test | 易学教程

【15】创建型-Builder模式

阅读更多关于【15】创建型-Builder模式

1、上下文及定义将一个复杂对象的构建与它的表示分离,使得同样的构建过程可以创建不同的表示。 Builder模式是一步一步创建一个复杂的对象,它允许用户可以只通过指定复杂对象的类型和内容就可以构建它们.用户不知道内部的具体构建细节.Builder模式是非常类似抽象工厂模式,细微的区别大概只有在反复使用中才能体会到。 2、常用场景是为了将构建复杂对象的过程和它的部件解耦.注意: 是解耦过程和部件。因为一个复杂的对象,不但有很多大量组成部分,如汽车,有很多部件:车轮方向盘发动机还有各种小零件等等,部件很多,但远不止这些,如何将这些部件装配成一辆汽车,这个装配过程也很复杂(需要很好的组装技术),Builder模式就是为了将部件和组装过程分开。在Java实际使用中,我们经常用到"池"(Pool)的概念,当资源提供者无法提供足够的资源,并且这些资源需要被很多用户反复共享时,就需要使用池。 "池"实际是一段内存,当池中有一些复杂的资源的"断肢"(比如数据库的连接池,也许有时一个连接会中断),如果循环再利用这些"断肢",将提高内存使用效率,提高池的性能.修改Builder模式中Director类使之能诊断"断肢"断在哪个部件上,再修复这个部件。 3、解决方法首先假设一个复杂对象是由多个部件组成的,Builder模式是把复杂对象的创建和部件的创建分别开来

keras无法加载imdb文本：Object arrays cannot be loaded when allow_pickle=False

阅读更多关于 keras无法加载imdb文本：Object arrays cannot be loaded when allow_pickle=False

按照网上的教程加载imdb电影评论数据集 from keras.datasets import imdb (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 结果报错：ValueError: Object arrays cannot be loaded when allow_pickle=False numpy版本的问题，numpy的的版本和keras没有完全兼容解决方法： #在前面加上这三行代码 import numpy as np old = np.load np.load = lambda *a,**k: old(*a,**k,allow_pickle=True) #然后再运行原代码即可 from keras.datasets import imdb (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 来源： CSDN 作者： chadqiu 链接： https://blog.csdn.net/m0_37750065/article/details/104579661

D3选择集训练

阅读更多关于 D3选择集训练

基本上包括常用的了。 <!DOCTYPE html> <body> <p>Paragraph 1</p> <p>Paragraph 2</p> <p>Paragraph 3</p> <p id="para"> This is a Paragraph</p> <input id="fname" type="text" name="fullname" /> <p id="test">This <span>is</span> a Paragraph</p> <div> <p>Car</p> <p id="plane">Plane</p> <p >Ship</p> </div> </body> <script src="d3.v3.min.js" charset="UTF-8"></script> <script> var paragraphs = d3.selectAll("p"); console.log(paragraphs.empty()); console.log(paragraphs.node()); console.log(paragraphs.size()); d3.select("p").attr("class", "red bigsize"); d3.select("p").classed("red", true); d3.select("p").classed(

AI：是猫还是狗，这是个问题

阅读更多关于 AI：是猫还是狗，这是个问题

如果你不喜欢小猫和小狗，你可能不知道他们具体是哪一种品种，但是一般来说，你都能区分出这是猫还是狗，猫和狗的特征还是不一样的，那我们如何用机器学习的方法训练一个网络区分猫狗呢？我们选用的是 Kaggle 的一个数据集( https://www.kaggle.com/c/dogs-vs-cats/data )，用神经网络的方法进行模型的训练。下载下来的数据集对于我们测试来说数据有点大，这里面分别有 12500 个猫和狗的训练图片，我们先来缩小一下训练集，然后再进行模型的搭建和训练。我们的做法做法是猫和狗分别选择 1000 个训练图片，500 个验证集和 500 个测试集，我们可以手工完成这个工作，需要做的就是： // 如下非可执行代码，含义非常清楚的表达，最后会附上可执行代码 mkdir dog-vs-cats-small cp dog-vs-cats/train/cat/pic-{0-999}.jpg dog-vs-cats-small/train/cat/ cp dog-vs-cats/train/dog/pic-{0-999}.jpg dog-vs-cats-small/train/dog/ cp dog-vs-cats/validation/cat/pic-{1000-1499}.jpg dog-vs-cats-small/validation/cat/ cp dog-vs

svn错误的解决方法（转）

阅读更多关于 svn错误的解决方法（转）

标题：svn: Failed to add directory '*****': an unversioned directory of the same name already exists 内容： svn: Failed to add file 'Makefile': an unversioned file of the same name already exists 执行更新(svn up)时报错。因为其他人新增一个文件到服务器，而本地却存在一个同名文件（未版本控制）先将本地重名文件改名，再执行"svn up"，之后再比较、合并文件。或者执行 "svn up --force" /opt/csvn/bin/svn update --force . 这时可能会出现系统提示，因为subversion发现了local work copy和repository上的不一致。需要svn用户自己裁决，可以直接输入tf，即使用repository上版本即可，因为你没有更改project文件。即： Conflict discovered in ‘EuM1.xcodeproj/project.pbxproj’. Select: (p) postpone, (df) diff-full, (e) edit, (mc) mine-conflict, (tc) theirs-conflict,

