帝国网站单页做301,关于建设网站的图片,站台建筑,做食物网站人员行为识别系统人员行为识别系统通过TensorFlow深度学习技术#xff0c;人员行为识别算法对画面中区域人员不按要求穿戴、违规抽烟打电话、睡岗离岗以及作业流程不规范实时分析预警#xff0c;发现违规行为立即抓拍告警。深度学习应用到实际问题中#xff0c;一个非常棘手…人员行为识别系统人员行为识别系统通过TensorFlow深度学习技术人员行为识别算法对画面中区域人员不按要求穿戴、违规抽烟打电话、睡岗离岗以及作业流程不规范实时分析预警发现违规行为立即抓拍告警。深度学习应用到实际问题中一个非常棘手的问题是训练模型时计算量太大。为了加速训练TensorFlow可以利用GPU或/和分布式计算进行模型训练。
目标检测架构分为两种一种是two-stage一种是one-stage区别就在于 two-stage 有region proposal过程类似于一种海选过程,网络会根据候选区域生成位置和类别而one-stage直接从图片生成位置和类别。今天提到的 YOLO就是一种 one-stage方法。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片就能输出结果。YOLO 一共发布了五个版本其中 YOLOv1 奠定了整个系列的基础后面的系列就是在第一版基础上的改进为的是提升性能。 TensorFlow可以通过td.device函数来指定运行每个操作的设备这个设备可以是本设备的CPU或GPU也可以是远程的某一台设备。TF生成会话的时候可愿意通过设置tf.log_device_placemaent参数来打印每一个运算的设备。
某些数据类型是不被GPU所支持的。强制指定设备会报错。为了避免解决这个问题。在创建会还时可以指定参数allow_soft_placement 。当allow_soft_placement为True的时候如果运算无法在GPU上运行TF会自动将其放在CPU 上运行。通过多GPU并行的方式固然可以达到很好的训练效果但是一台机器上毕竟GPU的个数是有限的。如果需要记忆不提升深度学习模型的训练效果就需要将TensorFlow分布式的运行在多台计算机上。 Adapter接口定义了如下方法
public abstract void registerDataSetObserver (DataSetObserver observer)
Adapter表示一个数据源这个数据源是有可能发生变化的比如增加了数据、删除了数据、修改了数据当数据发生变化的时候它要通知相应的AdapterView做出相应的改变。为了实现这个功能Adapter使用了观察者模式Adapter本身相当于被观察的对象AdapterView相当于观察者通过调用registerDataSetObserver方法给Adapter注册观察者。
public abstract void unregisterDataSetObserver (DataSetObserver observer)
通过调用unregisterDataSetObserver方法反注册观察者。
public abstract int getCount () 返回Adapter中数据的数量。
public abstract Object getItem (int position)
Adapter中的数据类似于数组里面每一项就是对应一条数据每条数据都有一个索引位置即position根据position可以获取Adapter中对应的数据项。
public abstract long getItemId (int position)
获取指定position数据项的id通常情况下会将position作为id。在Adapter中相对来说position使用比id使用频率更高。
public abstract boolean hasStableIds ()
hasStableIds表示当数据源发生了变化的时候原有数据项的id会不会发生变化如果返回true表示Id不变返回false表示可能会变化。Android所提供的Adapter的子类包括直接子类和间接子类的hasStableIds方法都返回false。
public abstract View getView (int position, View convertView, ViewGroup parent)
getView是Adapter中一个很重要的方法该方法会根据数据项的索引为AdapterView创建对应的UI项。
