libo-coder

『paddle』paddleclas 学习笔记：分类预训练模型选择

- ImageNet预训练模型库
- - 模型库概览图
  - SSLD知识蒸馏预训练模型
  - ResNet 及其 Vd 系列
  - 移动端系列
  - SEResNeXt与Res2Net系列
  - DPN 与 DenseNet 系列
  - HRNet系列
  - Inception系列
  - EfficientNet与ResNeXt101_wsl系列
  - ResNeSt 与 RegNet 系列
  - ViT_and_DeiT 系列
  - RepVGG系列
  - MixNet系列
  - ReXNet系列
  - SwinTransformer系列
  - LeViT系列
  - Twins系列
  - HarDNet系列
  - DLA系列
  - RedNet系列
  - TNT系列
  - 其他模型

ImageNet预训练模型库

模型库概览图

基于 ImageNet1k 分类数据集，PaddleClas 支持 35 个系列分类网络结构以及对应的 164 个图像分类预训练模型，训练技巧、每个系列网络结构的简单介绍和性能评估将在相应章节展现，下面所有的速度指标评估环境如下：

CPU的评估环境基于骁龙855（SD855）。
GPU评估环境基于 T4 机器，在 FP32+TensorRT 配置下运行 500 次测得（去除前10次的 warmup 时间）。

SSLD知识蒸馏预训练模型

基于 SSLD 知识蒸馏的预训练模型列表如下所示，更多关于SSLD知识蒸馏方案的介绍可以参考：之后增加的SSLD知识蒸馏文档。

服务器端知识蒸馏模型

模型	Top-1 Acc	Reference Top-1 Acc	Acc gain	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
ResNet34_vd_ssld	0.797	0.760	0.037	2.434	6.222	7.39	21.82	下载链接
ResNet50_vd_ ssld	0.830	0.792	0.039	3.531	8.090	8.67	25.58	下载链接
ResNet101_vd_ ssld	0.837	0.802	0.035	6.117	13.762	16.1	44.57	下载链接
Res2Net50_vd_ 26w_4s_ssld	0.831	0.798	0.033	4.527	9.657	8.37	25.06	下载链接
Res2Net101_vd_ 26w_4s_ssld	0.839	0.806	0.033	8.087	17.312	16.67	45.22	下载链接
Res2Net200_vd_ 26w_4s_ssld	0.851	0.812	0.049	14.678	32.350	31.49	76.21	下载链接
HRNet_W18_C_ssld	0.812	0.769	0.043	7.406	13.297	4.14	21.29	下载链接
HRNet_W48_C_ssld	0.836	0.790	0.046	13.707	34.435	34.58	77.47	下载链接
SE_HRNet_W64_C_ssld	0.848	-	-	31.697	94.995	57.83	128.97	下载链接

端侧知识蒸馏模型

模型	Top-1 Acc	Reference Top-1 Acc	Acc gain	SD855 time(ms) bs=1	Flops(G)	Params(M)	模型大小(M)	下载地址
MobileNetV1_ ssld	0.779	0.710	0.069	32.523	1.11	4.19	16	下载链接
MobileNetV2_ ssld	0.767	0.722	0.045	23.318	0.6	3.44	14	下载链接
MobileNetV3_ small_x0_35_ssld	0.556	0.530	0.026	2.635	0.026	1.66	6.9	下载链接
MobileNetV3_ large_x1_0_ssld	0.790	0.753	0.036	19.308	0.45	5.47	21	下载链接
MobileNetV3_small_ x1_0_ssld	0.713	0.682	0.031	6.546	0.123	2.94	12	下载链接
GhostNet_ x1_3_ssld	0.794	0.757	0.037	19.983	0.44	7.3	29	下载链接

注: Reference Top-1 Acc表示 PaddleClas 基于 ImageNet1k 数据集训练得到的预训练模型精度。

ResNet 及其 Vd 系列

ResNet及其Vd系列模型的精度、速度指标如下表所示，更多关于该系列的模型介绍可以参考：ResNet及其Vd系列模型文档。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
ResNet18	0.7098	0.8992	1.45606	3.56305	3.66	11.69	下载链接
ResNet18_vd	0.7226	0.9080	1.54557	3.85363	4.14	11.71	下载链接
ResNet34	0.7457	0.9214	2.34957	5.89821	7.36	21.8	下载链接
ResNet34_vd	0.7598	0.9298	2.43427	6.22257	7.39	21.82	下载链接
ResNet34_vd_ssld	0.7972	0.9490	2.43427	6.22257	7.39	21.82	下载链接
ResNet50	0.7650	0.9300	3.47712	7.84421	8.19	25.56	下载链接
ResNet50_vc	0.7835	0.9403	3.52346	8.10725	8.67	25.58	下载链接
ResNet50_vd	0.7912	0.9444	3.53131	8.09057	8.67	25.58	下载链接
ResNet101	0.7756	0.9364	6.07125	13.40573	15.52	44.55	下载链接
ResNet101_vd	0.8017	0.9497	6.11704	13.76222	16.1	44.57	下载链接
ResNet152	0.7826	0.9396	8.50198	19.17073	23.05	60.19	下载链接
ResNet152_vd	0.8059	0.9530	8.54376	19.52157	23.53	60.21	下载链接
ResNet200_vd	0.8093	0.9533	10.80619	25.01731	30.53	74.74	下载链接
ResNet50_vd_ ssld	0.8300	0.9640	3.53131	8.09057	8.67	25.58	下载链接
ResNet101_vd_ ssld	0.8373	0.9669	6.11704	13.76222	16.1	44.57	下载链接

