Apache 2.x mod_cache 的设置 By Emerald 绿色学院 - Green Institute

Apache 2.x mod_cache 的设置 By Emerald 绿色学院 - Green Institute

注: Apache 默认没有加载 Cache 功能的模块.

见实例:

########################################################
## Apache 2.x mod_cache 的设置
#
#LoadModule cache_module modules/mod_cache.so
#LoadModule disk_cache_module modules/mod_disk_cache.so
#LoadModule file_cache_module modules/mod_file_cache.so
#LoadModule mem_cache_module modules/mod_mem_cache.so
#
#<IfModule mod_cache.c>
#LoadModule disk_cache_module modules/mod_disk_cache.so
# <IfModule mod_disk_cache.c>
# CacheRoot H:/Apache_mod_cache_gi
# CacheSize 1073741824
# CacheEnable disk /
# CacheDirLevels 5
# CacheDirLength 3
# </IfModule>
#</IfModule>
########################################################

效果演示:

卷 STUDY 的文件夹 PATH 列表
卷序列号码为 00630061 14C7:4B88
H:.
│ index.txt

├─I_l
│ └─XJ6
│ └─wLk
│ └─LWI
│ └─oN8
│ QSkhcoA.header
│ QSkhcoA.data

├─Vu7
│ └─4c1
│ └─hlN
│ └─6Om
│ └─bEb
│ wT9tqHg.header
│ wT9tqHg.data

├─BKd
│ └─MwN
│ └─NXJ
│ └─uwb
│ └─guN
│ @_NHbRg.header
│ @_NHbRg.data

├─OkH
│ └─Wfn
│ └─bgD
│ └─LZb
│ └─n8y
│ heutuGA.header
│ heutuGA.data

├─0Kb
│ └─Jz4
│ └─b9G
│ └─hXy
│ └─sl7
│ zrAZwnw.header
│ zrAZwnw.data

├─s57
│ └─et0
│ └─RV9
│ └─v9h
│ └─Qnr
│ 3TNogLg.header
│ 3TNogLg.data

├─CGh
│ └─iSc
│ └─Oz4
│ └─MXd
│ └─sz3
│ nsRmD8A.header
│ nsRmD8A.data

├─SEH
│ └─NeH
│ └─Jlw
│ └─kcn
│ └─PdM
│ BA9n9qQ.header
│ BA9n9qQ.data

├─RFK
│ └─r8j
│ └─buE
│ └─55S
│ └─zxV
│ 8SlEU0w.header
│ 8SlEU0w.data

├─IkE
│ └─5wd
│ └─6Im
│ └─qfC
│ └─iPP
│ zmEgL_g.header
│ zmEgL_g.data

├─N4E
│ └─iQp
│ └─K9M
│ └─@h4
│ └─9C0
│ DDFCASg.header
│ DDFCASg.data

├─Z_z
│ └─oPN
│ └─xCo
│ └─h6s
│ └─Zld
│ JyguKIw.header
│ JyguKIw.data

├─_mo
│ └─LJm
│ └─xZQ
│ └─55h
│ └─DQn
│ jbDzI_g.header
│ jbDzI_g.data

├─@c9
│ └─MTT
│ └─mMB
│ └─wVN
│ └─v0K
│ ZLK4xJQ.header
│ ZLK4xJQ.data

├─yPK
│ └─zdy
│ └─wC3
│ └─pKA
│ └─2lS
│ G12235g.header
│ G12235g.data

├─PuE
│ └─rYQ
│ └─Gpt
│ └─S_q
│ └─Ckl
│ PDONE8A.header
│ PDONE8A.data

├─ftg
│ └─eUg
│ └─w65
│ └─eaT
│ └─hW7
│ fW75rKA.header
│ fW75rKA.data

├─EGd
│ └─3gB
│ └─BGQ
│ └─0qa
│ └─h@D
│ QakJAMQ.header
│ QakJAMQ.data

├─z_W
│ └─t@G
│ └─sLC
│ └─Y3w
│ └─ffb
│ THS3BKA.header
│ THS3BKA.data

├─4g7
│ └─Ef4
│ └─Srm
│ └─dM7
│ └─VVD
│ @KZU4@Q.header
│ @KZU4@Q.data

├─mG4
│ └─3@t
│ └─n5R
│ └─aUM
│ └─nlz
│ taco4Vw.header
│ taco4Vw.data

├─N6f
│ └─CnK
│ └─r2R
│ └─h@z
│ └─_zt
│ H5PgGXA.header
│ H5PgGXA.data

├─j1Q
│ └─T8s
│ └─ZL2
│ └─QB6
│ └─V2J
│ KFVQAgg.header
│ KFVQAgg.data

├─ZGN
│ └─RH9
│ └─kdd
│ └─YeS
│ └─AEP
│ fA3Ummw.header
│ fA3Ummw.data

├─2uF
│ └─WTb
│ └─umS
│ └─Uer
│ └─RWp
│ mEMAHpg.header
│ mEMAHpg.data

└─EHs
└─Wkn
└─8O5
└─3AJ
└─tbl
hMQMCbw.header
hMQMCbw.data


PS: 参数自己翻手册, 按需设置.

/****************************************************************/
*
* author : Emerald<btbtd@yahoo.com.cn>
*
* homepage : http://gi.2288.org:88/
*
* Seo-Gi : http://seo.2288.org:88
*
* sitename : 绿色学院 - Green Institute
*
* date : 2005-4-10 3:58:10
*
/****************************************************************/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = '/home/aistudio/data/data55032/archive_test.zip' infer_dst_path = '/home/aistudio/data/archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyCNN") model = MyCNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='data/archive_test/alexandrite_6.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为:{},真实标签为:{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束") 以上代码进行DNN预测,根据这段代码写一段续写一段利用这个模型进行宝石预测的GUI界面,其中包含预测结果是否正确的判断功能
最新发布
05-25

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值