whocare的博客

对于我们常说的视频分辨率主要可以分为两个标准：DCI(数字电影联盟)和屏幕分辨率标准。1.DCI定义了2k和4k标准：2K=2048x1080，4K=4096x2160之所以这样定义是，在数字技术领域，通常采用二进制运算，而且用构成图像的像素数来描述数字图像的大小。由于构成数字图像的像素数量巨大，通常以K来表示2^10即1024，因此：1K=2^10=1024，2K=2^11=2048，4K=2^12=4096。2.对于屏幕分辨率标准： 480p ...

链表基本用法：目录链表基本用法：C++链表及基本操作LeetCode链表经典题目汇总：2. 两数相加19. 删除链表的倒数第 N 个结点21. 合并两个有序链表23. 合并K个升序链表24. 两两交换链表中的节点25. K 个一组翻转链表61. 旋转链表92. 反转链表 II141. 环形链表142. 环形链表 II160. 相交链表328. 奇偶链表C++链表及基本操作 1 2 ...

问题导入：一般我们在训练模型时会在前面加上：model.train()在测试模型时会在前面使用：model.eval()但是在某次使用网络测试模型时，训练准确率很高，但测试准确率很低，排查了各种问题，绝不是过拟合问题，因为都使用了训练集来测试模型，准确率还是不行，最终发现把model.eval()去掉后，准确率就上来了，百思不得其解。为何使用model.train()和model.eval()?model.train()和model.eval()主要是针对网络中存在BN层(Batch Normal

对于二分类有三种实现方式：1. nn.Linear(input, 1) + sigmoid + BCELoss全连接输出维度为1，使用sigmoid将输出映射到0,1之间self.outputs = nn.Linear(input, 1)def forward(self, x): # other layers omitted x = self.outputs(x) return torch.sigmoid(x) 那么在这种情况下，我们使用torch.

两数交换比较简单方式1：利用python本身的性质----元组如下：直接a, b = b,a即可，只是其中用的中间变量元组（b,a）def swap1(a,b): a, b = b,a #等价于 # c = (b,a) # a = c[0] # b = c[1] return a,b方式二：最简单也最常规的方法，中间变量def swap2(a,b): temp = a a = b b = temp return a

FLOPS （全部大写）是floating-point operations per second的缩写，意指每秒浮点运算次数。用来衡量硬件的性能。FLOPs 是floating point of operations的缩写，是浮点运算次数，可以用来衡量算法/模型复杂度。常用当然还有GFLOPs和TFLOPsGFLOPS 就是 Giga Floating-point Operations Per Second,即每秒10亿次的浮点运算数,常作为GPU性能参数但不一定代表GPU的实际表现，因为还要考虑具

ffplay播放有封装格式的视频：ffplay testvideo.mp4ffplay播放源视频文件，即无封装或压缩的文件yuv/rgbffplay -f rawvideo -video_size 640x360 testvideo.yuvffplay常用命令：参考链接：https://blog.csdn.net/akai9898/article/details/109689734...

引导滤波/导向滤波是何凯明等人在2010年ECCV上提出来的，文章为《Guided Image Filtering》。import cv2import numpy as npinput_fn=r"E:\study\python\python_code\code\CV\Guide_filter\pic\beach.jpg"def my_guidedFilter_oneChannel(srcImg,guidedImg,rad=9,eps=0.01): srcImg=srcImg/

FFmpeg是一款音视频编解码库，是多媒体开发者的必备技能。FFmepg提供了多种媒体格式的封装和解封装，包括音视频编码、多种协议的流媒体、多种色彩格式转换、多种采样率转换、多种码率转换等。 1 FFmepg的基本组成 FFmpeg框架的基本组成包含AVFormat、AVCodec、AVFilter、AVDevice、AVUtil...

服务器创建新用户：（home环境下的）（1）创建用户：sudo adduser user（2）加入权限组：sudo usermod -a -G sudo user（3）提升文件权限：chmod 777 fileName（4）使用vscode连接服务器当前新建用户（5）在vscode安装python解释器用来选择python Interpreter（6）在data/disk中创建数据文件夹（是disk硬盘环境下的），用于保存数据以及编写程序。home下主要用于软件环境的配置。...

