windows10+cpu+pycharm跑yolov5

1、安装anaconda和pycharm,安装方法参考:

anaconda和pycharm安装(windows10 )-CSDN博客

2、创建yolov5环境,打开Anaconda Prompt命令打开cmd命令行窗口,如下所示:

输入:conda create -n yolov5,等待一会,输入y,回车。再等待一会,出现done,说明新环境创建成功!如下所示:

输入:conda activate yolov5激活环境,路径前出现(yolov5)就说明激活成功啦!如下所示:

3、下载YOLOv5 github项目,下载地址:https://github.com/ultralytics/yolov5

4、查看一下requirements.txt 里面的内容并下载所有的依赖包,先把清华源设置成默认,如果不修改默认源安装可能很慢,修改安装源方法:

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

然后安装以下包:

pip install tqdm
pip install scipy
pip install pyyaml
pip install matplotlib
pip install opencv-python
pip install requests
pip install seaborn
pip install pandas

5、安装pytorch

先更新源:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

进入官网https://pytorch.org/找到合适的版本,cpu版本如下:

在cmd命令终端输入以下命令安装:

conda install pytorch torchvision torchaudio cpuonly -c pytorch

等待一会,输入y,回车;再等待一会,出现done,说明Pytorch库导入成功。

在cmd命令终端输入以下命令查看pytorch版本:

python
import torch
print(torch,__version__)

版本信息如下所示(由于pytorch更新,版本号可能不同):

6、验证步骤3下载yolov5可运行:

a、进入步骤3下载的yolov5目录:yolov5-master,通过以下命令安装yolov5所需依赖包:
pip install -r requirements.txt。

b、输入:python detect.py,打印如下信息:

在yolov5-master\runs\detect\exp目录下有以下标注图片:

至此yolov5环境安装成功。

(如果报错一般时缺依赖包,可以通过以下两条命令再次安装相关包:

pip install ultralytics
pip install -r requirements.txt)

7、通过pycharm打开yolov5工程,鼠标放在yolov5-master目录上点击右键,选择pycharm打开,如下所示:

8、设置python解释器和conda的环境,点击Python Interpreter,然后点击Add Interpreter进行添加,如下图所示:

弹出以下界面,点击Conda Environment配置conda环境,设置conda.exe文件路径,然后点击ok,如下图所示:

点击Pipenv Environment配置python环境,设置python.exe路径,然后点击ok,如下所示:

环境设置成功后在pycharm软件右下角会显示python.exe对应的环境名称,如下所示:

9、在pycharm终端如下以下命令确认yolov5所需包是否安装全:

pip install -r requirements.txt

如果报缺少包错误就用:pip install + 包名进行安装。英文之前我们在cmd命令行下已经执行过这个命令,到这一步一般不会报错了。

10、验证yolov5在pycharm能正常运行,类似步骤6,在pycharm终端输入以下命令验证pycharm运行yolov5:

python detect.py

和步骤6相同运行成功后会在runs\detect\exp目录下生成对应的标注图片。

至此我们的开发环境准备工作就结束了,万里长城完成了第一步!

下面我们就用以上环境来训练我们的目标检测模型。

1、数据准备:

任何AI模型训练都需要数据,数据准备是模型训练第一步,这也是大数据时代数据的重要性。为了方便对数据进行管理我们在yolov5-master目录下创建如下目录结构:

数据分为测试集数据、验证集数据、测试集数据。三类数据说明可以参考这位博主的博客:

如何正确使用机器学习中的训练集、验证集和测试集?-CSDN博客

(a)训练集数据:

        这里我们以猫的图片作为训练集数据,感谢知乎这位博主的提供的数据下载路径:

猫狗识别之准备数据集 - 知乎 (zhihu.com)

        为了缩短测试时间,仅选取其中的50副猫的图片作为训练数据,放在own_datas\images\train目录下。

(b)验证集数据:

        从下载的图片中选取另外50副作为验证数据,放在own_datas\images\val目录下,这里为了简单直接将train目录下的复制过来

(c)测试数据:

