szfhy的博客

from tensorflow.keras import layersfrom tensorflow.keras import initializersimport tensorflow as tffrom keras.models import Sequentialfrom keras.layers import Dense, Flattenfrom keras.layers.convolutional import Conv2D, MaxPooling2Dfrom keras.utils.n

环境配置：安装完cuda之后，查看cuda编译器nvcc能否能够正常工作。第一个Helloworld

install guidehttp://wiki.ros.org/kinetic/Installation/Ubuntufailed at:sudo rosdep initrosdep updategot error:ERROR: cannot download default sources list from:https://raw.githubusercontent.com/ros/rosdistro/master/rosdep/sources.list.d/20-defa

通常情况下，opengl 的shader会被编译成program，然后再将program送到GPU里面去执行。如果我们的应用程序，每次都用源码编译shader，这样效率肯定是不高的，特别是在嵌入式平台上， 性能比较弱的场景下。其实我们可以稍微修改一下我们的程序结构，将编译完的program保存下来，下一次再用的时候，直接加载保存好的二进制program就好了，不必每次都编译，浪费时间。...

前面我们分享过，opengl 显示UYVY422格式的数据我们显示的是视频，每帧数据都copy到GPU中去渲染，图像数据一般是挺大的，copy数据的快慢对整个性能的影响还是很大的。在opengl中copy frame data用到的API是glTexImage2D.其实上文中的用法不太好。每帧图像都要渲染，直接在GPU内部分配一个固定的Buffer，不用每帧都去申请，然后再释放。...

前面我们分享过如何显示YUV420P的图像，渲染YUV420P数据这此我们分享一下UYVY422格式图像的渲染方法，关于YUV420P和UYVY422的区别，网上有很多图例可以帮大家理解。直接看代码，代码是直接可以运行的。完整代码和资源文件，请访问：https://download.csdn.net/download/szfhy/11940081#include <st...

虚拟机通过桥接方式上网，跟一个host就可以组件局域网，非常方便。如果host使用的是有线连接，配置非常方便。如下图，选择桥接模式，复制物理网络连接状态可以不选，在“配置适配器中”选择要桥接的有限网卡，开启虚拟机之后就可以DHCP上网了。如果是host主机选择的是无线上网，上面的方法就要调整了。1，选择桥接模式，并且enable复制物理网络连接状态, 选择要桥接的无线网卡，...

在之前的博客中opengl 在显示的YUV视频序列上画多个框如果我们要对输入的视频内容做一个锐化处理，或者其他特效，在shader中如何处理呢？完整code如下，看到code就明白其中的道理了，还是很简单的。// VideoPlayer.cpp : Defines the entry point for the console application.//#include &...

在opengl shader的编写过程中，常用的两种方式是：将shader 定义为字符串，然后使用glShaderSource加载static const char *vs = "attribute vec4 vertexIn;
" "attribute vec2 textureIn;
" "varying vec2 textureOut;
" "void main(...

在前面的文章中，我已经可以将媒体文件通过opengl来进行显示。opengl 在显示的YUV视频序列上画多个框opengl 显示BMP图像如果希望将blend，或者其他方法处理过之后的图像数据保存为图像文件，该如何做呢？这个时候我们就要用到glReadPixels函数，GPU渲染完数据在显存，回传内存的唯一方式glReadPixels函数，glReadPixels：读取一些像素。当...

a = np.floor(20 * np.random.random((2,2)))b = np.floor(20 * np.random.random((2,2)))c = np.floor(20 * np.random.random((2,2)))print(a)print(b)print(c)[[ 8. 2.] [16. 15.]][[ 7. 0.] [10. 12.]]...

xgboost需要单独安装pip install xgboost #安装xgboost库pip install --upgrade xgboost #更新xgboost库import xgboost as xgbfrom xgboost import XGBRegressor as XGBRfrom sklearn.ensemble import RandomForestRegr...

代码：from sklearn.linear_model import LinearRegression as LRfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_scorefrom sklearn.datasets import fetc...

代码笔记：from sklearn.datasets import make_blobsfrom sklearn.svm import SVCimport matplotlib.pyplot as pltimport numpy as npX,y = make_blobs(n_samples=50, centers=2, random_state=0, cluster_std=0....

代码笔记：from sklearn.datasets import load_breast_cancerfrom sklearn.svm import SVCfrom sklearn.model_selection import train_test_splitimport matplotlib.pyplot as pltimport numpy as npfrom time im...

