A级课程从零开始（七）ssd24训练部分收尾补充（IOU,NMS）

作者：mobiledu2502926273 | 来源：互联网 | 2023-10-12 16:13

https:www.bilibili.comvideoav43996494?p61补充说明(修正前面代码存在问题):#先验框筛选defchoose_anchor_boxes(sel

https://www.bilibili.com/video/av43996494/?p&＃61;6

1 补充说明(修正前面代码存在问题):

# 先验框筛选def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4predictions &＃61; tf.reshape(predictions, [n_box, 21])[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(predictions, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, &＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(predictions, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来classes &＃61; tf.boolean_mask(classes, scores > self.threshold) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, scores > self.threshold)anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)return classes, scores, anchor_box# ?&＃61;?需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()
上述代码存在问题&＃xff1a;
因为scores会被覆盖
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)
&＃61;>因而使用下面算法代替&＃xff0c;进而不影响scores值&＃xff1a; ?&＃61;?不太清楚此代码的具体实现
        filter_mask &＃61; scores > self.threshold
        classes &＃61; tf.boolean_mask(classes, filter_mask)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, filter_mask)
        anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)
&＃61;>或者改名为scores_nk
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores_nk &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)

更新之后结果&＃xff1a;

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

2 先验框排序

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_sort(self, classes, scores, bboxes, top_k&＃61;400):idxes &＃61; np.argsort(-scores) # 先把scores从高到低排序,然后按照scores的顺序排序类别,分数,框classes &＃61; classes[idxes][:top_k] # 取前面400分数最高的scores &＃61; scores[idxes][:top_k]bboxes &＃61; bboxes[idxes][:top_k]return classes, scores, bboxes # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.argsort()

3 IOU

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_iou(self, bboxes1, bboxes2):bboxes1 &＃61; np.transpose(bboxes1)bboxes2 &＃61; np.transpose(bboxes2)# 计算两个box的交集, 交集左上角的点取两个box的max, 交集右下角的点取两个box的min# bboxes1[0]里面的元素:y1x1y2x2int_ymin &＃61; np.maximun(bboxes1[0], bboxes2[0]) # 交叠框左上角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最大值int_xmin &＃61; np.maximun(bboxes1[1], bboxes2[1]) # 交叠框左上角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最大值int_ymax &＃61; np.minimun(bboxes1[2], bboxes2[2]) # 交叠框右下角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最小值int_xmax &＃61; np.minmun(bboxes1[3], bboxes2[3]) # 交叠框右下角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最小值# 计算两个box交集的wh: 如果两个box没有交集, 那么w,h为0(计算方式&＃xff1a;w,h为负值, 跟0比较取最大)int_h &＃61; np.maximun(int_ymax - int_ymin, 0.)int_w &＃61; np.maximun(int_xmax - int_xmin, 0.)# 计算IOUint_vol &＃61; int_h * int_w # 交集面积vol1 &＃61; (bboxes1[2] - bboxes1[0]) * (bboxes1[3] - bboxes1[0]) # bboxes1面积vol2 &＃61; (bboxes2[2] - bboxes2[0]) * (bboxes2[3] - bboxes2[0]) # bboxes2面积iou &＃61; int_vol / (vol1 &＃43; vol2 - int_vol) # IOU &＃61; 交集/并集 # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.transpose()

&＃xff14;非极大值抑制
https://mp.csdn.net/postedit/98534699

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)for i in range(scores.size - 1):if keep_bboxes[i]:overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到ioukeep_overlap &＃61; np.logical_or(overlap # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\
&＃61;>    def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):
&＃61;>        keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)
>>> scores.shape &＃61; array([[1, 2], [3, 4]])
>>> keep_bboxes &＃61; np.ones(a.shape, dtype&＃61;np.bool)
>>> keep_bboxes
array([[ True, True],
          [ True, True]], dtype&＃61;bool)
&＃61;>        for i in range(scores.size - 1):
>>> a.size &＃61; 4
&＃61;>            if keep_bboxes[i]:
&＃61;>                overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到iou
这里自动广播&＃xff08;&＃xff09;broadcost &＃61;> bboxes[(i &＃43; 1):]是多个框
overlap是一个
示例如下&＃xff1a;

