AIHUBEI

deep_residual_network

Deep_Residual_Network

# Import necessary packages.
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

# Device Configuration.
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(device)

cuda

# Hyper-parameters setting.
num_epochs = 80
batch_size = 100
learning_rate = 0.001

# Image preprocessing modules.
transform = transforms.Compose([
    transforms.Pad(4),
    transforms.RandomHorizontalFlip(),
    transforms.RandomCrop(32),
    transforms.ToTensor()])

# Load The CIFAR-10 dataset.
train_dataset = torchvision.datasets.CIFAR10(root='../../data/',
                                             train=True,
                                             transform=transform,
                                            download=True)

test_dataset = torchvision.datasets.CIFAR10(root='../../data/',
                                            train=False,
                                            transform=transforms.ToTensor(),
                                            download=False)

Files already downloaded and verified

# Define Data Loader.
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)

# 3x3 convolution.
def conv3x3(in_channels, out_channels, stride=1):
    return nn.Conv2d(in_channels, out_channels, kernel_size=3,
                     stride=stride, padding=1, bias=False)

# Residual block.
class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        self.conv1 = conv3x3(in_channels, out_channels, stride)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(out_channels, out_channels)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample
    
    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        if self.downsample:
            residual = self.downsample(x)
        out += residual
        out = self.relu(out)
        return out

# ResNet.
class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=10):
        super(ResNet, self).__init__()
        self.in_channels = 16
        self.conv = conv3x3(3, 16)
        self.bn = nn.BatchNorm2d(16)
        self.relu = nn.ReLU(inplace=True)
        self.layer1 = self.make_layer(block, 16, layers[0])
        self.layer2 = self.make_layer(block, 32, layers[1], 2)
        self.layer3 = self.make_layer(block, 64, layers[2], 2)
        self.avg_pool = nn.AvgPool2d(8)
        self.fc = nn.Linear(64, num_classes)

    def make_layer(self, block, out_channels, blocks, stride=1):
        downsample = None
        if (stride != 1) or (self.in_channels != out_channels):
            downsample = nn.Sequential(
                conv3x3(self.in_channels, out_channels, stride=stride),
                nn.BatchNorm2d(out_channels))
        layers = []
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        self.in_channels = out_channels
        for i in range(1, blocks):
            layers.append(block(out_channels, out_channels))
        return nn.Sequential(*layers)
    
    def forward(self, x):
        out = self.conv(x)
        out = self.bn(out)
        out = self.relu(out)
        out = self.layer1(out)
        out = self.layer2(out)
        out = self.layer3(out)
        out = self.avg_pool(out)
        out = out.view((out.size(0)), -1)
        out = self.fc(out)
        return out

model = ResNet(ResidualBlock, [2, 2, 2]).to(device)

# Loss and optimizer.
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# For updating learning rate.
def update_lr(optimizer, lr):
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

# Train the model
total_step = len(train_loader)
curr_lr = learning_rate
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.to(device)
        labels = labels.to(device)

        # Forward pass.
        outputs = model(images)
        loss = criterion(outputs, labels)

        # Backward and optimize.
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # Set an output conunter.
        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))
        
