其他

opencv  VideoCapture capture 網路攝影機 環境 win7+VS2010+opencv2.4.9 // Camera3.cpp : 定義控制台應用程式的進入點。 //   #include "stdafx.h" #include <opencv2/opencv.hpp> #include <iostream>

在Opencv中文網站上有關於directShow和opencv結合採集映像的教程，地址：http://wiki.opencv.org.cn/index.php/%e4%bd%bf%e7%94%a8DirectShow%e9%87%87%e9%9b%86%e5%9b%be%e5%83%8f 但是該配置比較老，本文講述如何基於該教程在 VS2012和opencv2.4.9上進行配置和修改，完成USB網路攝影機的驅動。 博主的USB免驅網路攝影機如下： 文末有完整代碼的下載地址 1

1、找到要轉載的文章，用chrome瀏覽器開啟，右鍵選擇審查元素 2、在chrome中下方的框裡找到對應的內容，html指令碼中找到對應的節點，選中節點，網頁上被選中內容會被高亮顯示，然後右鍵菜單選中 Copy as HTML 3、進入個人"管理部落格"主介面，選擇"寫新文章“，編輯介面的地方選擇工具條上的原始碼，將chrome中複製的內容貼進來

概述 在用git進行原始碼版本維護的時候，常常會進行各代碼版本之前區別的查看，例如在每次提交改動前進行git diff 可以看到源檔案代碼相對相應版本或是遠程倉庫的改動情況，如果有衝突還需要進行merge即整合改動的代碼到指定版本（例如遠程分支）。   從git difftool & mergetool 工具開始 – Beyond Compare 在對複雜代碼版本之間進行diff時，如果沒有difftool

前言 　　本文根據《Autotools - A Practioner's Guide to GNU Autoconf, Automake, and Libtool》第一章翻譯整理，省略了部分語句。 本文 　　正如序言裡所講，GNU

筆者經常會在公司centos伺服器上安裝一些軟體，可是當我輸入yum install xxx 時，鬱悶了，公司伺服器不通外網，無法使用yum源。。。 額~~~，好吧我只能自己先到網站上下載好rpm包，再傳到伺服器上進行rpm安裝。。。 以下是一個比較好的centos rpm包下載地址 http://vault.centos.org/6.5/updates/x86_64/Packages/

因為要做畢設需要安裝caffe2，配置cuda8.0，但是安裝nvidia驅動真的是把我難倒了，看了很多篇博文都沒有效果，現在我自己重新總結了下幾種 安裝方法（親測有效），希望能幫到大家。 查看版本驅動 NVIDIA驅動 方法一： ppa源安裝驅動 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-390

起意        看到一篇不錯的部落格，想轉載但是不會（沒有轉載鍵），網搜發現沒有Chrome瀏覽器的詳細轉載辦法，受博主Bily豬啟發，弄了這個教程，給小白的，大神勿嗤。時間緊急的直接看總結。 實踐 檢查。在喜歡的部落格頁面右鍵（用快速鍵ctrl+shift+I也行只是比較難找到相應想要的html碼）選擇“檢查”，出現如下介面：

吳軍老師在《數學之美》中稱期望最大值化演算法為“上帝的演算法”，下面就討論EM演算法在高斯混合分布中的應用。 接高斯判別分析與高斯混合分布之庖丁解牛（第一集）最後剩下的問題繼續討論，以下先不談什麼隱含因子，只是單純的數學演算，過程非常有意思。 以下的討論會用到幾點知識，我們先作為補充知識，說一下： 補充知識點一：凹函數的定義： 設是定義在上的函數，若對任意的和任意的，如果滿足以下條件， ， 則稱函數在上是凹函數。

介紹   SVDFeature是由Apex Data & Knowledge Management Lab在KDD CUP11競賽中開發出來的工具包。它的目的是有效地解決基於特徵的矩陣分解。新的模型可以只通過定義新的特徵來實現。這種基於特徵的設定允許我們把很多資訊包含在模型中，使得模型更加與時俱進。使用此工具包，可以很容易的把其他資訊整合進模型，比如時間動態，領域關係和分層資訊。除了評分預測，還可以實現pairwise ranking任務。  模型

  介紹   SVDFeature是由Apex Data & Knowledge Management Lab在KDD CUP11競賽中開發出來的工具包。它的目的是有效地解決基於特徵的矩陣分解。新的模型可以只通過定義新的特徵來實現。這種基於特徵的設定允許我們把很多資訊包含在模型中，使得模型更加與時俱進。使用此工具包，可以很容易的把其他資訊整合進模型，比如時間動態，領域關係和分層資訊。除了評分預測，還可以實現pairwise ranking任務。  

