lynnandwei

学习笔记：自训练Cifar10网络数据结果

看了那么多深度网络的结构，于是上个月就开始自己拿数据来训练。

训练的数据需要尽量多一点。

首先拿101_ObjectCategories的数据来试一下。101_ObjectCategories里面有的类别数据量太少，于是先选择两类，airplanes 和Motorbikes 每一类有800张左右的图片。

训练图片还是32*32. 模型基本没做大的修改。直接训练两类的结果迭代到500次，准确率就达到99%，最后进行了4000次迭代。

I0408 23:46:38.619588 11493 net.cpp:56] Memory required for data: 0
I0408 23:46:38.619616 11493 net.cpp:67] Creating Layer cifar
I0408 23:46:38.619624 11493 net.cpp:356] cifar -> data
I0408 23:46:38.619638 11493 net.cpp:356] cifar -> label
I0408 23:46:38.619648 11493 net.cpp:96] Setting up cifar
I0408 23:46:38.619704 11493 data_layer.cpp:68] Opening lmdb data/101small/test32/101_val_lmdb
I0408 23:46:38.619730 11493 data_layer.cpp:128] output data size: 100,3,32,32
I0408 23:46:38.619743 11493 base_data_layer.cpp:36] Loading mean file fromdata/101small/test32/mean.binaryproto
I0408 23:46:38.620277 11493 base_data_layer.cpp:64] Initializing prefetch
I0408 23:46:38.620301 11493 base_data_layer.cpp:66] Prefetch initialized.
I0408 23:46:38.620309 11493 net.cpp:103] Top shape: 100 3 32 32 (307200)
I0408 23:46:38.620316 11493 net.cpp:103] Top shape: 100 1 1 1 (100)
I0408 23:46:38.620319 11493 net.cpp:113] Memory required for data: 1229200
I0408 23:46:38.620331 11493 net.cpp:67] Creating Layer label_cifar_1_split
I0408 23:46:38.620337 11493 net.cpp:394] label_cifar_1_split <- label
I0408 23:46:38.620347 11493 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_0
I0408 23:46:38.620357 11493 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_1
I0408 23:46:38.620367 11493 net.cpp:96] Setting up label_cifar_1_split
I0408 23:46:38.620374 11493 net.cpp:103] Top shape: 100 1 1 1 (100)
I0408 23:46:38.620379 11493 net.cpp:103] Top shape: 100 1 1 1 (100)
I0408 23:46:38.620384 11493 net.cpp:113] Memory required for data: 1230000
I0408 23:46:38.620395 11493 net.cpp:67] Creating Layer conv1
I0408 23:46:38.620403 11493 net.cpp:394] conv1 <- data
I0408 23:46:38.620412 11493 net.cpp:356] conv1 -> conv1
I0408 23:46:38.620422 11493 net.cpp:96] Setting up conv1
I0408 23:46:38.620764 11493 net.cpp:103] Top shape: 100 32 32 32 (3276800)
I0408 23:46:38.620771 11493 net.cpp:113] Memory required for data: 14337200
I0408 23:46:38.620786 11493 net.cpp:67] Creating Layer pool1
I0408 23:46:38.620793 11493 net.cpp:394] pool1 <- conv1
I0408 23:46:38.620803 11493 net.cpp:356] pool1 -> pool1
I0408 23:46:38.620812 11493 net.cpp:96] Setting up pool1
I0408 23:46:38.620820 11493 net.cpp:103] Top shape: 100 32 16 16 (819200)
I0408 23:46:38.620826 11493 net.cpp:113] Memory required for data: 17614000
I0408 23:46:38.620834 11493 net.cpp:67] Creating Layer relu1
I0408 23:46:38.620839 11493 net.cpp:394] relu1 <- pool1
I0408 23:46:38.620851 11493 net.cpp:345] relu1 -> pool1 (in-place)
I0408 23:46:38.620867 11493 net.cpp:96] Setting up relu1
I0408 23:46:38.620872 11493 net.cpp:103] Top shape: 100 32 16 16 (819200)
I0408 23:46:38.620877 11493 net.cpp:113] Memory required for data: 20890800
I0408 23:46:38.620887 11493 net.cpp:67] Creating Layer conv2
