<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lien0906的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/lien0906</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; lien0906]]></copyright><item><title><![CDATA[优化OpenCV视频的读取速度]]></title><link>https://blog.csdn.net/lien0906/article/details/119597143</link><guid>https://blog.csdn.net/lien0906/article/details/119597143</guid><author>lien0906</author><pubDate>Wed, 11 Aug 2021 10:26:24 +0800</pubDate><description><![CDATA[我们使用Opencv读取视频时，常规的做法是使用read()函数逐帧读取，如




import cv2

cap = cv2.VideoCapture("./test.mp4")
while True:
    # read a frame
    ret, frame = cap.read()
    if not ret:
        break
    # do something else
    ...
cap.release()




但是在图像处理时，并不需要逐帧处理，而是抽样的方式]]></description><category></category></item><item><title><![CDATA[pytorch------cpu与gpu load时相互转化 torch.load(map_location=)]]></title><link>https://blog.csdn.net/lien0906/article/details/111994743</link><guid>https://blog.csdn.net/lien0906/article/details/111994743</guid><author>lien0906</author><pubDate>Wed, 30 Dec 2020 17:13:33 +0800</pubDate><description><![CDATA[将gpu改为cpu时，遇到一个报错：
RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False. If you are running on a CPU-only machine, please use torch.load with map_location=‘cpu’ to map your storages to the CPU.
此时改为：
torch.]]></description><category></category></item><item><title><![CDATA[tensorflow模型保存、读取与可训练参数提取]]></title><link>https://blog.csdn.net/lien0906/article/details/110481970</link><guid>https://blog.csdn.net/lien0906/article/details/110481970</guid><author>lien0906</author><pubDate>Wed, 02 Dec 2020 15:01:07 +0800</pubDate><description><![CDATA[一、保存、读取说明

　　我们创建好模型之后需要保存模型，以方便后续对模型的读取与调用，保存模型我们可能有下面三种需求：1、只保存模型权重参数；2、同时保存模型图结构与权重参数；3、在训练过程的检查点保存模型数据。下面分别对这三种需求进行实现。



二、仅保存模型参数

　　仅保存模型参数可以用一下的API：

　　Model.save_weights(file_path)　　# 将文件保存到save_path　　Model.load_weights(file_path)　　# 将文件读取到save_p.]]></description><category></category></item><item><title><![CDATA[Keras模型.h5转成tensorflow的.pb]]></title><link>https://blog.csdn.net/lien0906/article/details/110481494</link><guid>https://blog.csdn.net/lien0906/article/details/110481494</guid><author>lien0906</author><pubDate>Wed, 02 Dec 2020 14:59:49 +0800</pubDate><description><![CDATA[在keras中，保存.h5模型可能出现两种保存方法：

即（1）保存模型权重和网络结构，以及（2）只保存模型权重。

.h5转.pb的两种方式：

方法一：

Keras的.h5模型转成tensorflow的.pb格式模型，方便后期的前端部署。直接上代码






	from keras.models import Model
	
	
	from keras.layers import Dense, Dropout
	
	
	from keras.applications.mobilenet im...]]></description><category></category></item><item><title><![CDATA[Tmux 快捷键 & 速查表 & 简明教程]]></title><link>https://blog.csdn.net/lien0906/article/details/109163334</link><guid>https://blog.csdn.net/lien0906/article/details/109163334</guid><author>lien0906</author><pubDate>Mon, 19 Oct 2020 16:29:49 +0800</pubDate><description><![CDATA[网址：https://gist.github.com/ryerh/14b7c24dfd623ef8edc7

注意：本文内容适用于 Tmux 2.3 及以上的版本，但是绝大部分的特性低版本也都适用，鼠标支持、VI 模式、插件管理在低版本可能会与本文不兼容。

Tmux 快捷键 &amp; 速查表 &amp; 简明教程

启动新会话：


tmux [new -s 会话名 -n 窗口名]


恢复会话：


tmux at [-t 会话名]


