2024年Web前端最全第四天：paddlehub的应用_paddlehub怎么拉取项目(2)，Web前端内存优化面试

结尾

学习html5、css、javascript这些基础知识，学习的渠道很多，就不多说了，例如，一些其他的优秀博客。但是本人觉得看书也很必要，可以节省很多时间，常见的javascript的书，例如：javascript的高级程序设计，是每位前端工程师必不可少的一本书，边看边用，了解js的一些基本知识，基本上很全面了，如果有时间可以读一些，js性能相关的书籍，以及设计者模式，在实践中都会用的到。

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

3.准备数据文档  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/2d42813debba4e1cb600fedc637fad6e.png)  
 在此插入数据集存放位置

from paddlehub.dataset.base_cv_dataset import BaseCVDataset

class DemoDataset(BaseCVDataset):
def __init__(self):
# 数据集存放位置

   self.dataset_dir = "data"
   super(DemoDataset, self).__init__(
       base_path=self.dataset_dir,
       train_list_file="train\_list.txt",
       validate_list_file="validate\_list.txt",
       test_list_file="test\_list.txt",
       label_list_file="label\_list.txt",
       )

dataset = DemoDataset()

4.格式规范化，生成数据读取器

data_reader = hub.reader.ImageClassificationReader(
image_width=module.get_expected_image_width(),
image_height=module.get_expected_image_height(),
images_mean=module.get_pretrained_images_mean(),
images_std=module.get_pretrained_images_std(),
dataset=dataset)

5.配置策略

config = hub.RunConfig(
use_cuda=True, #是否使用GPU训练，默认为False；
num_epoch=100, #Fine-tune的轮数；
checkpoint_dir=“cv_finetune_turtorial_demo”,#模型checkpoint保存路径, 若用户没有指定，程序会自动生成；
batch_size=32, #训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
eval_interval=10, #模型评估的间隔，默认每100个step评估一次验证集；
strategy=hub.finetune.strategy.DefaultFinetuneStrategy()) #Fine-tune优化策略；

6.组件Finetune Task

input_dict, output_dict, program = module.context(trainable=True)
img = input_dict[“image”]
feature_map = output_dict[“feature_map”]
feed_list = [img.name]

task = hub.ImageClassifierTask(
data_reader=data_reader,
feed_list=feed_list,
feature=feature_map,
num_classes=dataset.num_labels,
config=config)

**选择finetune\_and\_eval接口来进行模型训练**

run_states = task.finetune_and_eval()

**进行图片预测**

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

with open(“dataset/test_list.txt”,“r”) as f:
filepath = f.readlines()

data = [filepath[0].split(" “)[0],filepath[1].split(” “)[0],filepath[2].split(” “)[0],filepath[3].split(” “)[0],filepath[4].split(” ")[0]]

label_map = dataset.label_dict()
index = 0
run_states = task.predict(data=data)
results = [run_state.run_results for run_state in run_states]

for batch_result in results:
print(batch_result)
batch_result = np.argmax(batch_result, axis=2)[0]
print(batch_result)

计算机网络

• HTTP 缓存

• 你知道 302 状态码是什么嘛？你平时浏览网页的过程中遇到过哪些 302 的场景？

• HTTP 常用的请求方式，区别和用途？

• HTTPS 是什么？具体流程

• 三次握手和四次挥手

• 你对 TCP 滑动窗口有了解嘛？

• WebSocket与Ajax的区别

• 了解 WebSocket 嘛？

• HTTP 如何实现长连接？在什么时候会超时？

• TCP 如何保证有效传输及拥塞控制原理。

• TCP 协议怎么保证可靠的，UDP 为什么不可靠？

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

算法

• 链表

• 字符串

• 数组问题

• 二叉树

• 排序算法

• 二分查找

• 动态规划

• BFS

• 栈

• DFS

• 回溯算法