        # Decay learning rate.
        if (epoch+1) % 20 ==0:
            curr_lr /= 3
            update_lr(optimizer, curr_lr)

Epoch [1/80], Step [100/500], Loss: 1.6813
Epoch [1/80], Step [200/500], Loss: 1.3309
Epoch [1/80], Step [300/500], Loss: 1.3600
Epoch [1/80], Step [400/500], Loss: 1.3821
Epoch [1/80], Step [500/500], Loss: 1.2320
Epoch [2/80], Step [100/500], Loss: 0.9961
Epoch [2/80], Step [200/500], Loss: 1.0894
Epoch [2/80], Step [300/500], Loss: 0.8659
Epoch [2/80], Step [400/500], Loss: 1.0653
Epoch [2/80], Step [500/500], Loss: 0.8834
Epoch [3/80], Step [100/500], Loss: 0.9407
Epoch [3/80], Step [200/500], Loss: 0.9502
Epoch [3/80], Step [300/500], Loss: 0.9662
Epoch [3/80], Step [400/500], Loss: 0.7733
Epoch [3/80], Step [500/500], Loss: 0.6249
Epoch [4/80], Step [100/500], Loss: 0.7448
Epoch [4/80], Step [200/500], Loss: 0.6193
Epoch [4/80], Step [300/500], Loss: 0.6481
Epoch [4/80], Step [400/500], Loss: 0.8609
Epoch [4/80], Step [500/500], Loss: 0.8430
Epoch [5/80], Step [100/500], Loss: 0.8937
Epoch [5/80], Step [200/500], Loss: 0.6558
Epoch [5/80], Step [300/500], Loss: 0.6467
Epoch [5/80], Step [400/500], Loss: 0.8017
Epoch [5/80], Step [500/500], Loss: 0.6142
Epoch [6/80], Step [100/500], Loss: 0.5732
Epoch [6/80], Step [200/500], Loss: 0.6271
Epoch [6/80], Step [300/500], Loss: 0.6341
Epoch [6/80], Step [400/500], Loss: 0.6480
Epoch [6/80], Step [500/500], Loss: 0.6894
Epoch [7/80], Step [100/500], Loss: 0.7035
Epoch [7/80], Step [200/500], Loss: 0.7022
Epoch [7/80], Step [300/500], Loss: 0.4513
Epoch [7/80], Step [400/500], Loss: 0.5571
Epoch [7/80], Step [500/500], Loss: 0.6292
Epoch [8/80], Step [100/500], Loss: 0.4555
Epoch [8/80], Step [200/500], Loss: 0.6679
Epoch [8/80], Step [300/500], Loss: 0.5793
Epoch [8/80], Step [400/500], Loss: 0.5330
Epoch [8/80], Step [500/500], Loss: 0.4378
Epoch [9/80], Step [100/500], Loss: 0.4883
Epoch [9/80], Step [200/500], Loss: 0.5861
Epoch [9/80], Step [300/500], Loss: 0.4735
Epoch [9/80], Step [400/500], Loss: 0.5172
Epoch [9/80], Step [500/500], Loss: 0.4156
Epoch [10/80], Step [100/500], Loss: 0.4031
Epoch [10/80], Step [200/500], Loss: 0.6231
Epoch [10/80], Step [300/500], Loss: 0.4010
Epoch [10/80], Step [400/500], Loss: 0.4843
Epoch [10/80], Step [500/500], Loss: 0.6768
Epoch [11/80], Step [100/500], Loss: 0.4757
Epoch [11/80], Step [200/500], Loss: 0.5781
Epoch [11/80], Step [300/500], Loss: 0.4803
Epoch [11/80], Step [400/500], Loss: 0.4234
Epoch [11/80], Step [500/500], Loss: 0.5142
Epoch [12/80], Step [100/500], Loss: 0.5684
Epoch [12/80], Step [200/500], Loss: 0.3083
Epoch [12/80], Step [300/500], Loss: 0.4764
Epoch [12/80], Step [400/500], Loss: 0.4499
Epoch [12/80], Step [500/500], Loss: 0.5892
Epoch [13/80], Step [100/500], Loss: 0.3176
Epoch [13/80], Step [200/500], Loss: 0.3424
Epoch [13/80], Step [300/500], Loss: 0.5316
Epoch [13/80], Step [400/500], Loss: 0.3902
Epoch [13/80], Step [500/500], Loss: 0.4355
Epoch [14/80], Step [100/500], Loss: 0.3610
Epoch [14/80], Step [200/500], Loss: 0.3949
Epoch [14/80], Step [300/500], Loss: 0.3674
Epoch [14/80], Step [400/500], Loss: 0.5186
Epoch [14/80], Step [500/500], Loss: 0.3936
Epoch [15/80], Step [100/500], Loss: 0.3408
Epoch [15/80], Step [200/500], Loss: 0.4585
Epoch [15/80], Step [300/500], Loss: 0.4356
Epoch [15/80], Step [400/500], Loss: 0.3548
Epoch [15/80], Step [500/500], Loss: 0.4019
Epoch [16/80], Step [100/500], Loss: 0.4717
Epoch [16/80], Step [200/500], Loss: 0.4037
Epoch [16/80], Step [300/500], Loss: 0.4970