I0408 23:46:38.620893 11493 net.cpp:394] conv2 <- pool1
I0408 23:46:38.620903 11493 net.cpp:356] conv2 -> conv2
I0408 23:46:38.620913 11493 net.cpp:96] Setting up conv2
I0408 23:46:38.624178 11493 net.cpp:103] Top shape: 100 32 16 16 (819200)
I0408 23:46:38.624187 11493 net.cpp:113] Memory required for data: 24167600
I0408 23:46:38.624202 11493 net.cpp:67] Creating Layer relu2
I0408 23:46:38.624215 11493 net.cpp:394] relu2 <- conv2
I0408 23:46:38.624227 11493 net.cpp:345] relu2 -> conv2 (in-place)
I0408 23:46:38.624235 11493 net.cpp:96] Setting up relu2
I0408 23:46:38.624241 11493 net.cpp:103] Top shape: 100 32 16 16 (819200)
I0408 23:46:38.624245 11493 net.cpp:113] Memory required for data: 27444400
I0408 23:46:38.624253 11493 net.cpp:67] Creating Layer pool2
I0408 23:46:38.624259 11493 net.cpp:394] pool2 <- conv2
I0408 23:46:38.624269 11493 net.cpp:356] pool2 -> pool2
I0408 23:46:38.624277 11493 net.cpp:96] Setting up pool2
I0408 23:46:38.624284 11493 net.cpp:103] Top shape: 100 32 8 8 (204800)
I0408 23:46:38.624289 11493 net.cpp:113] Memory required for data: 28263600
I0408 23:46:38.624302 11493 net.cpp:67] Creating Layer conv3
I0408 23:46:38.624308 11493 net.cpp:394] conv3 <- pool2
I0408 23:46:38.624318 11493 net.cpp:356] conv3 -> conv3
I0408 23:46:38.624330 11493 net.cpp:96] Setting up conv3
I0408 23:46:38.630815 11493 net.cpp:103] Top shape: 100 64 8 8 (409600)
I0408 23:46:38.630823 11493 net.cpp:113] Memory required for data: 29902000
I0408 23:46:38.630838 11493 net.cpp:67] Creating Layer relu3
I0408 23:46:38.630846 11493 net.cpp:394] relu3 <- conv3
I0408 23:46:38.630856 11493 net.cpp:345] relu3 -> conv3 (in-place)
I0408 23:46:38.630863 11493 net.cpp:96] Setting up relu3
I0408 23:46:38.630869 11493 net.cpp:103] Top shape: 100 64 8 8 (409600)
I0408 23:46:38.630874 11493 net.cpp:113] Memory required for data: 31540400
I0408 23:46:38.630882 11493 net.cpp:67] Creating Layer pool3
I0408 23:46:38.630887 11493 net.cpp:394] pool3 <- conv3
I0408 23:46:38.630897 11493 net.cpp:356] pool3 -> pool3
I0408 23:46:38.630905 11493 net.cpp:96] Setting up pool3
I0408 23:46:38.630913 11493 net.cpp:103] Top shape: 100 64 4 4 (102400)
I0408 23:46:38.630918 11493 net.cpp:113] Memory required for data: 31950000
I0408 23:46:38.630926 11493 net.cpp:67] Creating Layer ip1
I0408 23:46:38.630933 11493 net.cpp:394] ip1 <- pool3
I0408 23:46:38.630942 11493 net.cpp:356] ip1 -> ip1
I0408 23:46:38.630951 11493 net.cpp:96] Setting up ip1
I0408 23:46:38.639205 11493 net.cpp:103] Top shape: 100 64 1 1 (6400)
I0408 23:46:38.639214 11493 net.cpp:113] Memory required for data: 31975600
I0408 23:46:38.639225 11493 net.cpp:67] Creating Layer ip2
I0408 23:46:38.639232 11493 net.cpp:394] ip2 <- ip1
I0408 23:46:38.639245 11493 net.cpp:356] ip2 -> ip2
I0408 23:46:38.639255 11493 net.cpp:96] Setting up ip2
I0408 23:46:38.639284 11493 net.cpp:103] Top shape: 100 2 1 1 (200)
I0408 23:46:38.639291 11493 net.cpp:113] Memory required for data: 31976400
I0408 23:46:38.639303 11493 net.cpp:67] Creating Layer ip2_ip2_0_split
