解析与实战 Aaron_945 Java java 爬虫开发语言
文章目录引言官网链接WebMagic原理概述基础使用1.添加依赖2.编写PageProcessor高级使用1.自定义Pipeline2.分布式抓取优点结论引言在大数据时代，网络爬虫作为数据收集的重要工具，扮演着不可或缺的角色。Java作为一门广泛使用的编程语言，在爬虫开发领域也有其独特的优势。WebMagic是一个开源的Java爬虫框架，它提供了简单灵活的API，支持多线程、分布式抓取，以及丰富的
4 大低成本娱乐方式: 小说, 音乐, 视频, 电子游戏穷人小水滴娱乐音视频低成本小说游戏
穷人如何获得快乐?小说,音乐,视频,游戏,本文简单盘点一下这4大低成本(安全)娱乐方式.这里是穷人小水滴,专注于穷人友好型低成本技术.(本文为58号作品.)目录1娱乐方式1.1小说(网络小说)1.2音乐1.3视频(b站)1.4游戏(电子游戏/计算机软件)2低成本:一只手机即可3总结与展望1娱乐方式这几种,也可以说是艺术的具体形式.更专业的说,(娱乐)是劳动力再生产的重要组成部分.使人放松,获得快乐
00. 这里整理了最全的爬虫框架（Java + Python）有一只柴犬爬虫系列爬虫 java python
目录1、前言2、什么是网络爬虫3、常见的爬虫框架3.1、java框架3.1.1、WebMagic3.1.2、Jsoup3.1.3、HttpClient3.1.4、Crawler4j3.1.5、HtmlUnit3.1.6、Selenium3.2、Python框架3.2.1、Scrapy3.2.2、BeautifulSoup+Requests3.2.3、Selenium3.2.4、PyQuery3.2
计算机网络八股总结 Petrichorzncu 八股总结计算机网络笔记
这里写目录标题网络模型划分（五层和七层）及每一层的功能五层网络模型七层网络模型（OSI模型）==三次握手和四次挥手具体过程及原因==三次握手四次挥手TCP/IP协议组成==UDP协议与TCP/IP协议的区别==Http协议相关知识网络地址，子网掩码等相关计算网络模型划分（五层和七层）及每一层的功能五层网络模型应用层：负责处理网络应用程序，如电子邮件、文件传输和网页浏览。主要协议包括HTTP、FTP
每日头像|爱与时光，终年不遇一宝先生
小可爱们晚上好呀今天晚上来推送一期情侣头像~喜欢的小可爱可以点赞收藏评论哟~部分素材来自网络，版权归原创者，如有侵权请联系删除今天的头像结束啦喜欢的小可爱可以点下关注哟~如果喜欢本期的内容可以转发分享哦~那我们下期再见咯~拜了个拜~
深入浅出 -- 系统架构之负载均衡Nginx的性能优化 xiaoli8748_软件开发系统架构系统架构负载均衡 nginx
一、Nginx性能优化到这里文章的篇幅较长了，最后再来聊一下关于Nginx的性能优化，主要就简单说说收益最高的几个优化项，在这块就不再展开叙述了，毕竟影响性能都有多方面原因导致的，比如网络、服务器硬件、操作系统、后端服务、程序自身、数据库服务等，对于性能调优比较感兴趣的可以参考之前《JVM性能调优》中的调优思想。优化一：打开长连接配置通常Nginx作为代理服务，负责分发客户端的请求，那么建议开启H
进销存小程序源码 PHP网络版ERP进销存管理系统全开源可二开摸鱼小号 php
可直接源码搭建部署发布后使用：一、功能模块介绍该系统模板主要有进，销，存三个主要模板功能组成，下面将介绍各模块所对应的功能；进：需要将产品采购入库，自动生成采购明细台账同时关联财务生成付款账单；销：是指对客户的销售订单记录，汇总生成产品销售明细及回款计划；存：库存的日常盘点与统计，库存下限预警、出入库台账、库存位置等。1.进购管理采购订单：采购下单审批→由上级审批通过采购入库；采购入库：货品到货>
年的味道~ 心理疗愈师英子
小时候，最期盼过年，一想到过年有压岁钱拿、有新衣服穿、不用上学还有好东西吃，就兴奋不已。可是不知道从什么时候开始，很多人那种儿时满怀期待过年的感觉没有了，对年的期盼也越来越少。现在物质极大丰富，以前过年才有的丰盛年夜饭，现在几乎已成家常便饭，对过年有好东西吃的期盼没了。现在网络购物发达，服装店也遍布大街小巷，随时都可以添置新衣服，而不必非要等到过年，儿时那种大年初一从头新到脚的仪式感没有了。放鞭炮
Dom 周华华 JavaScript html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
【Spark九十六】RDD API之combineByKey bit1129 spark
1. combineByKey函数的运行机制 RDD提供了很多针对元素类型为(K,V)的API，这些API封装在PairRDDFunctions类中，通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一首先看一下combineByKey的方法说明：
msyql设置密码报错：ERROR 1372 (HY000): 解决方法详解 daizj mysql 设置密码
MySql给用户设置权限同时指定访问密码时，会提示如下错误： ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number；问题原因：你输入的密码是明文。不允许这么输入。解决办法：用select password('你想输入的密码');查询出你的密码对应的字符串，然后
路漫漫其修远兮吾将上下而求索周凡杨学习思索
王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者，罔不经过三种之境界。“昨夜西风凋碧树。独上高楼，望尽天涯路。”此第一境界也。“衣带渐宽终不悔，为伊消得人憔悴。”此第二境界也。“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”此第三境界也。学习技术，这也是你必须经历的三种境界。第一层境界是说，学习的路是漫漫的，你必须做好充分的思想准备，如果半途而废还不如不要开始。这里，注
