self.tk.call(_flatten((self._w, cmd)) + self._options(cnf)) _tkinter.TclError: unknown option "-relief"

时间: 2024-02-09 07:11:49 浏览: 169
PDF

使用keras框架cnn+ctc_loss识别不定长字符图片操作

这个错误提示表明，在调用 `button.config(relief="sunken")` 和 `button.config(relief="raised")` 时发生了错误。可能是因为你的 tkinter 版本不支持这个选项。 你可以尝试将这两行代码改为： ``` button.config(borderwidth=2) button.config(relief="groove") ``` 这样应该可以达到相同的效果。如果你想要更改按钮的边框宽度和样式，请调整 `borderwidth` 和 `relief` 的值。
阅读全文

相关推荐

-

实现ESnext标准的Array.prototype.flat填充方案

资源摘要信息:"Array.prototype.flat是符合ESnext规范的JavaScript的polyfill，用于提供对Array.prototype.flat方法的支持，使其能够在向下兼容到ES3的环境中运行。Array.prototype.flat方法属于ES2019规范，用于将...
-

Python库flatten_json版本0.1.12发布：简化JSON数据处理

资源摘要信息:"Python库 | flatten_json-0.1.12.tar.gz" Python是一种广泛使用的高级编程语言，它因其可读性和简洁的语法而受到开发者的青睐。Python支持多种编程范式，包括面向对象、命令式、函数式和过程式编程。...

Exception in Tkinter callback Traceback (most recent call last): File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1702, in __call__ return self.func(*args) File "<ipython-input-334-75eabe3071f9>", line 43, in run_classifier result_label.config(text="训练集分类器的准确率为：{:.2f}".format(score)) File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1482, in configure return self._configure('configure', cnf, kw) File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1473, in _configure self.tk.call(_flatten((self._w, cmd)) + self._options(cnf)) _tkinter.TclError: invalid command name ".!label4" Exception in Tkinter callback Traceback (most recent call last): File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1702, in __call__ return self.func(*args) File "<ipython-input-334-75eabe3071f9>", line 48, in run2 result_label2.config(text="测试集分类器的准确率为：{:.2f}".format(score2)) File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1482, in configure return self._configure('configure', cnf, kw) File "C:\Users\DELL\Anaconda3\lib\tkinter\__init__.py", line 1473, in _configure self.tk.call(_flatten((self._w, cmd)) + self._options(cnf)) _tkinter.TclError: invalid command name ".!label5"

这个错误是因为程序中某个标签（Label）的名字不正确导致的。具体来说，错误信息中的".!label4"和".!label5"分别对应两个标签的名字。请检查你的程序，看看这两个标签的名字是否正确，并且确保程序中没有重复的标签...

class DoubleFastRCNNOutputLayers(nn.Module): def __init__( self, cfg, input_size, num_classes, cls_agnostic_bbox_reg, box_dim=4 ): super(DoubleFastRCNNOutputLayers, self).__init__() if not isinstance(input_size, int): input_size = np.prod(input_size) self.cls_score = nn.Linear(input_size, num_classes + 1) num_bbox_reg_classes = 1 if cls_agnostic_bbox_reg else num_classes self.bbox_pred = nn.Linear(input_size, num_bbox_reg_classes * box_dim) nn.init.normal_(self.cls_score.weight, std=0.01) nn.init.normal_(self.bbox_pred.weight, std=0.001) for l in [self.cls_score, self.bbox_pred]: nn.init.constant_(l.bias, 0) self._do_cls_dropout = cfg.MODEL.ROI_HEADS.CLS_DROPOUT self._dropout_ratio = cfg.MODEL.ROI_HEADS.DROPOUT_RATIO def forward(self, x_s, x_l): if x_s.dim() > 2: x_s = torch.flatten(x_s, start_dim=1) if x_l.dim() > 2: x_l = torch.flatten(x_l, start_dim=1) proposal_deltas = self.bbox_pred(x_l) if self._do_cls_dropout: x_s = F.dropout(x_s, self._dropout_ratio, training=self.training) scores = self.cls_score(x_s) return scores, proposal_deltas

