可视化

前端实时可视化开发工具：liveStyle、liveReload、Broswer-Sync。 一 、liveStyle http://livestyle.io/ 安装分两部分 浏览器和编辑器同时安装插件liveStyle 优点有以下几项： 缺点也很明显 liveStyle 是针对样式的实时工具,包括css、less、sass， 不能修改HTML和js文件 。 目前 只适用于Google Chrome和Sublime Text ，如果你使用的是其他编辑软件的话就不一定那么好用了 二、liveReload http://livereload.com/ liveReload 工作的本质： 是监控所有文件修改，文件修改后刷新浏览器，相当于帮你按了 F5 安装分两部分 浏览器安装 liveReload 和 本地安装 npm install -g livereload 启动 cd到项目文件夹下，执行 livereload 优点 ： 相比较liveStyle 而言，liveReload 功能更丰富，不仅包括css，less，sass，像img，html，js等格式的文件同样也适用 编辑器方面的选择更加多样 支持gulp，grunt等工具的使用 缺点： 相比较liveStyle 而言liveReload 修改是单向的, 也就是浏览器 -> 编辑器 这一功能是没有的 (当然这是相对来说)

为了解决上回说到的问题,在网上找了找 找到了一个 非常有好的可视化界面管理工具. Portainer 是什么东西 (开源轻量级) Portainer是Docker的图形化管理工具，提供状态显示面板、应用模板快速部署、容器镜像网络数据卷的基本操作（包括上传下载镜像，创建容器等操作）、事件日志显示、容器控制台操作、Swarm集群和服务等集中管理和操作、登录用户管理和控制等功能。功能十分全面，基本能满足中小型单位对容器管理的全部需求。 我用到的图形化管理,应用快速部署,时间日志显示,容器控制台操作 (应为我用的比较简单没有太多深入了解) Docker和窗口下载镜像 搜索 docker search portainer 拉取 docker pull portainer/portainer 启动 docker run -d -p 9000:9000 --restart=always -v /var/run/docker.sock:/var/run/docker.sock --name prtainer-test portainer/portainer ps: docker 运行命令讲解 -d :后台运行 -p:前边是外访问端口:后边是对内访问端口 --restart=always: 当 docker 重启时，容器自动启动。 -v:磁盘目录映射 --name: 为容器指定一个名称 见识一下

以前用的：RedisDesktopManager （0.9.3以后需要订阅） https://github.com/uglide/RedisDesktopManager/releases 现在需要订阅（收费），只能换了、 https://github.com/yswenli/WebRedisManager/releases Web Redis Manager是一款web 版的Redis可视化工具，即可以作为单机的web 版的Redis可视化工具来使用，也可以挂在服务器上多人管理使用的web 版的Redis可视化工具。首先下载https://github.com/yswenli/WebRedisManager/releases包，并解压打开，如果是core版的直接安装dotnet core 2.0后输入dotnet webredismanager.dll即可运行。 .net版的如下图： 参考： https://www.cnblogs.com/yswenli/p/9460527.html 跨平台Redis可视化工具Web Redis Manager

1）网页版： 网址 ，Upload日志文件即可！ 2）FlightPlot。 在MAC上配置好PX4开发环境（ 配置方法 ） 打开 terminal ，执行以下语句： >>cd ~ >>git clone --recursive https://github.com/PX4/FlightPlot.git >>cd FlightPlot >>ant >>open out/production/flightplot.jar #即可运行FlightPlot，以后直接执行本语句即可 open log，选择所需进行分析的log文件 Fields List，选择变量名称 单击Add，选择预处理方法，可默认为“Simple” 原文：https://www.cnblogs.com/liaoxinwaiting/p/9219016.html

