SecretGarden的专栏

连续进行仿射变换会经历很多次插值处理，即使是三次立方插值，也只是减少失真，无法完全避免。由于多个连续仿射变换总是可以等效为一个仿射变换，所以一个解决办法是将多次仿射变换先组合为一个仿射变换，然后一次性处理，当然这样做的前提是你不关心每次变换的中间结果。

没有看到你的源代码，所以不没法判断你的问题，大体推测是颜色空间的问题，Sobel算子一般在灰度分量上操作。参考代码如下：

import cv2
import numpy as np

color_image = cv2.imread('1.bmp')
color_image = cv2.GaussianBlur(color_image, (3,3), 0)
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)

grad_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)
grad_y = cv2.Sobel(gray_image, cv2.CV_16S, 0, 1)

abs_grad_x = cv2.convertScaleAbs(grad_x)
abs_grad_y = cv2.convertScaleAbs(grad_y)

target_image = cv2.addWeighted(abs_grad_x, 0.5,abs_grad_y, 0.5, 0)

cv2.imshow('target_image', target_image)
cv2.waitKey(0)
cv2.destroyAllWindows() 

GetDlgItem这个函数实际上有两个版本，一个是全局的Windows API函数：

HWND GetDlgItem(HWND hDlg, int nIDDlgItem); 

另一个是MFC中的CWnd类的成员函数：

CWnd::GetDlgItem(...);

当你在一个CWnd派生的类中(例如CDialog)调用此函数时，编译器认为是成员函数，所以按第二种方法编译，所以不会出错。而当你在其它地方调用此函数时，编译器认为是全局API函数，所以报错，提示你形参的类型不对，因为第一个方法需要HWND作为形参，而你传入了一个int类型的参数。

显然，你的本意是想调用第二个方法，所以你要检查你的函数调用的位置，要么在CWnd类及其派生类的内部调用，要么通过实例调用，例如：

pMyDlg->GetDlgItem(IDC_EDIT1)... 

MNIST数据集与你自己采集的图像，实际上是两个不同的数据集，你在MNIST上训练，然后在你的数据集上测试，测试性能不好是十分正常的。这实际上涉及在两个相似但是不同的域之间的迁移学习的问题。有三个办法解决你的问题：

1、对你自己的数据集进行正确的归一化，包括裁剪、平移、缩放、二值化等，让它们至少看起来与MNIST数据集中的图像类似，这样识别率会改善。

2、先在MNIST上训练你的CNN模型（预训练），再用你自己的数据集进行训练（精调），一般也可以获得识别率的提升；

3、如果想获得更高的识别率，建立自己的大规模数据集（规模与MNIST相当），然后直接训练。

不像是CMake的问题，所以重装CMake可能没有用。根据进度信息提示，CMake正在检查可用的C++编译器，所以有可能是你的Visual Studio有问题。考虑测试一下该目录下的Visual Studio的编译器是否正常：E:/Microsoft Visual Studio 9.0/VC/bin/cl.exe。

如果想省事，索性重新安装或修复Visual Studio，建议直接装Visual Studio 2015/2017。

如果常温可以正常显示，而低温无法显示，那就是环境温度超过了芯片的工作范围。查看每个芯片（包括CPU和视频编码芯片等）的datasheet，特别关注芯片的型号的后缀，这些后缀决定了它们的封装、温度范围等信息。

这种比较基础的问题呢，还是需要自己去学会调试的，一步一步，逐行代码调试，不然总有问不完的问题。

单从你的异常信息来看，应该是空指针引起的，具体来说，就是 _First 指针为 NULL，具体原因你得单步调试一下。

这个问题比你想象的要麻烦，涉及到代码的动态创建、编译和运行。所幸C#这种高级语言提供了动态编译引擎，可实现你的想法。不过毕竟C#是编译型语言，实施起来还是有点麻烦。如果你原因使用解释型语言，比如python，那问题就简单多了，直接从文本文件中读取代码，合并到你的代码中，然后直接运行（无需编译）。

jpg是有损压缩算法，保存再读取，相当于压缩再解压，数据矩阵有微小差别是正常的。试试保存为bmp文件就不会有这个问题了。

给个问题无关但是温馨的提醒，即使是初学，也可以考虑一下淘汰Visual Studio 6.0了.........