这段代码是一个双输入的Fast R-CNN输出层的实现，其中包括一个分类得分层和一个边界框回归层。它接受两个输入x_s和x_l，分别代表短边和长边的特征。在前向传播时，它首先对输入进行扁平化处理，然后通过bbox_pred层...

def load_excel(self, filename,menu_label): self.la=menu_label self.workbook = xl.load_workbook(filename) self.sheet_names = self.workbook.sheetnames # 清空左侧面板 for widget in self.panel_left.winfo_children(): widget.destroy() # 添加工作表按钮 style = ttk.Style() style.configure('my.TButton', font=('Arial', 10)) style.map('my.TButton', background=[('active', '#007FFF')]) for i, sheet_name in enumerate(self.sheet_names): button = ttk.Button(self.panel_left, text=sheet_name, command=lambda name=sheet_name: self.show_sheet(name), style='my.TButton') button.used = False button.grid(row=i, column=0, sticky="ew", padx=2, pady=2) button.bind("<Enter>", lambda event, button=button: button.config(relief="sunken")) button.bind("<Leave>", lambda event, button=button: button.config(relief="raised")) button.bind("<Button-1>", lambda event, button=button: mark_used(button)) def mark_used(button): # 将按钮的标记设置为“已使用” button.used = True # 更改按钮的背景颜色 button.configure(bg="gray") for child in self.panel_left.winfo_children(): # 绑定按钮的点击事件 child.bind("<Button-1>", lambda event, button=child: mark_used(button))報這個錯誤self.tk.call(_flatten((self._w, cmd)) + self._options(cnf)) _tkinter.TclError: unknown option "-relief"怎麽修改

button = ttk.Button(self.panel_left, text=sheet_name, command=lambda name=sheet_name: self.show_sheet(name), style='my.TButton') button.used = False button.grid(row=i, column=0, sticky="ew", padx=...

Exception in Tkinter callback Traceback (most recent call last): File "D:\Download\lib\tkinter\__init__.py", line 1921, in __call__ return self.func(*args) File "D:\study\作业\image\main.py", line 315, in <lambda> button4 = Button(root2, text='执行程序', relief=GROOVE, font=('微软雅黑', 14),command=lambda:mediumbutton(img))#执行程序按钮 File "D:\study\作业\image\main.py", line 305, in mediumbutton img_medium1 = merge(img) File "D:\study\作业\image\main.py", line 300, in merge label6.config(image=zhifangtu2,bg='#F0E68C').place(x=670,y=50) File "D:\Download\lib\tkinter\__init__.py", line 1675, in configure return self._configure('configure', cnf, kw) File "D:\Download\lib\tkinter\__init__.py", line 1665, in _configure self.tk.call(_flatten((self._w, cmd)) + self._options(cnf)) _tkinter.TclError: image "<module 'matplotlib.pyplot' from 'D:\\Download\\lib\\site-packages\\matplotlib\\pyplot.py'>" doesn't exist

这是一个 Tkinter 回调的异常，通常是由于某些参数设置错误导致的。具体地，这个异常发生在你调用 place 方法时，试图将一个 Matplotlib 绘图对象作为图像标签的背景，但是这个对象不是一个有效的 Tkinter 图像...

current_dir = os.path.dirname(os.path.realpath(__file__)) data_dir = os.path.join(current_dir, 'data') class Model(nn.Module): def __init__(self, template_path): super(Model, self).__init__() # set template mesh self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') self.vertices = (self.template_mesh.vertices * 0.5).stop_grad() self.faces = self.template_mesh.faces.stop_grad() self.textures = self.template_mesh.textures.stop_grad() # optimize for displacement map and center self.displace = jt.zeros(self.template_mesh.vertices.shape) self.center = jt.zeros((1, 1, 3)) # define Laplacian and flatten geometry constraints self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0]) self.flatten_loss = FlattenLoss(self.faces[0]) def execute(self, batch_size): base = jt.log(self.vertices.abs() / (1 - self.vertices.abs())) centroid = jt.tanh(self.center) vertices = (base + self.displace).sigmoid() * nn.sign(self.vertices) vertices = nn.relu(vertices) * (1 - centroid) - nn.relu(-vertices) * (centroid + 1) vertices = vertices + centroid # apply Laplacian and flatten geometry constraints laplacian_loss = self.laplacian_loss(vertices).mean() flatten_loss = self.flatten_loss(vertices).mean() return jr.Mesh(vertices.repeat(batch_size, 1, 1), self.faces.repeat(batch_size, 1, 1), dr_type='n3mr'), laplacian_loss, flatten_loss 在每行代码后添加注释

super(Model, self).__init__() # 设置模板网格 self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') self.vertices = (self.template_mesh.vertices * 0.5).stop_grad() # 顶点坐标 self...

