学习笔记：AlexNet&Imagenet学习笔记

学习笔记：AlexNet&Imagenet学习笔记

ImageNet(http://www.image-net.org)是李菲菲组的图像库，和WordNet 可以结合使用 （毕业于Caltech；导师：Pietro Perona；主页：http://vision.stanford.edu/~feifeili/） 总共有十万的synset， 其中2010的数据表示，有图像的非空synset是21841，每一类大约1000张图片，图片总数：14197122。

Caffe中训练ImageNet使用的是Alex Krizhevsky的方法（AlexNet），这个有60million参数的模型(简称为AlexNet)，在ILSVRC 2012中赢得了第一名,Top5错误率15.3%。

2013年，Clarifai通过cnn模型可视化技术调整网络架构，赢得了ILSVRC （http://www.clarifai.com/     看八卦 可以看zhihu.com   Filestorm：的一段闲聊： http://zhuanlan.zhihu.com/cvprnet/19821292）。

2014年，google也加入进来，它通过增加模型的层数（总共22层），并且利用multi-scale data training，取得第一名，Top5错误率 6.66%。Google的模型大大增加的网络的深度，并且去掉了最顶层的全连接层：因为全连接层（Fully Connected）几乎占据了CNN大概90%的参数，但是同时又可能带来过拟合（overfitting）的效果。它的模型比以前AlexNet的模型大大缩小，并且减轻了过拟合带来的副作用。Alex模型参数是60M，GoogLeNet只有7M。

2015年，百度用Deep Image,Top5错误率达到5.98% ,它基于GPU，利用36个服务节点开发了一个专为深度学习运算的supercompter(名叫Minwa，敏娲)。这台supercomputer具备TB级的host memory，超强的数据交换能力，训练了一个有100billion参数的巨大的深层神经网络。 （这一系统包含 36 个服务器节点，每一服务器节点配备了 2 颗六核英特尔至强 E5-2620 处理器。每个服务器包含 4 颗英伟达 Tesla K40m GPU，以及 1 个 FDR InfiniBand（速度为 56GB/S）。这带来了高性能、低延时的连接，以及对 RDMA 的支持。每一颗 GPU 的最高浮点运算性能为每秒 4.29 万亿次浮点运算，而每一颗 GPU 也配备了 12GB 的内存。整体来看，Minwa 内置了 6.9TB 的主内存、1.7TB 的设备内存，而理论上的最高性能约为 0.6 千万亿次浮点运算。凭借如此强大的系统，研究人员可以使用与其他深度学习项目不同，或者说更好的训练数据。因此，百度没有使用常见的 256x256 像素图片，而是使用了 512x512 像素图片，并且可以给这些图片添加各种特效，例如色彩调整、增加光晕，以及透镜扭曲等。这样做的目的是使系统学习更多尺寸更小的对象，并在各种环境下识别 对象。）

AlexNet整个模型比起之前我们看到的Cifar10 和LeNet模型相对来说复杂一些， 训练时间是在两台GTX 580 3GB GPUs上进行了5-6天的训练，其中用到了Hinton的改进方法（在全连接层加入ReLU+Dropout）, 对于这个模型，我们首先认定一个完整的卷积层可能包括一层convolution，一层Rectified Linear Units，一层max-pooling，一层normalization。则整个网络结构包括五层卷积层和三层全连接层，网络的最前端是输入图片的原始像素点，最后端是图片的分类结果。

对于每一层网络，具体的网络参数配置如下图所示。InputLayer就是输入图片层，每个输入图片都将被缩放成227*227大小，分rgb三个颜色维度输入。Layer1~ Layer5是卷积层，以Layer1为例，卷积滤波器的大小是11*11，卷积步幅为4，本层共有96个卷积滤波器，本层的输出则是96个55*55大小的图片。在Layer1，卷积滤波后，还接有ReLUs操作和max-pooling操作。Layer6~ Layer8是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器。以Layer6为例，本层的神经元个数为4096个。Layer8的神经元个数为1000个，相当于训练目标的1000个图片类别。