移动端系列

移动端系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	SD855 time(ms) bs=1	Flops(G)	Params(M)	模型大小(M)	下载地址
MobileNetV1_ x0_25	0.5143	0.7546	3.21985	0.07	0.46	1.9	下载链接
MobileNetV1_ x0_5	0.6352	0.8473	9.579599	0.28	1.31	5.2	下载链接
MobileNetV1_ x0_75	0.6881	0.8823	19.436399	0.63	2.55	10	下载链接
MobileNetV1	0.7099	0.8968	32.523048	1.11	4.19	16	下载链接
MobileNetV1_ ssld	0.7789	0.9394	32.523048	1.11	4.19	16	下载链接
MobileNetV2_ x0_25	0.5321	0.7652	3.79925	0.05	1.5	6.1	下载链接
MobileNetV2_ x0_5	0.6503	0.8572	8.7021	0.17	1.93	7.8	下载链接
MobileNetV2_ x0_75	0.6983	0.8901	15.531351	0.35	2.58	10	下载链接
MobileNetV2	0.7215	0.9065	23.317699	0.6	3.44	14	下载链接
MobileNetV2_ x1_5	0.7412	0.9167	45.623848	1.32	6.76	26	下载链接
MobileNetV2_ x2_0	0.7523	0.9258	74.291649	2.32	11.13	43	下载链接
MobileNetV2_ ssld	0.7674	0.9339	23.317699	0.6	3.44	14	下载链接
MobileNetV3_ large_x1_25	0.7641	0.9295	28.217701	0.714	7.44	29	下载链接
MobileNetV3_ large_x1_0	0.7532	0.9231	19.30835	0.45	5.47	21	下载链接
MobileNetV3_ large_x0_75	0.7314	0.9108	13.5646	0.296	3.91	16	下载链接
MobileNetV3_ large_x0_5	0.6924	0.8852	7.49315	0.138	2.67	11	下载链接
MobileNetV3_ large_x0_35	0.6432	0.8546	5.13695	0.077	2.1	8.6	下载链接
MobileNetV3_ small_x1_25	0.7067	0.8951	9.2745	0.195	3.62	14	下载链接
MobileNetV3_ small_x1_0	0.6824	0.8806	6.5463	0.123	2.94	12	下载链接
MobileNetV3_ small_x0_75	0.6602	0.8633	5.28435	0.088	2.37	9.6	下载链接
MobileNetV3_ small_x0_5	0.5921	0.8152	3.35165	0.043	1.9	7.8	下载链接
MobileNetV3_ small_x0_35	0.5303	0.7637	2.6352	0.026	1.66	6.9	下载链接
MobileNetV3_ small_x0_35_ssld	0.5555	0.7771	2.6352	0.026	1.66	6.9	下载链接
MobileNetV3_ large_x1_0_ssld	0.7896	0.9448	19.30835	0.45	5.47	21	下载链接
MobileNetV3_small_ x1_0_ssld	0.7129	0.9010	6.5463	0.123	2.94	12	下载链接
ShuffleNetV2	0.6880	0.8845	10.941	0.28	2.26	9	下载链接
ShuffleNetV2_ x0_25	0.4990	0.7379	2.329	0.03	0.6	2.7	下载链接
ShuffleNetV2_ x0_33	0.5373	0.7705	2.64335	0.04	0.64	2.8	下载链接
ShuffleNetV2_ x0_5	0.6032	0.8226	4.2613	0.08	1.36	5.6	下载链接
ShuffleNetV2_ x1_5	0.7163	0.9015	19.3522	0.58	3.47	14	下载链接
ShuffleNetV2_ x2_0	0.7315	0.9120	34.770149	1.12	7.32	28	下载链接
ShuffleNetV2_ swish	0.7003	0.8917	16.023151	0.29	2.26	9.1	下载链接
GhostNet_ x0_5	0.6688	0.8695	5.7143	0.082	2.6	10	下载链接
GhostNet_ x1_0	0.7402	0.9165	13.5587	0.294	5.2	20	下载链接
GhostNet_ x1_3	0.7579	0.9254	19.9825	0.44	7.3	29	下载链接
GhostNet_ x1_3_ssld	0.7938	0.9449	19.9825	0.44	7.3	29	下载链接

SEResNeXt与Res2Net系列

SEResNeXt 与 Res2Net 系列模型的精度、速度指标如下表所示，。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
Res2Net50_ 26w_4s	0.7933	0.9457	4.47188	9.65722	8.52	25.7	下载链接
Res2Net50_vd_ 26w_4s	0.7975	0.9491	4.52712	9.93247	8.37	25.06	下载链接
Res2Net50_ 14w_8s	0.7946	0.9470	5.4026	10.60273	9.01	25.72	下载链接
Res2Net101_vd_ 26w_4s	0.8064	0.9522	8.08729	17.31208	16.67	45.22	下载链接
Res2Net200_vd_ 26w_4s	0.8121	0.9571	14.67806	32.35032	31.49	76.21	下载链接
Res2Net200_vd_ 26w_4s_ssld	0.8513	0.9742	14.67806	32.35032	31.49	76.21	下载链接
ResNeXt50_ 32x4d	0.7775	0.9382	7.56327	10.6134	8.02	23.64	下载链接
ResNeXt50_vd_ 32x4d	0.7956	0.9462	7.62044	11.03385	8.5	23.66	下载链接
ResNeXt50_ 64x4d	0.7843	0.9413	13.80962	18.4712	15.06	42.36	下载链接
ResNeXt50_vd_ 64x4d	0.8012	0.9486	13.94449	18.88759	15.54	42.38	下载链接
ResNeXt101_ 32x4d	0.7865	0.9419	16.21503	19.96568	15.01	41.54	下载链接
ResNeXt101_vd_ 32x4d	0.8033	0.9512	16.28103	20.25611	15.49	41.56	下载链接
ResNeXt101_ 64x4d	0.7835	0.9452	30.4788	36.29801	29.05	78.12	下载链接
ResNeXt101_vd_ 64x4d	0.8078	0.9520	30.40456	36.77324	29.53	78.14	下载链接
ResNeXt152_ 32x4d	0.7898	0.9433	24.86299	29.36764	22.01	56.28	下载链接
ResNeXt152_vd_ 32x4d	0.8072	0.9520	25.03258	30.08987	22.49	56.3	下载链接
ResNeXt152_ 64x4d	0.7951	0.9471	46.7564	56.34108	43.03	107.57	下载链接
ResNeXt152_vd_ 64x4d	0.8108	0.9534	47.18638	57.16257	43.52	107.59	下载链接
SE_ResNet18_vd	0.7333	0.9138	1.7691	4.19877	4.14	11.8	下载链接
SE_ResNet34_vd	0.7651	0.9320	2.88559	7.03291	7.84	21.98	下载链接
SE_ResNet50_vd	0.7952	0.9475	4.28393	10.38846	8.67	28.09	下载链接
SE_ResNeXt50_ 32x4d	0.7844	0.9396	8.74121	13.563	8.02	26.16	下载链接
SE_ResNeXt50_vd_ 32x4d	0.8024	0.9489	9.17134	14.76192	10.76	26.28	下载链接
SE_ResNeXt101_ 32x4d	0.7939	0.9443	18.82604	25.31814	15.02	46.28	下载链接
SENet154_vd	0.8140	0.9548	53.79794	66.31684	45.83	114.29	下载链接

