E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
mmlab学习系列
Go 语言
学习系列
001 — 下载安装
Go语言
学习系列
001—下载安装[TOC]基础本文基于https://go-zh.org/doc/install如不同的系统,请参照官方安装文档。
孙朗斌
·
2020-07-04 19:49
MySQL
学习系列
(一)
MySQL简介创始人芬兰人,2009年以10亿美金MySql卖给Sun公司1年后,Sun被Oracle收购MySql不被Oracle重视,开发社区被收缩,开发进度缓慢开源社区认为MySql存在闭源风险MySql创始人,在MySql源码基础上,开了一个新的分支MariaDB1.mysql客户端1.连接本机服务器,登陆服务器mysql-uroot-p[Enterpassword]2.查看数据库show
一只96年的程序猿
·
2020-07-04 18:44
深度学习(十八):人脸验证(face verification)和人脸识别(face recognition)
编程语言:Python参考资料:吴恩达老师的深度
学习系列
视频吴恩达老师深度学习笔记整理深度学习500问笔记下载:深度学习个人笔记完整版人脸验证(faceverification)和人脸识别(facerecognition
打不死的小黑
·
2020-07-04 18:19
深度学习
计算机视觉
【机器
学习系列
】—大纲总结
机器学习是人工智能的核心,主要分为有监督学习和无监督学习。那么什么叫有监督和无监督呢?是否有监督,主要看输入的样本数据集是否有目标变量。有监督学习是有明确的目标变量,而无监督学习,此类的数据没有类别信息,也不给定目标值。这段时间主要学习了有监督学习,所以下面对有监督学习进行一个大纲总结:有监督学习有监督学习一般使用两种类型的目标变量:标称型和数值型。标称型的目标变量结果只在有限目标集中取值,如真与
HYunEr
·
2020-07-04 18:24
【机器学习】
Java并发32:CyclicBarrier的基本方法和应用场景实例
[超级链接:Java并发
学习系列
-绪论]本章主要对CyclicBarrier进行学习。
hanchao5272
·
2020-07-04 17:42
Java并发
Java并发学习实例
Java并发33:Semaphore基本方法与应用场景实例
[超级链接:Java并发
学习系列
-绪论]本章主要对Semaphore进行学习。
hanchao5272
·
2020-07-04 17:42
Java并发
Java并发学习实例
Java并发36:Callable+Future系列--FutureTask学习笔记
[超级链接:Java并发
学习系列
-绪论]本章主要学习FutureTask接口。1.FutureTask概述FutureTask类表示一个可以取消的异步计算任务。
hanchao5272
·
2020-07-04 17:42
Java并发
Java并发学习实例
MMDetection 入门 | 二
作者|open-
mmlab
编译|Flin来源|Github入门本页提供有关MMDetection用法的基本教程。有关安装说明,请参阅上一篇的安装文档。
磐创 AI
·
2020-07-04 15:33
神经网络和深度学习系统教程
神经网络和深度
学习系列
:神经网络与深度学习(1)——感知器本系列全部为原创文章,如果想跟随作者的脚步,可以关注微信公众号极客原创。回复“”gailv“”,免费得概率论和数理统计视频下载地址!