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:c &＃61; np.array([1, 2, 3, 4])for i in range(3):overlap &＃61; bboxes_iou(c[i], c[(i&＃43;1):])print(overlap) >>>[3 4 5] >>>[5 6] >>>[7]
&＃61;>                keep_overlap &＃61; np.logical_or(overlap # 逻辑或
交并比<阈值的 or 两者类别不同的, 会被选中到keep_voerlap里面, 这些都是不要的

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:a &＃61; np.array([1, 2, 3, 1])classes &＃61; np.array([1, 1, 2, 1])for i in range(3):overlap &＃61; bboxes_iou(a[i], a[(i&＃43;1):])# print(&＃39;overlap:&＃39;, overlap)# print(&＃39;classes[i:] !&＃61; classes[i]:&＃39;, classes[i:] !&＃61; classes[i])keepoverlap &＃61; np.logical_or(overlap <3, classes[(i&＃43;1):] !&＃61; classes[i])# print(&＃39;keepoverlap:&＃39;, keepoverlap)# print(&＃39;&＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;&＃39;) # &＃61;&＃61;&＃61;> 输出 <&＃61;&＃61;&＃61; overlap: [3 4 2] classes[i:] !&＃61; classes[i]: [False True False] keepoverlap: [False True True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [5 3] classes[i:] !&＃61; classes[i]: [ True False] keepoverlap: [ True False] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [4] classes[i:] !&＃61; classes[i]: [ True] keepoverlap: [ True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;

&＃61;>                keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap) # 逻辑与
　　　　　　# keep_bboxes[(i&＃43;1):]是当前bbox后面的一些框, keep_overlap是数组里面有true false, 与操作留下想要的

c &＃61; np.ones([2, ], dtype&＃61;np.bool) print(c) a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) c &＃61; np.logical_and(a, b) print(c)# [True True]# [True False]
&＃61;>        idxes &＃61; np.where(keep_bboxes)
# https://www.cnblogs.com/massquantity/p/8908859.html

a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) print(np.where(a))# (array([0]),)

&＃61;>        return classes[idxes], scores[idxes], bboxes[idxes]
# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

&＃61;>此部分指令&＃xff1a;
np.ones(scores.shape, dtype&＃61;np.bool)

np.logical_or(overlap
idxes &＃61; np.where(keep_bboxes)

需要学的python命令:

1 np.argsort()

2 np.transpose()

3 np.ones(scores.shape, dtype&＃61;np.bool)

>>> a &＃61; np.array([[1,2],[3,4]]) >>> a array([[1, 2],[3, 4]]) >>> b &＃61; np.ones(a.shape, dtype&＃61;np.bool) >>> b array([[ True, True],[ True, True]], dtype&＃61;bool) >>> a.size 4
4 np.logical_or(overlap
5 keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap)

>>> np.logical_and(True, False) False >>> np.logical_and([True, False], [False, False]) array([False, False], dtype&＃61;bool)
>>> x &＃61; np.arange(5) >>> x array([0, 1, 2, 3, 4]) >>> np.logical_and(x>1, x<4) array([False, False, True, True, False], dtype&＃61;bool)
6 idxes &＃61; np.where(keep_bboxes)

当前最终版&＃xff1a;

