原创 TensorFlow2.0 利用TFRecord存取數據集,分批次讀取訓練

目錄 頭文件 一、讀取數據集(圖片名) 二、將數據集圖片、標籤寫入TFRecord 三、從TFRecord中讀取數據集 四、構建模型 五、訓練模型 實驗結果   頭文件 import tensorflow as tf import os

原创 TensorFlow2.0 分批讀取數據集、訓練

目錄 頭文件 一、處理數據集(dogs vs cats) 二、自定義構建模型 三、訓練模型 實驗結果   頭文件 import tensorflow as tf import os 一、處理數據集(dogs vs cats) data

原创 R-CNN、Fast R-CNN、Faster R-CNN深度剖析

目錄 一、何爲目標檢測 二、如何做到目標檢測 三、R-CNN 引入 R-CNN的缺點有哪些 四、Fast R-CNN 引入 Fast R-CNN比R-CNN優化的地方,以及其依舊存在的問題 五、Faster R-CNN 引入 網絡結構 網

原创 MySQL配置+SQLyog安裝教程

一 標題、MySQL的配置 官網地址:MySQL官網地址。 我選擇的版本是5.5.27,具體mis文件運行之後的操作步驟參考博客MySQL安裝教程。 二、SQLyog安裝教程 安裝程序下載: 鏈接:https://pan.baid

原创 MySQL進階七:子查詢

目錄 SELECT嵌套SELECT 含義 分類 按字查詢出現的位置 按結果集的不同 一、where、having後面 特點 1、標量子查詢 2、列子查詢 3、行子查詢 二、select後面 三、from後面 四、exists後面 語法  

原创 遍歷一個文件夾下的所有文件,例如avi、mp4、png

import os root = "目錄" subsamples = os.listdir(root) # 排序一下 subsamples.sort(key=str.lower)  

原创 SPP-Net目標檢測算法深度剖析

目錄 一、引入SPP-Net 二、SPP-Net簡介 三、網絡架構 四、總結 論文地址 :https://arxiv.org/abs/1406.4729 一、引入SPP-Net         爲何們猛然間對SPP-Net起了好奇之心呢?

原创 MySQL進階五:分組查詢

目錄 group by 語法 注意 特點 1、簡單分組查詢 2、添加分組前的篩選條件 3、添加分組後複雜的篩選條件 4、按表達式或者函數分組 5、按多個字段進行分組 6、添加排序  文章涉及到的MySQL、SQLyog的配置安裝,請參考 

原创 MySQL進階四:常見函數

目錄 MySQL函數 概念 好處 調用 特點 分類 一、單行函數 1、字符函數 1) length 獲取參數值的字節個數 2) concat 拼接字符串 3) upper、lower 大寫、小寫 4) substr、substring 截

原创 C++ 按位運算

一、cout如果輸出按位運算結果,需要使用int強制轉換,如果是printf,前面是%d就可以。其他地方代碼直接用。 #include<iostream> #include<cstdio> #include<cstring> using

原创 C++ String常規操作

1、獲得長度 int len = s.length(); 2、連接字符串 s = s1 + s2; 3、比較字符串 s1 < s2 4、倒置串 reverse(s.begin(), s.end()); 5、字符串轉字符數組 char* c

原创 GluonTS 快速預測時間序列

目錄 頭文件 1、定義數據集 2、構建簡單前饋網絡(MLP)進行預測 3、訓練完成之後對測試數據預測進行評估 4、對結果進行畫圖展示 5、訓練代碼   頭文件 import mxnet as mx from mxnet import g

原创 MySQL進階八:分頁查詢

目錄 LIMIT 應用場景 語法 特點  文章涉及到的MySQL、SQLyog的配置安裝,請參考 MySQL配置+SQLyog安裝教程   LIMIT 應用場景 當需要顯示的數據,一頁顯示不全,需要分頁提交sql請求 語法 select

原创 C++ 互斥量、死鎖

  目錄 案例: 共享數據: 1、互斥量引入 方法一:lock()、unlock() 方法二:std::lock_guard() 2、死鎖 解決方案: 案例: 遊戲服務器,收到玩家的指令,然後處理指令,使用一個list容器來收集指令,用兩

原创 YOLO_v2目標檢測算法深入剖析

 目錄 一、YOLOv2引入 二、網絡結構 1、結構縱覽 2、passthrougth層 三、Batch Normalization 四、微調分類模型 五、Anchor思想 六、預測邊框的位置 七、多尺度圖像訓練 八、YOLO_v2訓練過