余生的博客

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。

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。

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。

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。

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。

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。...

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

milvus-以图搜图

yolov5-标签数据转换代码

YOLOv5的tensorrt加速

FASTAPI，MD5，返回图片，上传文件，多个文件上传，单文件上传

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

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

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)&lt

总结希望对大家有用，可以关注一下嘛！！！

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

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

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