- 博客(46)
- 资源 (21)
- 收藏
- 关注
RSS订阅原创 问题解决方案
/.cache/matplotlib/fontlist-v300.json（将文件删除）虚拟环境当中可以：pip show 包名。将安装的对应字体，复制一份到这目录下面。如果设置的字体没有，则需要安装字体。删除之后重新启动对应的代码，即可。运行代码，查找库的位置。
2024-01-18 15:40:52
525
2
原创 网络基础-4
在管理员设备上面的是SNMP Client，被管理设备上的是SNMP Server，管理信息是通过在SNMP Sever和SNMP Client之间进行SNMP报文的交互而实现的。配置了ACL的设备，接收到一个报文之后，会将该报文和ACL的规则进行逐条匹配，一旦报文匹配上某条规则，则设备会对该报文执行规则对应的处理动作，并且不在进行后续的匹配。聚合链路在工作中，由于帧的长度有长有短，于是帧的传输时间就有长有短，而不同的帧所经过的成员链路又可能不同，所以一般情况下总是会出现乱序现象。
2023-10-27 15:39:35
192
原创 网络基础-3
原理是一台路由的RIP路由表中的目的地/掩码为ZY的路由信息通过该路由的interface-x接口学习的，该路由器由interface-x接口发送响应消息时，响应消息仍然需要包含ZY这个路由信息，但这个路由项的Cost总设置为16。：原理是一台路由的RIP路由表中的目的地/掩码为ZY的路由信息通过该路由的interface-x接口学习的，该路由器由interface-x接口发送响应消息时，响应消息中一定不包含关于ZY这个路由的信息。一条路由的开销时指到达这条路由的目的地/掩码需要付出的带价值。
2023-10-27 15:32:07
223
原创 网络基础-2
IEEE制定了一个名为GARP的协议框架，该框架协议包含了两个具体协议，GMRP和GVRP。GVRP可以大大降低VLAN配置过程中的手工的工作量。IP本身是一个协议文件的名称，该协议主要定义阐释了IP报文的格式。子网掩码是由32个比特组成的，也可以看作是由4个字节组成，并且通常以点分十进制来表示。通常子网掩码中1的个数被称为这个子网掩码的长度。
2023-10-27 15:14:37
868
原创 网络基础笔记-1
指计算机/交换器/路由器等网络设备为了实现通信而必须遵从的，事先定义好的一系列规则和约定。比如：HTTP/FTP/TCP/IP v4/IEEE802.3等等，一类是各网络设备厂商自己定义的私有协议，另外一类是专门的标准机构定义的开放式协议（开放性协议或者开放协议），二者的关系有点像方言和普通话的关系。光和电信号，所用的传输介质主要有空间、金属导线和玻璃纤维三大类。主要是传递电磁波。主要传播电流和电压信号。主要是指光纤，用来传递光信号，光纤中的光的传播速度大约只有光速的2/3。
2023-10-27 14:54:21
205
原创 java简单循环结构
在for循环执行前，会先执行初始化语句int i=1，它定义了计数器变量i并赋初始值为1，然后，循环前先检查循环条件i= 90，但输出的不是"优秀"，而是"及格了"，原因是if语句从上到下执行时，先判断n >= 60成功后，后续else不再执行，因此，if (n >= 90)没有机会执行了。在Java中，while循环是先判断循环条件，再执行循环。
2023-02-16 14:24:26
348
1
转载 FASTAPI的简单理解
上面的示例中，路径中的{language_id}声明了一个路径参数language_id，对应的函数find_language(language_id)中通过定义同名的函数参数来接受数据值，但此处未对参数类型进行定义，所以在返回数据时采用int(language_id)对数据值进行了类型转换。查询参数 q 的类型是 Optional[str]，即它的类型是 str，但也可以是 None（其实，是它的默认值为 None）， q 是可选参数。如果把有默认值的参数置于无默认值的参数前，Python 会报错。
2022-10-28 17:35:35
825
转载 百度paddleocr检测训练
1.准备一个新的虚拟环境，安装下载的源码当中对应的requirements.txt文件，记住paddle的版本尽量和下载的代码版本一致，使用tensorrt需要的paddlepaddle版本也不一样，需要去官网查找。program.py调整ArgsParser下面的-c-config指定为.yml的配置文件路径（也就是你修改的配置文件路径）最后训练好可以在./output/db_mv3下面的yml中查看训练的配置文件。Label.txt保存的gt框的坐标（一般用的都是这个）2.准备自己的数据集。...
