精华内容
下载资源
问答
  • OSI七层模型及作用介绍

    千次阅读 2010-06-29 14:39:00
    OSI的7层从上到下分别是:7应用;6表示;5会话;4传输;3网络;2数据链路;1物理. 物理(Physical Layer) ...在这一数据还没有被组织,仅作为原始的位流或电气电压处理,单位是比特。<b

    OSI的7层从上到下分别是:7应用层;6表示层;5会话层;4传输层;3网络层;2数据链路层;1物理层.

    物理层(Physical Layer)
    我们知道,要传递信息就要利用一些物理媒体,如双纽线、同轴电缆等,但具体的物理媒体并不在OSI的7层之内,有人把物理媒体当作第0层,物理层的任务就是为它的上一层提供一个物理连接,以及它们的机械、电气、功能和过程特性。如规定使用电缆和接头的类型,传送信号的电压等。在这一层,数据还没有被组织,仅作为原始的位流或电气电压处理,单位是比特。
    数据链路层(Data Link Layer)
    数据链路层负责在两个相邻结点间的线路上,无差错的传送以帧为单位的数据。每一帧包括一定数量的数据和一些必要的控制信息。和物理层相似,数据链路层要负责建立、维持和释放数据链路的连接。在传送数据时,如果接收点检测到所传数据中有差错,就要通知发方重发这一帧。
    网络层(Network Layer)
    在计算机网络中进行通信的两个计算机之间可能会经过很多个数据链路,也可能还要经过很多通信子网。网络层的任务就是选择合适的网间路由和交换结点,确保数据及时传送。网络层将数据链路层提供的帧组成数据包,包中封装有网络层包头,其中含有逻辑地址信息--源站点和目的站点地址的网络地址。
    传输层(Transport Layer)
    该层的任务时根据通信子网的特性最佳的利用网络资源,并以可靠和经济的方式,为两个端系统(也就是源站和目的站)的会话层之间,提供建立、维护和取消传输连接的功能,负责可靠地传输数据。在这一层,信息的传送单位是报文。
    会话层(Session Layer)
    这一层也可以称为会晤层或对话层,在会话层及以上的高层次中,数据传送的单位不再另外命名,统称为报文。会话层不参与具体的传输,它提供包括访问验证和会话管理在内的建立和维护应用之间通信的机制。如服务器验证用户登录便是由会话层完成的。
    表示层(Presentation Layer)
    这一层主要解决拥护信息的语法表示问题。它将欲交换的数据从适合于某一用户的抽象语法,转换为适合于OSI系统内部使用的传送语法。即提供格式化的表示和转换数据服务。数据的压缩和解压缩,加密和解密等工作都由表示层负责。
    应用层(Application Layer)
    应用层确定进程之间通信的性质以满足用户需要以及提供网络与用户应用.

     

    上面简单的说明了7层体系的OSI参考模型,为了方便起见,我们常常把上面的7个层次分为低层与高层。低层为1~4层,是面向通信的,高层为5~7层,是面向信息处理的。

    展开全文
  • 上篇博客中,我们可以了解搭建卷积神经网络的基础步骤 数据输入/ Input layer ...1.数据输入要做的处理主要是对原始图像数据进行预处理,其中包括: • 去均值:把输入数据各个维度都中心化为0,如下图...

    从上篇博客中,我们可以了解搭建卷积神经网络的基础步骤

     数据输入层/ Input layer
      • 卷积计算层/ CONV layer
      • ReLU激励层 / ReLU layer
      • 池化层 / Pooling layer
      • 全连接层 / FC layer

    1.数据输入层
    该层要做的处理主要是对原始图像数据进行预处理,其中包括:
      • 去均值:把输入数据各个维度都中心化为0,如下图所示,其目的就是把样本的中心拉回到坐标系原点上。
      • 归一化:幅度归一化到同样的范围,如下所示,即减少各维度数据取值范围的差异而带来的干扰,比如,我们有两个维度的特征A和B,A范围是0到10,而B范围是0到10000,如果直接使用这两个特征是有问题的,好的做法就是归一化,即A和B的数据都变为0到1的范围。
      • PCA/白化:用PCA降维;白化是对数据各个特征轴上的幅度归一化

