由于nginx的日志本身只是支持按照server_name或者大小进行划分，对于习惯了apache的按照一个网站每天一个日志的我来说是不可以接受的，于是从网上找了几个nginx按天分割的方法发现都是互相抄袭的，特别是里面有一个命令是kill-9`catnginx.pid`,需要杀掉nginx子进程，我觉得不靠谱。我忽然想到我以前在做openstack的云存储开发时，对rsyslog的日志进行分割的方法，一用果然好用原理是： 1.从一台已经安装好apache的机器上的apachebin目录下把rotatelogs拷贝到本机的/opt/nginx_logs下 mkdir -p /opt/ngin

表情包斗图，作为人生新晋一大乐事，已经是广大网友每天必经的聊天互动环节。什么捧腹大笑、满腹槽点、彻底无语……这些万千语言无法贴切描述的情绪细节，总能被一张看似平平无奇的表情包完美形容，可谓一图胜千言，四两拨千斤！如今，在表情包斗图进入白热化阶段，人们对表情包的定制化需求日益增多，人人是表情包的搬运工，人人也是潜力热图的创造者！赋予个人制作个性化表情包的能力很有必要。使用机器学习的图像分割功能，轻松分割复杂图片背景，让表情包制作简单而高效，让我们来看看如何将一张图片变成传情达意的表情包吧！开发准备Maven仓和SDK的配置步骤可以参考开发者网站中的应用开发介绍https://developer.

表情包斗图，作为人生新晋一大乐事，已经是广大网友每天必经的聊天互动环节。什么捧腹大笑、满腹槽点、彻底无语……这些万千语言无法贴切描述的情绪细节，总能被一张看似平平无奇的表情包完美形容，可谓一图胜千言，四两拨千斤！如今，在表情包斗图进入白热化阶段，人们对表情包的定制化需求日益增多，人人是表情包的搬运工，人人也是潜力热图的创造者！赋予个人制作个性化表情包的能力很有必要。使用机器学习的图像分割功能，轻松分割复杂图片背景，让表情包制作简单而高效，让我们来看看如何将一张图片变成传情达意的表情包吧！开发准备Maven仓和SDK的配置步骤可以参考开发者网站中的应用开发介绍https://developer.

摘要：FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。本文分享自华为云社区《​​全卷积网络（FCN）实战：使用FCN实现语义分割​​》，作者：AI浩。FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semanticsegmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的featuremap进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上

摘要：FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。本文分享自华为云社区《​​全卷积网络（FCN）实战：使用FCN实现语义分割​​》，作者：AI浩。FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semanticsegmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的featuremap进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上

MaskR-CNN具体内容见：MaskR-CNN最初于2017年11月由Facebook的AI研究团队使用Python和Caffe2推出。工程代码见：后来MaskR-CNN被移植到Tensorflow，并且在共享了几个预先训练的模型，这些模型具有不同的训练架构，如InceptionV2，ResNet50，ResNet101和Inception-ResnetV2。它们还为您提供培训自己模型的工具。基于Inception训练的MaskR-CNN速度最快，甚至可以在CPU上试用它，因此我们在本教程中选择了它。该模型在MSCOCO数据集上进行了训练。我们将共享OpenCV(OpenCV3.43以上版本

MaskR-CNN具体内容见：MaskR-CNN最初于2017年11月由Facebook的AI研究团队使用Python和Caffe2推出。工程代码见：后来MaskR-CNN被移植到Tensorflow，并且在共享了几个预先训练的模型，这些模型具有不同的训练架构，如InceptionV2，ResNet50，ResNet101和Inception-ResnetV2。它们还为您提供培训自己模型的工具。基于Inception训练的MaskR-CNN速度最快，甚至可以在CPU上试用它，因此我们在本教程中选择了它。该模型在MSCOCO数据集上进行了训练。我们将共享OpenCV(OpenCV3.43以上版本