NumPy 秘籍中文第二版：五、音频和图像处理

news/2024/4/20 6:48:55/文章来源:https://blog.csdn.net/wizardforcel/article/details/130117838

原文：NumPy Cookbook - Second Edition

协议：CC BY-NC-SA 4.0

译者：飞龙

在本章中，我们将介绍 NumPy 和 SciPy 的基本图像和音频（WAV 文件）处理。 在以下秘籍中，我们将使用 NumPy 对声音和图像进行有趣的操作：

  • 将图像加载到内存映射中
  • 添加图像
  • 图像模糊
  • 重复音频片段
  • 产生声音
  • 设计音频过滤器
  • 使用 Sobel 过滤器进行边界检测

简介

尽管本书中的所有章节都很有趣，但在本章中，我们确实会继续努力并专注于获得乐趣。 在第 10 章，“Scikits 的乐趣”中，您会发现更多使用scikits-image的图像处理秘籍。 不幸的是，本书没有对音频文件的直接支持，因此您确实需要运行代码示例以充分了解其中的秘籍。

将图像加载到内存映射中

建议将大文件加载到内存映射中。 内存映射文件仅加载大文件的一小部分。 NumPy 内存映射类似于数组。 在此示例中，我们将生成彩色正方形的图像并将其加载到内存映射中。

准备

如有必要，“安装 matplotlib”的“另请参见”部分具有对相应秘籍的引用。

操作步骤

我们将通过初始化数组来开始 ：

  1. 首先，我们需要初始化以下数组：

    • 保存图像数据的数组
    • 具有正方形中心随机坐标的数组
    • 具有平方的随机半径（复数个半径）的数组
    • 具有正方形随机颜色的数组

    初始化数组：

    img = np.zeros((N, N), np.uint8)
NSQUARES = 30
centers = np.random.random_integers(0, N, size=(NSQUARES, 2))
radii = np.random.randint(0, N/9, size=NSQUARES)
colors = np.random.randint(100, 255, size=NSQUARES)

    如您所见，我们正在将第一个数组初始化为零。 其他数组使用numpy.random包中的函数初始化，这些函数生成随机整数。

  2. 下一步是生成正方形。 我们在上一步中使用数组创建正方形。 使用clip()函数，我们将确保正方形不会在图像区域外徘徊。 meshgrid()函数为我们提供了正方形的坐标。 如果我们给此函数两个大小分别为N和M的数组，它将给我们两个形状为N x M的数组。第一个数组的元素将沿 x 轴重复。 第二个数组将沿 y 轴重复其元素。 以下示例 IPython 会话应该使这一点更加清楚：

    注意

    In: x = linspace(1, 3, 3)In: x
Out: array([ 1.,  2.,  3.])
In: y = linspace(1, 2, 2)In: y
Out: array([ 1.,  2.])In: meshgrid(x, y)
Out:
[array([[ 1.,  2.,  3.],[ 1.,  2.,  3.]]),array([[ 1.,  1.,  1.],[ 2.,  2.,  2.]])]

  3. 最后，我们将设置正方形的颜色：

    for i in xrange(NSQUARES):xindices = range(centers[i][0] - radii[i], centers[i][0] + radii[i])xindices = np.clip(xindices, 0, N - 1)yindices = range(centers[i][1] - radii[i], centers[i][1] + radii[i])yindices = np.clip(yindices, 0, N - 1)if len(xindices) == 0 or len(yindices) == 0:continuecoordinates = np.meshgrid(xindices, yindices)img[coordinates] = colors[i]

  4. 在将图像数据加载到内存映射之前，我们需要使用tofile()函数将其存储在文件中。 然后使用memmap()函数将图像文件中的图像数据加载到内存映射中：

    img.tofile('random_squares.raw')
img_memmap = np.memmap('random_squares.raw', shape=img.shape)

  5. 为了确认一切正常，我们使用 matplotlib 显示图像：

    plt.imshow(img_memmap)
plt.axis('off')
plt.show()

    注意，我们没有显示轴。 生成图像的示例如下所示：

    How to do it...

