SSD_tensorflow_imageio方法_视频检测_附源码
版权声明：本文为博主原创文章，未经博主同意不得转载 https://blog.csdn.net/zzZ_CMing/article/details/81128460
一、SSD用于图片物体的定位与检测
SSD原理介绍这一篇博客对我的帮助比较大，很详细的介绍了SSD原...
模型解读（一）VGGNet
VGGNet模型解读Very Deep Convolutional Networks forLarge-Scale Image RecognitionAuthor: K Simonyan ， A ZissermanYear: 2014 1、  导引VGGNet是2014年ILSVRC竞赛的...
KCF跟踪源码-带注释
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/jacke121/article/details/54315050
原文： http://blog.csdn.net/bisheng250/article/details/53672247?_t_t_...
在python中调用C语言代码
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/qq_35636311/article/details/78255568
1.使用C扩展
CPython还为开发者实现了一个有趣的特性，使用Python可以轻松调用C代码
开发者有三种方法可以在...
tensorflow讲堂 tf.placeholder()
tf.placeholder(dtype, shape=None, name=None)
此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值
参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称...
tensorflow讲堂 tf.expand_dims()
tf.expand_dims()
Function
tf.expand_dims(input, axis=None, name=None, dim=None)
Inserts a dimension of 1 into a tensor’s shape. 
在第axis位置增加一个维度
Given a tensor in...
tensorflow讲堂 sess.run(tf.global_variables_initializer()) 做了什么？ tensorflow学习笔记：sess.run(tf.global_variables_initializer()) 做了什么？
原 tensorflow学习笔记：sess.run(tf.global_variables_initializer()) 做了什么？
2017年10月20日 09:05:13
ke1th
阅读数：12773更多
<div class...
tensorflow讲堂 Saver的用法
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/u011500062/article/details/51728830
Saver的用法
1. Saver的背景介绍
    我们经常在训练完一个模型之后希望保存训练的结果，这些结...
Python学习 python3的这些新特性很方便 Python3的这些新特性很方便
原 Python3的这些新特性很方便
2018年01月31日 14:02:18
piapiada
阅读数：1503
<span class="tags-box artic-tag-box">
<span class="l...
Pyhton学习 Python3：字典中的items()函数 Python3：字典中的items()函数
原 Python3：字典中的items()函数
2017年09月01日 10:52:55
WordZzzz
阅读数：9507
<span class="tags-box artic-tag-box">
<span cla...
Python学习 可哈系
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/u010250863/article/details/64129948
1.可哈希（hashable）和不可改变性（immutable）
如果一个对象在自己的生命周期中有一哈希值（hash value...
机器学习 - 3 - 线性分类
机器学习 - 3 - 线性分类 符号约定 贝叶斯分类器 基于最小错误率的决策 符号约定： 样本 $ \bold{x} \in R^d$ 状态（类） \(w = {w_1,w_2,\dots}\) 先验概率 \(P(w_1),P(w_2)\) 样本分布密度 \(p(x)\) 类条件概率密度 \(p(\bold{x}|w_1),p(\bold{x}|w_2)\) 后验概率 \(P(w_1|\bold{x}),P(w_2|\bold{x})\) 错误概率 \[P(e|\bold{x})\lbrace
白皮书最大流算法连续题
一，无源网络流的建模 https://www.luogu.org/problemnew/show/P1231 题意,给你n1本书,n2本练习册,n3本答案，给你这些书和答案对应关系，问你最多能组成多少本书册。 由于需要书，练习册，答案三件套才能组成完整书册,将书复制成两份，一份与练习册建立边，一份与答案建立边， 建立源点和汇点，跑一边最大流就能解决 #include<bits/stdc++.h>
using namespace std;
const int maxn=100000;
const
Centos7.2安装MariaDB数据库，并编写第一个链接数据库的PHP程序
一、首先在Vmware上新建虚拟机安装CentOS7.2，root用户登录：（我是mini安装，安装过程就略去了）： 二、MariaDB的安装与简易配置： 1、执行安装命令： yum -y install mariadb mariadb-server 查询安装完成的MariaDB版本为15.1； 安装完成MariaDB，首先启动MariaDB systemctl start mariadb 设置为开机自启动： systemctl enable mariadb 开始相关简单配置： mysql_s
三、StrutsOGNL表达式与值栈\视频
1、OGNL 1.1、OGZL 概述 OGNL：对象图导航语言，比 EL 表达式强大很多倍的语言。 EL：从域对象中获取数据，从 EL 的11和对象中获取。
P3959 宝藏 状压dp
之前写了一份此题关于模拟退火的方法，现在来补充一下状压dp的方法。 其实直接在dfs中状压比较好想，而且实现也很简单，但是网上有人说这种方法是错的。。。并不知道哪错了，但是就不写了，找了一个正解。 正解的区别在于状态，（树高是啥意思），每次都是从当前状态的子集转移过来。这里用到了快速枚举子集的操作，很值得写一下。 题干： 题目描述
参与考古挖掘的小明得到了一份藏宝图，藏宝图上标出了 nnn 个深埋在地下的宝藏屋， 也给出了这 nnn 个宝藏屋之间可供开发的m mm 条道路和它们的长度。
Java 基础之--注解Annotation详解
自定义注解入门： public @interface Annotation01 {
//set default value "";
String value() default "";
} 1.保持策略 @Retention annotation: 告知编译器如何去运行,default is RetentionPolicy.CLASS （1）.RetentionPolicy.CLASS : --》会将注解保存在class 文件中，但运行时候不会被virtual mac
剑指offer——python【第38题】二叉树的深度
题目描述 输入一棵二叉树，求该树的深度。从根结点到叶结点依次经过的结点（含根、叶结点）形成树的一条路径，最长路径的长度为树的深度。 解题思路 想了很久。。首先本渣渣就不太理解递归在python中的实现，其次又不知道怎么去找到最长路径，真是很费脑子，开始正题吧 首先明确二叉树每个节点都可以看作“根节点”，依次延伸下去（二叉树的递归定义），对于根节点，我要求这个节点的最大深度，那么只要求两棵左右子树的最大深度，并且max一下，然后＋1就行了；然后对于左右两棵子树，也只要求它们的两棵左右子树的最大深
今日推荐
周排行