#!usr/bin/python # -*- coding: utf-8 -*- # Creation Date: 2019/7/10 import tensorflow as tf import numpy as np import cv2 &＃39;&＃39;&＃39; 注释说明 # 1 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为一级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为一级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为一级标题-end# 2 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为二级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为二级标题的补充说明\&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为二级标题-end# 3 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为三级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为三级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为三级标题-end# 4 /&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;\　　为四级标题 &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; 为四级标题的简化形式|&＃61;&＃61;&＃61;> xxx 为四级标题的补充说明\&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;/ 为四级标题-end# 5 &＃61;&＃61;>　or &＃61;>　　为重点-特殊情况# 6 ?&＃61;?　　存在疑惑&＃39;&＃39;&＃39;class ssd(object):def __init__(self):# &＃61;&＃61;&＃61;>完善&＃xff1a;构造函数的参数<&＃61;&＃61;&＃61;self.num_boxes &＃61; [] # 统计锚点框的个数self.feaeture_map_size &＃61; [(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)] # 特征图的大小self.classes &＃61; ["aeroplane", "bicycle", "bird", "boat", "bottle","bus", "car", "cat", "chair", "cow","diningtable", "dog", "horse", "motorbike", "person","pottedplant", "sheep", "sofa", "train", "tvmonitor"] # 这里有20个&＃xff0c;加上背景是21个类别self.feature_layers &＃61; [&＃39;block4&＃39;, &＃39;block7&＃39;, &＃39;block8&＃39;, &＃39;block9&＃39;, &＃39;block10&＃39;, &＃39;block11&＃39;] # 用于检测的特征层的名字self.img_size &＃61; (300, 300) # 图片的大小self.num_classes &＃61; 21 # 类别的个数,背景也算一类, 第一个类似是:&＃39;bg&＃39;背景self.boxes_len &＃61; [4, 6, 6, 6, 4, 4] # 6个特征图生成的一组锚点框的框的个数&＃xff0c;4 10 11层是4个一组,其它的是6个一组# block4: 38x38大小的特征图就会生成 38x38x4 个锚点框 5766# block7: 19x19大小的特征图就会生成 19x19x6 个锚点框 2166# block8: 10x10大小的特征图就会生成 10x10x6 个锚点框 600# block9: 5x5大小的特征图就会生成 5x5x6 个锚点框 150# block10: 3x3大小的特征图就会生成 3x3x4 个锚点框 36# block11: 1x1大小的特征图就会生成 1x1x4 个锚点框 4# 一共8732个锚点框 &＃xff1f;&＃61;&＃xff1f;我算出来的是8722个self.isL2norm &＃61; [True, False, False, False, False, False] # block4比较靠前, 因为norm太大需要L2normself.anchor_size &＃61; [(21., 45.), (45., 99.), (99., 153.), (153., 207.), (207., 261.), (261., 315.)]self.anchor_ratios &＃61; [[2, .5], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5], [2, .5]]self.anchor_steps &＃61; [8, 16, 32, 64, 100, 300]self.prior_scaling &＃61; [0.1, 0.1, 0.2, 0.2] # 特征先验框缩放比例: 0.1:xy坐标的缩放比, 0.2:wy坐标的缩放比self.n_boxes &＃61; [5776, 2166, 600, 150, 36, 4]# 一共8732个 # ?&＃61;?怎么计算的, 每个featuremap(特征图)先验框的个数# 4层: 38x38x4# 7层: 19x19x6# 8层: 10x10x6# 9层: 5x5x6# 10层: 3x3x4# 11层: 1x1x4self.threshold &＃61; 0.2 # 原文中是0.5, 为了检测到更多的物体设置为0.2# /&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> ssd网络架构部分 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# &＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>l2正则化<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;def l2norm(self, x, scale, trainable&＃61;True, scope&＃61;&＃39;L2Normalization&＃39;):n_channels &＃61; x.get_shape().as_list()[-1] # 通道数. 得到形状,变成列表,取后一个l2_norm &＃61; tf.nn.l2_normalize(x, dim&＃61;[3], epsilon&＃61;1e-12) # 只对每个像素点在channels上做归一化with tf.variable_scope(scope):gamma &＃61; tf.get_variable("gamma", shape&＃61;[n_channels, ], dtype&＃61;tf.float32,initializer&＃61;tf.constant_initializer(scale), # ?&＃61;?