disc

一、项目名称 影碟管理软件 二、软件描述 该影碟管理程序可以只在控制台上运行，可以不需要界面。该软件的功能有如下功能： A：可以查看该店铺的所有影碟的信息； B：可以添加新的影碟信息； C：可以修改现有影碟信息； D：可以删除某个影碟信息； E：所有影碟的数据都保存在硬盘的某个txt文件中，在修改完信息后，硬盘中的该文件也能同步改变。 三、代码 1 import java.util.Scanner; 2 import java.util.LinkedList; 3 import java.util.Iterator; 4 import java.io.*; 5 6 import javax.security.auth.kerberos.DelegationPermission; 7 public class DiscManager { 8 //创建一个disc类 9 public static class Disc{ 10 int discNum; //编号 11 String discName; //名称 12 String discStatus; //出租状态 13 public Disc(){ 14 } 15 public Disc(int num,String name,String status){ 16 this.discNum=num; 17 this

A2dp sink的初始化流程和A2dp 的初始化流程,基本一样,这里做简单分析.这里分析的android的版本是Android O. 我们先从service的启动说起吧. 下面 是启动的时候的log: D/BluetoothAdapterService( 2029): setProfileServiceState() - Starting service com.android.bluetooth.a2dpsink.A2dpSinkService 01-01 08:00:22.042 D/A2dpSinkService( 2029): Received start request. Starting profile... 01-01 08:00:22.045 D/A2dpSinkService( 2029): start() 01-01 08:00:22.054 I/BluetoothA2dpSinkServiceJni( 2029): classInitNative: succeeds 我们看看 A2dpSinkService.java的start函数的实现: protected boolean start() { if (DBG) { Log.d(TAG, "start()"); } // Start the media browser service. Intent

很久没写过这东西了，复习一波。 3238: [Ahoi2013]差异 链接 单调栈维护height数组，由于height是递增的，所以维护单调栈中维护每个height出现的次数。（还可以两遍单调栈求一个点是最小值的区间） 1 #include<cstdio> 2 #include<algorithm> 3 #include<cstring> 4 #include<iostream> 5 #include<cmath> 6 #include<cctype> 7 #include<set> 8 #include<queue> 9 #include<vector> 10 #include<map> 11 using namespace std; 12 typedef long long LL; 13 14 inline int read() { 15 int x=0,f=1;char ch=getchar();for(;!isdigit(ch);ch=getchar())if(ch=='-')f=-1; 16 for(;isdigit(ch);ch=getchar())x=x*10+ch-'0';return x*f; 17 } 18 19 const int N = 500005; 20 21 char s[N]; 22 int t1[N], t2[N], c[N], sa[N],

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> RabbitMQ 元数据 RabbitMQ 元数据类型 RabbitMQ 会始终记录以下类型的内部元数据: * 队列元数据 --- 队列名称和它们的属性(是否可持久化,是否自动删除) * 交换器元数据 --- 交换器名称,类型,属性(可持久化等) * 绑定元数据 --- 一张简单的表格展示如何将消息路由到队列 * vhost 元数据 --- 为 vhost 内的队列,交换器和绑定提供命名空间和安全属性 * 用户和用户权限信息元数据 单节点元数据存储 RabbitMQ 会将所有的这些信息存储在内存中,同步将标记为可持久化的队列和交换器存储到硬盘上,从而确保队列和交换器在重启服务 的时候可以重建 集群环境元存储 集群环境引入了新的元数据:集群节点位置,以及节点与已记录的其他类型元数据的关系,集群也提供了选择,将元数据存储到磁盘(独立节 点的默认配置)或者 RAM 中 集群中运行的任何一个节点,都拥有集群的全部元数据 集群中声明队列,交换器,绑定的时候,这些操作需要等到所有集群节点都成功提交元数据变更,才会返回 内存节点和磁盘节点 RabbitMQ 中的节点按存储方式分为两类: * 内存节点: 所有的元数据定义仅存储在内存中(不包含消息内容,消息索引,队列索引,其他节点状态),在频繁变更队列,交换器,绑定 的情况下