代码笔记：from sklearn.linear_model import LogisticRegression as LRfrom sklearn.datasets import load_breast_cancerimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.model_selection import...

代码笔记import matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.decomposition import PCAiris = load_iris()y = iris.targetX = iris.dataimport pandas as pdpd.DataFrame(X...

from sklearn.datasets import load_breast_cancerfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import GridSearchCVfrom sklearn.model_selection import cross_val_scor...

代码笔记%matplotlib inlinefrom sklearn.tree import DecisionTreeClassifierfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_winewine = load_wine()from sklearn....

代码笔记1.导库from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_split2. 加载数据，拆分wine = load_wine()Xtrain, Xtest, Ytrain, Ytest = train_...

在机器学习中，当我们基于某个业务建立模型并训练后，接下来我们需要评判模型好坏的时候需要基于混淆矩阵，ROC和AUC等来进行辅助判断。混淆矩阵也叫精度矩阵，是用来表示精度评价，为N *N的矩阵，用来判别分类好坏的指标。混淆矩阵中有以下几个概念：TP(True Positive): 被判定为正样本，实际也为正样本FN(False Negative):伪阴性 ，被判定为负样本，实际为正样...

pandas:http://pandas.pydata.org/pandas-docs/stable/reference/index.htmlscikit-learn:https://scikit-learn.org/stable/seaborn:http://seaborn.pydata.org/numpyhttps://www.numpy.org/devdocs/

http://www.machinelearningplus.com/plots/top-50-matplotlib-visualizations-the-master-plots-python/

关于混淆矩阵，之前看别人的一些教程，感觉作者很牛，图形化显示出来也很酷，最近深挖了一下文档，顿时感觉我们很牛人就间隔一张纸。详细的实现：confusion_matrix顺便添加自己的调试的代码，记个笔记。import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svm, datasetsfrom ...

安装pip install ipywidgets配置jupyter nbextension enable --py widgetsnbextension使用from ipywidgets import interactdef f2(x): return xinteract(f2, x='')显示效果

Ctrl + Shift + - #将一个 cell拆分为两个cellesc dd #删除一个cell, esc 按一下，切换到命令模式Ctrl+enter #执行本cellshift+enter #执行本cell且 向下建立一个新cellesc+m ...

Install Samba sudo apt-get updatesudo apt-get install samba Set a password for your user in Samba sudo smbpasswd -a <user_name> Note: Samba uses a se...

在之前的文章中，opengl 在显示的图像视频上画多个框记录了如何将BMP图像通过opengl显示，并在显示画面上叠加图层。这一次我们输入一段YUV序列，利用Shader将YUV转换为RGB并显示，同时叠加多个图层上去。代码中调试遇到了一些问题，图像数据总是不能正常的显示，问题的详细解释如code中的注释所示。// VideoPlayer.cpp : Defines the...

原文链接：https://www.jianshu.com/p/8687a040eb48Shader着色器Shader出现在OpenGL ES 2.0中，允许创建自己的Shader。必须同时创建两个Shader，分别是Vertex shader和Fragment shader.Shader工具Shader会有很多坑，不过一些工具能够帮助你跳过这些坑GPUImage：https:/...

原文地址：https://blog.csdn.net/github_39611196/article/details/78416902着色器是运行在GPU上的小程序，着色器是一种C风格语言——GLSL。一、GLSLGLSL是为图形量身定制的，它为向量和矩阵运算提供了很大帮助。1、着色器的开头总是要声明版本，接着是输入和输出变量、uniform和main函数。main函数时每个着色器的入口...

接上一篇，其实blend完成一次之后就相当于一个完整的层，在其时候继续调用glBlendfunc可以继续进行画框的操作，代码如下所示：#include "stdafx.h"#include &lt;GLTools.h&gt; // OpenGL toolkit#include &lt;GLShaderManager.h&gt;#ifdef __APPLE__#include &l...

https://blog.csdn.net/weixin_42229404/article/details/81560812

在前面的博客中opengl 显示BMP图像，总结了如何使用opengl显示BMP图像，如何显示BMP图像序列。在做Object detection的一些工作中，经常会将检测到object用一个框标记出来，这次探索一下如何实现这个功能。这要使用Opengl的blend功能。void glBlendFunc(GLenum sfactor,GLenum dfactor);sfactor...