    这是本书代码包中memmap.py文件的完整源代码：

    import numpy as np
import matplotlib.pyplot as pltN = 512
NSQUARES = 30# Initialize
img = np.zeros((N, N), np.uint8)
centers = np.random.random_integers(0, N, size=(NSQUARES, 2))
radii = np.random.randint(0, N/9, size=NSQUARES)
colors = np.random.randint(100, 255, size=NSQUARES)# Generate squares
for i in xrange(NSQUARES):xindices = range(centers[i][0] - radii[i], centers[i][0] + radii[i])xindices = np.clip(xindices, 0, N - 1)yindices = range(centers[i][1] - radii[i], centers[i][1] + radii[i])yindices = np.clip(yindices, 0, N - 1)if len(xindices) == 0 or len(yindices) == 0:continuecoordinates = np.meshgrid(xindices, yindices)img[coordinates] = colors[i]# Load into memory map
img.tofile('random_squares.raw')
img_memmap = np.memmap('random_squares.raw', shape=img.shape)# Display image
plt.imshow(img_memmap)
plt.axis('off')
plt.show()

工作原理

我们在此秘籍中使用了以下函数：

函数描述
zeros()此函数给出一个由零填充的数组。
random_integers()此函数返回一个数组，数组中的随机整数值在上限和下限之间。
randint()该函数与random_integers()函数相同，除了它使用半开间隔而不是关闭间隔。
clip()该函数在给定最小值和最大值的情况下裁剪数组的值。
meshgrid()此函数从包含 x 坐标的数组和包含 y 坐标的数组返回坐标数组。
tofile()此函数将数组写入文件。
memmap()给定文件名，此函数从文件创建 NumPy 内存映射。 （可选）您可以指定数组的形状。
axis()该函数是用于配置绘图轴的 matplotlib 函数。 例如，我们可以将其关闭。

另见

  • 第 1 章“使用 IPython”中的“安装 matplotlib”
  • NumPy 内存映射文档

合成图像

在此秘籍中，我们将结合著名的 Mandelbrot 分形和 Lena 图像。 Mandelbrot 集是数学家 Benoit Mandelbrot 发明的。 这些类型的分形由递归公式定义，您可以在其中通过将当前拥有的复数乘以自身并为其添加一个常数来计算序列中的下一个复数。 本秘籍将涵盖更多详细信息。

准备

如有必要，请安装 SciPy。“另请参见”部分具有相关秘籍的参考。

操作步骤

首先初始化数组，然后生成和绘制分形，最后将分形与 Lena 图像组合：

  1. 使用meshgrid()，zeros()和linspace()函数初始化对应于图像区域中像素的x，y和z数组：

    x, y = np.meshgrid(np.linspace(x_min, x_max, SIZE),np.linspace(y_min, y_max, SIZE))
c = x + 1j * y
z = c.copy()
fractal = np.zeros(z.shape, dtype=np.uint8) + MAX_COLOR

  2. 如果z是复数，则对于 Mandelbrot 分形具有以下关系：How to do it...

    在此，c是常数复数。 这可以在复平面上绘制，水平轴显示实数值，垂直轴显示虚数值。 我们将使用所谓的逃逸时间算法绘制分形。 该算法以大约 2 个单位的距离扫描原点周围小区域中的点。 这些点中的每一个都用作c值，并根据逃避区域所需的迭代次数为其指定颜色。 如果所需的迭代次数超过了预定义的次数，则像素将获得默认背景色。 有关更多信息，请参见此秘籍中已提及的维基百科文章：

    for n in range(ITERATIONS):print(n)mask = numpy.abs(z) <= 4 z[mask] = z[mask] ** 2 +  c[mask]fractal[(fractal == MAX_COLOR) & (-mask)] = (MAX_COLOR - 1) * n / ITERATIONS
Plot the fractal with matplotlib:
plt.subplot(211)
plt.imshow(fractal)
plt.title('Mandelbrot')
plt.axis('off')
Use the choose() function to pick a value from the fractal or Lena array:
plt.subplot(212)
plt.imshow(numpy.choose(fractal < lena, [fractal, lena]))
plt.axis('off')
plt.title('Mandelbrot + Lena')

    结果图像如下所示：

    How to do it...

