hillyfighting的博客

问题描述：在pycharm ide中，输入3个字符后就自动切换成英文了，无法再输入中文！解决方法：step1: 将输入法系统设置为ibusstep2:cd (安装路径下的 bin 目录) --> vim pycharm.sh --> 在该文件下添加如下几行代码 --> 保存退出export CLASSPATHLD_LIBRARY_PATH="$IDE_BIN_HOME:$LD_LIBRARY_PATH"export LD_LIBRARY_PATHexport GTK_IM

问题描述：破解完Pycharm专业版后，手贱删除了.jetbrain文件夹，在使用.pycharm.sh执行程序时，无法启动pycharm并报出如下错误：Error opening zip file or JAR manifest missing : /root/.jetbrains/jetbrains-agent-v3.2.0.de72.619解决方法：step1: 在安装路径下 --> 显示隐藏文件 --> 打开pycharm64.vmoptions文件(.config/Jetbra

问题描述：在启动pycharm后一直卡死在Preparing workspace加载那个页面原因所在：pycharm2020.2专业版和搜狗输入法兼容性冲突解决方法：将搜狗输入法取消为默认输入法！step1: 设置–>区域与语言–>管理已安装的语言–>键盘输入法系统 将fcitx 换成ibus --> 点击应用到整个系统 --> 关闭step2: 点击搜狗输入法在屏幕右上角的小键盘图标 --> 将ubuntu18.04自带的输入法上移 --》 关闭step

tf.nn.sparse_softmax_cross_entropy_with_logits( labels, logits, name=None)参数解析：logits: 形状为[batch_size, num_classes], 数据类型必须为 float16,float32,float64。labels: 形状为[batch_size], 其元素的值必须在[0, num_classes)范围内， 数据类型为int32, int64。返回值：1-D Tensor。形状和 labe

看以下两种不同的shape，解析得到的tensor的shape不同：tf.FixedLenFeature(shape=[], dtype=tf.int64) # 解析得到的tensor的形状形如(bs, )tf.FixedLenFeature(shape=[k], dtype=tf.int64) # 解析得到的tensor的形状形如(bs,k )因此在解析样本数据时，特别要注意你要解析的tensor的形状，根据自己的需要填写k值。...

在使用Encoder-Decoder机制解决文本识别问题时，我想要将Decoder端的每一时间步的预测prediction放入predictions中，让predictions能够记录全部时间步的prediction。假设prediction形如(N, ), 最大时间步为max_time_steps。首先说我使用的错误方式，predictions设为全0矩阵 ，大小为(N, max_time_steps), 之后再每个时间步给predictions赋值。代码如下# 方式1predictions

以RNN中的lstm为例：首先说一个普遍的错误方式，该方式会引起维数不匹配报错！# 错误方式！！！lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units)stacked_lstm = tf.nn.rnn_cell.MultiRNNCell([lstm_cell for _ in range(layers_nums)])正确的多层lstm的定义lstm_cell = [tf.nn.rnn_cell.BasicLSTMCell(num_units) f

1. 安装JDK到http://www.oracle.com/technetwork/java/javase/downloads/index.html下载JDK安装JDK，傻瓜式安装，记住安装路径设置环境变量（这一步很重要）1.变量名：JAVA_HOME 变量值：你的JDK安装的路径2.变量名：CLASSPATH 变量值：.;%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar;3.变量名：Path 变量值：%JAVA_HOME%\bin;%JAV

windows下“No module name pip ”错误解决，依次执行以下命令：python -m ensurepippython -m pip install --upgrade pip

TensorBoard是一种基于Web的TensorFlow可视化工具，可以有效的展示TensorFlow在运行过程中的计算图，各种指标随着时间变化的变化趋势以及训练过程中使用的图像信息。通过可视化tensorflow计算图以及可视化程序运行过程中的信息，便于调优。1. 生成日志文件在Session下，变量初始化前添加如下语句，则会生成日志文件writer = tf.summary.FileWriter(path/to/log)2. 日志文件写入2.1 往日志文件中添加TensorFlow计算

