input_data模块中的 read_data_sets( () )函数 加载 mnist 数据集：
from tensorflo w.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets( ’ ./data/’,one_hot=True)
read_data_sets()函数中有两个参数，第一个参数表示数据集存放路径，第
二个参数表示数据集的存取形式。当第二个参数为 Ture 时，表示以独热码形式
存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据
集，若指定路径中没有数据集，则自动下载，并将 mnist数据集分为训练集 train、
验证集 validation 和测试集 test 存放。在终端显示如下内容：
Extracting ./data/train-images-idx3-ubyte.gz
Extracting ./data/train-labels-idx1-ubyte.gz
Extracting ./data/tl0k-images-idx3-ubyte.gz
Extracting ./data/ tl0k-labels-idx1-ubyte.gz
print “train data size:”,mnist.train.mun_examples
train data size:55000
print “ va lidation d ata size:”,mnist. validation .mun_examples
validation data size:5000
③返回 测试集 test 样本数
print “test data size:”,mnist.test.mun_examples
test data size:10000
√ 使用 train.labels 函数 返回mnist 数据集 标签
例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片的标签，则使用如下函数
mnist.train.labels[0]
array([0.,0.,0.,0.,0.,0.,1.,0.,0.,0])
train.images 函数 返回mnist 数据集 图片 像素值
例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片像素值，则使用如下函数
mnist.train.images[0]
array([0. ,0. ,0. ,
0. ,0. ,0. ,
0. ,0. ,0. ,
… … …])
mnist.train.next_batch( () ) 函数将数据输入 神经网络
例如：
BATCH_SIZE = 200
xs,ys = mnist.train.next_batch(BATCH_SIZE)
print “xs shape:”,xs.shape
print “ys shape:”,ys.shape
输出结果：xs.shape(200,784)
输出结果：ys.shape(200,10)
mnist.train.next_batch()函数包含一个参数 BATCH_SIZE，表示随机从训
练集中抽取 BATCH_SIZE 个样本输入神经网络，并将样本的像素值和标签分别赋
给 xs 和 ys。在本例中，BATCH_SIZE 设置为 200，表示一次将 200 个样本的像素
值和标签分别赋值给 xs 和 ys，故 xs 的形状为(200,784)，对应的 ys 的形状为
(200,10)。
实现“ Mnist 数据集手写数字识别 ”的常用函数：
① tf. . get_collection(“”)函数表示从 从 collection 集合中取出全部变量生成
一个列表 。
② tf. . add( ) )函数表示将参数 列表 中 对应元素相加 。
例如：
x=tf.constant([[1,2],[1,2]])
y=tf.constant([[1,1],[1,2]])
z=tf.add(x,y)
print z
[[2,3],[2,4]]
tf. . cast(x,dtype)
函数表示将参数 x 转换为指定 数据 类型 。
例如：
A = tf.convert_to_tensor(np.array([[1,1,2,4], [3,4,8,5]]))
print A.dtype
b = tf.cast(A, tf.float32)
print b.dtype
<dtype: 'int64'>
<dtype: 'float32'>
tf.equal( ) ) 函数表示对比两个矩阵或者向量的元素。若对应元素相等，则返
回 回 True ；若对应元素不相等，则返回 False 。
例如：
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session( ) as sess:
print(sess.run(tf.equal(A, B)))
[[ True True True False False]]
tf.reduce_mean( x,axis) ) 函数表示求取矩阵或张量指定维度的平均值。 若 不
指定第二个参数， 则 在所有元素中取平均值 ；若 指定第二个参数为 0 0 ，则 在 第一
维元素 上 取平均值，即每一列求平均值 ；若 指定第二个参数为 1 1 ，则 在 第二维元
素 上 取平均值，即每一行求平均值 。
例如：
x = [[1., 1.]
