拍摄出来的人物太暗怎么办？今天教大家简单几步就可以把背光人物变亮。 首先打开人物照片 按ctrl+alt+2把照片最亮的部分选取出来 再按shift+ctrl+i进行反向选区，这时已经把图片最暗的部分选中了 按ctrl+J复制图层，把暗的部分提取出来 把复制出来的图层的混合模式改为滤色 这时可以看到人物变亮了 如果觉得不够亮，按ctrl+j 多复制几份 最终效果 是不是很简单呢，你学会了吗

1.概述 本文档阐述SSD检测算法原理，及以MobileNet为Backbone的网络搭建方式。 十里桃园首发，转载请注明 Why SSD？ 无论是机器学习或是深度学习一般都可分为两个部分：特征提取与分类任务。 在传统的机器学习方法中，特征提取需要依据图像以及特有的检测目的抓取特有特征，如偏重物体轮廓的HOG特征，注重明暗对比的Haar特征等，特征被描述之后送入机器学习算法分类，如SVM、Adaboost等，进而判断物体的分类。将上述的流程在图像上做滑框操作或代入已图像预处理的ROI框即完成了图像检测与识别任务。 图.1 机器学习目标检测简图 在深度学习中，特征提取需要由特有的特征提取神经网络来完成，如VGG、MobileNet，ResNet等，这些特征提取网络往往被称为Backbone。通常来讲在BackBone后面接全连接层(FC)来执行分类任务。但FC对目标的位置识别乏力。经过算法的发展，当前主要以特定的功能网络来代替FC的作用，如Mask-Rcnn、SSD、SSDlite、YOLO等。 图.2 深度神经网络特征提取+SSD分类器 本文主要阐述说明以MobileNet_v2为Backbone，以SSD为分类器来执行分类任务的具体架构。 SSD 分类框架 3.1．两种主流的深度学习目标检测分类算法 基于目标检测与识别算法分为两个类型： 1，Two-Stage方法，如R-CNN系列算法，其先产生一系列稀疏的候选框，然后对这些候选框进行分类和回归。 2，One-Stage算法，如Yolo、SSD等，其主要思路为均匀地在图片不同位置进行密集抽样，抽样时采用不同尺度和长宽比，进行分类和回归，整个过程只需一步，相应的其运行速度要远远优于Two-Stage方法 两种方法的mAP(Mean Average Precision)与运行速度如下图： 图.3 Two-Stage与One-Stage算法性能对比图 如上图，横轴为识别帧率，纵坐标为mAP。可以看出，One-Stage算法的帧率在保证mAP的前提下，普遍高于Two-Stage，更适合在嵌入式移动设备端部署。 3.2．SSD算法 和FC不同的是，SSD在多个尺度的特征图上分别执行目标检测工作。这样可以使得各个尺度的目标都能被兼顾，小尺度特征图预测大目标，大尺度特征图预测相对较小的目标。 3.2.1．感受野 感受野是指影响某个神经元的输入区域，也被称为理论感受野。 输入区域中每个像素点对输出影响的重要性不同，越靠近中心的像素点影响越大，呈高斯分布。中间一小部分区域对神经元的输出有绝对的影响，这中间一小部分被叫做有效感受野。 图.4 感受野与Default Box 如图.4，左侧整个黑色区域就是理论感受野，中间成高斯分布的白色点云区域为有效感受野。右侧图像蓝色框内对应理论感受野，绿色圆内对应有效感受野，而红色框内是Default Box大小，Default Box比理论感受野小很多，但是可以容纳大部分有效感受野内部信息。Default Box的具体含义与作用在下节给出。 3.2.2．Default Box 3.2.2.1 Default Box Acquisition 特征图是输入图像经过神经网络卷积产生的结果，表征的是神经空间内一种特征，其分辨率大小取决于先前卷积核的步长。SSD算法中共取6层不同尺度的特征图，在每层特征图的每个像素点处生产不同宽高比的框，此类的框统称为Default Box。 图.5 8*8特征图和Default Box 如上图，假定有8*8的特征图，特征图上的每个格子称为特征图小格，在每个特征图小格上面有一系列固定大小的Box，上图中每个小格上有4个Box，用虚线框标识。 泛化地来说，如果一个特征图的大小是mn，也即有mn个特征图小格。在每个小格上有k个Default Box，那么这层特征图Default Box的总数为mnk。 Default Box自身的尺度(scale)和宽高比(aspect ratio)也有特殊的规定的方式，假设一共用I个特征图做预测，对于每个特征图而言其Default Box的尺度按下面的公式计算： 尺度(scale)是相对于输入图像的分辨率，最终Default Box的实际像素尺寸需乘以输入图像的分辨率，如SDD300，则需乘以300。 3.2.3． Box regression 对于神经网络前向流动来说，需要将Prior Box与Ground Truth Box做匹配。匹配成功则说明，Prior Box所包含的是被检测的目标。但其力完整目标的Ground Truth Box还有一定的神经网络高维空间内的距离。显然地，将Prior Box的分类尽可能地通过一个高维向量分类并回归到Ground Truth Box为神经网络地最终目标之一。