下面的图来自sunbaigui的 博文  http://blog.csdn.net/sunbaigui/article/details/39938097

流程是一致的，不过对于每个值的计算过程 有点不一样。

conv1阶段DFD（data flow diagram）：

2. conv2阶段DFD（data flow diagram）：

3. conv3阶段DFD（data flow diagram）：

4. conv4阶段DFD（data flow diagram）：

5. conv5阶段DFD（data flow diagram）：

6. fc6阶段DFD（data flow diagram）：

7. fc7阶段DFD（data flow diagram）：

8. fc8阶段DFD（data flow diagram）：

然后我调用训练好的模型

MODEL_FILE = ‘../models/bvlc_reference_caffenet/deploy.prototxt‘
PRETRAINED = ‘../models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel‘

获取到预测结果，然后再标签里查找到对应的分类

imagenet_label = caffe_root + ‘data/ilsvrc12/synset_words.txt‘

输入一张猫的图片

输出前五个分类

[‘n02123045 tabby, tabby cat‘ ‘n02127052 lynx, catamount‘
 ‘n02124075 Egyptian cat‘ ‘n07930864 cup‘ ‘n02123159 tiger cat‘]
[281 287 285 968 282]

[html] view plaincopy

  1. input: "data"
  2. input_dim: 10
  3. input_dim: 3
  4. input_dim: 227
  5. input_dim: 227
  6. I0318 02:36:31.173322 15756 net.cpp:358] Input 0 -> data
  7. I0318 02:36:31.173369 15756 net.cpp:56] Memory required for data: 0
  8. I0318 02:36:31.173436 15756 net.cpp:67] Creating Layer conv1
  9. I0318 02:36:31.173446 15756 net.cpp:394] conv1 <- data
  10. I0318 02:36:31.173463 15756 net.cpp:356] conv1 -> conv1
  11. I0318 02:36:31.173481 15756 net.cpp:96] Setting up conv1
  12. I0318 02:36:31.173616 15756 net.cpp:103] Top shape: 10 96 55 55 (2904000)
  13. I0318 02:36:31.173624 15756 net.cpp:113] Memory required for data: 11616000
  14. I0318 02:36:31.173655 15756 net.cpp:67] Creating Layer relu1
  15. I0318 02:36:31.173665 15756 net.cpp:394] relu1 <- conv1
  16. I0318 02:36:31.173679 15756 net.cpp:345] relu1 -> conv1 (in-place)
  17. I0318 02:36:31.173691 15756 net.cpp:96] Setting up relu1
  18. I0318 02:36:31.173697 15756 net.cpp:103] Top shape: 10 96 55 55 (2904000)
  19. I0318 02:36:31.173702 15756 net.cpp:113] Memory required for data: 23232000
  20. I0318 02:36:31.173715 15756 net.cpp:67] Creating Layer pool1
  21. I0318 02:36:31.173722 15756 net.cpp:394] pool1 <- conv1
  22. I0318 02:36:31.173737 15756 net.cpp:356] pool1 -> pool1
  23. I0318 02:36:31.173750 15756 net.cpp:96] Setting up pool1
  24. I0318 02:36:31.173763 15756 net.cpp:103] Top shape: 10 96 27 27 (699840)
  25. I0318 02:36:31.173768 15756 net.cpp:113] Memory required for data: 26031360
  26. I0318 02:36:31.173780 15756 net.cpp:67] Creating Layer norm1
  27. I0318 02:36:31.173787 15756 net.cpp:394] norm1 <- pool1
  28. I0318 02:36:31.173800 15756 net.cpp:356] norm1 -> norm1
  29. I0318 02:36:31.173811 15756 net.cpp:96] Setting up norm1
  30. I0318 02:36:31.173820 15756 net.cpp:103] Top shape: 10 96 27 27 (699840)
  31. I0318 02:36:31.173825 15756 net.cpp:113] Memory required for data: 28830720
  32. I0318 02:36:31.173837 15756 net.cpp:67] Creating Layer conv2
  33. I0318 02:36:31.173845 15756 net.cpp:394] conv2 <- norm1
  34. I0318 02:36:31.173858 15756 net.cpp:356] conv2 -> conv2
  35. I0318 02:36:31.173872 15756 net.cpp:96] Setting up conv2
  36. I0318 02:36:31.174792 15756 net.cpp:103] Top shape: 10 256 27 27 (1866240)