class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(in_features=28 * 28, out_features=512),

flatten 是一个 nn.Flatten 实例，用于将输入的二维图像数据展平为一维向量。linear_relu_stack 是一个 nn.Sequential 实例，它包含了一系列的线性层和激活函数。 具体来说，在 linear_relu_stack 中，有一个线性层...

解释这段代码import jittor as jt from jittor import nn jt.flags.use_cuda = 1 import os import tqdm import numpy as np import imageio import argparse import jrender as jr from jrender import neg_iou_loss, LaplacianLoss, FlattenLoss current_dir = os.path.dirname(os.path.realpath(__file__)) data_dir = os.path.join(current_dir, 'data') class Model(nn.Module): def __init__(self, template_path): super(Model, self).__init__() # set template mesh self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') self.vertices = (self.template_mesh.vertices * 0.5).stop_grad() self.faces = self.template_mesh.faces.stop_grad() self.textures = self.template_mesh.textures.stop_grad() # optimize for displacement map and center self.displace = jt.zeros(self.template_mesh.vertices.shape) self.center = jt.zeros((1, 1, 3)) # define Laplacian and flatten geometry constraints self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0]) self.flatten_loss = FlattenLoss(self.faces[0]) def execute(self, batch_size): base = jt.log(self.vertices.abs() / (1 - self.vertices.abs())) centroid = jt.tanh(self.center) vertices = (base + self.displace).sigmoid() * nn.sign(self.vertices) vertices = nn.relu(vertices) * (1 - centroid) - nn.relu(-vertices) * (centroid + 1) vertices = vertices + centroid # apply Laplacian and flatten geometry constraints laplacian_loss = self.laplacian_loss(vertices).mean() flatten_loss = self.flatten_loss(vertices).mean() return jr.Mesh(vertices.repeat(batch_size, 1, 1), self.faces.repeat(batch_size, 1, 1), dr_type='n3mr'), laplacian_loss, flatten_loss

这段代码使用了 Jittor 深度学习框架，导入了 Jittor 的 nn 模块。然后将 Jittor 框架的 GPU 标志设置为使用 CUDA。接下来导入了一些 Python 标准库和 JRender 库。在代码中定义了一个名为 Model 的类，它继承自 nn....

class LeNet5(paddle.nn.Layer): def __init__(self): super(LeNet5, self).__init__() self.conv1=paddle.nn.Conv2D(in_channels=1,out_channel=6,kernel_size=5) self.avgpool1=paddle.nn.AvPool2D(kernel_size=2,stride=2) self.conv2=paddle.nn.Conv2D(in_channels=6,out_channels=16,kernel_size=5) self.avgpool2=paddle.nn.AvPool2D(kernel_size=2,stride=2) self.flatten=paddle.nn.Flatten() self.fc1 = paddle.nn.Linear(in_features=400,out_features=120) self.fc2 = paddle.nn.Linear(in_features=120,out_features=84) self.fc3 = paddle.nn.Linear(in_features=84, out_features=10)在pytorch中如何表示

super(LeNet5, self).__init__() self.conv1=nn.Conv2d(in_channels=1,out_channels=6,kernel_size=5) self.avgpool1=nn.AvgPool2d(kernel_size=2,stride=2) self.conv2=nn.Conv2d(in_channels=6,out_channels=...

