山居秋暝LS

CNN模型复现3 GoogleNet

3. GoogleNet
- 3.1 网络结构
- 3.2 代流程
- 3.2 代码

3. GoogleNet

3.1 网络结构

（1）大致流程

首先是两个Conv_MaxPool blocks。
一系列Inception blocks，Inception blocks之间用MaxPool隔开。
最后时全连接

（2）Inception block

Inception block是同一个输入进行四个方向的分流处理。

1x1 Conv layer
1x1 Conv layer + 3x3 Conv layer
1x1 Conv layer + 5x5 Conv layer
3x3 MaxPool + 1x1 Conv layer
堆叠以上四个分支的结果

(3) Model

conv(f=64,k=7x7,s=2)
MaPool(p=3x3,s=2)
    ↓
conv(f=64,k=1x1,s=1)
conv(f=192,k=3x3,s=1)
MaPool(p=3x3,s=2)
    ↓
inception*4 
MaxPool
    ↓
inception*10
MaxPool
    ↓
inception*4
AvgPool
dropout
Dense
softmax

3.2 代流程

导入程序包
编写Inception block
测试Inception block
编写主干网络
编写Inception blocks
建立model

3.2 代码

# 1 Import
from keras import Model
from keras.utils import plot_model
from keras.layers import Input,Conv2D,Concatenate,Dense,Dropout,Flatten,AvgPool2D,MaxPool2D

# 2. Inception block
def inception_block(x,filters):
    # steam1 1x1 Conv layer
    s1 = Conv2D(filters = filters[0],kernel_size=1,strides=1,activation='relu')(x)

    # steam2 1x1 Conv layer + 3x3 Conv layer
    s2 = Conv2D(filters = filters[1],kernel_size=1,strides=1,activation='relu')(x)
    s2 = Conv2D(filters = filters[2],kernel_size=3,strides=1,padding='same',activation='relu')(s2)

    # steam3  1x1 Conv layer + 5x5 Conv layer
    s3 = Conv2D(filters = filters[3],kernel_size=1,strides=1,activation='relu')(x)
    s3 = Conv2D(filters = filters[4],kernel_size=5,strides=1,padding='same',activation='relu')(s3)

    # steam4  3x3 MaxPool + 1x1 Conv layer
    s4 = MaxPool2D(pool_size=3,strides=1,padding='same')(x)
    s4 = Conv2D(filters = filters[5],kernel_size=1,strides=1,activation='relu')(s4)
    return Concatenate()([s1,s2,s3,s4])

# 3 Test Inception block
input = Input([224,224,3])
# output = inception_block(input,[64,96,128,16,32,32])  # inception()3a 
# print(output.shape)
# (?, 224, 224, 15)
# model = Model(input,output)
'''
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 224, 224, 3)  0                                            
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 224, 224, 96) 384         input_1[0][0]                    
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 224, 224, 16) 64          input_1[0][0]                    
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 224, 224, 3)  0           input_1[0][0]                    
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 224, 224, 64) 256         input_1[0][0]                    
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 224, 224, 128 110720      conv2d_2[0][0]                   
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 224, 224, 32) 12832       conv2d_4[0][0]                   
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 224, 224, 32) 128         max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 224, 224, 256 0           conv2d_1[0][0]                   
                                                                 conv2d_3[0][0]                   
                                                                 conv2d_5[0][0]                   
                                                                 conv2d_6[0][0]                   
==================================================================================================
Total params: 124,384
Trainable params: 124,384
Non-trainable params: 0
__________________________________________________________________________________________________

Process finished with exit code 0
'''

# 4. Stem of the model
input = Input(shape=(224,224,3))
x = Conv2D(filters=64,kernel_size=7,strides=2,padding='same',activation='relu')(input)
x = MaxPool2D(pool_size=3,strides=2,padding='same')(x)

x = Conv2D(filters=64,kernel_size=3,strides=1,padding='same',activation='relu')(x)
x = Conv2D(filters=192,kernel_size=3,strides=1,padding='same',activation='relu')(x)
x = MaxPool2D(pool_size=3,strides=2,padding='same')(x)

x = inception_block(x,[64,96,128,16,32,32])
x = inception_block(x,[64,96,128,16,32,32])
x = inception_block(x,[128,128,192,32,96,64])
x = inception_block(x,[128,128,192,32,96,64])
x = MaxPool2D(pool_size=3,strides=2,padding='same')(x)

x = inception_block(x,[192,96,208,16,48,64])
x = inception_block(x,[192,96,208,16,48,64])
x = inception_block(x,[160,112,224,24,64,64])
x = inception_block(x,[160,112,224,24,64,64])
x = inception_block(x,[128,128,256,24,64,64])
x = inception_block(x,[128,128,256,24,64,64])
x = inception_block(x,[112,144,288,32,64,64])
x = inception_block(x,[112,144,288,32,64,64])
x = inception_block(x,[256,160,320,32,128,128])
x = inception_block(x,[256,160,320,32,128,128])
x = MaxPool2D(pool_size=3,strides=2,padding='same')(x)

x = inception_block(x,[256,160,320,32,128,128])
x = inception_block(x,[256,160,320,32,128,128])
x = inception_block(x,[384,192,384,48,128,128])
x = inception_block(x,[384,192,384,48,128,128])
x = AvgPool2D(pool_size=7,strides=1)(x)
x = Dropout(rate=0.4)(x)
output = Dense(units=1000,activation="softmax")(x)

model = Model(input,output)
model.summary()