I0408 23:46:38.639309 11493 net.cpp:394] ip2_ip2_0_split <- ip2
I0408 23:46:38.639318 11493 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_0
I0408 23:46:38.639330 11493 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_1
I0408 23:46:38.639339 11493 net.cpp:96] Setting up ip2_ip2_0_split
I0408 23:46:38.639346 11493 net.cpp:103] Top shape: 100 2 1 1 (200)
I0408 23:46:38.639351 11493 net.cpp:103] Top shape: 100 2 1 1 (200)
I0408 23:46:38.639355 11493 net.cpp:113] Memory required for data: 31978000
I0408 23:46:38.639364 11493 net.cpp:67] Creating Layer accuracy
I0408 23:46:38.639369 11493 net.cpp:394] accuracy <- ip2_ip2_0_split_0
I0408 23:46:38.639376 11493 net.cpp:394] accuracy <- label_cifar_1_split_0
I0408 23:46:38.639385 11493 net.cpp:356] accuracy -> accuracy
I0408 23:46:38.639396 11493 net.cpp:96] Setting up accuracy
I0408 23:46:38.639405 11493 net.cpp:103] Top shape: 1 1 1 1 (1)
I0408 23:46:38.639410 11493 net.cpp:113] Memory required for data: 31978004
I0408 23:46:38.639417 11493 net.cpp:67] Creating Layer loss
I0408 23:46:38.639423 11493 net.cpp:394] loss <- ip2_ip2_0_split_1
I0408 23:46:38.639431 11493 net.cpp:394] loss <- label_cifar_1_split_1
I0408 23:46:38.639438 11493 net.cpp:356] loss -> loss
I0408 23:46:38.639447 11493 net.cpp:96] Setting up loss
I0408 23:46:38.639458 11493 net.cpp:103] Top shape: 1 1 1 1 (1)
I0408 23:46:38.639463 11493 net.cpp:109] with loss weight 1
I0408 23:46:38.639469 11493 net.cpp:113] Memory required for data: 31978008
I0408 23:46:38.639482 11493 net.cpp:170] loss needs backward computation.
I0408 23:46:38.639488 11493 net.cpp:172] accuracy does not need backward computation.
I0408 23:46:38.639493 11493 net.cpp:170] ip2_ip2_0_split needs backward computation.
I0408 23:46:38.639498 11493 net.cpp:170] ip2 needs backward computation.
I0408 23:46:38.639503 11493 net.cpp:170] ip1 needs backward computation.
I0408 23:46:38.639508 11493 net.cpp:170] pool3 needs backward computation.
I0408 23:46:38.639513 11493 net.cpp:170] relu3 needs backward computation.
I0408 23:46:38.639518 11493 net.cpp:170] conv3 needs backward computation.
I0408 23:46:38.639523 11493 net.cpp:170] pool2 needs backward computation.
I0408 23:46:38.639528 11493 net.cpp:170] relu2 needs backward computation.
I0408 23:46:38.639533 11493 net.cpp:170] conv2 needs backward computation.
I0408 23:46:38.639539 11493 net.cpp:170] relu1 needs backward computation.
I0408 23:46:38.639544 11493 net.cpp:170] pool1 needs backward computation.
I0408 23:46:38.639549 11493 net.cpp:170] conv1 needs backward computation.
I0408 23:46:38.639554 11493 net.cpp:172] label_cifar_1_split does not need backward computation.
I0408 23:46:38.639559 11493 net.cpp:172] cifar does not need backward computation.
I0408 23:46:38.639564 11493 net.cpp:208] This network produces output accuracy
I0408 23:46:38.639569 11493 net.cpp:208] This network produces output loss
I0408 23:46:38.639590 11493 net.cpp:467] Collecting Learning Rate and Weight Decay.