Epoch [16/80], Step [400/500], Loss: 0.4643
Epoch [16/80], Step [500/500], Loss: 0.4482
Epoch [17/80], Step [100/500], Loss: 0.4007
Epoch [17/80], Step [200/500], Loss: 0.5095
Epoch [17/80], Step [300/500], Loss: 0.2736
Epoch [17/80], Step [400/500], Loss: 0.4718
Epoch [17/80], Step [500/500], Loss: 0.3577
Epoch [18/80], Step [100/500], Loss: 0.4523
Epoch [18/80], Step [200/500], Loss: 0.3902
Epoch [18/80], Step [300/500], Loss: 0.2361
Epoch [18/80], Step [400/500], Loss: 0.2933
Epoch [18/80], Step [500/500], Loss: 0.2130
Epoch [19/80], Step [100/500], Loss: 0.3324
Epoch [19/80], Step [200/500], Loss: 0.3762
Epoch [19/80], Step [300/500], Loss: 0.2952
Epoch [19/80], Step [400/500], Loss: 0.3768
Epoch [19/80], Step [500/500], Loss: 0.2550
Epoch [20/80], Step [100/500], Loss: 0.4499
Epoch [20/80], Step [200/500], Loss: 0.4516
Epoch [20/80], Step [300/500], Loss: 0.3245
Epoch [20/80], Step [400/500], Loss: 0.3915
Epoch [20/80], Step [500/500], Loss: 0.2645
Epoch [21/80], Step [100/500], Loss: 0.2207
Epoch [21/80], Step [200/500], Loss: 0.4940
Epoch [21/80], Step [300/500], Loss: 0.4244
Epoch [21/80], Step [400/500], Loss: 0.4214
Epoch [21/80], Step [500/500], Loss: 0.2739
Epoch [22/80], Step [100/500], Loss: 0.2975
Epoch [22/80], Step [200/500], Loss: 0.2993
Epoch [22/80], Step [300/500], Loss: 0.3349
Epoch [22/80], Step [400/500], Loss: 0.4027
Epoch [22/80], Step [500/500], Loss: 0.4266
Epoch [23/80], Step [100/500], Loss: 0.3436
Epoch [23/80], Step [200/500], Loss: 0.3375
Epoch [23/80], Step [300/500], Loss: 0.3030
Epoch [23/80], Step [400/500], Loss: 0.3841
Epoch [23/80], Step [500/500], Loss: 0.4496
Epoch [24/80], Step [100/500], Loss: 0.5373
Epoch [24/80], Step [200/500], Loss: 0.2922
Epoch [24/80], Step [300/500], Loss: 0.4524
Epoch [24/80], Step [400/500], Loss: 0.2701
Epoch [24/80], Step [500/500], Loss: 0.3375
Epoch [25/80], Step [100/500], Loss: 0.4769
Epoch [25/80], Step [200/500], Loss: 0.3759
Epoch [25/80], Step [300/500], Loss: 0.4362
Epoch [25/80], Step [400/500], Loss: 0.3946
Epoch [25/80], Step [500/500], Loss: 0.4517
Epoch [26/80], Step [100/500], Loss: 0.3163
Epoch [26/80], Step [200/500], Loss: 0.2814
Epoch [26/80], Step [300/500], Loss: 0.2830
Epoch [26/80], Step [400/500], Loss: 0.3459
Epoch [26/80], Step [500/500], Loss: 0.3376
Epoch [27/80], Step [100/500], Loss: 0.5180
Epoch [27/80], Step [200/500], Loss: 0.3052
Epoch [27/80], Step [300/500], Loss: 0.2578
Epoch [27/80], Step [400/500], Loss: 0.4357
Epoch [27/80], Step [500/500], Loss: 0.3561
Epoch [28/80], Step [100/500], Loss: 0.2215
Epoch [28/80], Step [200/500], Loss: 0.4192
Epoch [28/80], Step [300/500], Loss: 0.3859
Epoch [28/80], Step [400/500], Loss: 0.2494
Epoch [28/80], Step [500/500], Loss: 0.3063
Epoch [29/80], Step [100/500], Loss: 0.2807
Epoch [29/80], Step [200/500], Loss: 0.3785
Epoch [29/80], Step [300/500], Loss: 0.2530
Epoch [29/80], Step [400/500], Loss: 0.2523
Epoch [29/80], Step [500/500], Loss: 0.2863
Epoch [30/80], Step [100/500], Loss: 0.3900
Epoch [30/80], Step [200/500], Loss: 0.4359
Epoch [30/80], Step [300/500], Loss: 0.4164
Epoch [30/80], Step [400/500], Loss: 0.3966
Epoch [30/80], Step [500/500], Loss: 0.4372
Epoch [31/80], Step [100/500], Loss: 0.3702
Epoch [31/80], Step [200/500], Loss: 0.4615
Epoch [31/80], Step [300/500], Loss: 0.3059
Epoch [31/80], Step [400/500], Loss: 0.3323
Epoch [31/80], Step [500/500], Loss: 0.2572
Epoch [32/80], Step [100/500], Loss: 0.2867
Epoch [32/80], Step [200/500], Loss: 0.6127
Epoch [32/80], Step [300/500], Loss: 0.2086
Epoch [32/80], Step [400/500], Loss: 0.2994