本想系统的学习一下OPENGL,最近几天跟蓝皮书的接触效果不太好，索性还是按照自己的想法来。先显示一张图片吧，已经调试过的代码如下：#include &lt;GLTools.h&gt; // OpenGL toolkit#include &lt;GLShaderManager.h&gt;#ifdef __APPLE__#include &lt;glut/glut.h&gt;#e...

https://www.cnblogs.com/myd620/p/6133420.html在某些应用环境下面，一个类只允许有一个实例，这就是著名的单例模式。单例模式分为懒汉模式，跟饿汉模式两种。首先给出饿汉模式的实现template &lt;class T&gt;class singleton{protected: singleton(){};privat...

下载source codeSudo apt-get install cmakeSudo apt-get install libgtk2.0-devSudo apt-get install pkg-config 进入source code目录，/home/aaa/Project/opencv-3.4.0/Mkdir buildMkdir install_opencv 将o...

使用VS做为开发工具，经常使用第三方的lib时，需要经常设置include，lib包含目录，这样比较好管理code.运行时，如何找到这些Lib呢？网上看到的解决方法大部分都是设置系统环境变量，然后重启VS。这个方法也可以解决问题，但不是最好的方法。其实可以在VS中设置环境变量，在环境变量中加入相应的路径就好了，也不用重启，也不用设置系统环境变量。如下图。仔细查看环境变量的写法，...

pandas 是一个强大的时间序列数据处理工具包，由两个比较重要的数据结构，series和dataframe，可以简单的将其抽象为一个表格。series可以表达一行数据，理解为一维数组。s = pandas.Series([4,2,5,0,6,3])DataFrame表示二维数组， df = pandas.DataFrame(numpy.random.randn(6,4), columns...

坐标轴刻度import matplotlib.pyplot as pltimport numpy as npx=np.arange(1,11,1)plt.plot(x,x)ax = plt.gca()#ax.locator_params(nbins=5) #xy轴同时调整ax.locator_params('x',nbins=10) #只调整x轴ax.locator_para...

色彩配置import matplotlib.pyplot as pltimport numpy as npy = np.arange(5)plt.plot(y, color='g')plt.plot(y+1, color='0.5')plt.plot(y+2, color='#ff00ff')plt.plot(y+3, color=(0.1,0.2,0.3))plt.s...

热成像图%matplotlib inlinefrom matplotlib import pyplot as pltimport numpy as npdef f(x, y): return (1 - x / 2 + x ** 5 + y ** 3) * np.exp(-x ** 2 - y ** 2)n = 10x = np.linspace(-3, 3, 4 * n...

饼图import numpy as npimport matplotlib.pyplot as pltlabels='A','B','C','D'fracs = [15,30, 45, 10]explode = [0,0.1,0.05,0]#长宽比为1:1plt.axes(aspect=1)#autopct 控制百分比的设置，使用format字符串或者format funct...

单变量直方图import numpy as npimport matplotlib.pyplot as pltmu = 100 # mean of distributionsigma = 20 #standard deviatioin of distributionx = mu + sigma * np.random.randn(200000)#绘制单变量的直方图plt.his...

import numpy as npimport matplotlib.pyplot as pltN = 5y = [20, 10, 30, 25, 15]index = np.arange(N)plt.bar(left=index, height=y,color='red', width=0.5) #left横坐标，height纵坐标, color颜色 widthplt.show(...

import matplotlib.pyplot as pltimport numpy as npx= np.linspace(0,5*np.pi, 1000)y1 = np.sin(x)y2 = np.sin(2*x)#plt.plot(x,y1)#plt.plot(x,y2)plt.fill(x,y1,'b',alpha=0.5)plt.fill(x,y2,'r',a...

import matplotlib.pyplot as pltimport numpy as npheight = [161,170, 182, 175, 173, 165]weight = [50, 58, 80, 70, 69, 65]plt.scatter(height, weight)plt.show()#散点图 随机的，无相关性N = 1000x=np.rand...

画正弦余弦曲线%matplotlib inlinefrom matplotlib import pyplot as pltimport numpy as npX = np.linspace(-np.pi, np.pi, 200, endpoint=True)C, S = np.cos(X), np.sin(X)plt.figure(figsize=(20, 6), dpi=80...

读书笔记import numpy as npimport pandas as pdimport matplotlib.pyplot as pltdata = pd.read_csv('creditcard.csv')#data.head(10)print (data.shape)count_class = pd.value_counts(data['Class'],s...

随时代码，阅读笔记%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom sklearn import datasetsdigits = datasets.load_digits() # 加载数据# 把数据所代表的图片显示出来images_and_labels = list(zip...

kmeans 无监督的学习方法。需要根据实际业务需要确定K值。加载数据集%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom time import timefrom sklearn.datasets import load_filesprint("loading documents ....