为何作者没有这步骤trainable&＃61;trainable)return l2_norm * gamma# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;conv2d, max_pool2d, pad2d, dropout# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.conv2d(inputs&＃61;xxx, filters&＃61;xxx, kernel_size&＃61;xxx,# stride&＃61;xxx, padding&＃61;xxx, dilation_rate&＃61;xxx,# name&＃61;xxx, activation&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.max_pooling2d(inputs&＃61;xxx, pool_size&＃61;xxx,# strides&＃61;xxx, padding&＃61;xxx,# name&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.pad(x, paddings&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.dropout(inputs&＃61;xxx, rate&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;定义一个卷积的操作: 1输入 2卷积核个数 3卷积核大小| 4步长 5padding 6膨胀| 7激活函数 8名字def conv2d(self, x, filter, k_size, # 输入x, 卷积核的个数filter, k_size卷积核是几*几stride&＃61;[1, 1], padding&＃61;&＃39;same&＃39;, dilation&＃61;[1, 1], # # 步长stride, padding, 空洞卷积指数这里1代表正常卷积activation&＃61;tf.nn.relu, scope&＃61;&＃39;conv2d&＃39;): # 激活函数relu, 名字scopereturn tf.layers.conv2d(inputs&＃61;x, filters&＃61;filter, kernel_size&＃61;k_size,strides&＃61;stride, dilation_rate&＃61;dilation, padding&＃61;padding,name&＃61;scope, activation&＃61;activation)def max_pool2d(self, x, pool_size,stride,scope&＃61;&＃39;max_pool2d&＃39;): # 我猜padding是vaildreturn tf.layers.max_pooling2d(inputs&＃61;x, pool_size&＃61;pool_size, strides&＃61;stride, padding&＃61;&＃39;valid&＃39;, name&＃61;scope)# 用于填充s&＃61;2的第8,9层. 从6层往后的卷积层需要自己填充, 不要用它自带的填充.def pad2d(self, x,pad):return tf.pad(x, paddings&＃61;[[0, 0], [pad, pad], [pad, pad], [0, 0]])def dropout(self, x, d_rate&＃61;0.5):return tf.layers.dropout(inputs&＃61;x, rate&＃61;d_rate)def ssd_prediction(self, x, num_classes, box_num, isL2norm, scope&＃61;&＃39;multibox&＃39;):reshape &＃61; [-1] &＃43; x.getshape().as_list()[1:-1] # 去除第1,4数,拿到2,3个数,变成列表.即去除第一个和最后一个得到shape# python中 a &＃61; [1,2,3,4], b &＃61; a[1:3]&＃61;a[1:-1], c &＃61; [-1] &＃43; b# print(b) &＃61; [2,3], print(c) &＃61; [-1, 1, 2, 3, 4]# block8为例&＃xff1a;shape &＃61; (?, 10, 10, 512)需要把第2,3个数拿出来# 前面的-1表示batch, 因为不知道是多少在这里tf一般写-1# reshape &＃61; [-1, 10, 10]with tf.variable_scope(scope): # 开始进行卷积if isL2norm:x &＃61; self.l2norm(x) # 先判断是否需要归一化# &＃61;&＃61;>预测位置:坐标和大小&＃xff0c;回归问题:不需softmaxlocation_pred &＃61; self.conv2d(x, filter&＃61;box_num * 4, k_size&＃61;[3 * 3],activation&＃61;None, scope&＃61;&＃39;conv_loc&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的4个数据xywh, 卷积核3x3,不需要激活函数,默认def conv2d有激活函数的&＃39;&＃39;&＃39;location_pred &＃61; tf.reshape(location_pred, reshape &＃43; [box_num, 4]) # 每个中心点生成一个锚点框?&＃61;?# reshape &＃43; [box_num, 4] &＃61; [-1, 10, 10, box_num, 4]# &＃61;&＃61;>预测类别:分类问题:需要softmaxclass_pred &＃61; self.conv2d(x, filter&＃61;box_num * num_classes, k_size&＃61;3 * 3,activation&＃61;None, scope&＃61;&＃39;conv_cls&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的21个类别, 卷积核3x3,不需要激活函数,默认def conv2d是有激活函数的&＃39;&＃39;&＃39;class_pred &＃61; tf.shape(class_pred, reshape &＃43; [box_num, num_classes]) # ?&＃61;?# reshape &＃43; [box_num, num_classes] &＃61; [-1, 10, 10, box_num, num_classes]print(location_pred, class_pred)return location_pred, class_pred# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:具体网络架构-start<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def set_net(self):check_points &＃61; {} # 装特征层的字典,用于循环迭代predictions &＃61; []locations &＃61; []x &＃61; tf.placeholder(dtype&＃61;tf.float32, shape&＃61;[None, 300, 300, 3])with tf.variable_scope(&＃39;ssd_300_vgg&＃39;):# &＃61;&＃61;&＃61;>VGG前5层<&＃61;&＃61;&＃61;# b1net &＃61; self.conv2d(x, filter&＃61;64, k_size&＃61;[3, 3], scope&＃61;&＃39;conv1_1&＃39;) # 64个3*3卷积核, s&＃61;1 默认&＃xff0c;标准卷积net &＃61; self.conv2d(net, 64, [3, 3], scope&＃61;&＃39;conv1_2&＃39;) # 64个3*3卷积核, s&＃61;1默认net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool1&＃39;) # 