TensorFlow 安装
目录 CPU安装： 安装依赖库： [GPU安装：（对于NVIDIA显卡，要求CUDA Compute Capability须不低于3.5 参考地址英伟达算力，NVIDIA驱动>=450.80.02）](#GPU安装：（对于NVIDIA显卡，要求CUDA Compute Capability须不低于3.5 参考地址英伟达算力，NVIDIA驱动>=450.80.02）) [ 安装依赖的库：](# 安装依赖的库：) 查看是否安装成功： CPU安装：1pip install tensorflow==2.8.0 -i https://pypi.doubanio.com/simple #安装版本位2.8.0的，不加默认最新版本 安装依赖库：1pip install pandas matplotlib notebook -i https://pypi.doubanio.com/simple GPU安装：（对于NVIDIA显卡，要求CUDA Compute Capability须不低于3.5 参考地址英伟达算力，NVIDIA驱动&g...
U-Net 模型概念
语义分割的UNET网络结构Unet是2015年诞生的模型，它几乎是当前segmentation项 目中应用最广的模型。 Unet能从更少的训练图像中进行学习。 当它在少于 40 张图 的生物医学数据集上训练时，IOU 值仍能达到 92%。 U-net网络非常简单，前半部分作用是特征提取，后半部分是上采样。 在一些文献中也把这样的结构叫做编码器-解码器结构。 由于此网络整体结构类似于大写的英文字母U，故得名U-net。 1234U-net与其他常见的分割网络有一点非常不同的地方：U-net采用了完全不同的特征融合方式：拼接（tf.concat）U-net采用将特征在channel维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征。 语义分割网络在特征融合两种办法语义分割网络在特征融合时有两种办法： FCN式的对应点相加，对应于TensorFlow中的tf.add()函数； U-net式的channel维度拼接融合，对应于TensorFlow的 tf.concat()函数，比较占显存。 UNET网络结构特点1、网络对图像特征的多尺度特征...
VGG 网络
VGG
Vim 快捷键大全
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586这里给出vim的全部快捷键，包括命令模式、插入模式、可视模式和选择模式：1. 命令模式下： 移动光标： h：左移一个字符 j：下移一行 k：上移一行 l：右移一个字符 0：移动到行首 $：移动到行尾 gg：移动到文件头 G：移动到文件尾 w：移动到下一个单词开头 b：移动到上一个单词开头 e：移动到当前单词结尾 Ctrl + f：向下翻页 Ctrl + b：向上翻页 编辑操作： i：进入插入模式 I：在行首插入 a：在光标后插入 A：在行尾插入 o：在下一行插入新行 O：在上一行插入新行 r：替换当前字符 x：删除当前字符 dd：删除当前行 yy：复制当前行 ...
bc 命令使用
最近经常要在linux下做一些进制转换，看到了可以使用bc命令，如下: echo “obase=10;ibase=16;CFFF” | bc 用完以后就对bc进行了进一步的了解, man bc里面有详细的使用说明。 1.是什么,怎么用 bc - An arbitrary precision calculator language 一个任意精度的计算器语言。 从他的使用上来看，能够对计算公式的语法进行解释并返回出结果。有下面几种使用方式: 1).交互式 输入bc，进入交互式界面，然后输入3+1，回车后在下一行打印出了4 2).echo+管道 echo “3+1” | bc 返回4到屏幕上 3).bc + 文件名 bc “calc.txt” 进入bc交互式界面并自动返回文本内算式的结果 当算术或者语法等出现错误时，程序会返回错误信息，如下: 1/0Runtime error (func=(main), adr=3): Divide by zero 2.选项 –help -h 显示选项页 –interactive -i 使...