Epoch [32/80], Step [500/500], Loss: 0.3686
Epoch [33/80], Step [100/500], Loss: 0.5084
Epoch [33/80], Step [200/500], Loss: 0.2910
Epoch [33/80], Step [300/500], Loss: 0.5251
Epoch [33/80], Step [400/500], Loss: 0.3583
Epoch [33/80], Step [500/500], Loss: 0.2018
Epoch [34/80], Step [100/500], Loss: 0.3070
Epoch [34/80], Step [200/500], Loss: 0.4379
Epoch [34/80], Step [300/500], Loss: 0.3893
Epoch [34/80], Step [400/500], Loss: 0.3778
Epoch [34/80], Step [500/500], Loss: 0.4583
Epoch [35/80], Step [100/500], Loss: 0.3852
Epoch [35/80], Step [200/500], Loss: 0.2713
Epoch [35/80], Step [300/500], Loss: 0.5001
Epoch [35/80], Step [400/500], Loss: 0.2437
Epoch [35/80], Step [500/500], Loss: 0.3665
Epoch [36/80], Step [100/500], Loss: 0.4438
Epoch [36/80], Step [200/500], Loss: 0.2112
Epoch [36/80], Step [300/500], Loss: 0.3104
Epoch [36/80], Step [400/500], Loss: 0.3022
Epoch [36/80], Step [500/500], Loss: 0.2445
Epoch [37/80], Step [100/500], Loss: 0.3935
Epoch [37/80], Step [200/500], Loss: 0.3391
Epoch [37/80], Step [300/500], Loss: 0.5324
Epoch [37/80], Step [400/500], Loss: 0.4255
Epoch [37/80], Step [500/500], Loss: 0.3942
Epoch [38/80], Step [100/500], Loss: 0.2929
Epoch [38/80], Step [200/500], Loss: 0.3554
Epoch [38/80], Step [300/500], Loss: 0.2800
Epoch [38/80], Step [400/500], Loss: 0.3467
Epoch [38/80], Step [500/500], Loss: 0.3648
Epoch [39/80], Step [100/500], Loss: 0.2709
Epoch [39/80], Step [200/500], Loss: 0.2959
Epoch [39/80], Step [300/500], Loss: 0.2654
Epoch [39/80], Step [400/500], Loss: 0.3282
Epoch [39/80], Step [500/500], Loss: 0.3584
Epoch [40/80], Step [100/500], Loss: 0.3200
Epoch [40/80], Step [200/500], Loss: 0.4697
Epoch [40/80], Step [300/500], Loss: 0.5168
Epoch [40/80], Step [400/500], Loss: 0.3246
Epoch [40/80], Step [500/500], Loss: 0.4181
Epoch [41/80], Step [100/500], Loss: 0.5672
Epoch [41/80], Step [200/500], Loss: 0.3359
Epoch [41/80], Step [300/500], Loss: 0.4046
Epoch [41/80], Step [400/500], Loss: 0.2741
Epoch [41/80], Step [500/500], Loss: 0.3885
Epoch [42/80], Step [100/500], Loss: 0.3990
Epoch [42/80], Step [200/500], Loss: 0.3618
Epoch [42/80], Step [300/500], Loss: 0.2712
Epoch [42/80], Step [400/500], Loss: 0.3771
Epoch [42/80], Step [500/500], Loss: 0.3654
Epoch [43/80], Step [100/500], Loss: 0.4265
Epoch [43/80], Step [200/500], Loss: 0.3484
Epoch [43/80], Step [300/500], Loss: 0.2833
Epoch [43/80], Step [400/500], Loss: 0.3779
Epoch [43/80], Step [500/500], Loss: 0.2916
Epoch [44/80], Step [100/500], Loss: 0.4146
Epoch [44/80], Step [200/500], Loss: 0.3840
Epoch [44/80], Step [300/500], Loss: 0.3005
Epoch [44/80], Step [400/500], Loss: 0.3404
Epoch [44/80], Step [500/500], Loss: 0.4090
Epoch [45/80], Step [100/500], Loss: 0.4705
Epoch [45/80], Step [200/500], Loss: 0.4325
Epoch [45/80], Step [300/500], Loss: 0.4477
Epoch [45/80], Step [400/500], Loss: 0.3278
Epoch [45/80], Step [500/500], Loss: 0.5257
Epoch [46/80], Step [100/500], Loss: 0.2231
Epoch [46/80], Step [200/500], Loss: 0.3204
Epoch [46/80], Step [300/500], Loss: 0.4188
Epoch [46/80], Step [400/500], Loss: 0.3421
Epoch [46/80], Step [500/500], Loss: 0.2937
Epoch [47/80], Step [100/500], Loss: 0.4077
Epoch [47/80], Step [200/500], Loss: 0.4088
Epoch [47/80], Step [300/500], Loss: 0.4501
Epoch [47/80], Step [400/500], Loss: 0.3707
Epoch [47/80], Step [500/500], Loss: 0.2656
Epoch [48/80], Step [100/500], Loss: 0.2942
Epoch [48/80], Step [200/500], Loss: 0.3595
Epoch [48/80], Step [300/500], Loss: 0.3710
Epoch [48/80], Step [400/500], Loss: 0.3372
