可视化

redis监控工具汇总 https://www.cnblogs.com/felixzh/p/11170143.html 　　 redis-stat redis-stat 是一个比较有名的redis指标可视化的监控工具，采用ruby开发，基于redis的info命令来统计，不影响redis性能。 docker运行 docker run --name redis-stat -p 8080:63790 -d insready/redis-stat --server 192.168.99.100 运行实例图 redis-stat-web.png RedisLive RedisLive 是采用python开发的redis的可视化及查询分析工具 docker运行 docker run --name redis-live -p 8888:8888 -d snakeliwei/redislive 运行实例图 redis-live.png 访问 http://192.168.99.100:8888/index.html redmon redmon 提供了cli、admin的web界面，同时也能够实时监控redis docker运行 docker run -p 4567:4567 -d vieux/redmon -r redis://192.168.99.100:6379 运行实例图

在http://www.eclipse.org/windowbuilder/download.php上找到与自己eclipse版本对应的下载地址。图片如下： 此网页是用谷歌浏览器打开，翻译成中文页面。 我点进左下方表格中的最新（1.9.2）后边的紫色部分的第一个链接出来一下页面： 按照此网页的图片上的步骤，将现网页的网址复制下来，打开eclipse，点击上边菜单栏里的Help——Install New Software，如下图， 并在work with一栏中粘贴之前复制的网址，如下图， 复制好网址之后，按下回车键。回车之后出现以下页面： 把出现的栏目全选， 并点击next，会出现如下界面： 继续点击Next， 选择I accept·········，点击Finish，可以看到Eclipse正在安装，等待安装完成即可。 安装完成会出现以下页面： 点击Restart Now即可。 来源： CSDN 作者： bitter~hot~sour~sweet 链接： https://blog.csdn.net/qzwqx/article/details/89502445

利用Eclipse开发Java的桌面软件时，希望向Visual Studio一样可以拖拽界面。可喜的是Eclipse中有两类插件可以实现该功能。第一种是VE(Visual Editor)，第二种是WindowBuilder。这篇文章重点讲述WindowBuilder这个插件。 1 两种插件的一览图 首先，VE的界面如下： 接下来是WindowBuilder的界面如下： 下面主要介绍WindowBuilder的安装和使用。 2 WindowBuilder的安装 2.1 下载插件 可以在网上找到很多资源。我用的是： WB_v1.5.0_UpdateSite_for_Eclipse3.7.zip 2.2 Eclipse中安装 点击Help菜单下的Software Updates，选择Find And Instal，安装插件，如下： 一路点击Next，安装完成后，就可以进行可视化开发了。 3 WindowBuilder的使用 建立可视化界面的方式有两种：第一种是新建的时候建立直接建立，第二种是对已有的AWT或Swing类进行转换。 3.1 第一种方式：新建 新建类的时候点击New-->Other： 选择WindowBuilder-->Swing Designer中的JFrame，新建一个界面： 新建完成后，可以看到新建的类是extends JFrame的，如下： 这里有两个视图

一直做在安卓用xml作界面，对于java的控件不熟悉，也不习惯用代码做UI尤其是布局。 找了一下发现可以安装windowbuilder来实现java的可视化编程，但是很多资料里的连接都失效了。 刚自己弄完比较熟悉，总结一下希望能帮到。 我是直接在线安装的windowbuilder 一.找到对应版本的windowbuilder 打开这个链接： http://www.eclipse.org/windowbuilder/download.php 如下图，显示eclipse的版本号和对应的插件链接 eclipse的版本号可以在eclipse的help中查看，然后复制你对应版本号后面的link连接 二.在eclipse在线更新 打开eclipse-->help-->Install New Software 在location中粘贴刚才复制的链接，确定，等待加载插件信息 然后显示了插件，下图 全选然后一直Next安装就行了，安装结束会提示你重启eclipse，重启完成就成功了。 三.使用方法 new-->Project 然后选择下图 然后像正常创建java工程一样，创建工程 然后在新建的工程的src里，new --> Other 选择如下 完成之后就会出现java 的可视化编程界面了，方便太多了。 Enjoy it！！ 作者：jason0539 微博： http://weibo.com

记录最近在工作中使用的python模块 1.pyecharts 安装：pip install pyecharts 用途：用来制作各种图表，可视化分析 官方地址： https://pyecharts.org/#/ 2.pymupdf 安装：pip install pymupdf 用途：操作pdf文件，包括提取文字、图片和转换 git地址： https://github.com/pymupdf/PyMuPDF 持续更新中...... 来源： https://www.cnblogs.com/-Neo/p/11452245.html