'''
/usr/local/bin/python3.6 /Users/liushuang/PycharmProjects/LS_Test/main.py
Using TensorFlow backend.
WARNING:tensorflow:From /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/tensorflow/python/framework/op_def_library.py:263: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Colocations handled automatically by placer.
WARNING:tensorflow:From /Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py:3445: calling dropout (from tensorflow.python.ops.nn_ops) with keep_prob is deprecated and will be removed in a future version.
Instructions for updating:
Please use `rate` instead of `keep_prob`. Rate should be set to `rate = 1 - keep_prob`.
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 224, 224, 3)  0                                            
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 112, 112, 64) 9472        input_1[0][0]                    
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 56, 56, 64)   0           conv2d_1[0][0]                   
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 56, 56, 64)   36928       max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 56, 56, 192)  110784      conv2d_2[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 28, 28, 192)  0           conv2d_3[0][0]                   
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 28, 28, 96)   18528       max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 28, 28, 16)   3088        max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
max_pooling2d_3 (MaxPooling2D)  (None, 28, 28, 192)  0           max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 28, 28, 64)   12352       max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 28, 28, 128)  110720      conv2d_5[0][0]                   
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 28, 28, 32)   12832       conv2d_7[0][0]                   
__________________________________________________________________________________________________
conv2d_9 (Conv2D)               (None, 28, 28, 32)   6176        max_pooling2d_3[0][0]            
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 28, 28, 256)  0           conv2d_4[0][0]                   
                                                                 conv2d_6[0][0]                   
                                                                 conv2d_8[0][0]                   
                                                                 conv2d_9[0][0]                   
__________________________________________________________________________________________________
conv2d_11 (Conv2D)              (None, 28, 28, 96)   24672       concatenate_1[0][0]              
__________________________________________________________________________________________________
conv2d_13 (Conv2D)              (None, 28, 28, 16)   4112        concatenate_1[0][0]              
__________________________________________________________________________________________________
max_pooling2d_4 (MaxPooling2D)  (None, 28, 28, 256)  0           concatenate_1[0][0]              
__________________________________________________________________________________________________
conv2d_10 (Conv2D)              (None, 28, 28, 64)   16448       concatenate_1[0][0]              
__________________________________________________________________________________________________
conv2d_12 (Conv2D)              (None, 28, 28, 128)  110720      conv2d_11[0][0]                  
__________________________________________________________________________________________________
conv2d_14 (Conv2D)              (None, 28, 28, 32)   12832       conv2d_13[0][0]                  
__________________________________________________________________________________________________
conv2d_15 (Conv2D)              (None, 28, 28, 32)   8224        max_pooling2d_4[0][0]            
__________________________________________________________________________________________________
concatenate_2 (Concatenate)     (None, 28, 28, 256)  0           conv2d_10[0][0]                  
                                                                 conv2d_12[0][0]                  
                                                                 conv2d_14[0][0]                  
                                                                 conv2d_15[0][0]                  
__________________________________________________________________________________________________
conv2d_17 (Conv2D)              (None, 28, 28, 128)  32896       concatenate_2[0][0]              
__________________________________________________________________________________________________
conv2d_19 (Conv2D)              (None, 28, 28, 32)   8224        concatenate_2[0][0]              
__________________________________________________________________________________________________
max_pooling2d_5 (MaxPooling2D)  (None, 28, 28, 256)  0           concatenate_2[0][0]              
__________________________________________________________________________________________________
conv2d_16 (Conv2D)              (None, 28, 28, 128)  32896       concatenate_2[0][0]              
__________________________________________________________________________________________________
conv2d_18 (Conv2D)              (None, 28, 28, 192)  221376      conv2d_17[0][0]                  
__________________________________________________________________________________________________
conv2d_20 (Conv2D)              (None, 28, 28, 96)   76896       conv2d_19[0][0]                  
__________________________________________________________________________________________________
conv2d_21 (Conv2D)              (None, 28, 28, 64)   16448       max_pooling2d_5[0][0]            
__________________________________________________________________________________________________
concatenate_3 (Concatenate)     (None, 28, 28, 480)  0           conv2d_16[0][0]                  
                                                                 conv2d_18[0][0]                  
                                                                 conv2d_20[0][0]                  
                                                                 conv2d_21[0][0]                  
__________________________________________________________________________________________________
conv2d_23 (Conv2D)              (None, 28, 28, 128)  61568       concatenate_3[0][0]              
__________________________________________________________________________________________________
conv2d_25 (Conv2D)              (None, 28, 28, 32)   15392       concatenate_3[0][0]              
__________________________________________________________________________________________________
max_pooling2d_6 (MaxPooling2D)  (None, 28, 28, 480)  0           concatenate_3[0][0]              
__________________________________________________________________________________________________
conv2d_22 (Conv2D)              (None, 28, 28, 128)  61568       concatenate_3[0][0]              
__________________________________________________________________________________________________
conv2d_24 (Conv2D)              (None, 28, 28, 192)  221376      conv2d_23[0][0]                  
__________________________________________________________________________________________________
conv2d_26 (Conv2D)              (None, 28, 28, 96)   76896       conv2d_25[0][0]                  
__________________________________________________________________________________________________
conv2d_27 (Conv2D)              (None, 28, 28, 64)   30784       max_pooling2d_6[0][0]            
__________________________________________________________________________________________________
concatenate_4 (Concatenate)     (None, 28, 28, 480)  0           conv2d_22[0][0]                  
                                                                 conv2d_24[0][0]                  
                                                                 conv2d_26[0][0]                  
                                                                 conv2d_27[0][0]                  
__________________________________________________________________________________________________
max_pooling2d_7 (MaxPooling2D)  (None, 14, 14, 480)  0           concatenate_4[0][0]              
__________________________________________________________________________________________________
conv2d_29 (Conv2D)              (None, 14, 14, 96)   46176       max_pooling2d_7[0][0]            
__________________________________________________________________________________________________
conv2d_31 (Conv2D)              (None, 14, 14, 16)   7696        max_pooling2d_7[0][0]            
__________________________________________________________________________________________________
max_pooling2d_8 (MaxPooling2D)  (None, 14, 14, 480)  0           max_pooling2d_7[0][0]            
__________________________________________________________________________________________________
conv2d_28 (Conv2D)              (None, 14, 14, 192)  92352       max_pooling2d_7[0][0]            
__________________________________________________________________________________________________
conv2d_30 (Conv2D)              (None, 14, 14, 208)  179920      conv2d_29[0][0]                  
__________________________________________________________________________________________________
conv2d_32 (Conv2D)              (None, 14, 14, 48)   19248       conv2d_31[0][0]                  
__________________________________________________________________________________________________
conv2d_33 (Conv2D)              (None, 14, 14, 64)   30784       max_pooling2d_8[0][0]            
__________________________________________________________________________________________________
concatenate_5 (Concatenate)     (None, 14, 14, 512)  0           conv2d_28[0][0]                  
                                                                 conv2d_30[0][0]                  
                                                                 conv2d_32[0][0]                  
                                                                 conv2d_33[0][0]                  
__________________________________________________________________________________________________
conv2d_35 (Conv2D)              (None, 14, 14, 96)   49248       concatenate_5[0][0]              
__________________________________________________________________________________________________
conv2d_37 (Conv2D)              (None, 14, 14, 16)   8208        concatenate_5[0][0]              
__________________________________________________________________________________________________
max_pooling2d_9 (MaxPooling2D)  (None, 14, 14, 512)  0           concatenate_5[0][0]              
__________________________________________________________________________________________________
conv2d_34 (Conv2D)              (None, 14, 14, 192)  98496       concatenate_5[0][0]              
__________________________________________________________________________________________________
conv2d_36 (Conv2D)              (None, 14, 14, 208)  179920      conv2d_35[0][0]                  
__________________________________________________________________________________________________
conv2d_38 (Conv2D)              (None, 14, 14, 48)   19248       conv2d_37[0][0]                  
__________________________________________________________________________________________________
conv2d_39 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_9[0][0]            
__________________________________________________________________________________________________
concatenate_6 (Concatenate)     (None, 14, 14, 512)  0           conv2d_34[0][0]                  
                                                                 conv2d_36[0][0]                  