        最后再从下载的图片中选取50副作为测试数据,放在own_datas\images\test目录下。

2、给数据打标签,在Pycharm终端中输入:pip install pyqt5 labelme安装相关库,这两个库是用来给数据集打标签的。

安装完成后,在终端输入labelme,回车,弹出以下界面:

点击目录,选择own_datas\images\train目录,就会出现训练集里的图片。右键选择创建矩形,框出图片里的猫。如下图所示:

框选结束后,输入标签名cat,点击ok,这个标签就保存下来了。如果有多只猫猫,就继续框选。整张图片框选完毕后,点击下一副,根据提示把标注文件保存到路径yolov5-master\own_datas\labels\json中,文件的格式是.json。所有图片标注完毕后,可以在yolov5-master\own_datas\labels\json文件夹中看到与训练集图片数量相同且对应的50个.json文件。

3、将jason文件转换成.txt文件,因为yolov5只能识别.txt格式的标签,还需要把.json文件转换成.txt文件。在yolov5-master文件夹中新建json2txt.py文件,文件类容如下:

import json
import osname2id = {'cat': 0}  # 标签名称def convert(img_size, box):dw = 1. / (img_size[0])dh = 1. / (img_size[1])x = (box[0] + box[2]) / 2.0 - 1y = (box[1] + box[3]) / 2.0 - 1w = box[2] - box[0]h = box[3] - box[1]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)def decode_json(json_floder_path, json_name):txt_name = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/txt/' + json_name[0:-5] + '.txt'# txt文件夹的绝对路径txt_file = open(txt_name, 'w+')json_path = os.path.join(json_floder_path, json_name)data = json.load(open(json_path, 'r', encoding='gb2312', errors='ignore'))img_w = data['imageWidth']img_h = data['imageHeight']for i in data['shapes']:label_name = i['label']if (i['shape_type'] == 'rectangle'):x1 = int(i['points'][0][0])y1 = int(i['points'][0][1])x2 = int(i['points'][1][0])y2 = int(i['points'][1][1])bb = (x1, y1, x2, y2)bbox = convert((img_w, img_h), bb)txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')if __name__ == "__main__":json_floder_path = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/json'# json文件夹的绝对路径json_names = os.listdir(json_floder_path)for json_name in json_names:decode_json(json_floder_path, json_name)
需要将其中以下两行改成自己的.txt文件存放路径和.json文件存放路径。
txt_name = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/txt/' + json_name[0:-5] + '.txt'
json_floder_path = 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/json'

运行json2txt.py,结束后可以在yolov5-master\own_datas\labels\txt文件夹中看到对应的50个.txt文件。把txt文件夹中的文件全部复制到yolov5-master\own_datas\labels\train文件夹中。或者将上面的txt文件夹改成train= 'C:/work/anaconda3_workspace/yolov5-master/own_datas/labels/train/' + json_name[0:-5] + '.txt'。

用同样的方法生成val目录下的验证数据集的标签,将标签文件拷贝到:

yolov5-master\own_datas\labels\val目录下。

(注意:标签目录需要和数据集目录相同,否则会报无标签错误)

4、修改配置文件

(a)修改数据集配置文件:

        在yolov5-master\data路径下找到coco128.yaml文件,复制到yolov5-master\own_datas路径下,改名为cat.yaml。修改成以下类容:

path: own_datas # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: images/test # test images (optional)nc: 1  # number of classes
names: ['cat']  # class names

内容说明:

path:数据集根目录

train:训练数据集相对根目录路径

val:验证数据集相对根目录路径

test:测试数据集相对根目录路径,因为测试是可以指定测试数据,因此这里也可以不设置

也可以不设置根目录,将其他目录设置成相对yolov5-master目录的路径,如下所示:

#path: own_datas # dataset root dir
train: own_datas/images/train # train images (relative to 'path') 128 images
val: iown_datas/mages/val # val images (relative to 'path') 128 images
test: own_datas/images/test # test images (optional)nc: 1  # number of classes
names: ['cat']  # class names

nc:标签数,这里只有一个

names:标签名,这里只有'cat'

(b)修改模型参数配置文件

在yolov5-master\models路径下找到yolov5s.yaml文件,同样复制到yolov5-master\own_datas路径下。选择yolov5s是因为,虽然它效果不太好,但是速度比较快。

