label

sort 进行降序操作 argsort进行index位置降序操作 gather收集从大到小的排序 同理，二维一样 默认，axis=0 top_k res = tf . math . top_ k ( a , 2 ) res . indices ** ** * k = 2 , 得到索引，将矩阵中每行最大两个元素的索引取出，按数字大小顺序进行排序，默认axis = 0 ** ** top_k分为k值任取1.2.3… 当k=1 [0.1,0.2,0.3,0.4]中0.4的概率最大，故label[3] 若预测值label[2]与实际得到值保持一致，则认为预测命中，accuracy=100%，否则，accuray=0% 当k=2 [0.1,0.2,0.3,0.4]中0.4的概率最大,0.3次之，故label[2,3] 预测值为label[2],有一个命中，则算全中，accuracy=100% 同理，k=3.4.5.6… 来源： CSDN 作者： 请叫我Brao 链接： https://blog.csdn.net/lzw964684894/article/details/104348296

label按钮和文字对齐 做表单的时候，经常遇到：复选框和文字对不齐的情况 ========================== 下面方法可以对齐 <!--label [[--> <div class="content"> <label class="lab-wrap"> <input class="checkbox" type="checkbox" id="remmber">记住账号 </label> </div> <!--label ]]--> .content { width: 400px; height: 100px; border: 1px #000 solid; margin: 100px auto; } .content .lab-wrap { color: #333; margin-right: 5px; font-size: 14px; float: left; line-height: 14px; } .checkbox { float: left; margin-top: 0; vertical-align: baseline; } =============================== 下载链接：http://files.cnblogs.com/files/leshao/label%E5%AF%B9%E9%BD%90.rar 来源： https:/

一般我们上传文件的按钮 代码，效果 如下： jsp: 效果： 但是为了美观或者开发需求，一般需要去掉自带的"未选择任何文件",所以可以采用一下方法进行改进： 思路： 1.< input class=“excel_file” type=“file” accept=".xlsx,.xls;"> 用file表示 2. < input type=“button” id=“btn” value=“选择文件”> 用buttom表示 在file原有的的基础上加上 id=“fileinp” ,然后用样式opacity: 0把他整个隐藏起来，在file上面，再输入一个作为我们需要看到的显示的buttom,最后用label包起来，把label的样式设置为relative， 看到是buttom，但实际我们点击的是file 。 （验证：因为我们buttom的样式写了一个 cursor: pointer;的样式，鼠标放上去指针会改变，但是这里不会改变，说明我们点到的是file，而不是buttom） 补充： label 与 label for的区别 jsp（通过 label 标签绑定 input 标签，然后隐藏 input ，添加 button 和 span 来自定义提示语：）: < label for = "fileinp" > < input type = "button" id = "btn"

我们开发的这个SAP UI5应用需要消费一个OData服务，请求该服务得到一系列采购订单的数据，再显示到UI5应用上。所以需要先申请该OData服务所在的服务器ES5上的用户。 申请链接： https://register.sapdevcenter.com/SUPSignForms/ 申请完毕后，可以通过webUI进入该系统。 OData服务的地址： https://sapes5.sapdevcenter.com/sap/opu/odata/sap/SEPMRA_PO_APV/PurchaseOrders?$format=json 登录SAP云平台，创建一个指向ES5的Destination： 打开SAP云平台的WebIDE，新建一个项目，基于template创建一个SAP UI5应用： 右键菜单，新建一个OData服务： 从service catalog的下拉菜单里选择刚刚创建的Destination，能带出该Destination指向的ES5服务器上部署的所有OData服务： 选择采购订单OData服务： WebIDE会帮我们生成一个UI5应用的骨架，直接点run按钮试着运行： 在Chrome开发者工具里看到OData服务的metadata已经可以成功取回了： XML视图的实现代码： <mvc:View controllerName="com.sap

有label的数据很少，大部分是没有label的数据 使用unlabel数据来帮助估计数据分布 step1： 使用初始化的model，对unlabel数据进行每类的概率计算 step2： 通过对上一步得到unlabel数据的概率，更新model 迭代进行，直到收敛 用熵来表示label概率的分布情况，是否集中 来源： CSDN 作者： 炼丹师 链接： https://blog.csdn.net/py184473894/article/details/104307868

from tkinter import *　　 window = Tk()　　# 创建一个窗口 window.mainloop()　　# 消息循环，显示窗口 window.title("窗口标题")　　# 窗口标题 window.geometry("380x420+500+240") #窗口的 大小 和 位置 ，注意：是x不是*,单位是像素，以桌面左上角为原点坐标 window['width']=80;　　window['height']=80 设置窗口的大小，单位是像素，没原点坐标 root.attributes("-transparentcolor", "white") # 把白色变成透明颜色 root["background"] = "white" # 窗口背景色设置为白色 root.overrideredirect(True) # 这一行可以隐藏掉窗口边框和标题栏 window.resizable(width=False,height=Ture)　　# 设置窗口是否可以变化长 宽，宽可变，高不可变，默认为Ture label.grid(row = 0,column = 0,sticky = E)　　# 显示和定位 网格式布局 columnspan=2跨越的列数 # S上 E右 W左 N下 label.pack(side=LEFT)　　# 这里的side可以赋值为LEFT