    以下是本书代码集中mandelbrot.py文件中该秘籍的完整代码：

    import numpy as np
import matplotlib.pyplot as plt
from scipy.misc import lenaITERATIONS = 10
lena = lena()
SIZE = lena.shape[0]
MAX_COLOR = 255.
x_min, x_max = -2.5, 1
y_min, y_max = -1, 1# Initialize arrays
x, y = np.meshgrid(np.linspace(x_min, x_max, SIZE),np.linspace(y_min, y_max, SIZE))
c = x + 1j * y
z = c.copy()
fractal = np.zeros(z.shape, dtype=np.uint8) + MAX_COLOR
# Generate fractal
for n in range(ITERATIONS):mask = np.abs(z) <= 4 z[mask] = z[mask] ** 2 +  c[mask]fractal[(fractal == MAX_COLOR) & (-mask)] = (MAX_COLOR - 1) * n / ITERATIONS# Display the fractal
plt.subplot(211)
plt.imshow(fractal)
plt.title('Mandelbrot')
plt.axis('off')# Combine with lena
plt.subplot(212)
plt.imshow(np.choose(fractal < lena, [fractal, lena]))
plt.axis('off')
plt.title('Mandelbrot + Lena')plt.show()

工作原理

在此示例中使用了以下函数：

函数描述
linspace()此函数返回范围内具有指定间隔的数字
choose()此函数通过根据条件从数组中选择值来创建数组
meshgrid()此函数从包含 x 坐标的数组和包含 y 坐标的数组返回坐标数组

另见

  • 第 1 章，“使用 IPython”中的“安装 matplotlib”秘籍
  • 第 2 章，“高级索引和数组”中的“安装 SciPy”秘籍

图像模糊

我们可以使用高斯过滤器来模糊图像。 该过滤器基于正态分布。 对应的 SciPy 函数需要标准差作为参数。 在此秘籍中，我们还将绘制极地玫瑰和螺旋形。 这些数字没有直接关系，但是在这里将它们组合起来似乎更有趣。

操作步骤

我们从初始化极坐标图开始，之后我们将模糊 Lena 图像并使用极坐标进行绘图：

  1. 初始化极坐标图：

    NFIGURES = 5
k = np.random.random_integers(1, 5, NFIGURES)
a = np.random.random_integers(1, 5, NFIGURES)
colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k']

  2. 要模糊 Lena，请应用标准差为4的高斯过滤器：

    plt.subplot(212)
blurred = scipy.ndimage.gaussian_filter(lena, sigma=4)plt.imshow(blurred)
plt.axis('off')

  3. matplotlib 有一个polar()函数，它以极坐标进行绘制：

    theta = np.linspace(0, k[0] * np.pi, 200)
plt.polar(theta, np.sqrt(theta), choice(colors))for i in xrange(1, NFIGURES):theta = np.linspace(0, k[i] * np.pi, 200)plt.polar(theta, a[i] * np.cos(k[i] * theta), choice(colors))

    How to do it...

    这是这本书的代码集中spiral.py文件中该秘籍的完整代码：

    import numpy as np
import matplotlib.pyplot as plt
from random import choice
import scipy
import scipy.ndimage
# Initialization
NFIGURES = 5
k = np.random.random_integers(1, 5, NFIGURES)
a = np.random.random_integers(1, 5, NFIGURES)colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k']lena = scipy.misc.lena()
plt.subplot(211)
plt.imshow(lena)
plt.axis('off')# Blur Lena
plt.subplot(212)
blurred = scipy.ndimage.gaussian_filter(lena, sigma=4)plt.imshow(blurred)
plt.axis('off')# Plot in polar coordinates
theta = np.linspace(0, k[0] * np.pi, 200)
plt.polar(theta, np.sqrt(theta), choice(colors))for i in xrange(1, NFIGURES):theta = np.linspace(0, k[i] * np.pi, 200)plt.polar(theta, a[i] * np.cos(k[i] * theta), choice(colors))plt.axis('off')plt.show()