Epoch [48/80], Step [500/500], Loss: 0.5289
Epoch [49/80], Step [100/500], Loss: 0.3020
Epoch [49/80], Step [200/500], Loss: 0.3487
Epoch [49/80], Step [300/500], Loss: 0.4004
Epoch [49/80], Step [400/500], Loss: 0.4134
Epoch [49/80], Step [500/500], Loss: 0.4896
Epoch [50/80], Step [100/500], Loss: 0.4403
Epoch [50/80], Step [200/500], Loss: 0.4179
Epoch [50/80], Step [300/500], Loss: 0.2329
Epoch [50/80], Step [400/500], Loss: 0.3027
Epoch [50/80], Step [500/500], Loss: 0.4491
Epoch [51/80], Step [100/500], Loss: 0.4268
Epoch [51/80], Step [200/500], Loss: 0.3180
Epoch [51/80], Step [300/500], Loss: 0.2959
Epoch [51/80], Step [400/500], Loss: 0.2462
Epoch [51/80], Step [500/500], Loss: 0.3458
Epoch [52/80], Step [100/500], Loss: 0.3443
Epoch [52/80], Step [200/500], Loss: 0.2158
Epoch [52/80], Step [300/500], Loss: 0.2663
Epoch [52/80], Step [400/500], Loss: 0.3248
Epoch [52/80], Step [500/500], Loss: 0.3340
Epoch [53/80], Step [100/500], Loss: 0.4008
Epoch [53/80], Step [200/500], Loss: 0.4801
Epoch [53/80], Step [300/500], Loss: 0.4733
Epoch [53/80], Step [400/500], Loss: 0.4176
Epoch [53/80], Step [500/500], Loss: 0.3105
Epoch [54/80], Step [100/500], Loss: 0.3254
Epoch [54/80], Step [200/500], Loss: 0.3082
Epoch [54/80], Step [300/500], Loss: 0.2672
Epoch [54/80], Step [400/500], Loss: 0.3272
Epoch [54/80], Step [500/500], Loss: 0.3505
Epoch [55/80], Step [100/500], Loss: 0.3498
Epoch [55/80], Step [200/500], Loss: 0.4057
Epoch [55/80], Step [300/500], Loss: 0.3522
Epoch [55/80], Step [400/500], Loss: 0.4080
Epoch [55/80], Step [500/500], Loss: 0.5481
Epoch [56/80], Step [100/500], Loss: 0.3302
Epoch [56/80], Step [200/500], Loss: 0.4734
Epoch [56/80], Step [300/500], Loss: 0.3435
Epoch [56/80], Step [400/500], Loss: 0.3337
Epoch [56/80], Step [500/500], Loss: 0.4469
Epoch [57/80], Step [100/500], Loss: 0.3973
Epoch [57/80], Step [200/500], Loss: 0.2889
Epoch [57/80], Step [300/500], Loss: 0.2850
Epoch [57/80], Step [400/500], Loss: 0.3346
Epoch [57/80], Step [500/500], Loss: 0.2428
Epoch [58/80], Step [100/500], Loss: 0.3499
Epoch [58/80], Step [200/500], Loss: 0.3708
Epoch [58/80], Step [300/500], Loss: 0.3457
Epoch [58/80], Step [400/500], Loss: 0.3043
Epoch [58/80], Step [500/500], Loss: 0.2127
Epoch [59/80], Step [100/500], Loss: 0.4164
Epoch [59/80], Step [200/500], Loss: 0.5447
Epoch [59/80], Step [300/500], Loss: 0.3270
Epoch [59/80], Step [400/500], Loss: 0.2835
Epoch [59/80], Step [500/500], Loss: 0.3678
Epoch [60/80], Step [100/500], Loss: 0.5183
Epoch [60/80], Step [200/500], Loss: 0.3077
Epoch [60/80], Step [300/500], Loss: 0.3788
Epoch [60/80], Step [400/500], Loss: 0.5352
Epoch [60/80], Step [500/500], Loss: 0.2007
Epoch [61/80], Step [100/500], Loss: 0.3592
Epoch [61/80], Step [200/500], Loss: 0.3335
Epoch [61/80], Step [300/500], Loss: 0.3052
Epoch [61/80], Step [400/500], Loss: 0.3914
Epoch [61/80], Step [500/500], Loss: 0.3509
Epoch [62/80], Step [100/500], Loss: 0.5136
Epoch [62/80], Step [200/500], Loss: 0.3592
Epoch [62/80], Step [300/500], Loss: 0.2378
Epoch [62/80], Step [400/500], Loss: 0.2732
Epoch [62/80], Step [500/500], Loss: 0.3470
Epoch [63/80], Step [100/500], Loss: 0.3089
Epoch [63/80], Step [200/500], Loss: 0.3117
Epoch [63/80], Step [300/500], Loss: 0.4159
Epoch [63/80], Step [400/500], Loss: 0.4553
Epoch [63/80], Step [500/500], Loss: 0.3710
Epoch [64/80], Step [100/500], Loss: 0.4569
Epoch [64/80], Step [200/500], Loss: 0.4581
Epoch [64/80], Step [300/500], Loss: 0.3520
Epoch [64/80], Step [400/500], Loss: 0.3495
Epoch [64/80], Step [500/500], Loss: 0.3255