Hadoop(二)对话单的操作朱辉辉33 hadoop
Debug： 1、 A = LOAD '/user/hue/task.txt' USING PigStorage(' ') AS (col1,col2,col3); DUMP A; //输出结果前几行示例： (>ggsnPDPRecord(21),,) (-->recordType(0),,) (-->networkInitiation(1),,)
web报表工具FineReport常用函数的用法总结（日期和时间函数）老A不折腾 finereport 报表工具 web开发
web报表工具FineReport常用函数的用法总结（日期和时间函数）说明：凡函数中以日期作为参数因子的，其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。 DATE DATE(year,month,day):返回一个表示某一特定日期的系列数。 Year:代表年，可为一到四位数。 Month:代表月份。
c++ 宏定义中的##操作符墙头上一根草 C++
#与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a) #a #define h(a) g(a) int main() { &nbs
分析Spring源代码之，DI的实现 aijuans spring DI 现源代码
(转) 分析Spring源代码之，DI的实现 2012/1/3 by tony 接着上次的讲，以下这个sample [java] view plain copy print
for循环的进化 alxw4616 JavaScript
// for循环的进化 // 菜鸟 for (var i = 0; i < Things.length ; i++) { // Things[i] } // 老鸟 for (var i = 0, len = Things.length; i < len; i++) { // Things[i] } // 大师 for (var i = Things.le
网络编程Socket和ServerSocket简单的使用百合不是茶网络编程基础 IP地址端口
网络编程;TCP/IP协议网络:实现计算机之间的信息共享,数据资源的交换协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去端口:用于计算机之间的通信每运行一个程序，系统会分配一个编号给该程序，作为和外界交换数据的唯一标识 0~65535 查看被使用的
JDK1.5 生产消费者 bijian1013 java thread 生产消费者 java多线程
ArrayBlockingQueue：一个由数组支持的有界阻塞队列。此队列按 FIFO（先进先出）原则对元素进行排序。队列的头部是在队列中存在时间最长的元素。队列的尾部是在队列中存在时间最短的元素。新元素插入到队列的尾部，队列检索操作则是从队列头部开始获得元素。 ArrayBlockingQueue的常用方法：
JAVA版身份证获取性别、出生日期及年龄 bijian1013 java 性别出生日期年龄
工作中需要根据身份证获取性别、出生日期及年龄，且要还要支持15位长度的身份证号码，网上搜索了一下，经过测试好像多少存在点问题，干脆自已写一个。 CertificateNo.java package com.bijian.study; import java.util.Calendar; import
【Java范型六】范型与枚举 bit1129 java
首先，枚举类型的定义不能带有类型参数，所以，不能把枚举类型定义为范型枚举类，例如下面的枚举类定义是有编译错的 public enum EnumGenerics<T> { //编译错，提示枚举不能带有范型参数 OK, ERROR; public <T> T get(T type) { return null;
【Nginx五】Nginx常用日志格式含义 bit1129 nginx
1. log_format 1.1 log_format指令用于指定日志的格式，格式： log_format name(格式名称) type(格式样式) 1.2 如下是一个常用的Nginx日志格式： log_format main '[$time_local]|$request_time|$status|$body_bytes
Lua 语言 15 分钟快速入门 ronin47 lua 基础
- - 单行注释 - - [[ [多行注释] - - ]] - - - - - - - - - - - 1. 变量 & 控制流 - - - - - - - - - - num = 23 - - 数字都是双精度 str = 'aspythonstring'
java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 ) bylijinnan java
the idea is from: http://blog.csdn.net/zhanxinhang/article/details/6731134 public class MaxSubMatrix { /**see http://blog.csdn.net/zhanxinhang/article/details/6731134 * Q35 求一个矩阵中最大的二维
mongoDB文档型数据库特点开窍的石头 mongoDB文档型数据库特点
MongoDD: 文档型数据库存储的是Bson文档-->json的二进制特点：内部是执行引擎是js解释器，把文档转成Bson结构，在查询时转换成js对象。 mongoDB传统型数据库对比传统类型数据库：结构化数据，定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的文档型数据库：不用定好数据结构，
[毕业季节]欢迎广大毕业生加入JAVA程序员的行列 comsci java