[2., 2.]]
print(tf.reduce_mean(x))
输出结果：1.5
print(tf.reduce_mean(x, 0))
输出结果：[1.5, 1.5]
print(tf.reduce_mean(x, 1))
输出结果：[1., 1.]
tf. . argmax(x,axis)函数表示 返回 指定维度 asxis 下，参数 x 中 最大值索引号 。
例如：
在 tf.argmax([1,0,0],1)函数中，axis 为 1，参数 x 为[1,0,0]，表示在参数 x
的第一个维度取最大值对应的索引号，故返回 0。
⑦ os.path.join () 函数表示 把 参数 字符串按照路径命名规则拼接。
例如：
import os
os.path.join('/hello/','good/boy/','doiido')
'/hello/good/boy/doiido'
⑧ 字符串. . split( ) ) 函数表示定 按照指定 “ 拆分符 ” 对字符串拆分， ， 返回拆分列表 。
例如：
'./model/mnist_model-1001'.split('/')[-1].split('-')[-1]
tf.Graph( ).as_default( ) ) 函数表示将当前图设置成为默认图，并返回一
个上下文管理器 。 该函数 一般与 w wh ith 关键字 搭配使用 ，应用于将 已经定义好
的 神经网络在计算图中复现。
例如：
with tf.Graph().as_default() as g，表示将在 Graph()内定义的节点加入到
计算图 g 中。
√ 神经网络模型的保存
在 反向传播过程中，一般会间隔一定轮数保存一次神经网络模型， 并产生三个
文件（ 保存当前图结构 的.meta 文件 、 保存当前参数名 的.index 文件 、 保存当
前参数 的.data 文件 ） ，在 T ensorflow中如下表示：
saver = tf.train.Saver()
with tf.Session() as sess:
for i in range(STEPS):
if i % 轮数 == 0:
saver.save(sess, os.path.join(MODEL_SAVE_PATH,
MODEL_NAME), global_step=global_step)
tf.train.Saver()用来实例化 saver 对象。上述代码表示，神经网络每循
环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在
存放网络模型的文件夹名称中注明保存模型时的训练轮数。
√ 神经网络模型的加载
在测试网络效果时，需要将训练好的神经网络模型加载 ，在 T ensorflow 中 这
样 表示：
with tf.Session() as sess:
ckpt = tf.train.get_checkpoint_state( 存储路径) )
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)
ema = tf.train.ExponentialMovingAverage( ( 滑动平均基数) )
ema_restore = ema.variables_to_restore()
saver = tf.train.Saver(ema_restore)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean( tf.cast(correct_prediction, tf.float32))
我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i
有时我需要处理键/值数据。我不喜欢使用数组，因为它们在大小上没有限制(很容易不小心添加超过2个项目，而且您最终需要稍后验证大小)。此外，0和1的索引变成了魔数(MagicNumber)，并且在传达含义方面做得很差(“当我说0时，我的意思是head...”)。散列也不合适，因为可能会不小心添加额外的条目。我写了下面的类来解决这个问题:classPairattr_accessor:head,:taildefinitialize(h,t)@head,@tail=h,tendend它工作得很好并且解决了问题，但我很想知道:Ruby标准库是否已经带有这样一个类？ 最佳
我想在Ruby中创建一个用于开发目的的极其简单的Web服务器(不，不想使用现成的解决方案)。代码如下:#!/usr/bin/rubyrequire'socket'server=TCPServer.new('127.0.0.1',8080)whileconnection=server.acceptheaders=[]length=0whileline=connection.getsheaders想法是从命令行运行这个脚本，提供另一个脚本，它将在其标准输入上获取请求，并在其标准输出上返回完整的响应。到目前为止一切顺利，但事实证明这真的很脆弱，因为它在第二个请求上中断并出现错误:/usr/b