I0408 23:46:38.639598 11493 net.cpp:219] Network initialization done.
I0408 23:46:38.639603 11493 net.cpp:220] Memory required for data: 31978008
I0408 23:46:38.639637 11493 solver.cpp:41] Solver scaffolding done.
I0408 23:46:38.639643 11493 solver.cpp:160] Solving CIFAR10_quick
I0408 23:46:38.639648 11493 solver.cpp:161] Learning Rate Policy: fixed
I0408 23:46:38.639696 11493 solver.cpp:264] Iteration 0, Testing net (#0)
I0408 23:46:38.639713 11493 net.cpp:652] Copying source layer cifar
I0408 23:46:38.639721 11493 net.cpp:652] Copying source layer conv1
I0408 23:46:38.639736 11493 net.cpp:652] Copying source layer pool1
I0408 23:46:38.639749 11493 net.cpp:652] Copying source layer relu1
I0408 23:46:38.639757 11493 net.cpp:652] Copying source layer conv2
I0408 23:46:38.639770 11493 net.cpp:652] Copying source layer relu2
I0408 23:46:38.639783 11493 net.cpp:652] Copying source layer pool2
I0408 23:46:38.639796 11493 net.cpp:652] Copying source layer conv3
I0408 23:46:38.639822 11493 net.cpp:652] Copying source layer relu3
I0408 23:46:38.639832 11493 net.cpp:652] Copying source layer pool3
I0408 23:46:38.639838 11493 net.cpp:652] Copying source layer ip1
I0408 23:46:38.639858 11493 net.cpp:652] Copying source layer ip2
I0408 23:46:38.639864 11493 net.cpp:652] Copying source layer loss
I0408 23:46:38.641947 11496 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:47:34.499454 11493 solver.cpp:315] Test net output #0: accuracy = 0.505
I0408 23:47:34.499495 11493 solver.cpp:315] Test net output #1: loss = 0.693705 (* 1 = 0.693705 loss)
I0408 23:47:35.913596 11493 solver.cpp:209] Iteration 0, loss = 0.695267
I0408 23:47:35.913638 11493 solver.cpp:224] Train net output #0: loss = 0.695267 (* 1 = 0.695267 loss)
I0408 23:47:35.913648 11493 solver.cpp:445] Iteration 0, lr = 0.001
I0408 23:47:51.280112 11612 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:49:55.618027 11493 solver.cpp:209] Iteration 100, loss = 0.0746845
I0408 23:49:55.618070 11493 solver.cpp:224] Train net output #0: loss = 0.0746845 (* 1 = 0.0746845 loss)
I0408 23:49:55.618079 11493 solver.cpp:445] Iteration 100, lr = 0.001
I0408 23:50:08.198837 11752 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:52:15.567517 11493 solver.cpp:209] Iteration 200, loss = 0.0127414
I0408 23:52:15.567559 11493 solver.cpp:224] Train net output #0: loss = 0.0127414 (* 1 = 0.0127414 loss)
I0408 23:52:15.567569 11493 solver.cpp:445] Iteration 200, lr = 0.001
I0408 23:52:25.373136 11884 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:52:44.983633 11898 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:53:04.592311 11923 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:53:24.199542 11941 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:53:43.808826 11974 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:54:03.417126 11989 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:54:23.025939 12008 data_layer.cpp:195] Restarting data prefetching from start.