工作原理

在本教程中，我们使用了以下函数：

函数描述
gaussian_filter()此函数应用高斯过滤器
random_integers()此函数返回一个数组，数组中的随机整数值在上限和下限之间
polar()该函数使用极坐标绘制图形

另见

  • 可以在这个页面中找到scipy.ndimage文档。

重复音频片段

正如我们在第 2 章，“高级索引和数组概念”中所看到的那样，我们可以使用 WAV 文件来完成整洁的事情。 只需使用urllib2标准 Python 模块下载文件并将其加载到 SciPy 中即可。 让我们下载一个 WAV 文件并重复 3 次。 我们将跳过在第 2 章，“高级索引和数组概念”中已经看到的一些步骤。

操作步骤

  1. 尽管NumPy具有repeat()函数，但在这种情况下，更适合使用tile()函数。 函数repeat()的作用是通过重复单个元素而不重复其内容来扩大数组。 以下 IPython 会话应阐明这些函数之间的区别：

    In: x = array([1, 2])In: x
Out: array([1, 2])In: repeat(x, 3)
Out: array([1, 1, 1, 2, 2, 2])In: tile(x, 3)
Out: array([1, 2, 1, 2, 1, 2])

    现在，有了这些知识，就可以应用tile()函数：

    repeated = np.tile(data, 3)

  2. 使用 matplotlib 绘制音频数据：

    plt.title("Repeated")
plt.plot(repeated)

    原始声音数据和重复数据图如下所示：

    How to do it...

    这是本书代码包中repeat_audio.py文件中该秘籍的完整代码：

    import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import numpy as npresponse = urllib2.urlopen('http://www.thesoundarchive.com/austinpowers/smashingbaby.wav')
print(response.info())
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)plt.subplot(2, 1, 2)# Repeat the audio fragment
repeated = np.tile(data, 3)# Plot the audio data
plt.title("Repeated")
plt.plot(repeated)
scipy.io.wavfile.write("repeated_yababy.wav",sample_rate, repeated)plt.show()

工作原理

以下是此秘籍中最重要的函数：

函数描述
scipy.io.wavfile.read()将 WAV 文件读入数组
numpy.tile()重复数组指定次数
scipy.io.wavfile.write()从 NumPy 数组中以指定的采样率创建 WAV 文件

另见

  • 可以在这个页面中找到 scipy.io文档。

产生声音

声音可以用具有一定幅度，频率和相位的正弦波在数学上表示如下。 我们可以从这个页面中指定的列表中随机选择符合以下公式的频率：

Generating sounds

此处，n是钢琴键的编号。 我们将键的编号从 1 到 88。我们将随机选择振幅，持续时间和相位。

操作步骤

首先初始化随机值，然后生成正弦波，编写旋律，最后使用 matplotlib 绘制生成的音频数据：

  1. 初始化随机值为：

    • 200-2000之间的幅度

    • 0.01-0.2的持续时间

    • 使用已经提到的公式的频率

    • 0和2 pi之间的相位值：

      NTONES = 89
amps = 2000\. * np.random.random((NTONES,)) + 200.
durations = 0.19 * np.random.random((NTONES,)) + 0.01
keys = np.random.random_integers(1, 88, NTONES)
freqs = 440.0 * 2 ** ((keys - 49.)/12.)
phi = 2 * np.pi * np.random.random((NTONES,))

  2. 编写generate()函数以生成正弦波：

    def generate(freq, amp, duration, phi):t = np.linspace(0, duration, duration * RATE)data = np.sin(2 * np.pi * freq * t + phi) * ampreturn data.astype(DTYPE)

  3. 一旦我们产生了一些音调，我们只需要组成一个连贯的旋律。 现在，我们将连接正弦波。 这不会产生良好的旋律，但可以作为更多实验的起点：

    for i in xrange(NTONES):newtone = generate(freqs[i], amp=amps[i], duration=durations[i], phi=phi[i])tone = np.concatenate((tone, newtone))

  4. 使用 matplotlib 绘制生成的音频数据：

    plt.plot(np.linspace(0, len(tone)/RATE, len(tone)), tone)
plt.show()

    生成的音频数据图如下：

    How to do it...

