原文链接 最近在用合宙的Air302开发物联网项目，因为合宙用的自家的luatOS操作系统，二次开发全都要用lua写，据说lua写起代码比C更方便，但是不会就是不会啊喂！！学不会就是不方便啊，例如这个self理解起来就有点困难。 lua中的数据类型lua中一共有8种基本的数据类型，而且变量不需要类型定义，也
六大设计原则 单一责任原则 (SRP) 开放封闭原则 (OCP) 里氏替换原则 (LSP) 接口分离原则 (ISP) 依赖倒置原则 (DIP) 里氏替换原则： “子类型必须可替代其基本类型”。换句话说，给定一个特定的基类，从它继承的任何类都可以替代基类。 错误示例： class LSPDe
// 抽象部分, 外部接口，抽象化产品 // 当一个类存在两个独立变化的维度，且这两个维度都需要进行扩展时。 // 当一个系统不希望使用继承或因为多层次继承导致系统类的个数急剧增加时。 // 当一个系统需要在构件的抽象化角色和具体化角色之间增加更多的灵活性时。 // 例子1： 画图形
一、基本概念 堆(heap)，在内存管理的语境下，指的是动态分配内存的区域，与数据结构里的堆不是一个概念。这里的内存，被分配之后需要手工释放，否则，就会造成内存泄漏。 C++ 标准里使用 new 和 delete 分配和释放内存的区域叫自由存储区(free store)，这是堆的一个子集： new 和 delete 操作
在HDevelop中 dev_close_window () read_image (Image, 'D:/bb/tu/3.jpg') rgb1_to_gray (Image, GrayImage) ****截取模板图像：B字母**** gen_rectangle1 (Rectangle, 16, 120, 69, 172) reduce_domain (GrayImage, Rectangle, ImageReduced) create_shape_model (I
1、简介 设计模式（Design pattern）代表了最佳的实践，通常被有经验的面向对象的软件开发人员所采用。设计模式是软件开发人员在软件开发过程中面临的一般问题的解决方案。 使用设计模式是为了重用代码、让代码更容易被他人理解、保证代码可靠性。 1、工厂模式 属于创建型模式，它提供了
rnn = nn.RNN(input_size=4,hidden_size=3,num_layers=2,batch_first=True) input = torch.randn(1,5,4) output , h_n = rnn(input) print(output.shape) print(h_n.shape) 输出结果: #outputtensor([[[-0.4026, -0.2417, -0.1307], [-0.0122, 0.4269,
#定义一个2行3列全为0的矩阵 tensor1 = tf.zeros([2,3]) print(tensor1)"""运行结果：tf.Tensor([[0. 0. 0.][0. 0. 0.]], shape=(2, 3), dtype=float32)"""#定义一个2行2列全为1的矩阵 ones_tsr = tf.ones([2, 2])print(ones_tsr)"""运行结果： tf.Tensor( [[1
tensorflow中的tensor就是张量，是多维数组（多维列表），用阶来表示张量的维数，判断张量是几阶的可以看有几个方括号 import tensorflow as tf a=tf.constant([1,5],dtype=tf.int64) #直接打印a，会输出a的所有信息 print(a) #打印a的数据类型 print(a.dtype) #打印a的形状 print(a.shap
import tensorflow as tf sess=tf.compat.v1.Session()a=tf.constant(32) #创建常量b=tf.constant(10) #创建常量#加法a+b+bd=tf.add_n([a,b,b])print(d) 运行结果： Tensor("AddN_3:0", shape=(), dtype=int32) #减法a-be=tf.subtract(a,b)print(b) 运行结果： Tensor("Const_17:0&q
xavier、ortho是神经网络中常用的权重初始化方法，在全连接中这两种权重初始化的方法比较好理解，但是在CNN的卷积网络中的具体实现却不好理解了。 在CNN网络中xavier的初始化可以参看： 【转载】 xavier，kaiming初始化中的fan_in,fan_out在卷积神经网络是什么意思
1、什么是Numpy 简单来说： Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据