请注释以下代码并说出整体做了什么from collections import Counter from utils import flatten_lists class Metrics(object): """用于评价模型,计算每个标签的精确率,召回率,F1分数""" def __init__(self, golden_tags, predict_tags, remove_O=False): # [[t1, t2], [t3, t4]...] --> [t1, t2, t3, t4...] self.golden_tags = flatten_lists(golden_tags) self.predict_tags = flatten_lists(predict_tags) if remove_O: # 将O标记移除，只关心实体标记 self._remove_Otags() # 辅助计算的变量 self.tagset = set(self.golden_tags) self.correct_tags_number = self.count_correct_tags() self.predict_tags_counter = Counter(self.predict_tags) self.golden_tags_counter = Counter(self.golden_tags) # 计算精确率 self.precision_scores = self.cal_precision() # 计算召回率 self.recall_scores = self.cal_recall() # 计算F1分数 self.f1_scores = self.cal_f1() def cal_precision(self): precision_scores = {} for tag in self.tagset: precision_scores[tag] = self.correct_tags_number.get(tag, 0) / \ self.predict_tags_counter[tag] return precision_scores def cal_recall(self): recall_scores = {} for tag in self.tagset: recall_scores[tag] = self.correct_tags_number.get(tag, 0) / \ self.golden_tags_counter[tag] return recall_scores def cal_f1(self): f1_scores = {} for tag in self.tagset: p, r = self.precision_scores[tag], self.recall_scores[tag] f1_scores[tag] = 2 * p * r / (p + r + 1e-10) # 加上一个特别小的数，防止分母为0 return f1_scores

在初始化过程中，首先通过 flatten_lists 函数将 golden_tags 和 predict_tags 中的列表展平为一维列表，方便后续的计算。然后统计 golden_tags 中每个标签出现的次数，predict_tags 中每个标签出现的次数，以及正确...

def __init__(self, template_path): super(Model, self).__init__() # set template mesh self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') self.vertices = (self.template_mesh.vertices * 0.5).stop_grad() self.faces = self.template_mesh.faces.stop_grad() self.textures = self.template_mesh.textures.stop_grad() # optimize for displacement map and center self.displace = jt.zeros(self.template_mesh.vertices.shape) self.center = jt.zeros((1, 1, 3)) # define Laplacian and flatten geometry constraints self.laplacian_loss = LaplacianLoss(self.vertices[0], self.faces[0]) self.flatten_loss = FlattenLoss(self.faces[0])在每行代码后添加注释

super(Model, self).__init__() # 初始化父类 # 加载模板网格 self.template_mesh = jr.Mesh.from_obj(template_path, dr_type='n3mr') # 缩放网格顶点坐标，并设置为不可求导 self.vertices = (self....

class Pooling: def init(self, pool_h, pool_w, stride=1, pad=0): self.pool_h = pool_h self.pool_w = pool_w self.stride = stride self.pad = pad self.x = None self.arg_max = None def forward(self, x): N, C, H, W = x.shape out_h = int(1 + (H - self.pool_h) / self.stride) out_w = int(1 + (W - self.pool_w) / self.stride) col = im2col(x, self.pool_h, self.pool_w, self.stride, self.pad) col = col.reshape(-1, self.pool_h*self.pool_w) arg_max = np.argmax(col, axis=1) out = np.max(col, axis=1) out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2) self.x = x self.arg_max = arg_max return out def backward(self, dout): dout = dout.transpose(0, 2, 3, 1) pool_size = self.pool_h * self.pool_w dmax = np.zeros((dout.size, pool_size)) dmax[np.arange(self.arg_max.size), self.arg_max.flatten()] = dout.flatten() dmax = dmax.reshape(dout.shape + (pool_size,)) dcol = dmax.reshape(dmax.shape[0] * dmax.shape[1] * dmax.shape[2], -1) dx = col2im(dcol, self.x.shape, self.pool_h, self.pool_w, self.stride, self.pad) return dx

这段代码实现了一个池化层的类，包括构造函数和前向传播函数、反向传播函数。构造函数用于初始化池化层的超参数，包括池化窗口的高度和宽度、步长、填充等，并初始化一些变量用于后续的前向计算和反向传播。...