Epoch [65/80], Step [100/500], Loss: 0.2694
Epoch [65/80], Step [200/500], Loss: 0.2800
Epoch [65/80], Step [300/500], Loss: 0.2462
Epoch [65/80], Step [400/500], Loss: 0.2442
Epoch [65/80], Step [500/500], Loss: 0.3629
Epoch [66/80], Step [100/500], Loss: 0.4210
Epoch [66/80], Step [200/500], Loss: 0.3035
Epoch [66/80], Step [300/500], Loss: 0.5971
Epoch [66/80], Step [400/500], Loss: 0.3247
Epoch [66/80], Step [500/500], Loss: 0.4722
Epoch [67/80], Step [100/500], Loss: 0.3194
Epoch [67/80], Step [200/500], Loss: 0.3479
Epoch [67/80], Step [300/500], Loss: 0.4012
Epoch [67/80], Step [400/500], Loss: 0.3244
Epoch [67/80], Step [500/500], Loss: 0.3968
Epoch [68/80], Step [100/500], Loss: 0.4607
Epoch [68/80], Step [200/500], Loss: 0.2946
Epoch [68/80], Step [300/500], Loss: 0.5424
Epoch [68/80], Step [400/500], Loss: 0.3642
Epoch [68/80], Step [500/500], Loss: 0.3861
Epoch [69/80], Step [100/500], Loss: 0.4021
Epoch [69/80], Step [200/500], Loss: 0.3440
Epoch [69/80], Step [300/500], Loss: 0.2665
Epoch [69/80], Step [400/500], Loss: 0.3696
Epoch [69/80], Step [500/500], Loss: 0.4682
Epoch [70/80], Step [100/500], Loss: 0.3457
Epoch [70/80], Step [200/500], Loss: 0.3573
Epoch [70/80], Step [300/500], Loss: 0.2991
Epoch [70/80], Step [400/500], Loss: 0.4386
Epoch [70/80], Step [500/500], Loss: 0.3190
Epoch [71/80], Step [100/500], Loss: 0.4371
Epoch [71/80], Step [200/500], Loss: 0.4293
Epoch [71/80], Step [300/500], Loss: 0.4279
Epoch [71/80], Step [400/500], Loss: 0.4478
Epoch [71/80], Step [500/500], Loss: 0.2983
Epoch [72/80], Step [100/500], Loss: 0.3917
Epoch [72/80], Step [200/500], Loss: 0.3143
Epoch [72/80], Step [300/500], Loss: 0.2839
Epoch [72/80], Step [400/500], Loss: 0.4507
Epoch [72/80], Step [500/500], Loss: 0.3409
Epoch [73/80], Step [100/500], Loss: 0.2883
Epoch [73/80], Step [200/500], Loss: 0.2914
Epoch [73/80], Step [300/500], Loss: 0.3873
Epoch [73/80], Step [400/500], Loss: 0.3090
Epoch [73/80], Step [500/500], Loss: 0.2304
Epoch [74/80], Step [100/500], Loss: 0.3744
Epoch [74/80], Step [200/500], Loss: 0.3707
Epoch [74/80], Step [300/500], Loss: 0.3504
Epoch [74/80], Step [400/500], Loss: 0.3842
Epoch [74/80], Step [500/500], Loss: 0.2762
Epoch [75/80], Step [100/500], Loss: 0.3845
Epoch [75/80], Step [200/500], Loss: 0.2869
Epoch [75/80], Step [300/500], Loss: 0.4739
Epoch [75/80], Step [400/500], Loss: 0.2564
Epoch [75/80], Step [500/500], Loss: 0.4151
Epoch [76/80], Step [100/500], Loss: 0.2882
Epoch [76/80], Step [200/500], Loss: 0.2850
Epoch [76/80], Step [300/500], Loss: 0.4033
Epoch [76/80], Step [400/500], Loss: 0.3802
Epoch [76/80], Step [500/500], Loss: 0.2550
Epoch [77/80], Step [100/500], Loss: 0.3178
Epoch [77/80], Step [200/500], Loss: 0.3310
Epoch [77/80], Step [300/500], Loss: 0.3325
Epoch [77/80], Step [400/500], Loss: 0.3344
Epoch [77/80], Step [500/500], Loss: 0.2777
Epoch [78/80], Step [100/500], Loss: 0.3008
Epoch [78/80], Step [200/500], Loss: 0.5229
Epoch [78/80], Step [300/500], Loss: 0.2749
Epoch [78/80], Step [400/500], Loss: 0.3293
Epoch [78/80], Step [500/500], Loss: 0.3426
Epoch [79/80], Step [100/500], Loss: 0.2453
Epoch [79/80], Step [200/500], Loss: 0.3240
Epoch [79/80], Step [300/500], Loss: 0.3560
Epoch [79/80], Step [400/500], Loss: 0.2577
Epoch [79/80], Step [500/500], Loss: 0.3159
Epoch [80/80], Step [100/500], Loss: 0.2661
Epoch [80/80], Step [200/500], Loss: 0.3118
Epoch [80/80], Step [300/500], Loss: 0.2826
Epoch [80/80], Step [400/500], Loss: 0.4284
Epoch [80/80], Step [500/500], Loss: 0.3187

