自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

Together_CZ的博客

种一棵树,最好的时间是十年前,其次是现在

  • 博客(922)
  • 资源 (65)
  • 论坛 (1)
  • 问答 (1)
  • 收藏
  • 关注

原创 Ubuntu16.04+Python3.6+深度学习环境+opencv+x264+ffmpeg基础镜像制作实战

对于经常最运维或者是开发的人来说docker应该是很熟悉的东西了,最近有一个需求就是需要在不同的平台上面去测试自己的项目,amd64、X86、ARM等等,目前的项目主要是在windows环境里面开发的,所以迁移到别的机器上面除了部署配置环境麻烦点其他的都还好,Linux下面的话部署运行项目如果借助于docker容器技术的话就会非常方便了,可扩展性也是很高的,这里就需要有一套比较高可用稳定的基础镜像来为项目提供所需的运行环境,今天花点时间从零开始实践,制作出来一个基础的镜像环境,主要以Ubuntu...

2020-11-08 11:33:06 520

原创 Yolov3目标检测实战【实现图像中随机出现手写数字的检测】

接触目标检测这一行的话就不可能不知道Yolo系列的模型,因为它们的名气实在是太过于响亮了,这一点带来的好处就是网上会有铺天盖地的学习、介绍、实践资料,对于新手来说快速地学习掌握就比较便利了。 而我就是万千新手中的一名,接触到目标检测以来,着实也是走了不少的弯路,这也是没有办法的事情,毕竟自己一点基础没有,所以刚起步还是会慢一点。掐指算来接触目标检测已经有一段时间了,之前的一些模型也有学习实践过,但是整体的表现并不理想,要么是速度太慢要么是精度太低,最终锁定在了Yolov3系列,虽说现...

2020-10-15 09:37:44 589 2

原创 零基础起步Keras+LSTM+CRF的实践命名实体识别NER

文本分词、词性标注和命名实体识别都是自然语言处理领域里面很基础的任务,他们的精度决定了下游任务的精度,其实在这之前我并没有真正意义上接触过命名实体识别这项工作,虽然说读研期间断断续续也参与了这样的项目,但是毕业之后始终觉得一知半解的感觉,最近想重新捡起来,以实践为学习的主要手段来比较系统地对命名实体识别这类任务进行理解、学习和实践应用。 当今的各个应用里面几乎不会说哪个任务会没有深度学习的影子,很多子任务的发展历程都是惊人的相似,最初大部分的研究和应用都是集中在机器学习领域里面,...

2020-07-18 12:06:01 1487 2

原创 Python开发过程中错误解决记录【持续更新记录,欢迎交流】

2020.07.10错误:Object arrays cannot be loaded when allow_pickle=False出现在numpy加载本地.npy文件的时候解决:np.load('a.npy', allow_pickle=True)

2020-07-10 15:08:25 491

原创 基于pycrfsuite和sklearn_crfsuite的命名实体识别NER实战【以CoNLL2002数据集为基准】
原力计划

文本分词、词性标注和命名实体识别都是自然语言处理领域里面很基础的任务,他们的精度决定了下游任务的精度,其实在这之前我并没有真正意义上接触过命名实体识别这项工作,虽然说读研期间断断续续也参与了这样的项目,但是毕业之后始终觉得一知半解的感觉,最近想重新捡起来,以实践为学习的主要手段来比较系统地对命名实体识别这类任务进行理解、学习和实践应用。 对于我个人来说学习一个新的东西,比较喜欢实践为主去学习,因为最开始接触机器学习的时候都是从空洞的理论开始的,后来学了好久发现,这些理论知识的学习固然...

2020-07-09 10:41:47 638

原创 零基础实战Keras模型转化为RKNN格式模型成功运行在RK3399Pro板子上

深度学习实验大多是在服务器端进行的,在实际的应用中,想要把训练好的模型投入实际的应用中去的时候往往需要转化为适应于边缘端或者是移动端计算的格式,一是缩减模型大小降低原有的参数体量,二是借助于硬件环境的加速能力,提升模型的推理速度,总之就是为了能够在板子上跑的更快点。 在实际的开发实践中,我们选择使用的是RK3399Pro这个型号的板子,提供了NPU级别的硬件加速计算能力,官方的文档地址在这里,首页截图如下所示: 这里是官方给出来的云计算和边缘计算的简单对比说明:云计...

2020-07-02 15:45:11 1367

原创 两路共享LSTM时序数据预测实战+界面可视化应用

在我之前的文章中,已经对LSTM的实际应用有过很多的实践和说明了,今天介绍的LSTM模型跟之前的不同,在以往的时序数据建模中,我们的输入端是只有一个的,也就是说入口处只有“单条通路”,本文提及的两路LSTM,是在输入端就要两个输入,所以称之为两路共享的LSTM模型,话不多说这里先来看下简单的模型结构,如下所示: 从上面的模型结构图中可以很清晰地看到:入口处有两个维度的数据输入,之后一同进入到LSTM模型中,这里我们为了简单起见,也是为了降低计算量,毕竟深度学习模型是比较耗费资源的...

2020-06-17 19:35:58 1397 2

原创 基于深度学习模型+Attention机制的分类模型构建实践分析【以鸢尾花数据集为例】

在我之前的文章中,没有或者是很少有涉及到Attention机制的使用,因为之前做的很多工作中也不需要用到这个技术,周末正好有点时间就想学一下这个Attention机制,看看到底怎么样去结合使用,怎么样能够提升我们原有模型的性能。 当我们人在看一样东西的时候,我们当前时刻关注的一定是我们当前正在看的这样东西的某一地方,换句话说,当我们目光移到别处时,注意力随着目光的移动也在转移,这意味着,当人们注意到某个目标或某个场景时,该目标内部以及该场景内每一处空间位置上的注意力分布是不一样的。...

2020-06-14 20:26:25 1084 4

原创 Pytorch基于深度学习模型Seq2Seq的聊天机器人构建与应用部署实战

聊天机器人是非常常见而广泛的应用,很多企业都有很多机器人客服的需求,比如:移动、电信、联通、淘宝、京东等等,聊天机器人的本质就是文本数据处理,我的主要研究方向并不是文本处理相关的,但是断断续续学习、工作中接触到了一定的文本数据处理的任务,对文本数据处理也算得上是有一定的了解程度吧。 聊天机器人的应用可以简单理解为“输入一句话,机器返回一句响应的话”,返回的话跟你的话或者是问题相关度比较高,让你察觉不到是在跟一台机器聊天,这里模型需要能够比较确切地了解或者是解读清楚你输入的文本数据,然...