    可以在此处找到本示例的源代码 ，该代码来自本书代码包中的tone_generation.py文件：

    import scipy.io.wavfile
import numpy as np
import matplotlib.pyplot as pltRATE = 44100
DTYPE = np.int16# Generate sine wave
def generate(freq, amp, duration, phi):t = np.linspace(0, duration, duration * RATE)data = np.sin(2 * np.pi * freq * t + phi) * ampreturn data.astype(DTYPE)# Initialization
NTONES = 89
amps = 2000\. * np.random.random((NTONES,)) + 200.
durations = 0.19 * np.random.random((NTONES,)) + 0.01
keys = np.random.random_integers(1, 88, NTONES)
freqs = 440.0 * 2 ** ((keys - 49.)/12.)
phi = 2 * np.pi * np.random.random((NTONES,))tone = np.array([], dtype=DTYPE) # Compose 
for i in xrange(NTONES):newtone = generate(freqs[i], amp=amps[i], duration=durations[i], phi=phi[i])tone = np.concatenate((tone, newtone))scipy.io.wavfile.write('generated_tone.wav', RATE, tone)# Plot audio data
plt.plot(np.linspace(0, len(tone)/RATE, len(tone)), tone)
plt.show()

工作原理

我们创建了带有随机生成声音的 WAV 文件 。 concatenate()函数用于连接正弦波。

另见

  • concatenate()函数的文档

设计音频过滤器

我记得在模拟电子课上学习了所有类型的过滤器。 然后，我们实际上构造了这些过滤器。 可以想象，用软件制作过滤器要比用硬件制作过滤器容易得多。

我们将构建一个过滤器，并将其应用于要下载的音频片段。 在本章之前，我们已经完成了一些步骤，因此我们将省略那些部分。

操作步骤

顾名思义，iirdesign()函数允许我们构造几种类型的模拟和数字过滤器。 可以在scipy.signal模块中找到。 该模块包含信号处理函数的完整列表：

  1. 使用scipy.signal模块的iirdesign()函数设计过滤器。 IIR 代表无限冲激响应； 有关更多信息，请参见这里。 我们将不涉及iirdesign())函数的所有细节。 在这个页面中查看文档。 简而言之，这些是我们将要设置的参数：

    • 频率标准化为 0 到 1

    • 最大损失

    • 最小衰减

    • 过滤器类型：

      b,a = scipy.signal.iirdesign(wp=0.2, ws=0.1, gstop=60, gpass=1, ftype='butter')

    此过滤器的配置对应于 Butterworth 过滤器。 Butterworth 过滤器由物理学家 Stephen Butterworth 于 1930 年首次描述。

  2. 使用scipy.signal.lfilter()函数应用过滤器。 它接受上一步的值作为参数，当然也接受要过滤的数据数组：

    filtered = scipy.signal.lfilter(b, a, data)

    写入新的音频文件时，请确保其数据类型与原始数据数组相同：

    scipy.io.wavfile.write('filtered.wav', sample_rate, filtered.astype(data.dtype))

    在绘制原始数据和过滤后的数据之后，我们得到以下图：

    How to do it...

    音频过滤器的代码列出如下：

    import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import scipy.signalresponse =urllib2.urlopen('http://www.thesoundarchive.com/austinpowers/smashingbaby.wav')
print response.info()
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)# Design the filter
b,a = scipy.signal.iirdesign(wp=0.2, ws=0.1, gstop=60, gpass=1, ftype='butter')# Filter
filtered = scipy.signal.lfilter(b, a, data)# Plot filtered data
plt.subplot(2, 1, 2)
plt.title("Filtered")
plt.plot(filtered)scipy.io.wavfile.write('filtered.wav', sample_rate, filtered.astype(data.dtype))plt.show()

