Java打怪之路-----MySQL之存储过程与函数
（一）存储过程含义：一组预先编译好的SQL语句的集合，理解成批处理语句1、提高代码的重用性2、简化操作3、减少了编译次数并且减少了和数据库服务器的连接次数，提高了效率1.1存储过程的创建CREATE PROCEDURE 存储过程名(参数列表)BEGIN存储过程体（一组合法的SQL语句）END1、参数列表包含三部分参数模式 参数名 参数类型举例：in stuname varchar(20)参数模式：in：该参数可以作为输入，也就是该参数需要调用方传入值out：该参数可以作为
Java打怪之路----Java高级之多线程
（一）多线程概念这句话很重要：要想实现多线程，必须在主线程中创建新的线程对象。1.1并行与并发的区别并行是多个任务在同一时刻内发生，并发是多个任务在同一时间间隔内发生。（二）多线程实现2.1多线程的创建2.1.1继承于Thread类多线程的创建，方式一：继承于Thread类创建一个继承于Thread类的子类重写Thread类的run() --> 将此线程执行的操作声明在run()中创建Thread类的子类的对象通过此对象调用start()class MyThread ext
Java打怪之路----Java高级之常用类与注解
（一）字符串1.1String的特点String类用final关键字修饰，表明该类不能被继承String类中定义了一个char类型的数组，该数据用于接受保存的数据，该数据也用final修饰，无法被修改。String实现了Serializable接口：表示字符串是支持序列化的。实现了Comparable接口：表示String可以比较大小（具体特点说明可以参考Java的打怪之路（二）—Java基础）https://blog.csdn.net/weixin_44020747/article/de
多步长MultiStepLR动态调整学习率断点的保存与恢复
1、动态调整学习率以及保存学习率最近在模型训练时，发现动态调整学习率时，如果训练中断，没有将学习率保存起来，下一次断点训练使用的还是初始学习率。多步长SGD继续训练：在简单的任务中，我们使用固定步长（也就是学习率LR）进行训练，但是如果学习率lr设置的过小的话，则会导致很难收敛，如果学习率很大的时候，就会导致在最小值附近，总会错过最小值，loss产生震荡，无法收敛。所以这要求我们要对于不同的训练阶段使用不同的学习率，一方面可以加快训练的过程，另一方面可以加快网络收敛。所以我们在保存网络中的训练的参数的
TensorBoard的学习与使用
（一）基础使用这里首先介绍TensorBoard中各个功能如何使用。1.1add_scalaradd_scalar(tag, scalar_value, global_step=None, walltime=None)参数tag (string): 数据名称，不同名称的数据使用不同曲线展示scalar_value (float): 数字常量值global_step (int, optional): 训练的 stepwalltime (float, optional): 记录发生的时间，默认为
Java打怪之路----Java高级之IO流与网络编程
（一）File类file类主要就是用来读取文件的，File类提供一些方法，例如读取文件的名称，获取文件的路径等File类的使用如下：import org.junit.Test;import java.io.File;public class TestFileClass { @Test public void testFile(){ File file=new File("IO","data.txt"); System.out.println(fi
Java打怪之路----Java高级之反射
（一）Java反射机制概述1.1理解正常情况下我们是创建一个Person类，之后通过New实例化，最后取得实例化对象。反射是通过实例化对象，调用getClass()，得到最终的类信息1.2反射可以做什么 //反射之前，对于Person的操作 @Test public void test1() { //1.创建Person类的对象 Person p1 = new Person("Tom", 12); //2.通过对象，调用其
Java打怪之路----Spring框架之IOC
（一）Spring概述Spirng 是一种轻量级开源的框架。核心是IOC容器、AOP、JDBCTemplate和事务管理。IOC：控制反转：把创建对象的过程交给Spring进行管理。AOP：面向切面，不修改源代码进行功能增强//Spring初体验package com.sgyj.spring;public class User { public void add(){ System.out.println("add"); }}package com.sgy
无代码，kmp算法，next数组的两种快速求法。
首先设置一个数组用来举例子。第一种方法利用原理角度，也就是书本上给我们所讲的角度去解决，我们知道，所谓的next数组描绘的是数组的字符串对称程度。简单来说，字符串的对称程度越高，next数组就越大，但是这里的对称程度也不是类似于abccba这种，而是abcabc这种。我们默认为第一第二个next数组值为0,1即：从第三位开始的next数组值：若该位前一位对应的next值那一位等于该位数据，则该位的next数值等于前一位加1.若不等： 则顺着next值往前找，直到某个值对应next的对应的
基于numpy实现的简单k-means，k-means浅析
基于numpy实现的简单k-means该文从简单的数据角度讲解基于k-means和基于numpy实现k-means代码。文章目录基于numpy实现的简单k-means前言一、 k-meansk均值算法二、代码原理实现1.引入库2.面向对象实现总结前言k-means是什么，它的做什么的，它与先前所说的聚类有什么关系。一、 k-means上一篇文章已经详解了聚类，那么基础应该已经没有什么问题了，k-means其实就是用中文来说的话就是k均值聚类，它属于聚类中的"基于原型的聚类"基于原型的聚
机器学习：手撸id3算法，基于python的ID3决策树算法实现
本文内容为：基于python的Id3算法，实现，数据采用了西瓜书中，西瓜数据集2.0的部分数据测试，没有使用csv文件内容，代码可直接复制，改进，使用。代码仅实现了算法，测试数据包含在代码中，文件信息处理需要自己进行。文章目录1. ID3决策树算法是什么？2. ID3决策树算法的笼统理论2.代码实现（面向对象写法）总结以及对于学习的感慨1. ID3决策树算法是什么？提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人研究学习机器学习的很多..
