layer | 易学教程

Tensorflow和Caffe 简介

阅读更多关于 Tensorflow和Caffe 简介

TensorFlow 　　TensorFlow 是相对高阶的机器学习库，用户可以方便地用它设计神经网络结构，而不必为了追求高效率的实现亲自写 C++或 CUDA 代码。它和 Theano 一样都支持自动求导，用户不需要再通过反向传播求解梯度。其核心代码和 Caffe 一样是用 C++编写的，使用 C++简化了线上部署的复杂度，并让手机这种内存和CPU资源都紧张的设备可以运行复杂模型（Python 则会比较消耗资源，并且执行效率不高）。除了核心代码的 C++接口，TensorFlow 还有官方的 Python、Go 和 Java 接口，是通过 SWIG（Simplified Wrapper and Interface Generator）实现的，这样用户就可以在一个硬件配置较好的机器中用 Python进行实验，并在资源比较紧张的嵌入式环境或需要低延迟的环境中用 C++部署模型。SWIG 支持给 C/C++代码提供各种语言的接口，因此其他脚本语言的接口未来也可以通过 SWIG 方便地添加。不过使用 Python 时有一个影响效率的问题是，每一个 mini-batch 要从 Python 中 feed 到网络中，这个过程在 mini-batch 的数据量很小或者运算时间很短时，可能会带来影响比较大的延迟。现在 TensorFlow 还有非官方的 Julia、Node.js、R 的接口支持

arcgis api 4.x for js 自定义 Draw 绘制手绘面以及手绘线，只针对二维视图（附源码下载）

阅读更多关于 arcgis api 4.x for js 自定义 Draw 绘制手绘面以及手绘线，只针对二维视图（附源码下载）

前言关于本篇功能实现用到的 api 涉及类看不懂的，请参照 esri 官网的 arcgis api 4.x for js： esri 官网 api ，里面详细的介绍 arcgis api 4.x 各个类的介绍，还有就是在线例子： esri 官网在线例子，这个也是学习 arcgis api 4.x 的好素材。由于 arcgis api 4.x for js 目前没有提供绘制手绘面以及手绘线，所以本篇自定义绘制工具 Draw 来实现，效果图如下：下载源码的 zip 解压，源码在文章尾部提供拷贝 Custom.js 以及 Draw.js 两个文件放在本机离线部署的 arcgis api 指定的目录esri文件夹下面，我本机的是如下 html 页面完整代码 <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <meta name="viewport" content="initial-scale=1,maximum-scale=1,user-scalable=no"> <title></title> <style> html, body, #viewDiv { padding: 0 ; margin: 0 ; height: 100% ; width: 100% ; } .buttonRight{ position:

MySQl的一些基本知识（1）

阅读更多关于 MySQl的一些基本知识（1）

数据库优化操作： MySQL优化数据库优化维度有四个: 硬件、系统配置、数据库表结构、SQL及索引优化成本: 硬件>系统配置>数据库表结构>SQL及索引优化效果: 硬件<系统配置<数据库表结构<SQL及索引运行机制原理和底层架构 MySQL的查询优化，大家都了解一些最简单的技巧：不能使用SELECT *、不使用NULL字段、合理创建索引、为字段选择合适的数据类型….. 你是否真的理解这些优化技巧？是否理解其背后的工作原理？在实际场景下性能真有提升吗？我想未必。因而理解这些优化建议背后的原理就尤为重要 1.MySQL逻辑架构在头脑中构建一幅MySQL各组件之间如何协同工作的架构图，有助于深入理解MySQL服务器最上层为客户端层，并非MySQL所独有，诸如：连接处理、授权认证、安全等功能均在这一层处理中间这一层，包括查询解析、分析、优化、缓存、内置函数(比如：时间、数学、加密等函数)。所有的跨存储引擎的功能也在这一层实现：存储过程、触发器、视图等第三层包括了存储引擎。通常叫做StorEngine Layer ，也就是底层数据存取操作实现部分，由多种存储引擎共同组成。它们负责存储和获取所有存储在MySQL中的数据。就像Linux众多的文件系统一样。每个存储引擎都有自己的优点和缺陷 2. MySQL逻辑模块组成从上图看起来 MySQL 架构非常的简单

