TensorFlow - 相關 API

阿新 • • 發佈：2018-03-12

再計算通道數 erro ali ural 現在 thead post false

來自：https://cloud.tencent.com/developer/labs/lab/10324

TensorFlow - 相關 API

TensorFlow 相關函數理解

任務時間：時間未知

tf.nn.conv2d

conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format=‘NHWC‘,
    name=None
)

功能說明：

卷積的原理可參考 A guide to convolution arithmetic for deep learning

參數列表：

參數名	必選	類型	說明
input	是	tensor	是一個 4 維的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是圖像，[ 訓練時一個 batch 的圖片數量, 圖片高度, 圖片寬度, 圖像通道數 ]）
filter	是	tensor	是一個 4 維的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是圖像，[ 卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數 ]）,filter 的 in_channels 必須和 input 的 in_channels 相等
strides	是	列表	長度為 4 的 list，卷積時候在 input 上每一維的步長，一般 strides[0] = strides[3] = 1
padding	是	string	只能為 " VALID "，" SAME " 中之一，這個值決定了不同的卷積方式。VALID 丟棄方式；SAME：補全方式
use_cudnn_on_gpu	否	bool	是否使用 cudnn 加速，默認為 true
data_format	否	string	只能是 " NHWC ", " NCHW "，默認 " NHWC "
name	否	string	運算名稱

技術分享圖片

示例代碼：

現在您可以在 /home/ubuntu

目錄下創建源文件 conv2d.py，內容可參考：

示例代碼：/home/ubuntu/conv2d.py

import tensorflow as tf

a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])
b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])
c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding=‘VALID‘)
d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding=‘SAME‘)
with tf.Session() as sess:
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))
    print ("d shape:")
    print (d.shape)
    print ("d value:")
    print (sess.run(d))

然後執行:

cd /home/ubuntu;
python conv2d.py

執行結果：

c shape:
(1, 3, 3, 1)
c value:
[[[[ 4.]
   [ 3.]
   [ 4.]]

  [[ 2.]
   [ 4.]
   [ 3.]]

  [[ 2.]
   [ 3.]
   [ 4.]]]]
d shape:
(1, 5, 5, 1)
d value:
[[[[ 2.]
   [ 2.]
   [ 3.]
   [ 1.]
   [ 1.]]

  [[ 1.]
   [ 4.]
   [ 3.]
   [ 4.]
   [ 1.]]

  [[ 1.]
   [ 2.]
   [ 4.]
   [ 3.]
   [ 3.]]

  [[ 1.]
   [ 2.]
   [ 3.]
   [ 4.]
   [ 1.]]

  [[ 0.]
   [ 2.]
   [ 2.]
   [ 1.]
   [ 1.]]]]

tf.nn.relu

relu(
    features,
    name=None
)

功能說明：

relu激活函數可以參考 CS231n: Convolutional Neural Networks for Visual Recognition

參數列表：

參數名	必選	類型	說明
features	是	tensor	是以下類型float32, float64, int32, int64, uint8, int16, int8, uint16, half
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 relu.py，內容可參考：

示例代碼：/home/ubuntu/relu.py

import tensorflow as tf

a = tf.constant([1,-2,0,4,-5,6])
b = tf.nn.relu(a)
with tf.Session() as sess:
    print (sess.run(b))

然後執行：

cd /home/ubuntu;
python relu.py

執行結果：

[1 0 0 4 0 6]

tf.nn.max_pool

max_pool(
    value,
    ksize,
    strides,
    padding,
    data_format=‘NHWC‘,
    name=None
)

功能說明：

池化的原理可參考 CS231n: Convolutional Neural Networks for Visual Recognition

參數列表：

參數名	必選	類型	說明
value	是	tensor	4 維的張量，即 [ batch, height, width, channels ]，數據類型為 tf.float32
ksize	是	列表	池化窗口的大小，長度為 4 的 list，一般是 [1, height, width, 1]，因為不在 batch 和 channels 上做池化，所以第一個和最後一個維度為 1
strides	是	列表	池化窗口在每一個維度上的步長，一般 strides[0] = strides[3] = 1
padding	是	string	只能為 " VALID "，" SAME " 中之一，這個值決定了不同的池化方式。VALID 丟棄方式；SAME：補全方式
data_format	否	string	只能是 " NHWC ", " NCHW "，默認" NHWC "
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 max_pool.py，內容可參考：

示例代碼：/home/ubuntu/max_pool.py

import tensorflow as tf

a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])
b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding=‘VALID‘)
c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding=‘SAME‘)
with tf.Session() as sess:
    print ("b shape:")
    print (b.shape)
    print ("b value:")
    print (sess.run(b))
    print ("c shape:")
    print (c.shape)
    print ("c value:")
    print (sess.run(c))

然後執行：

cd /home/ubuntu;
python max_pool.py

執行結果：

b shape:
(1, 2, 2, 1)
b value:
[[[[ 9.]
   [ 2.]]