打开yolov5s.yaml文件,需要修改的是这一行:

nc: 1  # number of classes

将标签数修改成1。

5、修改train.py训练执行文件

(a)修改parse_opt函数中以下红色标记行:

def parse_opt(known=False):"""Parses command-line arguments for YOLOv5 training, validation, and testing."""parser = argparse.ArgumentParser()parser.add_argument("--weights", type=str, default=ROOT / "yolov5s.pt", help="initial weights path")parser.add_argument("--cfg", type=str, default=ROOT / "own_datas/yolov5s.yaml", help="model.yaml path")parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="dataset.yaml path")parser.add_argument("--hyp", type=str, default=ROOT / "data/hyps/hyp.scratch-low.yaml", help="hyperparameters path")parser.add_argument("--epochs", type=int, default=100, help="total training epochs")parser.add_argument("--batch-size", type=int, default=16, help="total batch size for all GPUs, -1 for autobatch")parser.add_argument("--imgsz", "--img", "--img-size", type=int, default=640, help="train, val image size (pixels)")parser.add_argument("--rect", action="store_true", help="rectangular training")parser.add_argument("--resume", nargs="?", const=True, default=False, help="resume most recent training")parser.add_argument("--nosave", action="store_true", help="only save final checkpoint")parser.add_argument("--noval", action="store_true", help="only validate final epoch")parser.add_argument("--noautoanchor", action="store_true", help="disable AutoAnchor")parser.add_argument("--noplots", action="store_true", help="save no plot files")parser.add_argument("--evolve", type=int, nargs="?", const=300, help="evolve hyperparameters for x generations")parser.add_argument("--evolve_population", type=str, default=ROOT / "data/hyps", help="location for loading population")parser.add_argument("--resume_evolve", type=str, default=None, help="resume evolve from last generation")parser.add_argument("--bucket", type=str, default="", help="gsutil bucket")parser.add_argument("--cache", type=str, nargs="?", const="ram", help="image --cache ram/disk")parser.add_argument("--image-weights", action="store_true", help="use weighted image selection for training")parser.add_argument("--device", default="", help="cuda device, i.e. 0 or 0,1,2,3 or cpu")parser.add_argument("--multi-scale", action="store_true", help="vary img-size +/- 50%%")parser.add_argument("--single-cls", action="store_true", help="train multi-class data as single-class")parser.add_argument("--optimizer", type=str, choices=["SGD", "Adam", "AdamW"], default="SGD", help="optimizer")parser.add_argument("--sync-bn", action="store_true", help="use SyncBatchNorm, only available in DDP mode") parser.add_argument("--workers", type=int, default=8, help="max dataloader workers (per RANK in DDP mode)")parser.add_argument("--project", default=ROOT / "runs/train", help="save to project/name")parser.add_argument("--name", default="exp", help="save to project/name")parser.add_argument("--exist-ok", action="store_true", help="existing project/name ok, do not increment")parser.add_argument("--quad", action="store_true", help="quad dataloader")parser.add_argument("--cos-lr", action="store_true", help="cosine LR scheduler")parser.add_argument("--label-smoothing", type=float, default=0.0, help="Label smoothing epsilon")parser.add_argument("--patience", type=int, default=100, help="EarlyStopping patience (epochs without improvement)")parser.add_argument("--freeze", nargs="+", type=int, default=[0], help="Freeze layers: backbone=10, first3=0 1 2")parser.add_argument("--save-period", type=int, default=-1, help="Save checkpoint every x epochs (disabled if < 1)")parser.add_argument("--seed", type=int, default=0, help="Global training seed")parser.add_argument("--local_rank", type=int, default=-1, help="Automatic DDP Multi-GPU argument, do not modify")# Logger argumentsparser.add_argument("--entity", default=None, help="Entity")parser.add_argument("--upload_dataset", nargs="?", const=True, default=False, help='Upload data, "val" option')parser.add_argument("--bbox_interval", type=int, default=-1, help="Set bounding-box image logging interval")parser.add_argument("--artifact_alias", type=str, default="latest", help="Version of dataset artifact to use")# NDJSON loggingparser.add_argument("--ndjson-console", action="store_true", help="Log ndjson to console")parser.add_argument("--ndjson-file", action="store_true", help="Log ndjson to file")return parser.parse_known_args()[0] if known else parser.parse_args()