我正在尝试使用Curbgem执行以下POST以解析云curl-XPOST\-H"X-Parse-Application-Id:PARSE_APP_ID"\-H"X-Parse-REST-API-Key:PARSE_API_KEY"\-H"Content-Type:image/jpeg"\--data-binary'@myPicture.jpg'\https://api.parse.com/1/files/pic.jpg用这个:curl=Curl::Easy.new("https://api.parse.com/1/files/lion.jpg")curl.multipart_form_
无论您是想搭建桌面端、WEB端或者移动端APP应用，HOOPSPlatform组件都可以为您提供弹性的3D集成架构，同时，由工业领域3D技术专家组成的HOOPS技术团队也能为您提供技术支持服务。如果您的客户期望有一种在多个平台（桌面/WEB/APP，而且某些客户端是“瘦”客户端）快速、方便地将数据接入到3D应用系统的解决方案，并且当访问数据时，在各个平台上的性能和用户体验保持一致，HOOPSPlatform将帮助您完成。利用HOOPSPlatform，您可以开发在任何环境下的3D基础应用架构。HOOPSPlatform可以帮您打造3D创新型产品，HOOPSSDK包含的技术有：快速且准确的CAD
本教程将在Unity3D中混合Optitrack与数据手套的数据流，在人体运动的基础上，添加双手手指部分的运动。双手手背的角度仍由Optitrack提供，数据手套提供双手手指的角度。 01 客户端软件分别安装MotiveBody与MotionVenus并校准人体与数据手套。MotiveBodyMotionVenus数据手套使用、校准流程参照：https://gitee.com/foheart_1/foheart-h1-data-summary.git02 数据转发打开MotiveBody软件的Streaming，开始向Unity3D广播数据；MotionVenus中设置->选项选择Unit
文章目录一、概述简介原理模块二、配置Mysql使用版本环境要求1.操作系统2.mysql要求三、配置canal-server离线下载在线下载上传解压修改配置单机配置集群配置分库分表配置1.修改全局配置2.实例配置垂直分库水平分库3.修改group-instance.xml4.启动监听四、配置canal-adapter1修改启动配置2配置映射文件3启动ES数据同步查询所有订阅同步数据同步开关启动4.验证五、配置canal-admin一、概述简介canal是Alibaba旗下的一款开源项目，Java开发。基于数据库增量日志解析，提供增量数据订阅&消费。Git地址：https://github.co
网络编程套接字网络编程基础知识理解源`IP`地址和目的`IP`地址理解源MAC地址和目的MAC地址认识端口号理解端口号和进程ID理解源端口号和目的端口号认识`TCP`协议认识`UDP`协议网络字节序socket编程接口`sockaddr``UDP`网络程序服务器端代码逻辑：需要用到的接口服务器端代码`udp`客户端代码逻辑`udp`客户端代码`TCP`网络程序服务器代码逻辑多个版本服务器单进程版本多进程版本多线程版本线程池版本服务器端代码客户端代码逻辑客户端代码TCP协议通讯流程TCP协议的客户端/服务器程序流程三次握手（建立连接）数据传输四次挥手（断开连接）TCP和UDP对比网络编程基础知识
1.postman介绍Postman一款非常流行的API调试工具。其实，开发人员用的更多。因为测试人员做接口测试会有更多选择，例如Jmeter、soapUI等。不过，对于开发过程中去调试接口，Postman确实足够的简单方便，而且功能强大。2.下载安装官网地址:https://www.postman.com/下载完成后双击安装吧，安装过程极其简单，无需任何操作3.使用教程这里以百度为例,工具使用简单，填写URL地址即可发送请求，在下方查看响应结果和响应状态码常用方法都有支持请求方法:getpostputdeleteGet、Post、Put与Delete的作用get：请求方法一般是用于数据查询，
我正在尝试在Rails上安装ruby，到目前为止一切都已安装，但是当我尝试使用rakedb:create创建数据库时，我收到一个奇怪的错误:dyld:lazysymbolbindingfailed:Symbolnotfound:_mysql_get_client_infoReferencedfrom:/Library/Ruby/Gems/1.8/gems/mysql2-0.3.11/lib/mysql2/mysql2.bundleExpectedin:flatnamespacedyld:Symbolnotfound:_mysql_get_client_infoReferencedf