DPN 与 DenseNet 系列

DPN 与 DenseNet 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
DenseNet121	0.7566	0.9258	4.40447	9.32623	5.69	7.98	下载链接
DenseNet161	0.7857	0.9414	10.39152	22.15555	15.49	28.68	下载链接
DenseNet169	0.7681	0.9331	6.43598	12.98832	6.74	14.15	下载链接
DenseNet201	0.7763	0.9366	8.20652	17.45838	8.61	20.01	下载链接
DenseNet264	0.7796	0.9385	12.14722	26.27707	11.54	33.37	下载链接
DPN68	0.7678	0.9343	11.64915	12.82807	4.03	10.78	下载链接
DPN92	0.7985	0.9480	18.15746	23.87545	12.54	36.29	下载链接
DPN98	0.8059	0.9510	21.18196	33.23925	22.22	58.46	下载链接
DPN107	0.8089	0.9532	27.62046	52.65353	35.06	82.97	下载链接
DPN131	0.8070	0.9514	28.33119	46.19439	30.51	75.36	下载链接

HRNet系列

HRNet系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
HRNet_W18_C	0.7692	0.9339	7.40636	13.29752	4.14	21.29	下载链接
HRNet_W18_C_ssld	0.81162	0.95804	7.40636	13.29752	4.14	21.29	下载链接
HRNet_W30_C	0.7804	0.9402	9.57594	17.35485	16.23	37.71	下载链接
HRNet_W32_C	0.7828	0.9424	9.49807	17.72921	17.86	41.23	下载链接
HRNet_W40_C	0.7877	0.9447	12.12202	25.68184	25.41	57.55	下载链接
HRNet_W44_C	0.7900	0.9451	13.19858	32.25202	29.79	67.06	下载链接
HRNet_W48_C	0.7895	0.9442	13.70761	34.43572	34.58	77.47	下载链接
HRNet_W48_C_ssld	0.8363	0.9682	13.70761	34.43572	34.58	77.47	下载链接
HRNet_W64_C	0.7930	0.9461	17.57527	47.9533	57.83	128.06	下载链接
SE_HRNet_W64_C_ssld	0.8475	0.9726	31.69770	94.99546	57.83	128.97	下载链接

Inception系列

Inception 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
GoogLeNet	0.7070	0.8966	1.88038	4.48882	2.88	8.46	下载链接
Xception41	0.7930	0.9453	4.96939	17.01361	16.74	22.69	下载链接
Xception41_deeplab	0.7955	0.9438	5.33541	17.55938	18.16	26.73	下载链接
Xception65	0.8100	0.9549	7.26158	25.88778	25.95	35.48	下载链接
Xception65_deeplab	0.8032	0.9449	7.60208	26.03699	27.37	39.52	下载链接
Xception71	0.8111	0.9545	8.72457	31.55549	31.77	37.28	下载链接
InceptionV3	0.7914	0.9459	6.64054	13.53630	11.46	23.83	下载链接
InceptionV4	0.8077	0.9526	12.99342	25.23416	24.57	42.68	下载链接

EfficientNet与ResNeXt101_wsl系列

EfficientNet 与 ResNeXt101_wsl 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
ResNeXt101_ 32x8d_wsl	0.8255	0.9674	18.52528	34.25319	29.14	78.44	下载链接
ResNeXt101_ 32x16d_wsl	0.8424	0.9726	25.60395	71.88384	57.55	152.66	下载链接
ResNeXt101_ 32x32d_wsl	0.8497	0.9759	54.87396	160.04337	115.17	303.11	下载链接
ResNeXt101_ 32x48d_wsl	0.8537	0.9769	99.01698256	315.91261	173.58	456.2	下载链接
Fix_ResNeXt101_ 32x48d_wsl	0.8626	0.9797	160.0838242	595.99296	354.23	456.2	下载链接
EfficientNetB0	0.7738	0.9331	3.442	6.11476	0.72	5.1	下载链接
EfficientNetB1	0.7915	0.9441	5.3322	9.41795	1.27	7.52	下载链接
EfficientNetB2	0.7985	0.9474	6.29351	10.95702	1.85	8.81	下载链接
EfficientNetB3	0.8115	0.9541	7.67749	16.53288	3.43	11.84	下载链接
EfficientNetB4	0.8285	0.9623	12.15894	30.94567	8.29	18.76	下载链接
EfficientNetB5	0.8362	0.9672	20.48571	61.60252	19.51	29.61	下载链接
EfficientNetB6	0.8400	0.9688	32.62402	-	36.27	42	下载链接
EfficientNetB7	0.8430	0.9689	53.93823	-	72.35	64.92	下载链接
EfficientNetB0_ small	0.7580	0.9258	2.3076	4.71886	0.72	4.65	下载链接

ResNeSt 与 RegNet 系列

ResNeSt 与 RegNet 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
ResNeSt50_ fast_1s1x64d	0.8035	0.9528	3.45405	8.72680	8.68	26.3	下载链接
ResNeSt50	0.8083	0.9542	6.69042	8.01664	10.78	27.5	下载链接
RegNetX_4GF	0.785	0.9416	6.46478	11.19862	8	22.1	下载链接

ViT_and_DeiT 系列

ViT（Vision Transformer）与 DeiT（Data-efficient Image Transformers）系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Params(M)	下载地址
ViT_small_ patch16_224	0.7769	0.9342	-	-		下载链接
ViT_base_ patch16_224	0.8195	0.9617	-	-	86	下载链接
ViT_base_ patch16_384	0.8414	0.9717	-	-		下载链接
ViT_base_ patch32_384	0.8176	0.9613	-	-		下载链接
ViT_large_ patch16_224	0.8323	0.9650	-	-	307	下载链接
ViT_large_ patch16_384	0.8513	0.9736	-	-		下载链接
ViT_large_ patch32_384	0.8153	0.9608	-	-		下载链接

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Params(M)	下载地址
DeiT_tiny_ patch16_224	0.718	0.910	-	-	5	下载链接
DeiT_small_ patch16_224	0.796	0.949	-	-	22	下载链接
DeiT_base_ patch16_224	0.817	0.957	-	-	86	下载链接
DeiT_base_ patch16_384	0.830	0.962	-	-	87	下载链接
DeiT_tiny_ distilled_patch16_224	0.741	0.918	-	-	6	下载链接
DeiT_small_ distilled_patch16_224	0.809	0.953	-	-	22	下载链接
DeiT_base_ distilled_patch16_224	0.831	0.964	-	-	87	下载链接
DeiT_base_ distilled_patch16_384	0.851	0.973	-	-	88	下载链接