  37. I0318 02:36:31.174799 15756 net.cpp:113] Memory required for data: 36295680
  38. I0318 02:36:31.174818 15756 net.cpp:67] Creating Layer relu2
  39. I0318 02:36:31.174826 15756 net.cpp:394] relu2 <- conv2
  40. I0318 02:36:31.174839 15756 net.cpp:345] relu2 -> conv2 (in-place)
  41. I0318 02:36:31.174849 15756 net.cpp:96] Setting up relu2
  42. I0318 02:36:31.174856 15756 net.cpp:103] Top shape: 10 256 27 27 (1866240)
  43. I0318 02:36:31.174860 15756 net.cpp:113] Memory required for data: 43760640
  44. I0318 02:36:31.174870 15756 net.cpp:67] Creating Layer pool2
  45. I0318 02:36:31.174876 15756 net.cpp:394] pool2 <- conv2
  46. I0318 02:36:31.174890 15756 net.cpp:356] pool2 -> pool2
  47. I0318 02:36:31.174902 15756 net.cpp:96] Setting up pool2
  48. I0318 02:36:31.174912 15756 net.cpp:103] Top shape: 10 256 13 13 (432640)
  49. I0318 02:36:31.174917 15756 net.cpp:113] Memory required for data: 45491200
  50. I0318 02:36:31.174927 15756 net.cpp:67] Creating Layer norm2
  51. I0318 02:36:31.174933 15756 net.cpp:394] norm2 <- pool2
  52. I0318 02:36:31.174947 15756 net.cpp:356] norm2 -> norm2
  53. I0318 02:36:31.174957 15756 net.cpp:96] Setting up norm2
  54. I0318 02:36:31.174967 15756 net.cpp:103] Top shape: 10 256 13 13 (432640)
  55. I0318 02:36:31.174970 15756 net.cpp:113] Memory required for data: 47221760
  56. I0318 02:36:31.174983 15756 net.cpp:67] Creating Layer conv3
  57. I0318 02:36:31.174990 15756 net.cpp:394] conv3 <- norm2
  58. I0318 02:36:31.175004 15756 net.cpp:356] conv3 -> conv3
  59. I0318 02:36:31.175015 15756 net.cpp:96] Setting up conv3
  60. I0318 02:36:31.177199 15756 net.cpp:103] Top shape: 10 384 13 13 (648960)
  61. I0318 02:36:31.177208 15756 net.cpp:113] Memory required for data: 49817600
  62. I0318 02:36:31.177230 15756 net.cpp:67] Creating Layer relu3
  63. I0318 02:36:31.177238 15756 net.cpp:394] relu3 <- conv3
  64. I0318 02:36:31.177252 15756 net.cpp:345] relu3 -> conv3 (in-place)
  65. I0318 02:36:31.177263 15756 net.cpp:96] Setting up relu3
  66. I0318 02:36:31.177268 15756 net.cpp:103] Top shape: 10 384 13 13 (648960)
  67. I0318 02:36:31.177273 15756 net.cpp:113] Memory required for data: 52413440
  68. I0318 02:36:31.177284 15756 net.cpp:67] Creating Layer conv4
  69. I0318 02:36:31.177289 15756 net.cpp:394] conv4 <- conv3
  70. I0318 02:36:31.177302 15756 net.cpp:356] conv4 -> conv4
  71. I0318 02:36:31.177316 15756 net.cpp:96] Setting up conv4
  72. I0318 02:36:31.179213 15756 net.cpp:103] Top shape: 10 384 13 13 (648960)
  73. I0318 02:36:31.179220 15756 net.cpp:113] Memory required for data: 55009280
  74. I0318 02:36:31.179237 15756 net.cpp:67] Creating Layer relu4
  75. I0318 02:36:31.179244 15756 net.cpp:394] relu4 <- conv4
  76. I0318 02:36:31.179258 15756 net.cpp:345] relu4 -> conv4 (in-place)
  77. I0318 02:36:31.179268 15756 net.cpp:96] Setting up relu4
  78. I0318 02:36:31.179275 15756 net.cpp:103] Top shape: 10 384 13 13 (648960)
  79. I0318 02:36:31.179280 15756 net.cpp:113] Memory required for data: 57605120
  80. I0318 02:36:31.179291 15756 net.cpp:67] Creating Layer conv5