I0408 23:54:35.630164 11493 solver.cpp:209] Iteration 300, loss = 0.00187102
I0408 23:54:35.630205 11493 solver.cpp:224] Train net output #0: loss = 0.00187103 (* 1 = 0.00187103 loss)
I0408 23:54:35.630214 11493 solver.cpp:445] Iteration 300, lr = 0.001
I0408 23:56:55.706265 11493 solver.cpp:209] Iteration 400, loss = 0.000129756
I0408 23:56:55.706351 11493 solver.cpp:224] Train net output #0: loss = 0.000129764 (* 1 = 0.000129764 loss)
I0408 23:56:55.706360 11493 solver.cpp:445] Iteration 400, lr = 0.001
I0408 23:59:14.362998 11493 solver.cpp:264] Iteration 500, Testing net (#0)
I0408 23:59:14.363026 11493 net.cpp:652] Copying source layer cifar
I0408 23:59:14.363034 11493 net.cpp:652] Copying source layer conv1
I0408 23:59:14.363039 11493 net.cpp:652] Copying source layer pool1
I0408 23:59:14.363044 11493 net.cpp:652] Copying source layer relu1
I0408 23:59:14.363049 11493 net.cpp:652] Copying source layer conv2
I0408 23:59:14.363054 11493 net.cpp:652] Copying source layer relu2
I0408 23:59:14.363059 11493 net.cpp:652] Copying source layer pool2
I0408 23:59:14.363064 11493 net.cpp:652] Copying source layer conv3
I0408 23:59:14.363068 11493 net.cpp:652] Copying source layer relu3
I0408 23:59:14.363073 11493 net.cpp:652] Copying source layer pool3
I0408 23:59:14.363077 11493 net.cpp:652] Copying source layer ip1
I0408 23:59:14.363082 11493 net.cpp:652] Copying source layer ip2
I0408 23:59:14.363088 11493 net.cpp:652] Copying source layer loss
I0408 23:59:14.364789 12279 data_layer.cpp:195] Restarting data prefetching from start.
I0409 00:00:10.128435 11493 solver.cpp:315] Test net output #0: accuracy = 0.99
I0409 00:00:10.128469 11493 solver.cpp:315] Test net output #1: loss = 0.0209001 (* 1 = 0.0209001 loss)
I0409 00:00:11.528825 11493 solver.cpp:209] Iteration 500, loss = 0.000202642
I0409 00:00:11.528863 11493 solver.cpp:224] Train net output #0: loss = 0.000202651 (* 1 = 0.000202651 loss)
I0409 00:00:11.528873 11493 solver.cpp:445] Iteration 500, lr = 0.001

……

I0409 00:12:46.198276 11493 solver.cpp:315] Test net output #0: accuracy = 0.99
I0409 00:12:46.198317 11493 solver.cpp:315] Test net output #1: loss = 0.0209753 (* 1 = 0.0209753 loss)
I0409 00:12:47.598284 11493 solver.cpp:209] Iteration 1000, loss = 0.000381682
I0409 00:12:47.598323 11493 solver.cpp:224] Train net output #0: loss = 0.00038169 (* 1 = 0.00038169 loss)
I0409 00:12:47.598333 11493 solver.cpp:445] Iteration 1000, lr = 0.001

训练完将所要判断的图片输入，得出推算结果

prediction shape: (1, 2)
['motobikes']
[1]

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
2020-01-25 晴岚85
郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