2020-06-08 19:38:24 1375 5

原创 信号数据EMD分解+IMF时序数据LSTM预测建模实践
原力计划

周末的时间闲下来了,想到之前计划的事情还未执行的还有很多,正好拿过来做一下,今天主要是想学习和实践一下信号领域的数据的处理和建模内容,从网上找到了一个振动信号相关的数据集,首先,想先基于EMD算法完成信号的 分解处理,之后基于LSTM模型来实现时序数据的建模预测分析。 对于现在的我来说,属于数据信号处理领域里面的小白,所以写这篇文章很可能会有错误或者是不合理的地方,如果问题欢迎指出,欢迎交流学习,同时呢?这里也是自己学习过程的记录,包括自己在了解一些信号处理算法时的资料等,也都一...

2020-05-30 17:24:00 2551 19

原创 基于卷积神经网络模型的MSTAR高分辨率图像数据集识别实践
原力计划

卷积神经网络CNN如今早已是深度学习的核心,广泛应用于各类任务中,在我以往的图像数据处理中大多接触的是比较具体的图像数据,比如:手写数字、手写字母、人脸数据、动物数据、交通信号数据等等,对于遥感或者是卫星相关的数据涉及得很少很少,今天找到了一个比较有意思的数据集【MSTAR高分辨率图像数据集】,想基于这个数据集来构建一下自己的卷积神经网络模型做一点实践。 首先,查阅了一些相关的研究文献资料,简单介绍一下【MSTAR高分辨率图像数据集】 当前用于研究SAR ATR 的图像...

2020-05-24 16:58:29 2246 4

原创 史上最迷你人脸数据集olivettifaces基于卷积神经网络模型+迁移学习构建人脸识别模型实战

一般来说,想要搭建自己的深度学习模型来对自己的图像数据做处理往往是需要准备很多数据才行的,不然模型性能是很差的,之前也做过一些人脸识别的应用实践,但大都是需要自己去采集自身的人脸图像数据,这个就比较主观了,因为你可以采集的很多很多人脸图像数据,或者也可以采集的很少,但是很少的话一般效果都不会太好。今天找到一个很有意思的数据集,是我目前接触到的人脸识别领域中最为迷你的数据集,为什么说它“迷你”呢?主要有两个原因:1、种类很多,一共包含有40个人的图像数据2、单个人的图像数据很少只有10张,这...

2020-05-16 18:20:04 1327 2

原创 Python 手写数字识别实战分享

手写数字识别作为一个深度学习类入门级别的应用,被广大爱好者所使用,在实际的工作中正好有一个实际的场景需求用到了数字和字母的识别,这里先以手写数字识别为例来对该类型的任务进行讲解。 本文的实践主要是基于卷积神经网络来进行的,卷积神经网络作为如今深度学习的核心自然有它独特的地方。 卷积神经网络的提出是受生物自然视觉认知机制的启发,它的核心在于其采用了卷积层和子采样层组合的特征提取方式。CNN一共采用了三种技术来降低模型的计算复杂度。1)局部感受野 首先是...

2020-05-13 21:25:28 908

原创 基于回归模型的地理空间经纬度预测实践
原力计划

在值预测相关的任务里面回归模型使用的非常得多,从最简单的逻辑回归模型到复杂点的集成回归模型,可以根据具体任务的适用程度来尝试或者决定使用什么样的模型来构建自己的预测模型。 本文主要是基于APP采集到的行走数据,也就是地理空间里面的经纬度数据来对未来位置进行预测分析,我们这里主要是将行走的数据建模成了一个时序数据分析问题,因为物体的移动轨迹不会是随机移动的是随着时间推移,有规...

2020-05-03 21:26:41 903 4

原创 Python基于迁移学习的手势识别实战【图像多分类任务】【实测准确度超过99.5%】
原力计划

本文是该专栏【迁移学习】系列文章的第三篇文章,主要是实现基于迁移学习的手势识别,个人感觉还是很有意思的一件事情吧,下面是系列文章中的一些基础知识。 迁移学习是一种很强大的深度学习技术,在实际应用中解决图像分类等问题中效果卓越,用一句简单的话来说就是“站在巨人的肩膀山学习”,大多数针对图像分类任务而开源出来的迁移学习模型很多都是基于ImageNet数据集开...

2020-04-22 20:50:58 666

原创 异常值检测算法 IsolationForest、EllipticEnvelope、OneClassSVM实践
原力计划

异常点或者是异常值检测算法是机器学习领域中很重要的一个分支,有效地挖掘出来数据中的异常值对于建模分析等工作来说是很重要的,异常点的检测算法也有很多,主要分为以下几种:异常检测的方法:(1)基于模型的技术:首先建立一个数据模型,异常是那些同模型不能完美拟合的对象;如果模型是簇的集合,则异常是不显著属于任何簇的对象;在使用回归模型时,异常是相对远离预测值的对象。(2)基于邻近...

2020-04-14 20:07:50 722

原创 基于双向长短期记忆神经网络【biLSTM】模型的污染数据预测实战
原力计划

时序数据建模分析已经有很多相关的应用了,在这个领域里面LSTM网络绝对是占据着非常重要的作用,自从LSTM网络提出以来,陆陆续续又出现了很多相关的变种网络,今天从网上找到了一份环境气象领域相关的数据集,可以用于时序数据的建模分析,这里就基于这个数据集来实战双向LSTM网络的时序建模。 这是一张比较形象比较简单的示意图: 双向,顾名思义理解起来也很简单...

2020-04-13 15:18:31 2411 26

原创 Python基于迁移学习的猫狗大战实战【图像二分类任务】【实测准确度超过99.5%】

迁移学习是一种很强大的深度学习技术,在实际应用中解决图像分类等问题中效果卓越,用一句简单的话来说就是“站在巨人的肩膀山学习”,大多数针对图像分类任务而开源出来的迁移学习模型很多都是基于ImageNet数据集开发的,这些预训练的模型往往都是那些谷歌、亚马逊等大厂耗费大量的计算资源训练几周的时间跑出来的模型,在图像的特征提取计算上都有着非常不错的性能,以至于对于我们...