keras.layers 各网络层介绍
一、网络层keras的层主要包括： 常用层（Core）、卷积层（Convolutional）、池化层（Pooling）、局部连接层、递归层（Recurrent）、嵌入层（ Embedding）、高级激活层、规范层、噪声层、包装层，当然也可以编写自己的层。 对于层的操作 12345678910111213141516layer.get_weights() #返回该层的权重（numpy array）layer.set_weights(weights)#将权重加载到该层config = layer.get_config()#保存该层的配置layer = layer_from_config(config)#加载一个配置到该层#如果层仅有一个计算节点（即该层不是共享层），则可以通过下列方法获得输入张量、输出张量、输入数据的形状和输出数据的形状：layer.inputlayer.outputlayer.input_shapelayer.output_shape#如果该层有多个计算节点。可以使用下面的方法layer.get_input_at(node_index)layer.get_outpu...
systemctl 自启动服务
Centos7 以上使用Systemd进行系统初始化，Systemd是Linux系统中最新的初始化工具，它可以有效的提高系统的启动速度。 Systemd 默认从目录/etc/systemd/system/读取配置文件。然而，里面存放的大部分文件都是符号链接，它们指向目录/usr/lib/systemd/system/，真正的配置文件（以 .service 结尾的文件）存放在那个目录。 我们可以将自定义程序注册为systemd service进程管理交给系统管理，可以方便启动停止，也可以实现服务异常退出重启，开机自启动，减少自定义程序服务管理的时间消耗。 2.Systemd配置与命令 2.1.service文件参数详解 service文件主要包含三个部分，分别是：[Unit]、[Service]、[Install] 如以下的nginx.service配置文件 1234567891011121314# 配置文件内容[Unit] Description=nginx After=network.target...
systemd.service 中文手册
译者：金步国 版权声明本文译者是一位开源理念的坚定支持者，所以本文虽然不是软件，但是遵照开源的精神发布。 无担保：本文译者不保证译文内容准确无误，亦不承担任何由于使用此文档所导致的损失。 自由使用：任何人都可以自由的阅读/链接/打印此文档，无需任何附加条件。 名誉权：任何人都可以自由的转载/引用/再创作此文档，但必须保留译者署名并注明出处。 其他作品本文译者十分愿意与他人分享劳动成果，如果你对我的其他翻译作品或者技术文章有兴趣，可以在如下位置查看现有的作品集： 金步国作品集 [ http://www.jinbuguo.com/ ] 联系方式由于译者水平有限，因此不能保证译文内容准确无误。如果你发现了译文中的错误(哪怕是错别字也好)，请来信指出，任何提高译文质量的建议我都将虚心接纳。 Email(QQ)：70171448在QQ邮箱 手册索引 · 指令索引systemd-241 名称systemd.service — 服务单元配置 大纲1*`service`*.service 描述以 “.service“ 为后缀的单元文件...
tf.data 模块说明
tf.data模块API 基于 tf.data API，我们可以使用简单的代码来构建复 杂的输入， tf.data API 可以轻松处理大量数据、不同的数据格式 以及复杂的转换 tf.data API 最重要的概念： tf.data.Dataset 表示一系列元素 tf.data.Dataset中每个元素包含一个或多个 Tensor 对象。例如，在图 片管道中，一个元素可能是单个训练样本，具有一对 表示图片数据和标签的张量。 通过两种不同的方式来创建tf.data.Dataset 直接从 Tensor 创建 Dataset 例如 Dataset.from_tensor_slices()）； 当然 Numpy 也是可以的，TensorFlow 会自动将其转 换为 Tensor。 通过对一个或多个 tf.data.Dataset 对象来使用变换 （例如 Dataset.zip）来创建 Dataset。 认识Dataset一个 Dataset 对象包含多个元素，每个元素的结构都 相同。每个元素包含一个或多个 tf.Tensor 对象，这些 对象被称为组件。 Dataset 的属性由构...
tf.keras 循环网络：航空公司评论数据
import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import numpy as np import pandas as pd import re``import matplotlib.pyplot as plt %matplotlib inline 读取csv文件1data = pd.read_csv('Tweets.csv') 获取目标列：’airline_sentiment’,’text’1data = data[['airline_sentiment','text']] 统计’airline_sentiment’列123456data.airline_sentiment.value_counts()negative 9178neutral 3099positive 2363Name: airline_sentiment, dtype: int64...