准备数据集%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npimport timeimport loggingfrom sklearn.datasets import fetch_olivetti_faceslogging.basicConfig(level=logging.INFO, for...

随书代码，阅读笔记。 线性回归拟合正弦函数%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npn_dots = 200X = np.linspace(-2 * np.pi, 2 * np.pi, n_dots)Y = np.sin(X) + 0.2 * np.random.rand(n_d...

决策树的使用手册http://sklearn.apachecn.org/cn/0.19.0/modules/tree.html决策树预测结果容易理解，易于解释，预测速度快。基于Entropy的分类：ID3， C4.5，C5.0，运算效率更高，使用内存更小，创建出来的决策树更小，准确性高，适合大数据集的决策树创建；基于gini不纯度：CART，分类回归树。sklear...

随书代码，阅读笔记。KNN是一种有监督的机器学习算法，可以解决分类问题，也可以解决回归问题。算法优点：准确性高，对异常值和噪声有较高的容忍度；算法缺点：计算量大，内存消耗也比较大。针对算法计算量大，有一些改进的数据结构，避免重复计算K-D Tree， Ball Tree。算法变种：根据邻居的距离，分配不同权重。另外一个变种是指定半径。KNN进行分类%matplotlib...

随书代码，阅读笔记载入数据%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as np# 载入数据from sklearn.datasets import load_breast_cancercancer = load_breast_cancer()X = cancer.datay = cancer...

随书代码，阅读笔记。载入数据并准备测试机和训练集# 载入数据from sklearn.datasets import load_breast_cancercancer = load_breast_cancer()X = cancer.datay = cancer.targetprint('data shape: {0}; no. positive: {1}; no. negat...

随书代码，做些笔记。加载数据集http://mlcomp.org/datasets/379 下载%matplotlib inlineimport matplotlib.pyplot as pltimport numpy as npfrom time import timefrom sklearn.datasets import load_filesprint("loadin...

手册：http://sklearn.apachecn.org/一些视频教程：http://i.youku.com/apachecn 

围绕着百度开源的Apollo自动驾驶项目展开，重点分析整个项目的框架，核心的计算机视觉感知模块。下载项目代码项目主页：https://github.com/ApolloAuto/apollogit clone https://github.com/ApolloAuto/apollo.git或者直接Download Zip 然后再解压，这样会快一点。Demo我们没有实际的硬件，...

常用经典网络结构可视化：https://cwlacewe.github.io/netscope/quickstart.html

share一些python实现的code#!/usr/bin/env python#coding=utf-8import cv2img = cv2.imread("trace_border2.bmp")[img_h, img_w, img_channel] = img.shapetrace = []start_x = 0start_y = 0gray = img[:,...

numpy.newaxis 为数组增加一个新维度，机器学习的常用框架中处理的数据大多是矩阵，经常需要将一个向量转换成列矩阵或者行矩阵；同样numpy.expand_dims也可以实现对应的功能，效果如下： ...

安装 添加镜像源首先安装apt-transport-https 支持https协议的源，并添加源的密钥：sudo apt-get install -y apt-transport-httpssudo apt-key adv --keyserver hkp://p80.pool.sks-keyservers.net:80 --recv-keys 58118E89F3A91289...

使用jupyter-notebook打开ipynb,如下图所示，可以转换为其他格式的文件。 命令行的方式：ipynb转换为pythonjupyter nbconvert --to python my_file.ipynbipynb转换为mdjupyter nbconvert --to md my_file.ipynbipynb转为htmljupyter nbco...

创建key的步骤如下：step1 生成一个 notebook 配置文件: jupyter notebook --generate-configstep2 生成密码：jupyter notebook passwordjupyter notebook passwordEnter password: ****Verify password: ****[NotebookPasswordApp] Wrot...

引言最近在看H.264/AVC的一些编码信息，印象最深的就是sps,pps 中的指数哥伦布(Golomb)熵编码算法，从网上搜了一些内容，发现讲解的不是很详细，所以自己总结一下便于自己查看sps,pps中常用的指数哥伦布编码算法有 1、无符号指数哥伦布熵编码 ue(v) 2、有符号指数哥伦布熵编码 se(v) 3、映射指数哥伦布熵编码 me(v) 4、截断指数哥伦布熵编码 te(v) 后两者不是很...