1.UML包括的框图如下 类图，对象图，用例图，序列图，协作图，状态图，组件图，活动图，部署图，主要使用的是功能模型（如用例图），对象模型（如类图），动态模型（如序列图，活动图，状态图） 2.类之间的关系（图例用的AmaterasUML_1.3.4工具） 泛化关系 uml中的泛化关系也就是继承关系。继承关系使用实线空心箭头来表示，箭头从子类指向父类。 实现关系： 组合关系：整体与部分的关系,如果没有了整体,局部不可以单独存在 依赖关系:依赖关系是对象关系最弱的一种关联方式，是临时性的关联。 关联关系：对象之间一种引用关系 备注：有些是使用实线箭头表示的。 3.用例图：用例之间的关系，有包含关系include，拓展关系extend，关联关系，泛化关系 //关联关系有些是使用实线箭头表示的 4.类图：显示了系统的静态结构，主要包括类：矩形的上层表示类名，中层表示属性，底层表示方法，抽象类用斜体字表示，类与类之间的关系 5.对象图 描述一组对象之间的关系 6.序列图：表达详细流程，水平维度显示对象之间的发送消息的过程，垂直维度：显示发送消息的时间顺序。 7.协作图：与时序图的包含信息相同 8.状态图：表示对象在它的生命周期中所处的不同的状态，以及状态之间的转换过程 9.组件图：主要用途是显示软件系统与组件之间的关系 10.活动图：一种特殊的状态图，实现一个活动到另一个活动的流程 11

using System.Collections; using System.Collections.Generic; using UnityEngine; public class AudioVisualization : MonoBehaviour { public static float volume; private AudioClip micRecord; string device; /// <summary> /// 拖尾的移动速度 要和摄像机的移动速度一致 /// </summary> private int speed; private float x; void Start() { //初始化速度的值 speed = 5; device = Microphone.devices[0];//获取设备麦克风 micRecord = Microphone.Start(device, true, 999, 44100);//44100音频采样率 固定格式 } void Update() { volume = GetMaxVolume(); if (Input.GetKey(KeyCode.Escape)) { Application.Quit(); } //要加粒子特效 产生拖尾 transform.Translate(Vector3.right * speed *

实现孪生卷积神经网络时，验证是否共享了参数，进行了特征图可视化。由于卷积层特征图通道都很大，需要进行重新reshape成Tensorboard可以显示的通道数（１或３或４），这里全部变成了单通道的特征图。没有使用tf.reshape()是因为发现有问题，所以还是自己重新利用tf.concat进行reshape。 主要是最后两个函数，一个添加Tensorboard，一个对特征图进行reshape,很简单的思路。如果嫌特征图太小了，可以选择每次选一半的特征图进行reshape。见代码注释！ # coding=utf-8 """孪生卷积神经网络""" import tensorflow as tf import numpy as np import math class SiameseNet (object) : def __init__ (self) : print( "正在构建孪生网络..." ) self.opts = { 'trainWeightDecay' : 0.0 , 'stddev' : 0.01 } def build_siamese_cnn_network (self, input) : first_image = tf.expand_dims(input[:, :, :, 0 ], 3 ) second_image = tf.expand_dims(input[:,

# 查看当前挂载的数据集目录 ! ls /home/kesci/input/ # 查看个人持久化工作区文件 ! ls /home/kesci/work/ # 查看当前kernerl下的package ! pip list --format = columns # 显示cell运行时长 % load_ext klab-autotime import matplotlib.pyplot as plt % matplotlib inline import seaborn as sns sns . set () import numpy as np import pandas as pd data = np . random . multivariate_normal ([ 0 , 0 ],[[ 5 , 2 ],[ 2 , 2 ]], size = 2000 ) data = pd . DataFrame ( data , columns = [ 'x' , 'y' ]) data . head () Out[9]: x y 0 0.571117 -0.158731 1 2.522765 2.033863 2 -3.413121 -0.566827 3 -1.788482 -0.308131 4 3.565947 2.668333 for col in 'xy' : #频次直方图 plt

在使用可视化树的过程中，报错了。说是‘dot.exe’not found in path 原代码： # import tools needed for visualization from sklearn.tree import export_graphviz import pydot #Pull out one tree from the forest tree = rf.estimators_[5] # Export the image to a dot file export_graphviz(tree, out_file = 'tree.dot', feature_names = features_list, rounded = True, precision = 1) #Use dot file to create a graph (graph, ) = pydot.graph_from_dot_file('tree.dot') # Write graph to a png file graph.write_png('tree.png'); 报错信息： 解决方法： pip install pydot 然后再下载 Graphviz（ http://www.graphviz.org ）一路安装，记住默认的安装路径 c:\Program Files (x86)

MNIST 数据集已经是一个被”嚼烂”了的数据集, 很多教程都会对它”下手”, 几乎成为一个 “典范”. 不过有些人可能对它还不是很了解, 下面来介绍一下. http://yann.lecun.com/exdb/mnist/ Training set images : train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本) Training set labels : train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签) Test set images : t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本) Test set labels : t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签) National Institute of Standards and Technology (NIST) . 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set)