                                                                 conv2d_38[0][0]                  
                                                                 conv2d_39[0][0]                  
__________________________________________________________________________________________________
conv2d_41 (Conv2D)              (None, 14, 14, 112)  57456       concatenate_6[0][0]              
__________________________________________________________________________________________________
conv2d_43 (Conv2D)              (None, 14, 14, 24)   12312       concatenate_6[0][0]              
__________________________________________________________________________________________________
max_pooling2d_10 (MaxPooling2D) (None, 14, 14, 512)  0           concatenate_6[0][0]              
__________________________________________________________________________________________________
conv2d_40 (Conv2D)              (None, 14, 14, 160)  82080       concatenate_6[0][0]              
__________________________________________________________________________________________________
conv2d_42 (Conv2D)              (None, 14, 14, 224)  226016      conv2d_41[0][0]                  
__________________________________________________________________________________________________
conv2d_44 (Conv2D)              (None, 14, 14, 64)   38464       conv2d_43[0][0]                  
__________________________________________________________________________________________________
conv2d_45 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_10[0][0]           
__________________________________________________________________________________________________
concatenate_7 (Concatenate)     (None, 14, 14, 512)  0           conv2d_40[0][0]                  
                                                                 conv2d_42[0][0]                  
                                                                 conv2d_44[0][0]                  
                                                                 conv2d_45[0][0]                  
__________________________________________________________________________________________________
conv2d_47 (Conv2D)              (None, 14, 14, 112)  57456       concatenate_7[0][0]              
__________________________________________________________________________________________________
conv2d_49 (Conv2D)              (None, 14, 14, 24)   12312       concatenate_7[0][0]              
__________________________________________________________________________________________________
max_pooling2d_11 (MaxPooling2D) (None, 14, 14, 512)  0           concatenate_7[0][0]              
__________________________________________________________________________________________________
conv2d_46 (Conv2D)              (None, 14, 14, 160)  82080       concatenate_7[0][0]              
__________________________________________________________________________________________________
conv2d_48 (Conv2D)              (None, 14, 14, 224)  226016      conv2d_47[0][0]                  
__________________________________________________________________________________________________
conv2d_50 (Conv2D)              (None, 14, 14, 64)   38464       conv2d_49[0][0]                  
__________________________________________________________________________________________________
conv2d_51 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_11[0][0]           
__________________________________________________________________________________________________
concatenate_8 (Concatenate)     (None, 14, 14, 512)  0           conv2d_46[0][0]                  
                                                                 conv2d_48[0][0]                  
                                                                 conv2d_50[0][0]                  
                                                                 conv2d_51[0][0]                  
__________________________________________________________________________________________________
conv2d_53 (Conv2D)              (None, 14, 14, 128)  65664       concatenate_8[0][0]              
__________________________________________________________________________________________________
conv2d_55 (Conv2D)              (None, 14, 14, 24)   12312       concatenate_8[0][0]              
__________________________________________________________________________________________________
max_pooling2d_12 (MaxPooling2D) (None, 14, 14, 512)  0           concatenate_8[0][0]              
__________________________________________________________________________________________________
conv2d_52 (Conv2D)              (None, 14, 14, 128)  65664       concatenate_8[0][0]              
__________________________________________________________________________________________________
conv2d_54 (Conv2D)              (None, 14, 14, 256)  295168      conv2d_53[0][0]                  
__________________________________________________________________________________________________
conv2d_56 (Conv2D)              (None, 14, 14, 64)   38464       conv2d_55[0][0]                  
__________________________________________________________________________________________________
conv2d_57 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_12[0][0]           
__________________________________________________________________________________________________
concatenate_9 (Concatenate)     (None, 14, 14, 512)  0           conv2d_52[0][0]                  
                                                                 conv2d_54[0][0]                  
                                                                 conv2d_56[0][0]                  
                                                                 conv2d_57[0][0]                  
__________________________________________________________________________________________________
conv2d_59 (Conv2D)              (None, 14, 14, 128)  65664       concatenate_9[0][0]              
__________________________________________________________________________________________________
conv2d_61 (Conv2D)              (None, 14, 14, 24)   12312       concatenate_9[0][0]              
__________________________________________________________________________________________________
max_pooling2d_13 (MaxPooling2D) (None, 14, 14, 512)  0           concatenate_9[0][0]              
__________________________________________________________________________________________________
conv2d_58 (Conv2D)              (None, 14, 14, 128)  65664       concatenate_9[0][0]              
__________________________________________________________________________________________________
conv2d_60 (Conv2D)              (None, 14, 14, 256)  295168      conv2d_59[0][0]                  
__________________________________________________________________________________________________
conv2d_62 (Conv2D)              (None, 14, 14, 64)   38464       conv2d_61[0][0]                  
__________________________________________________________________________________________________
conv2d_63 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_13[0][0]           
__________________________________________________________________________________________________
concatenate_10 (Concatenate)    (None, 14, 14, 512)  0           conv2d_58[0][0]                  
                                                                 conv2d_60[0][0]                  
                                                                 conv2d_62[0][0]                  
                                                                 conv2d_63[0][0]                  
__________________________________________________________________________________________________
conv2d_65 (Conv2D)              (None, 14, 14, 144)  73872       concatenate_10[0][0]             
__________________________________________________________________________________________________
conv2d_67 (Conv2D)              (None, 14, 14, 32)   16416       concatenate_10[0][0]             
__________________________________________________________________________________________________
max_pooling2d_14 (MaxPooling2D) (None, 14, 14, 512)  0           concatenate_10[0][0]             
__________________________________________________________________________________________________
conv2d_64 (Conv2D)              (None, 14, 14, 112)  57456       concatenate_10[0][0]             
__________________________________________________________________________________________________
conv2d_66 (Conv2D)              (None, 14, 14, 288)  373536      conv2d_65[0][0]                  
__________________________________________________________________________________________________
conv2d_68 (Conv2D)              (None, 14, 14, 64)   51264       conv2d_67[0][0]                  
__________________________________________________________________________________________________
conv2d_69 (Conv2D)              (None, 14, 14, 64)   32832       max_pooling2d_14[0][0]           
__________________________________________________________________________________________________
concatenate_11 (Concatenate)    (None, 14, 14, 528)  0           conv2d_64[0][0]                  
                                                                 conv2d_66[0][0]                  
                                                                 conv2d_68[0][0]                  
                                                                 conv2d_69[0][0]                  
__________________________________________________________________________________________________
conv2d_71 (Conv2D)              (None, 14, 14, 144)  76176       concatenate_11[0][0]             
__________________________________________________________________________________________________
conv2d_73 (Conv2D)              (None, 14, 14, 32)   16928       concatenate_11[0][0]             
__________________________________________________________________________________________________
max_pooling2d_15 (MaxPooling2D) (None, 14, 14, 528)  0           concatenate_11[0][0]             
__________________________________________________________________________________________________
conv2d_70 (Conv2D)              (None, 14, 14, 112)  59248       concatenate_11[0][0]             
__________________________________________________________________________________________________
conv2d_72 (Conv2D)              (None, 14, 14, 288)  373536      conv2d_71[0][0]                  
__________________________________________________________________________________________________
conv2d_74 (Conv2D)              (None, 14, 14, 64)   51264       conv2d_73[0][0]                  
__________________________________________________________________________________________________
conv2d_75 (Conv2D)              (None, 14, 14, 64)   33856       max_pooling2d_15[0][0]           
__________________________________________________________________________________________________
concatenate_12 (Concatenate)    (None, 14, 14, 528)  0           conv2d_70[0][0]                  
                                                                 conv2d_72[0][0]                  
                                                                 conv2d_74[0][0]                  
                                                                 conv2d_75[0][0]                  
__________________________________________________________________________________________________
conv2d_77 (Conv2D)              (None, 14, 14, 160)  84640       concatenate_12[0][0]             
__________________________________________________________________________________________________
conv2d_79 (Conv2D)              (None, 14, 14, 32)   16928       concatenate_12[0][0]             