修改说明:

parser.add_argument("--cfg", type=str, default=ROOT / "own_datas/yolov5s.yaml", help="model.yaml path")(指定模型配置文件)。

parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="dataset.yaml path")(指定数据集配置文件)

parser.add_argument("--epochs", type=int, default=100, help="total training epochs") (指定训练轮数,最好设置成大于100次,训练次数太少可能导致模型无效)

parser.add_argument("--workers", type=int, default=8, help="max dataloader workers (per RANK in DDP mode)") (设置训练线程数,根据硬件配置设置,我笔记本配置比较低,如下所示,设置成8,如果电脑配置比较好,可以设置成16,如果运行train.py时退出可以设小点,还不行就设置成0)

6、修改完后就可以运行train.py进行模型训练了。

如果报以下错误:

C:\work\anaconda3\envs\yolov5\python.exe C:\work\anaconda3_workspace\yolov5-master\train.py 
Traceback (most recent call last):
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 140, in <module>
    refresh()
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 127, in refresh
    if not Git.refresh(path=path):
           ^^^^^^^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\cmd.py", line 455, in refresh
    raise ImportError(err)
ImportError: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh()

All git commands will error until this is rectified.

This initial message can be silenced or aggravated in the future by setting the
$GIT_PYTHON_REFRESH environment variable. Use one of the following values:
    - quiet|q|silence|s|silent|none|n|0: for no message or exception
    - warn|w|warning|log|l|1: for a warning message (logged at level CRITICAL, displayed by default)
    - error|e|exception|raise|r|2: for a raised exception

Example:
    export GIT_PYTHON_REFRESH=quiet


The above exception was the direct cause of the following exception:

Traceback (most recent call last):
  File "C:\work\anaconda3_workspace\yolov5-master\train.py", line 104, in <module>
    GIT_INFO = check_git_info()
               ^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3\envs\yolov5\Lib\contextlib.py", line 81, in inner
    return func(*args, **kwds)
           ^^^^^^^^^^^^^^^^^^^
  File "C:\work\anaconda3_workspace\yolov5-master\utils\general.py", line 401, in check_git_info
    import git
  File "C:\work\anaconda3\envs\yolov5\Lib\site-packages\git\__init__.py", line 142, in <module>
    raise ImportError("Failed to initialize: {0}".format(_exc)) from _exc
ImportError: Failed to initialize: Bad git executable.
The git executable must be specified in one of the following ways:
    - be included in your $PATH
    - be set via $GIT_PYTHON_GIT_EXECUTABLE
    - explicitly set via git.refresh()

All git commands will error until this is rectified.

This initial message can be silenced or aggravated in the future by setting the
$GIT_PYTHON_REFRESH environment variable. Use one of the following values:
    - quiet|q|silence|s|silent|none|n|0: for no message or exception
    - warn|w|warning|log|l|1: for a warning message (logged at level CRITICAL, displayed by default)
    - error|e|exception|raise|r|2: for a raised exception

解决方式:

在train.py中添加以下类容:

正常运行信息如下:

上图表示正在进行第一轮训练,训练时间比较久,先去干点别的吧...

等了差不多一个半小时后显示如下:

表示训练结束,生成的相关文件保存在:yolov5-master\runs\train\exp目录下。如果是第一次训练目录为yolov5-master\runs\train\exp,每运行一次train.py,序号加1。生成的模型文件为:runs/train/exp4/weights/best.pt。

7、测试模型

打开detect.py文件,修改如下红色标记行:

def parse_opt():"""Parses command-line arguments for YOLOv5 detection, setting inference options and model configurations."""parser = argparse.ArgumentParser()parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp/weights/best.pt", help="model path or triton URL") parser.add_argument("--source", type=str, default=ROOT / "own_datas/images/test", help="file/dir/URL/glob/screen/0(webcam)")parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="(optional) dataset.yaml path")

