Monthly Archive: June 2021

网络传输速率单位 0

网络传输速率单位

Hits: 0 网络速率和存储单位比较 相同标记 速率(bit/s ) 存储(bit) Kb 1000b 1024b Mb 10^6b 1024Kb Gb 10^9b 1024Mb Tb 10^12b 1024Gb

ubuntu 修改字体大小 0

ubuntu 修改字体大小

Hits: 0gsettings set org.gnome.desktop.interface document-font-name 'Sans 10' gsettings set org.gnome.desktop.interface font-name 'Ubuntu 10' gsettings set org.gnome.desktop.interface monospace-font-name 'Ubuntu Mono 11' gsettings set org.gnome.nautilus.desktop font 'Ubuntu 10'

tensorflow获取当前可用的GPU信息 0

tensorflow获取当前可用的GPU信息

Hits: 0简而来讲,我目前电脑中有三个可用的GPU,将返回[‘/ gpu:0’,’/ gpu:1’,’/ gpu:2’],可以使用以下代码检查所有设备列表: from tensorflow.python.client import device_lib def get_available_gpus(): local_device_protos = device_lib.list_local_devices() return [x.name for x in local_device_protos if x.device_type == 'GPU'] print(get_available_gpus())

ImportError: cannot import name ‘main’ 0

ImportError: cannot import name ‘main’

Hits: 0报错log pip3 install numpy Traceback (most recent call last): File "/usr/bin/pip3", line 9, in <module> from pip import main ImportError: cannot import name 'main'</module> 原因:pip3包损坏 解决方法: sudo python3 -m pip uninstall pip &&...

tf.group()和tf.identity()含义 0

tf.group()和tf.identity()含义

Hits: 0 1-tf.group() 最近看tf项目源代码的时候,出现了下面的代码: train_op = tf.group(main_loss, aux_losss, bottleneck.updates[1]) 想把代码改成多GPU训练,因此需要详细了解代码含义。 实际上,通过查询API接口,这行代码相当于把main_loss, aux_losss, bottleneck.updates[1]三个op(算子)合并为了一个op,然后在session run的时候同时执行 2-tf.identity() 讲到tf.group(),顺带提提tf.identity(),因为在tensorflow静态图中,只有节点和节点之前的边(数据流动)。我们如果想做python语法里面常规的操作,比如变量赋值,在tensorflow静态图里面等价于 y=tf.identity(x) 参考链接: tf.group()用于组合多个操作 TensorFlow笔记——(2) tf.group(), tf.tuple 和 tf.identity()

《算法图解》第四章 快速排序与递归 0

《算法图解》第四章 快速排序与递归

Hits: 0 列表求和的循环和递归表示 循环 def sum(arr): total = 0 for x in arr: total += x return total print(sum(arr)) 递归 基线条件: 如果数组不包括任何元素,则和为0 如果数组只有一个元素,则直接返回 def sum(arr): if len(arr)==0: return 0 elif len(arr)==1: return arr[0] else:...

Jupyter notebook教程系列(四)Jupyter notebook切换python环境 0

Jupyter notebook教程系列(四)Jupyter notebook切换python环境

Hits: 0在python中我们经常需要搭建不同的运行环境去运行自己的代码,最典型的搭建多个环境的方法是通过Anaconda去搭建python虚拟环境。 那么在jupyter notebook中应该如何去使用这些环境呢,下面来讲一下。 首先要确保你的home页面有conda这栏: 图1 如果没有的话你需要打开终端,输入以下命令: conda install nb_conda 安装完毕以后重启jupyter notebook即可看到。 下一步点击files页面中的new下拉菜单,可以看到: 图2 红框中的即为我们本地的一个虚拟环境,这里你有可能会发现无法找到你以前创建的虚拟环境,所以我们下面需要这样去做,点击conda页面,选择你计算机中已有却无法用于jupyternotebook的虚拟 环境。 图3 然后,在右侧栏查找包:ipykernel,查找后安装。 然后我们刷新home页面,点击files页面,选择new下拉菜单,可以看到,这里已经找到了我们以前创建的python环境。 图4 所以说白了,想要让jupyternotebook查找到你所创建的python虚拟环境,那么这个环境必须装有ipykernel包。至于如何去让这个环境装这个包,通过pip,或者刚才我们说的在jupyter页面操作,或者通过conda管理器都是可以的。 想要在已经写好的notebook中切换环境也是可以的,如下: 图5 选择自己想要切换的环境即可。

基于opencv对图片的二进制流进行编解码 0

基于opencv对图片的二进制流进行编解码

Hits: 0 import cv2 import numpy as np img1 = cv2.imread(“img.jpg”, 1) #retval, buffer = cv2.imencode(‘.png’, img1) # img1_bytes = np.array(buffer).tostring() with open(“img.jpg”, “rb”) as fid: img1_bytes = fid.read() # Decoding CV2 decoded =...