dizhong1566
·
2020-07-04 14:41
Netty源码
学习系列
之5-NioEventLoop的run方法
前言NioEventLoop的run方法,是netty中最核心的方法,没有之一。在该方法中,完成了对已注册的channel上来自底层操作系统的socket事件的处理(在服务端时事件包括客户端的连接事件和读写事件,在客户端时是读写事件)、单线程任务队列的处理(服务端的注册事件、客户端的connect事件等),当然还包括对NIO空轮询的规避、消息的编解码等。下面一起来探究一番,首先奉上run方法的源码
淡墨痕
·
2020-07-04 14:00
安装mmdetection并测试demo
Anaconda;CUDA–V10.0.130;CUDNN–7.4.2(1)新建conda环境并激活condacreate--nameopen-mmlabpython=3.6condaactivateopen-
mmlab
cc__cc__
·
2020-07-04 12:01
深度学习
MVC
学习系列
5--Layout布局页和RenderSection的使用
我们开发网站项目的时候,都会遇到这样的问题:就是页面怎么统一风格,有一致的外观,在之前ASP.NET的时代,我们有两种选择,一个是使用MasterPage页,一个是手动,自己在每个页面写CSS样式,但这样代码量太大了。。不可取,那么到了ASP.NETMVC时代,有什么技术可以统一页面风格呢???有,那就是Layout布局视图。下面就开始学习吧。1.首先使用空模板,新建一个MVCWeb项目:新建完成
a0103122120
·
2020-07-04 09:01
PostgreSQL
学习系列
—EXPLAIN ANALYZE查询计划解读
PostgreSQL命令EXPLAINANALYZE是日常工作中了解和优化SQL查询过程所用到的最强大工具,后接如SELECT...,UPDATE...或者DELETE...等SQL语句,命令执行后并不返回数据,而是输出查询计划,详细说明规划器通过何种方式来执行给定的SQL语句。下面是从PostgresUsingEXPLAIN提取的查询:EXPLAINANALYZESELECT*FROMtenk1
静夜茶香
·
2020-07-04 09:54
嵌入式
学习系列
教程—《NanoPC-T3讲解》
亲爱的朋友们,我们邀请嘉糖给我们讲解嵌入式
学习系列
教程,连载更新,学习过程中,有任何疑问,欢迎大家关注微信公众号ickeybbs提问。
stephen_kl
·
2020-07-04 08:56
LINUX设备驱动
Caffe
学习系列
(10): 绘制 loss 和 accuracy 曲线
引言之所以使用python接口来运行caffe程序,其主要原因在于python非常容易可视化。所以推荐大家在pycharm、jupyternotebook、spyder等工具来运行python代码,这样才和它的可视化完美结合起来。同时便于读者的理解与学习。在caffe训练过程中,如果我们想知道某个阶段的loss值和accuracy值,并用图表画出来,用python接口就对了:#-*-coding:
志小
·
2020-07-04 06:47
Caffe
华为IoT
学习系列
(普及篇)之一:物联网概述及常见通信技术
物联网的层次划分(自下而上):1.最底层:先是最底层的感知层,其实就是一个嵌入式系统。其中硬件电路板包括:采集数据的各个传感器;进行处理的主控芯片;能够将处理后的信息向外传输的无线通讯模块。嵌入式系统是华为自主研发的LiteOS。个人感觉这部分其实没啥,对嵌入式系统有过一定接触就知道,这其实就跟大家用的最多的STM32开发板是一样的,只不过物联网这块用的嵌入式系统更有针对性,更高效。把μcosII
半截草芥
·
2020-07-04 06:13
华为IoT应用
计算机视觉 | mmdetection框架学习
[框架官网]:(https://github.com/open-
mmlab
/mmdetection)###软件环境*Python3.7*PyTorch1.1and(CUDA9.0orhigher)*NCCL2
Chile_Wang
·
2020-07-04 05:36
三个月教你从零入门深度学习
最新更新:【深度
学习系列
】PaddlePaddle之手写数字识别(10.26更新)【深度
学习系列
】卷积神经网络CNN原理详解(一)——基本原理(11.1更新)【深度
学习系列
】PaddlePaddle之数据预处理
weixin_30449239
·
2020-07-04 02:55
树莓派
学习系列
3——树莓派的远程登录操作(图文)