池化层2*2卷积核, s&＃61;2 默认&＃xff0c;池化层一般都是2# b2net &＃61; self.conv2d(net, filter&＃61;128, k_size&＃61;[3, 3], scope&＃61;&＃39;conv2_1&＃39;)net &＃61; self.conv2d(net, 128, [3, 3], scope&＃61;&＃39;conv2_2&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool2&＃39;)# b3net &＃61; self.conv2d(net, filter&＃61;256, k_size&＃61;[3, 3], scope&＃61;&＃39;conv3_1&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_2&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool3&＃39;)# b4 &＃61;>第1个检测层net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv4_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_3&＃39;)check_points[&＃39;block4&＃39;] &＃61; netnet &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool4&＃39;)# b5 关键部分来了&＃xff0c;这里与vgg不同了net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv5_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[3, 3], stride&＃61;[1, 1], scope&＃61;&＃39;pool5&＃39;) # &＃61;>池化层3*3核&＃xff0c; 步长变成1*1# &＃61;&＃61;&＃61;>卷积层&＃xff0c;代替VGG全连接层<&＃61;&＃61;&＃61;# b6 conv6: 3x3x1024-d6net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[3, 3], dilation&＃61;[6, 6], scope&＃61;&＃39;conv6&＃39;)# &＃61;> 个数1024, dilation&＃61;[6, 6]# b7 conv7: 1x1x1024 &＃61;>第2个检测层net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[1, 1], scope&＃61;&＃39;conv7&＃39;)# &＃61;> 个数1024, 卷积核是[1, 1]check_points[&＃39;block7&＃39;] &＃61; net# b8 conv8_1: 1x1x256; conv8_2: 3x3x512-s2-vaild &＃61;>第3个检测层net &＃61; self.conv2d(net, 256, [1, 1], scope&＃61;&＃39;conv8_1x1&＃39;) # &＃61;>个数256&＃xff0c;卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 512, [3, 3], [2, 2], scope&＃61;&＃39;conv8_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数512, 卷积核3x3, 步长2, &＃39;valid&＃39;check_points[&＃39;block8&＃39;] &＃61; net# b9 conv9_1: 1x1x128 conv8_2: 3x3x256-s2-vaild &＃61;>第4个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv9_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 256, [3, 3], [2, 2], scope&＃61;&＃39;conv9_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256,卷积核3x3&＃xff0c;步长2x2, validcheck_points[&＃39;block9&＃39;] &＃61; net# b10 conv10_1: 1x1x128 conv10_2: 3x3x256-s1-valid &＃61;>第5个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv10_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv10_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c;validcheck_points[&＃39;block10&＃39;] &＃61; net# b11 conv11_1: 1x1x128 conv11_2: 3x3x256-s1-valid &＃61;>第6检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv11_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv11_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c; validcheck_points[&＃39;block11&＃39;] &＃61; netfor i, j in enumerate(self.feature_layers): # 枚举特征层i表示第几个, j是名字如&＃39;block4&＃39;loc, cls &＃61; self.ssd_prediction(x&＃61;check_points[j],num_classes&＃61;self.num_classes,box_num&＃61;self.boxes_len[i],isL2norm&＃61;self.isL2norm[i],scope&＃61;j &＃43; &＃39;_box&＃39;)predictions.append(tf.nn.softmax(cls)) # 需要softmaxlocations.append(loc) # 不需要print(check_points) # 检查网络的结构, eg:block8: (?, 10, 10, 512)print(locations, predictions)return locations, predictions, x# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:具体网络架构<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> ssd网络架构部分-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; 以block8为例10x10, 生成先验框# |&＃61;&＃61;&＃61; h0, h1, h2, h3, h4, h5:# |&＃61;&＃61;&＃61; 小正方形大正方形 1/2长方形 2/1长方形 1/3长方形 3/1长方形def ssd_anchor_layer(self, img_size, feature_map_size,anchor_size, anchor_ratio, anchor_step,box_num, offset&＃61;0.5):# 提取feature map 的每一个坐标y, x &＃61; np.mgrid[0: feature_map_size[0], 0:feature_map_size[1]] # 以block8为例这里是 0:10,0:10# >>> y, x&＃61; np.mgrid[0:10, 0:10]# >>> print(x)# [[0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]]# >>> print(y)# [[0 0 0 0 0 0 0 0 0 0]# [1 1 1 1 1 1 1 1 1 1]# [2 2 2 2 2 2 2 2 2 2]# [3 3 3 3 3 3 3 3 3 3]# [4 4 4 4 4 4 4 4 4 4]# [5 5 5 5 5 5 5 5 5 5]# [6 6 6 6 6 6 6 6 6 6]# [7 7 7 7 7 7 7 7 7 7]# [8 8 8 8 8 8 8 8 8 8]# [9 9 9 9 9 9 9 9 9 9]]y &＃61; (y.astype(np.float32) &＃43; offset) * anchor_step / img_size[0]x &＃61; (x.astype(np.float32) &＃43; offset) * anchor_step / img_size[1]# 计算两个长宽比为1的 h, wh &＃61; np.zeros((box_num,), np.float32)w &＃61; np.zeros((box_num,), np.float32)# h >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)# w >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)h[0] &＃61; anchor_size[0] / img_size[0] # 小正方形w[0] &＃61; anchor_size[0] / img_size[0]h[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0] # 大正方形w[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0]for i, j in enumerate(anchor_ratio):h[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] / (j ** 0.5)w[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] * (j ** 0.5)return y, x, h, w# h[0]&＃61;99/300 w[0]&＃61;99/300&＃xff1a; 小正方型 h w# h[1]&＃61;sqrt(99*513)/300 w[1]&＃61;sqrt(99*513)/300&＃xff1a; 大正方型 h w# h[2]&＃61;99/300/sqrt(2) w[2]&＃61;99/300*sqrt(2)&＃xff1a; 横向 - 长方型2/1 对应 anchor_ratio[0] &＃61; 2# h[3]&＃61;99/300/sqrt(0.5) w[2]&＃61;99/300*sqrt(0.5)&＃xff1a; 纵向 | 长方型1/2 对应 anchor_ratio[1] &＃61; .5# h[4]&＃61;99/300/sqrt(3) w[2]&＃61;99/300*sqrt(3)&＃xff1a; 横向 - 长方型3/1 对应 anchor_ratio[2] &＃61; 3# h[5]&＃61;99/300/sqrt(1/3) w[2]&＃61;99/300*sqrt(1/3)&＃xff1a; 纵向 | 长方型1/3 对应 anchor_ratio[3] &＃61; 1./3# h[0]正方型 h[1]正方型 h[2]长方型2/1 h[3]长方型1/2 h[4]长方型3/1 h[5]长方型1/3# h &＃61; array([ 0.33000001, 0.41024384, 0.23334524, 0.46669048, 0.19052559, 0.57157677], dtype&＃61;float32)# w &＃61; array([ 0.33000001, 0.41024384, 0.46669048, 0.23334524, 0.57157677, 0.19052559], dtype&＃61;float32)# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def ssd_decode(self, location, box, prior_scaling):y_a, x_a, h_a, w_a &＃61; boxcx &＃61; location[:, :, :, :, 0] * w_a * prior_scaling[0] &＃43; x_a # ?&＃61;?这部分应该是w hcy &＃61; location[:, :, :, :, 1] * h_a * prior_scaling[1] &＃43; y_a# locations是set_net网络的返回值# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# 在这里location被带入了locations[2], 也就是block8层w &＃61; w_a * tf.exp(location[:, :, :, :, 2] * prior_scaling[2])h &＃61; h_a * tf.exp(location[:, :, :, :, 3] * prior_scaling[3]) # 实际格子的高度print(cx, cy, w, h)bboxes &＃61; tf.stack([cy - h/2.0, cx - w/2.0, cy &＃43; h/2.0, cx &＃43; w/2.0], axis&＃61;-1)# 特征图比较多&＃xff0c;需要叠加起来# 左上角点的y坐标 cy-h/2, x坐标cx-w/2. 右下角点的y坐标 cy&＃43;h/2, x坐标cx&＃43;w/2print(bboxes)return bboxes# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/if __name__ &＃61;&＃61; &＃39;__main__&＃39;:sd &＃61; ssd()locations, predictions, x &＃61; sd.set_net()box &＃61; sd.ssd_anchor_layer(sd.img_size, (10, 10), (99., 153.), [2., .5, 3., 1/3], 32, 6)boex &＃61; sd.ssd_decode(locations[2], box, sd.prior_scaling)print(boex) # shape &＃61; (?, 10, 10, 6, 4)# 这里以block8为例&＃xff1a;的输出结果为Tensor("stacck:0", shape&＃61;(?, 10, 10, 6, 4), dtype&＃61;float32)# 10, 10表示的是第三个特征层为10x10, 因为是locations[2] ?&＃61;?# 6表示六个特征图 ?&＃61;?# 4表示　左上角&＃xff06;右下角坐标　max_x max_y min_x min_y# locations[0]是38x38 locations[1]是19x19 locations[2]是10x10 locations[3]是5x5 [4]是3x3 [5]是2x2 [6]是1x1cls, sco, a_box &＃61; sd.choose_anchor_boxes(predictions[2], boex, sd.n_boxes[2])print(&＃39;----------------------------&＃39;)print(cls, sco, a_box)