    2.卷积计算层
    这一层就是卷积神经网络最重要的一个层次,也是“卷积神经网络”的名字来源。
    在这个卷积层,有两个关键操作:
      • 局部关联。每个神经元看做一个滤波器(filter)
      • 窗口(receptive field)滑动, filter对局部数据计算

    先介绍卷积层遇到的几个名词:
      • 深度/depth(解释见下图)
      • 步长/stride (窗口一次滑动的长度)
      • 填充值/zero-padding

    有上篇视频可以很好的了解什么是窗口互动。我们有一个5x5的图像,我们用一个3x3的卷积核:来对图像进行卷积操作(可以理解为有一个滑动窗口,把卷积核与对应的图像像素做乘积然后求和),得到了3x3的卷积结果。因此步长就很好理解了,就是窗口一次滑动的长度。在全零填充中,5x5的图像填充为7x7的图像,0就为填充值/zero-padding

    图像深度是指存储每个像素所用的位数,也用于度量图像的色彩分辨率。RGB深度为3

    3.激励层
    把卷积层输出结果做非线性映射。

    4.池化层
    池化层夹在连续的卷积层中间, 用于压缩数据和参数的量,减小过拟合。
    简而言之,如果输入是图像的话,那么池化层的最主要作用就是压缩图像。

     池化层的具体作用。

    1. 特征不变性,也就是我们在图像处理中经常提到的特征的尺度不变性,池化操作就是图像的resize,平时一张狗的图像被缩小了一倍我们还能认出这是一张狗的照片,这说明这张图像中仍保留着狗最重要的特征,我们一看就能判断图像中画的是一只狗,图像压缩时去掉的信息只是一些无关紧要的信息,而留下的信息则是具有尺度不变性的特征,是最能表达图像的特征。

    2. 特征降维,我们知道一幅图像含有的信息是很大的,特征也很多,但是有些信息对于我们做图像任务时没有太多用途或者有重复,我们可以把这类冗余信息去除,把最重要的特征抽取出来,这也是池化操作的一大作用。

    3. 在一定程度上防止过拟合,更方便优化。

     

     

    参考:https://blog.csdn.net/wuyujundy/article/details/78743459

    转载于:https://www.cnblogs.com/fcfc940503/p/11061215.html

    展开全文
  • 1、Socket(套接字)-...一台机器向另一台机器以无连接的、数据报的方式进行通讯,即UDP协议。(DatagramSocket) 原始套接字(SOCK_RAW) 允许对较低层次的协议直接访问,用来操纵网络和传输应用。(java无法
    1、Socket(套接字)-网络应用程序的接口

    Socket可以看作不同主机间的进程进行双向通信的端点。

    2、套接字类型:

    流套接字(SOCK_STREAM)
    流套接字用于提供面向连接、可靠的数据传输服务,即TCP协议。(ServerSocket, Socket)
    数据报套接字(SOCK_DGRAM)
    从一台机器向另一台机器以无连接的、数据报的方式进行通讯,即UDP协议。(DatagramSocket)
    原始套接字(SOCK_RAW)
    允许对较低层次的协议直接访问,用来操纵网络层和传输层应用。(java无法直接使用)

    3、数据报是一种无连接的通信服务。

    数据报的特点:速度快;稳定性差
    UDP包的理论长度为65507B,通常限制为8KB。

    4、TCP与UDP 的差别

    1.基于连接(TCP)与无连接(UDP);
    2.对系统资源的要求(TCP较多,UDP少);
    3.UDP程序结构较简单;
    4.流模式(TCP)与数据报模式 (UDP);
    5.TCP保证数据正确性,UDP可能丢包,TCP保证数据顺序,UDP不保证。

    5、UDP组播(MulticastSocket)

    是一种特殊的数据报传输方式,它将具有相同需求的主机加入到某一个组中,向组发送的信息,其所有成员均可接收至。
    组播地址:D类IP地址(224.0.0.0-239.255.255.255)+端口号。主机可以申请加入某个组播地址,也可以退出。若地址不在此范围,则抛出异常。
    生存周期 TTL(Time To Live):默认为1。setTimeToLive()

