x48

选择“虚拟机”-->”安装Vmware Tools” 选择“是”以及RH中提示界面 使用命令行安装 创建临时安装目录并解压安装文件到指定目录 mkdir tmp cd /tmp mkdir vmtools cd /media/VMware Tools/ tar -zxvf VMwareTools-9.6.0-1294478.tar.gz -C /tmp/vmtools/ 执行安装，按提示选择默认 [root@master vmtools]# cd /tmp/vmtools/vmware-tools-distrib/ [root@master vmware-tools-distrib]# ls bin doc etc FILES INSTALL installer lib vmware-install.pl [root@master vmware-tools-distrib]# ./vmware-install.pl Creating a new VMware Tools installer database using the tar4 format. Installing VMware Tools. In which directory do you want to install the binary files? [/usr/bin] What is the

文章目录 　　 一、项目背景 　　 二、数据处理 　　　　 1、标签与特征分离 　　　　 2、数据可视化 　　　　 3、训练集和测试集 　　 三、模型搭建 　　 四、模型训练 　　 五、完整代码 一、项目背景 数据集cnn_train.csv包含人类面部表情的图片的label和feature。在这里，面部表情识别相当于一个分类问题，共有7个类别。 其中label包括7种类型表情： 一共有28709个label，说明包含了28709张表情包嘿嘿。 每一行就是一张表情包48*48=2304个像素，相当于4848个灰度值(intensity)(0为黑, 255为白) 二、数据处理 　　 1、标签与特征分离 　　　　这一步为了后面方便读取数据集，对原数据进行处理，分离后分别保存为cnn_label.csv和cnn_data.csv. # cnn_feature_label.py 将label和像素数据分离 import pandas as pd path = ' cnn_train.csv ' # 原数据路径 # 读取数据 df = pd.read_csv(path) # 提取label数据 df_y = df[[ ' label ' ]] # 提取feature（即像素）数据 df_x = df[[ ' feature ' ]] # 将label写入label.csv df_y.to

//=============================================================================================================================================== // VIC Total Active Freq Offset Sync // Polarity H V H V pixclk V H V H V //=============================================================================================================================================== {VFMT_CEA_02_720x480P_60HZ, ProgrVNegHNeg, 858, 525, 720, 480, 2700, 6000, 122, 36, 62, 6}, // 2 - 720 x 480p@60 {VFMT_CEA_04_1280x720P_60HZ, ProgrVPosHPos, 1650, 750, 1280, 720, 7425, 6000, 260, 25, 40, 5}, // 4 - 1280 x 720p@60Hz

作者：cynic 原文链接：https://testerhome.com/topics/20436 开篇 从抖音、火山、快手等短视频app的不断流行，越来越多的人开始自己制作视频。由于本人工作原因，也是以视频剪辑app为主的测试，在工作过程中，对于视音频的一些知识需要有所理解。 本文主要介绍视频技术相关知识概念。像素、分辨率、色彩空间、帧速率、码率、比特率、编码方式、封装格式。。。。对于视频文件的相关术语，在非专业人员看来都是一些搞不清楚的词汇。希望通过本文，可以对视频中提及的相关术语能够有更加深刻的理解。 一个视频文件，可以简单理解为由一系列的图片拼接组合而成的文件，在介绍视频之前，先从一张图片开始。 像素 一个图像可以视作一个二维矩阵。如果将色彩考虑进来，我们可以做出推广：将这个图像视作一个三维矩阵——多出来的维度用于储存色彩信息。 如果我们选择三原色（红、绿、蓝）代表这些色彩，这就定义了三个平面：第一个是红色平面，第二个是绿色平面，最后一个是蓝色平面。 我们把这个矩阵里的每一个点称为像素（图像元素）。像素的色彩由三原色的强度（通常用数值表示）表示。例如，一个红色像素是指强度为 0 的绿色，强度为 0 的蓝色和强度最大的红色。粉色像素可以通过三种颜色的组合表示。如果规定强度的取值范围是 0 到 255，红色 255、绿色 192、蓝色 203 则表示粉色。

最近我们线上有个应用服务器有点上头，CPU 总能跑到 99%，我寻思着它流量也不大啊，为啥能把自己整这么累？于是我登上这台服务器，看看它到底在干啥！ 以前碰到类似问题，可能会考虑使用top -Hp 加 jstack命令去排查，虽然能大致定位到问题范围，但有效信息还是太少了，多数时候还是要靠猜。 申请阿里云服务时，可以使用 2000元阿里云代金券 ，阿里云官网领取网址： https://dashi.aliyun.com/site/yun/youhui 今天向大家推荐一款更高效更精准的工具：Arthas！ Arthas 是 Alibaba 开源的 Java 诊断工具，能够帮助我们快速定位线上问题。基本的安装使用可以参考官方文档： https://alibaba.github.io/arthas 这次我们利用它来排查 CPU 负载高的问题。 CPU 负载过高一般是某个或某几个线程有问题，所以我们尝试使用第一个命令：thread，这个命令会显示所有线程的信息，并且把 CPU 使用率高的线程排在前面。 [arthas@384]$ thread Threads Total: 112, NEW: 0, RUNNABLE: 26, BLOCKED: 0, WAITING: 31, TIMED_WAITING: 55, TERMINATED: 0 ID NAME STATE %CPU TIME