这个问题已经跟VB.NET没有多少关系了，它可能比你想象的要复杂得多。首先，你得获得路网数据，即所有的道路矢量数据。这个百度地图似乎不提供，不过可以购买商用的地图数据。其次，你要会最优路径搜索算法，这个问题就更加有点大了，涉及路径规划算法。这个你可以通过《算法导论》这本书来入门，再通过阅读路径优化相关的最新学术文献来学习。

然而，更加复杂的是，你得知道哪些道路是可以行车的，哪些道路红绿灯多，哪些道路是单行线，哪些道路单双号限行，哪些道路容易堵车，哪些道路会收费...........所以这其实是一个比最短路径规划更复杂的优化问题。

所有的scanf函数后面的变量都应该取地址，例如：
将：

scanf_s("%d", p1->num, sizeof(p1->num));

改为：

scanf_s("%d", &p1->num, sizeof(p1->num));

所有的scanf函数中的变量，应该传入变量的地址，例如：
将：

printf("请输入金额：\n");
scanf("%f", all[a].amount);

改为：

printf("请输入金额：\n");
    scanf("%f", &all[a].amount);

另外，建议修改代码，消除所有的编译警告。你的问题也是因为你忽略警告造成的。

^(.*)(中心|会场)

两个exe的通信，属于进程间通信（即IPC），IPC可通过剪贴板，DDE、邮件槽、Windows消息、管道、内存映射文件、套接字（Socket）等方式进行原生数据的传输，也可以通过组件对象模型（COM）进行更高级的面向对象的通信。

具体选择哪种方式，取决于问题的抽象等级，通信数据量，通信效率，进程耦合性等，需要具体问题具体分析。

以上几位可能没有理解你的意图。我估计你并不是要用户以插件或者组件方式增强你的软件功能，而是希望用户编写一段代码，提供一些自定义功能。这实际上涉及到动态编译和执行问题。不过这个问题也是可行的， 你需要了解一下C#编译器引擎或者python引擎之类的知识。后者实现起来更简单，需要用户用python语法实现一些功能，然后你用python引擎动态运行获取运行结果，再进行进一步的处理。

1、一般只要网络模型容量足够大，训练误差总会逐渐逼近零。所以如果训练误差一直不下降，要考虑训练数据本身有没有问题，大致办法是，通过单变量相关性分析，了解数据本身的合理性。
2、如果确定训练数据没问题，就要仔细检查代码本身是否有bug，从你的误差来看，似乎是发散了，并没有收敛。
3、如果代码没问题，例如是调用了一些第三方库，则考虑网络的超参数和训练参数有没有问题。

这是使用非线性规划求解二元函数的极值，代码没有问题。你运行后输出窗口的输出信息是什么？
以下是我在Matlab2016的的运行结果：

>> options = optimoptions(@fminunc,'Display','iter','Algorithm','quasi-newton');
>> fun='exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1)';
>> x0=[-1,1];
>> [x,fval]=fminunc(fun,x0,options)
                                                        First-order 
 Iteration  Func-count       f(x)        Step-size       optimality
     0           3           1.8394                         0.736
     1           9          1.72428       0.368157          0.257  
     2          27        0.0845289        22.5704          0.923  
     3          51         0.072564      0.0012394           1.05  
     4          54       0.00450951              1           0.29  
     5          57      1.15035e-05              1          0.014  
     6          60      2.03682e-07              1        0.00107  
     7          63      3.46174e-12              1       9.29e-06  
     8          66       3.6609e-16              1       7.37e-08  

Local minimum found.

Optimization completed because the size of the gradient is less than
the default value of the optimality tolerance.

<stopping criteria details>


x =

    0.5000   -1.0000


fval =

   3.6609e-16