__________________________________________________________________________________________________
max_pooling2d_16 (MaxPooling2D) (None, 14, 14, 528)  0           concatenate_12[0][0]             
__________________________________________________________________________________________________
conv2d_76 (Conv2D)              (None, 14, 14, 256)  135424      concatenate_12[0][0]             
__________________________________________________________________________________________________
conv2d_78 (Conv2D)              (None, 14, 14, 320)  461120      conv2d_77[0][0]                  
__________________________________________________________________________________________________
conv2d_80 (Conv2D)              (None, 14, 14, 128)  102528      conv2d_79[0][0]                  
__________________________________________________________________________________________________
conv2d_81 (Conv2D)              (None, 14, 14, 128)  67712       max_pooling2d_16[0][0]           
__________________________________________________________________________________________________
concatenate_13 (Concatenate)    (None, 14, 14, 832)  0           conv2d_76[0][0]                  
                                                                 conv2d_78[0][0]                  
                                                                 conv2d_80[0][0]                  
                                                                 conv2d_81[0][0]                  
__________________________________________________________________________________________________
conv2d_83 (Conv2D)              (None, 14, 14, 160)  133280      concatenate_13[0][0]             
__________________________________________________________________________________________________
conv2d_85 (Conv2D)              (None, 14, 14, 32)   26656       concatenate_13[0][0]             
__________________________________________________________________________________________________
max_pooling2d_17 (MaxPooling2D) (None, 14, 14, 832)  0           concatenate_13[0][0]             
__________________________________________________________________________________________________
conv2d_82 (Conv2D)              (None, 14, 14, 256)  213248      concatenate_13[0][0]             
__________________________________________________________________________________________________
conv2d_84 (Conv2D)              (None, 14, 14, 320)  461120      conv2d_83[0][0]                  
__________________________________________________________________________________________________
conv2d_86 (Conv2D)              (None, 14, 14, 128)  102528      conv2d_85[0][0]                  
__________________________________________________________________________________________________
conv2d_87 (Conv2D)              (None, 14, 14, 128)  106624      max_pooling2d_17[0][0]           
__________________________________________________________________________________________________
concatenate_14 (Concatenate)    (None, 14, 14, 832)  0           conv2d_82[0][0]                  
                                                                 conv2d_84[0][0]                  
                                                                 conv2d_86[0][0]                  
                                                                 conv2d_87[0][0]                  
__________________________________________________________________________________________________
max_pooling2d_18 (MaxPooling2D) (None, 7, 7, 832)    0           concatenate_14[0][0]             
__________________________________________________________________________________________________
conv2d_89 (Conv2D)              (None, 7, 7, 160)    133280      max_pooling2d_18[0][0]           
__________________________________________________________________________________________________
conv2d_91 (Conv2D)              (None, 7, 7, 32)     26656       max_pooling2d_18[0][0]           
__________________________________________________________________________________________________
max_pooling2d_19 (MaxPooling2D) (None, 7, 7, 832)    0           max_pooling2d_18[0][0]           
__________________________________________________________________________________________________
conv2d_88 (Conv2D)              (None, 7, 7, 256)    213248      max_pooling2d_18[0][0]           
__________________________________________________________________________________________________
conv2d_90 (Conv2D)              (None, 7, 7, 320)    461120      conv2d_89[0][0]                  
__________________________________________________________________________________________________
conv2d_92 (Conv2D)              (None, 7, 7, 128)    102528      conv2d_91[0][0]                  
__________________________________________________________________________________________________
conv2d_93 (Conv2D)              (None, 7, 7, 128)    106624      max_pooling2d_19[0][0]           
__________________________________________________________________________________________________
concatenate_15 (Concatenate)    (None, 7, 7, 832)    0           conv2d_88[0][0]                  
                                                                 conv2d_90[0][0]                  
                                                                 conv2d_92[0][0]                  
                                                                 conv2d_93[0][0]                  
__________________________________________________________________________________________________
conv2d_95 (Conv2D)              (None, 7, 7, 160)    133280      concatenate_15[0][0]             
__________________________________________________________________________________________________
conv2d_97 (Conv2D)              (None, 7, 7, 32)     26656       concatenate_15[0][0]             
__________________________________________________________________________________________________
max_pooling2d_20 (MaxPooling2D) (None, 7, 7, 832)    0           concatenate_15[0][0]             
__________________________________________________________________________________________________
conv2d_94 (Conv2D)              (None, 7, 7, 256)    213248      concatenate_15[0][0]             
__________________________________________________________________________________________________
conv2d_96 (Conv2D)              (None, 7, 7, 320)    461120      conv2d_95[0][0]                  
__________________________________________________________________________________________________
conv2d_98 (Conv2D)              (None, 7, 7, 128)    102528      conv2d_97[0][0]                  
__________________________________________________________________________________________________
conv2d_99 (Conv2D)              (None, 7, 7, 128)    106624      max_pooling2d_20[0][0]           
__________________________________________________________________________________________________
concatenate_16 (Concatenate)    (None, 7, 7, 832)    0           conv2d_94[0][0]                  
                                                                 conv2d_96[0][0]                  
                                                                 conv2d_98[0][0]                  
                                                                 conv2d_99[0][0]                  
__________________________________________________________________________________________________
conv2d_101 (Conv2D)             (None, 7, 7, 192)    159936      concatenate_16[0][0]             
__________________________________________________________________________________________________
conv2d_103 (Conv2D)             (None, 7, 7, 48)     39984       concatenate_16[0][0]             
__________________________________________________________________________________________________
max_pooling2d_21 (MaxPooling2D) (None, 7, 7, 832)    0           concatenate_16[0][0]             
__________________________________________________________________________________________________
conv2d_100 (Conv2D)             (None, 7, 7, 384)    319872      concatenate_16[0][0]             
__________________________________________________________________________________________________
conv2d_102 (Conv2D)             (None, 7, 7, 384)    663936      conv2d_101[0][0]                 
__________________________________________________________________________________________________
conv2d_104 (Conv2D)             (None, 7, 7, 128)    153728      conv2d_103[0][0]                 
__________________________________________________________________________________________________
conv2d_105 (Conv2D)             (None, 7, 7, 128)    106624      max_pooling2d_21[0][0]           
__________________________________________________________________________________________________
concatenate_17 (Concatenate)    (None, 7, 7, 1024)   0           conv2d_100[0][0]                 
                                                                 conv2d_102[0][0]                 
                                                                 conv2d_104[0][0]                 
                                                                 conv2d_105[0][0]                 
__________________________________________________________________________________________________
conv2d_107 (Conv2D)             (None, 7, 7, 192)    196800      concatenate_17[0][0]             
__________________________________________________________________________________________________
conv2d_109 (Conv2D)             (None, 7, 7, 48)     49200       concatenate_17[0][0]             
__________________________________________________________________________________________________
max_pooling2d_22 (MaxPooling2D) (None, 7, 7, 1024)   0           concatenate_17[0][0]             
__________________________________________________________________________________________________
conv2d_106 (Conv2D)             (None, 7, 7, 384)    393600      concatenate_17[0][0]             
__________________________________________________________________________________________________
conv2d_108 (Conv2D)             (None, 7, 7, 384)    663936      conv2d_107[0][0]                 
__________________________________________________________________________________________________
conv2d_110 (Conv2D)             (None, 7, 7, 128)    153728      conv2d_109[0][0]                 
__________________________________________________________________________________________________
conv2d_111 (Conv2D)             (None, 7, 7, 128)    131200      max_pooling2d_22[0][0]           
__________________________________________________________________________________________________
concatenate_18 (Concatenate)    (None, 7, 7, 1024)   0           conv2d_106[0][0]                 
                                                                 conv2d_108[0][0]                 
                                                                 conv2d_110[0][0]                 
                                                                 conv2d_111[0][0]                 
__________________________________________________________________________________________________
average_pooling2d_1 (AveragePoo (None, 1, 1, 1024)   0           concatenate_18[0][0]             
__________________________________________________________________________________________________
dropout_1 (Dropout)             (None, 1, 1, 1024)   0           average_pooling2d_1[0][0]        
__________________________________________________________________________________________________
dense_1 (Dense)                 (None, 1, 1, 1000)   1025000     dropout_1[0][0]                  
==================================================================================================
Total params: 13,309,512
Trainable params: 13,309,512
Non-trainable params: 0
__________________________________________________________________________________________________