2020-04-03 13:17:47 1023

原创 Python基于迁移学习的交通信号识别实战【图像多分类任务】【实测准确度超过96.7%】

迁移学习是一种很强大的深度学习技术,在实际应用中解决图像分类等问题中效果卓越,用一句简单的话来说就是“站在巨人的肩膀山学习”,大多数针对图像分类任务而开源出来的迁移学习模型很多都是基于ImageNet数据集开发的,这些预训练的模型往往都是那些谷歌、亚马逊等大厂耗费大量的计算资源训练几周的时间跑出来的模型,在图像的特征提取计算上都有着非常不错的性能,以至于对于我们【小批量数据+简单神经...

2020-04-01 11:39:13 501

原创 基于堆叠卷积长短期神经网络【CNNLSTM】模型的时序数据预测分析

在实际的工作中,时序类数据建模分析是比较重要的一部分,我们可以采用机器学习来构建一般的回归模型来进行值预测分析,也可以基于神经网络来搭建网络模型来完成时序数据预测分析,在较为简单的任务中,使用机器学习来构建回归模型一般是可以满足需要的,但是当实际面对的问题相对复杂的时候,简单的模型往往就难以胜任了,这里就需要更加高效,更具有表达能力的模型来完成这一工作,LSTM这一类模型就是其中的佼...

2020-03-13 16:20:07 3290 18

原创 基于差分整合移动平均自回归模型(ARIMA)的时序数据滚动预测建模与网格调参优化实战

ARIMA模型(英语:Autoregressive Integrated Moving Average model),差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。 AR...

2020-03-12 15:35:29 2202 2

原创 基于头条新闻数据的文本分类系统实战

新闻数据本质上来说也属于文本数据,新闻分类本质也就归成了文本分类系统,本文主要是自己业余时间里面的一个小实践,主要是完成从数据采集、存储解析、文本向量化处理、分类模型构建几个步骤,方法和套路都是比较常规的,整体看效果还是不错的。 这里我们初步选定今日头条来作为我们的数据源站点,毕竟头条的新闻类型很多,数据更新很快,尤其是如今火热的自媒体行业的兴起,一大批创作者涌入头条里...

2020-03-12 09:48:14 952

原创 基于深度学习的验证码破解实战【源站图像数据采集+图像预处理+图像切割+模型识别分析】

深度学习应用于图像处理领域应该说有很长一段时间了,相关的研究成果也有很多的积累了,从项目和实践入手是我觉得的最好最快速有效的学习手段,之前有过实际的验证码识别项目,今天正好有时间就想着把之前做的项目以另外的一种形式展现出来,这里没有直接选用我已经上线的项目作为讲解的对象,而是另外找了一个数据网站,对其验证码进行研究后,从零开始搭建自己的识别模型,主要就是:总结-实践-学习-收获。...

2020-03-05 16:56:45 561

原创 实地踩坑,新鲜出炉,阿里云GPU服务器Centos7.7深度学习环境搭建实战

做深度学习相关的项目,最痛苦的莫过于没有GPU资源,好在今年终于等来了第一台深度学习服务器,虽然是采用购买租用的形式,但这并不影响我们实际的使用,大多数人现在购买云端服务器资源首选可能都会是阿里云,毕竟现在的云端做得很好,闲话就不多说了,这里主要是记录一下自己的实际安装使用过程,从昨晚开始安装,一步一个坑,到现在的成功使用,分享一点自己的亲身实践经历,希望能够帮到需要的人。1...

2020-03-03 14:04:35 951

原创 基于LSTM的【气象数据+发电数据】多步时序数据建模预测分析实战

笔者三年多的从业经历里面积累很多关于时序数据建模预测的经验,因为工作性质的原因,接触到的较多的数据类型均为时序数据,在处理这种类型数据的时候会较多使用到回归模型、RNN或者是LSTM模型,所以本文主要基于以往的实践经验来分享一些时序户数建模领域里面的常用做法。 既然说到了LSTM,就要简单的介绍一下RNN(Recurrent Neural Network,RNN)循...

2020-02-03 17:19:21 2332 10

原创 基于豆瓣影评数据的文本分析系统【数据爬取+数据清洗+数据库存储+LDA主题挖掘+词云可视化】

本分析中很多的工作都是基于评论数据来进行的,比如:滴滴出行的评价数据、租房的评价数据、电影的评论数据等等,从这些语料数据中能够挖掘出来客户群体对于某种事物或者事情的看法,较为常见的工作有:舆情分析、热点挖掘和情感分析。 如果想要了解关于文本分类或者是情感分析相关的工作内容,可以阅读我的《数据建模实战》专栏文章,下面是链接信息: ...

2019-12-17 16:26:15 4970 11

原创 基于机器学习和深度学习的推荐系统实战【图书推荐、电影推荐、音乐推荐】

推荐系统在我们日常生活中发挥着非常重要的作用,相信实际从事过推荐相关的工程项目的人或多或少都会看多《推荐系统实战》这本书,我也是读者之一,个人感觉对于推荐系统的入门来说这本书籍还是不错的资料。很多商场、大厂的推荐系统都是很复杂也是很强大的,大多是基于深度学习来设计强有力的计算系统,本文是笔者在公司实践项目中实际做过的推荐系统实践经验分享。技术层面主要从机器学习和深度学习两个方面来分别...

2019-12-17 14:37:33 2345

原创 基于文本数据的情感分析系统

在自然语言处理里面,情感分析大类上归属于文本分类领域,是NLP非常常见也是很重要的一种任务类型,在大多数已开展的分析研究工作中,主要是基于评论数据集,诸如:滴滴打车评论数据集、豆瓣猫眼影评数据集;或者是一些社交媒体数据集,诸如:Twitter数据集、微博数据集、人人网数据集等等。 在开始本文的主要内容之前,我们先看一下有意思的东西,我以当今的小鲜肉【王俊凯】为搜索对象...

