Ubuntu部署Anaconda环境及conda使用
1 Anaconda部署 1.0 下载Anaconda https://www.anaconda.com/distribution/#linux 1.2 生成Anaconda认证 cmd md5sum /path/Anaconda3-2018.12-Linux-x86_64.sh
其中path为Anaconda下载路径,Anaconda3-2018.12-Linux-x86_64.sh为下载的文件,后面的path也是这个意思. Result c9af603d89656bc89680889ef
Ubuntu使用Anaconda部署Caffe2及Pytorch
Anaconda环境部署:Ubuntu部署Anaconda环境 1 安装Caffe2 conda安装 1.0 CPU版 conda install pytorch-nightly-cpu -c pytorch
Solving environment: done
==> WARNING: A newer version of conda exists. <==
current version: 4.5.12
latest version: 4.6.8
Please update con
Tensorflow训练神经网络保存*.pb模型及载入*.pb模型
版权声明:找不到大腿的时候,让自己变成大腿. https://blog.csdn.net/Xin_101/article/details/88744222 1 神经网络结构 1.0 保存*.pb模型 import tensorflow as tf
from tensorflow.python.framework import graph_util
from tensorflow.python.platform import gfile
import numpy as np
import os
(一)PyTorch搭建神经网络
版权声明:找不到大腿的时候,让自己变成大腿. https://blog.csdn.net/Xin_101/article/details/88744647 1 神经网络结构 import numpy as np
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
from matplotlib.font_manager
(二)PyTorch神经网络模型保存与载入
版权声明:找不到大腿的时候,让自己变成大腿. https://blog.csdn.net/Xin_101/article/details/88744664 1 模型保存 1.0 保存模型结构和参数 import numpy as np
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
from matplotlib.f
(三)PyTorch神经网络结构及模型结构及参数深度解析
版权声明:找不到大腿的时候,让自己变成大腿. https://blog.csdn.net/Xin_101/article/details/88767078 1 神经网络结构 import numpy as np
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
from matplotlib.font_manager
粮食领域关系抽取方法尝试
刚开始了解知识图谱的时候,视频中主要介绍的是用deepdive工具从文本中抽取关系,deepdive的环境不太好配,卡在那里很久,后来感觉deepdive用在粮食领域关系抽取中不是太合适,主要是因为: ① deepdive属于监督学习,它通过已知有关系的实体对和文本去训练模型,然后预测关系。而我们是利用粮食大辞典中内容抽取关系,没有标注数据,没法进行监督训练。 ② deepdive是对一种关系进行训练,如两个公司的交易关系,如果换成其他关系,就需要重新选取特征文本,重写其中的一些代码。而粮
特征选择: sklearn.feature_extraction.DictVectorizer
sklearn.featture_extraction.DictVectorizer: 将特征与值的映射字典组成的列表转换成向量。 DictVectorizer通过使用scikit-learn的estimators,将特征名称与特征值组成的映射字典构成的列表转换成Numpy数组或者Scipy.sparse矩阵。 当特征的值是字符串时,这个转换器将进行一个二进制One-hot编码。One-hot编码是将特征所有可能的字符串值构造成布尔型值。例如: 特征f有一个值ham,一个值spam
利用字符串模拟大数加法
import java.util.Arrays; public class Test01 { /**
* @param args
*/ // public static void main(String[] args) { // // System.out.println(1+'A'); // } /*
* 功能:利用字符串模拟大数加法
*/
public static String add(String n1, String n2){
StringB
Eclipse 查看 WebService 服务请求和响应消息
每个WebService 对入参和返参都是有自己的要求的:别人调用我的WebService,需要按照我的要求进行传参。当我返回数据时,我也得告诉别人,我的返回数据是怎样组织的,方便别人读取。 那怎样查看这种规则?下面介绍两种方式查看 WebService 服务请求和响应消息。 第一种方式:利用Eclipse的Web Services Explorer 第一步:切换成 JavaEE 模式 第二步:点击如下图所示的工具栏菜单 第三步:弹出如下页面,选择页面右上角的 WSDL Page,点击 WSD
认识 WebService
什么是服务? 1)现在的应用程序变得越来越复杂,甚至只靠单一的应用程序无法完成全部的工作。更别说只使用一种语言了。 2)大家在写应用程序查询数据库时,并没有考虑过为什么可以将查询结果返回给上层的应用程序,甚至认为,这就是数据库应该做的,其实不然,这是数据库通过 TCP/IP 协议与另一个应用程序进行交流的结果,而上层是什么样的应用程序,是用什么语言,数据库本身并不知道,它只知道接收到了一份协议,这就是SQL92查询标准协议。 3)既然数据库可以依据某些标准对外部其他应用程序提供服务、而且不关心
已知段地址,求CPU寻址范围
已知段地址为0001H,仅通过变化偏移地址寻址,则CPU的寻址范围是? 物理地址 = 段地址×16 + 偏移地址 所以物理地址的范围是[16×1H+0H, 16×1H+FFFFH] 也就是[10H×1H+0H, 10H×1H+FFFFH] 所以CPU的寻址范围是[10H, 1000FH]
(3.14)mysql基础深入——mysql 日志分析工具之pt-querty-digest【待完善】
(3.14)mysql基础深入——mysql 日志分析工具之pt-querty-digest 关键字:Mysql日志分析工具、mysqlsla 常用工具 【1】mysqldumpslow:官方提供的慢查询日志分析工具 【2】mysqlbinlog:二进制日志分析工具 【3】myprofi:对于只想看sql语句及执行次数的用户来说,比较推荐。 【4】mysql-explain-slow-log:德国人写的一个Perl脚本,功能上有点瑕疵。不建议使用。 【5】mysql-log-filter:生成
今日推荐
周排行