    6、UDP广播(Broadcast)

    主机之间“一对所有”的通讯模式,就是指同时向子网中的多台计算机发送消息,并且所有子网中的计算机都可以接收到发送方发来的消息。
    广播地址:如:255.255.255.255。

    由于广播是向某个子网中的所有计算机用户发送消息,没有目的性,会增加网络传输负担,而且资源消耗较高。

    7、单播、组播与广播的区别

    单播:单台主机与单台主机之间的数据通信;
    组播:单台主机向选定的一组主机发送数据报的过程;
    广播:单台主机向网络中所有主机发送数据报的过程,可能引发“网络风暴”;
    广播只能实现在同一网段中分发,而组播可以实现跨网段的传送。

    展开全文
  • 单层决策树: 基于单个特征来做决策,由于这棵树只有一次分裂过程,因此它实际上仅仅是一个树桩。集成方法:不同算法的集成;...bagging 和boosting对比分析: 原理差别bagging从原始数据集选择S次后得到S个新数...

    单层决策树:

            基于单个特征来做决策,由于这棵树只有一次分裂过程,因此它实际上仅仅是一个树桩。
    集成方法:

    1. 不同算法的集成;
    2. 同一算法在不同设置下的集成;

    AdaBoost:

    优点:泛化错误率低,易编码,可以应用在大部分分类器上,无参数调整。
    缺点:对离群点敏感。
    适用数据类型:数值型和标称型数据。

    bagging 和boosting对比分析:

     原理差别
    bagging从原始数据集选择S次后得到S个新数据集的一种技术。新数据集和原数据集的大小相等。每个数据集都是通过在原始数据集中随机选择一个样本来进行替换而得到的。这里的替换就意味着可以多次地选择同一样本,允许重复。(取出,放回)。将某个学习算法分别作用于每个数据集就得到S个分类器。每个分类器的权值相同不同分类器是通过串行训练而获得的,每个分类器都根据已训练处的分类器的性能来进行训练
    boosting所有分类器加权求和结果,每个分类器的权值不同集中关注被已有分类器错分的那些数据来获得新的分类器。

    AdaBoost一般流程

    1. 收集数据:可以使用任意方法。
    2. 准备数据:依赖于所使用的弱分类器类型,本章使用的是单层决策树,这种分类器可以出来任何数据类型,当然也可以使用任意分类器作为弱分类器,作为弱分类器,简单分类器的效果更好。
    3. 分析数据:可以使用任意方法。
    4. 训练算法:AdaBoost的大部分时间都用在训练上,分类器将多次在同一数据集上训练弱分类器。
    5. 测试算法:计算分类的错误率
    6. 使用算法:同SVM一样,AdaBoost预测两个类别中的一个。如果想把它应用到多个类别的场合,那么就要像多类SVM的做法一样,对AdaBoost进行修改。

    运行过程如下:
    1. 训练数据中的每个样本,并赋予其一个权重,这些权重构成了向量D。一开始,这些权重都初始化成相等值。
    2. 首先在训练数据上训练出一个弱分类器并计算该分类器的错误率,然后在同一数据集上再次训练弱分类器。
    3. 在分类器的第二次训练当中,将重新调整每个样本的权重,其中第一次分对的样本的权重将会降低,而第一次分错的样本的权重将会提高。
    4. 为了从所有弱分类器中得到最终的分类结果,AdaBoost为每个分类器都分配了一个权重值alpha,这些alpha值是基于每个弱分类器的错误率进行计算的。

    错误率 = 为正确分类的样本数据/所有样本数目
    alpha = (1/2)ln((1-错误率)/错误率
    样本权重更改:
    正确时:

    错误时:

    AdaBoost又开始进入下一轮迭代。AdaBoost算法会不断地重复训练和调整权重的过程,直到训练错误率为0或者弱分类器的数目达到用户的指定值为止。

    adaboost.py
    def loadSimpData():
    	datMat = matrix([[1.,2.1],[2.,1.1],[1.3,1.],[1.,1.],[2.,1.]])
    	classLabels = [1.0,1.0,-1.0,-1.0,1.0]
    	return datMat,classLabels
    def draw(datMat,classLabels):
    	import matplotlib.pyplot as plt
    	x1,y1,x2,y2=[],[],[],[]
    	datMat = array(datMat)
    	for i in range(len(classLabels)):
    		if classLabels[i] == 1.0:
    			x1.append(datMat[i][0])
    			y1.append(datMat[i][1])
    		else:
    			x2.append(datMat[i][0])
    			y2.append(datMat[i][1])
    	fig = plt.figure()
    	ax = fig.add_subplot(111)
    	ax.scatter(x1,y1,s = 30,c ='red')
    	ax.scatter(x2,y2,s = 30,c = 'green',marker = 's')
    	plt.show()

    数据集分布:
    找到具有最低错误率的单层决策树:

    伪代码:
    将最小错误率minError设为+oo

    对数据集中的每一个特征(第一层循环):
            对每个步长(第二层循环):
                    对每个不等号(第三层循环):
                            建立一个单层决策树并利用加权数据集对它进行测试
                            如果错误率低于minError,则将当前单层决策树设为最佳单层决策树
    返回最佳决策树


    #threshVal 阈值,将所有在阈值一边的数据分到-1,而另外一边的数据分到类别+1
    def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):
    	retArray = ones((shape(dataMatrix)[0],1))#
    	if threshIneq =='lt':
    		retArray[dataMatrix[:,dimen] <= threshVal] =-1.0
    	else:
    		retArray[dataMatrix[:,dimen] > threshVal] = 1.0
    	return retArray#返回的是判断后各样本所属类别的结果
    
    #目的是找到数据集上最佳的单层决策树
    def buildStump(dataArr,classLabels,D):
    	dataMatrix = mat(dataArr)
    	labelMat = mat(classLabels).T
    	m,n = shape(dataMatrix)
    	numSteps = 10.0
    	bestStump  = {}#空字典,单层决策树
    	bestClassEst = mat(zeros((m,1)))
    	minError = inf#错误率初始化为正无穷大,之后用于寻找可能的最小错误率
    	for i in range(n):#在数据集的所有特征上遍历
    		rangeMin = dataMatrix[:,i].min()
    		rangMax = dataMatrix[:,i].max()
    		stepSize = (rangMax-rangeMin)/numSteps#计算步长
    		for j in range(-1,int(numSteps) + 1):
    			for inequal in['lt','gt']:
    				threshVal = (rangeMin+float(j)*stepSize)#设置阈值
    				predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)
    				errArr = mat(ones((m,1)))
    				errArr[predictedVals == labelMat] = 0
    				weightedError = D.T *errArr#分类器交互的地方
    				#计算加权错误率
    				# print(errArr,D)
    				# print("split: dim %d , thresh %.2f ,thresh inequal: %s ,the weighted error is %.3f \n"%(i,threshVal,inequal,weightedError),predictedVals)
    				if weightedError < minError:
    					minError = weightedError
    					bestClassEst = predictedVals.copy()
    					bestStump['dim'] = i
    					bestStump['thresh'] = threshVal
    					bestStump['ineq'] = inequal
    	return bestStump,minError,bestClassEst
    注意:weightedError = D.T * errArr能够计算出错误率的原因如下,D为样本权重向量,前面已把没有错误的errArr[]对应的位置设为0,根据矩阵乘法,错误率各权重相加之和即为错误率
    得到结果如下图所示:
    结果太长,相应省略了点。。。

