Cascade

　　一、创建模型 　　1，一对多关系 　　一本书只有一个出版社，一个出版社可以出版多本书，从而书与出版社之间就构成一对多关系，书是‘多’的一方，出版社是‘一’的一方，我们在建立模型的时候，把外键写在‘多’的一方，即我们要把外键写在book类。 class Book(models.Model): name =models.CharField(max_length=15 ) price = models.IntegerField() publish =models.ForeignKey( ' Publish ' ,on_delete= models.CASCADE) #这就是外键，其实是有三个参数的，第二参数是指向的字段，此处可以省略，他会自动指向id字段 class Publish(models.Model): name =models.CharField(max_length=15 ) addr =models.CharField(max_length=15 ) phone =models.IntegerField() 在创建模型时不用创建id字段，在makemigrations命令输入之后，它会在migrations文件夹下生产一个py文件记录models.py里面所有的改动，在记录的时候就会自动给你加上自增长的主键字段id。 　　2，多对多关系 　　一本书可以有多个作者

【推荐阅读】微服务还能火多久？>>> English | 简体中文 PaddleDetection PaddleDetection的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 目前检测库下模型均要求使用PaddlePaddle 1.7及以上版本或适当的develop版本。 简介 特性： 易部署: PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现，同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。 高灵活度： PaddleDetection通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。 高性能： 基于PaddlePaddle框架的高性能内核，在模型训练速度、显存占用上有一定的优势。例如，YOLOv3的训练速度快于其他框架，在Tesla V100 16GB环境下，Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。 支持的模型结构： ResNet ResNet-vd 1 ResNeXt-vd SENet MobileNet HRNet Res2Net Faster R-CNN ✓ ✓ x ✓ ✗ ✗ ✗ Faster R-CNN + FPN ✓ ✓ ✓ ✓ ✗ ✓ ✓ Mask R-CNN ✓ ✓

【推荐阅读】微服务还能火多久？>>> dlib 下 face_landmark_detection_ex This face detector is made using the classic Histogram of Oriented Gradients (HOG ) feature combined with a linear classifier , an image pyramid , and sliding window detection scheme . The pose estimator was created by using dlib's implementation of the paper : One Millisecond Face Alignment with an Ensemble of Regression Trees by Vahid Kazemi and Josephine Sullivan , CVPR 2014 and was trained on the iBUG 300 - W face landmark dataset . Also , note that you can train your own models using dlib's machine learning tools . See train_shape

【今日推荐】：为什么一到面试就懵逼！>>> One Millisecond Face Alignment with an Ensemble of Regression Trees CVPR2014 http://www.csc.kth.se/~vahidk/face_ert.html https://github.com/suzuichi/OneMillisecondFaceAlignment 本文也是使用级联回归器来做人脸特征对齐的。速度快，效果不错，Dlib 实现了代码，可以测试 站在巨人的肩膀上可以看得更远。这里我们借鉴了前人的两个思路： 1）The first revolves around the indexing of pixel intensities relative to the current estimate of the shape 这里我们使用了一个相对位置的像素差值作为特征，为什么如此选择了? 在图像中我们使用一个 向量的形式来表示人脸的 shape，因为 一些变化因素如： shape deformation and nuisance factors such as changes in illumination conditions，导致了 这个基于向量表示形式的特征变化的幅度很大，基于这个特征来做精确的 shape estimation 就比较难

fork本项目, 运行后, 可以看到全部代码及相关方见多文件 项目简介： Image Cascade Network（ICNet)主要用于图像实时语义分割。相较于其它压缩计算的方法，ICNet即考虑了速度，也考虑了准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。ICNet由三个子网络组成，计算复杂度高的网络处理低分辨率输入，计算复杂度低的网络处理分辨率高的网络，通过这种方式在高分辨率图像的准确性和低复杂度网络的效率之间获得平衡。 整个网络结构如下： 阅读本项目时可以参考一下链接来帮助理解 论文链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 博客链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 文件结构： root/ 根目录 |--data/ 数据目录 |--|--iccv09Data/ 数据集 |--|--|--images/ 数据集中的图像 |--|--|--|- -1. jpg |--|--|--labels/ 数据集中的标签 |--|--|--|- -1. regions.txt |--|--train

学校里有门图像处理的课程最终需要提交一个图像处理系统， 正好之前对于opencv有些了解，就简单的写一个人脸识别小程序吧 效果图如下 笔者IDE使用Pycharm，GUI编程直接使用内置的tkinter 环境： python3.6 opencv4.1 首先导入需要使用的各个库 # -*- coding: utf-8 -*- import sys import importlib import cv2 import tkinter as tk import tkinter.messagebox from tkinter import filedialog 之后我们需要做一个路径选择函数，因为毕竟不能每次识别而去手动改代码内的地址 而这个函数我们稍后会绑定至一个button方便使用 def selectPath(): global path_ path_ = filedialog.askopenfilename() path.set(path_) path = tk.StringVar() 最关键的人脸识别函数 其中所使用到的训练参数数据下载地址： https://github.com/opencv/opencv/tree/master/data/haarcascades 并且xml文件需要放到项目目录下 def imgface(): try : #