绘本讲师训练营【24期】8/21阅读原创《独生小孩》 1784e22615e0
24016-孟娟《独生小孩》图片发自App今天我想分享一个蛮特别的绘本，讲的是一个特殊的群体，我也是属于这个群体，80后的独生小孩。这是一本中国绘本，作者郭婧，也是一个80厚。全书一百多页，均为铅笔绘制，虽然为黑白色调，但并不显得沉闷。全书没有文字，犹如“默片”，但并不影响读者对该作品的理解，反而显得神秘，梦幻，給读者留下想象的空间。作者在前蝴蝶页这样写到：“我更希望父母和孩子一起分享这本书，使他
向内而求陈陈_19b4
10月27日，阴。阅读书目:《次第花开》。作者:希阿荣博堪布，是当今藏传佛家宁玛派最伟大的上师法王，如意宝晋美彭措仁波切颇具影响力的弟子之一。多年以来，赴海内外各地弘扬佛法，以正式授课、现场开示、发表文章等多种方法指导佛学弟子修行佛法。代表作《寂静之道》、《生命这出戏》、《透过佛法看世界》自出版以来一直是佛教类书籍中的畅销书。图片发自App金句:1.佛陀说，一切痛苦的根源在于我们长期以来对自身及外
抖音乐买买怎么加入赚钱?赚钱方法是什么测评君高省
你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
我的烦恼余建梅
我的烦恼。女儿问我：“你给学生布置什么作文题目？”“《我的烦恼》。”“他们都这么大了，你觉得他们还有烦恼吗？”“有啊！每个人都会有自己烦恼。”“我不相信，大人是没有烦恼的，如果说一定有的话，你的烦恼和我写作业有关，而且是小烦恼。不像我，天天被你说，有这样的妈妈，烦恼是没完没了。”女儿愤愤不平。每个人都会有自己的烦恼，处在上有老下有小的年纪，烦恼多的数不完。想干好工作带好孩子，想孝顺父母又想经营好自
【一起学Rust | 设计模式】习惯语法——使用借用类型作为参数、格式化拼接字符串、构造函数广龙宇一起学Rust #Rust设计模式 rust 设计模式开发语言
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、使用借用类型作为参数二、格式化拼接字符串三、使用构造函数总结前言Rust不是传统的面向对象编程语言，它的所有特性，使其独一无二。因此，学习特定于Rust的设计模式是必要的。本系列文章为作者学习《Rust设计模式》的学习笔记以及自己的见解。因此，本系列文章的结构也与此书的结构相同（后续可能会调成结构），基本上分为三个部分
今日联对0306 诗图佳得
自对联：烟销皓月临江浒，水漫金山荡塔裙。一一肖士平2020.3.6.1、试对肖老师联：烟销皓月临江浒，夜笼寒沙梦晚舟。耀哥求正2、试对萧老师联:烟销浩月临江浒，雾散乾坤解汉城。秀霞习作请各位老师校正3、自对联：烟销皓月临江浒，水漫金山荡塔裙。一一肖士平2020.3.6.4、试对肖老师垫场联：烟销皓月临江浒，雾锁寒林缈葉丛。小智求正[抱拳]5、试对肖老师联：烟销皓月临江浒；风卷乱云入峰巅。一一五品6
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
C#中使用split分割字符串互联网打工人no1 c#
1、用字符串分隔：usingSystem.Text.RegularExpressions;stringstr="aaajsbbbjsccc";string[]sArray=Regex.Split(str,"js",RegexOptions.IgnoreCase);foreach(stringiinsArray)Response.Write(i.ToString()+"");输出结果：aaabbbc
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
LLM 词汇表落难Coder LLMs NLP 大语言模型大模型 llama 人工智能
Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
SQL Server_查询某一数据库中的所有表的内容 qq_42772833 SQL Server 数据库 sqlserver
1.查看所有表的表名要列出CrabFarmDB数据库中的所有表（名），可以使用以下SQL语句：USECrabFarmDB;--切换到目标数据库GOSELECTTABLE_NAMEFROMINFORMATION_SCHEMA.TABLESWHERETABLE_TYPE='BASETABLE';对这段SQL脚本的解释：SELECTTABLE_NAME：这个语句的作用是从查询结果中选择TABLE_NAM
四章-32-点要素的聚合彩云飘过
本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
Git常用命令－修改远程仓库地址猿大师 Linux Java git java
查看远程仓库地址gitremote-v返回结果originhttps://git.coding.net/＊＊＊＊＊.git(fetch)originhttps://git.coding.net/＊＊＊＊＊.git(push)修改远程仓库地址gitremoteset-urloriginhttps://git.coding.net/＊＊＊＊＊.git先删除后增加远程仓库地址gitremotermori
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
数组去重好奇的猫猫猫
整理自js中基础数据结构数组去重问题思考？如何去除数组中重复的项例如数组：[1,3,4,3,5]我们在做去重的时候，一开始想到的肯定是，逐个比较，外面一层循环，内层后一个与前一个一比较，如果是久不将当前这一项放进新的数组，挨个比较完之后返回一个新的去过重复的数组不好的实践方式上述方法效率极低，代码量还多，思考？有没有更好的方法这时候不禁一想当然有了！！！hashtable啊，通过对象的hash办法
Day17笔记-高阶函数 ~在杰难逃~ Python 笔记 python 开发语言 pycharm 数据分析