    生成S分类器:
    伪代码:
    对每次迭代:
           利用buildStump()函数找到最佳的单层决策树
           将最佳的单层决策树加入到单层决策数组
           计算alpha
          计算新的权重D
          更新累积类别的估计值
          如果错误率等于0.0,则退出循环
    返回单层决策数组
    def adaBoostTrainDS(dataArr,classLabels,numIt = 4.0):
    	weakClassArr = []
    	m = shape(dataArr)[0]
    	D = mat(ones((m,1))/m)#初始化样本权重
    	aggClassEst = mat(zeros((m,1)))
    	for i in range(numIt):
    		bestStump,error ,classEst = buildStump(dataArr,classLabels,D)
    		# print("D: ",D.T)
    		alpha = float(0.5*log((1.0-error)/max(error,1e-16)))
    		bestStump['alpha'] = alpha
    		weakClassArr.append(bestStump)
    		# print("classEst:",classEst.T)
    		#以下两行,为下一次迭代计算D
    		expon = multiply(-1*alpha*mat(classLabels).T,classEst)
    		D = multiply(D,exp(expon))
    		D = D/D.sum()
    		#以下五行,错误率累积计算
    		aggClassEst +=alpha *classEst
    		# print("aggClassEst:",aggClassEst.T)
    		aggErrors =multiply(sign(aggClassEst) !=mat(classLabels).T,ones((m,1)))
    		errorRate= aggErrors.sum()/m
    		# print("total error:",errorRate,"\n")
    		if errorRate == 0.0:
    			break
    	return weakClassArr
    显示结果如下所示:
    测试算法:
    def adaClassfiy(datToClass,classifierArr):
    	dataMatrix = mat(datToClass)
    	m = shape(dataMatrix)[0]
    	aggClassEst = mat(zeros((m,1)))
    	for i in range(len(classifierArr)):
    		classEst = stumpClassify(dataMatrix,classifierArr[i]['dim'],classifierArr[i]['thresh'],classifierArr[i]['ineq'])#单层决策树下对于的类别结果
    		aggClassEst +=classifierArr[i]['alpha']*classEst
    		print(aggClassEst)
    	return sign(aggClassEst)

    显示结果如下所示:
    显示结果是各弱分类器权重与分类结果相乘之和。

    非均衡分类问题

    不同类别的分类代价并不相等。

    其他分类性能度量指标:正确率、召回率及ROC

    正确率:在所有测试样例中分对的样例比例
    错误率:在所有测试样例中错分的样例比例(掩盖了样例如何被分错的事实)
    混淆矩阵:也称为误差矩阵,是表示精度评价中的一种标准格式,用n行n列的矩阵形式来表示

    召回率:
    ROC(Receiver Operating Characteristic):接收者操作特征,用于度量分类中的非均衡性的工具
    真阳率:TP/(FP+TN)
    假阳率:FP/(TP+FN)
    AUC(Area User the Crue)曲线下面积:对不同的ROC曲线进行比较的一个指标,给出的是分类器的平均性能值。

    创建ROC曲线

    1. 将分类样例按照其预测强度排序;
    2. 先从排名最低的样例开始,所有排名更低的样例都被判为反例,而所有排名更高的样例都被判为正例;
    3. 将其移到排名次低的样例中去,如果该样例属于正例,那么对真阳率进行修改,如果该样例属于反例,那么对假阳率进行修改
    def plotROC(predStrengths,classLabels):
    	#preStrengths代表分类器的预测强度
    	import matplotlib.pyplot as plt
    	cur = (1.0,1.0)#保留绘制光标的位置
    	ySum = 0.0#计算AUC
    	numPosClas = sum(array(classLabels) == 1.0)
    	yStrp = 1/float(numPosClas)#y轴上的步长,在0.0~1.0区间上绘点
    	xStep = 1/float(len(classLabels) - numPosClas)#x轴上的步长
    	sortedIndicies = predStrengths.argsort()
    	fig = plt.figure()
    	fig.clf()
    	ax = plt.subplot(111)
    	for index in sortedIndicies.tolist()[0]:
    		if classLabels[index] == 1.0:
    			delX = 0
    			delY = yStrp
    		else:
    			delX = xStep
    			delY = 0
    			ySum +=cur[1]
    		ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY],c = 'b')
    		cur =(cur[0]-delX,cur[1]-delY)
    	ax.plot([0,1],[0,1],'b--')
    	plt.xlabel('False Positive Rate')
    	plt.ylabel('True Positive Rate')
    	plt.title('ROC curve for AdaBoost Horse Colic Detection System')
    	ax.axis([0,1,0,1])
    	plt.show()
    	print("The Area Under the Curve is:",ySum * xStep)