前言没有液晶显示器的各位还可以通过远程登录的方式来操作你的树莓派。ip如果通过网线连接路由器,可以直接查询;如果不是,可以通过软件扫描等方式。如果想要直接与笔记本相连访问请参考:网线直接连接笔记本访问树莓派准备工作1.树莓派:带供电系统和烧好系统的SD卡2.网线3.笔记本电脑端SSH远程登录操控树莓派(putty)在网上随便下载一个就行:http://rj.baidu.com/soft/detai
wait_for_that_day5
·
2020-07-04 02:24
--树莓派
远程登录
ssh
VNC
windows
树莓派
STM32 HAL库
学习系列
第1篇 ADC配置 及 DAC配置
ADC工作均为非阻塞状态轮询模式中断模式DMA模式库函数:HAL_StatusTypeDefHAL_ADC_Start(ADC_HandleTypeDef*hadc);//轮询模式,需放在循环中不断开启HAL_StatusTypeDefHAL_ADC_Stop(ADC_HandleTypeDef*hadc);HAL_StatusTypeDefHAL_ADC_PollForConversion(AD
CodeAllen的博客
·
2020-07-04 02:04
STM32深入剖析实践
深度学习目标检测框架mmdetection安装和配置环境,并进行demo测试
项目地址:https://github.com/open-
mmlab
/mmdetectionmmdetection目标检测工具包mmdetection的主要特征可以总结为以下几个方面:
上进的小菜鸟
·
2020-07-04 01:40
目标检测
pytorch
mmdetection
机器
学习系列
(九)【最大熵模型】
文章目录指数家族伯努利分布转指数家族高斯分布转指数家族指数家族的性质最大熵模型最大似然求解最大熵似然法参考 了解最大熵模型之前,我们需要先了解一个和最大熵模型相伴的概念,指数家族。指数家族 指数家族是一个包含我们常见的概率分布的分布族。不管是离散概率分布的代表伯努利分布还是连续概率分布的代表高斯分布,它们都属于指数家族。将其抽象到指数家族这一类会有一些性质,利于求解部分问题。指数家族的基本公式
小小何先生
·
2020-07-03 19:03
ML基础原理(已完结)
【数据集】机器学习数据集汇总(附下载地址)
Stanford)69G大规模无人机(校园)图像数据集【Stanford】http://cvgl.stanford.edu/projects/uav_data/人脸素描数据集【CUHK】http://
mmlab
.ie.cuhk.edu.hk
zenRRan
·
2020-07-02 17:33
VINS 代码学习(一)--feature_tracker 代码
声明:1)该VINS代码的
学习系列
主要是为了记录自己学习VINS代码的过程。
jinyq7
·
2020-07-02 16:16
VINS-代码
生信宝典:生物信息
学习系列
教程、视频、资源
生信的作用越来越大,想学的人越来越多,不管是为了以后发展,还是为了解决眼下的问题。但生信学习不是一朝一夕就可以完成的事情,也许你可以很短时间学会一个交互式软件的操作,却不能看完程序教学视频后就直接写程序。也许你可以跟着一个测序分析流程完成操作,但不懂得背后的原理,不知道什么参数需要修改,结果可以出来,却把握不住对还是错。学习生信从来就不是一个简单的事,需要做好持久战的心理准备。在学习时,我们都希望
生信宝典
·
2020-07-02 15:27
生物信息
Python
LINUX
英语
Bioinfo
【机器
学习系列
】EM算法求解三硬币问题(python版本)
三硬币模型假设有3枚硬币,分别记作A,B,C。这些硬币正面出现的概率分别为π,p和q。投币实验如下,先投A,如果A是正面,即A=1,那么选择投B;A=0,投C。最后,如果B或者C是正面,那么y=1;是反面,那么y=0;独立重复n次试验(n=10),观测结果如下:1,1,0,1,0,0,1,0,1,1假设只能观测到投掷硬币的结果,不能观测投掷硬币的过程。问如何估计三硬币正面出现的概率,即π,p和q的
sina微博_SNS程飞
·
2020-07-02 14:27
机器学习
python
网络表达
学习系列
(一):深度游走(Deepwalk)
DeepWalk:OnlineLearningofSocialRepresentations,KDD'14阅读更多,欢迎关注公众号:论文收割机(paper_reader)原文链接:网络表达
学习系列
(一)
paper_reader
·
2020-07-02 14:37
graph