我的模型定义如下 ： def _slice_multi(self): s = self.ps*self.skip + self.Ck-1 + self.h-1 num_time_steps = 5 X1 = np.zeros((self.n-s, self.w, self.m)) X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) Y = np.zeros((self.n-s, num_time_steps*self.m)) for i in range(s, self.n - num_time_steps+1): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() for j in range(s+num_time_steps-1, self.n): Y[j-s-num_time_steps+1] = self.raw[j-num_time_steps+1:j+1].copy().flatten() Y = Y[:, -5*self.m:] return X1, X2, Y 如何修改Y的定义

Y = np.zeros((self.n - s - num_time_steps + 1, num_time_steps, self.m)) for j in range(s + num_time_steps - 1, self.n): Y[j - s - num_time_steps + 1] = self.raw[j - num_time_steps + 1:j + 1].copy() ...

def __init__(self, n_inputs, n_rules, learning_rate=0.01): self.n = n_inputs self.m = n_rules self.lr = learning_rate # Initialize MF parameters using k-means clustering kmeans = KMeans(n_clusters=self.m) x0 = np.random.rand(100, self.n) # 用于聚类的样本点 kmeans.fit(x0) centroids = kmeans.cluster_centers_ # 获取聚类中心 sigmas = np.ones(self.m) * (kmeans.inertia_ / self.m) ** 0.5 # 计算标准差 self.params = { "mf_params": np.concatenate([centroids.flatten(), sigmas.flatten()]), "out_params": np.random.rand((self.n + 1) * self.m, ) } def gaussmf(self, x, c, sigma): return np.exp(-np.power(x - c, 2.) / (2 * np.power(sigma, 2.))) def predict(self, X): mf_out = np.zeros((len(X), self.n, self.m)) for i in range(self.n): mf_out[:, i, :] = self.gaussmf(X[:, i].reshape(-1, 1), self.params['mf_params'][:self.m], self.params['mf_params'][self.m:])出现 operands could not be broadcast together with shapes (32,3) (0,) 修改

这是因为在计算mf_out时，对于每个输入X[:, i].reshape(-1, 1)，都需要对self.params['mf_params'][:self.m]和self.params['mf_params'][self.m:]进行高斯函数计算，而这两个数组的shape都是(0,)，无法与X[:, i]....

s = self.ps*self.skip + self.Ck-1 + self.h-1 num_time_steps = 5 X1 = np.zeros((self.n-s, self.w, self.m)) X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) Y = np.zeros((self.n-s-num_time_steps+1, num_time_steps*self.m)) for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() for i in range(s+num_time_steps-1, self.n): Y[i-s-num_time_steps+1] = self.raw[i-num_time_steps+1:i+1].copy().flatten() Y = Y[:, -5*self.m:]

我发现这段代码中有两个 for ... Y[j-s-num_time_steps+1] = self.raw[j-num_time_steps+1:j+1].copy().flatten() Y = Y[:, -5*self.m:] 这样修改后，两个循环的变量名就不会冲突了，可以避免一些潜在的错误。

def forward(self, data, org_edge_index): x = data.clone().detach() edge_index_sets = self.edge_index_sets device = data.device batch_num, node_num, all_feature = x.shape x = x.view(-1, all_feature).contiguous() gcn_outs = [] for i, edge_index in enumerate(edge_index_sets): edge_num = edge_index.shape[1] cache_edge_index = self.cache_edge_index_sets[i] if cache_edge_index is None or cache_edge_index.shape[1] != edge_num*batch_num: self.cache_edge_index_sets[i] = get_batch_edge_index(edge_index, batch_num, node_num).to(device) batch_edge_index = self.cache_edge_index_sets[i] all_embeddings = self.embedding(torch.arange(node_num).to(device)) weights_arr = all_embeddings.detach().clone() all_embeddings = all_embeddings.repeat(batch_num, 1) weights = weights_arr.view(node_num, -1) cos_ji_mat = torch.matmul(weights, weights.T) normed_mat = torch.matmul(weights.norm(dim=-1).view(-1,1), weights.norm(dim=-1).view(1,-1)) cos_ji_mat = cos_ji_mat / normed_mat dim = weights.shape[-1] topk_num = self.topk topk_indices_ji = torch.topk(cos_ji_mat, topk_num, dim=-1)[1] self.learned_graph = topk_indices_ji gated_i = torch.arange(0, node_num).T.unsqueeze(1).repeat(1, topk_num).flatten().to(device).unsqueeze(0) gated_j = topk_indices_ji.flatten().unsqueeze(0) gated_edge_index = torch.cat((gated_j, gated_i), dim=0) batch_gated_edge_index = get_batch_edge_index(gated_edge_index, batch_num, node_num).to(device) gcn_out = self.gnn_layers[i](x, batch_gated_edge_index, node_num=node_num*batch_num, embedding=all_embeddings) gcn_outs.append(gcn_out) x = torch.cat(gcn_outs, dim=1) x = x.view(batch_num, node_num, -1) indexes = torch.arange(0,node_num).to(device) out = torch.mul(x, self.embedding(indexes)) out = out.permute(0,2,1) out = F.relu(self.bn_outlayer_in(out)) out = out.permute(0,2,1) out = self.dp(out) out = self.out_layer(out) out = out.view(-1, node_num) return out