RepVGG系列

关于RepVGG系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	下载地址
RepVGG_A0	0.7131	0.9016	下载链接
RepVGG_A1	0.7380	0.9146	下载链接
RepVGG_A2	0.7571	0.9264	下载链接
RepVGG_B0	0.7450	0.9213	下载链接
RepVGG_B1	0.7773	0.9385	下载链接
RepVGG_B2	0.7813	0.9410	下载链接
RepVGG_B1g2	0.7732	0.9359	下载链接
RepVGG_B1g4	0.7675	0.9335	下载链接
RepVGG_B2g4	0.7881	0.9448	下载链接
RepVGG_B3g4	0.7965	0.9485	下载链接

MixNet系列

关于MixNet系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(M)	Params(M)	下载地址
MixNet_S	0.7628	0.9299	252.977	4.167	下载链接
MixNet_M	0.7767	0.9364	357.119	5.065	下载链接
MixNet_L	0.7860	0.9437	579.017	7.384	下载链接

ReXNet系列

关于ReXNet系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
ReXNet_1_0	0.7746	0.9370	0.415	4.838	下载链接
ReXNet_1_3	0.7913	0.9464	0.683	7.611	下载链接
ReXNet_1_5	0.8006	0.9512	0.900	9.791	下载链接
ReXNet_2_0	0.8122	0.9536	1.561	16.449	下载链接
ReXNet_3_0	0.8209	0.9612	3.445	34.833	下载链接

SwinTransformer系列

关于 SwinTransformer 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
SwinTransformer_tiny_patch4_window7_224	0.8069	0.9534	4.5	28	下载链接
SwinTransformer_small_patch4_window7_224	0.8275	0.9613	8.7	50	下载链接
SwinTransformer_base_patch4_window7_224	0.8300	0.9626	15.4	88	下载链接
SwinTransformer_base_patch4_window12_384	0.8439	0.9693	47.1	88	下载链接
SwinTransformer_base_patch4_window7_224^[1]	0.8487	0.9746	15.4	88	下载链接
SwinTransformer_base_patch4_window12_384^[1]	0.8642	0.9807	47.1	88	下载链接
SwinTransformer_large_patch4_window7_224^[1]	0.8596	0.9783	34.5	197	下载链接
SwinTransformer_large_patch4_window12_384^[1]	0.8719	0.9823	103.9	197	下载链接

[1]：基于ImageNet22k数据集预训练，然后在ImageNet1k数据集迁移学习得到。

LeViT系列

关于 LeViT 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(M)	Params(M)	下载地址
LeViT_128S	0.7598	0.9269	305	7.8	下载链接
LeViT_128	0.7810	0.9371	406	9.2	下载链接
LeViT_192	0.7934	0.9446	658	11	下载链接
LeViT_256	0.8085	0.9497	1120	19	下载链接
LeViT_384	0.8191	0.9551	2353	39	下载链接

注：与 Reference 的精度差异源于数据预处理不同及未使用蒸馏的 head 作为输出。

Twins系列

关于 Twins 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
pcpvt_small	0.8082	0.9552	3.7	24.1	下载链接
pcpvt_base	0.8242	0.9619	6.4	43.8	下载链接
pcpvt_large	0.8273	0.9650	9.5	60.9	下载链接
alt_gvt_small	0.8140	0.9546	2.8	24	下载链接
alt_gvt_base	0.8294	0.9621	8.3	56	下载链接
alt_gvt_large	0.8331	0.9642	14.8	99.2	下载链接

注：与 Reference 的精度差异源于数据预处理不同。

HarDNet系列

关于HarDNet系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
HarDNet39_ds	0.7133	0.8998	0.4	3.5	下载链接
HarDNet68_ds	0.7362	0.9152	0.8	4.2	下载链接
HarDNet68	0.7546	0.9265	4.3	17.6	下载链接
HarDNet85	0.7744	0.9355	9.1	36.7	下载链接

DLA系列

关于 DLA 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
DLA102	0.7893	0.9452	7.2	33.3	下载链接
DLA102x2	0.7885	0.9445	9.3	41.4	下载链接
DLA102x	0.781	0.9400	5.9	26.4	下载链接
DLA169	0.7809	0.9409	11.6	53.5	下载链接
DLA34	0.7603	0.9298	3.1	15.8	下载链接
DLA46_c	0.6321	0.853	0.5	1.3	下载链接
DLA60	0.7610	0.9292	4.2	22.0	下载链接
DLA60x_c	0.6645	0.8754	0.6	1.3	下载链接
DLA60x	0.7753	0.9378	3.5	17.4	下载链接

RedNet系列

关于 RedNet 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	Flops(G)	Params(M)	下载地址
RedNet26	0.7595	0.9319	1.7	9.2	下载链接
RedNet38	0.7747	0.9356	2.2	12.4	下载链接
RedNet50	0.7833	0.9417	2.7	15.5	下载链接
RedNet101	0.7894	0.9436	4.7	25.7	下载链接
RedNet152	0.7917	0.9440	6.8	34.0	下载链接

TNT系列

关于 TNT 系列模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
TNT_small	0.8121	0.9563			5.2	23.8	下载链接

注：TNT模型的数据预处理部分NormalizeImage中的mean与std均为0.5。

其他模型

关于 AlexNet、SqueezeNet 系列、VGG 系列、DarkNet53 等模型的精度、速度指标如下表所示。

模型	Top-1 Acc	Top-5 Acc	time(ms) bs=1	time(ms) bs=4	Flops(G)	Params(M)	下载地址
AlexNet	0.567	0.792	1.44993	2.46696	1.370	61.090	下载链接
SqueezeNet1_0	0.596	0.817	0.96736	2.53221	1.550	1.240	下载链接
SqueezeNet1_1	0.601	0.819	0.76032	1.877	0.690	1.230	下载链接
VGG11	0.693	0.891	3.90412	9.51147	15.090	132.850	下载链接
VGG13	0.700	0.894	4.64684	12.61558	22.480	133.030	下载链接
VGG16	0.720	0.907	5.61769	16.40064	30.810	138.340	下载链接
VGG19	0.726	0.909	6.65221	20.4334	39.130	143.650	下载链接
DarkNet53	0.780	0.941	4.10829	12.1714	18.580	41.600	下载链接