Process finished with exit code 0


'''

你可能感兴趣的:(计算机视觉)

AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
计算机视觉中，Pooling的作用 Wils0nEdwards 计算机视觉人工智能
在计算机视觉中，Pooling（池化）是一种常见的操作，主要用于卷积神经网络（CNN）中。它通过对特征图进行下采样，减少数据的空间维度，同时保留重要的特征信息。Pooling的作用可以归纳为以下几个方面：1.降低计算复杂度与内存需求Pooling操作通过对特征图进行下采样，减少了特征图的空间分辨率（例如，高度和宽度）。这意味着网络需要处理的数据量会减少，从而降低了计算量和内存需求。这对大型神经网络
OpenCV图像处理技术（Python）——入门森屿_ opencv
©FuXianjun.AllRightsReserved.OpenCV入门图像作为人类感知世界的视觉基础，是人类获取信息、表达信息的重要手段，OpenCV作为一个开源的计算机视觉库，它包括几百个易用的图像成像和视觉函数，既可以用于学术研究，也可用于工业邻域，它于1999年由因特尔的GaryBradski启动，OpenCV库主要由C和C++语言编写，它可以在多个操作系统上运行。1.1图像处理基本操作
CV、NLP、数据控掘推荐、量化海的那边- AI算法自然语言处理人工智能
下面是对CV（计算机视觉）、NLP（自然语言处理）、数据挖掘推荐和量化的简要概述及其应用领域的介绍：1.CV（计算机视觉，ComputerVision）定义：计算机视觉是一门让计算机能够从图像或视频中提取有用信息，并做出决策的学科。它通过模拟人类的视觉系统来识别、处理和理解视觉信息。主要任务：图像分类：识别图像中的物体并分类，比如猫、狗、车等。目标检测：在图像或视频中定位并识别多个对象，如人脸检测
Python计算机视觉编程第三章图像到图像的映射一只小小程序猿计算机视觉 python opencv
目录单应性变换直接线性变换算法仿射变换图像扭曲图像中的图像分段仿射扭曲创建全景图RANSAC拼接图像单应性变换单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。在这里，平面是指图像或者三维中的平面表面。单应性变换具有很强的实用性，比如图像配准、图像纠正和纹理扭曲，以及创建全景图像。单应性变换本质上是一种二维到二维的映射，可以将一个平面内的点映射到另一个平面上的对应点。代码如下：impo
DIODE：超高分辨率室内室外数据集（猫脸码客第186期）猫脸码客: catCode2024 开源数据集猫脸码客开源数据集超高分辨率室内室外数据集
亲爱的读者们，您是否在寻找某个特定的数据集，用于研究或项目实践？欢迎您在评论区留言，或者通过公众号私信告诉我，您想要的数据集的类型主题。小编会竭尽全力为您寻找，并在找到后第一时间与您分享。在计算机视觉和深度学习领域，深度信息作为三维空间感知的重要组成部分，对于实现高级视觉任务如场景理解、机器人导航、增强现实等具有至关重要的作用。然而，获取准确且密集的深度数据一直是一个挑战，尤其是在同时涵盖室内和室
深度学习入门篇：PyTorch实现手写数字识别 AI_Guru人工智能深度学习 pytorch 人工智能
深度学习作为机器学习的一个分支，近年来在图像识别、自然语言处理等领域取得了显著的成就。在众多的深度学习框架中，PyTorch以其动态计算图、易用性强和灵活度高等特点，受到了广泛的喜爱。本篇文章将带领大家使用PyTorch框架，实现一个手写数字识别的基础模型。手写数字识别简介手写数字识别是计算机视觉领域的一个经典问题，目的是让计算机能够识别并理解手写数字图像。这个问题通常作为深度学习入门的练习，因为
OpenCV高阶操作富士达幸运星 opencv 人工智能计算机视觉
在图像处理与计算机视觉领域，OpenCV（OpenSourceComputerVisionLibrary）无疑是最为强大且广泛使用的工具之一。从基础的图像读取、1.图片的上下，采样下采样（Downsampling）下采样通常用于减小图像的尺寸，从而减少图像中的像素数。这个过程可以通过多种方法实现，但最常见的是通过图像金字塔中的pyrDown函数（在OpenCV中）或其他类似的滤波器（如平均池化、最
深入掌握大模型精髓：《实战AI大模型》带你全面理解大模型开发！努力的光头强人工智能 langchain prompt transformer 深度学习
今天，人工智能技术的快速发展和广泛应用已经引起了大众的关注和兴趣，它不仅成为技术发展的核心驱动力，更是推动着社会生活的全方位变革。特别是作为AI重要分支的深度学习，通过不断刷新的表现力已引领并定义了一场科技革命。大型深度学习模型（简称AI大模型）以其强大的表征能力和卓越的性能，在自然语言处理、计算机视觉、推荐系统等领域均取得了突破性的进展。尤其随着AI大模型的广泛应用，无数领域因此受益。AI大模型
计算机视觉—照相机（下） zidea
封面焦距(FieldofView)同一位置相机用不同焦距，28mmFieldofView就变小，85mm时候的Fieldofview也就是只有28度视野，每一个物体在通常尺寸的胶片上像素也就是越多，chromaticAberration焦距和是波长相关，不同颜色光聚焦在不同位置。这种现象在物体边缘尤为明显。颜色颜色说简单也简单，说复杂也复杂，我们在高中物理已经知道可见光是电磁波，不同颜色对应不同波
Python OpenCV精讲系列 - 高级图像处理技术（五）极客代码 Python OpenCV精讲 python opencv 图像处理开发语言人工智能计算机视觉
⚡️⚡️专栏：PythonOpenCV精讲⚡️⚡️本专栏聚焦于Python结合OpenCV库进行计算机视觉开发的专业教程。通过系统化的课程设计，从基础概念入手，逐步深入到图像处理、特征检测、物体识别等多个领域。适合希望在计算机视觉方向上建立坚实基础的技术人员及研究者。每一课不仅包含理论讲解，更有实战代码示例，助力读者快速将所学应用于实际项目中，提升解决复杂视觉问题的能力。无论是入门者还是寻求技能进
计算机视觉中的数据增强方法总结 CV技术指南(公众号) CV技术总结计算机视觉深度学习卷积神经网络
前言：在计算机视觉方向，数据增强的本质是人为地引入人视觉上的先验知识，可以很好地提升模型的性能，目前基本成为模型的标配。最近几年逐渐出了很多新的数据增强方法，在本文将对数据增强做一个总结。本文介绍了数据增强的作用，数据增强的分类，数据增强的常用方法，一些特殊的方法，如Cutout，RandomErasing，Mixup，Hide-and-Seek，CutMix，GridMask，FenceMask
计算机视觉中，什么是Hide-and-Seek？ Wils0nEdwards 计算机视觉人工智能
是的，Hide-and-Seek技术主要是在弱监督学习领域中使用的，它的核心思想是通过随机遮掩输入图像的一部分，强迫模型学习更全面的特征，而不是仅仅依赖显著的局部信息。由于弱监督场景下的监督信号有限，例如只有少量的点标注、粗略标注或没有任何标注，模型容易过度依赖于图像中最显著的部分，而忽略其他信息。这种现象会导致模型只关注容易识别的局部特征，而无法理解物体的整体结构或捕捉更多的背景信息。1.Hid
计算机视觉——第三章图像拼接 JMU15980999055 python 计算机视觉人工智能