  81. I0318 02:36:31.179296 15756 net.cpp:394] conv5 <- conv4
  82. I0318 02:36:31.179309 15756 net.cpp:356] conv5 -> conv5
  83. I0318 02:36:31.179322 15756 net.cpp:96] Setting up conv5
  84. I0318 02:36:31.180598 15756 net.cpp:103] Top shape: 10 256 13 13 (432640)
  85. I0318 02:36:31.180606 15756 net.cpp:113] Memory required for data: 59335680
  86. I0318 02:36:31.180629 15756 net.cpp:67] Creating Layer relu5
  87. I0318 02:36:31.180636 15756 net.cpp:394] relu5 <- conv5
  88. I0318 02:36:31.180649 15756 net.cpp:345] relu5 -> conv5 (in-place)
  89. I0318 02:36:31.180660 15756 net.cpp:96] Setting up relu5
  90. I0318 02:36:31.180665 15756 net.cpp:103] Top shape: 10 256 13 13 (432640)
  91. I0318 02:36:31.180670 15756 net.cpp:113] Memory required for data: 61066240
  92. I0318 02:36:31.180682 15756 net.cpp:67] Creating Layer pool5
  93. I0318 02:36:31.180690 15756 net.cpp:394] pool5 <- conv5
  94. I0318 02:36:31.180703 15756 net.cpp:356] pool5 -> pool5
  95. I0318 02:36:31.180716 15756 net.cpp:96] Setting up pool5
  96. I0318 02:36:31.180726 15756 net.cpp:103] Top shape: 10 256 6 6 (92160)
  97. I0318 02:36:31.180730 15756 net.cpp:113] Memory required for data: 61434880
  98. I0318 02:36:31.180742 15756 net.cpp:67] Creating Layer fc6
  99. I0318 02:36:31.180748 15756 net.cpp:394] fc6 <- pool5
  100. I0318 02:36:31.180760 15756 net.cpp:356] fc6 -> fc6
  101. I0318 02:36:31.180773 15756 net.cpp:96] Setting up fc6
  102. I0318 02:36:31.262177 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  103. I0318 02:36:31.262205 15756 net.cpp:113] Memory required for data: 61598720
  104. I0318 02:36:31.262254 15756 net.cpp:67] Creating Layer relu6
  105. I0318 02:36:31.262269 15756 net.cpp:394] relu6 <- fc6
  106. I0318 02:36:31.262296 15756 net.cpp:345] relu6 -> fc6 (in-place)
  107. I0318 02:36:31.262312 15756 net.cpp:96] Setting up relu6
  108. I0318 02:36:31.262320 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  109. I0318 02:36:31.262325 15756 net.cpp:113] Memory required for data: 61762560
  110. I0318 02:36:31.262341 15756 net.cpp:67] Creating Layer drop6
  111. I0318 02:36:31.262346 15756 net.cpp:394] drop6 <- fc6
  112. I0318 02:36:31.262358 15756 net.cpp:345] drop6 -> fc6 (in-place)
  113. I0318 02:36:31.262369 15756 net.cpp:96] Setting up drop6
  114. I0318 02:36:31.262378 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  115. I0318 02:36:31.262382 15756 net.cpp:113] Memory required for data: 61926400
  116. I0318 02:36:31.262408 15756 net.cpp:67] Creating Layer fc7
  117. I0318 02:36:31.262416 15756 net.cpp:394] fc7 <- fc6
  118. I0318 02:36:31.262430 15756 net.cpp:356] fc7 -> fc7
  119. I0318 02:36:31.262445 15756 net.cpp:96] Setting up fc7
  120. I0318 02:36:31.298831 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  121. I0318 02:36:31.298859 15756 net.cpp:113] Memory required for data: 62090240
  122. I0318 02:36:31.298895 15756 net.cpp:67] Creating Layer relu7
  123. I0318 02:36:31.298908 15756 net.cpp:394] relu7 <- fc7
  124. I0318 02:36:31.298933 15756 net.cpp:345] relu7 -> fc7 (in-place)
