batchsize设置为2的n次方_默纳克:如何设置服务楼层

楼层服务层设置参数为:

F6-05服务楼层1对应1~16层,

F6-06服务楼层2对应17~32层,

F6-35服务楼层3对应33~40层。

以 F6-05 为例,此组参数的设置方法如下:

该参数包含 16 个bit位。Bit0到bit15 位,分别对应 16 个楼层。相应位设为 1,表示电梯将响应此楼层地址的 召唤;相应位设为 0,则电梯将不响应此楼层地址的召唤。以二进制表示

举例 某 5层电梯,该电梯服务楼层 为1,3,5 层(注意,楼层指的是物理楼层,即是对应的第几个隔磁板就是第几层),就需要将对应这些楼层的 Bit0、Bit2、 Bit4 设置为 1,其他 Bit 设置为0

将二进制转换为十进制:

20+22+24=21

则 F6-05 应设为 21。Fb参数组的前后门服务处和这个设置方法相仿。

【问题举例】

1、某八层七站七门(1~8)电梯,3 层不停靠,如何设置?

答:设置参数 F6-05=65535-22=65531

2、某三层三站四门(1~3)电梯,一层贯通,二三层门1 开,如何设置?

答:设置参数前门全部开通 FB-02=65535,后门只开一层FB-04=2=1

【参数设置】
1e716e9d7f6dc40c1f0dd420a7b46010.png

以上参数的计算为十进制和二进制之间的转换 二进制转化十进制方法:

☞ 以F6-05为例:F6-05=65535=20+21+.....+215=1+2+4+8+..... +32768,其中2N的N

对应的是由下往上第N+1个隔磁板,若F6-05=3=20+21,即由下往上第1个和第2个 隔磁板停靠。

☞ 参数F6-20(分时服务层设置)、F5-25(轿顶板输入类型定义)和F6-40(程序 功能选择)等Bit位的计算方法同上。

本项目是一个基于SSM(Spring+SpringMVC+MyBatis)框架和Vue.js前端技术的大学生第二课堂系统,旨在为大学生提供一个便捷、高效的学习和实践平台。项目包含了完整的数据库设计、后端Java代码实现以及前端Vue.js页面展示,适合计算机相关专业的毕设学生和需要进行项目实战练习的Java学习者。 在功能方面,系统主要实现了以下几个模块:用户管理、课程管理、活动管理、成绩管理和通知公告。用户管理模块支持学生和教师的注册、登录及权限管理;课程管理模块允许教师上传课程资料、设置课程时间,并由学生进行选课;活动管理模块提供了活动发布、报名和签到功能,鼓励学生参与课外实践活动;成绩管理模块则用于记录和查询学生的课程成绩和活动参与情况;通知公告模块则实时发布学校或班级的最新通知和公告。 技术实现上,后端采用SSM框架进行开发,Spring负责业务逻辑层,SpringMVC处理Web请求,MyBatis进行数据库操作,确保了系统的稳定性和扩展性。前端则使用Vue.js框架,结合Axios进行数据请求,实现了前后端分离,提升了用户体验和开发效率。 该项目不仅提供了完整的源代码和相关文档,还包括了详细的数据库设计文档和项目部署指南,为学习和实践提供了便利。对于基础较好的学习者,可以根据自己的需求在此基础上进行功能扩展和优化,进一步提升自己的技术水平和项目实战能力。
这段话是一个配置文件,用于指定训练神经网络模型的超参数和数据集参数。具体解释如下: - setup: selflabel:表示使用自标签技术进行训练。 - confidence_threshold: 0.99:表示置信度阈值为0.99。 - use_ema: True,ema_alpha: 0.999:表示使用指数移动平均(EMA)方法进行训练,并设置EMA的衰减系数为0.999。 - criterion: confidence-cross-entropy,criterion_kwargs: apply_class_balancing: False:表示使用置信度交叉熵损失函数进行训练,并关闭类别平衡。 - backbone: resnet50,num_heads: 1:表示使用ResNet-50作为模型骨架,并设置模型头数为1。 - train_db_name: imagenet_50,val_db_name: imagenet_50,num_classes: 50:表示使用ImageNet-50数据集进行训练和验证,并共有50个类别。 - augmentation_strategy: ours,augmentation_kwargs: crop_size: 224,normalize: mean: [0.485, 0.456, 0.406] std: [0.229, 0.224, 0.225],num_strong_augs: 4,cutout_kwargs: n_holes: 1 length: 75 random: True:表示使用作者自己的数据增强策略进行训练,并设置裁剪尺寸为224、归一化参数为给定值、强增强次数为4、cutout参数为1个洞、洞的大小为75,并随机选择位置。 - transformation_kwargs: crop_size: 224,normalize: mean: [0.485, 0.456, 0.406] std: [0.229, 0.224, 0.225]:表示在验证时使用裁剪尺寸为224、归一化参数为给定值的数据增强策略。 - optimizer: sgd,optimizer_kwargs: lr: 0.03,weight_decay: 0.0,nesterov: False,momentum: 0.9:表示使用随机梯度下降(SGD)优化器进行训练,并设置学习率为0.03、权重衰减为0.0、是否使用Nesterov动量为False、动量系数为0.9。 - epochs: 25,batch_size: 512,num_workers: 16:表示总共训练25个epochs,每个batch的大小为512,使用16个worker进行数据加载。最后,scheduler: constant表示使用恒定的学习率调度程序,即不会随着训练过程中的epoch数量而改变。
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