分类 默认分类 下的文章

1，线程基础1，继承Thread方式的线程当需要再此启动一个线程时，需要再创建对象，不能重复使用。2，推荐的创建线程方式：继承Runnalbe，使用Thread类1.5之前就这两种callable 第三种可以有返回值 call()可以抛出异常支持泛型返回值需要借助FutureTask， 如获取返回值的时候class MyThread implements Callable{ public Object call() throws Exception{ .... ...

1，OSError: Unable to open file (file locking disabled on this file system (use HDF5_USE_FILE_LOCKING environment variable to override), errno = 38, error message = 'Function not implemented')进入环境变量配置 在~/.brashrc 中添加 export HDF5_USE_FILE_LOCKI...

javavue-element-admin https://panjiachen.github.io/vue-element-admin-site/zh/ 前端el-admin https://el-admin.vip/ 前后端分离，前端就是基于上边ant design pro https://beta-pro.ant.design/index-cnPython

Keywords :Ubuntu,VOC,Object_detection1，环境搭建使用anaconda3， 先安装 换源，若不然会非常慢 方式参考 https://www.cnblogs.com/Dean0731/p/11560371.html export PATH="/usr/local/anaconda3/bin:$PATH" 新建虚拟环境 本例python=3.5 进入环境本例安装的tensorflow=1.14.0 安装其他依赖包,pillow,lxml ...

相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。而深度学习模型在训练过程中，从输入端（输入数据）到输出端会得到一个预测结果，与真实结果相比较会得到一个误差，这个误差会在模型中的每一层传递（反向传播），每一层的表示都会根据这个误差来做调整，...

常见生成策略的优缺点对比​方法一: 用数据库的 auto\_increment 来生成优点：此方法使用数据库原有的功能，所以相对简单能够保证唯一性能够保证递增性id 之间的步长是固定且可自定义的缺点：可用性难以保证：数据库常见架构是 一主多从 + 读写分离，生成自增ID是写请求 主库挂了就玩不转了扩展性差，性能有上限：因为写入是单点，数据库主库的写性能决定ID的生成性能上限，并且 难以扩展改进方案：冗余主库，避免写入单点数据水平切分，保证各主库生成的ID不重复方法一改进方案的结构图如上图所...

反向传播下降的幅度与斜率大小成正比,越到最小点时,每步应越来越小,防止调过头某一点导数大小即可表现为 w的变化幅度 w - k * ▽J(w)▽J(w)为正表示向左走 w变小 ,为负表示向右走 w会变大简单数字识别案例中对于一张图片,输入图片特征,经过隐藏层, 转化为10维向量,经过sigmod ,rule后----->(对应的概率值)此时假设为bad network0.1 1--------------------------10.2 2-------------------...

  1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  6. 6
  7. 7
  8. 8
  9. ...
  10. 21