  125. I0318 02:36:31.298949 15756 net.cpp:96] Setting up relu7
  126. I0318 02:36:31.298955 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  127. I0318 02:36:31.298960 15756 net.cpp:113] Memory required for data: 62254080
  128. I0318 02:36:31.298974 15756 net.cpp:67] Creating Layer drop7
  129. I0318 02:36:31.298981 15756 net.cpp:394] drop7 <- fc7
  130. I0318 02:36:31.298993 15756 net.cpp:345] drop7 -> fc7 (in-place)
  131. I0318 02:36:31.299003 15756 net.cpp:96] Setting up drop7
  132. I0318 02:36:31.299011 15756 net.cpp:103] Top shape: 10 4096 1 1 (40960)
  133. I0318 02:36:31.299016 15756 net.cpp:113] Memory required for data: 62417920
  134. I0318 02:36:31.299028 15756 net.cpp:67] Creating Layer fc8
  135. I0318 02:36:31.299034 15756 net.cpp:394] fc8 <- fc7
  136. I0318 02:36:31.299046 15756 net.cpp:356] fc8 -> fc8
  137. I0318 02:36:31.299060 15756 net.cpp:96] Setting up fc8
  138. I0318 02:36:31.308233 15756 net.cpp:103] Top shape: 10 1000 1 1 (10000)
  139. I0318 02:36:31.308260 15756 net.cpp:113] Memory required for data: 62457920
  140. I0318 02:36:31.308295 15756 net.cpp:67] Creating Layer prob
  141. I0318 02:36:31.308310 15756 net.cpp:394] prob <- fc8
  142. I0318 02:36:31.308336 15756 net.cpp:356] prob -> prob
  143. I0318 02:36:31.308353 15756 net.cpp:96] Setting up prob
  144. I0318 02:36:31.308372 15756 net.cpp:103] Top shape: 10 1000 1 1 (10000)
  145. I0318 02:36:31.308377 15756 net.cpp:113] Memory required for data: 62497920
  146. I0318 02:36:31.308384 15756 net.cpp:172] prob does not need backward computation.
  147. I0318 02:36:31.308404 15756 net.cpp:172] fc8 does not need backward computation.
  148. I0318 02:36:31.308410 15756 net.cpp:172] drop7 does not need backward computation.
  149. I0318 02:36:31.308415 15756 net.cpp:172] relu7 does not need backward computation.
  150. I0318 02:36:31.308420 15756 net.cpp:172] fc7 does not need backward computation.
  151. I0318 02:36:31.308425 15756 net.cpp:172] drop6 does not need backward computation.
  152. I0318 02:36:31.308430 15756 net.cpp:172] relu6 does not need backward computation.
  153. I0318 02:36:31.308435 15756 net.cpp:172] fc6 does not need backward computation.
  154. I0318 02:36:31.308440 15756 net.cpp:172] pool5 does not need backward computation.
  155. I0318 02:36:31.308445 15756 net.cpp:172] relu5 does not need backward computation.
  156. I0318 02:36:31.308450 15756 net.cpp:172] conv5 does not need backward computation.
  157. I0318 02:36:31.308454 15756 net.cpp:172] relu4 does not need backward computation.
  158. I0318 02:36:31.308459 15756 net.cpp:172] conv4 does not need backward computation.
  159. I0318 02:36:31.308465 15756 net.cpp:172] relu3 does not need backward computation.
  160. I0318 02:36:31.308470 15756 net.cpp:172] conv3 does not need backward computation.
  161. I0318 02:36:31.308473 15756 net.cpp:172] norm2 does not need backward computation.
  162. I0318 02:36:31.308478 15756 net.cpp:172] pool2 does not need backward computation.
  163. I0318 02:36:31.308483 15756 net.cpp:172] relu2 does not need backward computation.