阿里云ECS服务器内存型r5和r6规格性能区别在哪？又该如何选择？这两款机型都是内存型服务器，CPU内存比1:8的配置比例。分别是是阿里云第5代和最新一代云服务器。这两款的最大区别是架构不同（为什么这么说，看后面解释）。下面从参数、性能、价格等多方面解释内存型r5和r6服务器。 架构不同 内存型r6 是神龙架构，内存型r5是第五代架构。前者性能上全面提升。 官方文档是这么解释的：内存型r6 依托神龙架构，将大量虚拟化功能卸载到专用硬件，降低虚拟化开销，提供稳定可预期的超高性能。 用大白话解释：服务器有更多空闲资源可用于业务上。也可以理解成花一样的钱，能干更多的活，速度还比别人快。 CPU处理器不同 r5实例 ：Intel ® Xeon ® Platinum 8269CY（Cascade Lake），主频2.5 GHz主频，睿频3.2 GHz。 r6实例：Intel ® Xeon ® Platinum 8163（Skylake）或者8269CY（Cascade Lake），主频2.5 GHz。 对比结果看内存型r6实例的 CPU型号更新，代表性能更强，有睿频。官方文档上内存型r5是没有睿频的，所以说在计算性能上就与 r6有差距了。 更多规格参阅 官方文档 内存、云盘 在内存方面官方文档没有更多描述，暂且认为都是 DDR4内存。 云盘：都是I/O优化实例，支持ESSD云盘

本文作者：HelloDeveloper 嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说，快快看过来，希望这些优秀的青年学者、专家杰青的学术报告 ，能让您在业余时间的知识阅读更有价值。 人工智能论坛如今浩如烟海，有硬货、有干货的讲座却百里挑一。由中国科学院大学主办，中国科学院大学学生会承办，读芯术作为指定合作自媒体的“AI未来说·青年学术论坛”第三期“计算机视觉”专场已于2019年3月24日下午在中科院举行。中科院张士峰博士为大家带来报告《基于深度学习的通用物体检测算法对比探索》。 张士峰，中科院自动化所2015级直博，导师李子青研究员，研究方向为基于深度学习的物体检测，主要包括通用物体检测、人脸检测、行人检测。目前已发表论文14篇，其中第一作者论文11篇，包括3篇CVPR、IJCV、ICCV、ECCV、IJCAI、AAAI等。在投论文7篇，在审专利4项，获CCF-CV学术新锐奖、百度奖学金、国家奖学金、唐立新奖学金、必和必拓奖学金、攀登一等奖学金、三好学生、国际人脸检测竞赛季军、最佳学生论文等荣誉。 报告内容：目前基于深度学习的通用物体检测算法大致可以分为两类：一步法检测器和二步法检测器。一步法检测器有较高的检测速度

3 月，跳不动了？>>> 一、视图 视图是从表中抽出来的逻辑上相关的数据集合，本身不存储数据，通过它可以对基表里面 的数据进行查询和修改。是存储在数据字典里的一条select语句，将查询的结果作为一个表来 使用。 1.创建视图 CREATE [OR REPLACE] [FORCE|NOFORCE] VIEW view_name [(alias[, alias]...)] AS subquery [WITH CHECK OPTION [CONSTRAINT constraint]] [WITH READ ONLY] 其中： FORCE：不管基表是否存在ORACLE都会自动创建该视图； NOFORCE：只有基表都存在ORACLE才会创建该视图： alias：为视图产生的列定义的别名； subquery：一条完整的SELECT语句，可以在该语句中定义别名； WITH CHECK OPTION ： 插入或修改的数据行必须满足视图定义的约束； WITH READ ONLY ： 该视图上不能进行任何DML操作。 WITH CHECK OPTION 和 READ ONLY 的时候，子查询中不能使用 ORDER BY 子句； 创建视图时，表达式列必须指定别名 子查询中使用 GROUP BY、ORDER BY、DISTINCT、ROWNUM、表达式列时，不能对视图进行增删改

参考资料如下 Django 文档 - Model field reference SQLAlchemy 中的级联删除 1. ForeignKey ForeignKey 用于多对一关系，直接对应到数据库外键的概念。使用 ForeignKey 需要指定引用的目标表，会自动关联到目标表的主键（一般是 id 字段）。 例子如下。 from django.db import models class Child(models.Model): parent = models.ForeignKey('Parent', on_delete=models.CASCADE, ) # ... class Parent(models.Model): # ... pass 对比之 sqlalchemy，一行 parent=models.ForeignKey(...) 包含了 sqlalchemy 中的 ForeignKey 和 relationship 两部分内容。 1.1 参数：on_delete on_delete 意为当 ForeignKey 引用的对象被删除时进行的操作。 有几个可以考虑的选项。 1.1.1 models.CASCADE CASCADE 意为级联， on_delete 设置为 CASCADE 时意为执行级联删除。依据文档，Django 会模仿 SQL 的 ON DELETE