修改说明:

parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "runs/train/exp4/weights/best.pt", help="model path or triton URL")(设置训练出来的模型文件)

arser.add_argument("--source", type=str, default=ROOT / "own_datas/images/test", help="file/dir/URL/glob/screen/0(webcam)") (设置测试文件存放位置)

parser.add_argument("--data", type=str, default=ROOT / "own_datas/cat.yaml", help="(optional) dataset.yaml path") (设置数据配置文件,也可以不该直接采用data目录下的coco128.yaml文件)

运行detect.py,运行结束后会在yolov5-master\runs\detect\exp目录下生成标注图片。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/735147.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

android pdf框架-6,文本生成pdf

前文介绍如何使用图片生成pdf,这里介绍如何使用文本生成pdf 使用mupdf生成 mupdf生成的pdf略大,字体可以自定义. 生成的代码不复杂,也有好几种,以story的方式生成为例 fun createPdfFromText(sourcePath: String, destPath: String): Boolean {val text EncodingDetect.rea…

【大模型】Hugging Face下载大模型的相关文件说明

Hugging Face下载大模型文件说明 1.前言 ​ 上图是毛毛张在HuggingFace的官网上的ChatGLM-6B大模型的所有文件,对于初学者来说,对于上面的文件是干什么的很多小伙伴是很迷糊的,根本不知道是干什么的,毛毛张接下来将简单讲述一下上面的每个文件的作用。 2.文件说明 在Hug…

FL Studio21最新官方完整免费版水果音乐制作软件下载

作为音乐制作软件专家&#xff0c;对于FL Studio21这款功能强大的音乐制作软件有着深入的了解&#xff0c;它为用户提供了从创作到后期制作的完整工作流程。以下是对其各项功能的全面、准确且详细的介绍&#xff1a; FL Studio 21 Win-安装包下载如下: https://wm.makeding.c…

vue项目部署服务器,因为跨域设置nginx.config要修改的配置

下面是我在vue项目中vite.config.js设置的配置代理 对于部署项目需要使用nginx进行vue项目的话&#xff0c;需要对nginx的配置文件进行如下修改即可

linux操作系统虚拟机的环境配置

目录 一、虚拟机安装&#xff08;类似硬件的安装&#xff09; &#xff08;1&#xff09;创建虚拟机 &#xff08;2&#xff09;创建虚拟机 二、IP和主机名称配置 1、设置VM上的IP 2、设置我们电脑上VMnet8的IP 3、设置虚拟机上的IP 主机名称映射 以下是设置主机名映射…

linux系统adb调试工具

adb的全称为Android Debug Bridge&#xff0c;就是起到调试桥的作用。通过adb可以在Eclipse中通过DDMS来调试Android程序&#xff0c;说白了就是调试工具。 adb的工作方式比较特殊&#xff0c;采用监听Socket TCP 5554等端口的方式让IDE和Qemu通讯&#xff0c;默认情况下adb会…

实时工业控制系统的创新整合:PLC4X与CnosDB的高效数据采集与存储

在当代工业自动化系统中&#xff0c;实时监测和数据分析变得至关重要。本文将介绍如何通过集成Apache PLC4X与CnosDB&#xff0c;实现对工业控制系统中的PLC设备进行高效数据采集和存储&#xff0c;为工程师们提供更强大的数据分析和监测工具。 PLC的定义 PLC是可编程逻辑控制…

哈希表|242.有效的字母异位词

力扣题目链接 bool isAnagram(char* s, char* t) {int len_s strlen(s), len_t strlen(t);if(len_s ! len_t) {return false;}int table[26];memset(table, 0, sizeof(table));for(int i 0; i < len_s; i) {table[s[i] - a];}for(int i 0; i < len_t; i) {table[t[i…

Unity中使用代码动态修改URP管线下的标准材质是否透明

//修改为透明 material.SetFloat("_Surface",1.0f); material.SetInt("_SrcBlend", (int)UnityEngine.Rendering.BlendMode.One); material.SetInt("_DstBlend", (int)UnityEngine.Rendering.BlendMode.OneMinusSrcAlpha); material.Set…

