码啥码

Inception v1 v2 v3

Inception v1

论文：Going deeper with convolutions

Inception的目的

论文主要介绍了，如何在有限的计算资源内，进一步提升网络的性能。
提升网络的性能的方法有很多，例如硬件的升级，更大的数据集等。但一般而言，提升网络性能最直接的方法是增加网络的深度和宽度。其中，网络的深度只的是网络的层数，宽度指的是每层的通道数。但是，这种方法会带来两个不足：
　　a) 容易发生过拟合。当深度和宽度不断增加的时候，需要学习到的参数也不断增加，巨大的参数容易发生过拟合。
　　b) 均匀地增加网络的大小，会导致计算量的加大。
因此，解决上述不足的方法是引入稀疏特性和将全连接层转换成稀疏连接。这个思路的缘由来自于两方面：1）生物的神经系统连接是稀疏的；2）有文献指出：如果数据集的概率分布能够被大型且非常稀疏的DNN网络所描述的话，那么通过分析前面层的激活值的相关统计特性和将输出高度相关的神经元进行聚类，便可逐层构建出最优的网络拓扑结构。说明臃肿的网络可以被不失性能地简化。
但是，现在的计算框架对非均匀的稀疏数据进行计算是非常低效的，主要是因为查找和缓存的开销。因此，作者提出了一个想法，既能保持滤波器级别的稀疏特性，又能充分密集矩阵的高计算性能。有大量文献指出，将稀疏矩阵聚类成相对密集的子矩阵，能提高计算性能。根据此想法，提出了Inception结构。

Inception结构

inception结构的主要思路是：如何使用一个密集成分来近似或者代替最优的局部稀疏结构。inception V1的结构如下面两个图所示。

代码

以图b为例

class Inception(nn.Module):
    def __init__(self, in_channels, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj):
        super(Inception, self).__init__()

        self.branch1 = BasicConv2d(in_channels, ch1x1, kernel_size=1)

        self.branch2 = nn.Sequential(
            BasicConv2d(in_channels, ch3x3red, kernel_size=1),
            BasicConv2d(ch3x3red, ch3x3, kernel_size=3, padding=1)
        )

        self.branch3 = nn.Sequential(
            BasicConv2d(in_channels, ch5x5red, kernel_size=1),
            BasicConv2d(ch5x5red, ch5x5, kernel_size=5, padding=2)
        )

        self.branch4 = nn.Sequential(
            nn.MaxPool2d(kernel_size=3, stride=1, padding=1),
            BasicConv2d(in_channels, pool_proj, kernel_size=1)
        )

    def forward(self, x):
        branch1 = self.branch1(x)
        branch2 = self.branch2(x)
        branch3 = self.branch3(x)
        branch4 = self.branch4(x)

        outputs = [branch1, branch2, branch3, branch4]
        return torch.cat(outputs, dim=1)

例子：GoogLeNet

GoogLeNet是由inception模块进行组成的，结构太大了，就不放出来了，这里做出几点说明：
　　a）GoogLeNet采用了模块化的结构，方便增添和修改；
　　b）网络最后采用了average pooling来代替全连接层，想法来自NIN,事实证明可以将TOP1 accuracy提高0.6%。但是，实际在最后还是加了一个全连接层，主要是为了方便以后大家finetune;
　　c）虽然移除了全连接，但是网络中依然使用了Dropout；
　　d）为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度。文章中说这两个辅助的分类器的loss应该加一个衰减系数，但看源码中的model也没有加任何衰减。此外，实际测试的时候，这两个额外的softmax会被去掉。
　　结构图如下所示，　　
每一层的输入输出以及参数量和Flops的大小

代码构建

GooLeNet

import torch
import torch.nn as nn
import torchvision.models as models
from torchsummary import summary
import torch.optim as optim


class GoogLeNet(nn.Module):
    def __init__(self, num_classes=1000, aux_logits=True, init_weights=False):
        super(GoogLeNet, self).__init__()
        self.aux_logits = aux_logits
        #输入shape（224，224，3）
        self.conv1 = BasicConv2d(3, 64, kernel_size=7, stride=2, padding=3)#OUTPOUT:(112,112,64)
        self.maxpool1 = nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True)#output:(56,56,64)
        #depth=2
        self.conv2 = BasicConv2d(64, 64, kernel_size=1)#output:(56,56,64)
        self.conv3 = BasicConv2d(64, 192, kernel_size=3, padding=1)#output:(56,56,192)
        self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True)#output:(28,28,192)

        self.inception3a = Inception(192, 64, 96, 128, 16, 32, 32)#output:(28,28,256)
        self.inception3b = Inception(256, 128, 128, 192, 32, 96, 64)#output:(28,28,480)
        self.maxpool3 = nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True)#output:(14,14,480)

        self.inception4a = Inception(480, 192, 96, 208, 16, 48, 64)#output:(14,14,512)
        self.inception4b = Inception(512, 160, 112, 224, 24, 64, 64)#output:(14,14,512)
        self.inception4c = Inception(512, 128, 128, 256, 24, 64, 64)#output:(14,14,512)
        self.inception4d = Inception(512, 112, 144, 288, 32, 64, 64)#output:(14,14,528)
        self.inception4e = Inception(528, 256, 160, 320, 32, 128, 128)#output:(14,14,832)
        self.maxpool4 = nn.MaxPool2d(kernel_size=3, stride=2, ceil_mode=True)#output:(7,7,832)

        self.inception5a = Inception(832, 256, 160, 320, 32, 128, 128)#output:(7,7,832)
        self.inception5b = Inception(832, 384, 192, 384, 48, 128, 128)#output:(7,7,1024)

        if self.aux_logits:
            self.aux1 = InceptionAux(512, num_classes)
            self.aux2 = InceptionAux(528, num_classes)