2019-12-17 11:05:46 3447

原创 优秀资源推荐

最近整理了好多的数据,各式各样的都有,后面会陆陆续续分享出来,这里会持续更新我的资源分享,当然了,十分欢迎各位朋友推送或者是推荐资源,我一并提交更新,仅作为学习使用,切勿用作其他用途,谢谢合作!计算机类各类书籍资源 常用工具资源...

2019-11-23 20:05:54 357

原创 基于微博数据的人物性格分类系统

声明: 本博客中的VIP系列博客内容严禁转载,未经允许不得以任何形式进行传播,违者追究侵权责任! 基于微博数据的人物性格分类系统 ...

2019-10-08 11:58:44 726

原创 基于深度学习的人脸识别系统实战【从零开始搭建你的人脸识别系统】

人脸识别如今已经是家喻户晓了,几乎每天都要跟他打交道,我们上班的考勤机就是一个人脸识别系统,我们俗称“刷脸机”。进入火车站或者机场的时候也会有人脸识别的需要,这里面都是深度学习的计算力在支撑,今天主要的内容是自己动手完整地去实践整个人脸识别系统,虽说人脸识别已经不是很新鲜的东西了,但是对于一个数据挖掘从业者或者初学者来说想要完整地做出来一个属于自己的人脸识别项目还是需要花费一定的时...

2019-09-20 14:46:06 3965 7

原创 感知器算法超详细讲解实战【原理+手撸代码实现】+spark应用实践

声明:本博客中的VIP系列博客内容严禁转载,未经允许不得以任何形式进行传播,违者追究侵权责任! 感知器算法超详细讲解实战+spark简单应用 ...

2019-08-18 11:56:03 1114

原创 基于词典和弱标注信息的电影评论情感分析系统

声明: 本博客中的VIP系列博客内容严禁转载,未经允许不得以任何形式进行传播,违者追究侵权责任! 基于词典和弱标注信息的电影评论情感分析系统 ...

2019-08-10 17:46:39 672

原创 堆叠式神经网络模型stackingKeras【Stacking+Keras】+GUI可视化应用,原理讲解+代码详细实现说明【超强的模型神器,支持自定义】

声明: 本博客中的VIP系列博客内容严禁转载,未经允许不得以任何形式进行传播,违者追究侵权责任! 堆叠式神经网络模型【Stacking+Keras】+GUI可视化应用 ...

2019-08-10 12:22:32 1647 1

原创 基于LSTM的多变量多步序列预测模型实战「超详细实现说明讲解」

声明: 本博客中的VIP系列博客内容严禁转载,未经允许不得以任何形式进行传播,违者追究侵权责任! 本文主要是基于LSTM(Long Short-Term Memory)长短期记忆神经网络来实践多变量序列预测,并完成对未来指定步长时刻数据的预测、分析和可视化,,手把手教你去搭建属于自己的预测分析模型。本文主要分为:LSTM模型简介、数据探索...

2019-08-08 14:35:32 11102 62

转载 keras实现常用深度学习模型LeNet,AlexNet,ZFNet,VGGNet,GoogleNet,Resnet

LeNet#coding=utf-8 from keras.models import Sequential from keras.layers import Dense,Flatten from keras.layers.convolutional import Conv2D,MaxPooling2D from keras.utils.np_utils import to_...

2018-11-26 16:41:44 3311

翻译 如何为深度学习选择激活函数

【翻译自 : How to Choose an Activation Function for Deep Learning】 【说明:Jason BrownleePhD大神的文章个人很喜欢,所以闲暇时间里会做一点翻译和学习实践的工作,这里是相应工作的实践记录,希望能帮到有需要的人!】 隐藏层中激活功能的选择将控制网络模型学习训练数据集的程度。 输出层中激活函数的选择将定义模型可以做出的预测类型。因此,必须为每个深度学习神经网络项目仔细选择激活函数。 ...

2021-01-18 09:31:15 64

翻译 基于Python的优化函数可视化

【翻译自 : Visualization for Function Optimization in Python】 【说明:Jason BrownleePhD大神的文章个人很喜欢,所以闲暇时间里会做一点翻译和学习实践的工作,这里是相应工作的实践记录,希望能帮到有需要的人!】 函数优化涉及从目标函数中找到产生最佳值的输入。优化算法在输入变量的搜索空间中导航以定位最佳位置,目标函数的形状和算法在搜索空间中的行为在现实世界中都是不透明的。因此,通常使用简单的低维函数来研究...

2021-01-16 13:46:58 50

翻译 如何从头开始使用Python实现堆栈泛化(Stacking)

【翻译自 : How to Implement Stacked Generalization (Stacking) From Scratch With Python】 【说明:Jason BrownleePhD大神的文章个人很喜欢,所以闲暇时间里会做一点翻译和学习实践的工作,这里是相应工作的实践记录,希望能帮到有需要的人!】 集成方法是提高机器学习问题的预测性能的绝佳方法。堆叠概括或堆叠是一种集成技术,它使用新模型来学习如何最佳地组合来自数据集上训练的两个或多个模...

2021-01-16 11:24:30 42

翻译 基于Python的Stacking集成机器学习实践

【翻译自 : Stacking Ensemble Machine Learning With Python】 【说明:Jason BrownleePhD大神的文章个人很喜欢,所以闲暇时间里会做一点翻译和学习实践的工作,这里是相应工作的实践记录,希望能帮到有需要的人!】 Stacking或Stacked Generalization是一种集成的机器学习算法。 它使用元学习算法来学习如何最佳地组合来自两个或多个基础机器学习算法的预测。 堆叠的好处在于,它可以利用分类或回...