io

https

ide

算法

filter

int

post

range

import

写下你的评论吧 !

吐个槽吧,看都看了

会员登录 | 用户注册

推荐阅读

数组
P1651 塔 (动态规划) 的最大高度计算方法

本文介绍了P1651题目的描述和要求，以及计算能搭建的塔的最大高度的方法。通过动态规划和状压技术，将问题转化为求解差值的问题，并定义了相应的状态。最终得出了计算最大高度的解法。 ... [详细]

蜡笔小新   2023-12-13 19:52:19

数组
Codeforces 1294A题解：Collecting Coins整除+不整除问题解析

本文为Codeforces 1294A题目的解析，主要讨论了Collecting Coins整除+不整除问题。文章详细介绍了题目的背景和要求，并给出了解题思路和代码实现。同时提供了在线测评地址和相关参考链接。 ... [详细]

蜡笔小新   2023-12-14 21:14:58

数组
在类中定义数组时出错 - Error on defining arrays in class

Iamtryingtomakeaclassthatwillreadatextfileofnamesintoanarray,thenreturnthatarra ... [详细]

蜡笔小新   2023-12-14 17:38:12

数组
Java容器中的compareto方法排序原理解析

本文从源码解析Java容器中的compareto方法的排序原理，讲解了在使用数组存储数据时的限制以及存储效率的问题。同时提到了Redis的五大数据结构和list、set等知识点，回忆了作者大学时代的Java学习经历。文章以作者做的思维导图作为目录，展示了整个讲解过程。 ... [详细]

蜡笔小新   2023-12-14 13:53:31

input
九度OnlineJudge之1002：Grading问题的解决方法

本文介绍了九度OnlineJudge中的1002题目“Grading”的解决方法。该题目要求设计一个公平的评分过程，将每个考题分配给3个独立的专家，如果他们的评分不一致，则需要请一位裁判做出最终决定。文章详细描述了评分规则，并给出了解决该问题的程序。 ... [详细]

蜡笔小新   2023-12-14 13:00:09

uri
Open judge C16H: Magical Balls 快速幂+逆元问题解析

本文主要解析了Open judge C16H问题中涉及到的Magical Balls的快速幂和逆元算法，并给出了问题的解析和解决方法。详细介绍了问题的背景和规则，并给出了相应的算法解析和实现步骤。通过本文的解析，读者可以更好地理解和解决Open judge C16H问题中的Magical Balls部分。 ... [详细]

蜡笔小新   2023-12-14 12:03:27

copy
Java中vector的使用详解

本文详细介绍了Java中vector的使用方法和相关知识，包括vector类的功能、构造方法和使用注意事项。通过使用vector类，可以方便地实现动态数组的功能，并且可以随意插入不同类型的对象，进行查找、插入和删除操作。这篇文章对于需要频繁进行查找、插入和删除操作的情况下，使用vector类是一个很好的选择。 ... [详细]