一.本地数据获取——文件 1.文件操作的三个步骤 打开文件——>读写文件——>关闭文件 为什么需要关闭文件呢？因为python可能会缓存写入的数据，如果程序异常崩溃了，那么数据可能就无法写到文件中，因此为了安全起见，文件读写完成后要主动关闭。 2.文件的打开 使用open函数，第一个参数为文件名(可以包含路径)，第二个参数表示读写模式，第三个参数表示缓冲 第一个参数：必须有 第二个参数：默认是r（只读），可省略。读写模式包括r、w、a、r+、w+、a+等等 第三个参数：默认值为-1，表示使用系统默认的缓冲区的大小，可省略。在Python中二进制文件可以不使用缓冲，但是文本文件必须使用缓冲。 open函数的返回结果是一个可迭代的文件对象，因而我们可以遍历其中的每一个子项 3.文件的读写 约定f = open("hello.txt", 'w') a.文件的写操作：f.write('Hello, World') #一种更好的读写语句 with open('hello.txt', 'w') as f: f.write('Hello, World') #注：with语句在执行后会自动关闭文件句柄，因而在程序中不需要再写close语句 b.文件的读操作：f.read()，可选参数size，表示从文件中至多读出size字节数据，返回一个字符串 缺省情况下，读文件到文件结束，依然是返回一个字符串

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 本文链接：https://blog.csdn.net/xiaoxifei/article/details/82735355 最近刚刚发现一个非常好用的显示模型神器Netron https://github.com/lutzroeder/Netron 借助这个工具可以像windows的软件一样导入已经训练好的模型加权重即可一键生成 我目前看了下visdom实现pytorch的网络结构查找还是很困难，在stackflow上有很多人使用自己编写的基于matplotlib来实现网络结构可视化适用性也不是很好，后来查找到使用基于tensorboard所开发的tensorboardX可以很方便的实现pytorch网络结构的可视化，因此决定采用这种方式。 1. tensorboardX的简介 tensorboardX的项目路径：https://github.com/lanpa/tensorboardX tensorboardX是基于tensorboard的思想用来写tensorboard events的工具，可以实现对传统的tensorboard中 scalar，image，figure，histogram，audio，text，graph，onnx_graph等事件进行编写。

　　一、假设检验与方差检验 　　import numpy as np 　　import scipy.stats as ss 　　1.正态检验 　　H0:服从正态分布 　　H1:不服从 　　norm_dist=ss.norm.rvs(size=20) #符合标准正态分布的20个数 　　ss.normaltest(norm_dist) #检验是否为正态分布，p>0.05，不能拒绝原假设，符合正态分布，基于偏度和峰度的一种检验法 　　2.卡方检验 　　H0:观测与期望无显著差别 　　H1:有差别 　　ss.chi2_contingency([[15,95],[85,5]]) #得到检验统计量，p值<0.05，有差别，自由度，理论分布 　　3.独立T分布检验 　　H0:两者无显著差别 　　H1:有显著差别 　　ss.ttest_ind(ss.norm.rvs(size=100),ss.norm.rvs(size=200))#p值>0.05，则没有差异 　　4.方差检验 　　H0:多个样本总体均值相等 　　H1：多个样本总体均值不完全相等 　　ss.f_oneway([49,50,39,40,43],[38,32,30,26,34],[38,40,45,42,48]) 　　5.qq图 　　from statsmodels.graphics.api import qqplot 　　from

可视化点云 #include <pcl/visualization/cloud_viewer.h> pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>); pcl::visualization::CloudViewer viewer("Viewer"); viewer.showCloud(cloud); while (!viewer.wasStopped ()) { } 可视化多个点云 pcl::visualization::PCLVisualizer 增加多个点云到该可视化界面上。 pcl::PointCloud<pcl::PointXYZ>::Ptr source_cloud(new pcl::PointCloud<pcl::PointXYZ>()); pcl::PointCloud<pcl::PointXYZ>::Ptr transformed_cloud(new pcl::PointCloud<pcl::PointXYZ>()); pcl::visualization::PCLVisualizer viewer ("Matrix transformation example"); // Define R,G,B colors for the point cloud pcl:

import numpy as np from PIL import Image import pickle import os CHANNEL = 3 WIDTH = 32 HEIGHT = 32 data = [] labels=[] classification = ['airplane','automobile','bird','cat','deer','dog','frog','horse','ship','truck'] for i in range(5): with open(r"...\cifar-10-batches-py\data_batch_"+ str(i+1),mode='rb') as file: data_dict = pickle.load(file, encoding='bytes') data+= list(data_dict[b'data']) labels+= list(data_dict[b'labels']) img = np.reshape(data,[-1,CHANNEL, WIDTH, HEIGHT]) data_path = "data/images/" if not os.path.exists(data_path): os.makedirs(data_path) for i in range(img.shape[0]): r