  [[ 6.]
   [ 3.]]]]
c shape:
(1, 2, 2, 1)
c value:
[[[[ 9.]
   [ 2.]]

  [[ 6.]
   [ 3.]]]]

tf.nn.dropout

dropout(
    x,
    keep_prob,
    noise_shape=None,
    seed=None,
    name=None
)

功能說明：

原理可參考 CS231n: Convolutional Neural Networks for Visual Recognition

參數列表：

參數名	必選	類型	說明
x	是	tensor	輸出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否則為 0
keep_prob	是	scalar Tensor	dropout 的概率，一般是占位符
noise_shape	否	tensor	默認情況下，每個元素是否 dropout 是相互獨立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，該維度的元素是否 dropout 是相互獨立，若 noise_shape[i] != shape(x)[i] 該維度元素是否 dropout 不相互獨立，要麽一起 dropout 要麽一起保留
seed	否	數值	如果指定該值，每次 dropout 結果相同
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 dropout.py，內容可參考：

示例代碼：/home/ubuntu/dropout.py

import tensorflow as tf

a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)
b = tf.placeholder(tf.float32)
c = tf.nn.dropout(a,b,[2,1],1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print (sess.run(c,feed_dict={b:0.75}))

然後執行：

cd /home/ubuntu;
python dropout.py

執行結果：

[[ 0.          0.          0.        ]
 [ 5.33333349  6.66666651  8.        ]]

tf.nn.sigmoid_cross_entropy_with_logits

sigmoid_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

功能說明：

先對 logits 通過 sigmoid 計算，再計算交叉熵，交叉熵代價函數可以參考 CS231n: Convolutional Neural Networks for Visual Recognition

參數列表：

參數名	必選	類型	說明
_sentinel	否	None	沒有使用的參數
labels	否	Tensor	type, shape 與 logits相同
logits	否	Tensor	type 是 float32 或者 float64
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 sigmoid_cross_entropy_with_logits.py：

示例代碼：/home/ubuntu/sigmoid_cross_entropy_with_logits.py

import tensorflow as tf
x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)
y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)
loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)
with tf.Session() as sess:
    print (sess.run(loss))

然後執行：

cd /home/ubuntu;
python sigmoid_cross_entropy_with_logits.py

執行結果：

[  3.13261688e-01   1.26928011e-01   4.85873516e-02   4.01814993e+00
   5.00671535e+00   2.47568514e-03   7.00091147e+00]

tf.truncated_normal

truncated_normal(
    shape,
    mean=0.0,
    stddev=1.0,
    dtype=tf.float32,
    seed=None,
    name=None
)

功能說明：

產生截斷正態分布隨機數，取值範圍為 [ mean - 2 * stddev, mean + 2 * stddev ]。

參數列表：

參數名	必選	類型	說明
shape	是	1 維整形張量或 array	輸出張量的維度
mean	否	0 維張量或數值	均值
stddev	否	0 維張量或數值	標準差
dtype	否	dtype	輸出類型
seed	否	數值	隨機種子，若 seed 賦值，每次產生相同隨機數
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 truncated_normal.py：

示例代碼：/home/ubuntu/truncated_normal.py

import tensorflow as tf
initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)
print(tf.Session().run(initial))

然後執行:

python /home/ubuntu/truncated_normal.py

執行結果：

將得到一個取值範圍 [ -2, 2 ] 的 3 * 3 矩陣，您也可以嘗試修改源代碼看看輸出結果有什麽變化？

tf.constant

constant(
    value,
    dtype=None,
    shape=None,
    name=‘Const‘,
    verify_shape=False
)

功能說明：

根據 value 的值生成一個 shape 維度的常量張量

參數列表：

參數名	必選	類型	說明
value	是	常量數值或者 list	輸出張量的值
dtype	否	dtype	輸出張量元素類型
shape	否	1 維整形張量或 array	輸出張量的維度
name	否	string	張量名稱
verify_shape	否	Boolean	檢測 shape 是否和 value 的 shape 一致，若為 Fasle，不一致時，會用最後一個元素將 shape 補全