    显示结果如下图所示:

    基于代价函数的分类器的决策控制

    总代价:TP*0 + FN*1 + FP*1 + TN*0(数字根据实际情况确定)
    在构建分类器时,知道了这些代价值,那么就可以选择付出最小代价的分类器

    处理非均衡问题是数据抽样方法

    欠抽样:删除样例
    过抽样:复制样例
    抽样过程:随机或者某个预定方式来实现

    展开全文
  • 网络线缆上收集原始二进制数据,通常将选定的网卡设置成混杂模式来完成抓包 在这种模式下,网卡将抓取一个网段上所有网络通信流量,而不是发往它的数据包??? 转换 将捕获的二进制数据转换成可读形式 分析 ...
  • OSI/RM模型 七层协议 下而上: 物理层 数据链路层 网络层 传输层 会话层 表示层 应用层 其中四层完成数据传输服务 上面三层面向用户 OSI 七层网络模型 物理层 Physical Layer  激活、维持、关闭通信端点...
  • 2020-07-30

    2020-07-30 20:18:02
    在计算网络中OSI/RM(Open System Interconnection/Reference Model)参考模型分七层,下面下到上分别介绍各层功能。 一层物理层,传输单位是比特,任务是透明传输,功能是在物理层上透明传输原始比特流。 ...
  • 一篇网络协议

    2020-08-02 13:21:37
    上面有个小错误,应该是OSI七层网络模型 OSI模型的层次结构 参考上图OSI一共分为7层,每一层都由上一层支配,并上一层接收数据,为上一层提供服务。其主要功能分别是: 一层(物理层):原始比特流传输,...
  • 原始音频CD数据文件 CDT:CorelDRAW模板 CDX:CorelDRAW压缩绘图文件;Microsoft Visual FoxPro索引文件 CFG:配置文件 CGI:公共网关接口脚本文件 CGM:计算机图形元文件 CH:OS/2配置文件 CHK:由Windows...
  • 网闸——中网网闸产品介绍

    千次阅读 2004-11-01 10:00:00
    物理隔离网闸中断了两个网络之间的直接连接,所有的数据交换必须通过物理隔离网闸,网闸网络层的第七层将数据还原为原始数据(文件),然后以"摆渡文件"的形式来传递数据。没有包,命令和TCP/IP协议可以穿透物理...
  • 最终,原始数据被递交到目标主机的具体应用程序中。  2 TCP/IP参考模型  ISO制定的OSI参考模型的过于庞大、复杂招致了许多批评。与此对照,由技术人员自己开发的TCP/IP协议栈获得了更为广泛的应用。如图2-1所示...
  • SQL入门经典(第4版)--详细书签版

    热门讨论 2013-02-05 15:28:04
    8章 使用操作符对数据进行分类 82 8.1 什么是SQL里的操作符 82 8.2 比较操作符 82 8.2.1 相等 83 8.2.2 不等于 83 8.2.3 小于和大于 84 8.2.4 比较操作符的组合 84 8.3 逻辑操作符 85 8.3.1 IS ...
  • visio教程PDF

    热门讨论 2010-05-17 23:56:22
    16.5.3 使用选进行复制 16.5.4 使用Chart Shape Wlzard创建堆叠式和可扩展图形 16.6 小结17章 连接图形 17.1 Visio中的图形和连接器 17.2 连接点、连接器工具和静态粘贴 17.2.1 使用静态粘贴的...
  • Visio 2000 技术大全

    2010-05-01 13:38:29
    16.5.3 使用选进行复制 16.5.4 使用Chart Shape Wlzard创建堆叠式和可扩展图形 16.6 小结17章 连接图形 17.1 Visio中的图形和连接器 17.2 连接点、连接器工具和静态粘贴 17.2.1 使用静态...
  •  第七章 系统设计  69试述计算机应用软件系统具有可修改性的重要意义? P137  70简述模块间调用的规则?P138  71何谓数据凝聚的模块?P138  72何谓功能凝聚的模块?P138  73简述模块偶合的类型?P139 ...
  • 会计理论考试题