Deformable Convolutional Networks

阅读更多关于 Deformable Convolutional Networks

1 空洞卷积 1.1 理解空洞卷积在图像分割领域，图像输入到CNN（典型的网络比如FCN）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测，之前的pooling操作使得每个pixel预测都能看到较大感受野信息。因此图像分割FCN中有两个关键，一个是pooling减小图像尺寸增大感受野，另一个是upsampling扩大图像尺寸。在先减小再增大尺寸的过程中，肯定有一些信息损失掉了，那么能不能设计一种新的操作，不通过pooling也能有较大的感受野看到更多的信息呢？答案就是dilated conv。 (a) 普通卷积，1-dilated convolution，卷积核的感受野为3×3 (b) 扩张卷积，2-dilated convolution，卷积核的感受野为7×7 (c) 扩张卷积，4-dilated convolution，卷积核的感受野为15×15 (a)图对应3x3的1-dilated conv，和普通的卷积操作一样. (b)图对应3x3的2-dilated conv，实际的卷积kernel size还是3x3，但是空洞为1，也就是对于一个7x7的图像patch

推荐系统系列（五）：Deep Crossing理论与实践

阅读更多关于推荐系统系列（五）：Deep Crossing理论与实践

背景特征工程是绕不开的话题，巧妙的特征组合也许能够为模型带来质的提升。但同时，特征工程耗费的资源也是相当可观的，对于后期模型特征的维护、模型线上部署不太友好。2016年，微软提出Deep Crossing模型，旨在解决特征工程中特征组合的难题，降低人力特征组合的时间开销，通过模型自动学习特征的组合方式，也能达到不错的效果，且在各种任务中表现出较好的稳定性。与之前介绍的FNN、PNN不同的是，Deep Crossing并没有采用显式交叉特征的方式，而是利用残差网络结构挖掘特征间的关系。本文将对DeepCrossing从原理到实现细节进行详细分析。分析 1. DeepCrossing模型结构 <div align=center><img src='https://img2018.cnblogs.com/blog/955208/201911/955208-20191109202012738-359876410.png'></div> 整个模型包含四种结构：Embedding，Stacking，Residual Unit，Scoring Layer。论文中使用的目标函数为 $logloss$ ：$logloss=-\frac{1}{N}\sum_{i=1}^{N}(y_ilog(p_i)+(1-y_i)log(1-p_i))$ ，在实际应用中，可以灵活替换为其他目标函数。

plt实现动态画图

阅读更多关于 plt实现动态画图

用pycharm跑的没有出现动态线条的话： 1、点击setting，输入关键字 Scien... 搜索出 Python Scientific ，在右侧去掉对勾（默认是勾选的），然后右下角 Apply--OK ，即可完美解决。 2、这是在网上找的代码(原来是有问题的，我稍微修改了下，可以直接运行)： import tensorflow as tf import numpy as np import matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_funiction=None): Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_funiction is None: outputs = Wx_plus_b else: outputs = activation_funiction(Wx_plus_b) return outputs x_data = np.linspace(-1, 1,

iPhone xs max异常crash

阅读更多关于 iPhone xs max异常crash

message from debugger: terminated due to signal 13 https://blog.csdn.net/jia12216/article/details/50844013 https://forums.developer.apple.com/message/358350#358350 https://forums.developer.apple.com/message/358276#358276 分析：记不清楚了，好像是替换了uilabel的layer层，或者是给uiview添加了Gradient类型报错如下： [CAGradientLayer _clearContents]: unrecognized selector sent to instance 0x2815c31a0 CoreFoundation ___exceptionPreprocess + 232 1 libobjc.A.dylib objc_exception_throw + 60 2 CoreFoundation -[NSOrderedSet initWithSet:copyItems:] 3 CoreFoundation ____forwarding___ + 1412 4 CoreFoundation _CF_forwarding_prep_0 + 96 5