高阶函数【重点掌握】函数的本质：函数是一个变量，函数名是一个变量名，一个函数可以作为另一个函数的参数或返回值使用如果A函数作为B函数的参数，B函数调用完成之后，会得到一个结果，则B函数被称为高阶函数常用的高阶函数：map(),reduce(),filter(),sorted()1.map()map(func,iterable)，返回值是一个iterator【容器，迭代器】func:函数iterab
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
没想到，真没想到一棵落花的树
生活中，每一件小事都蕴藏着他的道理。有些令你意外，却能让你收到更为意外的结果。那一次，我真没想到的事，让我收获了爱。记忆的雨飘落下来，扰乱了我平静的心湖。那是一次数学考试，我破天荒地考了“99”分。我不禁沾沾自喜，这成绩我可不容易得到，妈妈一定会好好表扬我的。回到家，我想妈妈得意的报出成绩，妈妈只是淡淡的说：“嗯，等会儿试卷拿给我看看。”做完作业，我把试卷拿给了妈妈。只见妈妈捧着试卷，眯着眼睛盯着
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
展现思维导图魅力，不断挖掘人生宝藏思维导图讲师Mandy
第13期最强思维导图训练营已经结束一周了，但是我依旧是感觉所有学员还在努力的学习，这些学员中有教师、学生、白领、公务员、宝妈等等，只要你努力，只要你想改变自己，任何行业，任何岗位都可以参与进来，28天足以让你见成效，在这28天中，我们的学员不仅仅是收获了一枚毕业证，最重要的是让自己的思维方式得到升级，今天的你为自己投资，明天的你就会感谢你今天的付出，我们来听一听来自13期最强思维导图训练营优秀学员
简介Shell、zsh、bash zhaosuningsn Shell zsh bash shell linux bash
Shell是Linux和Unix的外壳，类似衣服，负责外界与Linux和Unix内核的交互联系。例如接收终端用户及各种应用程序的命令，把接收的命令翻译成内核能理解的语言，传递给内核，并把内核处理接收的命令的结果返回给外界，即Shell是外界和内核沟通的桥梁或大门。Linux和Unix提供了多种Shell，其中有种bash，当然还有其他好多种。Mac电脑中不但有bash，还有一个zsh，预装的，据说
舜公郑金锋书辛丑自剪扇面书法作品（四O六）舜公郑金锋
辛丑小阳春，新自剪扇面400品，大多为各色撒金、撒银、描金、描银、水印、彩绘、荧光等亚粉、色宣纸，以及域外包装填充纸等；王一品长锋羊毫秃笔；一得阁云头艳墨、宿墨、水等。书体有甲骨文，金文(商周金文、春秋战国金文、中山王厝器金文、汉金文……)，楚简帛书，侯马盟书，温县盟书，小篆，果蝙书等，隶书(秦简、汉简帛书、汉碑……)，草书(章草、小草、大草……)，行书(行楷、行草)，楷书(魏碑及北朝墓志、隋朝墓
渝婧感恩日记第68天梁渝婧lydia
1.哇！我真是太幸福啦！感恩奇迹感恩训练营毕业典礼，让我能共振到同学们的喜悦和能量，感谢！感谢！感谢！2.哇！我真是太幸福啦！感恩每天早起，运动3公里！这个星期又做到连续三天，不间断！感谢亲爱的渝婧！你真的是非常的棒！加油，继续坚持！感谢！感谢！感谢！3.哇！我真是太幸福啦！感恩曾正波班主任给我们分享的艾宾浩斯的记忆曲线255学习法，让我蠢蠢欲试，感谢！感谢！感谢！4.哇！我真是太幸福啦！感恩胜利
数据结构之哈希表 X同学的开始数据结构数据结构散列表
哈希表(散列表)出现的原因在顺序表中查找时，需要从表头开始，依次遍历比较a[i]与key的值是否相等，直到相等才返回索引i；在有序表中查找时，我们经常使用的是二分查找，通过比较key与a[i]的大小来折半查找，直到相等时才返回索引i。最终通过索引找到我们要找的元素。但是，这两种方法的效率都依赖于查找中比较的次数。我们有一种想法，能不能不经过比较，而是直接通过关键字key一次得到所要的结果呢？这时，
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
119:虚惊一场追梦的小蚂蚁
医院体检结果出来了。老a被通知再次去复查，又复查了一遍，结果还是不理想。老a心里有点不痛快了，难不成饭吃到头了？这人生最悲剧的事情就是人没了，钱还没花完。我从明天开始想吃的想喝的一毛都不省，天天抽华子。上班期间，老a掏出华子给人散。老c：“这发什么横财了？都整上了华子了？”老a：“别tm废话，抽不？不抽我装上了！”老c：“哥哥，肯定抽啊，拿来。”老a：“就凭这个哥哥，以后给你天天发华子！”老c：“
jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
mysql 分区查询优化 annan211 java 分区优化 mysql
分区查询优化引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。可以通过查看explain执行计划，是否携带 partitions
MYSQL存储过程中使用游标 chicony Mysql存储过程
DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08-- BEGINdecla
mysql 和 sqlite 区别 Array_06 sqlite
转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
pinyin4j使用 oloz pinyin4j
首先需要pinyin4j的jar包支持；jar包已上传至附件内方法一:把汉字转换为拼音；例如：编程转换后则为biancheng /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
微博发送私信随意而生微博
在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据，让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
jsp 香水浓 jsp
JSP初始化容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。当JSP网页完成初始化后