2022-07-26 16:21:13
1469
4
原创 paddleocr的加速和部署
一.代码准备下载2.0版本以上的paddleocr：paddleocr2.0以上的在训练自己模型的时候有参数： load_static_weights: True #是否将预训练模型保存在静态图形模式所以，只要安装好了tensorrt一般都可以直接使用，Serving也需要2.0版本以上的二.tensorrt的安装可以参照以下方法安装tensorrt：https://blog.csdn.net/zong596568821xp/article/details/8
2022-04-28 15:32:02
1895
原创 遇到的问题-python
查看指定gup进程： sudo fuser -v /dev/nvidia* *指全部gpu，可以用1,2,3,4指定GPU查看ps -ef | grep python3查看python3命令运行的进程后台运行：nohup python xxx.py &进行后台运行代码，可以直接关闭电脑关闭进程：kill -9 -9 后面空格加上进程号，即可关闭指定进程指定路径虚拟环境创建：conda create --prefix=D: python=3.5–p
2022-04-22 11:42:40
1310
原创 YOLOv5-目标检测
简介：YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：1>输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；2> 基准网络：融
2022-01-14 10:33:46
6431
原创 neo4j的连接和基础步骤
使用pycharm和netbook连接neo4j需要安装py2neo直接使用：pip install py2neo -i https://pypi.tuna.tsinghua.edu.cn/simple启动:neo4j.bat console使用pycharm或者netbook调用neo4j：gragh=Graph("http://localhost:7474",auth=('neo4j','Neo4j'))或者gragh=Graph("http://localhost:7474",us
2021-12-07 14:29:47
1968
原创 AI算法题--2
深度可分离卷积操作流程：正常卷积核是对3个通道同时做卷积。也就是说，3个通道，在一次卷积后，输出一个数。深度可分离卷积分为两步：第一步用三个卷积对三个通道分别做卷积，这样在一次卷积后，输出3个数。这输出的三个数，再通过一个1x1x3的卷积核（pointwise核），得到一个数。所以深度可分离卷积其实是通过两次卷积实现的。第一步，对三个通道分别做卷积，输出三个通道的属性：第二步，用卷积核1x1x3对三个通道再次做卷积，这个时候的输出就和正常卷积一样，是8x8x1：如果要提取更多的属性，则需
2021-09-29 09:56:26
296
原创 AI算法题-1
深度学习的常见的初始化：Pre-train初始化高斯分布初始化Xavier初始化：标准正态分布，均匀分布Kaiming初始化：标准正态分布，均匀分布Lecun正交矩阵初始化稀疏矩阵初始化单位矩阵初始化SVM损失函数：线性支持向量机SVM：在学习支持向量机的过程中，因为其损失函数的形状像一个合页，故命名合页损失函数。下图为合页损失函数的图像：横轴表示函数间隔，我们从两个方面来理解函数间隔：正负当样本被正确分类时，y(wx+b)>0；当样本被错误分类时，y(wx+b)<
2021-09-28 15:42:01
379
原创 ctpn注释
自己写的注释，可能不对，将就看import osos.environ['CUDA_VISIBLE_DEVICES'] = '0'import cv2import numpy as npimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torchvision.models as modelsimport numpy as npfrom PIL import Imagefrom PIL import
2021-09-23 16:47:41
176
原创 浅谈基础神经网络-2
DenseNet：DenseNet核心思想在于建立了不同层之间的连接关系，充分利用了feature，进一步减轻了梯度消失问题，加深网络不是问题，而且训练效果非常好。相比ResNet，DenseNet提出了一个更激进的密集连接机制：即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入。由于密集连接方式，DenseNet提升了梯度的反向传播，使得网络更容易训练。DenseNet采用直接将所有输入连接到输出层。网络模型：DenseNet结构：DenseNet的整体结构主要包含稠密
2021-09-15 09:55:43
256
原创 浅谈常见的基础神经网络
LeNet:基本结构：INPUT输入层、C1卷积层、S2池化层、C3卷积层、S4池化层、C5卷积层、F6全连接层、Output全连接层。INPUT层，一般图像输入3232，本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。卷积层C1，对输入图像进行第一次卷积运算（使用 6 个大小为 55 的卷积核），得到6个C1特征图（6个大小为2828的 feature maps, 32-5+1=28）。卷积核的大小为55，总共就有6*（55+1）=156个参数，其中+1是表示一个核有一个bi
2021-09-14 16:20:06
311
1
原创 常见的激活函数
Sigmoid函数：Sigmoid 是常用的非线性的激活函数，可以将全体实数映射到（0， 1）区间上，其采用非线性方法将数据进行归一化处理；sigmoid函数通常用在回归预测和二分类（即按照是否大于0.5进行分类）模型的输出层中。函数：求导：优点： Sigmoid的取值范围在(0, 1)，而且是单调递增，比较容易优化、 Sigmoid求导比较容易，可以直接推导得出。**缺点：**Sigmoid函数收敛比较缓慢、由于Sigmoid是软饱和，容易产生梯度消失，对于深度网络训练不太适合（从图上si
2021-09-13 15:13:29
432
转载 坐标轴的旋转及绕某一点旋转后坐标值求解
坐标轴的旋转不改变坐标原点的位置和单位长度，只改变坐标轴方向的坐标系的变换，叫做坐标轴的旋转．设点M在原坐标系中的坐标为(x,y)，对应向量的模为r，幅角为α．将坐标轴绕坐标原点，按照逆时针方向旋转角θ形成新坐标系，点M在新坐标系中的坐标为（如图2-4），则由此得到坐标轴的旋转的坐标变换公式点绕点旋转平面上一点x1,y1,绕平面上另一点x2,y2顺时针旋转θ角度 ，怎么求旋转后的x1,y1对应的坐标x，yx=(x1-x2)cosθ-(y1-y2)sinθ+x2y=(y1-y2)cosθ+