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 constant.py，內容可參考：

示例代碼：/home/ubuntu/constant.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np
a = tf.constant([1,2,3,4,5,6],shape=[2,3])
b = tf.constant(-1,shape=[3,2])
c = tf.matmul(a,b)

e = tf.constant(np.arange(1,13,dtype=np.int32),shape=[2,2,3])
f = tf.constant(np.arange(13,25,dtype=np.int32),shape=[2,3,2])
g = tf.matmul(e,f)
with tf.Session() as sess:
    print (sess.run(a))
    print ("##################################")
    print (sess.run(b))
    print ("##################################")
    print (sess.run(c))
    print ("##################################")
    print (sess.run(e))
    print ("##################################")
    print (sess.run(f))
    print ("##################################")
    print (sess.run(g))

然後執行:

python /home/ubuntu/constant.py

執行結果：

a: 2x3 維張量；
b: 3x2 維張量；
c: 2x2 維張量；
e: 2x2x3 維張量；
f: 2x3x2 維張量；
g: 2x2x2 維張量。

tf.placeholder

placeholder(
    dtype,
    shape=None,
    name=None
)

功能說明：

是一種占位符，在執行時候需要為其提供數據

參數列表：

參數名	必選	類型	說明
dtype	是	dtype	占位符數據類型
shape	否	1 維整形張量或 array	占位符維度
name	否	string	占位符名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 placeholder.py，內容可參考：

示例代碼：/home/ubuntu/placeholder.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32,[None,3])
y = tf.matmul(x,x)
with tf.Session() as sess:
    rand_array = np.random.rand(3,3)
    print(sess.run(y,feed_dict={x:rand_array}))

然後執行:

python /home/ubuntu/placeholder.py

執行結果：

輸出一個 3x3 的張量

tf.nn.bias_add

bias_add(
    value,
    bias,
    data_format=None,
    name=None
)

功能說明：

將偏差項 bias 加到 value 上面，可以看做是 tf.add 的一個特例，其中 bias 必須是一維的，並且維度和 value 的最後一維相同，數據類型必須和 value 相同。

參數列表：

參數名	必選	類型	說明
value	是	張量	數據類型為 float, double, int64, int32, uint8, int16, int8, complex64, or complex128
bias	是	1 維張量	維度必須和 value 最後一維維度相等
data_format	否	string	數據格式，支持 ‘ NHWC ‘ 和 ‘ NCHW ‘
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 bias_add.py，內容可參考：

示例代碼：/home/ubuntu/bias_add.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])
b = tf.constant([2.0,1.0])
c = tf.constant([1.0])
sess = tf.Session()
print (sess.run(tf.nn.bias_add(a, b)))
#print (sess.run(tf.nn.bias_add(a,c))) error
print ("##################################")
print (sess.run(tf.add(a, b)))
print ("##################################")
print (sess.run(tf.add(a, c)))

然後執行:

python /home/ubuntu/bias_add.py

執行結果：

3 個 3x2 維張量。您也可以嘗試修改源代碼看看輸出結果有什麽變化？

tf.reduce_mean

reduce_mean(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

功能說明：

計算張量 input_tensor 平均值

參數列表：

參數名	必選	類型	說明
input_tensor	是	張量	輸入待求平均值的張量
axis	否	None、0、1	None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims	否	Boolean	保留原來的維度(例如不會從二維矩陣降為一維向量)
name	否	string	運算名稱
reduction_indices	否	None	和 axis 等價，被棄用

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 reduce_mean.py，內容可參考：

示例代碼：/home/ubuntu/reduce_mean.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial = [[1.,1.],[2.,2.]]
x = tf.Variable(initial,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(tf.reduce_mean(x)))
    print(sess.run(tf.reduce_mean(x,0))) #Column
    print(sess.run(tf.reduce_mean(x,1))) #row

然後執行:

python /home/ubuntu/reduce_mean.py

執行結果：

1.5
[ 1.5  1.5]
[ 1.  2.]

tf.squared_difference

squared_difference(
    x,
    y,
    name=None
)

功能說明：

計算張量 x、y 對應元素差平方

參數列表：

參數名	必選	類型	說明
x	是	張量	是 half, float32, float64, int32, int64, complex64, complex128 其中一種類型
y	是	張量	是 half, float32, float64, int32, int64, complex64, complex128 其中一種類型
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 squared_difference.py，內容可參考：

示例代碼：/home/ubuntu/squared_difference.py

#!/usr/bin/python

import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
initial_y = [[3.,3.],[4.,4.]]
y = tf.Variable(initial_y,dtype=tf.float32)
diff = tf.squared_difference(x,y)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(diff))