        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.dropout = nn.Dropout(p=0.2)
        self.fc = nn.Linear(1024, num_classes)
        if init_weights:
            self._init_weight()

    def forward(self, x):
        # N x 3 x 224 x 224
        x = self.conv1(x)
        # N x 64 x 112 x 112
        x = self.maxpool1(x)
        # N x 64 x 56 x 56
        x = self.conv2(x)
        # N x 64 x 56 x 56
        x = self.conv3(x)
        # N x 192 x 56 x 56
        x = self.maxpool2(x)

        # N x 192 x 28 x 28
        x = self.inception3a(x)
        # N x 256 x 28 x 28
        x = self.inception3b(x)
        # N x 480 x 28 x 28
        x = self.maxpool3(x)
        # N x 480 x 14 x 14
        x = self.inception4a(x)
        # N x 512 x 14 x 14
        if self.aux_logits and self.training:
            aux1 = self.aux1(x)

        x = self.inception4b(x)
        # N x 512 x 14 x 14
        x = self.inception4c(x)
        # N x 512 x 14 x 14
        x = self.inception4d(x)
        # N x 528 x 14 x 14
        if self.aux_logits and self.training:
            aux2 = self.aux2(x)

        x = self.inception4e(x)
        # N x 832 x 14 x 14
        x = self.maxpool4(x)
        # N x 832 x 7 x 7
        x = self.inception5a(x)
        # N x 832 x 7 x 7
        x = self.inception5b(x)
        # N x 1024 x 7 x 7

        x = self.avgpool(x)
        # N x 1024 x 1 x 1
        x = torch.flatten(x, start_dim=1)
        # N x 1024
        x = self.dropout(x)
        x = self.fc(x)

        if self.aux_logits and self.training:
            return x, aux2, aux1
        return x

    def _init_weight(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)

            elif isinstance(m, nn.Linear):
                nn.init.normal_(m.weight, 0, 0.01)
                nn.init.constant_(m.bias, 0)


class Inception(nn.Module):
    def __init__(self, in_channels, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj):
        super(Inception, self).__init__()

        self.branch1 = BasicConv2d(in_channels, ch1x1, kernel_size=1)

        self.branch2 = nn.Sequential(
            BasicConv2d(in_channels, ch3x3red, kernel_size=1),
            BasicConv2d(ch3x3red, ch3x3, kernel_size=3, padding=1)
        )

        self.branch3 = nn.Sequential(
            BasicConv2d(in_channels, ch5x5red, kernel_size=1),
            BasicConv2d(ch5x5red, ch5x5, kernel_size=5, padding=2)
        )

        self.branch4 = nn.Sequential(
            nn.MaxPool2d(kernel_size=3, stride=1, padding=1),
            BasicConv2d(in_channels, pool_proj, kernel_size=1)
        )

    def forward(self, x):
        branch1 = self.branch1(x)
        branch2 = self.branch2(x)
        branch3 = self.branch3(x)
        branch4 = self.branch4(x)

        outputs = [branch1, branch2, branch3, branch4]
        return torch.cat(outputs, dim=1)


class InceptionAux(nn.Module):
    def __init__(self, in_channels, num_classes):
        super(InceptionAux, self).__init__()
        self.averagePool = nn.AdaptiveAvgPool2d((4, 4))
        self.conv = BasicConv2d(in_channels, 128, kernel_size=1)

        self.aux_classifier = nn.Sequential(
            nn.Linear(128 * 4 * 4, 1024),
            nn.Dropout(p=0.5),
            nn.ReLU(inplace=True),
            nn.Linear(1024, num_classes)
        )

    def forward(self, x):
        x = self.averagePool(x)
        x = self.conv(x)
        x = torch.flatten(x, start_dim=1)
        x = self.aux_classifier(x)
        return x


class BasicConv2d(nn.Module):
    def __init__(self, in_channels, out_channels, **kwargs):
        super(BasicConv2d, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, **kwargs)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.conv(x)
        x = self.relu(x)
        return x

