Educational Codeforces Round 57 (Rated for Div. 2)
get人生第二场CF! 成绩:(exACM) rank858 AC3/7 Penalty57 rating1648(+52) 题目:Educational Codeforces Round 57 (Rated for Div. 2) 错题题解: D. Easy Problem E. The Top Scorer F. Inversion Expectation G. Lucky Tickets
idea导入本地idea的web项目(服务器用的是tomcat)
开始吧!!! 点击import project. 我以SpringMVCPro3为例,选中,点击OK 点击next 继续next 随便吧,我点击yes 选中工程,点击next lib1不要钩,然后点击next 两个都选上,next! override reuse都可以,我直接reuse吧。 next. 第一个不用钩,然后finish 进入项目后,什么也别管,jar包都要add as library 点击这里的文件夹 dependencies里的钩都打上,然后apply 点击libraries,
Python(27)_字符串的常用的方法2
#-*-coding:utf-8-*-
'''
字符串操作
'''
s = " bowen "
# 从右边删
s1 = s.rstrip()
print(len(s1))
s2 = s1.lstrip()
print(len(s2)) 从右边删除元素,从左边删除元素,这个在以后项目
基于空间规则化区域建议的无人机对象计数网络
原文:Drone-based Object Counting by Spatially Regularized Regional Proposal Network 摘要:现有的计数方法通常采用基于回归的方法,并且不能精确定位目标对象,这妨碍了进一步的分析(例如高级理解和细粒度分类)。此外,以前的大部分工作主要集中在使用固定摄像头对静态环境中的物体进行计数。受无人驾驶飞行器(即无人驾驶飞机)出现的驱动,我们有兴趣在这种动态环境中检测和计数物体。我们提出布局建议网络(LPN)和空间内核,以同时对无
Efficient Sub-Pixel Convolutional Neural Network(ESPCN)
https://github.com/wangxuewen99/Super-Resolution/tree/master/ESPCN 摘要: 当前基于深度神经网络的方法对于单图片的超分辨率在重建效率和计算量方面有了很大的成功。但是,这些方法中,都是用低分辨率的图片通过单一的滤波器,通常是双三次插值法,变成高分辨率的图片。这意味着超分辨率的工作是在高分辨率的基础上完成的。这种方法是次最优并且计算量很大。 该论文提出了一种方法,将低分辨率的图片直接通过CNN来做超分辨率。另外,提出了一种有效的子像
可视化理解卷积神经网络
可视化理解卷积神经网络 原文地址:http://blog.csdn.net/hjimce/article/details/50544370 作者:hjimce 一、相关理论 本篇博文主要讲解2014年ECCV上的一篇经典文献:《Visualizing and Understanding Convolutional Networks》,可以说是CNN领域可视化理解的开山之作,这篇文献告诉我们CNN的每一层到底学习到了什么特征,然后作者通过可视化进行调整网络,提高了精度。最近两年深层的卷积神经网络
caffe的matlab接口配置
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/wolf2345/article/details/81450286 第一次配置matlab接口遇到的錯誤,記錄一下: wolf@wolf:~/Downloads/caffe-master$ make matcaffe -j32 make: /usr/local/MATLAB/R2014a/bin/mexext: Command not found MEX matlab/+caffe/private
c++遍历文件夹内所有文件
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/wolf2345/article/details/81709928 #include<vector> #include<string> #include<io.h> #include<iostream> using namespace std; char * filePath = "D:\\JPEGImages"; void getFiles(string path, vector<string>
一些轻量级网络模型(备用)
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/wolf2345/article/details/81840942 mansNet mobilenet v1,v2 squeezeNet mobilenet_ssd PeleeNet
caffe fine-tune微调网站备用
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/wolf2345/article/details/82085059 http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html
Layer延时跳转提醒
if (data.code == 1) {
Toastr.success('保存批阅成功');
Toastr.subscribe(function(){
parent.$('#table').bootstrapTable('refresh'); //刷新父页面表格
var index = parent.layer.getFrameIndex(window.name); //获取窗口索引
parent.layer.close(index);
微信小程序发送模板消息(php发送)
/**
* 小程序模板消息发送
*/
public function sendMessage($cert_id=0) {
//获取access_token
$appId = 'wxf70bdc502345219038f922342c';
$appSecret = '6ada2f1255491d57eace30bb739e23232323f59f';
$getAccessTokenUrl = 'https://api.weixin.qq.com/cgi-bin
小程序发送模板消息(小程序内部发送)
index.wxml <form bind:submit="testSubmit" report-submit="true"> <button formType="submit">发送模板消息</button> </form> =============================================================================================== index.js testSubmit:function(e){ var se
php判断第几次循环
$array = array('a','b','c','d');
$count = count($array);
foreach($array as $key => $val){
dump($val) ;
$a=$key+1;
dump('第'."$a"."次");
//echo $key+1;
if($key+1 == $count){
echo '最后一次';
}
}
}
QIIME2-CLI更新学习笔记
版权声明:zd200572 https://blog.csdn.net/zd200572/article/details/82586418 https://forum.qiime2.org/t/qiime-2-2018-8-release-is-now-live/5860 qiime1已经不更新的维护,虽然可以使用,毕竟已经有点过时。学习qiime2还是相当必要的,毕竟它是趋势。但qiime2更新是如此迅速,以至于许多翻译成中文的教程不少命令已然过时了,所以有必要学习一下两个月一更新的qiim
今日推荐
周排行