没有桌面体验功能就不能进行图片打印报错解决
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/90670413 Windows2012R2运行Python没有桌面体验功能就不能进行图片打印报错解决 其实我们用画图工具是可以打开图片的，所以不是图片查看器的问题 我们打开服务器管理，点击“添加角色和功能” 然后一直打开到添加功能界面，然后勾选上“远程桌面服务”，然后点击下一步 往下滑，找到“用户界面和基础结构”，打开后勾选上“桌面体验”，然后点击添加 然后点击下一步，
Python实现一键生成微信好友头像墙
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/90677756 效果图： 具体代码实现如下： # -*- coding: utf-8 -*-
from wxpy import *
import math
from PIL import Image
import os
"""
更多内容，请关注微信公众号：陈工的编程笔记
"""
# 创建头像存放文件夹
def creat_filepath():
avatar
Mac电脑：您的安全性偏好设置仅允许安装来自App Store和被认可的开发者的应用（解决方法）
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/90707844 我们安装某些不是来源于mac的App Store的时候，会经常有以下报错提示： 在偏好设置的“安全性与隐私”，允许一下就可以临时处理 我们可以使用终端命令，将第三个选项打开 sudo spctl --master-disable 如果执行完没有没错就可以了 接下来我们重新打开偏好设置 已经有“任何来源”的选项了，搞定！
Oracle 50个常用语法
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/90741743 1.连接数据库和断开数据库 连接数据库
connect scott/123456;
断开数据库
disconn;
2.查看表结构 describe scott.emp;
3.查看数据表 select empno.job.mgr.sal;
4.将缓冲区中的sql语句保存到文件 save scott_emp_query.sql
5.将文件内容读入到缓
VMware Fusion 8.0.0 for Mac 序列号及安装包
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/91048959 VMware Fusion 8.0.0 下载地址： 链接:https://pan.baidu.com/s/1TpDDhM9yqsZbBmgvgWOZsQ 密码:i3hm 序列号： FY75A-06W1M-H85PZ-0XP7T-MZ8E8 ZY7TK-A3D4N-08EUZ-TQN5E-XG2TF FG1MA-25Y1J-H857P-6MZZE-YZAZ6
Mac下搭建Redis环境
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/91346687 一、安装redis 最最最最简单和推荐的方法就是使用brew命令安装，前提是你的mac要安装brew brew install redis 然后就等安装完毕就好了 二、安装rdm 直接安装rdm dmg文件 https://pan.baidu.com/s/10vpdhw7YfDD7G4yZCGtqQg 使用brew cask install rdm 会报
SQLserver基础语句大全
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/91352131 SQL 基础 结构化查询语言(Structured Query Language)简称 SQL，是一种特殊目的的编程语言， 是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理关系数据库系统; 同时也是数据库脚本文件的扩展名。 SQL DML 和 DDL 可以把 SQL 分为两个部分:数据操作语言 (DML) 和 数据定义语言 (DDL)。
Mac搭建Nginx环境
版权声明：chengf https://blog.csdn.net/qq_34156628/article/details/91490381 1.安装nginx brew install nginx 2.启动nginx nginx
3.访问一下主页之前，我们先来了解一下nginx的配置文件吧（nginx.conf）: cat /usr/local/etc/nginx/nginx.conf
显示代码： #user nobody; worker_processes 1; #error_log
Python数据分析-基础篇
1.数据科学领域5个常用Python库 Numpy N维数组（矩阵），快速高效，矢量数学运算 高效的index，不需要循环 开源免费跨平台，运行效率足以和C/Matlab媲美 Scipy 依赖于Numpy 专为科学和工程设计 实现了多种常用科学计算，如：线性代数，傅里叶变换，信号和图像处理 Pandas 结构化数据分析利器（依赖Numpy） 提供了多种高级数据结构：Time-Series，DataFrame，Panel 强大的数据索引和处理能力 Matplotlib Python 2D绘图领域
Sublime Text3 For Mac 关闭自动更新
1.打开Sublime Text 3 软件会弹出“Update Available”对话框，点击“Cancel”按钮取消； 2.点击菜单栏“Preferences”=>"Settings" 进入个人参数设置页面； 3.进入参数设置界面后，找到大括号“｛｝”的位置； 4.在大括号"｛｝"里面插入代码："update_check": false, 5.直接保存个人参数设置页面，或者关闭后提示的对话框选择"Yes"设置save changes； 6.设置好后，重启软件就没有弹出自动更新对话框了。