题目传送门 题目大意： 给一棵由白边连接的树，里面还有若干条黑边，问有多少种黑边和白边各删除一条后使图不连通的方案。 题解 我这可能是全网绝无仅有的沙雕做法了…… 正解： 倍增 + + + 树上差分。 然而我一开始的想法就偏离了正轨…… 我的解法： d f s dfs dfs 序 + + + s p l a y splay splay + + + 启发式合并 考虑每一条白边，假如将它删掉之后，再删一条黑边可以使得这棵树不连通，当且仅当这条白边连接的那棵子树中最多只有一条连向子树外的黑边。假如没有连向子树外的黑边，那么删除了这条白边之后，可以再删除任意一条黑边达成一个方案，答案加黑边数量。假如有一条连向子树外的黑边，那么就只能删这条黑边，答案加1。 看到子树，第一时间当然是想到 d f s dfs dfs 序，考虑每一个结点造一棵 s p l a y splay splay，维护 以他的子树内的结点为起点 的黑边的终点的 d f s dfs dfs 序。处理完儿子之后，将儿子们的 s p l a y splay splay 通过启发式合并与自己的 s p l a y

Odoo的环境搭建以及数据库的配置 这里采用Odoo12.0的版本进行搭建，大家可以去github官网上进行代码的下载. 源码链接：https://github.com/odoo/odoo 1.因为odoo本来就是用Python写的，所以我们这里也是用Python来作为运行环境，用到的当然就是Python3环境和Pycharm编码工具了，这个两个大家自行下载，网上很多资源的，去官网也可以下载到，具体的安装我也不做赘述了，相信大家都可以完成！ 2.然后我们需要下载odoo所依赖的大象数据库（Postgresql）下载链接在这里。 https://www.enterprisedb.com/downloads/postgres-postgresql-downloads 下载完之后傻瓜式一键安装就行，不过提醒大家一定要记得自己安装时设置的密码哦！ 3.windows系统下的Postgresql大家为了使用方便可以去下载一个navicate(图像化界面)，然后在里面对数据库进行连接以及设置。 4.以上的做完之后咱们就该去Pycharm里面进行依赖包的安装了，大家如果是第一次配置的Python的话需要去安装pip工具，用来安装odoo开发所需的一些依赖库，或者使用pycharm的package安装功能，然后直接打开Pycharm的终端，输入命令***pip install requrements.txt***安装所需要的依赖包。 pip安装的办法贼多，我就不啰嗦了，参考网站一个。http://jingyan.baidu.com/article/e73e26c0d94e0524adb6a7ff.html 5.然后在你的总文件夹下创建一个odoo.conf文件，它和odoo-bin（启动文件）是在一块的，平级的，然后在里面进行数据库的配置，在这之前大家得西先创建好数据库。 6.具体的配置信息在下边options配置信息表里，大家可以去看看，配置完成后，依赖包也装完了那么，直接从它的入口函数odoo-bin里面启动它就行，然后在浏览器里输入localhost:8069 访问就OK了。 7.其实这个大致流程就是这样，但是其中会有很多BUG，以及安装过程中遇到的问题，我就不一一赘述了，每个人碰见的问题也不一样，如果大家碰见了解决不了的问题，可以在我的博客下方留言，我会第一时间为大家做出解答，对于odoo我也是个新手，希望能和大家一块学习进步！！！ [options] addons模块的查找路径 addons_path = D:\odoo\Odoo 10.0\server\odoo\addons 超级管理员（用于创建，还原和备份数据库的操作） admin_passwd = admin bin_path = D:\odoo\Odoo 10.0\thirdparty 用于导入导出的csv文件的默认分隔符 csv_internal_sep = , data目录， 用于存放session信息，附件 data_dir = C:\Users\hongli\AppData\Local\OpenERP S.A.\Odoo 数据库 主机命 db_host = localhost 数据库最大链接数 db_maxconn = 64 指定要使用的数据库名字 db_name = False 数据库密码 db_password = openpgpwd 数据库端口 db_port = 5432 创建数据库是使用的数据库模板 db_template = template1 用户名 db_user = openpg 过滤要显示的数据库名称 dbfilter = .