计算机视觉——第三章图像拼接1.图像全景拼接的原理和过程的简要介绍1.1特征点提取和匹配1.2图像配准1.3图像拼接2.实现多图像拼接2.1图片集说明2.2实验代码2.3实验结果及其分析3.两张不同角度的图像拼接3.1图片集说明3.2实验代码3.3实验结果及其分析总结1.图像全景拼接的原理和过程的简要介绍在同一位置拍摄的两幅或者多幅图片是单应性相关的，我们经常使用该约束将很多图像缝补起来，拼成一个
计算机视觉学习路线不会代码的小林计算机视觉
计算机视觉学习路线是一个系统而全面的过程，涵盖了从基础知识到高级应用的多个方面。以下是一个详细的计算机视觉学习路线，供您参考：一、基础知识学习编程语言与基础库学习Python语言，掌握基础语法、函数、面向对象编程等概念。Python是计算机视觉领域广泛使用的编程语言，因其简洁易读和丰富的库支持而受到青睐。学习Numpy库，用于科学计算和多维数组操作，这是计算机视觉中数据处理的基础。学习OpenCV
【Python第三方库】OpenCV库实用指南墨辰JC Python opencv python 人工智能学习
文章目录前言安装OpenCV读取图像图像基本操作获取图像信息裁剪图像图像缩放图像转换为灰度图图像模糊处理边缘检测图像翻转图像保存视频相关操作方法讲解读取视频从摄像头读取视频前言OpenCV（OpenSourceComputerVisionLibrary）作为一个强大的计算机视觉库，提供了丰富的图像处理和计算机视觉功能，尤其在图像识别、对象检测、视频分析等领域有着广泛的应用。本文将带领读者使用Pyt
ESRGAN——老旧照片、视频帧的修复和增强，提高图像的分辨率爱研究的小牛 AIGC——图像 AIGC—视频 AIGC 人工智能深度学习音视频自动化
ESRGAN（EnhancedSuper-ResolutionGAN）：用于提高图像的分辨率，将低质量图像升级为高分辨率版本，常用于老旧照片、视频帧的修复和增强。一、ESRGAN介绍1.1背景超分辨率问题是计算机视觉中的一个重要研究领域，其目标是通过增加像素数量来提高图像的分辨率，恢复出更加细腻的图像。传统的算法（如双三次插值）通常导致放大后的图像模糊、不自然。而深度学习特别是**生成对抗网络（G
计算机视觉之旅-进阶-图像滤波处理撸码猿计算机视觉图像处理人工智能
1.基本概念1.1.数字图像图像处理的对象是数字图像,它是由像素点阵列表示的图像。需要了解像素、图像分辨率、灰度级、RBG等图像表示方法。用numpy数组表示,每个元素为像素值。例如RGB图像 importnumpyasnp img=np.array([[[255,0,0],[0,255,0]],[[0,0,255],[255,255,255]]]) 1.2.采样和量化数字图像是通过采样和量化得到
探秘3D UNet-PyTorch：高效三维图像分割利器鲍凯印Fox
探秘3DUNet-PyTorch：高效三维图像分割利器在医学影像处理、计算机视觉和自动驾驶等领域，三维图像的理解与分析至关重要。而是一个基于PyTorch实现的深度学习模型，专为三维图像分割任务设计。本文将深入剖析该项目的技术细节，应用场景及特性，以期吸引更多的开发者和研究人员参与其中。项目简介3DUNet是2DUNet的三维扩展，其结构保持了卷积神经网络的对称性，采用跳跃连接的方式保留了不同尺度
论文学习笔记 VMamba: Visual State Space Model Wils0nEdwards 学习笔记
概览这篇论文的动机源于在计算机视觉领域设计计算高效的网络架构的持续需求。当前的视觉模型如卷积神经网络（CNNs）和视觉Transformer（ViTs）在处理大规模视觉任务时展现出良好的表现，但都存在各自的局限性。特别是，ViTs尽管在处理大规模数据上具有优势，但其自注意力机制的二次复杂度对高分辨率图像处理时的计算成本极高。因此，研究者希望通过引入新的架构来降低这种复杂度，并提高视觉任务的效率。现
深度学习计算机视觉中 feature modulation 操作是什么？ Wils0nEdwards 深度学习计算机视觉人工智能
什么是特征调制（FeatureModulation）？在深度学习与计算机视觉领域，特征调制（FeatureModulation）是一种用于增强模型灵活性和表达能力的技术，尤其是最近几年，它在许多任务中变得越来越重要。特征调制通过动态调整神经网络中间层的特征，使模型能够根据不同的上下文、输入或任务自适应地调整自身的行为。特征调制的核心概念特征调制的基本思想是通过某种形式的参数调节来改变特征表示的性质
计算机视觉中，如何理解自适应和注意力机制的关系？ Wils0nEdwards 计算机视觉人工智能
自适应和注意力机制之间的关系密切相关，注意力机制本质上是一种自适应的计算方法，它能够根据输入数据的不同特点，自主选择和聚焦于输入的某些部分或特征。以下是两者之间的具体关系和如何理解它们：1.注意力机制的自适应特性注意力机制的核心功能是为不同输入元素（如特征、位置、通道等）分配不同的权重。这些权重是通过学习动态生成的，表示模型对不同输入元素的关注程度。由于这些权重是根据具体的输入数据动态计算的，因此
解锁Python中的人脸识别：Face Recognition库详解与应用码上飞扬 Recognition 人脸识别
在当今的人工智能时代，人脸识别技术已经成为了计算机视觉领域的一项重要应用。无论是在安全监控、社交媒体还是智能设备中，人脸识别都扮演着不可或缺的角色。在众多的人脸识别工具和库中，Python的FaceRecognition库以其简单易用和高效性而备受青睐。本文将深入探讨FaceRecognition库的使用方法、工作原理及其应用场景，帮助你快速掌握这一强大的工具。一、什么是FaceRecogniti
OpenCV3最常用的基本操作 HeoLis
OpenCV介绍OpenCV的全称是OpenSourceComputerVisionLibrary，是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发，以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。该程序库也可以使用英特尔公司的IPP进行加速处理。以上是维基百科关于OpenCV的介绍，简单来说它就是处理图
论文阅读笔记: DINOv2: Learning Robust Visual Features without Supervision 小夏refresh 论文计算机视觉深度学习论文阅读笔记深度学习计算机视觉人工智能
DINOv2:LearningRobustVisualFeatureswithoutSupervision论文地址:https://arxiv.org/abs/2304.07193代码地址:https://github.com/facebookresearch/dinov2摘要大量数据上的预训练模型在NLP方面取得突破，为计算机视觉中的类似基础模型开辟了道路。这些模型可以通过生成通用视觉特征(即无
Sora文本生成影像模型背后的创新原理与挑战 noVonN c语言深度学习算法区块链人工智能
引言随着人工智能技术的飞速发展，OpenAI作为行业领导者，在文本生成领域取得重大突破之后，近日又推出了其在影像生成领域的最新力作——Sora。这款模型将自然语言处理与计算机视觉技术相结合，旨在通过输入文本描述来快速创作出逼真的电影场景，为内容创作者提供了前所未有的艺术表达工具。然而，正如OpenAI所指出的那样，尽管Sora展现出了令人惊叹的创造力，但它在仿真复杂物理现象和理解具体事例因果关系方
深度学习驱动下的字符识别：挑战与创新逼子歌神经网络深度学习字符识别卷积神经网络图像处理特征提取