运行输出Flops

'''
 module name   input shape  output shape     params memory(MB)             MAdd            Flops  MemRead(B)  MemWrite(B) duration[%]    MemR+W(B)
0                      conv1.conv     3 224 224    64 112 112     9472.0       3.06    236,027,904.0    118,816,768.0    640000.0    3211264.0      24.30%    3851264.0
1                      conv1.relu    64 112 112    64 112 112        0.0       3.06        802,816.0        802,816.0   3211264.0    3211264.0       2.83%    6422528.0
2                        maxpool1    64 112 112    64  56  56        0.0       0.77      1,605,632.0        802,816.0   3211264.0     802816.0       5.08%    4014080.0
3                      conv2.conv    64  56  56    64  56  56     4160.0       0.77     25,690,112.0     13,045,760.0    819456.0     802816.0       1.70%    1622272.0
4                      conv2.relu    64  56  56    64  56  56        0.0       0.77        200,704.0        200,704.0    802816.0     802816.0       0.00%    1605632.0
5                      conv3.conv    64  56  56   192  56  56   110784.0       2.30    693,633,024.0    347,418,624.0   1245952.0    2408448.0       3.96%    3654400.0
6                      conv3.relu   192  56  56   192  56  56        0.0       2.30        602,112.0        602,112.0   2408448.0    2408448.0       0.56%    4816896.0
7                        maxpool2   192  56  56   192  28  28        0.0       0.57      1,204,224.0        602,112.0   2408448.0     602112.0       1.13%    3010560.0
8        inception3a.branch1.conv   192  28  28    64  28  28    12352.0       0.19     19,267,584.0      9,683,968.0    651520.0     200704.0       1.13%     852224.0
9        inception3a.branch1.relu    64  28  28    64  28  28        0.0       0.19         50,176.0         50,176.0    200704.0     200704.0       0.00%     401408.0
10     inception3a.branch2.0.conv   192  28  28    96  28  28    18528.0       0.29     28,901,376.0     14,525,952.0    676224.0     301056.0       1.13%     977280.0
11     inception3a.branch2.0.relu    96  28  28    96  28  28        0.0       0.29         75,264.0         75,264.0    301056.0     301056.0       0.00%     602112.0
12     inception3a.branch2.1.conv    96  28  28   128  28  28   110720.0       0.38    173,408,256.0     86,804,480.0    743936.0     401408.0       1.69%    1145344.0
13     inception3a.branch2.1.relu   128  28  28   128  28  28        0.0       0.38        100,352.0        100,352.0    401408.0     401408.0       0.00%     802816.0
14     inception3a.branch3.0.conv   192  28  28    16  28  28     3088.0       0.05      4,816,896.0      2,420,992.0    614464.0      50176.0       0.56%     664640.0
15     inception3a.branch3.0.relu    16  28  28    16  28  28        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
16     inception3a.branch3.1.conv    16  28  28    32  28  28    12832.0       0.10     20,070,400.0     10,060,288.0    101504.0     100352.0       0.56%     201856.0
17     inception3a.branch3.1.relu    32  28  28    32  28  28        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
18          inception3a.branch4.0   192  28  28   192  28  28        0.0       0.57      1,204,224.0        150,528.0    602112.0     602112.0       1.70%    1204224.0
19     inception3a.branch4.1.conv   192  28  28    32  28  28     6176.0       0.10      9,633,792.0      4,841,984.0    626816.0     100352.0       0.57%     727168.0
20     inception3a.branch4.1.relu    32  28  28    32  28  28        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
21       inception3b.branch1.conv   256  28  28   128  28  28    32896.0       0.38     51,380,224.0     25,790,464.0    934400.0     401408.0       1.13%    1335808.0
22       inception3b.branch1.relu   128  28  28   128  28  28        0.0       0.38        100,352.0        100,352.0    401408.0     401408.0       0.00%     802816.0
23     inception3b.branch2.0.conv   256  28  28   128  28  28    32896.0       0.38     51,380,224.0     25,790,464.0    934400.0     401408.0       0.56%    1335808.0
24     inception3b.branch2.0.relu   128  28  28   128  28  28        0.0       0.38        100,352.0        100,352.0    401408.0     401408.0       0.00%     802816.0
25     inception3b.branch2.1.conv   128  28  28   192  28  28   221376.0       0.57    346,816,512.0    173,558,784.0   1286912.0     602112.0       2.26%    1889024.0
26     inception3b.branch2.1.relu   192  28  28   192  28  28        0.0       0.57        150,528.0        150,528.0    602112.0     602112.0       0.00%    1204224.0
27     inception3b.branch3.0.conv   256  28  28    32  28  28     8224.0       0.10     12,845,056.0      6,447,616.0    835712.0     100352.0       0.56%     936064.0
28     inception3b.branch3.0.relu    32  28  28    32  28  28        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
29     inception3b.branch3.1.conv    32  28  28    96  28  28    76896.0       0.29    120,422,400.0     60,286,464.0    407936.0     301056.0       0.56%     708992.0
30     inception3b.branch3.1.relu    96  28  28    96  28  28        0.0       0.29         75,264.0         75,264.0    301056.0     301056.0       0.00%     602112.0
31          inception3b.branch4.0   256  28  28   256  28  28        0.0       0.77      1,605,632.0        200,704.0    802816.0     802816.0       1.69%    1605632.0
32     inception3b.branch4.1.conv   256  28  28    64  28  28    16448.0       0.19     25,690,112.0     12,895,232.0    868608.0     200704.0       0.57%    1069312.0
33     inception3b.branch4.1.relu    64  28  28    64  28  28        0.0       0.19         50,176.0         50,176.0    200704.0     200704.0       0.00%     401408.0