2021-09-10 10:47:54
2947
原创 图片字体框检测--标注图片的检测
import osimport cv2import pandas as pd#不做平移或者旋转等变化的path="E:\qichacha\data\zuobiao\\csv"for i in os.listdir(path): back = os.path.join(path, i) data = pd.read_csv(back,header=None) imgBgr=cv2.imread("E:\\qichacha\\img\\zengguang\\jiaoyan\\
2021-09-10 10:10:51
149
原创 图像数据增广
import osimport numpy as npimport cv2import random## **循环记录**n=0;k=0;a=0;m=0path=r"E:\qichacha\img\\beijing\\"for i in os.listdir(path):#背景图 back = os.path.join(path, i) img = cv2.imread(back)#平移 # 构造移动矩阵H # 在x轴方向移动多少距离，在y轴方向移动多少距离
2021-09-07 11:06:45
1726
2
原创 营业执照数据生成
import pandas as pdfrom PIL import Imagefrom PIL import ImageFilterfrom PIL import ImageEnhanceimport cv2from PIL import ImageDraw, ImageFontdata=pd.read_csv('E:\qichacha\data\qichacha.csv',encoding='gbk')fnt = ImageFont.truetype(r'E:\qichacha\gen_d
2021-09-06 17:33:03
1878
1
原创 爬取企查查公司信息
import requestsimport timefrom lxml import etreeimport pandas as pdimport csvbase_url = 'https://www.qcc.com/web/search?key='headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0'}data = pd.r
2021-09-06 16:16:31
1607
2
原创 爬取企查查公司URL
import timeimport pandas as pdfrom selenium import webdriverfrom selenium.webdriver import ActionChainsa = []def login(driver): driver.delete_all_cookies() url = "https://www.qcc.com/weblogin?back=%2F" #https://www.qcc.com/weblogin?back=%2F
2021-09-06 16:15:12
502
原创 Eno4j建立互联网公司和旗下腾讯等知识图谱
Neo4j数据库的使用建立互联网公司实体：create(n:Company {name:“互联网公司”}) return n建立企业实体：create(n:Firm {name:“中国企业”}) return n建立隶属的公司实体：create(n:Enterprise {name:“苹果”}) return n建立游戏实体：create(n:Game {gramname:“阴阳师”}) return n重复步骤上面三步，建立符合要求的多个实体，如图：建立Company（互联网公司）和 Fir
2021-07-11 10:35:56
197
原创 Neo4j知识图谱--基础建立
知识图谱简单建立建立人物实体（Sally）CREATE (n:Person {name:'Sally'}) RETURN n注：每次一句一句运行建立地区实体（Miami和Boston）CREATE (n:Location {city:'Miami', state:'FL'})CREATE (n:Location {city:'Boston', state:'MA'})在这里插入图片描述Location是节点类型，city和state是属性建立关系人物之间的关系建立MA
2021-07-10 12:22:21
331
原创 自然语言复习
1、NLP的应用场景智能客服，机器翻译，情感分析，意图识别，信息抽取2、NLP的主要任务1.文本分类：新闻分类，垃圾邮件识别，情感分析，意图识别2.文本匹配：query-doc搜索，商品检索等3.序列标注：分词，词性标注，命名实体识别4.文本生成：机器翻译（文本到文本），自动撰写（数据到文本），看图说话（图像到文本）3、N元语法模型N-Gram模型是一种基于统计语言模型的算法作用：计算句子出现的概率4、利用N元语法模型计算句子出现的概率如Bi-Gram：语料库中含有：今天天气晴朗，今天
2021-06-30 16:47:06
141
原创 简单的新闻发布系统--登录
1、登录功能前台页面的创建编写登录页面login.jsp，其中注册按钮提交使用javascript处理。<input type="button" name="cmdCancel" value="注 册"class="defaultButton" onclick="onclick_reg(‘register/register.jsp’);">javascript函数onclick_reg的关键代码：function onclick_reg(url){ login.action=url;
2021-06-26 16:25:46
250
原创 简单的新闻发布系统--注册
编写注册验证文件reg.js，关键代码： //验证用户名 if(f1.userid.value==""){ alert("用户名不能为空"); return; } //验证密码 if(f1.password.value.length<6 || f1.password.value.length>18){ alert("密码的长度必须在6-18位"); return; } //验证两次密码是否相同 if(f1.password.value!=f1.password2.