如果在linux安装了ffmpeg但是仍然需要输入 /usr/local/ffmpeg/bin/ffmpeg -version, 才可以查看版本号，而不可以直接 ffmpeg -version时，则需要进行将安装路径添加到环境。在终端下输入以下代码：vi ~/.bash_profile然后在最下面加入一行代码：export PATH="/usr/local/ffmpeg/bin:${PATH}"接着保存并回到终端下，执行以下代码：source ~/.bash_profile于是就可以直接

推荐几个学习或者查找linux的网站链接：1.linux命令大全手册2.linux命令大全|菜鸟教程3.linux常用命令学习（首先学习，很重要）4.linux系统在线帮助文档|C语言中文网5.linux中文命令手册

一、需要明白以下2点：1、Linux的环境变量是保存在变量PATH中，可通过Linux shell命令 echo $PATH 查看输出内容，或者直接输入export查看。2、Linux环境变量值之间是通过冒号进行隔开的( : )格式为：PATH=$PATH:<PATH 1>:<PATH 2>:<PATH 3>:------:<PATH N>二、暂时的添加环境变量PATH：可通过export命令，如export PATH=/usr/local/ngi

tf.layers.conv2d()在用name命名时会自动在其后添加Conv2D下面是编写的一个dncnn网络模型，分别给第一层block1和第17层block17命名为input和outputdef dncnn(input, is_training=True, output_channels=1): with tf.variable_scope('block1'): output = tf.layers.conv2d(input, 64, 3, padding='same',

参考安装链接：ffmpeg深度学习模块dnn_processing使用libtensorflow C端安装教程1.下载tensorflow安装包:这里因为要使用GPU，所以使用的版本为：libtensorflow-gpu-linux-x86_64-1.14.0.tar.gz下载链接为：https://tensorflow.google.cn/install/lang_c?hl=zh-cn可根据自己的需求选择版本：2.解压解压缩下载的归档文件，其中包含要添加到 C 程序中的头文件以及要与之

在linux下安装一些软件或者库时，有时会发生错误，比如：Error : XX not found因为我是先将libtensorflow-gpu-linux-x86_64-1.14.0.tar.gz,这个库压缩包解压后到本地，然后再将其拷贝到linux系统下的usr/local下的，参考的是：linux下安装ffmpeg中的tensorflow分别将文件夹下的lib和include文件分别拷贝到usr/local/下的lib和include.结果一直报错，not found。解决方法：自己解压把

ckpt模型和pb模型介绍：ckpt：1.这种模型文件是依赖 TensorFlow 的，只能在其框架下使用；2.在恢复模型之前还需要再定义一遍网络结构，然后才能把变量的值恢复到网络中。pb：1.谷歌推荐的保存模型的方式是保存模型为 PB 文件，它具有语言独立性，可独立运行，封闭的序列化格式，任何语言都可以解析它，它允许其他语言和深度学习框架读取、继续训练和迁移 TensorFlow 的模型；2. 保存为 PB 文件时候，模型的变量都会变成固定的，导致模型的大小会大大减小，适合在手机端运行。所以

正常下载mnist或imdb等keras自带的数据集，下载程序为：import tensorflow as tffrom tensorflow import kerasimdb = keras.datasets.imdb(train_data, train_labels),(test_data, test_labels) = imdb.load_data(num_words=10000)下载后数据集会默认保存到路径：C:\Users\asus\.keras\datasets可能遇到问题：使用

“对const的引用”简称为“常量引用”const引用作用const引用可以用不同类型的对象初始化不加const的引用如下：不能完成不同类型的转换，也即不能用不同类型的对象进行初始化。即对于普通引用，引用的类型必须与其所引用对象的类型一致。加入const引用：运行后发现 j=10.上述运行过程其实是先生成一个临时量temp：const int tmp = i; //生成临时变量 const int &j = tmp; //绑定临时变量 const引用注意事项：（1