网络爬虫 工作原理 网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型： 通用网络爬虫（General Purpose Web Crawler） 聚焦网络爬虫（Focused Web Crawler） 增量式网络爬虫（Incremental Web Crawler） 深层网络爬虫（Deep Web Crawler）。 实际的网络爬虫系统通常是几种爬虫技术相结合实现的

张挑挑 的蔬菜12星座 里面有一种菜 就是 洋葱 这种菜在天上的星座里面有很多星星，其中有几颗星星专门控制地面上人们的心脏工作机制 这种洋葱星座控制的人的心是像洋葱一样的，一层裹一层，裹了很多层 真心实意看不出来的 这种人不是香蕉人，叫做洋葱头，原来有一个漫画和动画专门讲了洋葱娃娃的故事的 假打。。。就是这个意思 点赞 收藏 分享 文章举报 comsci 发布了492 篇原创文章 · 获赞 8 · 访问量 18万+ 他的留言板 关注

作者丨张云喆 单位丨暗物智能科技 研究方向丨NLP推理、数学符号推理 研究背景 现实生活中很多的数据可以用图（graph）来建模，比如社交网络数据，paper 引用数据等。对于 AI 而言，一个常见的任务是半监督分类，即对图中的每一个点进行分类，在仅有部分点有标注的情况下。 处理理此类问题，比较经典的方法是 GCN [1]，通过对相邻节点的特征聚合操作来对每个节点进行特征提取。GCN 等 GNN 模型对于节点之间的关系表征是二元的，即仅能表征两个节点 之间的关系，对于大于二元的关系组只能通过多个二元关系的方式去近似。 超图模型（Hypergraph）就是针对这种情况提出的一种网络结构 [2]。如图 1 所示，不同类型的数据中都存在着多元关系，超图模型的基本设定就是一个边可以包含大于 2 个点，去拟合多元关系。 ▲ 图1. 不同类型数据中的关系展示 然而超图模型和图模型存在着一样的问题，即大部分模型中节点之间的关系来自于数据本身的属性，是一种静态的关系。这样会导致模型忽视很多不包含在这些静态关系中的隐含关系。为此，本文提出了一种基于超图模型的网络进化算法，通过图卷积提取的特征来进一步挖掘新的关系，示意图如图 2 所示。在图网络的进化过程中，可以丢弃一些不重要的关系同时挖掘新的关系。 ▲ 图2. 超图网络进化示意图 算法过程 ▲ 图3. 算法流程示意图 整个算法流程分为三个部分，首先通过节点之间的关系对 hypergraph 进行构建，然后对提取出的 hypergraph 进行卷积操作提取特征，最后根据新的提取特征构建新的 hypergraph。三个流程加在一起就表示了一次图网络的进化，这种进化操作可以被叠加多次，使得节点之间的关系可以被多次调整。 Hypergraph Construction 根据节点特征构建 hypergraph 的流程如下： 构建过程结合了 KNN 和 Kmeans 的方法。我们首先要清楚 hypergraph 的表示通常采用邻接矩阵的形式，矩阵大小为 | V | * | E |，分别表示节点的数量和边的数量，其中有关系的节点和边 h(v, e) = 1, 其余的 h(v, e) = 0。 首先算法针对每一个节点，采用 knn 的方法找到和该节点最相似的 n 个节点，形成一个 hyperedge，我们就得到了 |V| 个 hyperedge。然后我们在利用 kmeans 方法在节点中圈出 K 个中心点，对于每⼀一个节点，我们将它归属到最近的 S 个中心点，这样我们又得到了 K 个新的 hyperedge。 Hypergraph Convolution