Unity 关节:铰链、弹簧、固定、物理材质:摩檫力、 特效:拖尾、

组件-物理-关节&#xff1a;铰链&#xff08;类似门轴&#xff09; 自动动作、多少力可以将其断开、 弹簧可以连接另一个刚体&#xff08;拖动即可&#xff09; 固定一般是等待一个断裂力&#xff0c;造成四分五裂的效果。 物理材质 设置摩檫力&#xff0c;则可以创造冰面的…

复制表

目录 复制表 将部门 30 的所有员工信息保存在 emp30 表中 将复杂查询结果创建为表 只将 emp 表的结构复制为 empnull 表 从入门到总裁:​​​​​​https://blog.csdn.net/weixin_67859959/article/details/135209645 复制表 严格来说&#xff0c;复制表不是复制操作&am…

【NR 定位】3GPP NR Positioning 5G定位标准解读(七)- GNSS定位方法

前言 3GPP NR Positioning 5G定位标准&#xff1a;3GPP TS 38.305 V18 3GPP 标准网址&#xff1a;Directory Listing /ftp/ 【NR 定位】3GPP NR Positioning 5G定位标准解读&#xff08;一&#xff09;-CSDN博客 【NR 定位】3GPP NR Positioning 5G定位标准解读&#xff08;…

Java积累

文章目录 java积累IDEA快捷键 java积累 Arrays.asList(args)&#xff1a; 将args转为列表的形式输出 常犯的错误&#xff1a;经常直接就new新的了。应该用上面的的。 new Date()是年月日时分秒。 LocalDate.now()是年月日 IDEA快捷键 Ctrl Alt B : 显示实现该类或者接口…

Linux acl权限

linux的权限非常重要&#xff0c;我们之前所说的几种权限中&#xff0c;但是并不能只针对一个用户或者一个组进行单独设置&#xff0c;而ACL权限可以帮助我们实现这个功能&#xff0c;比如说有一个文件的所有者和所有者组都是a&#xff0c;这个文件的权限是660&#xff0c;我可…

LeetCode 2917. 返回 nums 的 K-or 值。(通过JavaScript实现)

给你一个下标从 0 开始的整数数组 nums 和一个整数 k 。 nums 中的 K-or 是一个满足以下条件的非负整数&#xff1a; 只有在 nums 中&#xff0c;至少存在 k 个元素的第 i 位值为 1 &#xff0c;那么 K-or 中的第 i 位的值才是 1 。 返回 nums 的 K-or 值。 注意 &#xff…

01hadoop概念

大数据与Hadoop 大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合&#xff0c;需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 Hadoop是什么&#xff1f; Hadoop是一种分析和处理海量数据的…

2024年掌握人工智能的顶级课程

[AI 课程推荐] 谷歌、微软、哈佛大学, DeepLearning.AI都发布了免费的人工智能和ChatGPT的课程。 以下是 2024 年掌握人工智能的顶级课程: GOOGLE - 生成式人工智能学习路径微软- 为每个人提供生成式人工智能微软 - 人工智能初学者入门哈佛 - CS50 的 Python 人工智能简介Deep…

论文阅读--A Survey of Meta-Reinforcement Learning

论文概述 本文是一篇关于元强化学习&#xff08;Meta Reinforcement Learning&#xff09;的综述。元强化学习是将改进强化学习算法的发展看作是一个机器学习问题的方法&#xff0c;通过在给定任务分布的情况下学习一个能够适应任何新任务的策略&#xff0c;来提高强化学习算法…

mysql的安装启动

下载 2.解压后放在某个目录下&#xff1a; 3.修改系统变量 4.修改配置文件 &#xff08;创建一个ini文件放在解压后的目录下&#xff09; 内容如下 5.初始化mysql 1.用管理员模式下输入&#xff1a; mysqld --initialize --console C:\WINDOWS\system32>mysqld --initia…

今天就分享一下如何提前前端游戏的效率工作问题(自己工作经验得出来的)

比如给到一个新的功能&#xff0c;涉及的逻辑可能简单可能复杂&#xff0c;无论是哪一种&#xff0c;你都要做以下这几点我个人是觉得可以提升效率这一块的... 第一&#xff1a;你做的时候或者做的过程中如果遇到问题卡你半个小时以上的&#xff0c;那么这个你千万不要在埋头苦…