一年一度的毕业季来临了。。。。。。。。正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业，可以考虑来我们软件行业，做一名职业程序员。。。软件行业的开发工具中，对初学者最友好的就是JAVA语言了，网络上不仅仅有大量的
PHP操作Excel – PHPExcel 基本用法详解 cuiyadll PHP Excel
导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
IBM Webshpere MQ Client User Issue (MCAUSER) darrenzhu IBM jms user MQ MCAUSER
IBM MQ JMS Client去连接远端MQ Server的时候，需要提供User和Password吗？答案是根据情况而定，取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。 http://stackoverflow.com/questions/20209429/how-mca-user-i
网线的接法 dcj3sjt126com
一、PC连HUB (直连线)A端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。二、PC连PC （交叉线）A端：(568A)：白绿，绿，白橙，蓝，白蓝，橙，白棕，棕； B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。三、HUB连HUB&nb
Vimium插件让键盘党像操作Vim一样操作Chrome dcj3sjt126com chrome vim
什么是键盘党？键盘党是指尽可能将所有电脑操作用键盘来完成，而不去动鼠标的人。鼠标应该说是新手们的最爱，很直观，指哪点哪，很听话！不过常常使用电脑的人，如果一直使用鼠标的话，手会发酸，因为操作鼠标的时候，手臂不是在一个自然的状态，臂肌会处于绷紧状态。而使用键盘则双手是放松状态，只有手指在动。而且尽量少的从鼠标移动到键盘来回操作，也省不少事。在chrome里安装 vimium 插件
MongoDB查询（2）——数组查询[六] eksliang mongodb MongoDB查询数组
MongoDB查询数组转载请出自出处：http://eksliang.iteye.com/blog/2177292 一、概述 MongoDB查询数组与查询标量值是一样的，例如，有一个水果列表，如下所示： > db.food.find() { "_id" : "001", "fruits" : [ "苹
cordova读写文件（1） gundumw100 JavaScript Cordova
使用cordova可以很方便的在手机sdcard中读写文件。首先需要安装cordova插件：file 命令为： cordova plugin add org.apache.cordova.file 然后就可以读写文件了，这里我先是写入一个文件，具体的JS代码为： var datas=null;//datas need write var directory=&
HTML5 FormData 进行文件jquery ajax 上传到又拍云 ileson jquery Ajax html5 FormData
html5 新东西：FormData 可以提交二进制数据。页面test.html <!DOCTYPE> <html> <head> <title> formdata file jquery ajax upload</title> </head> <body> <
swift appearanceWhenContainedIn:(version1.2 xcode6.4) 啸笑天 version
swift1.2中没有oc中对应的方法： + (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION; 解决方法：在swift项目中新建oc类如下： #import &
java实现SMTP邮件服务器 macroli java 编程
电子邮件传递可以由多种协议来实现。目前，在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP，下面分别简单介绍。　　◆ SMTP 协议　　简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议，用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
mongodb group by having where 查询sql qiaolevip 每天进步一点点学习永无止境 mongo 纵观千象
SELECT cust_id, SUM(price) as total FROM orders WHERE status = 'A' GROUP BY cust_id HAVING total > 250 db.orders.aggregate( [ { $match: { status: 'A' } }, { $group: {
Struts2 Pojo（六） Luob. POJO strust2
注意：附件中有完整案例 1.采用POJO对象的方法进行赋值和传值 2.web配置 <?xml version="1.0" encoding="UTF-8"?> <web-app version="2.5" xmlns="http://java.sun.com/xml/ns/javaee&q
struts2步骤 wuai struts
1、添加jar包 2、在web.xml中配置过滤器 <filter> <filter-name>struts2</filter-name> <filter-class>org.apache.st

YOLOv3代码详解之网络架构详解

你可能感兴趣的:(网络,深度学习,卷积神经网络,tensorflow,神经网络)