al dente 黑曜石主题 一个简单的最小主题，温柔但坚定。 它是建立在正适合我。 希望它也适合其他人。 主题变化更新2020.01.03 我的黑曜石是社区主题的一部分。 很多人都在使用它，即使它需要大量的更新和完善。 我从温暖主题中提取了一些颜色到 al-dente 中。 它已成为我的主要驱动力。 我希望你也喜欢它。 更新安装 obsidian 有一种更新的方式来安装多个主题，而不必依赖主文件夹中的默认obsidian.css 主题。 安装： 下载aldente-warmthColors.css文件并将其放在存储库的.obsidian/themes文件夹中 打开黑曜石并转到设置>外观并向下滚动到主题 选择aldente-warmthColors 请享用 老东西 截图 轻量版更完整 黑暗版本仍然需要一些工作 笔记 我想要一个功能强大且易于使用的漂亮简单界面。 我从开始使用，

机器学习模型部署的两种方式 ,There are two very different ways to deploy ML models。

本机环境： cudatoolkit = 10.1.243 cudnn = 7.6.5 tensorflow-gpu = 2.1.0 keras-gpu = 2.3.1 今天在以TensorFlow2.1.0为后端的Keras中使用TensorBoard时报错，发现原因是keras和tf.keras混用导致的。报错与解决方案如下： 导致报错语句： summary = TensorBoard(log_dir="cnn_lstm_logs/",histogram_freq=1) 报错： ---> 54 summary = TensorBoard(log_dir="cnn_lstm_log

问题描述： 在利用神经网络进行分类和识别的时候，使用了keras这个封装层次比较高的框架，backend使用的是tensorflow-cpu。 在交叉验证的时候，出现 val_categorical_accuracy: 0.0000e+00的问题。 问题分析： 首先，弄清楚，训练集、验证集、测试集的区别，验证集是从训练集中提前拿出一部分的数据集。在keras中，一般都是使用这种方式来指定验证集占训练集和的总大小。 validation_split=0.2 比如，经典的数据集MNIST，共有60000个训练集，就会 Train on 48000 samples, validate on

想必大家应该很多都已经习惯了jquery的DOM操作，jquery的瀑布流实现起来也很容易。 但是，随着时代的发展，随着时代的进步….. 算了算了，扯远了，既然能找到这儿来，肯定是在vue.js上已经有一定的基础了，咱们废话不多说，直接进入主题。 vue-waterfall-easy easy! easy! easy! 重要的事情说三遍！！！ 所以说，咱们今天用到的不是大家熟知的vue-waterfall，而是vue-waterfall-easy； 一、获取vue-waterfall-easy组件 这里有两种方式： 第一种就是直接从git上复制vue-waterfall-easy组件的完整代码

Alum_surface_defect_detection 这包括我天池比赛的代码： 。 （阿里巴巴公司持有） 比赛旨在利用计算机视觉技术帮助工人检查他们的铝表面产品是否有任何缺陷，如斑点、划痕等。 Season1（分类）排名：96/2972 我发现非常有用的： InceptionV4(pytorch) 合并投票（类似于装袋） 好的迭代步骤 一般般： 数据增强（水平翻转） 集成（Xception、Resnet50、InveptionV3） 降低我的测试帐户 所有其他增强。 特别是随机旋转（0~8，角度越大，acc越差）） Season2（本地化）排名：10/2972 我发现非常有用的： FasterRcnn&FPN(检测器) 更大的调整大小（maskrcnn 为 960，FasterRcnn 为 800） 投票 亚当而不是新元 降低门槛 一般般： Mask-Rcnn(

今天在intellij调试spark的时候感觉每次有新的一段代码，都要重新跑一遍，如果用spark-shell，感觉也不是特别方便，如果能像python那样，使用jupyter notebook进行编程就很方便了，同时也适合代码展示，网上查了一下，试了一下，碰到了很多坑，有些是旧的版本，还有些是版本不同导致错误，这里就记录下来安装的过程。 1.运行环境 硬件：Mac 事先装好：Jupyter notebook，spark2.1.0，scala 2.11.8 (这个版本很重要，关系到后面的安装） 2.安装 2.1.scala kernel 从github下载 git clone https:/

Jupyter笔记本用于： Yunjun，Z.，F.Amelung，Y.Aoki，（2021年），用ALOS-1 / 2 InSAR时间序列对日本雾岛火山综合体的热液系统进行成像，地球物理。 Res。 来吧，doi： [已提交]。 数据 InSAR置换产品： 来自日本的ALOS-1 / 2： 日本雾岛市的时间序列，速度和所选干涉。 日本从ALOS-1到日本九州南部的干涉图堆栈： 。 日本从ALOS-2到日本九州南部的干涉图堆栈： 。 使用ISCE-2和MintPy进行InSAR数据处理的配置： 大地建模： 来自GBIS的模型结果： 。 GBIS的配置： 人物（ ） 图1-2008-2019年雾岛的地球物理观测 地质环境。 -InSAR的准垂直位移图。 -InSAR，GPS和EQ编号的时间序列。 -Shinmoe-dake和Iwo-yama的大地测量建模

这是 Dr. Abdullah Al Muhit H.264 基线编解码器的略微更新版本。 它包括 I、P 帧、CAVLC 编码器、Exp Golomb 编码器、整数变换和 H.264 或 MPEG-4 AVC（高级视频编码）的其他基本功能。 此版本读取与 Matlab 兼容的任何视频帧序列（我使用 xylophone.mpg，在 matlab 中可用）。 修改后的编解码器可以保存和播放原始和解码的视频以及许多其他简单选项（重新调整大小和存储）。

混淆矩阵 衡量一个分类器性能的更好的办法是混淆矩阵。它基于的思想是：计算类别A被分类为类别B的次数。例如在查看分类器将图片5分类成图片3时，我们会看混淆矩阵的第5行以及第3列。 为了计算一个混淆矩阵，我们首先需要有一组预测值，之后再可以将它们与标注值（label）进行对比。我们也可以在测试集上做预测，但是最好是先不要动测试集（测试集仅需要在最后的阶段使用，在我们有了一个准备上线的分类器后，最后再用测试集测试性能）。接下来，我们可以使用cross_val_predict() 方法： from sklearn.model_selection import cross_val_predict y_t