然後執行:

python /home/ubuntu/squared_difference.py

執行結果：

[[ 4.  4.]
 [ 4.  4.]]

tf.square

square(
    x,
    name=None
)

功能說明：

計算張量對應元素平方

參數列表：

參數名	必選	類型	說明
x	是	張量	是 half, float32, float64, int32, int64, complex64, complex128 其中一種類型
name	否	string	運算名稱

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 square.py，內容可參考：

示例代碼：/home/ubuntu/square.py

#!/usr/bin/python
import tensorflow as tf
import numpy as np

initial_x = [[1.,1.],[2.,2.]]
x = tf.Variable(initial_x,dtype=tf.float32)
x2 = tf.square(x)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(x2))

然後執行:

python /home/ubuntu/square.py

執行結果：

[[ 1.  1.]
 [ 4.  4.]]

TensorFlow 相關類理解

任務時間：時間未知

tf.Variable

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None
)

功能說明：

維護圖在執行過程中的狀態信息，例如神經網絡權重值的變化。

參數列表：

參數名	類型	說明
initial_value	張量	Variable 類的初始值，這個變量必須指定 shape 信息，否則後面 validate_shape 需設為 False
trainable	Boolean	是否把變量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一種全局存儲，不受變量名生存空間影響，一處保存，到處可取）
collections	Graph collections	全局存儲，默認是 GraphKeys.GLOBAL_VARIABLES
validate_shape	Boolean	是否允許被未知維度的 initial_value 初始化
caching_device	string	指明哪個 device 用來緩存變量
name	string	變量名
dtype	dtype	如果被設置，初始化的值就會按照這個類型初始化
expected_shape	TensorShape	要是設置了，那麽初始的值會是這種維度

示例代碼：

現在您可以在 /home/ubuntu 目錄下創建源文件 Variable.py，內容可參考：

示例代碼：/home/ubuntu/Variable.py

#!/usr/bin/python

import tensorflow as tf
initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)
W=tf.Variable(initial)
list = [[1.,1.],[2.,2.]]
X = tf.Variable(list,dtype=tf.float32)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print ("##################(1)################")
    print (sess.run(W))
    print ("##################(2)################")
    print (sess.run(W[:2,:2]))
    op = W[:2,:2].assign(22.*tf.ones((2,2)))
    print ("###################(3)###############")
    print (sess.run(op))
    print ("###################(4)###############")
    print (W.eval(sess)) #computes and returns the value of this variable
    print ("####################(5)##############")
    print (W.eval())  #Usage with the default session
    print ("#####################(6)#############")
    print (W.dtype)
    print (sess.run(W.initial_value))
    print (sess.run(W.op))
    print (W.shape)
    print ("###################(7)###############")
    print (sess.run(X))

然後執行：

python /home/ubuntu/Variable.py

完成實驗

任務時間：時間未知

實驗內容已完成

您可進行更多關於機器學習教程：

實驗列表 - 機器學習

關於 TensorFlow 的更多資料可參考 TensorFlow 官網 。

TensorFlow - 相關 API

TensorFlow — 相關 API

平均值狀態例如完成 print 允許 ext 數列數據格式 TensorFlow — 相關 API TensorFlow 相關函數理解任務時間：時間未知 tf.truncated_normal truncated_normal( shape,

TensorFlow - 相關 API

再計算通道數 erro ali ural 現在 thead post false 來自：https://cloud.tencent.com/developer/labs/lab/10324 TensorFlow - 相關 API TensorFlow 相關函數理解任

java9新特性-16-Deprecated的相關API

port cms ide warnings mov tar 啟動應用 collector ons 1.官方Feature 211: Elide Deprecation Warnings on Import Statements 214: Remove GC Combina

2、FreeRTOS任務相關API函數

ret get 相關 main eat 定時器 ref ati 安全 1.任務相關的API函數函數存在於task.c中，主要的函數有： xTaskCreate()：使用動態的方法創建一個任務； xTaskCreatStatic()：使用靜態的方法創建一個任務（用

HBase 相關API操練(二)：Java API

auto 高性能 ++ getc public form 過濾類型 version 一、HBase Java編程（1）HBase是用Java語言編寫的，它支持Java編程；（2）HBase支持CRUD操作：Create，Read，Update和Delete；（

app自動化測試中的相關api

hello 輸入 app send round image IT end http 這個說的api即python自動化測試中經常會使用到的一些api，具體如下： 1、find_element_by_id/find_elements_by_id 定位元素api，使用方法如