mining
embedding
点云深度
学习系列
四: SGPN:Similarity Group Proposal Network for 3D Point Cloud Instance
1.背景引入分割概念语义分割:对图像中每个像素或点云的每个点都划分出对应的类别实例分割:实例分割是物体检测+语义分割的综合体。相对物体检测的边界框,实例分割可精确到物体的边缘;相对语义分割,实例分割可以标注出图上同一物体的不同个体(羊1,羊2,羊3...)siamesenetwork两张图片做分类的话,同一类在featurespace里面很相近,不同类就是在featurespace里面相差比较远,
fool_wenCC
·
2020-07-02 13:21
点云深度学习
点云深度
学习系列
五: RSNet:Recurrent Slice Networks for 3D Segmentation on Point Clouds
1.整体框架初始n*d的点云,首先经过输入特征提取块(3卷积层,每层64个1*1滤波器),输出n*din大小的特征Fin;通过x、y、z三个方向的切片池化层将无序点云转换为有序序列;采用双向RNN处理序列,更新特征;采用切片上池化层映射回每个点;最后经过输出特征提取块(3个1*1卷积层,输出维度为512,256,K),处理Fsu(切片上池化层的输出),输出每个点的预测2.局部依赖模块SlicePo
fool_wenCC
·
2020-07-02 13:21
点云深度学习
点云深度
学习系列
三: SPLATNet: Sparse Lattice Networks for Point Cloud Processing
1.概念引入permutohedralattice(原文:Fasthigh-dimensionalfilteringusingthepermutohedrallattice下述文字参考了:https://blog.csdn.net/xuanwu_yan/article/details/7962508)一个d维的permutohedrallattice是d+1维空间子平面分割,此超平面法向量为所以我
fool_wenCC
·
2020-07-02 13:21
点云深度学习
点云深度
学习系列
六: SO-Net:Self-Organizing Network for Point Cloud Analysis
1.背景引入自组织映射蓝色斑点是训练数据的分布,而小白色斑点是从该分布中抽取得到的当前训练数据。首先(左图)SOM节点被任意地定位在数据空间中。我们选择最接近训练数据的节点作为获胜节点(用黄色突出显示)。它被移向训练数据,包括(在较小的范围内)其网格上的相邻节点。经过多次迭代后,网格趋于接近数据分布(右图)。如下图所示,图a为初始的SOM节点,图b是SOM训练后的结果。为了保持排列的不变性,文中对
fool_wenCC
·
2020-07-02 13:21
点云深度学习
golang
学习系列
——9. 基本类型和运算符
目录概念说明基本类型布尔类型bool字符类型数字类型整数类型浮点型其他数字类型字符串类型其他类型运算符与优先级算术运算符关系运算符逻辑运算符位运算符赋值运算符其他运算符运算符优先级(伪)随机数生成概念说明表达式是一种特定的类型的值,它可以由其它的值以及运算符组合而成。一元运算符只可以用于一个值的操作(作为后缀)例如:a++二元运算符则可以和两个值或者操作数结合(作为中缀)。例如:a+b只有两个类型
请叫我淘汰狼
·
2020-07-02 13:39
golang
golang
学习系列
——2. 环境搭建
目录编译器文件扩展名与包(package)Go环境变量在Linux上安装Go其他版本的安装安装目录清单——————————————————我是华丽的分割线——————————————————编译器Go原生编译器gc和非原生编译器gccgo,这两款编译器都是在类Unix系统下工作。其中,gc版本的编译器已经被移植到Windows平台上,并集成在主要发行版中,你也可以通过安装MinGW从而在Windo
请叫我淘汰狼
·
2020-07-02 13:39
golang
吴恩达深度
学习系列
笔记:第一课 神经网络和深度学习
第二周神经网络基础1.logistic回归logistic回归是一个用于二分分类的算法,即输入一幅图像(64x64x3=12288),输出1或者0,将图像中的特征全部提取出来,形成一个[12288,1]的特征矩阵,若是M个样本,则M_train=[12288,m],Y=[y1,y2...ym].输入参数X的维度为[12288,m],参数w的维度同为[12288,1],b为一个实数,则输出由于输出要