  164. I0318 02:36:31.308488 15756 net.cpp:172] conv2 does not need backward computation.
  165. I0318 02:36:31.308493 15756 net.cpp:172] norm1 does not need backward computation.
  166. I0318 02:36:31.308498 15756 net.cpp:172] pool1 does not need backward computation.
  167. I0318 02:36:31.308502 15756 net.cpp:172] relu1 does not need backward computation.
  168. I0318 02:36:31.308508 15756 net.cpp:172] conv1 does not need backward computation.
  169. I0318 02:36:31.308512 15756 net.cpp:208] This network produces output prob
  170. I0318 02:36:31.308542 15756 net.cpp:467] Collecting Learning Rate and Weight Decay.
  171. I0318 02:36:31.308554 15756 net.cpp:219] Network initialization done.
  172. I0318 02:36:31.308558 15756 net.cpp:220] Memory required for data: 62497920
  173. E0318 02:36:31.683995 15756 upgrade_proto.cpp:611] Attempting to upgrade input file specified using deprecated transformation parameters: ../models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel
  174. I0318 02:36:31.684034 15756 upgrade_proto.cpp:614] Successfully upgraded file specified using deprecated data transformation parameters.
  175. E0318 02:36:31.684039 15756 upgrade_proto.cpp:616] Note that future Caffe releases will only support transform_param messages for transformation fields.
  176. I0318 02:36:31.684048 15756 net.cpp:702] Ignoring source layer data
  177. I0318 02:36:31.684052 15756 net.cpp:705] Copying source layer conv1
  178. I0318 02:36:31.684367 15756 net.cpp:705] Copying source layer relu1
  179. I0318 02:36:31.684375 15756 net.cpp:705] Copying source layer pool1
  180. I0318 02:36:31.684380 15756 net.cpp:705] Copying source layer norm1
  181. I0318 02:36:31.684383 15756 net.cpp:705] Copying source layer conv2
  182. I0318 02:36:31.687021 15756 net.cpp:705] Copying source layer relu2
  183. I0318 02:36:31.687028 15756 net.cpp:705] Copying source layer pool2
  184. I0318 02:36:31.687033 15756 net.cpp:705] Copying source layer norm2
  185. I0318 02:36:31.687038 15756 net.cpp:705] Copying source layer conv3
  186. I0318 02:36:31.694574 15756 net.cpp:705] Copying source layer relu3
  187. I0318 02:36:31.694586 15756 net.cpp:705] Copying source layer conv4
  188. I0318 02:36:31.700258 15756 net.cpp:705] Copying source layer relu4
  189. I0318 02:36:31.700266 15756 net.cpp:705] Copying source layer conv5
  190. I0318 02:36:31.704053 15756 net.cpp:705] Copying source layer relu5
  191. I0318 02:36:31.704062 15756 net.cpp:705] Copying source layer pool5
  192. I0318 02:36:31.704067 15756 net.cpp:705] Copying source layer fc6
  193. I0318 02:36:32.025676 15756 net.cpp:705] Copying source layer relu6
  194. I0318 02:36:32.025704 15756 net.cpp:705] Copying source layer drop6
  195. I0318 02:36:32.025709 15756 net.cpp:705] Copying source layer fc7
  196. I0318 02:36:32.168704 15756 net.cpp:705] Copying source layer relu7
  197. I0318 02:36:32.168730 15756 net.cpp:705] Copying source layer drop7
  198. I0318 02:36:32.168735 15756 net.cpp:705] Copying source layer fc8
  199. I0318 02:36:32.203642 15756 net.cpp:702] Ignoring source layer loss