这是一个PyTorch模型的前向传播函数，它接受两个参数：data和org_edge_index。该函数使用GCN（图卷积神经网络）来处理输入数据，并返回一个输出张量。具体实现细节可以参考代码中的注释。

from tensorflow.keras import Model from tensorflow.keras.layers import Dense,Flatten,Conv2D,BatchNormalization,Activation,MaxPool2D,Dropout import tensorflow as tf import pandas as pd x_train = pd.read_csv("train_x.csv") x_test = pd.read_csv("test_x.csv") y_train = pd.read_csv("train_y.csv") y_test = pd.read_csv("test_y.csv") x_train = x_train.values x_test = x_test.values y_train = y_train.values y_test = y_test.values class surpred(Model): def __init__(self): super(surpred, self).__init__() self.flatten = Flatten() self.d1 = Dense(16821) self.d2 = Dense(128) self.d3 = Dense(128) self.d5 = Dense(2,activation='softmax') def call(self,x): x1 = self.flatten(x) x2 = self.d1(x1) x3 = self.d2(x2) x4 = self.d3(x3) y = self.d5(x4) return y model=surpred() ##配置训练参数 model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.001), loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),##依概率为输出的结果零logits=TURE metrics=['accuracy'] ) model.fit(x_train,y_train,batch_size=64,epochs=5,validation_data=(x_test,y_test),validation_freq=1) model.summary() model.evaluate(x_test,y_test)。这是我的模型代码，我想把我训练得到的模型第一层网络权重放到一个数组w[]中要怎么做

你可以使用 model.layers[1].get_weights() 获取第一层的权重，其中 model.layers[1] 表示获取模型的第一层（因为 Flatten 层没有权重），然后使用 get_weights() 获取该层的权重。这个函数会返回一个包含两个...
-

underscore.js库功能演示与实践指南

Underscore.js提供了大量集合操作函数，例如each, map, reduce, filter, reject, find, invoke, shuffle, first, rest, last, compact, flatten, without, union, intersection, ...

最新推荐

recommend-type

《CSS样式表行为手册》中文chm最新版本

CSS样式表里重点讲述“行为”功能的一本CHM参考手册，很实用方便，内容也很丰富，收藏一下哦！
recommend-type

1-中国各地区-固定资产投资-房地产开发投资情况（1999-2020年）-社科数据.zip

中国各地区固定资产投资中的房地产开发投资数据集涵盖了1999至2020年的详细统计信息。该数据集包含了全国各城市地级市州的房地产开发投资情况，这些数据对于理解中国城市化进程、经济发展和房地产市场趋势至关重要。数据集中的指标包括年份、地区以及对应的房地产开发投资额（以亿元为单位），这些数据来源于中国区域统计年鉴及各省市统计年鉴。通过这些数据，研究者和决策者可以深入了解不同地区的经济动态，评估房地产市场的健康状况，并据此制定相应的政策和战略。这些数据不仅有助于宏观经济分析，还能为房地产开发商提供市场进入和扩张的决策支持。
recommend-type

1-中国各地区数字经济发展对环境污染的影响数据（2011-2021年）-社科数据.zip

中国各地区数字经济发展对环境污染的影响数据集（2011-2021年）提供了深入分析数字经济与环境污染关系的实证数据。该数据集涵盖了中国各地区在数字经济发展水平、环境污染物排放量、人口与经济指标、外资利用情况以及绿色专利指标等多个维度的数据。具体来说，数据集包括了行政区划代码、年份、所属省份等基本信息，以及数字经济水平熵值法、PM2.5均值、工业烟粉尘排放量、工业二氧化硫排放量、工业废水排放量等关键指标。此外，数据集还涉及了人口密度、人均地区生产总值、实际利用外资额占GDP之比、科学支出占比等经济和人口统计数据，以及绿色专利申请和授权总量等创新指标。这些数据不仅有助于研究者探讨数字经济对环境污染的直接影响，还能分析其潜在的中介机制和影响因素，为理解数字经济如何影响环境质量提供了宝贵的数据资源。
recommend-type