工作原理

我们创建并应用了 Butterworth 带通过滤器。 引入了以下函数来创建过滤器：

函数描述
scipy.signal.iirdesign()创建一个 IIR 数字或模拟过滤器。 此函数具有广泛的参数列表，该列表在这个页面中记录。
scipy.signal.lfilter()给定一个数字过滤器，对数组进行滤波。

使用 Sobel 过滤器进行边界检测

Sobel 过滤器可以用于图像中的边界检测 。 边界检测基于对图像强度执行离散差分。 由于图像是二维的，因此渐变也有两个分量，除非我们将自身限制为一维。 我们将 Sobel 过滤器应用于 Lena 的图片。

操作步骤

在本部分中，您将学习如何应用 Sobel 过滤器来检测 Lena 图像中的边界：

  1. 要在 x 方向上应用 Sobel 过滤器，请将轴参数设置为0：

    sobelx = scipy.ndimage.sobel(lena, axis=0, mode='constant')

  2. 要在 y 方向上应用 Sobel 过滤器，请将轴参数设置为1：

    sobely = scipy.ndimage.sobel(lena, axis=1, mode='constant')

  3. 默认的 Sobel 过滤器仅需要输入数组：

    default = scipy.ndimage.sobel(lena)

    是原始图像图和所得图像图，显示了使用 Sobel 过滤器进行边界检测：

    How to do it...

    完整的边界检测代码如下：

    import scipy
import scipy.ndimage
import matplotlib.pyplot as pltlena = scipy.misc.lena()plt.subplot(221)
plt.imshow(lena)
plt.title('Original')
plt.axis('off')# Sobel X filter
sobelx = scipy.ndimage.sobel(lena, axis=0, mode='constant')plt.subplot(222)
plt.imshow(sobelx)
plt.title('Sobel X')
plt.axis('off')# Sobel Y filter
sobely = scipy.ndimage.sobel(lena, axis=1, mode='constant')plt.subplot(223)
plt.imshow(sobely)
plt.title('Sobel Y')
plt.axis('off')# Default Sobel filter
default = scipy.ndimage.sobel(lena)plt.subplot(224)
plt.imshow(default)
plt.title('Default Filter')
plt.axis('off')plt.show()

工作原理

我们将 Sobel 过滤器应用于著名模型 Lena 的图片。 如本例所示，我们可以指定沿哪个轴进行计算。 默认设置为独立于轴。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.luyixian.cn/news_show_285794.aspx

如若内容造成侵权/违法违规/事实不符，请联系dt猫网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Redis锁的租约问题

Redis锁的租约问题

目录Redis的租约问题Redis租约问题的想法Redis租约问题的解决方案Redis的租约问题 首先我们先来说一说什么是Redis的租约问题。   在我们实现Redis分布式锁的时候&#xff0c;我们会出现Redis锁的时间<业务执行执行时间&#xff0c;这其实就是一个典型的租约问题&#xf…
阅读更多...
ChatGPT背后的AI背景、技术门道和商业应用(万字长文，建议收藏)

ChatGPT背后的AI背景、技术门道和商业应用(万字长文，建议收藏)

作者&#xff1a;京东科技 李俊兵 各位看官好&#xff0c;我是球神&#xff08;江湖代号&#xff09;。 自去年11月30日ChatGPT问世以来&#xff0c;迅速爆火出圈。 起初我依然以为这是和当年Transformer, Bert一样的“热点”模型&#xff0c;但是当一篇篇文章/报告不断推送…
阅读更多...
LAMP架构的配置

LAMP架构的配置

一.LAMP概述 1、LAMP的概念 LAMP架构是目前成熟的企业网站应用模式之一&#xff0c;指的是协同工作的一整套系统和相关软件&#xff0c;能够提供动态web站点服务及其应用开发环境 LAMP是一个缩写词&#xff0c;具体包括Linux操作系统、Apache网站服务器、MySQL数据库服务器、…
阅读更多...
【Unity入门】11.脚本控制物体旋转