云服务业界动态简报-20180128 Captain7
一、青云青云QingCloud推出深度学习平台DeepLearningonQingCloud，包含了主流的深度学习框架及数据科学工具包，通过QingCloudAppCenter一键部署交付，可以让算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。二、腾讯云1.腾讯云正式发布腾讯专有云TCE(TencentCloudEnterprise)矩阵，涵盖企业版、大数据版、AI
Keras深度学习框架入门及实战指南司莹嫣Maude
Keras深度学习框架入门及实战指南keraskeras-team/keras:是一个基于Python的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用Python深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址:https://gitcode.com/gh_mirrors/ke/keras一、项目介绍Keras简介Keras是一款高级神经网络
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
【ShuQiHere】小白也能懂的 TensorFlow 和 PyTorch GPU 配置教程 ShuQiHere tensorflow pytorch 人工智能
【ShuQiHere】在深度学习中，GPU的使用对于加速模型训练至关重要。然而，对于许多刚刚入门的小白来说，如何在TensorFlow和PyTorch中指定使用GPU进行训练可能会感到困惑。在本文中，我将详细介绍如何在这两个主流的深度学习框架中指定使用GPU进行训练，并确保每一个步骤都简单易懂，跟着我的步骤来，你也能轻松上手！1.安装所需库首先，确保你已经安装了TensorFlow或PyTorch
解决ModuleNotFoundError: No module named ‘torch的方法梅菊林各种问题解决方案开发语言
ModuleNotFoundError:Nomodulenamed‘torch’错误是Python在尝试导入名为torch的模块时找不到该模块而抛出的异常。torch是PyTorch深度学习框架的核心库，如果你的Python环境中没有安装这个库，尝试导入时就会遇到这个错误。文章目录报错问题报错原因解决方法报错问题当你尝试在Python脚本或交互式环境中执行以下命令时：importtorch如果Py
NLP_jieba中文分词的常用模块 Hiweir · NLP_jieba的使用自然语言处理中文分词人工智能 nlp
1.jieba分词模式（1）精确模式:把句子最精确的切分开,比较适合文本分析.默认精确模式.（2）全模式:把句子中所有可能成词的词都扫描出来,cut_all=True,缺点:速度快,不能解决歧义（3）paddle:利用百度的paddlepaddle深度学习框架.简单来说就是使用百度提供的分词模型.use_paddle=True.（4）搜索引擎模式:在精确模式的基础上,对长词再进行切分,提高召回率,
每天五分钟玩转深度学习框架PyTorch：获取神经网络模型的参数幻风_huanfeng 深度学习框架pytorch 深度学习 pytorch 神经网络人工智能模型参数 python
本文重点当我们定义好神经网络之后，这个网络是由多个网络层构成的，每层都有参数，我们如何才能获取到这些参数呢？我们将再下面介绍几个方法来获取神经网络的模型参数，此文我们是为了学习第6步（优化器）。获取所有参数Parametersfromtorchimportnnnet=nn.Sequential(nn.Linear(4,2),nn.Linear(2,2))print(list(net.paramet
每天五分钟玩转深度学习框架PyTorch：将nn的神经网络层连接起来幻风_huanfeng 深度学习框架pytorch 深度学习 pytorch 神经网络人工智能机器学习 python
本文重点前面我们学习pytorch中已经封装好的神经网络层，有全连接层，激活层，卷积层等等，我们可以直接使用。如代码所示我们直接使用了两个nn.Linear（），这两个linear之间并没有组合在一起，所以forward的之后，分别调用了，在实际使用中我们常常将几个神经层组合在一起，这样不仅操作方便，而且代码清晰。这里介绍一下Sequential()和ModuleList()，它们可以将多个神经网
【Python】已解决：ModuleNotFoundError: No module named ‘paddle‘ 屿小夏 python paddle 开发语言
文章目录一、分析问题背景二、可能出错的原因三、错误代码示例四、正确代码示例步骤1：安装PaddlePaddle库步骤2：验证安装五、注意事项已解决：ModuleNotFoundError:Nomodulenamed‘paddle‘一、分析问题背景在使用Python进行深度学习开发时，开发者可能会选择使用PaddlePaddle作为深度学习框架。然而，有时在导入PaddlePaddle库时，可能会遇
深度学习算法，该如何深入，举例说明 liyy614 深度学习
深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
深度学习框架人工智能操作系统训练&前向推理 PyTorch Tensorflow MindSpore caffe 张量加速引擎TBE 深度学习编译器多面体 polyhedral AI集群框架 EwenWanW 深度学习人工智能 pytorch 深度学习编译器
深度学习框架人工智能操作系统训练&前向推理深度学习框架发展到今天，目前在架构上大体已经基本上成熟并且逐渐趋同。无论是国外的Tensorflow、PyTorch，亦或是国内最近开源的MegEngine、MindSpore，目前基本上都是支持EagerMode和GraphMode两种模式。AI嵌入式框架OneFlow&清华计图Jittor&华为深度学习框架MindSpore&旷视深度学习框架MegEn
Python包的安装 weixin_38778542 Python 包 python anaconda
只是在包装paddlepaddle包的时候，使用官方推荐的命令使用安装失败。大概看了一下，是其他的一些支持的包安装失败，要么是找不到，要么是版本问题，要么是自己网速差……自己又看不明白，或者是静不下心来仔细去查找问题，所以开了这个帖子，希望来记录一下学习Python中，在关于一些包的安装使用上的问题。同时也欢迎大家参与讨论。现在正在安装paddlepaddle以及其支持的包，主要学习https:/
震惊！PaddlePaddle竟然支持Python 3.7了！高斯纯牛奶
震惊！****PaddlePaddle****竟然支持****Python3.7****了！image这个2018，如果你还不知道这件事情，你就真的OUT了！几天之前，一条PaddlePaddle版本发布的消息，让开发者QQ群里的成员又惊又喜：PaddlePaddle支持了Python3.7。在外人看来，PaddlePaddle就像一位用情专一的“钢铁直男“，长久以来一直钟情于Python2.7，
自然语言处理系列六十一》分布式深度学习实战》TensorFlow深度学习框架陈敬雷-充电了么-CEO兼CTO 人工智能算法 python 深度学习自然语言处理 AIGC chatgpt gpt-3 gpt ai
注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架安装和部署过程总结自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架TensorFlow作为最流行的深度学习框架之一，表达了高层次的机器学习计
深度学习框架相关-Python模块的介绍和使用---torch sccum Python常用库的介绍和使用深度学习 python 人工智能