Super-Resolution:

原文地址：https://blog.csdn.net/abluemouse/article/details/78710553一篇综述性质的文章，写的很好。超分辨率技术（Super-Resolution, SR）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。本文针对端到端的基于深度学习的单张图像超分辨率方法(Single Image Su...

深度学习最近在图像处理领域经常有革命性的成果出来，继SRCNN之后，在图像处理领域应该当属HDRNet了，CVPR2017比较优秀的文章。源码https://github.com/google/hdrnethttps://github.com/mgharbi/hdrnet_legacy论文deep_bilateral_learning_f...

python numpy是一个核心的数据结构，numpy的结构如何转换为opencv的图像数据结构呢，numpy如何快速的操作图像数据呢？如下sample code所示：import cv2import numpy as npimg = np.zeros((300,300,3))img[:,10,0] = 255img[:,10,2] = 255img[10,:,1] = 255i...

图形化分析工具MP4Reader：https://en.freedownloadmanager.org/Windows-PC/MP4-Reader-FREE.html这个工具相比于mp4info会强大很多，图形化显示信息之外，还会将MP4文件的二进制信息同步显示，方便对比分析。效果如下：文档spechttps://developer.apple.com/library/content/docume...

MP4的视频H264封装有2种格式：h264和avc1，对于这个细节，很容易被忽略。笔者也是在改编LIVE555流媒体时，增加mp4文件类型支持时遇到了该问题。(一)首先，从原理上了解一下这2种格式的区别：AVC1 描述:H.264 bitstream without start codes.一般通过ffmpeg转码生成的视频，是不带起始码0×00000001的。H264 描述:H.264 bit...

准备安装mediaInfo、QTAtomViewer.exe、MP4info.exe等软件视频一些参数封装格式：我也不太清楚编码格式：我也不太清楚分辨率：图像的长和宽。帧率：一秒播放的图片数，如15fps、30fps，体现在画面的流畅度。码率：压缩后每秒显示的图片数据量，通俗地说，就是流量。如298kbps，体现在视频文件的大小和画质。压缩比：分辨率*帧率/码率，简单来说就是压缩前每秒的数据量比上...

MP4文件格式详解（ISO-14496-12/14）一、基本概念1、 文件，由许多Box和FullBox组成。2、 Box，每个Box由Header和Data组成。3、 FullBox，是Box的扩展，Box结构的基础上在Header中增加8bits version和24bits flags。4、 Header，包含了整个Box的长度size和类型type。当siz...

k近邻算法的核心思想是未标记样本的类别，由距离其最近的k个邻居投票决定。该算法具有准确性高，对异常值和噪声有较高的容忍度等优点。缺点是计算量比较大，内存消耗量也大。Text:code:import numpy as npimport matplotlib.pyplot as pltfrom sklearn.neighbors import KNeighborsRegressorn_dot...

k近邻算法的核心思想是未标记样本的类别，由距离其最近的k个邻居投票决定。该算法具有准确性高，对异常值和噪声有较高的容忍度等优点。缺点是计算量比较大，内存消耗量也大。demo code如下：from sklearn.datasets.samples_generator import make_blobsimport matplotlib.pyplot as pltimport numpy as ...

确保本机器已经成功安装了tensorflow, keras, opencv, python3.x下载python codehttps://github.com/xiaochus/YOLOv3下载darknet modelhttps://github.com/xiaochus/YOLOv3  从quick start中下载已经训练好的model,230+M将darknet model转换为h5进入y...

ppm格式图像的详细介绍https://blog.csdn.net/gengshenghong/article/details/8648577如何查看呢？用ffplay直接播放，ffplay -i a.ppm用ffmpeg直接转码， ffmpeg -i a.ppm a.bmp使用python image包，直接转码输出from PIL import Imageimg = Image.open('...

呼吸效应的概念H26x编码序列中，I帧P帧交替排列，I帧使用帧内预测编码，跟jpeg类似，压缩比相对P帧来说，没有那么大，因此I帧的数据量很大，但是I帧也相对比较清楚，P帧以I帧为基准进行预测编码，I帧清楚了，P帧才有可能清楚；一般情况下，我们都会将I帧调的比较大，一个GOP内，离I帧越远的P帧，编码误差越大，图像降质也越严重，当下一个I帧出现时，图像又立即变得清楚起来，纵观整个视频流，就会周期性...

    python 中的包的概念跟c++中的namespace很相似，在大型的工程开发中，多个开发人员很容使用相同的函数名，为了避免相同函数名带来的问题，就引入了包的概念。在看别人写的程序中经常看到形如“from xx import yy”xx就是包制作一个本地使用的包    建立一个文件夹并命名为dl，文件夹名"dl"就是我们的包名，在文件夹内部新建一个“__init__.py”（注意init...