原题地址 题意：在题目中给的区间里的灯泡亮的变暗，暗的变亮。默认初始为全暗。 思路：用数组存定义的灯泡变化的区间进行排序（或者区间端点 进行排序），左区间+1, 右区间-1, 代码： #include #include using namespace std; int main() { int i,j,n,m,T,ta,tb; cin>>T; for(j=0; j<T; j++) { cin>>m>>n; int p=0; int a[10000]; for(i=0; i<n; i++,p+=2) { cin>>ta>>tb; a[p] = ta; a[p+1] = tb+1;//确定右闭区间 } int num=0; sort(a,a+2*n); for(int i=1;i<2*n;i++){ if(i%2==1){ num+=a[i]-a[i-1]; } } cout<<"Case #"<<j+1<<": "<<num<<endl; } }

我原来使用的是hp的暗影精灵，升级5.2.0-kali2-amd64后，原来的RTL8822be网卡无法使用，经过几天努力安装驱动后，始终无法 显示可用网络。我不想使用外置网卡，无奈之下就在tao宝上购买了一块较新的网卡。 于是就买了一张 Intel AX200这张网卡， 买回来以后先在win10上面测试，（由于hp笔记本兼容性不好），于是去intel官方网站安装完驱动后，完美正常运行。 打开kali后发现一样完美运行，下面是查询后的截图 附一张网卡照片。 注意：最后提醒一点，运行kali linux内核4.90+版本后网卡无法使用。