文章摘要：'''1.torch模块，是一个开源的深度学习框架，主要用于构建和训练神经网络。PyTorch的设计目标是提供灵活且高效的工具集，用于深度学习和科学计算；2.下面主要介绍torch模块的五个功能：数据加载和处理，GPU加速，建立网络模型，模型的保存和加载，梯度更新和参数优化；上面功能主要用到的子模块如下：torch.utils.data、torch.cuda、torch.nn、torch
深度学习之深度学习框架——Tensorflow 只求毕业
目录Tensorflow框架Tensorflow的特点Tensorflow基础Tensorflow的编程习惯Tensorflow的设计基本思想Tensorflow进阶图创一个新的图——tf.Graph()op有哪些会话会话的run()方法张量张量的阶张量的数据类型张量的属性张量的静态形状和动态形状张量操作——生成张量张量操作——张量变换Tensorflow框架Tensorflow的特点Tensor
【Python】TensorFlow介绍与实战 Ustinian_310 python tensorflow 开发语言深度学习
TensorFlow介绍与使用1.前言在人工智能领域的快速发展中，深度学习框架的选择至关重要。TensorFlow以其灵活性和强大的社区支持，成为了许多研究者和开发者的首选。本文将进一步扩展对TensorFlow的介绍，包括其优势、应用场景以及在最新版本中的新特性，旨在为读者提供一个全面的学习指南。2.TensorFlow简介2.1TensorFlow的优势社区支持：TensorFlow拥有庞大的
TensorFlow库详解：Python中的深度学习框架极客代码玩转AI 玩转Python 开发语言 python pygame
引言TensorFlow是由GoogleBrain团队开发的开源机器学习库，用于各种复杂的数学计算，特别是涉及深度学习的计算。它提供了大量工具和资源，用于构建和训练机器学习模型。TensorFlow因其强大的功能和灵活性，在机器学习和深度学习领域得到了广泛应用。一、TensorFlow的基本结构TensorFlow的核心是计算图，它是一种用于表示计算的图。这种图可以包含许多节点，每个节点代表一个操
深度学习入门：使用 PyTorch 构建和训练你的第一个神经网络 Mr' 郑深度学习 pytorch 神经网络
引言深度学习是机器学习的一个分支，它利用多层非线性处理单元（即神经网络）来解决复杂的模式识别问题。PyTorch是一个强大的深度学习框架，它提供了灵活的API和动态计算图，非常适合初学者和研究者使用。安装PyTorch确保安装了Python和pip。然后通过以下命令安装PyTorch：pipinstalltorchtorchvision导入库我们需要导入一些必要的库：importtorchimpo
PaddleOCR超大分辨率文本检测代码教程 LEILEI18A Python 深度学习 paddle paddleocr ppocr 超大分辨率文本检测
PaddleOCR超大分辨率文本检测代码教程目录1.前提2.PaddleOCR部署（win10下）3.解决思路和代码1.前提这是我提的issue：https://github.com/PaddlePaddle/PaddleOCR/issues/11888很多问题可以看：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/do
并行处理的艺术：深入探索PyTorch中的torch.nn.parallel模块杨哥带你写代码 pytorch 人工智能 python
标题：并行处理的艺术：深入探索PyTorch中的torch.nn.parallel模块在深度学习领域，模型的规模和复杂性不断增长，这要求我们利用所有可用的计算资源来加速训练和推理过程。PyTorch，作为当前流行的深度学习框架之一，提供了torch.nn.parallel模块，允许我们轻松地将模型部署到多个GPU上。本文将详细介绍如何使用这个模块，以及如何通过并行化来提高模型的计算效率。引言深度学
《昇思25天学习打卡营第1天|快速入门》一只IT攻城狮其他学习
昇思MindSpore介绍昇思MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景统一部署三大目标。其中，易开发表现为API友好、调试难度低；高效执行包括计算效率、数据预处理效率和分布式训练效率；全场景则指框架同时支持云、边缘以及端侧场景。实操本节通过MindSpore的API来快速实现一个简单的深度学习模型。MindSpore提供基于Pipeline的数据引擎，通过数据集
AI深度学习项目-yolo4_tiny 垃圾分类识别系统毕设宇航 yolov4 垃圾识别 QQ767172261
项目概述目标本项目旨在开发一个高效的垃圾分类识别系统，利用深度学习技术特别是YOLOv4-tiny版本来实现垃圾的自动分类。YOLOv4-tiny作为YOLOv4的一个轻量化版本，在保证较高精度的同时，能够提供更快的检测速度，非常适合资源受限的设备或者要求实时性的应用场景。技术栈深度学习框架：PyTorch目标检测算法：YOLOv4-tiny编程语言：Python硬件加速：GPU（如果可用）功能特
百度飞浆目标检测PPYOLOE模型在PC端、Jetson上的部署（python）代码能跑就可以百度目标检测 python 学习计算机视觉笔记
部署目标检测模型前，需要配置好paddlepaddle的环境：开始使用_飞桨-源于产业实践的开源深度学习平台(paddlepaddle.org.cn)PC端和Jetson板卡端的部署方法相同，如下（直接放置部署和测试代码）：importpaddle.inferenceimportcv2importnumpyasnpimporttimefrompaddle.inferenceimportConfig
【pytorch】TensorBoard的使用 hhhhhhkkkyyy pytorch 人工智能 python
TensorBoardTensorBoard是TensorFlow提供的一个可视化工具，用于实时监控、调试和可视化深度学习模型的训练过程和性能指标。虽然它是为TensorFlow设计的，但也可以与其他深度学习框架（如PyTorch）一起使用。下面是一些关于TensorBoard的详细知识和使用方法：可视化功能：Scalars（标量）：用于显示训练过程中的标量数据，比如损失和准确率的变化趋势。Gra
百度飞桨教程（一）怎么这么多名字都被占了百度 paddlepaddle 人工智能
百度飞桨（paddle），是一个开源的深度学习平台百度飞桨的安装pipinstallpaddlepaddle-ihttps://mirror.baidu.com/pypi/simple手写数字识别案例我们来通过一个案例，大概了解paddle的使用importpaddleimportnumpyasnpfrompaddle.vision.transformsimportNormalizetransfo
动手学深度学习（pytorch）学习记录20-自定义层[学习记录] walfar pytorch 深度学习 pytorch 学习
在深度学习中，自定义层是指开发者根据特定需求编写的神经网络层，而不是使用深度学习框架（如PyTorch、TensorFlow等）提供的现成层。自定义层可以让模型更加灵活，以适应特定的任务或数据集。目录没有参数的自定义层带参数的层没有参数的自定义层下面的CenteredLayer类要从其输入中减去均值。要构建它，只需继承基础层类并实现前向传播功能。importtorchimporttorch.nn.
释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践 2401_85762266 pytorch 人工智能 python
