android屏蔽tag为INFER_NDK的log.i

如果您想要屏蔽Android中tag为"INFER_NDK"的log.i，则可以使用以下代码：

if (BuildConfig.DEBUG) {
    Log.i("INFER_NDK", "这是一个INFER_NDK的测试日志");
}

在上述代码中，我们首先使用`BuildConfig.DEBUG`检查是否为调试模式。如果是调试模式，那么我们将打印一个tag为"INFER_NDK"的log.i日志。如果您想要屏蔽这个日志，可以将上述代码修改为以下代码：

if (BuildConfig.DEBUG) {
    if (!TextUtils.equals("INFER_NDK", tag)) {
        Log.i(tag, msg);
    }
}

在上述代码中，我们首先使用`BuildConfig.DEBUG`检查是否为调试模式。然后，我们检查日志的tag是否等于"INFER_NDK"，如果不是，则打印该日志。这样，我们就可以屏蔽掉tag为"INFER_NDK"的日志了。

相关问题

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = './archive_test.zip' infer_dst_path = './archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyDNN") model = MyDNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='./archive_test/alexandrite_18.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为：{},真实标签为：{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束")根据这一段代码续写一段利用这个模型进行宝石预测的GUI界面

好的，根据这段代码，我可以为您提供一个基于tkinter库的简单GUI界面，您可以在其中选择待预测的图片，并得到预测结果。以下是续写的代码：

import tkinter as tk
from tkinter import filedialog
from PIL import ImageTk, Image

# 创建窗口
window = tk.Tk()
window.title("宝石预测")
window.geometry("400x400")

# 加载模型参数
para_state_dict = paddle.load("MyDNN")
model = MyDNN()
model.set_state_dict(para_state_dict)
model.eval()

# 加载标签字典
label_dict = train_parameters['label_dict']

# 创建预测函数
def predict():
    # 获取待预测图片路径
    img_path = filedialog.askopenfilename()
    img = Image.open(img_path)

    # 预处理图片
    img = img.resize((224, 224), Image.BILINEAR)
    img = np.array(img).astype('float32')
    img = img.transpose((2, 0, 1))
    img = img / 255
    img = np.array([img])

    # 进行预测
    img = paddle.to_tensor(img)
    out = model(img)
    label = np.argmax(out.numpy())
    result = label_dict[str(label)]

    # 显示预测结果
    result_label.config(text="预测结果：{}".format(result))

    # 显示待预测图片
    img = ImageTk.PhotoImage(Image.open(img_path).resize((200, 200)))
    img_label.config(image=img)
    img_label.image = img

# 创建选择图片按钮
select_button = tk.Button(window, text="选择图片", command=predict)
select_button.pack(pady=20)

# 创建待预测图片区域
img_label = tk.Label(window)
img_label.pack()

# 创建预测结果区域
result_label = tk.Label(window, font=("Helvetica", 16))
result_label.pack(pady=20)

# 进入消息循环
window.mainloop()

您可以将这段代码保存为.py文件并运行，即可启动GUI界面。界面中有一个“选择图片”按钮，您可以点击该按钮选择待预测的图片，程序将会自动对该图片进行预测，并在界面上显示预测结果和待预测图片。

解释一段python代码 def async_inference(self, input_list): """Asynchronous inference""" num_inputs = len(input_list) meta_list = [] for i in range(num_inputs): meta = self._preprocess(input_list[i]) meta_list.append(meta) for i in range(num_inputs): self._model.requests[i].async_infer({self._input_blob: meta_list[i]}) output_queue = list(range(num_inputs)) outputs_list = [[] for _ in range(num_inputs)] while True: for i in output_queue: # Immediately returns a inference status without bloking or interrupting infer_status = self._model.requests[i].wait(0) if infer_status == StatusCode.RESULT_NOT_READY: continue print(f'Infer request {i} returned {infer_status}') if infer_status != StatusCode.OK: return -2 # Read infer request results ort_outs = self._model.requests[i].outputs results = self._postprocess(ort_outs) outputs_list[i] = results output_queue.remove(i) if not output_queue: break return outputs_list

这段Python代码实现了一个异步推理方法，它接受一个输入数据列表input_list作为参数。首先，它获取输入数据的数量num_inputs，并创建一个空列表meta_list用于存储每个输入数据的元数据。

然后，该方法使用一个循环遍历每个输入数据，将其传递给一个名为_preprocess的私有方法进行预处理，并将返回的元数据添加到meta_list中。

接下来，该方法使用另一个循环来遍历每个输入数据，并使用模型对象的requests属性来进行异步推理。在每次推理之后，该方法将输出结果存储在outputs_list中，并将其添加到已完成处理的输出队列output_queue中。如果所有输出结果都已处理完，则该方法退出循环，并返回输出结果列表outputs_list。

需要注意的是，该方法的实现可能需要一些其他的代码来初始化模型对象和输入/输出数据的名称。此外，在异步推理过程中，我们需要保证输出结果的顺序与输入数据的顺序一致。如果输出结果的顺序不正确，则可能会导致推理结果的错误。