火炬连体网络在MNIST的2D嵌入实现示例

资源摘要信息:"Siamese网络是一种特殊的神经网络，主要用于度量学习任务中，例如人脸验证、签名识别或任何需要判断两个输入是否相似的场景。本资源中的实现例子是在MNIST数据集上训练的，MNIST是一个包含了手写数字的大型数据集，广泛用于训练各种图像处理系统。在这个例子中，Siamese网络被用来将手写数字图像嵌入到2D空间中，同时保留它们之间的相似性信息。通过这个过程，数字图像能够被映射到一个欧几里得空间，其中相似的图像在空间上彼此接近，不相似的图像则相对远离。 具体到技术层面，Siamese网络由两个相同的子网络构成，这两个子网络共享权重并且并行处理两个不同的输入。在本例中，这两个子网络可能被设计为卷积神经网络（CNN），因为CNN在图像识别任务中表现出色。网络的输入是成对的手写数字图像，输出是一个相似性分数或者距离度量，表明这两个图像是否属于同一类别。 为了训练Siamese网络，需要定义一个损失函数来指导网络学习如何区分相似与不相似的输入对。常见的损失函数包括对比损失（Contrastive Loss）和三元组损失（Triplet Loss）。对比损失函数关注于同一类别的图像对（正样本对）以及不同类别的图像对（负样本对），鼓励网络减小正样本对的距离同时增加负样本对的距离。 在Lua语言环境中，Siamese网络的实现可以通过Lua的深度学习库，如Torch/LuaTorch，来构建。Torch/LuaTorch是一个强大的科学计算框架，它支持GPU加速，广泛应用于机器学习和深度学习领域。通过这个框架，开发者可以使用Lua语言定义模型结构、配置训练过程、执行前向和反向传播算法等。 资源的文件名称列表中的“siamese_network-master”暗示了一个主分支，它可能包含模型定义、训练脚本、测试脚本等。这个主分支中的代码结构可能包括以下部分： 1. 数据加载器（data_loader）: 负责加载MNIST数据集并将图像对输入到网络中。 2. 模型定义（model.lua）: 定义Siamese网络的结构，包括两个并行的子网络以及最后的相似性度量层。 3. 训练脚本（train.lua）: 包含模型训练的过程，如前向传播、损失计算、反向传播和参数更新。 4. 测试脚本（test.lua）: 用于评估训练好的模型在验证集或者测试集上的性能。 5. 配置文件（config.lua）: 包含了网络结构和训练过程的超参数设置，如学习率、批量大小等。 Siamese网络在实际应用中可以广泛用于各种需要比较两个输入相似性的场合，例如医学图像分析、安全验证系统等。通过本资源中的示例，开发者可以深入理解Siamese网络的工作原理，并在自己的项目中实现类似的网络结构来解决实际问题。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

L2正则化的终极指南：从入门到精通，揭秘机器学习中的性能优化技巧

![L2正则化的终极指南：从入门到精通，揭秘机器学习中的性能优化技巧](https://img-blog.csdnimg.cn/20191008175634343.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTYxMTA0NQ==,size_16,color_FFFFFF,t_70) # 1. L2正则化基础概念 在机器学习和统计建模中，L2正则化是一个广泛应用的技巧，用于改进模型的泛化能力。正则化是解决过拟
recommend-type

如何构建一个符合GB/T19716和ISO/IEC13335标准的信息安全事件管理框架，并确保业务连续性规划的有效性？

构建一个符合GB/T19716和ISO/IEC13335标准的信息安全事件管理框架，需要遵循一系列步骤来确保信息系统的安全性和业务连续性规划的有效性。首先，组织需要明确信息安全事件的定义，理解信息安全事态和信息安全事件的区别，并建立事件分类和分级机制。 参考资源链接：[信息安全事件管理：策略与响应指南](https://wenku.csdn.net/doc/5f6b2umknn?spm=1055.2569.3001.10343) 依照GB/T19716标准，组织应制定信息安全事件管理策略，明确组织内各个层级的角色与职责。此外，需要设置信息安全事件响应组(ISIRT)，并为其配备必要的资源、
recommend-type