一、引言1.1研究背景深度学习在字符识别领域具有至关重要的地位。随着信息技术的飞速发展，对字符识别的准确性和效率要求越来越高。字符识别作为计算机视觉领域的一个重要研究方向，其主要目的是将各种形式的字符转换成计算机可识别的文本信息。近年来，深度学习技术在字符识别领域取得了显著的进展。国内研究者主要使用基于模板匹配的方法、基于统计模型的方法、基于神经网络的方法等各种方法进行字符识别研究。目前，国内各大
【深度学习实战】行人检测追踪与双向流量计数系统【python源码+Pyqt5界面+数据集+训练代码】YOLOv8、ByteTrack、目标追踪、双向计数、行人检测追踪、过线计数阿_旭 AI应用软件开发实战深度学习实战深度学习 python 行人检测行人追踪过线计数
《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
【激活函数总结】Pytorch中的激活函数详解： ReLU、Leaky ReLU、Sigmoid、Tanh 以及 Softmax 阿_旭深度学习知识点 pytorch 人工智能 python 激活函数深度学习
《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.
统一思想认识永夜-极光思想
1.统一思想认识的基础,才能有的放矢原因: 总有一种描述事物的方式最贴近本质,最容易让人理解. 如何让教育更轻松,在于找到最适合学生的方式. 难点在于,如何模拟对方的思维基础选择合适的方式. &
Joda Time使用笔记 bylijinnan java joda time
Joda Time的介绍可以参考这篇文章： http://www.ibm.com/developerworks/cn/java/j-jodatime.html 工作中也常常用到Joda Time，为了避免每次使用都查API，记录一下常用的用法： /** * DateTime变化（增减） */ @Tes
FileUtils API eksliang FileUtils FileUtils API
转载请出自出处：http://eksliang.iteye.com/blog/2217374 一、概述这是一个Java操作文件的常用库，是Apache对java的IO包的封装，这里面有两个非常核心的类FilenameUtils跟FileUtils，其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装，开发中对文件的操作，几乎都可以在这个框架里面找到。非常的好用。
各种新兴技术不懂事的小屁孩技术
1:gradle Gradle 是以 Groovy 语言为基础，面向Java应用为主。基于DSL（领域特定语言）语法的自动化构建工具。现在构建系统常用到maven工具，现在有更容易上手的gradle，搭建java环境: http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/ 搭建android环境： http://m
tomcat6的https双向认证酷的飞上天空 tomcat6
1.生成服务器端证书 keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
托管虚拟桌面市场势不可挡蓝儿唯美
用户还需要冗余的数据中心，dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台，提供服务或者MSP也可以自己来控制。在某些情况下，MSP会在dinCloud的云服务上进行服务分层，如监控和补丁管理。 MSP的利润空间将根据其参与的程度而有所不同，Din说。 “我们有一些合作伙伴负责将我们推荐给客户作为个
spring学习——xml文件的配置 a-john spring
在Spring的学习中，对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中，采用XML配置也是最常见的。以下是一个简单的XML配置文件： <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.or
HDU 4342 History repeat itself 模拟 aijuans 模拟
来源：http://acm.hdu.edu.cn/showproblem.php?pid=4342 题意：首先让求第几个非平方数，然后求从1到该数之间的每个sqrt(i)的下取整的和。思路：一个简单的模拟题目，但是由于数据范围大，需要用__int64。我们可以首先把平方数筛选出来，假如让求第n个非平方数的话，看n前面有多少个平方数，假设有x个，则第n个非平方数就是n+x。注意两种特殊情况，即
java中最常用jar包的用途 asia007 java
java中最常用jar包的用途 jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口，提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法，以及接收和处理SOAP错误的方法. w
ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法百合不是茶 js json编码返回异常
一:ajax获取自定义Struts框架中的json编码出现以下问题: 1,强制flush输出 json编码打印在首页 2, 不强制flush js会解析json 打印出来的是错误的jsp页面却没有跳转到错误页面 3, ajax中的dataType的json 改为text 会
JUnit使用的设计模式 bijian1013 java 设计模式 JUnit
JUnit源代码涉及使用了大量设计模式 1、模板方法模式（Template Method）定义一个操作中的算法骨架，而将一些步骤延伸到子类中去，使得子类可以不改变一个算法的结构，即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构，也就是步骤，而步骤的实现可以在子类中完成。
Linux常用命令（摘录） sunjing crond chkconfig
chkconfig --list 查看linux所有服务 chkconfig --add servicename 添加linux服务 netstat -apn | grep 8080 查看端口占用 env 查看所有环境变量 echo $JAVA_HOME 查看JAVA_HOME环境变量安装编译器 yum install -y gcc
【Hadoop一】Hadoop伪集群环境搭建 bit1129 hadoop
结合网上多份文档，不断反复的修正hadoop启动和运行过程中出现的问题，终于把Hadoop2.5.2伪分布式安装起来，跑通了wordcount例子。Hadoop的安装复杂性的体现之一是，Hadoop的安装文档非常多，但是能一个文档走下来的少之又少，尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布，但是它的配置跟2.5.0，2.5.1没有分别。 &nb
Anychart图表系列五之事件监听白糖_ chart
创建图表事件监听非常简单：首先是通过addEventListener('监听类型',js监听方法)添加事件监听，然后在js监听方法中定义具体监听逻辑。以钻取操作为例，当用户点击图表某一个point的时候弹出point的name和value，代码如下： <script> //创建AnyChart var chart = new AnyChart(); //添加钻取操作&quo