2021-01-14 19:45:44 46

MSTAR数据集.zip

原始的【MSTAR数据集】是灰度图,这里经过转化处理后的【MSTAR数据集】,已经是3通道数据集了,后面可以直接用于模型的测试分析使用。

2020-05-29

Ubuntu下gcc-7.5.0安装完整依赖.zip

升级本地gcc版本所需安装包详情如下: gcc-7.5.0.tar.gz gmp-6.1.0.tar.bz2 mpc-1.0.3.tar.gz mpfr-3.1.4.tar.bz2 isl-0.16.1.tar.bz2

2020-05-22

windows下MongoDB最新的安装包

在官网中的链接中,MongoDB很难下载下来,还得输入邮箱什么的,这里是今天20180829尝试了很多次以后成功下载下来的windows下最新的安装包,分享出来给需要的人

2018-08-29

jsonfile查看工具

本软件是功能强大,实用便捷的json文件查看工具,可以方便地查看json数据内容

2018-08-14

xgboost-whl安装包(包含32位和64位)

xgboost-whl安装包是可以很方便的在windows7和windows10下安装修改版xgboost的包文件

2018-09-07

Yolov3随机手写数字数据集

Yolov3随机手写数字数据集 包含4000张可以直接使用的数据集 以及制作好的原始待检测视频+自己训练好的模型的检测视频

2020-10-15

算法设计与分析基础高清第三版

算法设计与分析基础高清第三版是在之前版本的基础上进一步提炼和编写的算法书籍,对于算法和数据结构的理解更为深入,相信对于算法的学习会有更多的帮助

2018-09-03

hadoop-mysql-hbase环境部署套装.zip

hadoop-mysql-hbase环境部署套装包括: hadoop-2.7.1.tar.gz hbase-1.1.5-bin.tar.gz jdk-8u162-linux-x64.tar.gz mysql-connector-java-5.1.40.tar.gz mysql-server_5.7.21-1ubuntu14.04_amd64.deb-bundle.tar

2020-09-08

相关性分析项目.zip

Python数据相关性分析实践完整项目【数据+代码+结果图片】 包含完整的数据和分析代码以及可视化代码,可以直接使用的完整项目数据

2020-07-08

猫狗大战迁移学习项目.zip

猫狗大战迁移学习实战项目所需的完整模型+测试数据,可以自己直接加载进行测试使用 results:自己基于迁移学习方法训练得到的二分类模型 test:bing搜索引擎图像数据爬虫结果,针对cat和dog两类目标分别爬取了200多张图像数据 test1:随机从kaggle数据集每类的12500张数据中抽取100张图像组成的测试数据集

2020-04-03

kafka搭建套装.zip

20200326这里存放的是今日我搭建kafka过程中使用到的套装文件,可以直接下载使用的,完整的搭建实战与环境配置问题解决

2020-03-26

深度学习目标检测数据标注器.rar

深度学习目标检测数据标注器 很不错,很好用的一款数据标注工具

2020-02-19

全国火车站标注名称编码集合.zip

《全国火车站标注名称编码集合》主要是日常工作实践过程中使用汇总的名称、编码数据

2019-11-06

深度学习开发者峰会课件.zip

深度学习开发者峰会课件主要讲解当前深度学习的前沿科技成果

2019-10-31

Microsoft Visual C++ 安装包【14.0和9.0】.rar

解决Python第三方库安装过程的报错问题。 Python2.7版本报错如下: error: Microsoft Visual C++ 9.0 is required. 安装文件为: VCForPython27.msi Python3.6版本报错如下: error: Microsoft Visual C++ 14.0 is required. 安装文件为: Microsoft Visual C++ 14.0.exe

2019-09-05

pyltp安装包whl文件.rar

pyltp-0.2.1-cp35-cp35m-win_amd64.whl为Python3.5的安装版本 pyltp-0.2.1-cp36-cp36m-win_amd64.whl为Python3.6的安装版本 当使用pip安装方式安装失败的时候可以使用whl文件进行安装,亲测安装成功!

2019-08-08

中科院自动化所宗成庆-自然语言处理方法与应用.rar

中科院自动化所宗成庆-自然语言处理方法与应用 全文共108页,宗老师从自然语言处理的起源、发展、兴起、瓶颈、巅峰等节点进行了详细的说明,非常好的资料!

2019-08-08

LDA数学八卦.rar

LDA数学八卦是初学者学习LDA算法很经典很好理解的学习资料,以生活形象和严谨细致的推导讲解了LDA模型。

2019-08-08

2018知识图谱发展报告.rar

前言 1. 知识图谱的研究目标与意义 知识图谱Knowledge Graph以结构化的形式描述客观世界中概念、实体及 其关系将互联网的信息表达成更接近人类认知世界的形式提供了一种更好地 组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活 力同时也在智能问答中显示出强大威力已经成为互联网知识驱动的智能应用 的基础设施。知识图谱与大数据和深度学习一起成为推动互联网和人工智能发 展的核心驱动力之一。

2019-08-08

SQL SERVER查增改删,导入导出简便工具.rar

SQL SERVER查增改删,导入导出简便工具 该工具主要是讲常用的SQLServer数据操作做了一个打包和封装,能够很方便地进行使用!

2019-08-08

TensorFlow官方文档中文版.rar

TensorFlow官方文档中文版 是很全面透彻完整的Tensorflow实践学习中文学习资料,值得收藏使用!

2019-08-08

StatisticsWithJulia.pdf

Julia 正在迅速成为数据科学、统计学、机器学习、人工智能和一般科学计算领域的主要语言之一。它像 R 语言、Python 和 Matlab 一样易于使用,但由于其类型系统和即时编译,它可以更有效地执行计算。这使得它在运行时间和开发时间方面都很快。此外,还有多种多样的 Julia 包。这其中就包括数据科学家、统计学家或机器学习从业者需要的高级方法。因此,该语言具有广泛的应用范围。

2019-07-29

国家统计局2009-2018行政区划编码.zip

国家统计局2009-2018行政区划编码 包括从2009年以来至今历年来国家统计局公布出来的行政区划代码数据 历时一天爬取完成,提供给有需要的人

2019-07-16

京东大数据技术白皮书(全文120页).zip

京东大数据技术白皮书(全文120页)是总体概况对京东最新的技术架构体系的一次全方位的介绍,值得入手细读。

2019-07-16

Python数据分析与数据化运营.zip

《Python数据分析与数据化运营》从实战角度讲解如何利用Python进行数据分析、挖掘和数据化运营的著作,不仅对数据分析的关键技术和技巧进行了总结.......