34                       maxpool3   480  28  28   480  14  14        0.0       0.36        752,640.0        376,320.0   1505280.0     376320.0       0.57%    1881600.0
35       inception4a.branch1.conv   480  14  14   192  14  14    92352.0       0.14     36,126,720.0     18,100,992.0    745728.0     150528.0       1.13%     896256.0
36       inception4a.branch1.relu   192  14  14   192  14  14        0.0       0.14         37,632.0         37,632.0    150528.0     150528.0       0.00%     301056.0
37     inception4a.branch2.0.conv   480  14  14    96  14  14    46176.0       0.07     18,063,360.0      9,050,496.0    561024.0      75264.0       0.56%     636288.0
38     inception4a.branch2.0.relu    96  14  14    96  14  14        0.0       0.07         18,816.0         18,816.0     75264.0      75264.0       0.00%     150528.0
39     inception4a.branch2.1.conv    96  14  14   208  14  14   179920.0       0.16     70,447,104.0     35,264,320.0    794944.0     163072.0       5.65%     958016.0
40     inception4a.branch2.1.relu   208  14  14   208  14  14        0.0       0.16         40,768.0         40,768.0    163072.0     163072.0       0.00%     326144.0
41     inception4a.branch3.0.conv   480  14  14    16  14  14     7696.0       0.01      3,010,560.0      1,508,416.0    407104.0      12544.0       0.00%     419648.0
42     inception4a.branch3.0.relu    16  14  14    16  14  14        0.0       0.01          3,136.0          3,136.0     12544.0      12544.0       0.00%      25088.0
43     inception4a.branch3.1.conv    16  14  14    48  14  14    19248.0       0.04      7,526,400.0      3,772,608.0     89536.0      37632.0       0.57%     127168.0
44     inception4a.branch3.1.relu    48  14  14    48  14  14        0.0       0.04          9,408.0          9,408.0     37632.0      37632.0       0.00%      75264.0
45          inception4a.branch4.0   480  14  14   480  14  14        0.0       0.36        752,640.0         94,080.0    376320.0     376320.0       1.13%     752640.0
46     inception4a.branch4.1.conv   480  14  14    64  14  14    30784.0       0.05     12,042,240.0      6,033,664.0    499456.0      50176.0       0.57%     549632.0
47     inception4a.branch4.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
48       inception4b.branch1.conv   512  14  14   160  14  14    82080.0       0.12     32,112,640.0     16,087,680.0    729728.0     125440.0       0.56%     855168.0
49       inception4b.branch1.relu   160  14  14   160  14  14        0.0       0.12         31,360.0         31,360.0    125440.0     125440.0       0.00%     250880.0
50     inception4b.branch2.0.conv   512  14  14   112  14  14    57456.0       0.08     22,478,848.0     11,261,376.0    631232.0      87808.0       0.00%     719040.0
51     inception4b.branch2.0.relu   112  14  14   112  14  14        0.0       0.08         21,952.0         21,952.0     87808.0      87808.0       0.00%     175616.0
52     inception4b.branch2.1.conv   112  14  14   224  14  14   226016.0       0.17     88,510,464.0     44,299,136.0    991872.0     175616.0       0.57%    1167488.0
53     inception4b.branch2.1.relu   224  14  14   224  14  14        0.0       0.17         43,904.0         43,904.0    175616.0     175616.0       0.00%     351232.0
54     inception4b.branch3.0.conv   512  14  14    24  14  14    12312.0       0.02      4,816,896.0      2,413,152.0    450656.0      18816.0       0.00%     469472.0
55     inception4b.branch3.0.relu    24  14  14    24  14  14        0.0       0.02          4,704.0          4,704.0     18816.0      18816.0       0.00%      37632.0
56     inception4b.branch3.1.conv    24  14  14    64  14  14    38464.0       0.05     15,052,800.0      7,538,944.0    172672.0      50176.0       0.57%     222848.0
57     inception4b.branch3.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
58          inception4b.branch4.0   512  14  14   512  14  14        0.0       0.38        802,816.0        100,352.0    401408.0     401408.0       1.13%     802816.0
59     inception4b.branch4.1.conv   512  14  14    64  14  14    32832.0       0.05     12,845,056.0      6,435,072.0    532736.0      50176.0       0.56%     582912.0
60     inception4b.branch4.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
61       inception4c.branch1.conv   512  14  14   128  14  14    65664.0       0.10     25,690,112.0     12,870,144.0    664064.0     100352.0       0.56%     764416.0
62       inception4c.branch1.relu   128  14  14   128  14  14        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
63     inception4c.branch2.0.conv   512  14  14   128  14  14    65664.0       0.10     25,690,112.0     12,870,144.0    664064.0     100352.0       0.56%     764416.0
64     inception4c.branch2.0.relu   128  14  14   128  14  14        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
65     inception4c.branch2.1.conv   128  14  14   256  14  14   295168.0       0.19    115,605,504.0     57,852,928.0   1281024.0     200704.0       1.13%    1481728.0
66     inception4c.branch2.1.relu   256  14  14   256  14  14        0.0       0.19         50,176.0         50,176.0    200704.0     200704.0       0.00%     401408.0
67     inception4c.branch3.0.conv   512  14  14    24  14  14    12312.0       0.02      4,816,896.0      2,413,152.0    450656.0      18816.0       0.57%     469472.0
68     inception4c.branch3.0.relu    24  14  14    24  14  14        0.0       0.02          4,704.0          4,704.0     18816.0      18816.0       0.00%      37632.0
69     inception4c.branch3.1.conv    24  14  14    64  14  14    38464.0       0.05     15,052,800.0      7,538,944.0    172672.0      50176.0       0.00%     222848.0