__init__ 构造方法__str__ __def__ 析构方法__mro__ python3特有@classmethod 类方法

主要借助于回显的思想来实现print函数就可以实现，默认情况下print会自动换行，我们可以在print函数中添加 end=''，使其不自动换行，结合回显\r就可以实现了。上一段code#coding=utf8import timeimport sysimport sys,time"""#方法一for i in range(100): sys.stdout.write("#...

使用一个先进的模块名为argparse，跟unix程序的命令行参数很像。直接对code做个笔记：import sysimport argparsedef main(args): print('first name directory: %s' % args.first_name) print('first para : %s' % args.first_para) ...

从github经常下载别人训练好的model，一个pb文件，里面都存储了什么东西呢？不像caffe，网络结果直接是一个文本文件，可以快速查看。当然我们可以去找对应的文章，去查询网络结构等信息。但是tensorflow有更好的方法。Tensorboard去解析这些model文件，很强大。安装，pip install tensorboard推荐使用whL的方式安装，当你机器上有多个tensorflow...

错误类型：CUDA_ERROE_OUT_OF_MEMORYGPU的全部memory资源不能全部都申请，可以通过修改参数来解决：在session定义前增加config = tf.ConfigProto(allow_soft_placement=True)#最多占gpu资源的70%gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0...

在生产环境中，使用api调用caffe训练生成的模型，依赖的第三方库太多，环境安装是个麻烦问题，同时在平台间移植也是个很麻烦的事情。比如说，在ubuntu16下训练好的caffe模型，需要移植到ios、android手机端等平台，caffe需要做大量的开发工作。 如果使用tensorflow的话，依赖就要少很多，可以很灵活的支持ios、android等移动端平台，可以很方便地使用api调用训练好的

doc mark hereMTCNN 入口代码#coding = gbkimport tensorflow as tfimport numpy as npimport cv2import detect_faceimport time#face detection parametersminsize = 20 # minimum size of facethresh

使用MNIST数据集进行测试，最好可以将MNIST数据集先下载下来，不要让code自己去下载，代码中下载比较慢，将数据集下载下来直接放入code中指定的文件夹下面，文件名不要修改，直接将code run起来。差不多2分钟吧，精度99.8%code如下：# -*- coding: utf-8 -*- import tensorflow as tf#导入input_data用于自动下载

找不到cudnn –lcudnn在[dnn]中配置library_path之后就好了。

1、python本课程的机器学习的算法都是基于python语言实现的，所以你需要有一定的python语言基础，可以参考彭亮在麦子学院讲授的“Python语言编程基础”。2、python机器学习的库：scikit-learn特性： 1）简单高效的数据挖掘和机器学习分析 2）对所有用户开放，根据不同需求高度可重用性 3）基于Numpy, SciPy和matplotl

第一部分 基础语言pandax视频教程链接: https://pan.baidu.com/s/1pLqavVX 密码: fathpython入门到精通链接: https://pan.baidu.com/s/1mhVNIkC 密码: cvp3第二部分 数据篇链接: https://pan.baidu.com/s/1pLK25zP 密码: qtuu第三部分 机器学习部分吴恩

习惯了集成开发环境，而且python也有一个好用的集成开发环境名为pycharm，记录一下：pycharm官网：http://www.jetbrains.com/pycharm/安装完这个之后，接着安装anaconda2，这算是一个python的发行版吧，将常用的python 包都集成在了一起，更新非常方便，图示如下：看图示：将pycharm中的python解释器定位到anac

MFC嵌入方法：SDL_Window* SDL_CreateWindowFrom(const void* data)；API详细介绍：Use this function to create an SDL window from an existing native window.http://wiki.libsdl.org/SDL_CreateWindowFrom

直接播放设备Linux :   ffplay –f v4l2 –s 320x240 –i /dev/video0Windows: 使用direct show  ffplay –f dshow –s 320x240 -i video="Integrated Camera"                    使用vfw                 ffplay -f vfwcap

记录学习过程，如果能给其他人带来帮助那就更好了。废话少说。https://github.com/videolan/x265从上述地址上直接download 源码。创建VS工程x265相比于x264,对喜欢用VS调试代码的用户来说更加友好（x264早期的版本还可以直接使用VS，之后就比较麻烦了），CMakelist直接写好了，x265连生成VS工程的bat文件都写