布莱克1997
·
2020-07-02 11:51
吴恩达深度学习
吴恩达深度
学习系列
笔记:第二课 改善深层神经网络
第一周:深度学习的实用层面本周主要讲解神经网络机器学习中的问题,学习一些能够确保神经网络正确运行的技巧。例如在配置训练、验证和测试集的过程中做出正确的决策会在很大程度上帮助大家创建高效的神经网络。训练神经网络时,我们常需要做出很多决策,例如神经网络分多少层;每层含有多少个隐藏单元;学习速率是多少;各层采取哪些激活函数等。1.1训练、开发、测试集深度学习的数据一般有三种用途:训练集、交叉验证集和测试
布莱克1997
·
2020-07-02 11:19
吴恩达深度学习
YOLOV4
学习系列
(三) 结合代码讲解DIOU-NMS
前言NMS(非最大抑制)是目标检测算法后处理中常用的技术,用来将redundant检测框给过滤掉。YOLOV4没有用经典的NMS,取而代之的是DIOU-NMS。本博客接下来会讲解其原理和代码实现。原理在经典的NMS中,得分最高的检测框和其它检测框逐一算出一个对应的IOU值,并将该值超过NMSthreshold的框全部过滤掉。可以看出,在经典NMS算法中,IOU是唯一考量的因素。但是在实际应用场景中
ltshan139
·
2020-07-02 10:27
深度学习
语义分割
学习系列
(八)结合代码分析FCN模型结构
前言FCN模型结构往简答说,就是先用VGG类似的卷积网络进行特征提取,然后再对特征图进行反卷积(deconvolution)来将其投影到像素空间从而实现逐个逐个像素的分类。结合代码分析模型结构说起来简单,不过还是需要结合代码把其细节部分讲清楚。在train.py中,只用了两行代码就创建了FCN模型。vgg_model=models.VGGNet(requires_grad=True)fcn_mod
ltshan139
·
2020-07-02 10:56
深度学习
YOLOV4
学习系列
(二) 训练YOLOV4算法模型
前言YOLOV4模型训练流程和V3基本类似,不过仍然有一些需要注意的地方,否则很容易遇到各种问题。训练1)去AlexeyABgithub上获取源代码2)代码编译,这个和yolo3编译差不多的。3)重点讲一下yolov4.cfg在cfg子目录下有yolov4.cfg和yolov4-custom.cfg。AlexeyAB建议基于yolov4-custom.cfg来对自己数据集进行模型训练。需要修改的地
ltshan139
·
2020-07-02 10:56
深度学习
机器
学习系列
(5)_从白富美相亲看特征选择与预处理(上)
作者:龙心尘&&寒小阳时间:2016年1月。出处:http://blog.csdn.net/longxinchen_ml/article/details/50471682http://blog.csdn.net/han_xiaoyang/article/details/50481967声明:版权所有,转载请联系作者并注明出处##1.引言再过一个月就是春节,相信有很多码农就要准备欢天喜地地回家过(x
龙心尘
·
2020-07-02 09:22
机器学习
正则表达式从零开始
学习系列
(三)
正则表达式学习--应用这里主要是从网上获取的别人已经定义好的一些常见的表达式集总:正则表达式的表达式定义某种程度上往往就那么几种:1.验证用户名和密码:("^[a-zA-Z]\w{5,15}$")正确格式:"[A-Z][a-z]_[0-9]"组成,并且第一个字必须为字母6~16位2.验证电话号码:("^(\d{3,4}-)\d{7,8}$")正确格式:xxx/xxxx-xxxxxxx/xxxxxx
老猪新路
·
2020-07-02 07:10
正则表达式
At Commands:从白痴到大师的修炼历程(一)
AtCommands的学习计划(一)--入门基础这篇博客是起步于AtCommands
学习系列
的第一部分,也是最基础的一部分。
老猪新路
·
2020-07-02 07:09
Android系统开发
Firefox
os
C++/C
正则表达式从零开始
学习系列
(二)
正则表达式学习--实践如何让一个完全没接触过正则表达式的人去快速有效的学会正则表达式?这的确是个很难回答的问题。不过我想最好的方式就是把自己当成这么一个人,然后把自己的学习过程分享出来,想必是个比较不错的方式。现在,我将打算去做这么一件事,希望对读者有所帮助……首先在学习开始之前,我们应该学会怎么去搭建一个实验环境,简言之就是教大家怎么简单的去验证下面的一些实验demo。大家可以百度到很多的方式,
老猪新路
·
2020-07-02 07:09