快速掌握MIPI开发攻略，对接百度人工智能计算卡EdgeBoard

阅读更多关于快速掌握MIPI开发攻略，对接百度人工智能计算卡EdgeBoard

MIPI（移动行业处理器接口）是Mobile Industry Processor Interface的缩写，是MIPI联盟发起的为移动应⽤处理器制定的开放标准。MIPI采⽤高速串行接口传输数据，满⾜高分辨率摄像头的传输需求，采用串行接口方便PCB布局布线，提高信号完整性，也有利于减小PCB面积。MIPI接口的摄像头一般体积较小，适合于小型的嵌入式设备，比如手机和行车记录仪等，同时也广泛应用到AI端上推理设备。本文以百度的端上推理设备EdgeBoard作为原型来介绍MIPI相关技术的开发。如果用户购买EdgeBoard，出厂的镜像中带有MIPI的功能，只需再购买推荐的MIPI摄像头，即可实现即插即用。 MIPI 介绍 MIPI接口分为两类，一是DSI (Display Serial Interface)，提供处理器和显示模组之间的高速串行接口；二是CSI (Camera Serial Interface)，提供处理器和摄像模组之间的高速串行接口。本文将要介绍的是CSI-2。 MIPI信号采用低压差分信号进行传输，具有传输速率快，抗干扰能力强的特点。MIPI的传输模式分为低速信号模式和高速信号模式，低速信号用于控制命令（10 MHz），高速信号用于数据传输（80Mbps -1Gbps/lane）。时钟处于非连续工作状态，根据传输状态进行时钟的切换，这样可以极大地降低功耗。关于D

4. Tensorflow的Estimator实践原理

阅读更多关于 4. Tensorflow的Estimator实践原理

1. Tensorflow高效流水线Pipeline 2. Tensorflow的数据处理中的Dataset和Iterator 3. Tensorflow生成TFRecord 4. Tensorflow的Estimator实践原理 1. 前言前面博文介绍了Tensorflow的一大块，数据处理，今天介绍Tensorflow的高级API，模型的建立和简化过程。 2. Estimator优势本文档介绍了Estimator一种可极大地简化机器学习编程的高阶TensorFlow API。用了Estimator你会得到数不清的好处。您可以在本地主机上或分布式多服务器环境中运行基于 Estimator 的模型，而无需更改模型。此外，您可以在 CPU、GPU或TPU上运行基于Estimator 的模型，而无需重新编码模型。使用dataset高效处理数据，搭配上Estimator再GPU或者TPU上高效的运行模型，提高整体的模型运行的时间。使用Estimator编写应用时，您必须将数据输入管道从模型中分离出来。这种分离简化了不同数据集的实验流程。 Estimator提供安全的分布式训练循环，可以控制如何以及何时：构建图初始化变量开始排队处理异常创建检查点文件并从故障中恢复保存 TensorBoard 的摘要 Estimator简化了在模型开发者之间共享实现的过程。

vue2leaflet chinaprovider

阅读更多关于 vue2leaflet chinaprovider

chianProvider使用不了，是通过LTitleLayer加载进来 <l-map :key="key" :style="{ height: mapHeight + 'px'}" :zoom="zoom" :center="center">  <l-tile-layer :url="urlMap" :tms="isTms" :subdomains="subdomains" :options="options"></l-tile-layer> <l-tile-layer :url="urlAnnotion" :tms="isTms" :subdomains="subdomains" :options="options"></l-tile-layer> </l-map> 天地图加载的URL通过lTitleLayer加载来源： oschina 链接： https://my.oschina.net/u/560237/blog/3689348

订阅 layer