【Unity入门】11.脚本控制物体旋转

【Unity入门】脚本控制物体旋转 大家好&#xff0c;我是Lampard~~ 欢迎来到Unity入门系列博客&#xff0c;所学知识来自B站阿发老师~感谢 &#xff08;一&#xff09;控制物体自转 &#xff08;1&#xff09;创建RotateLogic脚本 上一篇文章我们学习了如何在脚本中获取物体对象…
阅读更多...
Oracle VM VirtualBox安装开放麒麟桌面版本操作

Oracle VM VirtualBox安装开放麒麟桌面版本操作

1.环境 Oracle VM VirtualBox版本6.1.18 开放麒麟桌面版本openkylin 0.0.5 https://mirror.lzu.edu.cn/openkylin-cdimage/yangtze/openkylin-0.9.5-x86_64.iso 1.创建新虚拟电脑 ql 并将ios导入 然后点击启动 注意&#xff1a; vm box如果鼠标设置不当的话 基本上不可能完成…
阅读更多...
word脚标【格式：第X页（共X页）】

word脚标【格式：第X页（共X页）】

不得不吐槽一下这个论文&#xff0c;真的我好头疼啊。我又菜又不想改。但是还是得爬起来改 &#xff08;是谁大半夜不能睡觉加班加点改格式啊&#xff09; 如何插入页码。 格式、要求如下: 操作步骤&#xff1a; ①双击页脚&#xff0c;填好格式&#xff0c;宋体小四和居中都…
阅读更多...
联想集团ESG与社会价值论坛召开，首次发布《联想集团2022社会价值报告》

联想集团ESG与社会价值论坛召开，首次发布《联想集团2022社会价值报告》

对企业而言&#xff0c;ESG不再是选择题&#xff0c;而是必答题。 联想集团是ESG的先行者、领军者。 2023年4月11日&#xff0c;“联想集团ESG与社会价值论坛暨《联想集团2022社会价值报告》发布会”在京召开&#xff0c;会议由中国社会责任百人论坛、联想集团联合主办&#xf…
阅读更多...
LeetCode：1. 两数之和——哈希表~

LeetCode：1. 两数之和——哈希表~

&#x1f34e;道阻且长&#xff0c;行则将至。&#x1f353; &#x1f33b;算法&#xff0c;不如说它是一种思考方式&#x1f340;算法专栏&#xff1a; &#x1f449;&#x1f3fb;123 一、&#x1f331;1. 两数之和 题目描述&#xff1a;给定一个整数数组nums 和一个整数目标…
阅读更多...
电脑组装教程分享！

电脑组装教程分享！

案例&#xff1a;如何自己组装电脑&#xff1f; 【看到身边的小伙伴组装一台自己的电脑&#xff0c;我也想试试。但是我对电脑并不是很熟悉&#xff0c;不太了解具体的电脑组装步骤&#xff0c;求一份详细的教程&#xff01;】 电脑已经成为我们日常生活中不可或缺的一部分&a…
阅读更多...
Windows使用Dockers+battery historian踩坑记

Windows使用Dockers+battery historian踩坑记

1、首先&#xff0c;需要翻墙。 2、然后安装Dockers&#xff0c;网上好多博客说安装Docker Toolbox&#xff0c;我亲测无效&#xff0c;卸载后安装Docker for Windows&#xff0c;安装完成后打开&#xff0c;会提示&#xff1a; Hardware assisted virtualization and data e…
阅读更多...
Anaconda + TensorFlow Winodws环境安装（Windows Terminal / Visual Studio）

Anaconda + TensorFlow Winodws环境安装（Windows Terminal / Visual Studio）

目录前言个人环境Anaconda安装下载安装测试添加到windows terminalTensorFlow环境配置安装测试搭配Visual Studio 2022前言 以前发生的一些事情&#xff0c;让我认识到即便配环境这种事情&#xff0c;最好还是把自己的过程存个档 &#xff0c;这个的安装虽然简单&#xff0c;但…
阅读更多...
pytorch通过不同的维度提高cifar10准确率

pytorch通过不同的维度提高cifar10准确率

这里写自定义目录标题通过模型通过优化器通过batchsize通过数据增强总结当前网络的博客上都是普遍采用某个迁移学习训练cifar10&#xff0c;无论是vgg&#xff0c;resnet还是其他变种模型&#xff0c;最后通过实例代码&#xff0c;将cifar的acc达到95以上&#xff0c;本篇博客将…
阅读更多...
资本/车企持续加码的新赛道，谁将成为本土赢家？