論文原文地址：https://arxiv.org/pdf/1711.01731.pdf 一、簡介 該論文對對話系統進行了綜述，並討論了今後可能的研究方向。 對話系統大致被分成兩類： (1) 任務為導向的對話系統 任務為導向的對話系統是協助使用者去完成特定任務，比如找商品，訂住宿，訂餐廳等。實現任務為導向的對話系統，主要有兩類方式：(1) Pipeline method, (2)End-to-End method。 (2) 非任務導向的對話系統

標籤（空格分隔）： 王小草Tensorflow筆記 筆記整理者：王小草 筆記整理時間2017年2月24日 Tensorflow官方英文文檔地址：https://www.tensorflow.org/get_started/mnist/beginners 本文整理時官方文檔最新動向時間：2017年2月15日 1.案例背景 本文是跟著Tensorflow官方文檔的第二篇教程–識別手寫數字。 MNIST是一個簡單的電腦視覺資料集，它是由一系列手寫數字圖片組成的，比如：

提示：如果還不瞭解Hadoop的，可以下查看這篇文章Hadoop生態系統，通過這篇文章，我們可以首先大致瞭解Hadoop及Hadoop的生態系統中的工具的使用情境。 搭建一個分布式的hadoop叢集環境，下面是詳細步驟，使用cdh5 。 一、硬體準備 基本配置: 作業系統 64位

因為涉及到播放視頻，所以找了一下通用的幾種。1.ActiveX  Windows Media Player控制項 可以支援各種有損無損的視頻格式，可擴充性也比較強，還是不錯的。 這位兄台寫得實在不錯，就不照搬了 關於一般控制項的添加，這裡有說明，寫得挺好，下面還有討論什麼的 http://blog.csdn.net/akof1314/article/details/4900040

AI裡面大家比較公認的top conference. 下面同分的按字母序排列. IJCAI (1+): AI最好的綜合性會議, 1969年開始, 每兩年開一次, 奇數年開. 因為AI實在太大, 所以雖然每屆基本上能錄100多篇（現在已經到200多篇了），但分到每個領域就沒幾篇了，象machine learning、computer vision這麼大的領域每次大概也就10篇左右, 所以難度很大. 不過從錄用率上來看倒不太低,基本上20%左右, 因為內行人都會掂掂分量,

對比試用平台介紹 　　在體驗了酷睿 I5 2300 在3D遊戲和多任務、高清播放等方面的突出效能後，今天我利用空閑時間針對酷睿 I5 2300在高清轉碼方面上與本人的舊平台上對比了一下.，其結果也讓人感到震撼。好了閑話不多說了，先來給自己新舊PC做個介紹： 新平台概括 　　(因為要對比高清解碼方面做比較，所以為了彌補舊平台CPU和GPU上的不足，特意在舊系統中配置了Nvidia GeForce 9800 GT)

Xming X Server 配置和使用 Linux以及各種Unix like的作業系統現在都用基於X Window圖形介面. 這個東西雖然塊頭比較大, 效率不太高, 導致Linux的3D遊戲一直沒什麼動靜, 但是, 它介面良好, 擴充性和可移植性都很好, 最重要的是具有網路透明性, 所以我們就可以很方便的遠程啟動Linux的圖形程式. 下面說的就是在Windows下遠程運行Linux圖形介面的方法. 

在上一篇《XGBoost源碼閱讀筆記(1)--代碼邏輯結構》中向大家介紹了XGBoost源碼的邏輯結構，同時也簡單介紹了XGBoost的基本情況。本篇將繼續向大家介紹XGBoost源碼是如何構造一顆迴歸樹，不過在分析源碼之前，還是有必要先和大家一起推導下XGBoost的目標函數。本次推導過程公式截圖主要摘抄於陳天奇的論文《XGBoost：A Scalable Tree Boosting System》。在後續的源碼分析中，會省略一些與本篇無關的代碼，如並行化，多線程。 一、目標函數最佳化

做MQTT的開發，記錄下一些學習過程。 安裝包括： 1、RPM安裝 2、源碼安裝 （一）使用RPM安裝 安裝環境Centos6.4 從下面的連結下載mosquitto的RPM安裝包：點擊開啟連結（http://download.opensuse.org/repositories/home:/oojah:/mqtt/CentOS_CentOS-6/i686/） 運行安裝命令： [root@localhost xxx]# rpm -i