一、调试脚本调试功能是每一种编程语言都应该实现的重要特性之一，当出现一些始料未及的情况时，用它来生成脚本运行信息。调试信息可以帮你弄清楚是什么原因使得程序发生崩溃或行为异常。每位系统程序员都应该了解Bash提供的调试选项。shell脚本调试不需要什么特殊的工具。bash自带了一些调试选项。具体选项包含：-x:在执行时显...

Shell是一个用C语言编写的程序，它是用户使用Linux的桥梁。Shell既是一种命令语言，又是一种程序设计语言。基本上Shell分两大类：一：图形界面Shell（GraphicalUserInterfaceshell即GUIshell）例如：1、应用最为广泛的WindowsExplorer（微软的windows系列...

如果业务比较复杂，对应的代码实现会有不同的分支逻辑，类似下面的伪代码：if(){if(){//代码逻辑}else{//代码逻辑}}elseif(){for(){if(){//代码逻辑}else{//代码逻辑returnresult;}}}复制代码这样的ifelse 嵌套代码因为业务的原因很难避免，如果要测试这...

/所谓异步其实就是实现一个无需等待被调用函数的返回值而让操作继续运行的方法创建任务并执行任务无参创建CompletableFuture<String>noArgsFuture=newCompletableFuture<>();传入相应任务,无返回值runAsync方法可以在后台执行异步计算，但是...

最近有些网友问我如何自学Java后端，还有些是想从别的方向想转过来，但都不太了解Java后端究竟需要学什么，究竟要从哪里学起，哪些是主流的Java后端技术等等，导致想学，但又很迷茫，不知从何下手。我就以过来人的经历，写在这篇博客里，不一定都对，但都是我根据自己的经历总结出来的，供你们的参考。Java是一门纯粹的面向对象...

　　Java学习这一部分是今天的重点，这一部分用来回答很多群里的朋友所问过的问题，那就是你是如何学习Java的，能不能给点建议？今天我是打算来点干货，因此咱们就不说一些学习方法和技巧了，直接来谈每个阶段要学习的内容甚至是一些书籍。这一部分的内容，同样适用于一些希望转行到Java的同学。　　在大家看之前，我要先声明两点。...

从事web前端的人很多，每个人的学习方式，学习习惯基本不会一模一样！关于web前端（或者直接互联网），大家都知道，是做到老，学到老的一个行业。之前写文章的时候，我说过很多学习的方式和建议。今天换一下，说一下我个人不建议的学习方式，或者我个人觉得是妨碍进步的学习方式，希望大家引以为鉴！如果大家有什么补充和指点的，欢迎指出...

很多同学想学习WEB前端开发，虽然互联网有很多的教程、网站、书籍，可是却又不知从何开始如何选取。看完网友高等游民白乌鸦无私分享的原标题为《写给同事的前端学习路线》这篇文章，相信你会有所收获。前端开发入门学习有：HTML、CSS、JavaScript（简称JS）这三个部分。所以在学习之前我们需要先明确三个概念： ...

回头看看，我进入Java 领域已经快15个年头了，虽然学的也一般，但是分享下我的心得，估计也能帮大家少走点弯路。[入门]我在2001年之前是C/C++阵营，有C和面向对象的基础，后来转到Java，发现没有指针的Java真是好简单，另外Java的类库好用的让人哭啊。后来我就看《ThinkinginJava》,《...

最近，观看了危夷晨大佬关于《不确定性学习在视觉识别中的应用》的报告，认为不确定性学习在用武之地，所以特意对相关论文进行了总结。  以人脸识别为例，输入一张人脸图像，得到一个特征向量embedding，将此特征向量与底库中的特征向量计算相似度，从而根据此相似度来判断两张人脸图像是否属于同一个ID。假设...

在深度学习中，使用归一化层成为了很多网络的标配。最近，研究了不同的归一化层，如BN，GN和FRN。接下来，介绍一下这三种归一化算法。BN层是由谷歌提出的，其相关论文为《BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariat...

深度学习其本质是优化所有权重的值，使其达到一个最优解的状态，这其中，需要更新权重的层包括卷积层、BN层和FC层等。在最优化中，权重的初始化是得到最优解的重要步骤。如果权重初始化不恰当，则可能会导致模型陷入局部最优解，导致模型预测效果不理想，甚至使损失函数震荡，模型不收敛。而且，使用不同的权重初始化方式，模型最终达到的效...

在深度学习中，损失函数扮演着至关重要的角色。通过对最小化损失函数，使模型达到收敛状态，减少模型预测值的误差。因此，不同的损失函数，对模型的影响是重大的。接下来，总结一下，在工作中经常用到的损失函数：图像分类：交叉熵目标检测：Focalloss，L1/L2损失函数，IOULoss，GIOU，DIOU，CIOU图像识别：T...

目标检测算法——SSD：SingleShotMultiBoxDetector，是一篇非常经典的目标检测算法，十分值得阅读和进行代码复现，其论文地址是：https://arxiv.org/abs/1512.02325。同时，我使用pytorch对SSD代码进行了复现：https://github.com/Dengshun...

最近，谷歌使用了AutoML，推出了一种新网络：MixNet，其论文为《MixNet:MixedDepthwiseConvolutionalKernels》。其主要创新点是，研究不同卷积核尺寸的影响和观察到组合不同尺寸的卷积核能提高准确率。作者将混合了不同尺寸的卷积核的卷积操作命名为MDConv，并将其使用在深度可分离...