python-OpenCV：模糊操作，高斯模糊，原理及其代码解析。
系列文章目录本文针对模糊操作由浅入深做原理及代码解析。文章目录系列文章目录模糊模糊是什么模糊操作的原理基于离散卷积的模糊均值模糊中值模糊自定义模糊高斯模糊（重点）高斯分布高斯模糊模糊模糊是什么在学习之前，必须要清楚的是模糊是什么？说得最直观一点就是，假设一个人是600度的近视，他离另一个人2米时，戴眼镜时看到的图像转化到不戴眼镜时看到的图像就是模糊的过程。但是在计算机视觉领域，我们不能从人的感观来说。模糊，属于低通滤波的一种，它称为模糊，也可以称为平滑。低通滤波是一种信号过滤方式，指的
win10 anconda安装 failed to create menu
在重装anconda时遇到了failed to create menu的问题，无法创建菜单应该是在选择了add to path 那个选项，之后碰到的问题。原因是系统变量的path太长了，已经不能在添加变量了。解决方法：↓将箭头所指的path中一条一条剪切到用户变量的path中，注意，是剪切，如果是复制的话记得删除。之后就可以解决了。...
OpenCV的几种绘图方法及其参数解释
该内容不需要太多讲解，上代码，参数都写在代码上。import numpy as npimport cv2 as cv#创建一张白图 利用纯白图进行练习def creat_black_image(): return np.ones((512,512,3),np.uint8)*255def draw(image): #画直线 1:原图 2:起始坐标 3:终止坐标 4:色彩空间值(颜色) 5:线条粗度 cv.line(image,(0,0),(206,206),(255,0,
python-opencv自学，图像金字塔与图像融合
本篇文章讲解基于python-opencv图像金字塔API及浅析原理文章目录一. 图像金字塔1. 图像金字塔是什么？为什么要叫它图像金字塔？2. 图像金字塔构建原理①. 高斯金字塔②. 拉普拉斯金字塔二. 代码方面1. 构建高斯金字塔2. 拉普拉斯金字塔三. 使用实例1. 必要掌握的知识基础2. 使用图像金字塔合并图像三. 对之前知识的补充1. 读取视频文件，做加速或者缓速一. 图像金字塔1. 图像金字塔是什么？为什么要叫它图像金字塔？图像金字塔是对出现处理发展至今的一种手段。它是图像多尺度表达的
OpenCV自学总结：图像梯度与边缘检测
本文从原理及代码方面讲解图像梯度与边缘检测文章目录一. 图像梯度1. 梯度2. 图像的梯度3. 图像梯度的应用及简单数学原理4. 代码①. Scharr算子②. Sobel算子③. Laplacian算子5. 代码讲解二. Canny边缘检测1. 边缘检测2. 原理3. 代码4. 代码讲解三. 总结一. 图像梯度1. 梯度梯度是数学中的常用术语，其本质是一个向量，代表的是，函数在某个位置导数取得最大值，即函数的变化速度最大。一般情况下，我们用倒三角表示每个函数的梯度。对于一个线性函数来说，梯度
python-opencv实战：车牌识别（一）：精度还不错的车牌定位
本文为基于python的opencv的车牌定位源码+讲解。文章目录一. 车牌定位整体构架1. 整体思路2. 分析原理3. 算法构造①. 灰度拉伸算法②. 二值化的阈值选取③. 合适的分值的选取二. 代码总结一. 车牌定位整体构架1. 整体思路首先，车牌定位是车牌识别的第一步也是必要的一步，同时，车牌定位的好坏直接性的决定了车牌识别的好坏，因此车牌定位是一定要尽量好的实现。对一张图片来说，车牌定位的几个过程其实很简单。去除噪音通过颜色特征筛选（或者通过形状筛选）通过形态特征再筛选（或通过颜色
python-opencv实战：车牌识别（二）：字符分割与保存
上一篇文章内容为车牌定位，这篇文章从原理及代码角度分析如何分割字符。文章目录一. 分割字符的目的二. 分割字符原理：三. 代码四. 代码分析一. 分割字符的目的定位车牌仅仅是为了找出其车牌的左上角及右下角的坐标。框出车牌终究只是给我们了一个视觉效果。找出车牌位置的目的就是为了分割字符，为什么要分割字符呢。这要从我们的机器学习说起了，总体的车牌识别大概是个什么流程呢。首先通过某种算法定位车牌。其次从车牌位置按序取出字符。识别字符。机器学习就是在最后一步发挥大作用的，或许我们可以通过一系
TensorFlow自学：当你从小白开始自己搭建一个神经网络
一. 前文Hello TensorFlow！TensorFlow，文章目录一. 前文前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤
RuntimeWarning: overflow encountered in ubyte_scalars # This is added back by InteractiveShellApp.
该问题是很多初学者在jupyter运行像素点计算时会出现的问题。原因是，我们熟知在opencv的RGB空间，它的图像是三通道的，如果把图像视为x，y坐标，每个点的实际像素表示应该是由每个通道的该点的像素计算出来的。而这每个通道的像素值的范围都是在[0~255]这里注意是不能出现负数或者更大的数的，而且一旦出现负数，比如得到-2这时候opencv内就会将该点转化为253，因此在涉及像素运算时，有如下处理方法。三目运算符python的三目运算符在遍历像素点时可以：a=np.array([1,2,13]
今日推荐
周排行