云服务器ESC ubuntu16.04、ubuntu18.04 图形界面的安装
一、ubuntn图形界面安装前的准备 阿里云云服务器ECS 操作系统：Linux 64 位 ubuntu16.04 64位或Linux 64 位 ubuntu18.04 64位 华为云云服务器ECS 操作系统：Linux 64 位 ubuntu16.04 64位或Linux 64 位 ubuntu18.04 64位 腾讯云云服务器ECS 操作系统：Linux 64 位 ubuntu16.04 64位或Linux 64 位 ubuntu18.04 64位 以上云服务器都适用 二、安装图形化界面
笔记 - 模型评估：准确率评估
laebl one-hot编码的准确率计算 import tensorflow as tf
y = tf.constant([[0, 0, 1],
[1, 0, 0]], dtype=tf.float32)
y_pred = tf.random_uniform(shape=(2, 3))
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(y, 1), tf.argmax(y_pred, 1)), dtype=tf.floa
笔记 - 模型训练：监控
打印 训练loss与测试loss print("Epoch", epoch, "MSE = ",
sess.run(mse, feed_dict={
X: X_train,
y: y_train
}))
print("Epoch", epoch, "MSE = ",
sess.run(mse, feed_dict={
X: X_test,
y: y_test
笔记 - 模型训练：保存读取使用模型
保存模型 # 创建Saver()节点
saver = tf.train.Saver()
# 训练过程中保存节点
save_path = saver.save(sess, "./ckpt/my_model.ckpt", global_step=epoch)
# 保存最终节点
save_path = saver.save(sess, "./ckpt/my_model_final.ckpt")
读取模型 # 创建Saver()节点
saver = tf.train.Saver()
# 读取节
笔记 - DNN: 构建网络 与 添加正则化项的不同方式
前置 fully_conected def fully_connected(inputs,
num_outputs,
activation_fn=nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=ini
笔记 - 模型训练：正则Loss
前置 add_to_collection import tensorflow as tf
tf.add_to_collection("reg_losses", 1.0)
tf.add_to_collection("reg_losses", 1.0)
loss = tf.get_collection("reg_losses")
with tf.Session() as sess:
print(loss)
"""
运行结果：
[1.0, 1.0]
"""
添加 正则Loss 手动添加
笔记 - 卷积网络：卷积输出张量shape计算
前置： 影响shape形状的因素： 1.卷积核大小 2.stride步长 3.padding模式 公式： K – 卷积核数量 F – 卷积核大小 S – 步长 P – 外围填充的层数 运用 显然valid模式下，直接卷，不够就丢弃 我推导的valid模式下的计算方式(以 W 举例)：
W2 = (W1 - F)/S + 1
SAME模式 如何确定P 利用公式1计算出output理论上的形状，再利用公式2反推 P 公式1 公式2 5×5的图像
3×3的卷积核
步长 2
padding SAME
笔记 - 算法与数据结构：反转链表
class LNode:
def __init__(self, x=None):
self.x = x
self.next = None
def Reverse(first):
cur, pre = first, None
while cur:
cur.next, pre, cur = pre, cur, cur.next
return pre
def print_list(first):
node =
笔记 - 算法与数据结构：链表交换相邻元素
class LNode():
def __init__(self, data=None):
self.x = data
self.next = None
def swapPairs(head):
pre = head
while pre.next and pre.next.next:
a = pre.next
b = a.next
pre.next, b.next, a.next = b
笔记 - 深度学习脉络整理：1.基础结构单元
资料： 深度学习基础课程 深度学习大讲堂 - 首期第三讲：深度学习基础 前置： 对深度学习基础知识有一定的了解， 进一步了解它们的内涵 概括图 基础结构单元 所有op得知道是什么意思 全连接层的op 卷积层的op … 激活函数 为什么说激活函数是神经网络非线性性的来源 激活函数的取值范围 激活函数的导数 损失函数 调整网络： 调网络结构 调损失函数 eg：给损失函数加权 损失函数的物理意义 损失函数的导数 网络训练 误差反向传播算法 如何做参数更新 Mini-batch SGD AdaGrad
今日推荐
周排行