2021-06-26 16:23:58
154
原创 spark复习题
Wordcout：scRdd1=sc.textFile(“D:/data/word.txt ”)或者rdd1 = sc.parallelize([‘hello world, hello spark, hello pyspark’])rdd2 = rdd1.flatMap(lambda x:x.split(" "))rdd3 = rdd2.map(lambda x:(x,1))rdd4 = rdd3.reduceByKey(lambda a, b: a + b)rdd4.collect()sp
2021-06-23 10:05:44
410
原创 数据可视化-Tableau-网店运营可视化分析
若有错误，请尝试将维度或者度量里面的值进行转换：度量变成维度；维度变成度量。1.使用经纬度生成地图，国家筛选中国，将省份拖入标签和详细信息，类别作为颜色，记录数拖入大小，标记换成饼图。2.将省份类别分别拖入行列，使用订单日期筛选选择年份，将利润拖入颜色和标签。3.先将客户名和销售额分别拖入行列，使用订单日期筛选年份，类别拖入颜色。4.先将是否退回和客户名称分别拖入行列，使用订单日期筛选年份，类别拖入颜色。5.创建仪表盘，将1-4步生成的图拖入仪表盘。6.将订单日期和记录数分别拖入行列.
2021-06-10 18:56:13
1925
7
原创 软考总结--软考知识点5
grant权限（数据库）LINUX chmod修改权限视图–外模式存储文件–内模式基本表–模式计算机系统由DRAM构成高内聚低耦合等差求和：a1n+(n(n-1)d)/2排序：空间复杂度：快速long、归并n时间复杂度：快速、堆、归并n被long，最坏快速有n2，其余时间都是n2UMN图：创建型：两工厂、一单例、原型生成器结构型：享元代理适配、装饰外观组合桥接剩下的是行为型大题第一题：第一问： 按照题目分析实体名一般为名词。第二问： 按着流线，上面的信息：比如：D3：
2021-06-03 21:26:25
301
原创 操作系统-软考知识总结-5
磁道数=磁道密度*有效记录长度格式化容量=面数 *（磁道数/面） *（扇区数/道） *（字节数/扇区）若某计算机系统的I/O接口与主存采用统一编址，则输入输出操作是通过（ 输入输出）指令来完成的。正常情况下，操作系统对保存有大量有用数据的硬盘进行（ 磁盘清理和碎片清理）操作时，不会清除有用数据采用中断方式和DMA方式控制技术，CPU与外设可以并行工作。PV操作图如下图所示：PV操作控制进程P1~P5并发执行，设置6个信号S1 ~S6。解析：对应位置填写如图：P1执行完之后通知P3、P
2021-04-27 22:30:39
2228
原创 数据可视化--ECharts图--HBuilderX--散点图2
<!DOCTYPE html><html> <head> <meta charset="utf-8"> <title>鸢尾花</title><script src="echarts/echarts.min.js"></script><script src="echarts/d3.min.js"></script></head><body> &l
2021-04-23 16:08:52
742
原创 数据可视化--ECharts图--HBuilderX--散点图1
<!DOCTYPE html><html> <head> <meta charset="utf-8"> <title></title> <script src="echarts.min.js"></script> </head> <body> <div style="width:300px;height:400px;"></div> &l
2021-04-23 16:03:46
734
阿里Java的编码规范
2023-01-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人