# Test the model.
model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print("Accuracy of the model no the test images: {} %".format(100 * correct / total))

Accuracy of the model no the test images: 84.61 %

# Save the model checkpoint.
torch.save(model.state_dict(), 'model_param.ckpt')

# Load the model checkpoint.
model.load_state_dict(torch.load('model_param.ckpt'))

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
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
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
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
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
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&#
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
【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
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）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.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
python中的深拷贝与浅拷贝 anshejd70787 python
深拷贝和浅拷贝浅拷贝的时候，修改原来的对象，浅拷贝的对象不会发生改变。1、对象的赋值对象的赋值实际上是对象之间的引用：当创建一个对象，然后将这个对象赋值给另外一个变量的时候，python并没有拷贝这个对象，而只是拷贝了这个对象的引用。当对对象做赋值或者是参数传递或者作为返回值的时候，总是传递原始对象的引用，而不是一个副本。如下所示：>>>aList=["kel","abc",123]>>>bLis
github中多个平台共存 jackyrong github
在个人电脑上，如何分别链接比如oschina,github等库呢，一般教程之列的，默认 ssh链接一个托管的而已，下面讲解如何放两个文件 1）设置用户名和邮件地址 $ git config --global user.name "xx" $ git config --global user.email "[email protected]"
ip地址与整数的相互转换(javascript) alxw4616 JavaScript
//IP转成整型 function ip2int(ip){ var num = 0; ip = ip.split("."); num = Number(ip[0]) * 256 * 256 * 256 + Number(ip[1]) * 256 * 256 + Number(ip[2]) * 256 + Number(ip[3]); n
读书笔记-jquey+数据库+css chengxuyuancsdn html jquery oracle
1、grouping ,group by rollup, GROUP BY GROUPING SETS区别 2、$("#totalTable tbody>tr td:nth-child(" + i + ")").css({"width":tdWidth, "margin":"0px", &q
javaSE javaEE javaME == API下载 Array_06 java
oracle下载各种API文档： http://www.oracle.com/technetwork/java/embedded/javame/embed-me/documentation/javame-embedded-apis-2181154.html JavaSE文档： http://docs.oracle.com/javase/8/docs/api/ JavaEE文档： ht
shiro入门学习 cugfy java Web 框架
声明本文只适合初学者，本人也是刚接触而已，经过一段时间的研究小有收获，特来分享下希望和大家互相交流学习。首先配置我们的web.xml代码如下，固定格式，记死就成 <filter> <filter-name>shiroFilter</filter-name> &nbs
Array添加删除方法 357029540 js
刚才做项目前台删除数组的固定下标值时，删除得不是很完整，所以在网上查了下，发现一个不错的方法，也提供给需要的同学。 //给数组添加删除 Array.prototype.del = function(n){
navigation bar 更改颜色张亚雄 IO
今天郁闷了一下午，就因为objective-c默认语言是英文，我写的中文全是一些乱七八糟的样子，到不是乱码，但是，前两个自字是粗体，后两个字正常体，这可郁闷死我了，问了问大牛，人家告诉我说更改一下字体就好啦，比如改成黑体，哇塞，茅塞顿开。翻书看，发现，书上有介绍怎么更改表格中文字字体的，代码如下
unicode转换成中文 adminjun unicode 编码转换
在Java程序中总会出现\u6b22\u8fce\u63d0\u4ea4\u5fae\u535a\u641c\u7d22\u4f7f\u7528\u53cd\u9988\uff0c\u8bf7\u76f4\u63a5这个的字符，这是unicode编码，使用时有时候不会自动转换成中文就需要自己转换了使用下面的方法转换一下即可。 /** * unicode 转换成中文
一站式 Java Web 框架 firefly aijuans Java Web
Firefly是一个高性能一站式Web框架。涵盖了web开发的主要技术栈。包含Template engine、IOC、MVC framework、HTTP Server、Common tools、Log、Json parser等模块。 firefly-2.0_07修复了模版压缩对javascript单行注释的影响，并新增了自定义错误页面功能。更新日志：增加自定义系统错误页面功能
设计模式——单例模式 ayaoxinchao 设计模式
定义 Java中单例模式定义：“一个类有且仅有一个实例，并且自行实例化向整个系统提供。” 分析从定义中可以看出单例的要点有三个：一是某个类只能有一个实例；二是必须自行创建这个实例；三是必须自行向系统提供这个实例。 &nb
Javascript 多浏览器兼容性问题及解决方案 BigBird2012 JavaScript
不论是网站应用还是学习js,大家很注重ie与firefox等浏览器的兼容性问题，毕竟这两中浏览器是占了绝大多数。一、document.formName.item(”itemName”) 问题问题说明：IE下，可以使用 document.formName.item(”itemName”) 或 document.formName.elements ["elementName&quo
JUnit-4.11使用报java.lang.NoClassDefFoundError: org/hamcrest/SelfDescribing错误 bijian1013 junit4.11 单元测试
下载了最新的JUnit版本，是4.11，结果尝试使用发现总是报java.lang.NoClassDefFoundError: org/hamcrest/SelfDescribing这样的错误，上网查了一下，一般的解决方案是，换一个低一点的版本就好了。还有人说，是缺少hamcrest的包。去官网看了一下，如下发现：