列出所有会话：


tmux ls


关闭会话：


tmux]]></description><category></category></item><item><title><![CDATA[linux 环境变量设置（临时 + 永久）]]></title><link>https://blog.csdn.net/lien0906/article/details/107770396</link><guid>https://blog.csdn.net/lien0906/article/details/107770396</guid><author>lien0906</author><pubDate>Mon, 03 Aug 2020 18:09:40 +0800</pubDate><description><![CDATA[一、环境变量

环境变量是具有特殊名字的一个特定对象，包含了一个或多个应用程序运行所需的信息。（例如PATH，可执行程序的搜索路径，当要求系统运行一个程序，而没告诉系统它的具体路径时，系统就要在PTAH值的路径中寻找此程序，找到去执行）

环境变量不仅有PATH，系统的环境变量还有：

C_INCLUDE_PATH头文件的搜索路径

LIBRARY_PATH静态库搜索路径（编译时包含）

LD_LIBRARY_PATH动态库搜索路径（链接时包含）

...



此外，还可以根据具体程序的要求，为某程序..]]></description><category></category></item><item><title><![CDATA[linux下安装python3.6.5并生成.so库]]></title><link>https://blog.csdn.net/lien0906/article/details/107361822</link><guid>https://blog.csdn.net/lien0906/article/details/107361822</guid><author>lien0906</author><pubDate>Wed, 15 Jul 2020 15:31:05 +0800</pubDate><description><![CDATA[familia编译时报错：缺少libpython3.6m.so.1.0

方法1：去别的环境下找下有没 libpython3.6m.so.1.0，导过来加到共享库路径LD_LIBRARY_PATH，python版本需一样

方法2：自己重新动态编译Python环境


./configure --prefix=/usr/local/python3 --enable-shared CFLAGS=-fPIC

make

sudo make install

拷贝文件到lib库；

[root@www P...]]></description><category></category></item><item><title><![CDATA[Linux查看所有子文件夹及文件的数量]]></title><link>https://blog.csdn.net/lien0906/article/details/107243668</link><guid>https://blog.csdn.net/lien0906/article/details/107243668</guid><author>lien0906</author><pubDate>Fri, 10 Jul 2020 09:48:38 +0800</pubDate><description><![CDATA[find命令查看（推荐）：
所有子目录的数量：
[root@localhost ~]# findafish-type d | wc -l
158
[root@localhost ~]# findafish/-type d | wc -l
158
[root@localhost ~]# findafish/*-type d | wc -l
157 --正确
结果不同的原因：
[root@localhost ~]# findafish-type d | more
afish --输出结果首行
[...]]></description><category></category></item><item><title><![CDATA[centos上环境问题事宜汇总]]></title><link>https://blog.csdn.net/lien0906/article/details/107239593</link><guid>https://blog.csdn.net/lien0906/article/details/107239593</guid><author>lien0906</author><pubDate>Thu, 09 Jul 2020 22:45:35 +0800</pubDate><description><![CDATA[Python3中遇到UnicodeEncodeError: 'ascii' codec can't encode characters in ordinal not in range(128)



在 linux服务器上运行代码报错：
Python3中遇到UnicodeEncodeError: ‘ascii’ codec can’t encode characters in ordinal not in range(128)
但是在windows上面运行代码正常。
原因是因为：linux系统语言导...]]></description><category></category></item><item><title><![CDATA[Ubuntu 16.04 上 CUDA_10.0及cuDNN的安装]]></title><link>https://blog.csdn.net/lien0906/article/details/106225329</link><guid>https://blog.csdn.net/lien0906/article/details/106225329</guid><author>lien0906</author><pubDate>Tue, 19 May 2020 23:05:23 +0800</pubDate><description><![CDATA[GPU：Geforce GTX1060
驱动版本：418.56
最开始打算装CUDA_10.1( nvidia与cuda需相匹配)，但是在运行cuda.run后出现的用户许可证信息有问题，如图

但是CUDA_10.1与驱动版本是相匹配的,也没有整明白为什么，最后选择了CUDA_10.0，安装成功。
(cuda版本：cuda_10.0.130_410.48_linux.run
cudnn版本：cudnn-10.0-linux-x64-v7.3.1.20.tgz)

