mqtt协议实现即时通讯-activemq nginx.支持JS,JAVA,微信小程序
MQTT协议通信 简述： 使用MQTT协议实现后台推送、及时通信等功能。本案例实现了web-js端、微信小程序端、Java client端、Java server端 软件版本： Nginx:openresty-1.13.6.1-win32 http://openresty.org/cn/ Activemq:apache-activemq-5.15.2 http://activemq.apache.org/download.html 小程序端Mqtt.js:github上牛人在原eclipse开
RabbitMQ消息中间件技术精讲无密完结版
第1章 课程介绍 本章首先让大家彻底明白为什么学习RabbitMQ，通过本课程的学习具体收获有哪些？课程内容具体安排与学习建议，然后为大家简单介绍下业界主流消息中间件有哪些，各自适用场景等。 1-1 课程导学 1-2 业界主流消息中间件介绍 第2章 低门槛，入门RabbitMQ核心概念 本章首先为大家讲解互联网大厂为什么选择RabbitMQ? RabbitMQ的高性能之道是如何做到的？什么是AMPQ高级协议？AMPQ核心概念是什么？RabbitMQ整体架构模型是什么样子的？RabbitMQ消息
Ubuntu 16.04 安装Tensorflow Object Detection API遇到的问题解决
** Ubuntu 16.04 安装Tensorflow Object Detection API ** 本篇的内容主要参考以下链接：https://blog.csdn.net/pkokocl/article/details/82596089， 该博主描述的比较清楚，对于解决实际操作过程中遇到的问题很有帮助，下面针对我遇到的问题做一个记录。 环境：本次实验是在unbuntu 16.04下， tensorflow版本时1.10.1，python 3.5的环境下实现的。 依赖包的安装 此处注意：使
Pycharm 专业版 导入系统pip安装的包
Pycharm 专业版 导入系统pip安装的包 在setting 中找到project interpeter ,点击设置图标，点击Add，得到如图所示 选择 System Interpreter即可,这样 用pip安装的包都加再进来了
Flower classification using deep convolutional neural networks 阅读笔记
** Flower classification using deep convolutional neural networks ** 本博客主要是对该篇论文做一个阅读笔记 ，用FCN+CNN去做识别 期刊： IET Computer Vision 内容： （1）自动分割花朵区域，然后用最小边界框进行花朵定位，裁剪图片。花朵分割使用FCN实现。 （2）建立一个具有鲁棒性的CNN分类器，识别裁剪后的花朵图片。建立一个具有鲁棒性的CNN分类器，识别裁剪后的花朵图片。 （3）结果：识别效果超过 9
tensor2tensor自定义问题，训练模型(bpe篇)
版权声明：本文为博主原创文章，未经博主允许不得转载。如需转载，加上原文链接即可~~ https://blog.csdn.net/hpulfc/article/details/82625217 tensor2tensor自定义问题，训练模型 上一篇：https://blog.csdn.net/hpulfc/article/details/81172498 之前一篇文章简单介绍了如何使用 google 的SubwordTokenEncoder 进行编码 数据，并进行模型的训练。今天这里记录一下如何
什么样的环境才是最理想的工作环境呢？
转自：https://www.cnblogs.com/wangyaning/p/6131475.html 什么样的环境才是最理想的工作环境呢？ 突然看到去年找的关于《理想工作环境》的相关资料，现在贴出来分享给大家。这个源于一个面试题， 忘了是哪家公司问我，你心中理想的工作环境是怎样的，我一时语塞，甚至从来没有考虑过这样的问题。理想的工作环境？！能有人要我就非常不错了，后来还是找了非常多的资料总结了总结。因为准备面试所以也找了不少双语的材料，各位凑合看吧。 Can you describe yo
g++ 内存分配 与 c 语言中的 数组越界问题 （一道有趣的面试题）
版权声明：本文为博主原创文章，未经博主允许不得转载。如需转载，加上原文链接即可~~ https://blog.csdn.net/hpulfc/article/details/83054641 首先是一段程序：
# include <stdio.h>
int main(int argc, char* argv[]){
int i = 0;
int arr[3] = {0};
for(; i<=3; i++){
arr[i] = 0;
p
transformer 各个部分主要内容
版权声明：本文为博主原创文章，未经博主允许不得转载。如需转载，加上原文链接即可~~ https://blog.csdn.net/hpulfc/article/details/83310089 自注意力详解： 预处理：将数据输入进行嵌入， 得到嵌入向量 获取三个向量：嵌入向量 与 三个矩阵（训练中的出来的） 相乘 分别得到 query 向量、key 向量、value 向量。如图1 分数计算：将当前位置的 query 向量 与各个位置的 key 向量 进行相乘得到。表示当前位置单词与其他单词的相关
python 导入模块（使用程序导入模块，并简单对错误处理）