70     inception4c.branch3.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
71          inception4c.branch4.0   512  14  14   512  14  14        0.0       0.38        802,816.0        100,352.0    401408.0     401408.0       1.13%     802816.0
72     inception4c.branch4.1.conv   512  14  14    64  14  14    32832.0       0.05     12,845,056.0      6,435,072.0    532736.0      50176.0       0.00%     582912.0
73     inception4c.branch4.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
74       inception4d.branch1.conv   512  14  14   112  14  14    57456.0       0.08     22,478,848.0     11,261,376.0    631232.0      87808.0       0.00%     719040.0
75       inception4d.branch1.relu   112  14  14   112  14  14        0.0       0.08         21,952.0         21,952.0     87808.0      87808.0       0.00%     175616.0
76     inception4d.branch2.0.conv   512  14  14   144  14  14    73872.0       0.11     28,901,376.0     14,478,912.0    696896.0     112896.0       0.00%     809792.0
77     inception4d.branch2.0.relu   144  14  14   144  14  14        0.0       0.11         28,224.0         28,224.0    112896.0     112896.0       0.00%     225792.0
78     inception4d.branch2.1.conv   144  14  14   288  14  14   373536.0       0.22    146,313,216.0     73,213,056.0   1607040.0     225792.0       1.13%    1832832.0
79     inception4d.branch2.1.relu   288  14  14   288  14  14        0.0       0.22         56,448.0         56,448.0    225792.0     225792.0       0.00%     451584.0
80     inception4d.branch3.0.conv   512  14  14    32  14  14    16416.0       0.02      6,422,528.0      3,217,536.0    467072.0      25088.0       0.57%     492160.0
81     inception4d.branch3.0.relu    32  14  14    32  14  14        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
82     inception4d.branch3.1.conv    32  14  14    64  14  14    51264.0       0.05     20,070,400.0     10,047,744.0    230144.0      50176.0       0.56%     280320.0
83     inception4d.branch3.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
84          inception4d.branch4.0   512  14  14   512  14  14        0.0       0.38        802,816.0        100,352.0    401408.0     401408.0       1.13%     802816.0
85     inception4d.branch4.1.conv   512  14  14    64  14  14    32832.0       0.05     12,845,056.0      6,435,072.0    532736.0      50176.0       0.00%     582912.0
86     inception4d.branch4.1.relu    64  14  14    64  14  14        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
87       inception4e.branch1.conv   528  14  14   256  14  14   135424.0       0.19     52,985,856.0     26,543,104.0    955648.0     200704.0       0.56%    1156352.0
88       inception4e.branch1.relu   256  14  14   256  14  14        0.0       0.19         50,176.0         50,176.0    200704.0     200704.0       0.00%     401408.0
89     inception4e.branch2.0.conv   528  14  14   160  14  14    84640.0       0.12     33,116,160.0     16,589,440.0    752512.0     125440.0       0.00%     877952.0
90     inception4e.branch2.0.relu   160  14  14   160  14  14        0.0       0.12         31,360.0         31,360.0    125440.0     125440.0       0.00%     250880.0
91     inception4e.branch2.1.conv   160  14  14   320  14  14   461120.0       0.24    180,633,600.0     90,379,520.0   1969920.0     250880.0       1.13%    2220800.0
92     inception4e.branch2.1.relu   320  14  14   320  14  14        0.0       0.24         62,720.0         62,720.0    250880.0     250880.0       0.00%     501760.0
93     inception4e.branch3.0.conv   528  14  14    32  14  14    16928.0       0.02      6,623,232.0      3,317,888.0    481664.0      25088.0       0.00%     506752.0
94     inception4e.branch3.0.relu    32  14  14    32  14  14        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
95     inception4e.branch3.1.conv    32  14  14   128  14  14   102528.0       0.10     40,140,800.0     20,095,488.0    435200.0     100352.0       0.56%     535552.0
96     inception4e.branch3.1.relu   128  14  14   128  14  14        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
97          inception4e.branch4.0   528  14  14   528  14  14        0.0       0.39        827,904.0        103,488.0    413952.0     413952.0       0.56%     827904.0
98     inception4e.branch4.1.conv   528  14  14   128  14  14    67712.0       0.10     26,492,928.0     13,271,552.0    684800.0     100352.0       0.57%     785152.0
99     inception4e.branch4.1.relu   128  14  14   128  14  14        0.0       0.10         25,088.0         25,088.0    100352.0     100352.0       0.00%     200704.0
100                      maxpool4   832  14  14   832   7   7        0.0       0.16        326,144.0        163,072.0    652288.0     163072.0       0.00%     815360.0
101      inception5a.branch1.conv   832   7   7   256   7   7   213248.0       0.05     20,873,216.0     10,449,152.0   1016064.0      50176.0       2.26%    1066240.0
102      inception5a.branch1.relu   256   7   7   256   7   7        0.0       0.05         12,544.0         12,544.0     50176.0      50176.0       0.00%     100352.0
103    inception5a.branch2.0.conv   832   7   7   160   7   7   133280.0       0.03     13,045,760.0      6,530,720.0    696192.0      31360.0       0.56%     727552.0
104    inception5a.branch2.0.relu   160   7   7   160   7   7        0.0       0.03          7,840.0          7,840.0     31360.0      31360.0       0.56%      62720.0
105    inception5a.branch2.1.conv   160   7   7   320   7   7   461120.0       0.06     45,158,400.0     22,594,880.0   1875840.0      62720.0       1.13%    1938560.0