转载自： https://www.e-learn.cn/content/qita/814071 from datetime import datetime import os import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from six.moves import xrange data = np.load('final37.npy') data = data[:,:,0:60] #显示原始数据图像 def Show_images(data,show_nums,save=False): index = 0 for n in range(show_nums): show_images = data[index:index+100] show_images = show_images.reshape(100,3,60,1) r,c = 10,10 fig,axs = plt.subplots(r,c) cnt = 0 for i in range(r): for j in range(c): xy = show_images[cnt] for k in range(len(xy)): x = xy[k][0:30] y = xy[k][30:60] if k == 0 : axs[i

WGAN-GP生成MNIST 参考博客 点击打开链接 点击打开链接 33个epoch结果 #coding:utf-8 import os import numpy as np import scipy.misc import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #as mnist_data def conv2d(name, tensor,ksize, out_dim, stddev=0.01, stride=2, padding='SAME'): with tf.variable_scope(name): w = tf.get_variable('w', [ksize, ksize, tensor.get_shape()[-1],out_dim], dtype=tf.float32, initializer=tf.random_normal_initializer(stddev=stddev)) var = tf.nn.conv2d(tensor,w,[1,stride, stride,1],padding=padding) b = tf.get_variable('b', [out_dim], 'float32',initializer=tf.constant

以下为MNIST测试，主要为了构建模型，只跑了，少量epoch,效果如下: WGAN 2个epoch wgan-gp 6个epoch gan 10个epoch 有时间可以多跑几轮，这里就不展示了。 代码如下 from datetime import datetime import os import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from six.moves import xrange from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data",one_hot=True) data= mnist.train.images#(55000,784) def Save_genImages(gen, epoch): r,c = 10,10 fig,axs = plt.subplots(r,c) cnt = 0 print(gen.shape) for i in range(r): for j in range(c): axs[i,j].imshow(gen[cnt][:,:],cmap='Greys_r') axs[i,j].axis(

文章目录 一、DCGAN简介 二、主要函数 三、项目实战 一、DCGAN简介 DCGAN是将CNN与GAN的一种结合，这是第一次在GAN中使用卷积神经网络并取得了非常好的结果，弥合CNNs在监督学习和无监督学习之间的差距，其将卷积网络引入到生成式模型当中来做无监督的训练，利用卷积网络强大的特征提取能力来提高生成网络的学习效果。 结构如下： 具体理论知识参考： GAN的系列经典模型讲解 。 二、主要函数 1、tf.layers.dense() ： 相当于添加一个全连接层，即初学的add_layer()函数，定义如下： tf.layers.dense( inputs, units, activation=None, use_bias=True, kernel_initializer=None, ##卷积核的初始化器 bias_initializer=tf.zeros_initializer(), ##偏置项的初始化器，默认初始化为0 kernel_regularizer=None, ##卷积核的正则化，可选 bias_regularizer=None, ##偏置项的正则化，可选 activity_regularizer=None, ##输出的正则化函数 kernel_constraint=None, bias_constraint=None, trainable=True, name

1.Introduction 利用mnist数据集进行训练DCGAN网络，生成数字图像。 2.Source code #encoding:utf-8 """ Deep Convolutional Generative Adversarial Network (DCGAN). Using deep convolutional generative adversarial networks (DCGAN) to generate digit images from a noise distribution. References: - Unsupervised representation learning with deep convolutional generative adversarial networks. A Radford, L Metz, S Chintala. arXiv:1511.06434. Links: - [DCGAN Paper](https://arxiv.org/abs/1511.06434). - [MNIST Dataset](http://yann.lecun.com/exdb/mnist/). Author: Aymeric Damien Project: https://github.com/aymericdamien/TensorFlow

来源： https://github.com/aymericdamien/TensorFlow-Examples#tutorials """ Deep Convolutional Generative Adversarial Network (DCGAN). Using deep convolutional generative adversarial networks (DCGAN) to generate digit images from a noise distribution. References: - Unsupervised representation learning with deep convolutional generative adversarial networks. A Radford, L Metz, S Chintala. arXiv:1511.06434. Links: - [DCGAN Paper](https://arxiv.org/abs/1511.06434). - [MNIST Dataset](http://yann.lecun.com/exdb/mnist/). Author: Aymeric Damien Project: https://github.com/aymericdamien/TensorFlow-Examples