文件夹里面照片自动分成子文件夹_手机越来越卡,这些占了大量内存的这些文件夹,哪些可以删?...

手机用久了之后,内存越来越小,软件越来越大。

打开文件管理,经常会看到一个文件夹占好几G内存的现象,日常使用的微信有时候甚至会有十多个G那么大。

难怪手机会越来越卡。

592f24dcde18cfe6bc150e97460fce88.png

使用微信内的清理功能,可以省出一部分的内存。但是这么多的英文文件夹,哪些可以删哪些不能删呢?

db33781fe7f7b7f470b7f1287bdb7537.png

今天刷哥就为大家找出几个可以删除的吃内存大户,下面的这几个文件夹,在不需要的时候是可以删除的。

1:DCIM文件夹

DCIM这个文件夹是照片储存的地方。除了自己拍的照片之外,这里还会存着一些网页和软件里自动下载的图片。进入文件夹之后,选择无用的图片删除即可。或者也可以将需要的照片转存到电脑或者云盘里。然后直接删除这个文件夹,

9dda00c41490616f6458005c59e19520.png

2.Tencent

如果手机里有QQ或者微信之类腾讯公司的软件的时候,就会出现这个文件。里面除了软件本身的内容之外,还有大部分可以删除的数据。以下圈出来的文件夹里,大部分都是聊天时发的信息和文件,有不用的可以尽管删掉。

12f05c3116b20daa91f99da968059219.png

3.download

这个文件夹里包括了手机下载的一部分图片和软件安装包等内容,打开如果没有发现有用的东西,可以直接删掉。

c57dba2f7443f98ffb7db35c438a5836.png

4.temp和browser

temp和browser是临时文件夹的意思,里面都是一些我们从浏览器中下载的文件、图片和软件,我们可以选进行一波删选,觉得没有用的就可以进行删除。

ee9183def5c38ce149ec223cd4b44316.png

除此之外,Picture是软件自动保存图片、backup是自动备份文件夹、cache是缓存文件夹、Andriod是手机应用数据文件夹、com.xxx是浏览器的缓存数据和存储记录等等,你可以根据自己的需要,来进行定期的删除。

怎么样,是不是觉得很实用呢?如果觉得有用的话,别忘了收藏和转发给家人哦!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,您可以按照以下步骤来生成训练集、验证集和测试集,并分成三个文件夹,比例为6:2:2: 1. 确定图片文件夹的路径,然后使用 tf.keras.preprocessing.image_dataset_from_directory() 函数加载数据集。例如,如果图片文件夹的路径为 '/path/to/image_folder',可以使用下面的代码加载数据集: train_ds = tf.keras.preprocessing.image_dataset_from_directory( '/path/to/image_folder', labels='inferred', label_mode='categorical', validation_split=0.2, subset='training', seed=123, image_size=(224, 224), batch_size=32) 2. 这里使用了 validation_split 参数来将数据集分成训练集和验证集。例如,如果要将数据集分成 6:2:2 的比例,可以将 validation_split 参数设置为 0.2。这将会将 20% 的数据集分到验证集中,其余 80% 分到训练集中。 3. 接下来,您需要将训练集和验证集按照比例 6:2 的比例再次分成两个集,用于训练和验证。可以使用 tf.data.experimental.cardinality() 函数获取数据集的大小,然后根据大小计算训练集和验证集的大小。 4. 最后,您可以使用 tf.data.Dataset.take() 和 tf.data.Dataset.skip() 函数将数据集分成若干部分,并保存到不同的文件夹中。例如,如果您希望将数据集分成三个文件夹 train、val 和 test,并按照比例 6:2:2 分配数据,可以按照以下方式操作: # 计算训练集大小 train_size = tf.data.experimental.cardinality(train_ds).numpy() # 计算验证集大小 val_size = int(train_size * 0.2) # 计算测试集大小 test_size = int(train_size * 0.2) # 计算训练集、验证集和测试集分割点 train_end = train_size - val_size - test_size val_end = train_size - test_size # 分割训练集 train_data = train_ds.take(train_end) val_data = train_ds.skip(train_end).take(val_size) test_data = train_ds.skip(val_end) # 保存数据集到文件夹 tf.data.experimental.save(train_data, 'train') tf.data.experimental.save(val_data, 'val') tf.data.experimental.save(test_data, 'test') 注意,这里的数据集是通过 tf.data.experimental.save() 函数保存到文件夹中的。您可以使用相同的函数将数据集从文件夹中加载回来。
评论
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