Web前端相关段子 braveCS web前端
Web标准：结构、样式和行为分离使用语义化标签 0）标签的语义：使用有良好语义的标签，能够很好地实现自我解释，方便搜索引擎理解网页结构，抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容，具有很好的可读性，从而实现对特殊终端的兼容。 1）div和span是没有语义的：只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时，才会适当添加div
编程之美-24点游戏 bylijinnan 编程之美
import java.util.ArrayList; import java.util.Arrays; import java.util.HashSet; import java.util.List; import java.util.Random; import java.util.Set; public class PointGame { /**编程之美
主页面子页面传值总结 chengxuyuancsdn 总结
1、showModalDialog returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值主界面 var sonValue=window.showModalDialog("son.jsp"); 子界面 window.retu
[网络与经济]互联网+的含义 comsci 互联网+
互联网+后面是一个人的名字 = 网络控制系统互联网+你的名字 = 网络个人数据库每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
oracle 创建视图 with check option daizj 视图 view oralce
我们来看下面的例子： create or replace view testview as select empno,ename from emp where ename like ‘M%’ with check option; 这里我们创建了一个视图，并使用了with check option来限制了视图。然后我们来看一下视图包含的结果： select * from testv
ToastPlugin插件在cordova3.3下使用 dibov Cordova
自己开发的Todos应用，想实现“ 再按一次返回键退出程序 ”的功能，采用网上的ToastPlugins插件，发现代码或文章基本都是老版本，运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。 ToastPlugin.java package&nbs
C语言22个系统函数 dcj3sjt126com c function
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分（尾数）x和以2位的指数部分n，即num=x*2n，指数n存放在exp指向的变量中，返回x。D
开发一个类的流程 dcj3sjt126com 开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件，并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库，供以后复用。以下是开发流程： 1. 明确类的功能，抽象出类的大概结构 2. 初步设想类的接口 3. 类名设计（驼峰式命名） 4. 属性设置(权限设置) 判断某些变量是否有必要作为成员属
java 并发 shuizhaosi888 java 并发
能够写出高伸缩性的并发是一门艺术在JAVA SE5中新增了3个包 java.util.concurrent java.util.concurrent.atomic java.util.concurrent.locks 在java的内存模型中，类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享，局部变量与方法参数都是线程私有的，不会被共享。
Spring Security（11）——匿名认证 234390216 Spring Security ROLE_ANNOYMOUS 匿名
匿名认证目录 1.1 配置 1.2 AuthenticationTrustResolver 对于匿名访问的用户，Spring Security支持为其建立一个匿名的AnonymousAuthenticat
NODEJS项目实践0.2[ express,ajax通信...] 逐行分析JS源代码 Ajax nodejs express
一、前言通过上节学习，我们已经 ubuntu系统搭建了一个可以访问的nodejs系统，并做了nginx转发。本节原要做web端服务及 mongodb的存取，但写着写着，web端就
在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值 lhbthanks java html struts checkbox
第一种方法：获取结果String类型在 Action 中获得的是一个 String 型数据，每一个被选中的 checkbox 的 value 被拼接在一起，每个值之间以逗号隔开(,)。所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。以下是实现的代码：前台 HTML 代码：
003.Kafka基本概念 nweiren hadoop kafka
Kafka基本概念：Topic、Partition、Message、Producer、Broker、Consumer。 Topic：消息源（Message）的分类。 Partition： Topic物理上的分组，一
Linux环境下安装JDK roadrunners jdk linux
1、准备工作创建JDK的安装目录： mkdir -p /usr/java/ 下载JDK，找到适合自己系统的JDK版本进行下载： http://www.oracle.com/technetwork/java/javase/downloads/index.html 把JDK安装包下载到/usr/java/目录，然后进行解压： tar -zxvf jre-7
Linux忘记root密码的解决思路 tomcat_oracle linux
1：使用同版本的linux启动系统，chroot到忘记密码的根分区passwd改密码　　2：grub启动菜单中加入init=/bin/bash进入系统，不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 　　3: grub启动菜单中加入 single以单用户进入系统. 　　4:用以上方法mount到根分区把/etc/passwd中的root密码去除　　例如: 　　ro
跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现 xueyou jsonp jquery 框架 UI html5
postMessage 是 HTML5 新方法，它可以实现跨域窗口之间通讯。到目前为止，只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持，而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样，前者是前端擅长跨域文档数据即时通讯，后者擅长针对跨域服务端数据通讯，p