2019-07-15

坦克大战tank.zip

坦克大战tank:很古老却又经典的一款小游戏,完全基于python开发,我将其打包生成exe文件,感兴趣的可以拿去玩哈。 相应的博客介绍在这里:https://blog.csdn.net/Together_CZ

2019-06-14

3万个高可用的IP代理

这里的IP代理均来源于网络数据获取,通过进一步解析处理后保存到本地json文件中,在爬虫启动的时候随机加载可用IP来构建代理 代理约有3万个

2019-04-15

推荐算法数据集

python基于Suprise模块构建推荐算法模型,实现电影、书籍等资源的推荐 文中使用到的数据集

2019-01-14

Docker技术入门与实战

简介在云计算时代,开发者将应用转移到云上已经解决了硬件管理的问题,然而软件配置和管理相关的问题依然存在。Docker的出现正好能帮助软件开发者开阔思路,尝试新的软件管理方法来解决这个问题。通过掌握Docker,开发人员便可享受先进的自动化运维理念和工具,无需运维人员介入即可顺利运行于各种运行环境。《Docker技术入门与实战》分为三大部分:Docker入门、实战案例和高级话题。第一部分(第1~8章)介绍Docker与虚拟化技术的基本概念,包括安装、镜像、容器、仓库、数据管理等;第二部分(第9~17章)通过案例介绍Docker的应用方法,包括与各种操作系统平台、SSH服务的镜像、Web服务器与应用、数据库的应用、各类编程语言的接口、私有仓库等;第三部分(第18~21章)是一些高级话题,如Docker核心技术、安全、高级网络配置、相关项目等。《Docker技术入门与实战》从基本原理开始入手,深入浅出地讲解Docker的构建与操作,内容系统全面,可帮助开发人员、运维人员快速部署应用。 第2版前言 第1版前言 第一部分 基础入门 第1章 初识容器与Docker 1.1 什么是Docker 1.2 为什么要使用Docker 1.3 Docker与虚拟化 1.4 本章小结 第2章 核心概念与安装配置 2.1 核心概念 2.2 安装Docker 2.3 配置Docker服务 2.4 推荐实践环境 2.5 本章小结 第3章 使用Docker镜像 3.1 获取镜像 3.2 查看镜像信息 3.3 搜寻镜像 3.4 删除镜像 3.5 创建镜像 3.6 存出和载入镜像 3.7 上传镜像 3.8 本章小结 第4章 操作Docker容器 4.1 创建容器 4.2 终止容器 4.3 进入容器 4.4 删除容器 4.5 导入和导出容器 4.6 本章小结 第5章 访问Docker仓库 5.1 Docker Hub公共镜像市场 5.2 时速云镜像市场 5.3 搭建本地私有仓库 5.4 本章小结 第6章 Docker数据管理 6.1 数据卷 6.2 数据卷容器 6.3 利用数据卷容器来迁移数据 6.4 本章小结 第7章 端口映射与容器互联 7.1 端口映射实现访问容器 7.2 互联机制实现便捷互访 7.3 本章小结 第8章 使用Dockerfile创建镜像 8.1 基本结构 8.2 指令说明 8.3 创建镜像 8.4 使用.dockerignore文件 8.5 最佳实践 8.6 本章小结 第二部分 实战案例 第9章 操作系统 9.1 BusyBox 9.2 Alpine 9.3 Debian/Ubuntu 9.4 CentOS/Fedora 9.5 本章小结 第10章 为镜像添加SSH服务 10.1 基于commit命令创建 10.2 使用Dockerfile创建 10.3 本章小结 第11章 Web服务与应用 11.1 Apache 11.2 Nginx 11.3 Tomcat 11.4 Jetty 11.5 LAMP 11.6 CMS 11.7 持续开发与管理 11.8 本章小结 第12章 数据库应用 12.1 MySQL 12.2 MongoDB 12.3 Redis 12.4 Memcached 12.5 CouchDB 12.6 Cassandra 12.7 本章小结 第13章 分布式处理与大数据平台 13.1 RabbitMQ 13.2 Celery 13.3 Hadoop 13.4 Spark 13.5 Storm 13.6 Elasticsearch 13.7 本章小结 第14章 编程开发 14.1 C/C++ 14.2 Java 14.3 Python 14.4 JavaScript 14.5 Go 14.6 PHP 14.7 Ruby 14.8 Perl 14.9 R 14.10 Erlang 14.11 本章小结 第15章 容器与云服务 15.1 公有云容器服务 15.2 容器云服务 15.3 阿里云容器服务 15.4 时速云容器平台 15.5 本章小结 第16章 容器实战思考 16.1 Docker为什么会成功 16.2 研发人员该如何看容器 16.3 容器化开发模式 16.4 容器与生产环境 16.5 本章小结 第三部分 进阶技能 第17章 Docker核心实现技术 17.1 基本架构 17.2 命名空间 17.3 控制组 17.4 联合文件系统 17.5 Linux网络虚拟化 17.6 本章小结 第18章 配置私有仓库 18.1 安装Docker Registry 18.2 配置TLS证书 18.3 管理访问权限 18.4 配置Registry 18.5 批量管理镜像 18.6 使用通知系统 18.7 本章小结 第19章 安全防护与配置 19.1 命名空间隔离的安全 19.2 控制组资源控制的安全 19.3 内核能力机制 19.4 Docker服务端的防护 19.5 更多安全特性的使用 19.6 使用第三方检测工具 19.7 本章小结 第20章 高级网络功能 20.1 网络启动与配置参数 20.2 配置容器DNS和主机名 20.3 容器访问控制 20.4 映射容器端口到宿主主机的实现 20.5 配置docker0网桥 20.6 自定义网桥 20.7 使用OpenvSwitch网桥 20.8 创建一个点到点连接 20.9 本章小结 第21章 libnetwork插件化网络功能 21.1 容器网络模型 21.2 Docker网络相关命令 21.3 构建跨主机容器网络 21.4 本章小结 第四部分 开源项目 第22章 Etcd——高可用的键值数据库 22.1 简介 22.2 安装和使用Etcd 22.3 使用etcdctl客户端 22.4 Etcd集群管理 22.5 本章小结 第23章 Docker三剑客之Docker Machine 23.1 简介 23.2 安装Machine 23.3 使用Machine 23.4 Machine命令 23.5 本章小结 第24章 Docker三剑客之Docker Compose 24.1 简介 24.2 安装与卸载 24.3 Compose命令说明 24.4 Compose环境变量 24.5 Compose模板文件 24.6 Compose应用案例一:Web负载均衡 24.7 Compose应用案例二:大数据Spark集群 24.8 本章小结 第25章 Docker三剑客之Docker Swarm 25.1 简介 25.2 安装Swarm 25.3 使用Swarm 25.4 使用其他服务发现后端 25.5 Swarm中的调度器 25.6 Swarm中的过滤器 25.7 本章小结 第26章 Mesos——优秀的集群资源调度平台 26.1 简介 26.2 Mesos安装与使用 26.3 原理与架构 26.4 Mesos配置项解析 26.5 日志与监控 26.6 常见应用框架 26.7 本章小结 第27章 Kubernetes——生产级容器集群平台 27.1 简介 27.2 核心概念 27.3 快速体验 27.4 安装部署 27.5 重要组件 27.6 使用kubectl 27.7 网络设计 27.8 本章小结 第28章 其他相关项目 28.1 平台即服务方案 28.2 持续集成平台Drone 28.3 容器管理 28.4 编程开发 28.5 网络支持 28.6 日志处理 28.7 服务代理工具 28.8 标准与规范 28.9 其他项目 28.10 本章小结 附录 附录A 常见问题总结 附录B Docker命令查询 附录C 参考资源链接