释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践在深度学习模型的训练过程中，计算资源的需求往往随着模型复杂度的提升而增加。PyTorch，作为当前领先的深度学习框架之一，提供了torch.nn.DataParallel这一工具，使得开发者能够利用多个GPU进行数据并行处理，从而显著加速模型训练。本文将详细介绍如何在PyTorch中使用torch.nn.Dat
并行处理的魔法：PyTorch中torch.multiprocessing的多进程训练指南 liuxin33445566 人工智能深度学习机器学习
并行处理的魔法：PyTorch中torch.multiprocessing的多进程训练指南在深度学习领域，模型训练往往需要大量的计算资源和时间。PyTorch，作为当前最流行的深度学习框架之一，提供了torch.multiprocessing模块，使得开发者能够利用多核CPU进行多进程训练，从而显著加速训练过程。本文将深入探讨如何在PyTorch中使用torch.multiprocessing进行
并行计算的艺术：PyTorch中torch.cuda.nccl的多GPU通信精粹 2401_85763639 pytorch 人工智能 python
并行计算的艺术：PyTorch中torch.cuda.nccl的多GPU通信精粹在深度学习领域，模型的规模和复杂性不断增长，单GPU的计算能力已难以满足需求。多GPU并行计算成为提升训练效率的关键。PyTorch作为灵活且强大的深度学习框架，通过torch.cuda.nccl模块提供了对NCCL（NVIDIACollectiveCommunicationsLibrary）的支持，为多GPU通信提供
矩阵求逆（JAVA）利用伴随矩阵 qiuwanchi 利用伴随矩阵求逆矩阵
package gaodai.matrix; import gaodai.determinant.DeterminantCalculation; import java.util.ArrayList; import java.util.List; import java.util.Scanner; /** * 矩阵求逆(利用伴随矩阵) * @author 邱万迟
单例（Singleton）模式 aoyouzi 单例模式 Singleton
3.1 概述如果要保证系统里一个类最多只能存在一个实例时，我们就需要单例模式。这种情况在我们应用中经常碰到，例如缓存池，数据库连接池，线程池，一些应用服务实例等。在多线程环境中，为了保证实例的唯一性其实并不简单，这章将和读者一起探讨如何实现单例模式。 3.2
[开源与自主研发]就算可以轻易获得外部技术支持,自己也必须研发 comsci 开源
现在国内有大量的信息技术产品，都是通过盗版，免费下载，开源，附送等方式从国外的开发者那里获得的。。。。。。虽然这种情况带来了国内信息产业的短暂繁荣，也促进了电子商务和互联网产业的快速发展，但是实际上，我们应该清醒的看到，这些产业的核心力量是被国外的
页面有两个frame,怎样点击一个的链接改变另一个的内容 Array_06 UI XHTML
<a src="地址" targets="这里写你要操作的Frame的名字" />搜索然后你点击连接以后你的新页面就会显示在你设置的Frame名字的框那里 targerts="",就是你要填写目标的显示页面位置 ===================== 例如： <frame src=&
Struts2实现单个/多个文件上传和下载 oloz 文件上传 struts
struts2单文件上传：步骤01:jsp页面  　　<form action="fileUplo
推荐10个在线logo设计网站 362217990 logo
在线设计Logo网站。 1、http://flickr.nosv.org（这个太简单） 2、http://www.logomaker.com/?source=1.5770.1 3、http://www.simwebsol.com/ImageTool 4、http://www.logogenerator.com/logo.php?nal=1&tpl_catlist[]=2 5、ht
jsp上传文件香水浓 jsp fileupload
1. jsp上传 Notice： 1. form表单 method 属性必须设置为 POST 方法，不能使用 GET 方法 2. form表单 enctype 属性需要设置为 multipart/form-data 3. form表单 action 属性需要设置为提交到后台处理文件上传的jsp文件地址或者servlet地址。例如 uploadFile.jsp 程序文件用来处理上传的文
我的架构经验系列文章 - 前端架构 agevs JavaScript Web 框架 UI jQuer
框架层面：近几年前端发展很快，前端之所以叫前端因为前端是已经可以独立成为一种职业了，js也不再是十年前的玩具了，以前富客户端RIA的应用可能会用flash/flex或是silverlight，现在可以使用js来完成大部分的功能，因此js作为一门前端的支撑语言也不仅仅是进行的简单的编码，越来越多框架性的东西出现了。越来越多的开发模式转变为后端只是吐json的数据源，而前端做所有UI的事情。MVCMV
android ksoap2 中把XML(DataSet) 当做参数传递 aijuans android
我的android app中需要发送webservice ，于是我使用了 ksop2 进行发送，在测试过程中不是很顺利,不能正常工作.我的web service 请求格式如下 [html] view plain copy <Envelope xmlns="http://schemas.
使用Spring进行统一日志管理 + 统一异常管理 baalwolf spring
统一日志和异常管理配置好后，SSH项目中，代码以往散落的log.info() 和 try..catch..finally 再也不见踪影！统一日志异常实现类： [java] view plain copy package com.pilelot.web.util; impor
Android SDK 国内镜像 BigBird2012 android sdk
一、镜像地址： 1、东软信息学院的 Android SDK 镜像，比配置代理下载快多了。配置地址， http://mirrors.neusoft.edu.cn/configurations.we#android 2、北京化工大学的： IPV4:ubuntu.buct.edu.cn IPV4:ubuntu.buct.cn IPV6:ubuntu.buct6.edu.cn
HTML无害化和Sanitize模块 bijian1013 JavaScript AngularJS Linky Sanitize
一.ng-bind-html、ng-bind-html-unsafe AngularJS非常注重安全方面的问题，它会尽一切可能把大多数攻击手段最小化。其中一个攻击手段是向你的web页面里注入不安全的HTML，然后利用它触发跨站攻击或者注入攻击。考虑这样一个例子，假设我们有一个变量存
[Maven学习笔记二]Maven命令 bit1129 maven
mvn compile compile编译命令将src/main/java和src/main/resources中的代码和配置文件编译到target/classes中，不会对src/test/java中的测试类进行编译 MVN编译使用 maven-resources-plugin:2.6:resources maven-compiler-plugin:2.5.1:compile &nbs
【Java命令二】jhat bit1129 Java命令
jhat用于分析使用jmap dump的文件，，可以将堆中的对象以html的形式显示出来，包括对象的数量，大小等等，并支持对象查询语言。 jhat默认开启监听端口7000的HTTP服务，jhat是Java Heap Analysis Tool的缩写 1. 用法： [hadoop@hadoop bin]$ jhat -help Usage: jhat [-stack <bool&g