对JXL包的研究（java操作excel） 在开源世界中，有两套比较有影响的API可供使用，一个是POI，一个是jExcelAPI。 其中jExcelAPI是一个韩国程序员的作品，虽然没有POI那样血统高贵，但是在笔者 的使用过程中， 感觉简单方便，对中文支持非常好，功能也比较强大。最关键的是这套API是纯Java的， 并不依赖Windows系统，即使运行在Linux下，它同样能够正确的处理Excel文件。 另外需要说明的是，这套API对图形和图表的支持很有限，而且仅仅识别PNG格式。 使用如下： 搭建环境 将下载后的文件解包，得到jxl.jar，放入classpath，安装就完成了。 基本操作 一、创建文件 拟生成一个名为“测试数据.xls”的Excel文件，其中第一个工作表被命名为 “第一页”，大致效果如下： 代码（CreateXLS.java）： //生成Excel的类 import java.io.*; import jxl.*; import jxl.write.*; public class CreateXLS { public static void main(String args[]) { try { //打开文件 WritableWorkbook book= Workbook.createWorkbook(new File(“测试.xls”)); //生成名为

百度Apollo车道线分割比赛一（数据处理） 百度Apollo车道线检测比赛用的数据集是百度自己制作的数据集，数据集是像素级的标注，比tusimple的数据集要更加精准，下图为原图和标签，数据集 下载地址 百度比赛要求采用百度自己的深度学习框架飞浆（paddlepadle）实现， 比赛前35名方案 本方案采用pytorch实现，且采用复赛的数据集，标签为灰度值图像。 本实现数据集处理为实时预处理的形式，这样可以节省内存空间，特别使用服务器去训练时会场方便，首先下载复赛的数据集，包含样本和灰度值的标签。 实时预处理的思路很简单，将数据集的样本和标签映射到csv文件中，训练时按照csv的顺序去读取样本，并且处理好送到训练的模型。 ***第一步***将下载的数据集映射到csv文件。处理文件utils.make_list.py，代码如下： #coding=utf-8 #@author : Jiangnan He #@date : 2019.12.25 15:47 """ img_process 生成的文件结构如下： --train_set :D:\Dataset\Apollolaneline\train_set - gt_image - src_image -- test_set :D:\Dataset\Apollolaneline\test_set - src_image """

简单的一些实例，能够实现一般的功能就够用了 Tkinter： 创建顶层窗口： # -*- coding: utf-8 -*- from Tkinter import * root = Tk() root.title("顶层窗口") root.mainloop() Label使用： # -*- coding: utf-8 -*- from Tkinter import * root = Tk() root.title("顶层窗口") label = Label(root, text="Hello World!") label.pack() root.mainloop() 加入一些参数： # -*- coding: utf-8 -*- from Tkinter import * root = Tk() root.title("顶层窗口") label = Label(root, text="Hello World!", height=10, width=30, fg="black", bg="pink") label.pack() root.mainloop() Frame： # -*- coding: utf-8 -*- from Tkinter import * root = Tk() root.title("顶层窗口") for relief in [RAISED, SUNKEN

线性回归的第一课 基本思路 生成数据集 1.1 假设一个w, b 1.2 设置数据集的大小 1.3 随机化数据点，也就是数据集和标签（feature, label) torch.manual_seed 随机数种子， 使每次生成的随机数据集相同 np.random.seed 用法同于torch.manual_seed 编写需要运用到的函数 2.1 mini_batch分割数据集 2.2 定义模型 2.3 定义损失函数 2.4 使用梯度下降法来更新w, b np.random.shuffle 随机打乱数据 index_select(轴， 需要查找的元素) 按照索引查找元素 torch.mm 矩阵相乘(注意两个向量的维度) 训练模型 3.1 初始化参数(w, b, 包括一些超参数) 3.2 调用已经写好的函数, 按照分批数据集、构建模型、计算损失、反向传播、更新参数的顺序进行训练模型 3.3 用假设的w, b 和已经训练好的w, b进行对比, 来评测模型的性能 import numpy as np import torch # 生成数据集 torch . manual_seed ( 2 ) true_w = [ 2 , - 3.4 ] true_b = 2.6 input_shape = 2 element_shape = 1000 feature = torch . randn ( (