Angular插件增强Application Insights JavaScript SDK功能

资源摘要信息:"Microsoft Application Insights JavaScript SDK-Angular插件" 知识点详细说明： 1. 插件用途与功能： Microsoft Application Insights JavaScript SDK-Angular插件主要用途在于增强Application Insights的Javascript SDK在Angular应用程序中的功能性。通过使用该插件，开发者可以轻松地在Angular项目中实现对特定事件的监控和数据收集，其中包括： - 跟踪路由器更改：插件能够检测和报告Angular路由的变化事件，有助于开发者理解用户如何与应用程序的导航功能互动。 - 跟踪未捕获的异常：该插件可以捕获并记录所有在Angular应用中未被捕获的异常，从而帮助开发团队快速定位和解决生产环境中的问题。 2. 兼容性问题： 在使用Angular插件时，必须注意其与es3不兼容的限制。es3（ECMAScript 3）是一种较旧的JavaScript标准，已广泛被es5及更新的标准所替代。因此，当开发Angular应用时，需要确保项目使用的是兼容现代JavaScript标准的构建配置。 3. 安装与入门： 要开始使用Application Insights Angular插件，开发者需要遵循几个简单的步骤： - 首先，通过npm（Node.js的包管理器）安装Application Insights Angular插件包。具体命令为：npm install @microsoft/applicationinsights-angularplugin-js。 - 接下来，开发者需要在Angular应用的适当组件或服务中设置Application Insights实例。这一过程涉及到了导入相关的类和方法，并根据Application Insights的官方文档进行配置。 4. 基本用法示例： 文档中提到的“基本用法”部分给出的示例代码展示了如何在Angular应用中设置Application Insights实例。示例中首先通过import语句引入了Angular框架的Component装饰器以及Application Insights的类。然后，通过Component装饰器定义了一个Angular组件，这个组件是应用的一个基本单元，负责处理视图和用户交互。在组件类中，开发者可以设置Application Insights的实例，并将插件添加到实例中，从而启用特定的功能。 5. TypeScript标签的含义： TypeScript是JavaScript的一个超集，它添加了类型系统和一些其他特性，以帮助开发更大型的JavaScript应用。使用TypeScript可以提高代码的可读性和可维护性，并且可以利用TypeScript提供的强类型特性来在编译阶段就发现潜在的错误。文档中提到的标签"TypeScript"强调了该插件及其示例代码是用TypeScript编写的，因此在实际应用中也需要以TypeScript来开发和维护。 6. 压缩包子文件的文件名称列表： 在实际的项目部署中，可能会用到压缩包子文件（通常是一些JavaScript库的压缩和打包后的文件）。在本例中，"applicationinsights-angularplugin-js-main"很可能是该插件主要的入口文件或者压缩包文件的名称。在开发过程中，开发者需要确保引用了正确的文件，以便将插件的功能正确地集成到项目中。 总结而言，Application Insights Angular插件是为了加强在Angular应用中使用Application Insights Javascript SDK的能力，帮助开发者更好地监控和分析应用的运行情况。通过使用该插件，可以跟踪路由器更改和未捕获异常等关键信息。安装与配置过程简单明了，但是需要注意兼容性问题以及正确引用文件，以确保插件能够顺利工作。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

L1正则化模型诊断指南：如何检查模型假设与识别异常值（诊断流程+案例研究）

![L1正则化模型诊断指南：如何检查模型假设与识别异常值（诊断流程+案例研究）](https://www.dmitrymakarov.ru/wp-content/uploads/2022/10/lr_lev_inf-1024x578.jpg) # 1. L1正则化模型概述 L1正则化，也被称为Lasso回归，是一种用于模型特征选择和复杂度控制的方法。它通过在损失函数中加入与模型权重相关的L1惩罚项来实现。L1正则化的作用机制是引导某些模型参数缩小至零，使得模型在学习过程中具有自动特征选择的功能，因此能够产生更加稀疏的模型。本章将从L1正则化的基础概念出发，逐步深入到其在机器学习中的应用和优势