[‘n02123045 tabby, tabby cat‘ ‘n02127052 lynx, catamount‘
 ‘n02124075 Egyptian cat‘ ‘n07930864 cup‘ ‘n02123159 tiger cat‘]
[281 287 285 968 282]

其他参考：

http://blog.csdn.net/sunbaigui/article/details/39938097

http://dataunion.org/10781.html

http://djt.qq.com/article/view/1245

时间： 2024-08-01 00:53:00

学习笔记：AlexNet&Imagenet学习笔记的相关文章

compass General 常用api学习[Sass和compass学习笔记]

compass 中一些常用api 包括一些浏览器hack @import "compass/utilities/general" Clearfix Clearfix 是用来清除浮动 float 造成的内容问题,以前用clear 方法可以解决,通过查看Clearfix 的源码发现对与高版本的浏览器其实已经可以不用了 ? 1 2 3 4 @mixin clearfix {   overflow: hidden;   @include has-layout; } 用overflow 就可以了

Accelerated C++学习笔记1—&lt;开始学习C++&gt;

第0章 开始学习C++ 1.每次学习一个新的语言,大家都是从Hello, world!开始 // lesson0_1.cpp : 定义控制台应用程序的入口点. //功能:编译并运行Hello,world //时间:2014.5.7 #include "stdafx.h" #include "iostream" using namespace std; int _tmain(int argc, _TCHAR* argv[]) { std::cout<< &

[Linux] 学习笔记之安装学习环境(sshd, lrzsz)

紧接前一篇,在VMWare安装完Linux,这个时候我们要使用远程工具连接到虚拟机上去了,以前一直使用Putty,后来到新公司之后,推荐使用SecureCRT,使用之后,觉得效果不错,但是每次连接都失败,linux新手伤不起,在网上搜啊搜,终于找到解决办法.   搜索了很多资料之后,发现是由于我未在Linux上安装ssh服务导致无法使用SecureCRT连接. 1. 可以使用ssh localhost对此进行测试,具体使用如下: 2. 使用apt-get或者yum安装ssh服务,具体哪种操作系统

iOS学习笔记---c语言学习第七天

结构体 结构体是一种自定义的数据类型 struct 结构体名 { 类型说明符  成员名: … 类型说明符  成员名: }: #import <Foundation/Foundation.h> int main(int argc, const char * argv[]) { struct teacher{ char name[30]; char sex; int age; char course[30]; }; typedef struct teacher Teacher; Teacher c

树莓派学习笔记——GPIO功能学习

树莓派学习笔记——GPIO功能学习

【web开发学习笔记】Struts-Tags学习笔记1 - 通用标签和控制标签

通用标签和控制标签 第一部分:代码 //前端 <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=GB18030" /> <title>Insert title here</title> </head> <body> 访问属性 <a href="<%=contextP

VBA学习笔记之VBA学习思路

进阶的知识点 1. SQL查询语句和ADO2. 正则表达式和网抓3. 窗体与控件4. API 类模块 等等 作者:SOROSay链接:https://www.zhihu.com/question/26078625/answer/132542043来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载请注明出处. 1小时 熟悉数据类型.变量.常量和运算符 1.了解VBA有哪些数据类型 2.知道如何定义变量,了解public/dim/private定义变量时的区别 3.知道如何定义常量

线程异步学习（基于java学习笔记）

一 基本概念的理解 1.1线程中断方法 --interrupt() 当调用一个线程的interrupt方法时候,线程并没有真的被中断,只是对其状态改变,线程会有一个boolean变量isInterrputed.有wait sleep方法会阻塞线程. wait 和sleep方法都会使得线程挂起,阻塞.区别是wait会释放资源,而sleep方法并不会释放资源.一旦执行wait方法后,线程立即被挂起,直到有其他线程调用资源的notify方法.具体参见博客,多线程资源争用问题: http://blog.

【web开发学习笔记】ibatis学习总结

ibatis学习总结 ibatis数据库配置文件 <?xml version="1.0" encoding="UTF-8" ?> <!DOCTYPE sqlMapConfig PUBLIC "-//ibatis.apache.org//DTD SQL Map Config 2.0//EN" "http://ibatis.apache.org/dtd/sql-map-config-2.dtd"> <