106    inception5a.branch2.1.relu   320   7   7   320   7   7        0.0       0.06         15,680.0         15,680.0     62720.0      62720.0       0.00%     125440.0
107    inception5a.branch3.0.conv   832   7   7    32   7   7    26656.0       0.01      2,609,152.0      1,306,144.0    269696.0       6272.0       0.00%     275968.0
108    inception5a.branch3.0.relu    32   7   7    32   7   7        0.0       0.01          1,568.0          1,568.0      6272.0       6272.0       0.00%      12544.0
109    inception5a.branch3.1.conv    32   7   7   128   7   7   102528.0       0.02     10,035,200.0      5,023,872.0    416384.0      25088.0       0.56%     441472.0
110    inception5a.branch3.1.relu   128   7   7   128   7   7        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
111         inception5a.branch4.0   832   7   7   832   7   7        0.0       0.16        326,144.0         40,768.0    163072.0     163072.0       0.57%     326144.0
112    inception5a.branch4.1.conv   832   7   7   128   7   7   106624.0       0.02     10,436,608.0      5,224,576.0    589568.0      25088.0       0.56%     614656.0
113    inception5a.branch4.1.relu   128   7   7   128   7   7        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
114      inception5b.branch1.conv   832   7   7   384   7   7   319872.0       0.07     31,309,824.0     15,673,728.0   1442560.0      75264.0       1.13%    1517824.0
115      inception5b.branch1.relu   384   7   7   384   7   7        0.0       0.07         18,816.0         18,816.0     75264.0      75264.0       0.56%     150528.0
116    inception5b.branch2.0.conv   832   7   7   192   7   7   159936.0       0.04     15,654,912.0      7,836,864.0    802816.0      37632.0       0.56%     840448.0
117    inception5b.branch2.0.relu   192   7   7   192   7   7        0.0       0.04          9,408.0          9,408.0     37632.0      37632.0       0.00%      75264.0
118    inception5b.branch2.1.conv   192   7   7   384   7   7   663936.0       0.07     65,028,096.0     32,532,864.0   2693376.0      75264.0       0.56%    2768640.0
119    inception5b.branch2.1.relu   384   7   7   384   7   7        0.0       0.07         18,816.0         18,816.0     75264.0      75264.0       0.00%     150528.0
120    inception5b.branch3.0.conv   832   7   7    48   7   7    39984.0       0.01      3,913,728.0      1,959,216.0    323008.0       9408.0       0.56%     332416.0
121    inception5b.branch3.0.relu    48   7   7    48   7   7        0.0       0.01          2,352.0          2,352.0      9408.0       9408.0       0.00%      18816.0
122    inception5b.branch3.1.conv    48   7   7   128   7   7   153728.0       0.02     15,052,800.0      7,532,672.0    624320.0      25088.0       1.13%     649408.0
123    inception5b.branch3.1.relu   128   7   7   128   7   7        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
124         inception5b.branch4.0   832   7   7   832   7   7        0.0       0.16        326,144.0         40,768.0    163072.0     163072.0       0.56%     326144.0
125    inception5b.branch4.1.conv   832   7   7   128   7   7   106624.0       0.02     10,436,608.0      5,224,576.0    589568.0      25088.0       0.57%     614656.0
126    inception5b.branch4.1.relu   128   7   7   128   7   7        0.0       0.02          6,272.0          6,272.0     25088.0      25088.0       0.00%      50176.0
127              aux1.averagePool     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
128                aux1.conv.conv     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
129                aux1.conv.relu     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
130         aux1.aux_classifier.0     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
131         aux1.aux_classifier.1     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
132         aux1.aux_classifier.2     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
133         aux1.aux_classifier.3     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
134              aux2.averagePool     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
135                aux2.conv.conv     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
136                aux2.conv.relu     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
137         aux2.aux_classifier.0     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
138         aux2.aux_classifier.1     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
139         aux2.aux_classifier.2     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
140         aux2.aux_classifier.3     0   0   0     0   0   0        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
141                       avgpool  1024   7   7  1024   1   1        0.0       0.00              0.0              0.0         0.0          0.0       5.08%          0.0
142                       dropout          1024          1024        0.0       0.00              0.0              0.0         0.0          0.0       0.00%          0.0
143                            fc          1024          1000  1025000.0       0.00      2,047,000.0      1,024,000.0   4104096.0       4000.0       4.52%    4108096.0
total                                                          6998552.0      30.03  3,179,908,680.0  1,591,999,904.0   4104096.0       4000.0     100.00%  102538752.0
=======================================================================================================================================================================
Total params: 6,998,552
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
Total memory: 30.03MB
Total MAdd: 3.18GMAdd
Total Flops: 1.59GFlops
Total MemR+W: 97.79MB
'''