———————- 2019 ————– 10月 《半小时漫画经济学·生活常识篇》陈磊（微信读书）很常识，适合大学生看 《图解算法》巴尔加瓦（微信读书） 《暗网》杰米·巴特利特（微信读书）比较喜欢看一些特别案件，比如大丽花啥的，总会猜测这些特别的人怎么想的。暗网的创造开始是以极端方式监督统治者，但是如今充斥着暴力色情毒品还是清理清理比较好。国内网络的GFW一直是个热议的话题，希望能够正式历史，开放网络。 《月亮和六便士》威廉· 萨默赛特·毛姆（微信读书）不理解这种人，只想等老的时候和家人到澳洲住着，养着动植物，和外国美女聊聊天。书中的我也是一个诡异的人，貌似没有爱情却对他人的情感评头论足，受大家喜欢但感情非常冷淡，对男女有强大的偏见，很多主观的想法也许代表了当代大众思想吧。斯特里克兰是主要人物，他刚开始逃离第一人妻子家的时候，家里没有钱，自己没有钱，合伙生意没有钱，这样情景说他是单纯为了理想跑路很难说服读者，怕不是在经营失利后对生活失去了信念。如果说浑浑噩噩一生但做出影响无数后世的成就，我觉得倒不如平平淡淡却幸幸福福的过完一生，因为对于几十亿的星球，人人都追求前者，那又有谁去给他们做善后工作呢。正是由于人类的保守克制，人类文明才不至于遭受超级大灾难吧。布兰琪为什么报复德克！完全想不明白，女人为什么接受不了别人为她作出的牺牲，如果单纯偏执不喜欢欠别人人情的人我可以理解，但是女生不是这样的吧，单从自己的家庭来看，爸爸为女儿牺牲多少个人时间多少金钱，哪个女儿不是心安理得，所以很讨厌书中的我。书中的我肯定是对斯特里克兰的第一任太太有好感，但却这么冷漠，很可怕。我非常欣赏艺术家思想家因为他们都有自己偏执的观念以及足够的专业知识，起码对于自己及时间万物不会迷茫，虽然都掺带着强烈的个人观点。 09月 《红楼梦》(微信读书-大音社) 声音非常好听，首先读的是白话版很多原有的细节都丢掉了，很可惜。贾府的悲剧在我看来，是由于产业不够多样化、男人不负责任造成的。居安思危 08月 《Linux系统命令及Shell脚本实践指南》王军 (微信读书) 《幕后产品：打造突破式产品思维》 王诗沐 (微信读书) 产品经理需要保持创业心态、终身学习、善于联想、善于决断 《人间失格》太宰治 (微信读书) 这种极端的心理活动是我所不能理解的，或许可能是文字的篇幅问题又或是中文不能完全传达日语的问题。我比较推崇明示＋暗扣的，即既有正面说明主角性格的，也有细节刻画的，后者更容易给人认同感。我认为此书有些生硬，倾力推送这种消极的心情，细枝末节却又未描述或过于简短。期待19年小栗旬主演的电影版人间失格。 07月 《浪潮之巅》吴军 读史使人明智,读诗使人灵秀,数学使人周密,科学使人深刻,伦理学使人庄重,逻辑修辞使人善辩,凡有所学,皆成性格 –培根。 《信息简史》令我失望的一本书，本以为是信息的简史，反而是人物列传的堆叠。 《半小时漫画中国史+世界史》、《半小时漫画唐诗》陈磊 (微信读书) 这个系列确实很吸引人！ 06月 《统计学习方法》李航 还在看 机器学习实战 这本经典书，但是里面好多内容都是一笔带过，对于至少四年未碰数理化的我来说，痛苦至极，看不懂。。再回顾下这本书。理论知识非常丰富，实战不足，恰恰 机器学习实战 是理论不足，实战完美 《响应式web设计—html5和css3实战》相关地址 css3确实炒鸡强大，可写内容太多了，这本书也只能蜻蜓点水，但是足以体会css3的厉害。更多牛逼的例子可以在 http://codepen.io 上看，各种大牛?。 《如何阅读一本书》读了几页，实在读不下去 《概率论与数理统计(浙大第四版)》前面的全概率公式和贝叶斯公式在机器学习非常有用，后边学到的知识除了能做题实在不知道有什么用处。 《托马斯微积分》以前大学学的英文版，超级超级厚的两大本，内容和高数差不多，部分抽象的东西还需要再参悟参悟。 05月 《数学之美》好书，不解释。让你有超级冲动自己动手写一个分布式搜索引擎。 《机器学习实战》github 理论+代高质量码，感动?。部分代码值得优化和改正(有些写错)，建议实操时留个心。数据可以直接从https://github.com/apachecn/AiLearning这里的data目录获取到。 我自己学习写的代码放在 https://github.com/Goddywu/mechine-learning-in-action 里面有中/英文的书，每章的核心模型代码统一命名为xxx_core.py 建议搭配李航的《统计学习方法》来看，帮助理论模型的理论 相关书籍纯属分享，不做商业用途，如有侵权，请联系我进行删除。 知乎专栏:知识图谱-给AI装个大脑链接 文章浅显易懂，知识图谱入门可以看下 04月 《自然语言处理综论》 《黑客与画家》这本书主要描述的黑客的心态，他们是如何看待事物的，不同情景下的心理活动。编程语言就像一只铅笔，帮助你思考程序，而不是表达已经想好的程序，先动手做再不断优化。黑客的重要职责是设计软件而不是开发软件。白天工作和夜晚工作分隔开。保持独立思考，拥有自己的观点。管理企业只要做到两点：做出用户喜欢的产品、保证开支小于收入。好设计即简单的设计，永远不过时，解决问题的方向很明确并解决主要问题。好的设计为启发性设计，提供基础的工具、模块供使用者自由设计、使用，带有一定趣味性。好的设计是模仿大自然的设计。好的设计是不断再设计，培养自己的不满情绪。功能决定形式。 《Java RESTful Web Service实战》emmm…不好看 《2017-Scrum-Guide-Chinese-Simplified》还是需要根据实际的团队来修改，专门分一个人来做scrum master感觉成本还是偏大 《一线架构师实践指南》用词比较不太容易理解，应该有更好的书值得看。架构师要快速对需求有深入的了解&有大局观 03月 《人月神话》(03.14- 创建外科手术般的团队 《Spring Boot实战》(03.