一、项目说明 　　给定数据集train.csv，要求使用卷积神经网络CNN，根据每个样本的面部图片判断出其表情。在本项目中，表情共分7类，分别为：（0）生气，（1）厌恶，（2）恐惧，（3）高兴，（4）难过，（5）惊讶和（6）中立（即面无表情，无法归为前六类）。所以，本项目实质上是一个7分类问题。 数据集介绍： 　　（1）、CSV文件，大小为28710行X2305列； 　　（2）、在28710行中，其中第一行为描述信息，即“label”和“feature”两个单词，其余每行内含有一个样本信息，即共有28709个样本； 　　（3）、在2305列中，其中第一列为该样本对应的label，取值范围为0到6。其余2304列为包含着每个样本大小为48X48人脸图片的像素值（2304=48X48），每个像素值取值范围在0到255之间； 　　（4）、数据集地址： https://pan.baidu.com/s/1hwrq5Abx8NOUse3oew3BXg ，提取码：ukf7 。 二、思路分析及代码实现 　　给定的数据集是csv格式的，考虑到图片分类问题的常规做法，决定先将其全部可视化，还原为图片文件再送进模型进行处理。 　　借助深度学习框架Pytorch1.0 CPU（穷逼）版本，搭建模型，由于需用到自己的数据集，因此我们需要重写其中的数据加载部分，其余用现成的API即可。 　

之前虽然也了解一丢丢的 Faster RCNN，但却一直没用过，因此一直都是一知半解状态。这里结合书中描述和 PyTorch 官方代码来好好瞅瞅。 论文: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Feature Pyramid Networks for Object Detection 一. 总览 Faster RCNN 从功能模块来看，可大致分为 特征提取 ， RPN ， RoI Pooling ， RCNN 四个模块，这里代码上选择了 ResNet50 + FPN 作为主干网络： model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=False) 1.1 特征提取 这里不用多说，就是选个合适的 Backbone 罢了，不过为了提升特征的判决性，一般会采用 FPN 的结构（自下而上、自上而下、横向连接、卷积融合）。 1.2 RPN 这部分其实可以看成 One-Stage 检测器的检测输出部分。实际上对于只检测一类目标来说，可以直接拿去用了。RPN 在 Faster RCNN 中的作用是，结合先验的 Anchor，将背景和前景区分开来（二分类），这样的话大量的先验 Anchor

from: https://blog.csdn.net/JIEJINQUANIL/article/details/50341765 1、 Vedio and Image Datasets Index 这个网址提供了大量的视频和图像的数据库下载索引，并有相应的介绍，强烈推荐！大家慢慢去找寻自己的惊喜吧 2、 CV Datasets on the web 这里主要有检测、分类、识别、追踪(tracking)、分割、显著性检测、视频监测……内容特别丰富，强烈推荐！ 3、 FIR Sequence. Pedestrian Dataset 里面又有好几种数据库可以下载：CVC Virtual Pedestrian Dataset、CVC-01Pedestrian Dataset、CVC-02 PedestrianDataset一直到09的都有。 4、 Penn-Fudan Database for Pedestrian Detection and Segmentation 用于行人检测的数据库，里面的图片都取材于校园和城市街区，每一幅图片至少有一个行人。 5、 Caltech Pedestrian Detection Benchmark The Caltech Pedestrian Dataset consists of approximately10 hours of 640x480

　　大家好，我是痞子衡，是正经搞技术的痞子。今天痞子衡给大家分享的是 i.MXRT1170上LCD花屏显示问题的分析解决经验 。 　　痞子衡最近这段时间在参与一个基于i.MXRT1170的大项目（先保个密），需要做一个开机动画功能，板子连接的LCD屏分辨率是1280x480，因为开机动画要求达到30fps，并且要画质清晰，如果是从SD卡里读mp4或者jpeg去解码，这么高分辨率的图像（暂不考虑低分辨率的图片再用PXP模块去拉伸的方案）解码耗时比较长，恐怕难以达成30fps，所以痞子衡打算直接把图片的裸rgb数据事先存在Flash里，然后LCD模块直接去刷Flash里的数据去显示。 　　板子上的SPI NOR Flash有两种，默认是八线DDR高性能Flash，还有一个可选的四线SDR普通Flash，痞子衡做好的代码在默认高性能Flash上跑得没问题，换到另一块rework为普通四线Flash上就出问题了，显示完全是花屏，没有一点图片的影子，到底是怎么回事？跟着痞子衡一起去发现答案吧。 一、项目板卡简图 　　先来看一下这个项目板卡简图，简图里只示意了痞子衡今天要分享的LCD问题相关的器件，显示屏是TM103XDKP13控制器驱动的LVDS接口屏，跟i.MXRT连接的话需要有一个RGB2LVDS转接。Flash都是选的旺宏的，一个是MX25UW51345（200MHz,8bit,DDR

OCS2007R2 部署之一软硬件环境准备 微软在今年6月发布了OCS2007R2,全称Microsoft Office Communications Server 2007 R2作为微软众多R2产品中的一员,相信不是简单的升级而已,R2新增很多功能 Communicator 2007 R2 提供了几种新功能，其中某些功能需要部署其他 Office Communications Server 2007 服务器角色。 新增呼叫功能 。无需其他服务器角色。使用备用电话号码邀请参与者；在呼叫期间使用键盘；将号码复制并粘贴到拨号盘中。 联系人列表增强功能 。无需其他服务器角色。按字母顺序对联系人进行排序，显示代理人或者显示您的团队呼叫组。搜索对应于响应组的联系人，然后将该联系人添加到联系人列表中。 “仅限电话”联系人 。无需其他服务器角色。将电话号码添加到联系人列表中以便于快速呼叫（例如，添加朋友和家人的电话号码）。 语音邮件增强功能 。无需其他服务器角色。直接访问联系人的语音邮件，或者更改语音邮件问候语。 呼叫委派 。无需其他服务器角色。选择一位或多位助理（代理）接听您的来电。代理必须使用 Office Communicator 2007 R2 Attendant 而非 Communicator。 团队呼叫 。无需其他服务器角色。设置一组可以接听您的来电的联系人。 电话拨入式音频会议