Inception v2

论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》。

Inception v3

论文：《Rethinking the Inception Architecture for Computer Vision》

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
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
扫地机类清洁产品之直流无刷电机控制悟空胆好小清洁服务机器人单片机人工智能
扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
2018-07-23-催眠日作业-#不一样的31天#-66小鹿小鹿_33
预言日：人总是在逃避命运的路上，与之不期而遇。心理学上有个著名的名词，叫做自证预言；经济学上也有一个很著名的定律叫做，墨菲定律；在灵修派上，还有一个很著名的法则，叫做吸引力法则。这3个领域的词，虽然看起来不太一样，但是他们都在告诉人们一个现象：你越担心什么，就越有可能会发生什么。同样的道理，你越想得到什么，就应该要积极地去创造什么。无论是自证预言，墨菲定律还是吸引力法则，对人都有正反2个维度的影响
《大清方方案》| 第二话谁佐清欢
和珅究竟说了些什么？竟能令堂堂九五之尊龙颜失色！此处暂且按下不表；单说这位乾隆皇帝，果真不愧是康熙从小带过的，一旦决定了要做的事，便杀伐决断毫不含糊。他当即亲自拟旨，着令和珅为钦差大臣，全权负责处理方方事件，并钦赐尚方宝剑，遇急则三品以下官员可先斩后奏。和珅身负皇上重托，岂敢有半点怠慢，当夜即率领相关人等，马不停蹄杀奔江汉。这一路上，和珅的几位幕僚一直在商讨方方事件的处置方案。有位年轻幕僚建议快刀
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
《庄子.达生9》钱江潮369
【原文】孔子观于吕梁，县水三十仞，流沫四十里，鼋鼍鱼鳖之所不能游也。见一丈夫游之，以为有苦而欲死也，使弟子并流而拯之。数百步而出，被发行歌而游于塘下。孔子从而问焉，曰：“吾以子为鬼，察子则人也。请问，‘蹈水有道乎’”曰：“亡，吾无道。吾始乎故，长乎性，成乎命。与齐俱入，与汩偕出，从水之道而不为私焉。此吾所以蹈之也。”孔子曰：“何谓始乎故，长乎性，成乎命？”曰：“吾生于陵而安于陵，故也；长于水而安于
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
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
高端密码学院笔记285 柚子_b4b4
高端幸福密码学院（高级班）幸福使者：李华第（598）期《幸福》之回归内在深层生命原动力基础篇——揭秘“激励”成长的喜悦心理案例分析主讲：刘莉一，知识扩充:成功=艰苦劳动+正确方法+少说空话。贪图省力的船夫，目标永远下游。智者的梦再美，也不如愚人实干的脚印。幸福早课堂2020.10.16星期五一笔记:1，重视和珍惜的前提是知道它的价值非常重要，当你珍惜了，你就真正定下来，真正的学到身上。2，大家需要
2020-04-12每天三百字之连接与替代冷眼看潮
不知道是不是好为人师，有时候还真想和别人分享一下我对某些现象的看法或者解释。人类社会不断发展进步的过程，就是不断连接与替代的过程。人类发现了火并应用火以后，告别了茹毛饮血的野兽般的原始生活（火烧、烹饪替代了生食）人类用石器代替了完全手工，工具的使用使人类进步一大步。类似这样的替代还有很多，随着科技的发展，有更多的原始的事物被替代，代之以更高效、更先进的技术。在近现代，汽车替代了马车，高速公路和铁路
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
东南林氏之九牧林候选父系祖缘树TheYtree
渊源介绍东晋初年晋安林始祖林禄公入闽，传十世隋右丞林茂，由晋安迁居莆田北螺村。又五世而至林万宠，唐开元间任高平太守，生三子：韬、披、昌。韬公之孙攒，唐德宗立双阙以旌表其孝，时号"阙下林家"。昌公字茂吉，乃万宠公第三子，官兵部司马，配宋氏，生一子名萍。萍于唐贞元间明经及第，官沣洲司马(后追赠中宪大夫)。唐太和年间归隐后，迁居仙游游洋，世称“游洋林”；其后裔居游洋后迁移漳州漳浦路下，由路下林第四房平和
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
大伟说成语之唉声叹气求索大伟
＊大伟说成语＊【唉声叹气】叹气：因心里不痛快或不如意而吐出长气，发出声音。因为痛苦、憋闷或感伤而发出叹息的声音。【大伟说】情绪外露，非人类所特有，动物亦有情绪，悲哀和欢乐所表示的情绪亦是不一样的，会嗷嗷大叫也会低吟痛哭。不同的是，人类的情绪更复杂，更多样，更丰富。唉声叹气，可以说是最基础的情绪，因为无奈而举足无措，不知该如何如何化解，只有独自一人慢慢承受，长吁短叹不知如何是好，其实是无能无力的表现
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
libyuv之linux编译 jaronho Linux linux 运维服务器
文章目录一、下载源码二、编译源码三、注意事项1、银河麒麟系统（aarch64）（1）解决armv8-a+dotprod+i8mm指令集支持问题（2）解决armv9-a+sve2指令集支持问题一、下载源码到GitHub网站下载https://github.com/lemenkov/libyuv源码，或者用直接用git克隆到本地，如：gitclonehttps://github.com/lemenko
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
怎么做淘客赚钱(2022最新免费淘客盈利的方法) 高省_飞智666600
很多人都不知道什么是淘宝客，今天小编为大家解答一下吧。淘宝客，现在简称淘客，是时下比较流行的一个词语，特质为淘宝店推广商品获取提成的人，这些人没有自己的产品，只是在淘宝里面选择适合自己的产品，在自己比较熟悉的领域推广，把产品卖出去之后，会从淘宝店家那里获得百分之五到百分之五十左右的佣金。淘宝客付出的是什么呢？时间。你需要花时间去选适合自己推广的产品，需要花时间去选自己的推广方法，如果你打算自己做个
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
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.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题何必如此 jsp 超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”，生成之后默认的下载页面<a>标签超链接为：<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析 bit1129 cluster
在分析源代码之前，首先对Standalone Cluster Mode的资源调度有一个基本的认识：首先，运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下，Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU，这就需要Maste
linux上独立安装部署spark daizj linux 安装 spark 1.4 部署
下面讲一下linux上安装spark，以 Standalone Mode 安装 1）首先安装JDK 下载JDK：jdk-7u79-linux-x64.tar.gz ，版本是1.7以上都行，解压 tar -zxvf jdk-7u79-linux-x64.tar.gz 然后配置 ~/.bashrc&nb
Java 字节码之解析一周凡杨 java 字节码 javap
一： Java 字节代码的组织形式类文件 { OxCAFEBABE ，小版本号，大版本号，常量池大小，常量池数组，访问控制标记，当前类信息，父类信息，实现的接口个数，实现的接口信息数组，域个数，域信息数组，方法个数，方法信息数组，属性个数，属性信息数组 } &nbs
java各种小工具代码 g21121 java
1.数组转换成List import java.util.Arrays; Arrays.asList(Object[] obj); 2.判断一个String型是否有值 import org.springframework.util.StringUtils; if (StringUtils.hasText(str)) 3.判断一个List是否有值 import org.spring
加快FineReport报表设计的几个心得体会老A不折腾 finereport
一、从远程服务器大批量取数进行表样设计时，最好按“列顺序”取一个“空的SQL语句”，这样可提高设计速度。否则每次设计时模板均要从远程读取数据，速度相当慢！！二、找一个富文本编辑软件（如NOTEPAD+）编辑SQL语句，这样会很好地检查语法。有时候带参数较多检查语法复杂时，结合FineReport中生成的日志，再找一个第三方数据库访问软件（如PL/SQL）进行数据检索，可以很快定位语法错误。
mysql linux启动与停止墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动：service mysqld start2、使用 mysqld 脚本启动：/etc/inint.d/mysqld start3、使用 safe_mysqld 启动：safe_mysqld&二、停止1、使用 service 启动：service mysqld stop2、使用 mysqld 脚本启动：/etc/inin
Spring中事务管理浅谈 aijuans spring 事务管理