正则表达式
正则表达式
正则表达式实例学习
http协议
学习系列
(请求头---Request Headers)
HTTP最常见的请求头如下:lAccept:浏览器可接受的MIME类型;lAccept-Charset:浏览器可接受的字符集;lAccept-Encoding:浏览器能够进行解码的数据编码方式,比如gzip。Servlet能够向支持gzip的浏览器返回经gzip编码的HTML页面。许多情形下这可以减少5到10倍的下载时间;lAccept-Language:浏览器所希望的语言种类,当服务器能够提供一
来一块提拉米苏
·
2020-07-02 06:24
爬虫
ECMAScript 6
学习系列
课程 (ES6 Promise对象的使用)
Promise是异步编程的一种解决方案,ES6这一特性很大程度上提高了开发者的效率,如果用过Angular的同学,一定会用到$q的resolve和reject函数,同理promise也提供原生的解决方案,不需要任何框架支持。我们下面看一下代码:functionmsgAfterTimeout(msg,who,timeout){returnnewPromise((resolve,reject)=>{s
天外野草
·
2020-07-02 05:55
HTML5
ES6
Git
学习系列
(四)远程仓库及其与本地仓库交互
创建GitHub账号及获取SSH秘钥对创建远程仓库通常有两种方式:1、把一台电脑充当服务器,让它每天开机,其他人都从这台“服务器”仓库clone一份到自己的电脑上,并把各自的修改(包括添加了新的feature、解决了新的bug等)提交到“服务器”仓库中,当然你也可以从“服务器”仓库中拉取别人的提交。实际开发中一般就是这么做的。2、因为咱毕竟还是处于学习当中,为了学Git去整个"服务器"未免有点“杀
iteye_264
·
2020-07-02 04:51
机器
学习系列
(1)_逻辑回归初步
作者:寒小阳&&龙心尘时间:2015年10月。出处:http://blog.csdn.net/han_xiaoyang/article/details/49123419。声明:版权所有,转载请注明出处,谢谢。1、总述逻辑回归是应用非常广泛的一个分类机器学习算法,它将数据拟合到一个logit函数(或者叫做logistic函数)中,从而能够完成对事件发生的概率进行预测。2、由来要说逻辑回归,我们得追溯
iteye_2022
·
2020-07-02 04:29
用机器学习解决问题的思路
原始博客:机器
学习系列
(4)_机器学习算法一览,应用建议与解决思路当我们拿到一堆数据时,该如何去下手?
ifruoxi
·
2020-07-02 03:05
机器
学习系列
(九)之——模型参数估计(最小二乘估计、最大似然估计、最大后验估计)
给定模型与参数,我们就能对样本空间进行描述。大家很自然地会问,这个描述是不是最不好的呢?我们用什么评价标准判断这个描述的好坏呢?这篇博客将一起探讨这个问题。在统计学中,根据从总体中抽取的随机样本来估计模型未知参数的过程被称为参数估计(parameterestimation)。常用的参数估计方法有:最小二乘估计,最大似然估计和最大后验估计,其中最小二乘估计用于函数模型的参数估计,最大似然估计和最大后
zxhohai
·
2020-07-02 02:06
机器学习
最小二乘估计
最大似然估计
最大后验估计
参数估计
机器学习
机器
学习系列
(四)——规则化(Regularize)
机器学习中,我们一直期望学习到一个泛化能力(generalization)强的函数,只有泛化能力强的模型才能很好地适用于整个样本空间,才能在新的样本点上表现良好。但是训练集通常只是整个样本空间很小的一部分,在训练机器学习模型时,稍有不注意,就可能将训练集中样本的特性当作了全体样本的共性,以偏概全,而造成过拟合(overfitting)问题,如何避免过拟合,是训练机器学习模型时最亟待解决的绊脚石。从
zxhohai
·
2020-07-02 02:04
机器学习
Gaussian Yolov3 Segmentation fault问题
ICCV2019会议上JiwoongChoi等人在YOLOV3的基础上进行修改得到了GaussianYOLOv3网络结构,该网络结构的mAP比YOLOv3(512x512)高3个点,具体论文分析,可参考深度
学习系列
之
DaneAI
·
2020-07-02 02:45
目标检测/目标识别
上一页
69
70
71
72
73
74
75
76
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他