SSD_tensorflow_imageio方法_视频检测_附源码
版权声明:本文为博主原创文章,未经博主同意不得转载 https://blog.csdn.net/zzZ_CMing/article/details/81128460
一、SSD用于图片物体的定位与检测
SSD原理介绍这一篇博客对我的帮助比较大,很详细的介绍了SSD原...
模型解读(一)VGGNet
VGGNet模型解读Very Deep Convolutional Networks forLarge-Scale Image RecognitionAuthor: K Simonyan , A ZissermanYear: 2014 1、  导引VGGNet是2014年ILSVRC竞赛的...
KCF跟踪源码-带注释
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/jacke121/article/details/54315050
原文: http://blog.csdn.net/bisheng250/article/details/53672247?_t_t_...
在python中调用C语言代码
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_35636311/article/details/78255568
1.使用C扩展
CPython还为开发者实现了一个有趣的特性,使用Python可以轻松调用C代码
开发者有三种方法可以在...
tensorflow讲堂 tf.placeholder()
tf.placeholder(dtype, shape=None, name=None)
此函数可以理解为形参,用于定义过程,在执行的时候再赋具体的值
参数:
dtype:数据类型。常用的是tf.float32,tf.float64等数值类型
shape:数据形状。默认是None,就是一维值,也可以是多维,比如[2,3], [None, 3]表示列是3,行不定
name:名称...
tensorflow讲堂 tf.expand_dims()
tf.expand_dims()
Function
tf.expand_dims(input, axis=None, name=None, dim=None)
Inserts a dimension of 1 into a tensor’s shape. 
在第axis位置增加一个维度
Given a tensor in...
tensorflow讲堂 sess.run(tf.global_variables_initializer()) 做了什么? tensorflow学习笔记:sess.run(tf.global_variables_initializer()) 做了什么?
原 tensorflow学习笔记:sess.run(tf.global_variables_initializer()) 做了什么?
2017年10月20日 09:05:13
ke1th
阅读数:12773更多
<div class...
tensorflow讲堂 Saver的用法
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u011500062/article/details/51728830
Saver的用法
1. Saver的背景介绍
    我们经常在训练完一个模型之后希望保存训练的结果,这些结...
Python学习 python3的这些新特性很方便 Python3的这些新特性很方便
原 Python3的这些新特性很方便
2018年01月31日 14:02:18
piapiada
阅读数:1503
<span class="tags-box artic-tag-box">
<span class="l...
Pyhton学习 Python3:字典中的items()函数 Python3:字典中的items()函数
原 Python3:字典中的items()函数
2017年09月01日 10:52:55
WordZzzz
阅读数:9507
<span class="tags-box artic-tag-box">
<span cla...
Python学习 可哈系
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u010250863/article/details/64129948
1.可哈希(hashable)和不可改变性(immutable)
如果一个对象在自己的生命周期中有一哈希值(hash value...
机器学习 - 3 - 线性分类
机器学习 - 3 - 线性分类 符号约定 贝叶斯分类器 基于最小错误率的决策 符号约定: 样本 $ \bold{x} \in R^d$ 状态(类) \(w = {w_1,w_2,\dots}\) 先验概率 \(P(w_1),P(w_2)\) 样本分布密度 \(p(x)\) 类条件概率密度 \(p(\bold{x}|w_1),p(\bold{x}|w_2)\) 后验概率 \(P(w_1|\bold{x}),P(w_2|\bold{x})\) 错误概率 \[P(e|\bold{x})\lbrace
白皮书最大流算法连续题
一,无源网络流的建模 https://www.luogu.org/problemnew/show/P1231 题意,给你n1本书,n2本练习册,n3本答案,给你这些书和答案对应关系,问你最多能组成多少本书册。 由于需要书,练习册,答案三件套才能组成完整书册,将书复制成两份,一份与练习册建立边,一份与答案建立边, 建立源点和汇点,跑一边最大流就能解决 #include<bits/stdc++.h>
using namespace std;
const int maxn=100000;
const
Centos7.2安装MariaDB数据库,并编写第一个链接数据库的PHP程序
一、首先在Vmware上新建虚拟机安装CentOS7.2,root用户登录:(我是mini安装,安装过程就略去了): 二、MariaDB的安装与简易配置: 1、执行安装命令: yum -y install mariadb mariadb-server 查询安装完成的MariaDB版本为15.1; 安装完成MariaDB,首先启动MariaDB systemctl start mariadb 设置为开机自启动: systemctl enable mariadb 开始相关简单配置: mysql_s
三、StrutsOGNL表达式与值栈\视频
1、OGNL 1.1、OGZL 概述 OGNL:对象图导航语言,比 EL 表达式强大很多倍的语言。 EL:从域对象中获取数据,从 EL 的11和对象中获取。
P3959 宝藏 状压dp
之前写了一份此题关于模拟退火的方法,现在来补充一下状压dp的方法。 其实直接在dfs中状压比较好想,而且实现也很简单,但是网上有人说这种方法是错的。。。并不知道哪错了,但是就不写了,找了一个正解。 正解的区别在于状态,(树高是啥意思),每次都是从当前状态的子集转移过来。这里用到了快速枚举子集的操作,很值得写一下。 题干: 题目描述
参与考古挖掘的小明得到了一份藏宝图,藏宝图上标出了 nnn 个深埋在地下的宝藏屋, 也给出了这 nnn 个宝藏屋之间可供开发的m mm 条道路和它们的长度。
Java 基础之--注解Annotation详解
自定义注解入门: public @interface Annotation01 {
//set default value "";
String value() default "";
} 1.保持策略 @Retention annotation: 告知编译器如何去运行,default is RetentionPolicy.CLASS (1).RetentionPolicy.CLASS : --》会将注解保存在class 文件中,但运行时候不会被virtual mac
剑指offer——python【第38题】二叉树的深度
题目描述 输入一棵二叉树,求该树的深度。从根结点到叶结点依次经过的结点(含根、叶结点)形成树的一条路径,最长路径的长度为树的深度。 解题思路 想了很久。。首先本渣渣就不太理解递归在python中的实现,其次又不知道怎么去找到最长路径,真是很费脑子,开始正题吧 首先明确二叉树每个节点都可以看作“根节点”,依次延伸下去(二叉树的递归定义),对于根节点,我要求这个节点的最大深度,那么只要求两棵左右子树的最大深度,并且max一下,然后+1就行了;然后对于左右两棵子树,也只要求它们的两棵左右子树的最大深
今日推荐
周排行