    2012-03-07 21:04:40
    一套 选择题 1.计算机感染病毒后会产生各种现象,以下不属于病毒现象的是__D__。 A、文件占用的空间变大 B、发生异常蜂鸣声 C、屏幕显示异常图形 D、机内的电扇不转 2. Windows98支持下面___C__网络协议。 A、...
  • 无论数据库内原始数据是以何种样式的表结构存储,无论最终用户要求数据以何种表格样式显示,FineReport报表软件独创的多数据源关联查询、公式动态扩展计算等强大的功能,在无需改变表结构,无需改变用户的要求的基础...
  • theta1 = initial_theta.copy() # 因为正则化j=11开始,不包含0,所以复制一份,前theta(0)值为0 theta1[0] = 0 temp = np.dot(np.transpose(theta1),theta1) J = (-np.dot(np.transpose(y),np.log(h))-np...
  • 本方案中使用ResNet50作为骨干网络,替换原始的DarkNet53,同时选用四个变种vd,保证信息的传递不丢失,最后根据PaddleDetection的指导,添加了一可变形卷积DCN,用于捕捉特征图中有物体的区域。 后置分类...
  • 第七章 创建出色的黑白图像 7.1 使用明度通道 7.2 使用CS3中新的黑白转换器 7.3 Scott最爱的高对比度黑白技术 7.4 计算法 7.5 Camera Raw中的黑白处理 第八章 常见数码图像处理 8.1 室内照片颜色校正 8.2 阴影中的...
  • C#微软培训教材(高清PDF)

    千次下载 热门讨论 2009-07-30 08:51:17
    第七章 表 达 式 .58 7.1 操 作 符 .58 7.2 算术操作符和算术表达式.59 7.3 赋值操作符和赋值表达式.64 7.4 关系操作符和关系表达式.65 <<page 2>> page begin==================== 7.5 逻辑操作符和...
  • C#微软培训资料

    2014-01-22 14:10:17
    第七章 表 达 式 .58 7.1 操 作 符 .58 7.2 算术操作符和算术表达式.59 7.3 赋值操作符和赋值表达式.64 7.4 关系操作符和关系表达式.65 <<page 2>> page begin==================== 7.5 逻辑操作符和...
  • 软件工程教程

    2012-07-06 23:10:29
    用例图系统外部、用户角度出发描述系统的功能集 用例图所描述的系统功能依靠外部用户或另一个系统激活,为用户或另一个系统提供服务 用例表达“做什么” 用例图中可以包含若干个用例,用例表达了系统的功能 用例...
  • 语音识别的MATLAB实现

    热门讨论 2009-03-03 21:39:18
    并进而使用waveInGetDevCaps得到声卡的容量(在waveInCaps中存有该数据,对其进行地址引用,DWORD dwFormats得到最大采样率、声道数和采样位); 创建一个叫WaveInThreadEvent的事件对象,并赋予一个Handle,叫m_...
  • ThreadLocal通常用来共享数据,当你想在多个方法中使用某个变量,这个变量是当前线程的状态,其它线程不依赖这个变量,你一时间想到的就是把变量定义在方法内部,然后再方法之间传递参数来使用,这个方法能解决...
  • 以单支共阴数码管为例,可将段极接到某端口 Pn,共阴极接 GND,则可编写出对应十六进制码的 段码表字节数据如右图: 16 键码显示的程序 我们在 P1 端口接一支共阴数码管 SLED,在 P2、P3 端口接 16 个按键,分别...
  • <br>===================================================== 名称---〉数据类型--〉描述 二进制值 REG_BINARY 原始二进制数据。大多数硬件组件信息作为二进制数据存储,以十六进制的格式显示在...
  • c#学习笔记.txt

    2008-12-15 14:01:21
    write by cash(天下第七) 2002.01.20 版权所有,翻录不究 cashcao@msn.com 选择 我身上携带着精神、信仰、灵魂 思想、欲望、怪癖、邪念、狐臭 它们寄生于我身体的家 我必须平等对待我的每一位客人 ----...

空空如也

空空如也

1 2
收藏数 39
精华内容 15
关键字:

原始数据从第七层