Spring中事务管理浅谈 By Tony Jiang@2012-1-20 Spring中对事务的声明式管理拿一个XML举例 [html] view plain copy print ? <?xml version="1.0" encoding="UTF-8"?>&nb
php中隐形字符65279（utf-8的BOM头）问题 alxw4616
php中隐形字符65279（utf-8的BOM头）问题今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror. 调试: 1.仔细对比字符串发现字符串拼写正确.怀疑是非打印字符的问题. 2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
调用对象是否需要传递对象(初学者一定要注意这个问题) 百合不是茶对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇) 类和对象的基础概念: JAVA中万事万物都是类类有字段(属性),方法,嵌套类和嵌套接
JDK1.5 AtomicLong实例 bijian1013 java thread java多线程 AtomicLong
JDK1.5 AtomicLong实例类 AtomicLong 可以用原子方式更新的 long 值。有关原子变量属性的描述，请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中（如以原子方式增加的序列号），并且不能用于替换 Long。但是，此类确实扩展了 Number，允许那些处理基于数字类的工具和实用工具进行统一访问。
自定义的RPC的Java实现 bijian1013 java rpc
网上看到纯java实现的RPC，很不错。 RPC的全名Remote Process Call，即远程过程调用。使用RPC，可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例，从中可以看到RPC如何
【RPC框架Hessian一】Hessian RPC Hello World bit1129 Hello world
什么是Hessian The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
【Spark九十五】Spark Shell操作Spark SQL bit1129 shell
在Spark Shell上，通过创建HiveContext可以直接进行Hive操作 1. 操作Hive中已存在的表 [hadoop@hadoop bin]$ ./spark-shell Spark assembly has been built with Hive, including Datanucleus jars on classpath Welcom
F5　往header加入客户端的ip ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
java-61-在数组中，数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5, bylijinnan java
思路来自： http://zhedahht.blog.163.com/blog/static/2541117420116135376632/ 写了个java版的 public class GreatestLeftRightDiff { /** * Q61.在数组中，数字减去它右边(注意是右边)的数字得到一个数对之差。 * 求所有数对之差的最大值。例如在数组
mongoDB 索引开窍的石头 mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引得到当前查询的索引信息 db.user.find(_id:12).explain(); cursor: basicCoursor 指的是没有索引 &
[硬件和系统]迎峰度夏 comsci 系统
从这几天的气温来看，今年夏天的高温天气可能会维持在一个比较长的时间内所以，从现在开始准备渡过炎热的夏天。。。。每间房屋要有一个落地电风扇，一个空调(空调的功率和房间的面积有密切的关系) 坐的，躺的地方要有凉垫，床上要有凉席电脑的机箱
基于ThinkPHP开发的公司官网 cuiyadll 行业系统
后端基于ThinkPHP，前端基于jQuery和BootstrapCo.MZ 企业系统轻量级企业网站管理系统运行环境:PHP5.3+, MySQL5.0 系统预览系统下载：http://www.tecmz.com 预览地址：http://co.tecmz.com 各种设备自适应响应式的网站设计能够对用户产生友好度，并且对于
Transaction and redelivery in JMS (JMS的事务和失败消息重发机制) darrenzhu jms 事务承认 MQ acknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/ Transaction and redelivery in
Centos添加硬盘完全教程 dcj3sjt126com linux centos hardware
Linux的硬盘识别: sda 表示第1块SCSI硬盘 hda 表示第1块IDE硬盘 scd0 表示第1个USB光驱一般使用“fdisk -l”命
yii2 restful web服务路由 dcj3sjt126com PHP yii2
路由随着资源和控制器类准备，您可以使用URL如 http://localhost/index.php?r=user/create访问资源，类似于你可以用正常的Web应用程序做法。在实践中，你通常要用美观的URL并采取有优势的HTTP动词。例如，请求POST /users意味着访问user/create动作。这可以很容易地通过配置urlManager应用程序组件来完成如下所示
MongoDB查询(4)——游标和分页[八] eksliang mongodb MongoDB游标 MongoDB深分页
转载请出自出处：http://eksliang.iteye.com/blog/2177567 一、游标数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制，从shell中定义一个游标非常简单，就是将查询结果分配给一个变量（用var声明的变量就是局部变量），便创建了一个游标，如下所示： > var
Activity的四种启动模式和onNewIntent() gundumw100 android
Android中Activity启动模式详解　　在Android中每个界面都是一个Activity，切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。　　Android总Activity的启动模式分为四种： Activity启动模式设置： <acti
攻城狮送女友的CSS3生日蛋糕 ini html Web html5 css css3
在线预览：http://keleyi.com/keleyi/phtml/html5/29.htm 代码如下： <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
读源码学Servlet（1）GenericServlet 源码分析 jzinfo tomcat Web servlet 网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口，所有的Servlet 类（抽象的或者自己写的）都必须实现这个接口。在Servlet接口中定义了5个方法，其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。先看javax.servlet.servlet接口源码： package
JAVA进阶：VO(DTO)与PO(DAO)之间的转换 snoopy7713 java VO Hibernate po
PO即 Persistence Object　　VO即 Value Object 　VO和PO的主要区别在于：　　VO是独立的Java Object。　　PO是由Hibernate纳入其实体容器（Entity Map）的对象，它代表了与数据库中某条记录对应的Hibernate实体，PO的变化在事务提交时将反应到实际数据库中。　实际上，这个VO被用作Data Transfer
mongodb group by date 聚合查询日期统计每天数据（信息量） qiaolevip 每天进步一点点学习永无止境 mongodb 纵观千象
/* 1 */ { "_id" : ObjectId("557ac1e2153c43c320393d9d"), "msgType" : "text", "sendTime" : ISODate("2015-06-12T11:26:26.000Z")
java之18天常用的类(一) Luob. Math Date System Runtime Rundom
System类 import java.util.Properties; /** * System: * out:标准输出,默认是控制台 * in:标准输入,默认是键盘 * * 描述系统的一些信息 * 获取系统的属性信息:Properties getProperties(); * * * */ public class Sy
maven wuai maven
1、安装maven：解压缩、添加M2_HOME、添加环境变量path 2、创建maven_home文件夹，创建项目mvn_ch01,在其下面建立src、pom.xml，在src下面简历main、test、main下面建立java文件夹 3、编写类，在java文件夹下面依照类的包逐层创建文件夹，将此类放入最后一级文件夹 4、进入mvn_ch01 4.1、mvn compile ,执行后会在