一、安装方式

CUDA提供两种安装方式：]]></description><category></category></item><item><title><![CDATA[tensorflow之迁移学习利用自带keras训练MobileNetV2分类模型]]></title><link>https://blog.csdn.net/lien0906/article/details/106224526</link><guid>https://blog.csdn.net/lien0906/article/details/106224526</guid><author>lien0906</author><pubDate>Tue, 19 May 2020 22:21:15 +0800</pubDate><description><![CDATA[文章目录
欢迎关注WX公众号：【程序员管小亮】
专栏——TensorFlow学习笔记
一、数据处理
1.1_下载数据集
1.2_数据预处理
1.3_数据增强
1.4_数据可视化
二、构建模型
2.1_可视化模型
2.2_设置训练参数
2.3_编译和训练模型
2.4_可视化训练指标
三、使用预训练的模型
3.1_下载预训练模型
3.2_添加分类层
3.3_训练Mobile模型
3.4_微调预训练网络
推荐阅读
参考文章
下面我们准备使用 Keras 中预定义的经典卷积神经网络结构进行迁移学习。

一、数据处理]]></description><category></category></item><item><title><![CDATA[tensorflow各个版本的CUDA以及Cudnn版本对应关系]]></title><link>https://blog.csdn.net/lien0906/article/details/106220061</link><guid>https://blog.csdn.net/lien0906/article/details/106220061</guid><author>lien0906</author><pubDate>Tue, 19 May 2020 18:02:53 +0800</pubDate><description><![CDATA[概述，需要注意以下几个问题：

（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。

显卡驱动的安装：

当我们使用一台电脑的时候默认的已经安装了NVIDIA的显卡驱动，因为没有显卡驱动根本用不了显卡嘛，但是这个时候我们是没有CUDA可以用的]]></description><category></category></item><item><title><![CDATA[安装tensorflow GPU版本--tensorflow-gpu版本与CUDA版本对应关系]]></title><link>https://blog.csdn.net/lien0906/article/details/106218443</link><guid>https://blog.csdn.net/lien0906/article/details/106218443</guid><author>lien0906</author><pubDate>Tue, 19 May 2020 17:03:03 +0800</pubDate><description><![CDATA[一、WIndows安装GPU版本tensorflow注意一下几个问题一般就不会出错
（1）确定自己要安装哪个版本的tensorflow-gpu；
（1）根据自己要装的tensorflow-gpu版本确定要下载的CUDA版本；
（2）根据要安装的CUDA版本确定要下载的Cudnn版本。
二、tensorflow-gpu版本与CUDA版本对应关系
不同版本的tensorflow-gpu与CUDA对应关系如下表所示（图片有点旧了，python版本是2.7和3.3-3.8）：


对于版本号大于1.13的tenso]]></description><category></category></item><item><title><![CDATA[TensorFlow之高层封装（TensorFlow-Slim、TFLearn、Keras、Estimator、tensorflow-thub）学习总结]]></title><link>https://blog.csdn.net/lien0906/article/details/106209697</link><guid>https://blog.csdn.net/lien0906/article/details/106209697</guid><author>lien0906</author><pubDate>Tue, 19 May 2020 10:53:32 +0800</pubDate><description><![CDATA[说明：以下所有代码使用版本TensorFlow1.4.0或1.12.0版本

import tensorflow as tf
print(tf.__version__)
1.12.0
10.TensorFlow高层封装
TensorFlow的高层封装有很多

10.1 TensorFlow高层封装总览
TensorFlow高层封装主要有4个：

TensorFlow-Slim
TFLearn
Keras
Estimator。
TensorFlow-Slim
TensorFlow-Slim是Google官方给]]></description><category></category></item><item><title><![CDATA[最全的vim快捷键]]></title><link>https://blog.csdn.net/lien0906/article/details/106070296</link><guid>https://blog.csdn.net/lien0906/article/details/106070296</guid><author>lien0906</author><pubDate>Tue, 12 May 2020 10:11:06 +0800</pubDate><description><![CDATA[最全的vim快捷键