[Zookeeper学习笔记之二]Zookeeper部署脚本 bit1129 zookeeper
Zookeeper伪分布式安装脚本(此脚本在一台机器上创建Zookeeper三个进程，即创建具有三个节点的Zookeeper集群。这个脚本和zookeeper的tar包放在同一个目录下，脚本中指定的名字是zookeeper的3.4.6版本，需要根据实际情况修改)： #!/bin/bash #!!!Change the name!!! #The zookeepe
【Spark八十】Spark RDD API二 bit1129 spark
coGroup package spark.examples.rddapi import org.apache.spark.{SparkConf, SparkContext} import org.apache.spark.SparkContext._ object CoGroupTest_05 { def main(args: Array[String]) { v
Linux中编译apache服务器modules文件夹缺少模块(.so)的问题 ronin47 modules
在modules目录中只有httpd.exp，那些so文件呢？我尝试在fedora core 3中安装apache 2. 当我解压了apache 2.0.54后使用configure工具并且加入了 --enable-so 或者 --enable-modules=so (两个我都试过了) 去make并且make install了。我希望在/apache2/modules/目录里有各种模块，
Java基础-克隆 BrokenDreams java基础
Java中怎么拷贝一个对象呢？可以通过调用这个对象类型的构造器构造一个新对象，然后将要拷贝对象的属性设置到新对象里面。Java中也有另一种不通过构造器来拷贝对象的方式，这种方式称为克隆。 Java提供了java.lang.
读《研磨设计模式》-代码笔记-适配器模式-Adapter bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 适配器模式解决的主要问题是，现有的方法接口与客户要求的方法接口不一致 * 可以这样想，我们要写这样一个类（Adapter）: * 1.这个类要符合客户的要求 ---> 那显然要
HDR图像PS教程集锦&心得 cherishLC PS
HDR是指高动态范围的图像，主要原理为提高图像的局部对比度。软件有photomatix和nik hdr efex。一、教程叶明在知乎上的回答： http://www.zhihu.com/question/27418267/answer/37317792 大意是修完后直方图最好是等值直方图，方法是HDR软件调一遍，再结合不透明度和蒙版细调。二、心得 1、去除阴影部分的
maven-3.3.3 mvn archetype 列表 crabdave ArcheType
maven-3.3.3 mvn archetype 列表可以参考最新的：http://repo1.maven.org/maven2/archetype-catalog.xml [INFO] Scanning for projects... [INFO]
linux shell 中文件编码查看及转换方法 daizj shell 中文乱码 vim 文件编码
一、查看文件编码。在打开文件的时候输入:set fileencoding 即可显示文件编码格式。二、文件编码转换 1、在Vim中直接进行转换文件编码,比如将一个文件转换成utf-8格式 &
MySQL--binlog日志恢复数据 dcj3sjt126com binlog
恢复数据的重要命令如下 mysql> flush logs; 默认的日志是mysql-bin.000001，现在刷新了重新开启一个就多了一个mysql-bin.000002
数据库中数据表数据迁移方法 dcj3sjt126com sql
刚开始想想好像挺麻烦的，后来找到一种方法了，就SQL中的 INSERT 语句，不过内容是现从另外的表中查出来的，其实就是 MySQL中INSERT INTO SELECT的使用下面看看如何使用语法：MySQL中INSERT INTO SELECT的使用 1. 语法介绍有三张表a、b、c，现在需要从表b
Java反转字符串 dyy_gusi java 反转字符串
前几天看见一篇文章，说使用Java能用几种方式反转一个字符串。首先要明白什么叫反转字符串，就是将一个字符串到过来啦，比如"倒过来念的是小狗"反转过来就是”狗小是的念来过倒“。接下来就把自己能想到的所有方式记录下来了。 1、第一个念头就是直接使用String类的反转方法，对不起，这样是不行的，因为Stri
UI设计中我们为什么需要设计动效 gcq511120594 UI linux
随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。一、加强体验舒适度嗯，就是让用户更加爽更加爽的用
JBOSS服务部署端口冲突问题 HogwartsRow java 应用服务器 jboss server EJB3
服务端口冲突问题的解决方法，一般修改如下三个文件中的部分端口就可以了。 1、jboss5/server/default/conf/bindingservice.beans/META-INF/bindings-jboss-beans.xml 2、./server/default/deploy/jbossweb.sar/server.xml 3、.
第三章 Redis/SSDB+Twemproxy安装与使用 jinnianshilongnian ssdb reids twemproxy
目前对于互联网公司不使用Redis的很少，Redis不仅仅可以作为key-value缓存，而且提供了丰富的数据结果如set、list、map等，可以实现很多复杂的功能；但是Redis本身主要用作内存缓存，不适合做持久化存储，因此目前有如SSDB、ARDB等，还有如京东的JIMDB，它们都支持Redis协议，可以支持Redis客户端直接访问；而这些持久化存储大多数使用了如LevelDB、RocksD
ZooKeeper原理及使用 liyonghui160com
ZooKeeper是Hadoop Ecosystem中非常重要的组件，它的主要功能是为分布式系统提供一致性协调(Coordination)服务，与之对应的Google的类似服务叫Chubby。今天这篇文章分为三个部分来介绍ZooKeeper，第一部分介绍ZooKeeper的基本原理，第二部分介绍ZooKeeper
程序员解决问题的60个策略 pda158 框架工作单元测试
根本的指导方针 1. 首先写代码的时候最好不要有缺陷。最好的修复方法就是让 bug 胎死腹中。良好的单元测试强制数据库约束使用输入验证框架避免未实现的“else”条件在应用到主程序之前知道如何在孤立的情况下使用日志 2. print 语句。往往额外输出个一两行将有助于隔离问题。 3. 切换至详细的日志记录。详细的日
Create the Google Play Account sillycat Google
Create the Google Play Account Having a Google account, pay 25$, then you get your google developer account. References: http://developer.android.com/distribute/googleplay/start.html https://p
JSP三大指令 vikingwei jsp
JSP三大指令一个jsp页面中，可以有0~N个指令的定义！ 1. page --> 最复杂：<%@page language="java" info="xxx"...%> * pageEncoding和contentType： > pageEncoding：它

deep_residual_network

Deep_Residual_Network

你可能感兴趣的:(神经网络与深度学习,深度学习,pytorch,python,ResNet,神经网络)