版权声明：本文为博主原创文章，未经博主允许不得转载。如需转载，加上原文链接即可~~ https://blog.csdn.net/hpulfc/article/details/83412234 在python 中如果需要导入一些模块，可以使用import xxx 或者使用from xx import xx 。只有这一种方式吗，当然不是，还有一种就是使用代码将一些模块导入。使用到的是 ` importlib ` 这个模块。 一般用法：
import importlib
importlib.im
pytroch forward() missing 1 required positional argument: 'input'的一个可能原因
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83018581 vgg16=torchvision.models.vgg16(pretrained=True) class NET(nn.Module): def __init__(self): super(NET, self).__init__() self.features=vgg16.features() self.fc=vgg16.classifier() def f
Java并发编程（2）：线程中断（含代码）
使用interrupt（）中断线程当一个线程运行时，另一个线程可以调用对应的Thread对象的interrupt（）方法来中断它，该方法只是在目标线程中设置一个标志，表示它已经被中断，并立即返回。这里需要注意的是，如果只是单纯的调用interrupt（）方法，线程并没有实际被中断，会继续往下执行。下面一段代码演示了休眠线程的中断:publicclassSleepInterruptextendsOb
2018-11-05签到
:
param.requeires_grad=False 然后在定义优化器的时候，又写了下面的代码：
optimizer=optim.SGD(vgg.classifier
Pytorch使用预训练模型加速训练的技巧
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83033497 当属于预训练模型属于下面的情况的时候，可以采用这个加速的技巧： 固定前部分的层，只改变网络后面层的参数。 比如，使用vgg16的预训练模型，固定特征提取层，改变后面的全连接层。要注意的是，如果固定的是特征提取层+一个全连接层，也可以使用这个技巧，只要固定的是前一部分。 具体的做法是： 把所有的数据都输入进去特征层，把得到的输出保存成张量保存在内存（如果太多还可
AttributeError: cannot assign module before Module.__init__() call的一个可能原因
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83104293 错误翻译成中文是-------属性错误，模块不能在初始化之前赋值。错误原因有可能是： 在类的初始化里面没有加上父类的初始化，比如： super(MLP, self).__init__()
optimizer can only optimize Tensors, but one of the params is set的一个可能原因
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83104496 下面的代码会提示错误： [{mlp.parameters() for mlp in mlps},lr=LR]] 改成下面的可以解决错误： [{"params":mlp.parameters()} for mlp in mlps,lr=LR] 可能是因为这里的参数应该是一个字典类型，或者是一个tensor。 当代码是这样的时候： optimizer=torch.
python列表推导生成字典的注意事项
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83107932 由于python的强大，使用其他语言语言需要写十多行甚至几十行的代码，在python中只需要一行就可以完成。 比如下面三种生成字典的方式：（区别在于右花括号的位置和键的生成方式）
print([{"i":i} for i in range(10)])
print()
print([{"i":i for i in range(10)}])
print()
pr
pytorch综合多个弱分类器，投票机制，进行手写数字分类（boosting）
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83111197 首先，这个文章的出发点就是让一个网络一个图片进行预测，在直观上不如多个网络对一个图片进行预测之后再少数服从多数效果好。 也就是对于任何一个分类任务，训练n个弱分类器，也就是分类准确度只比随机猜好一点，那么当n足够大的时候，通过投票机制，也能提升很大的准确度：毕竟每个网络都分错同一个数据的可能性会降低。 接下来就是代码实现。
import torch
impo
深度学习神经网络论文们可能会误导人的地方
版权声明：转载注明出处 https://blog.csdn.net/york1996/article/details/83151598 可好可差的特点，强调它作为优点时候的特性。比如手机重，就说有质感；轻了，就说轻盈不累手。再比如参数量少了，强调这样可以避免过拟合，并且不用调整太多的参数，训练会变快；参数量大了，就强调这个模型参数足够多，也就有强大的能力来提取数据集中的特征，万能逼近，超参数多了说人可以掌控模型。让人误以为原本好坏参半的特性没有什么缺点。 展示实验结果的时候，只在展示表现得好的
今日推荐
周排行