在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx 现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在下面的onItemLongClick 方法中参数 arg2 是选中的序号，但是我不知道如何继续处理下去 1 2 3
jdk-6u26-linux-x64.bin 安装 baalwolf linux
1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
MongoDB经典面试题集锦 BigBird2012 mongodb
1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。在考虑数据库的成熟
JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScript Promise
Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
[Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
隐式转换存在的必要性，在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下： val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
Android JSON数据的解析与封装小Demo ronin47
转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject; impor
[设计]字体创意设计方法谈 brotherlamp UI ui自学 ui视频 ui教程 ui资料
从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java 算法面试题
import java.util.LinkedList; /* 单调队列滑动窗口单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
struts2处理一个form多个submit chiangfai struts2
web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
shell查找上个月，陷阱及野路子 chenchao051 shell
date -d "-1 month" +%F 以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。野路子解决：假设当天日期大于15号
mysql导出数据中文乱码问题 daizj mysql 中文乱码导数据
解决mysql导入导出数据乱码问题方法：１、进入mysql，通过如下命令查看数据库编码方式： mysql> show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHP smarty sae
对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为： 01 $path
《教父》系列台词 dcj3sjt126com
Your love is also your weak point. 你的所爱同时也是你的弱点。 If anything in this life is certain, if history has taught us anything, it is that you can kill anyone. 不顾家的人永远不可能成为一个真正的男人。 &
mongodb安装与使用 dyy_gusi mongo
一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库, linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置 tar -vxf mongodb-linux-x86_64-ubun
Git排除目录 geeksun git
在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1. 针对单一工程排除文件这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下以下假设你的脚本文件名为 test。 2) 设置脚本文件的权限 $ sudo chmod 755
第八章流量复制/AB测试/协程 jinnianshilongnian nginx lua coroutine
流量复制在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
电商系统商品表设计 lkl
DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
修改phpMyAdmin导入SQL文件的大小限制 pda158 sql mysql
　用phpMyAdmin导入mysql数据库时，我的10M的数据库不能导入，提示mysql数据库最大只能导入2M。　　 phpMyAdmin数据库导入出错：　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
Tomcat性能调优方案 Sobfist apache jvm tomcat 应用服务器
一、操作系统调优对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。【适用场景】任何项目。二、Java虚拟机调优应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
SQLServer学习笔记 vipbooks 数据结构 xml
1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一

学习笔记：自训练Cifar10网络数据结果

你可能感兴趣的:(学习笔记：自训练Cifar10网络数据结果)