JBoss 5.1.0 GA:Error installing to Instantiated: name=AttachmentStore state=Desc ronin47
进到类似目录 server/default/conf/bootstrap，打开文件 profile.xml找到： Xml代码<bean name="AttachmentStore" class="org.jboss.system.server.profileservice.repository.AbstractAtta
写给初学者的6条网页设计安全配色指南 brotherlamp UI ui自学 ui视频 ui教程 ui资料
网页设计中最基本的原则之一是，不管你花多长时间创造一个华丽的设计，其最终的角色都是这场秀中真正的明星——内容的衬托我仍然清楚地记得我最早的一次美术课，那时我还是一个小小的、对凡事都充满渴望的孩子，我摆放出一大堆漂亮的彩色颜料。我仍然记得当我第一次看到原色与另一种颜色混合变成第二种颜色时的那种兴奋，并且我想，既然两种颜色能创造出一种全新的美丽色彩，那所有颜色
有一个数组，每次从中间随机取一个，然后放回去，当所有的元素都被取过，返回总共的取的次数。写一个函数实现。复杂度是什么。 bylijinnan java 算法面试
import java.util.Random; import java.util.Set; import java.util.TreeSet; /** * http://weibo.com/1915548291/z7HtOF4sx * #面试题#有一个数组，每次从中间随机取一个，然后放回去，当所有的元素都被取过，返回总共的取的次数。 * 写一个函数实现。复杂度是什么
struts2获得request、session、application方式 chiangfai application
1、与Servlet API解耦的访问方式。 a.Struts2对HttpServletRequest、HttpSession、ServletContext进行了封装，构造了三个Map对象来替代这三种对象要获取这三个Map对象，使用ActionContext类。 -----> package pro.action; import java.util.Map; imp
改变python的默认语言设置 chenchao051 python
import sys sys.getdefaultencoding() 可以测试出默认语言，要改变的话，需要在python lib的site-packages文件夹下新建： sitecustomize.py，这个文件比较特殊，会在python启动时来加载，所以就可以在里面写上： import sys sys.setdefaultencoding('utf-8') &n
mysql导入数据load data infile用法 daizj mysql 导入数据
我们常常导入数据！mysql有一个高效导入方法，那就是load data infile 下面来看案例说明基本语法： load data [low_priority] [local] infile 'file_name txt' [replace | ignore] into table tbl_name [fields [terminated by't'] [OPTI
phpexcel导入excel表到数据库简单入门示例 dcj3sjt126com PHP Excel
跟导出相对应的，同一个数据表，也是将phpexcel类放在class目录下，将Excel表格中的内容读取出来放到数据库中 <?php error_reporting(E_ALL); set_time_limit(0); ?> <html> <head> <meta http-equiv="Content-Type"
22岁到72岁的男人对女人的要求 dcj3sjt126com
22岁男人对女人的要求是：一，美丽，二，性感，三，有份具品味的职业，四，极有耐性，善解人意，五，该聪明的时候聪明，六，作小鸟依人状时尽量自然，七，怎样穿都好看，八，懂得适当地撒娇，九，虽作惊喜反应，但看起来自然，十，上了床就是个无条件荡妇。 32岁的男人对女人的要求，略作修定，是：一，入得厨房，进得睡房，二，不必服侍皇太后，三，不介意浪漫蜡烛配盒饭，四，听多过说，五，不再傻笑，六，懂得独
Spring和HIbernate对DDM设计的支持 e200702084 DAO 设计模式 spring Hibernate 领域模型
A：数据访问对象 DAO和资源库在领域驱动设计中都很重要。DAO是关系型数据库和应用之间的契约。它封装了Web应用中的数据库CRUD操作细节。另一方面，资源库是一个独立的抽象，它与DAO进行交互，并提供到领域模型的“业务接口”。资源库使用领域的通用语言，处理所有必要的DAO，并使用领域理解的语言提供对领域模型的数据访问服务。
NoSql 数据库的特性比较 geeksun NoSQL
Redis 是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。目前由VMware主持开发工作。 1. 数据模型作为Key-value型数据库，Redis也提供了键（Key）和值（Value）的映射关系。除了常规的数值或字符串，Redis的键值还可以是以下形式之一： Lists （列表） Sets
使用 Nginx Upload Module 实现上传文件功能 hongtoushizi nginx
转载自： http://www.tuicool.com/wx/aUrAzm 普通网站在实现文件上传功能的时候，一般是使用Python，Java等后端程序实现，比较麻烦。Nginx有一个Upload模块，可以非常简单的实现文件上传功能。此模块的原理是先把用户上传的文件保存到临时文件，然后在交由后台页面处理，并且把文件的原名，上传后的名称，文件类型，文件大小set到页面。下
spring-boot-web-ui及thymeleaf基本使用 jishiweili spring thymeleaf
视图控制层代码demo如下： @Controller @RequestMapping("/") public class MessageController { private final MessageRepository messageRepository; @Autowired public MessageController(Mes
数据源架构模式之活动记录 home198979 PHP 架构活动记录数据映射
hello!架构一、概念活动记录（Active Record）：一个对象，它包装数据库表或视图中某一行，封装数据库访问，并在这些数据上增加了领域逻辑。对象既有数据又有行为。活动记录使用直截了当的方法，把数据访问逻辑置于领域对象中。二、实现简单活动记录活动记录在php许多框架中都有应用，如cakephp。 <?php /** * 行数据入口类 *
Linux Shell脚本之自动修改IP pda158 linux centos Debian 脚本
作为一名 Linux SA，日常运维中很多地方都会用到脚本，而服务器的ip一般采用静态ip或者MAC绑定，当然后者比较操作起来相对繁琐，而前者我们可以设置主机名、ip信息、网关等配置。修改成特定的主机名在维护和管理方面也比较方便。如下脚本用途为：修改ip和主机名等相关信息，可以根据实际需求修改，举一反三！ #!/bin/sh #auto Change ip netmask ga
开发环境搭建独浮云 eclipse jdk tomcat
最近在开发过程中，经常出现MyEclipse内存溢出等错误，需要重启的情况，好麻烦。对于一般的JAVA+TOMCAT项目开发，其实没有必要使用重量级的MyEclipse，使用eclipse就足够了。尤其是开发机器硬件配置一般的人。 &n