蜡笔小新   2023-12-13 14:14:39

input
也就是|小窗_卷积的特征提取与参数计算

篇首语：本文由编程笔记#小编为大家整理，主要介绍了卷积的特征提取与参数计算相关的知识，希望对你有一定的参考价值。Dense和Conv2D根本区别在于，Den ... [详细]

蜡笔小新   2023-12-13 12:59:48

char
[大整数乘法] java代码实现

本文介绍了使用java代码实现大整数乘法的过程，同时也涉及到大整数加法和大整数减法的计算方法。通过分治算法来提高计算效率，并对算法的时间复杂度进行了研究。详细代码实现请参考文章链接。 ... [详细]

蜡笔小新   2023-12-13 11:21:32

js
浏览器中的异常检测算法及其在深度学习中的应用

本文介绍了在浏览器中进行异常检测的算法，包括统计学方法和机器学习方法，并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测，可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率，而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]

蜡笔小新   2023-12-12 16:22:39

数组
深入理解Kafka服务端请求队列中请求的处理

本文深入分析了Kafka服务端请求队列中请求的处理过程，详细介绍了请求的封装和放入请求队列的过程，以及处理请求的线程池的创建和容量设置。通过场景分析、图示说明和源码分析，帮助读者更好地理解Kafka服务端的工作原理。 ... [详细]

蜡笔小新   2023-12-12 16:14:59

import
Python张量流中的device spec make_merged_spec()方法使用说明

本文介绍了在Python张量流中使用make_merged_spec()方法合并设备规格对象的方法和语法，以及参数和返回值的说明，并提供了一个示例代码。 ... [详细]

蜡笔小新   2023-12-11 12:15:19

数组
Android自定义控件绘图篇之Paint函数大汇总

本文介绍了Android自定义控件绘图篇中的Paint函数大汇总，包括重置画笔、设置颜色、设置透明度、设置样式、设置宽度、设置抗锯齿等功能。通过学习这些函数，可以更好地掌握Paint的用法。 ... [详细]

蜡笔小新   2023-12-10 23:11:57

future
开源Keras Faster RCNN模型介绍及代码结构解析

本文介绍了开源Keras Faster RCNN模型的环境需求和代码结构，包括FasterRCNN源码解析、RPN与classifier定义、data_generators.py文件的功能以及损失计算。同时提供了该模型的开源地址和安装所需的库。 ... [详细]

蜡笔小新   2023-12-10 17:44:07

js
shiro java配置问题：加入Shiro listener后启动失败

本文讨论了在shiro java配置中加入Shiro listener后启动失败的问题。作者引入了一系列jar包，并在web.xml中配置了相关内容，但启动后却无法正常运行。文章提供了具体引入的jar包和web.xml的配置内容，并指出可能的错误原因。该问题可能与jar包版本不兼容、web.xml配置错误等有关。 ... [详细]

蜡笔小新   2023-12-10 09:43:05

mobiledu2502926273

这个家伙很懒，什么也没留下！

Tags | 热门标签

require

buffer

scala

expression

export

spring

httprequest

lua

const

import

install

node.js

input

triggers

header

foreach

js

数组

replace

nodejs

copy

loops

char

timezone

split

hook

uri

cSharp

audio

future

RankList | 热门文章

1C# DataTable.Load 和 DbDataAdapter.Fill 方法的比较。附取消限制的方法

2linux 命令——screen

3JS双精度64位 Number

4Mac 下的 Webstorm 9 如何快速设置 Code 字体大小?当前默认字体太小了,想调大一点.

5个人笔记分析程序变慢原因

6java autoflush_java – 我用autoflush创建了一个PrintWriter;为什么不自动进行？

7oracle查询超过5000行报错,oracle系列教材（十七）阶段性练习2

8JavaScript相等运算符匹配规则

9c – 从可能引发异常的函数返回std :: string

10适合小型网络环境的免费网络管理软件Intermapper

11linux系统制作macos启动,如何手动制作macOS High Sierra可启动安装U盘

12mysql – 按时间戳获取服务请求的平均到达间隔时间

13Android 中SQLite技术实例详解

14高端感的设计logo要点

15Windows10OracleDB登陆报错ORA12560，启动DB服务报错 1069由于登陆失败而无法启动服务