龙啸九天5202013-12-05 12:34:1980400收藏38

展开

曾经使用了两年多的Vim，手册也翻过一遍。虽然现在不怎么用vim了，曾经的笔记还是贴出来，与喜欢vim的朋友分享。

索

1. 关于Vim

vim是我最喜欢的编辑器，也是linux下第二强大的编辑器。 虽然emacs是公认的世界第一，我认为使用emacs并没有使用vi进行编辑来得高效。 如果是初学vi，运行一下vimtutor是个聪明的决定。 （如果你的系统环境不是中文，而你想使用中文...]]></description><category></category></item><item><title><![CDATA[语义分割、实例分割、全景分割的定义]]></title><link>https://blog.csdn.net/lien0906/article/details/105810062</link><guid>https://blog.csdn.net/lien0906/article/details/105810062</guid><author>lien0906</author><pubDate>Tue, 28 Apr 2020 11:41:25 +0800</pubDate><description><![CDATA[Facebook提出全景分割，实现实例分割和语义分割的统一

2018-01-05 18:04



原文来源：arxiv

作者：Alexander Kirillov、Kaiming He1、Ross Girshick、Carsten Rother、Piotr Dollar

「雷克世界」编译：嗯~阿童木呀、KABUDA

现如今，我们提出并研究了一种新的“全景分割”（Panoramic se...]]></description><category></category></item><item><title><![CDATA[Python机器学习笔记：XgBoost算法]]></title><link>https://blog.csdn.net/lien0906/article/details/105483360</link><guid>https://blog.csdn.net/lien0906/article/details/105483360</guid><author>lien0906</author><pubDate>Mon, 13 Apr 2020 10:39:30 +0800</pubDate><description><![CDATA[前言

1，Xgboost简介

　　Xgboost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为Xgboost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。而所用到的树模型则是CART回归树模型。

　　Xgboost是在GBDT的基础上进行改进，使之更强大，适用于更大范围。

　　Xgboost一般和sk...]]></description><category></category></item><item><title><![CDATA[fillna()函数详解]]></title><link>https://blog.csdn.net/lien0906/article/details/105483342</link><guid>https://blog.csdn.net/lien0906/article/details/105483342</guid><author>lien0906</author><pubDate>Mon, 13 Apr 2020 10:38:24 +0800</pubDate><description><![CDATA[fillna()函数详解
原创Denver_Liao 最后发布于2018-07-26 16:56:45 阅读数 29756 收藏
展开
inplace参数的取值：True、False

True：直接修改原对象

False：创建一个副本，修改副本，原对象不变（缺省默认）

method参数的取值 ： {‘pad’, ‘ffill’,‘backfill’, ‘bfill’, None}, def...]]></description><category></category></item><item><title><![CDATA[pandas.DataFrame索引之 loc与iloc用法]]></title><link>https://blog.csdn.net/lien0906/article/details/105483280</link><guid>https://blog.csdn.net/lien0906/article/details/105483280</guid><author>lien0906</author><pubDate>Mon, 13 Apr 2020 10:35:59 +0800</pubDate><description><![CDATA[pandas.DataFrame()的loc locloc与iloc ilociloc用法
pandas.DataFrame() pandas.DataFrame()pandas.DataFrame()实际上是一个二维矩阵，loc locloc与iloc ilociloc方法都是用于从pandas.DataFrame() pandas.DataFrame()pandas.DataFrame()中选...]]></description><category></category></item><item><title><![CDATA[datetime库 日期与时间]]></title><link>https://blog.csdn.net/lien0906/article/details/105270866</link><guid>https://blog.csdn.net/lien0906/article/details/105270866</guid><author>lien0906</author><pubDate>Thu, 02 Apr 2020 15:23:37 +0800</pubDate><description><![CDATA[datetime是一个关于时间的库，主要包含的类有：

　　date 日期对象，常用的属性有year，month，day

　　time　　时间对象，hour，minute，second，毫秒

　　datetime 日期时间对象，常用的属性有hour，minute，second，microsecond

　　timedelta 时间间隔，即两个时间点之间的长度

日期(date...]]></description><category></category></item></channel></rss>