资本/车企持续加码的新赛道，谁将成为本土赢家？

随着汽车行业逐渐复苏&#xff0c;汽车厂商开始规划未来5年能促进销量的新技术&#xff0c;而AR-HUD就是被看好的技术之一。 Envisics创始人兼CEO Jamieson Christmas博士表示&#xff1a;我们几乎在与所有人合作&#xff0c;除了捷豹路虎、松下汽车系统外还有其他合作伙伴。此…
阅读更多...
Vue3中readonly 与 shallowReadonly的使用区别？

Vue3中readonly 与 shallowReadonly的使用区别？

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录前言readonly强行修改readonly&#xff1a;前言 readonly: 让一个响应式数据变为只读的&#xff08;深只读&#xff09;。 shallowReadonly&#xff1a; 让一个响应…
阅读更多...
Docker Registry 本地镜像发布到私有库

Docker Registry 本地镜像发布到私有库

本地镜像发布到私有库流程 是什么1 官方Docker Hub地址&#xff1a;https://hub.docker.com/&#xff0c;中国大陆访问太慢了且准备被阿里云取代的趋势&#xff0c;不太主流。2 Dockerhub、阿里云这样的公共镜像仓库可能不太方便&#xff0c;涉及机密的公司不可能提供镜像给公…
阅读更多...
Java实现打印杨辉三角形，向左、右偏的平行四边形这三个图形代码程序

Java实现打印杨辉三角形，向左、右偏的平行四边形这三个图形代码程序

目录 前言 一、打印杨辉三角形 1.1运行流程&#xff08;思想&#xff09; 1.2代码段 1.3运行截图 二、向左偏的平行四边形 1.1运行流程&#xff08;思想&#xff09; 1.2代码段 1.3运行截图 三、向右偏的平行四边形 1.1运行流程&#xff08;思想&#xff09; 1.2代…
阅读更多...
WebServer项目-＞计网知识补充

WebServer项目-＞计网知识补充

c大项目[WebServer项目]->计网知识补充1.网络结构模式C/S结构B/S结构2.MAC 地址3.IP 地址1)IP 地址编址方式2)A类IP地址3)B类IP地址4)C类IP地址5)D类IP地址(了解)6)特殊的网址7)子网掩码4.端口5.网络模型1)OSI 七层参考模型&#xff08;Open System Interconnection&#xf…
阅读更多...
HTML5 ＜img＞ 标签

HTML5 ＜img＞ 标签

HTML5 <img> 标签 实例 HTML5 <img>标签用于向网页中添加相关图片。 如何插入图像&#xff1a; <img src"smiley-2.gif" alt"Smiley face" width"42" height"42">尝试一下 &#xff08;更多实例见页面底部&…
阅读更多...
CUDA编程基础与Triton模型部署实践

CUDA编程基础与Triton模型部署实践

作者&#xff1a;王辉 阿里智能互联工程技术团队 近年来人工智能发展迅速&#xff0c;模型参数量随着模型功能的增长而快速增加&#xff0c;对模型推理的计算性能提出了更高的要求&#xff0c;GPU作为一种可以执行高度并行任务的处理器&#xff0c;非常适用于神经网络的推理计算…
阅读更多...
RISC-V Linux 编译设备树

RISC-V Linux 编译设备树

RISC-V Linux 编译设备树 flyfish 设备树是一种描述硬件资源的数据结构 引入设备树的主要目的 曾经 Linux内核中夹杂着大量的设备信息&#xff0c;影响Linux驱动开发效率&#xff0c;因为外部设备发生任何改动&#xff0c;需要重新编写和编译驱动代码。 现在 设备驱动程…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023