使用TensorFlow C++ API構建線上預測服務

使用TensorFlow C++ API構建線上預測服務執行環境：CentOS，TF-1.10 除了本機的tensorflow之外，仍需要安裝下面的tf。原始碼安裝後，看到tensorflow/contrib/makefile/gen/lib/libtensorflow-co

tensorflow objectdetecton API 檢測模型不出結果

檢測模型在經過上萬次迭代訓練自己的樣本後，嘗試檢測模型；用相似環境下的圖片作為檢測樣本。以下是檢測程式碼，copy自別處，修改自己的路徑一類，cmd下執行，或者在配置好環境的pycharm 下執行。 import matplotlib matplotlib.use('Agg')

報名 | 谷歌資深工程師手把手教你使用TensorFlow最新API構建學習模型

目前，深度學習的研究和應用大受追捧，各種開源的深度學習框架層出不窮。TensorFlow 作為目前最受歡迎的深度學習框架，已經在 GitHub 上獲得了 112194 個 star，受歡迎程式可見一斑。但如何學習 TensorFlow，以及如何通過 TensorFlow 讓自己在深度學習方面

快速上手ABP - Angular部分 - 如何最快速度瞭解相關API。

不是google，不是angular官網，而是在Visual Studio Code選中這個API物件，滑鼠右鍵，選"Go to Definition" 例子：要想了解FormGroup。在Visual Studio Code選中FormGroup，滑鼠右鍵，選"Go to Definiti

php檔案資訊相關api

<?php date_default_timezone_set('PRC'); header('content-type:text/html;charset:utf-8'); //檔案資訊相關api $filename='./test.txt'; #$filename='./tes

Stream相關API學習使用記錄--（一）

一、前言在以前的工作中，業務中很多時候是需要迴圈來獲取某一個列表中的一些資料，比如獲取某一個值做業務邏輯的判斷，或者獲取其中一部分的資料，如使用狀態的標誌位等等，這個時候可能很多時候都是使用簡單的for迴圈、Foreach迴圈或者迭代器等方式，很多時候為了處理業務都是需要迴圈巢狀迴圈的。但是在Java8中

AttributeError: module 'tensorflow.tools.api.generator.api.train' has no attribute 'SummaryWriter'

AttributeError: module 'tensorflow.tools.api.generator.api.train' has no attribute 'SummaryWriter' summary_writer = tf.train.SummaryW

tensorflow相關tensor計算函式

1. tf.split 該函式主要用於對tensor進行分割，一般在設定多GPU平行計算時經常會被用到，主要是將一個batch資料集進行平分，分配給各個GPU，最後再彙總各個GPU得到的損失，從而加快模型的訓練速度，其主要引數的定義如下： value：待分割的 `Tensor

記錄使用Vue相關API開發專案時遇到的問題難點整理（不定時更新）

本文為整理記錄本人從17年初開始上手使用Vue以後，針對專案中業務需求所遇到到的各種問題及難點的解決方法整理?。 1、keep-alive元件快取：  <keep-alive> <router-v

系統程式設計——檔案I/O操作相關API

檔案I/O操作相關API 1.開啟一個檔案open(),既能開啟已存在的檔案，也能建立開啟一個新檔案函式原型： #include <sys/stat.h> #include <fcntl.h> int open(const char *pathna

Unity開發筆記（4）: 碰撞相關API

Unity3D中的碰撞：在unity中，有普通碰撞體Collider和觸發器（Trigger）兩種碰撞體，兩個普通碰撞體會發生碰撞併產生力學現象，觸發器則像是個無法觸碰而又真實存在的東西，也會觸發碰撞事件，但另一個物體會穿過它，碰撞發生的前提是兩碰撞體有一方攜

目標檢測中tensorflow常用API以及備選框篩選程式碼分析

目標檢測演算法中，因為產生的備選框特別多，需要刪減。而刪減的方法是NMS（非極大抑制演算法）。網上很多演算法是自己編寫功能程式碼。但是這不是tensorflow中自帶的功能，所以在使用tensorflow恢復模型的時候，sess並不能hold住他們。因此別人需要

原生JS中DOM節點相關API合集

節點屬性 Node.nodeName //返回節點名稱，只讀 Node.nodeType //返回節點型別的常數值，只讀 Node.nodeValue //返回Text或Comment節點的文字值，只讀 Node.textContent //返回當前節點和它的所有後代節點的文字內容，可讀寫 N

tensorflow相關配置

<tensorflow實戰google深度學習框架> 都使用GPU進行訓練沒執行一個程式時使用設定不同的 CUDA_VISIBLE_DEVICES ，在執行程式前先執行export CUDA_VISIBLE_DEVICES = 0，表示指定