抽象方法： 由abstract修饰的类是抽象类； 一个类如果包含抽象方法，那么一定是一个抽象类； 抽象类中可以有抽象方法，也可以有非抽象方法； 继承抽象类后必须实现抽象类中定义的所有抽象方法； 不同的子类可以有不同 的实现 //图形类 public abstract class Shape { //抽象类 pub
clip-path：polygon（） 多边形裁剪 span.shape{ width: 100px; height: 100px; float: left; padding: 20px; margin: 10px; shape-outside: padding-box;
1. meshgrid() 该方法大多时候用于在二维或者三维空间中，生成网格采样点的坐标，例如一张宽高为H=3、W=4的图片 如果想要以每一个像素点坐标作为参数进行计算，最简单的办法是进行遍历： for x in range(H): for y in range(W): # some method # foo(x, y) 但是这样做pyt
第一周 数据分析之表示 单元一： NumPy库入门 数据的维度 维度：一组数据的组织形式 一维数据：一维数据由对等关系的有序或无序数据构成，采用线性方式组织，对应列表、数组和集合等概念 列表和数组 区别：列表的数据类型可以不同，数组的数据类型相同 二维数据： 二维数据是有多个一维数据构
来自https://libaineu2004.blog.csdn.net/article/details/102829030博客摘抄，首先感谢这位博主经验之谈，感觉很有用，并后续记录下来。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但
开闭原则（Open Closed Principle） 是编程中最基础、最重要的设计原则 一个软件实体，比如：类，模块和函数应该对扩展开放(对提供方而言)， 对修改关闭(对使用方而言)。 用抽象构建框架，用实现扩展细节。 当软件需要变化时，尽量通过扩展软件实体的行为来实现变化，而不是通过修改已有的代码来实
抽象 abstract--抽象关键字 1抽象方法 由abstract修饰的方法为抽象方法 抽象方法只有方法的定义，没有方法的实现。没有方法体 public abstract void show(); 2抽象类 由abstract修饰的类是抽象类 一个类如果包含抽象方法，那么一定是一个抽象类 抽象类中可以有抽象
接口（重点） 9.1接口的定义 使用interface修饰的是接口，但 接口不是类，接口是特殊的抽象类 接口中的属性默认为常量！ 接口中的方法默认为抽象方法！ 9.2接口的实现 接口实现需要实现类实现接口中没有被实现的方法 使用implements关键字实现接口 Shape接口： public interface
public static void SplitByLine(IMap map,IPolyline line, ILayer layer) { if (line != null) { IFeatureLayer pFeatureLayer = layer as IFeatureLayer; //划线 IGeometry pline = (IGeometry
在HDevelop中 dev_close_window () read_image (Image, 'D:/bb/tu/1.jpg') rgb1_to_gray (Image, GrayImage) read_shape_model ('D:/bb/tu/ss.shm', ModelID) *读取形状模板 *参数2：模板句柄 find_shape_model (GrayImage, ModelID, -0.2, 0.2, 0.8, 5, 0.5, '
在HDevelop中 dev_close_window () read_image (Image, 'D:/bb/tu/1.jpg') rgb1_to_gray (Image, GrayImage) edges_sub_pix (GrayImage, Edges, 'canny', 1, 20, 40) select_shape_xld (Edges, SelectedXLD, 'contlength', 'and',
形状匹配原理：模板创建后，会根据模板中的边缘等关系去图像中进行搜索，可以理解成提取模板中的灰度发生变化的那些点，然后再去图像中匹配，这样的效果是对干扰比较稳定，匹配速度快，并且即使边缘发生部分遮挡，匹配效果依旧较好 在HDevelop中 dev_close_window () read_image (Image,
引入numpy科学计算库： import numpy as np --->创建元素均为零的矩阵，大小为shape，元素类型dtype： np.zeros(shape, dtype) --->创建等差数组，返回一维的数组（可以用reshape将其变为矩阵更好处理一些） np.arange([start=0],stop,[step=1],[dtype=np.int32]) --->创建x*x的对角矩阵： np.