2018-12-16

第一本Docker书(完整版)

第一本Docker书(完整版) Docker是一个开源的应用容器引擎,开发者可以利用Docker打包自己的应用以及依赖包到一个可移植的容器中,然后发布到任何流行的Linux机器上,也可以实现虚拟化。本书由Docker公司前服务与支持副总裁James Turnbull编写,是Docker开发指南。 目录章节 第1 章 简介 1.1 Docker 简介 1.1.1 提供一个简单、轻量的建模方式 1.1.2 职责的逻辑分离 1.1.3 快速、高效的开发生命周期 1.1.4 鼓励使用面向服务的架构 1.2 Docker 组件 1.2.1 Docker 客户端和服务器 1.2.2 Docker 镜像 1.2.3 Registry 1.2.4 容器 1.3 我们能用Docker 做什么 1.4 Docker 与配置管理 1.5 Docker 的技术组件 1.6 本书的内容 1.7 Docker 资源 第2 章 安装Docker 2.1 安装Docker 的先决条件 2.2 在Ubuntu 中安装Docker 2.2.1 检查前提条件 2.2.2 安装Docker 2.2.3 Docker 与UFW 2.3 在Red Hat 和Red Hat 系发行版中安装Docker 2.3.1 检查前提条件 2.3.2 安装Docker 2.3.3 在Red Hat 系发行版中启动Docker 守护进程 2.4 在OS X 中安装Boot2Docker 2.4.1 在OS X 中安装Boot2Docker 2.4.2 在OS X 中启动Boot2Docker 2.4.3 测试Boot2Docker 2.5 在Windows 中安装Boot2Docker 2.5.1 在Windows 中安装Boot2Docker 2.5.2 在Windows 中启动Boot2Docker 2.5.3 测试Boot2Docker 2.6 使用本书的Boot2Docker 示例 2.7 Docker 安装脚本 2.8 二进制安装 2.9 Docker 守护进程 2.9.1 配置Docker 守护进程 2.9.2 检查Docker 守护进程是否正在运行 2.10 升级Docker 2.11 Docker 图形用户界面 2.12 小结 第3 章 Docker 入门 3.1 确保Docker 已经就绪 3.2 运行我们的第一个容器 3.3 使用第一个容器 3.4 容器命名 3.5 重新启动已经停止的容器 3.6 附着到容器上 3.7 创建守护式容器 3.8 容器内部都在干些什么 3.9 查看容器内的进程 3.10 在容器内部运行进程 3.11 停止守护式容器 3.12 自动重启容器 3.13 深入容器 3.14 删除容器 3.15 小结 第4 章 使用Docker 镜像和仓库 4.1 什么是Docker 镜像 4.2 列出镜像 4.3 拉取镜像 4.4 查找镜像 4.5 构建镜像 4.5.1 创建Docker Hub 账号 4.5.2 用Docker 的commit 命令创建镜像 4.5.3 用Dockerfile构建镜像 4.5.4 基于Dockerfile构建新镜像 4.5.5 指令失败时会怎样 4.5.6 Dockerfile 和构建缓存 4.5.7 基于构建缓存的Dockerfile模板 4.5.8 查看新镜像 4.5.9 从新镜像启动容器 4.5.10 Dockerfile 指令 4.6 将镜像推送到Docker Hub 4.7 删除镜像 4.8 运行自己的Docker Registry 4.8.1 从容器运行Registry 4.8.2 测试新Registry 4.9 其他可选Registry 服务 4.10 小结 第5 章 在测试中使用Docker 5.1 使用Docker 测试静态网站 5.1.1 Sample 网站的初始Dockerfile 5.1.2 构建Sample 网站和Nginx镜像 5.1.3 从Sample 网站和Nginx 镜像构建容器 5.1.4 修改网站 5.2 使用Docker 构建并测试Web应用程序 5.2.1 构建Sinatra 应用程序 5.2.2 创建Sinatra 容器 5.2.3 构建Redis 镜像和容器 5.2.4 连接到Redis 容器 5.2.5 连接Redis 5.2.6 让Docker 容器互连 5.2.7 使用容器连接来通信 5.3 Docker 用于持续集成 5.3.1 构建Jenkins 和Docker服务器 5.3.2 创建新的Jenkins 作业 5.3.3 运行Jenkins 作业 5.3.4 与Jenkins 作业有关的下一步 5.3.5 Jenkins 设置小结 5.4 多配置的Jenkins 5.4.1 创建多配置作业 5.4.2 测试多配置作业 5.4.3 Jenkins 多配置作业小结 5.5 其他选择 5.5.1 Drone 5.5.2 Shippable 5.6 小结 第6 章 使用Docker 构建服务 6.1 构建第一个应用 6.1.1 Jekyll 基础镜像 6.1.2 构建Jekyll 基础镜像 6.1.3 Apache 镜像 6.1.4 构建Jekylll Apache 镜像 6.1.5 启动Jekylll 网站 6.1.6 更新Jekyll 网站 6.1.7 备份Jekyll 卷 6.1.8 扩展Jekyll 示例网站 6.2 使用Docker 构建一个Java应用服务 6.2.1 WAR 文件的获取器 6.2.2 获取WAR 文件 6.2.3 Tomecat7 应用服务器 6.2.4 运行WAR 文件 6.2.5 基于Tomcat 应用服务器的构建服务 6.3 多容器的应用栈 6.3.1 Node.js 镜像 6.3.2 Redis 基础镜像 6.3.3 Redis 主镜像 6.3.4 Redis 从镜像 6.3.5 创建Redis 后端集群 6.3.6 创建Node 容器 6.3.7 捕获应用日志 6.3.8 Node 程序栈的小结 6.4 不使用SSH 管理Docker 容器 6.5 小结 第7 章 使用Fig 编配Docker 7.1 Fig 7.1.1 安装Fig 7.1.2 获取示例应用 7.1.3 fig.yml 文件 7.1.4 运行Fig 7.1.5 使用Fig 7.1.6 Fig 小结 7.2 Consul、服务发现和Docker 7.2.1 构建Consul 镜像 7.2.2 在本地测试Consul 容器 7.2.3 使用Docker 运行Consul集群 7.2.4 启动具有自启动功能的Consul 节点 7.2.5 启动其余节点 7.2.6 配合Consul,在Docker里运行一个分布式服务 7.3 其他编配工具和组件 7.3.1 Fleet 和etcd 7.3.2 Kubernetes 7.3.3 Apache Mesos 7.3.4 Helios 7.3.5 Centurion 7.3.6 Libswarm 7.4 小结 第8 章 使用Docker API 8.1 Docker API 8.2 初识Remote API 8.3 测试Docker Remote API 8.3.1 通过API 来管理Docker镜像 8.3.2 通过API 管理Docker容器 8.4 改进TProv 应用 8.5 对Docker Remote API 进行认证 8.5.1 建立证书授权中心 8.5.2 创建服务器的证书签名请求和密钥 8.5.3 配置Docker 守护进程 8.5.4 创建客户端证书和秘钥 8.5.5 配置Docker 客户端开启认证功能 8.6 小结 第9 章 获得帮助和对Docker进行改进 9.1 获得帮助 9.1.1 Docker 用户和开发邮件列表 9.1.2 IRC 上的Docker 9.1.3 GitHub 上的Docker 9.2 报告Docker 的问题 9.3 搭建构建环境 9.3.1 安装Docker 9.3.2 安装源代码和构建工具 9.3.3 检出源代码 9.3.4 贡献文档 9.3.5 构建开发环境 9.3.6 运行测试 9.3.7 在开发环境中使用Docker 9.3.8 发起pull request 9.3.9 批准合并和维护者 9.4 小结