最近要在服务器上跑代码，但是经常上传和下载文件再跑很麻烦，于是想要实现：在本地pycharm编辑代码，同步代码到服务器，调用服务器的python解释器运行代码。查找了一些资料，解决方法如下：1. pycharm专业版下载并破解参考链接，亲测有效：https://www.cnblogs.com/shiyixirui/p/13100866.html2. pycharm进行远程服务器的同步配置step1:Tools–>Deployment–>Configuration–>点击‘+’–

系统版本：ubuntu 18.04系统架构：x86_64nvidia driver 驱动版本：440.59CUDA版本：10.0cuDNN：7.4.1gcc:4.8.5tensorflow-gpu:1.14.0前提step1:确定是否安装了驱动:nvidia-smistep2:查看gcc版本:gcc --version若gcc版本太高就更改版本：sudo apt-get install gcc-4.8 g++-4.8切换gcc版本：sudo update-alternatives

今天在ubuntu下载一个很大的文件时，下载到一半就出现“段错误，核心已转储”的错误，就直接中断了下载。网上查了下原因，找到如下解决办法：1.使用断点续传继续下载wget -c download_url：意思是从错误的地方继续下载，尝试了，是有效的。但是可能下载一点就又终止了，需要多次操作。2.设置临时栈大小ulimit -a：主要查看core file size和stack size这两样的大小，并做如下设置：ulimit -c unlimitedulimit -s 102400值得注意的

常常要在jupyter中写代码，想要切换conda虚拟环境，要回终端重新激活环境再进入jupyter很麻烦，因此查了网上相关信息，还真的找到了，设置完事之后特别方便！先展示下成果：在主页中有conda选项创建新文件时可以选择conda环境在文件中可以任意切换conda环境步骤如下：step1: 在终端root环境中安装nb_conda插件：conda install nb_condastep2: 进入你要加入jupyter kernel的虚拟环境，安装jupyter，ipykernel，并

step1:安装sudo apt-get install gcc-4.8sudo apt-get install g++-4.8step2:设置为降级后的版本# gcc设置sudo mv gcc gcc.bak sudo ln -s gcc-4.8 gcc# g++设置sudo mv g++ g++.baksudo ln -s g++-4.8 g++ step3：检看是否成功进入/usr/bin目录，查看gcc链接cd /usr/bin/# gcc检查ls -l gcc

step1. 生成配置文件在终端执行以下命令：vim ~/.condarcstep2.在文件中添加镜像源编辑文件，输入以下内容：channels: - https://pypi.tuna.tsinghua.edu.cn/simple/ - http://mirrors.aliyun.com/pypi/simple/ - https://pypi.mirrors.ustc.edu.cn/simple/ - http://pypi.douban.com/simple/ show_channe

在使用tensorflow加载mnist数据集时报错，因为下载数据集的链接被墙了，没法下载数据集。解决方法：step1.手动下载数据集到本地。mnist数据集的格式有两种，一种是gz格式，包含4个文件，一种是npz格式。.gz格式数据集下载：http://yann.lecun.com/exdb/mnist/mnist.npz格式数据集下载：https://pan.baidu.com/s/1kbDiH-nnbgmTRdaZM6c80g 提取码：sg2kstep2.加载本地数据集# 方法1：mni

变量作用域机制 tf.get_variable()tf.variable_scope()

使用字符串string来标识CPU设备或GPU设备：例：'\cpu:0'，'\gpu:0'在同时拥有CPU和GPU设备时，GPU设备的使用具有优先权记录执行op或tensor的指派设备：设置log_device_placement=True...with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as se...

1.先入先出队列：FIFOQueue出队的顺序按入队的顺序，先入队的就先出来 ，从队列前端取出元素入队是进入队列后面，将元素放入队列后端应用场景：主要针对序列样本。使用循环神经网络时，处理语音，文字，视频等序列信息时，希望按顺序执行，这时就使用FIFOQueue队列# 创建“先入先出”队列， 初始化队列，设置队列大小为3， 数据类型为浮点型q = tf.FIFOQueue(5, 'f...