【OCR技术系列之四】基于深度学习的文字识别（3755个汉字）

阅读更多关于【OCR技术系列之四】基于深度学习的文字识别（3755个汉字）

上一篇提到文字数据集的合成，现在我们手头上已经得到了3755个汉字（一级字库）的印刷体图像数据集，我们可以利用它们进行接下来的3755个汉字的识别系统的搭建。用深度学习做文字识别，用的网络当然是CNN，那具体使用哪个经典网络？VGG?RESNET？还是其他？我想了下，越深的网络训练得到的模型应该会更好，但是想到训练的难度以及以后线上部署时预测的速度，我觉得首先建立一个比较浅的网络（基于LeNet的改进）做基本的文字识别，然后再根据项目需求，再尝试其他的网络结构。这次任务所使用的深度学习框架是强大的Tensorflow。网络搭建第一步当然是搭建网络和计算图其实文字识别就是一个多分类任务，比如这个3755文字识别就是3755个类别的分类任务。我们定义的网络非常简单，基本就是LeNet的改进版，值得注意的是我们加入了batch normalization。另外我们的损失函数选择sparse_softmax_cross_entropy_with_logits，优化器选择了Adam，学习率设为0.1 #network: conv2d->max_pool2d->conv2d->max_pool2d->conv2d->max_pool2d->conv2d->conv2d->max_pool2d->fully_connected->fully_connected def build

mongoDB-3.x启用认证

阅读更多关于 mongoDB-3.x启用认证

mongoDB-3.x启用认证官方文档: https://www.mongodb.org/downloads#production https://docs.mongodb.org/manual/reference/method/js-user-management/ https://docs.mongodb.org/manual/reference/configuration-options/ https://docs.mongodb.org/manual/core/authentication/ 环境: CentOS6.5 x64 mongoDB-3.2.0 一.创建管理员用户在启用认证前要先创建制授权用户 use admin db.createUser( { user: "myUserAdmin", pwd: "abc123", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } ) 二.启用认证命令行启动时加上 --auth 或配置文件 security: authorization: enabled 三.认证用户登录 mongo --host 192.168.192.10 --port 27017 -u "myUserAdmin" -p "abc123" -

PHP7 扩展之自动化测试

阅读更多关于 PHP7 扩展之自动化测试

在安装 PHP7 及各种扩展的过程中，如果你是用源码安装，会注意到在 make 成功之后总会有一句提示：Don't forget to run 'make test'. 这个 make test 就是运行 PHP 的自动化测试了。如果你刚刚安装完 PHP7，直接运行 make test，经过漫长的等待时间之后，最终的统计结果大概是这样的：会出现这么多 skip 和 fail 说明有一些扩展你没有安装，相关环境的配置也需要优化不过一般来讲我们不需要运行这么多的测试脚本，尤其对单一扩展而言，针对相关接口来测试就可以了，所以我们进一步看看如何独立运行测试脚本首先打开 php 的 Makefile文件，我们看看 make test 都做了什么 test: all @if test ! -z "$(PHP_EXECUTABLE)" && test -x "$(PHP_EXECUTABLE)"; then \ INI_FILE=`$(PHP_EXECUTABLE) -d 'display_errors=stderr' -r 'echo php_ini_loaded_file();' 2> /dev/null`; \ if test "$$INI_FILE"; then \ $(EGREP) -h -v $(PHP_DEPRECATED_DIRECTIVES_REGEX) "$$INI

sed详解

阅读更多关于 sed详解

文章目录语法 SED工作流程选项 SCRIPS 模式空间命令保持空间命令 sed使用实例 1、打印： p 命令 2、删除： d 命令 3、替换： s 命令 4、追加： a 命令 5、插入：i命令 6、修改：c命令 7、打印行号：=命令 8、打印（包括控制字符）：l命令 9、字符转换：y命令 10、读取下一行：n命令 11、读取文件：r命令 12、保存文件：w命令 13、退出：q命令 14、读取下一行以\n拼接上一行：N 15、打印至\n的内容：P 16、删除上一行：D 17、保持空间命令：h/H，g/G，x 改变流 1、分支 branch 2、测试 test sed（Stream EDitor）,是一种流编辑器，用于文本编辑语法 sed [option] 'SCRIPTS' FILE... SCRIPTS：[Address] [!]Command 命令地址对 SED工作流程读取新的一行到模式空间，将“SCRIPTS”的第一个address匹配，如果符合则执行command 如果address符合则执行command，不符合取下一个地址命令对直到所有的地址命令对应用完，输出模式空间的内容选项选项功能 -f FILE 调用sed脚本处理文件 -n 抑制默认内容输出，常与p命令连用 -r 支持扩展元字符 -iSUFFIX 修改源文件，同时创建一个备份文件

Celery如何使用与项目实践

阅读更多关于 Celery如何使用与项目实践

一. Celery介绍参考博客：http://www.cnblogs.com/alex3714/p/6351797.html 1、celery应用举例 Celery 是一个基于python开发的分布式异步消息任务队列，通过它可以轻松的实现任务的异步处理，如果你的业务场景中需要用到异步任务，就可以考虑使用celery 你想对100台机器执行一条批量命令，可能会花很长时间，但你不想让你的程序等着结果返回，而是给你返回一个任务ID,你过一段时间只需要拿着这个任务id就可以拿到任务执行结果，在任务执行ing进行时，你可以继续做其它的事情 Celery 在执行任务时需要通过一个消息中间件来接收和发送任务消息，以及存储任务结果，一般使用rabbitMQ or Redis 2、Celery有以下优点简单：一单熟悉了celery的工作流程后，配置和使用还是比较简单的高可用：当任务执行失败或执行过程中发生连接中断，celery 会自动尝试重新执行任务快速：一个单进程的celery每分钟可处理上百万个任务灵活：几乎celery的各个组件都可以被扩展及自定制 3、Celery基本工作流程图 user：用户程序，用于告知celery去执行一个任务。 broker: 存放任务（依赖RabbitMQ或Redis，进行存储） worker：执行任务二. celery简单使用 1、安装

订阅 test