2018-12-16

PyTorch深度学习实战

PyTorch深度学习实战 PyTorch是什么? 这是一个基于Python的科学计算包,其旨在服务两类场合: 替代numpy发挥GPU潜能 一个提供了高度灵活性和效率的深度学习实验性平台

2018-12-07

Deep Learning with PyTorch

PyTorch即 Torch 的 Python 版本。Torch 是由 Facebook 发布的深度学习框架,因支持动态定义计算图,相比于 Tensorflow 使用起来更为灵活方便,特别适合中小型机器学习项目和深度学习初学者。但因为 Torch 的开发语言是Lua,导致它在国内一直很小众。所以,在千呼万唤下,PyTorch应运而生!PyTorch 继承了 Troch 的灵活特性,又使用广为流行的 Python 作为开发语言,所以一经推出就广受欢迎!

2018-12-07

Python高效开发实战——Django、Tornado、Flask、Twisted

Python高效开发实战——Django、Tornado、Flask、Twisted一书分为三部分:第1部分是基础篇,带领初学者实践Python开发环境和掌握基本语法,同时对网络协议、Web客户端技术、数据库建模编程等网络编程基础深入浅出地进行学习;第2部分是框架篇,学习当前最流行的PythonWeb框架,即Django、Tornado、Flask和Twisted,达到对各种Python网络技术融会贯通的目的;第3部分是实战篇,分别对4种框架进行项目实践,利用其各自的特点开发适用于不同场景的网络程序。

2018-11-27

关联挖掘算法详解

关联挖掘算法主要包括Apriori和FP-Growth,两者对于不同的场景有着显著地差异性...

2018-11-20

WEKA完整中文教程

WEKA中文指南是weka很好的学习资料,包含两份完整的中文说明文档,能够帮助我们快速上手weka。

2018-11-19

python2和python3版本可用的OpenCV安装包

python2和python3版本可用的OpenCV安装包里面包含了python2的安装包和python3的安装包,经过测试成功安装,十分方便。

2018-11-16

Python计算机视觉编程(含源码)

Python计算机视觉编程(含源码)依赖Python语言讲解了基础理论与算法,并通过大量示例细致分析了对象识别、基于内容的图像搜索、光学字符识别、光流法、跟踪、三维重建、立体成像、增强现实、姿态估计、全景创建、图像分割、降噪、图像分组等技术。另外,书中附带的练习还能让读者巩固并学会应用编程知识。

2018-11-16

linecache安装包(python2和python3兼容)

linecache模块可以读取文件并将文件内容缓存起来,方便后面多次读取。这个模块原本被设计用来读取Python模块的源代码,所以当一个文件名不在指定路径下的时候,模块会通过搜索路径(search path)来尝试读取文件

2018-11-15

百度脑图桌面版

百度脑图是一款很好的思维发散工具,能够快速帮助使用者来构建思维导图,百度脑图桌面版与web版本有相同的功能,只不过可以当做软件离线使用,非常方便

2018-11-09

PMF正交矩阵因子分解

PMF正交矩阵因子分解 主要讲解EPA PMF软件的使用,是很好的中文使用文档说明,值得学习参考,对于大气环境数据的分析很有帮助。

2018-11-09

Together_CZ的留言板

发表于 2020-01-02 最后回复 2020-02-17

TA创建的收藏夹 TA关注的收藏夹

TA关注的人 TA的粉丝

提示
确定要删除当前文章?
取消 删除