如何同时将hexo代码部署到GitHub以及coding上
1 安装插件1npm install hexo-deployer-git --save
2 修改配置文件修改hexo根目录下的_config.yml文件，代码如下：
123456789# Deployment## Docs: https://hexo.io/docs/deployment.htmldeploy:- type: git repo: github: git@github.com:crazyjums/crazyjums.github.io.git coding: git@git.dev.tencent.com:dtid_f0ed6967903b604b/hexo_blog.git branch: master- type: baidu_url_submitter
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
如何让自己的hexo博客被Google和百度收录
推荐阅读关于如何让自己的hexo博客能够让百度或者谷歌收录，可以查看下面这篇博客。
如何让自己的hexo博客被Google和百度收录
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
用Python扫描文件夹中所有文件，并将部分文件按要求改名字
话不多说，直接上代码1234567891011121314151617import osimport redef scan_files(directory, prefix=None, postfix=None): count = 0 for files in os.walk(directory): for file in files[2]: if "微信截图_" in file: count += 1 newname = re.sub("微信截图_","",file) os.rename(directory+file,directory+newname) break print("改名完成,一共改名{}个文件".format(count))if __name__ == '__main__': dir = r ...
查看hexo已经安装的三方包命令
查看命令1npm list --depth 0
命令解释：
–depth 查看已经三方的深度，默认是显示所有，用0只显示最外层
显示结果下所示：
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
hexo个人博客绑定个人域名
1 注册个人域名进入到腾讯云平台，自己注册一个账号（微信登录即可），下面是网址：https://cloud.tencent.com/act/domainsales?from=dnspodqcloud
2 开始域名解析自己按照步骤购买域名，第一年是1元，然后进入到控制台，进入域名解析界面，如下：点击【解析】进入到域名解析界面，如下：
3 创建CNAME文件创建一个CNAME文件：
这几个字母必须是大写
没有后缀名
用记事本打开将自己的域名写在里面，如：
4 部署到GitHub将CNAME文件放到publics文件夹里面，然后上传到GitHub，命令如下：
1hexo d
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
tensorflow如何控制输出控制台的日志等级
123456789import os# 输出所有 默认等级os.environ["TF_CPP_MIN_LOG_LEVEL"]='1'# 输出warm和erroros.environ["TF_CPP_MIN_LOG_LEVEL"]='2'# 只输出erroros.environ["TF_CPP_MIN_LOG_LEVEL"]='3'
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
CNN典型模型：AlexNet
论文出处：《ImageNet Classification with Deep Convolutional Neural Networks》一篇很好的理解AlexNet模型的博客AlexNet 的网络结构如下所示：
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
关于局部响应归一化层（LRN），了解一下
局部响应归一化层（Local Response Normalization）本篇博客参考自：https://www.jianshu.com/p/c014f81242e7
局部响应归一化层简称LRN，是在深度学习中提高准确度的技术方法。一般是在激活、池化后进行的一种处理方法，因在Alexnet中运用到，故做一下整理。
为什么要引入LRN层？首先要引入一个神经生物学的概念：侧抑制（lateral inhibitio），即指被激活的神经元抑制相邻的神经元。归一化（normaliazation）的目的就是“抑制”,LRN就是借鉴这种侧抑制来实现局部抑制，尤其是我们使用RELU的时候，这种“侧抑制”很有效 ，因而在alexnet里使用有较好的效果。
归一化有什么好处？1.归一化有助于快速收敛；2.对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。【补充：神经网络学习过程本质就是为了学习数据分布，一旦训练数据与测试数据的分布不同，那么网络的泛化能力也大大降低；另外一方面，一旦每批训练数据的分布各不相同(batch 梯度下降 ...
深度学习和机器学习的区别？
关于深度学习和机器学习，他们有如下几点不同之处：
1 特征提取方面
机器学习必须通过人工特征提取之后，才能进行后续的识别等操作
深度学习则不同，深度学习深刻网络框架可以不需要人工进行特征提取，而是通过网络自动进行提取，那么深度学习就显得更加强大了
2 数据量和计算性能方面
算法代表机器学习：
素朴贝叶斯
决策树…
深度学习
神经网络
写在最后欢迎大家关注鄙人的公众号【麦田里的守望者zhg】，让我们一起成长，谢谢。
关于SSPNet（空间金字塔池化网络），了解一下
1 SSPNet论文出处SSPNet（Spatial Pyramid Pooling Network），中文名字是空间金字塔池化网络SSPNet论文出自《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》一篇较好的解读SSPNet的博客
1.1 为什么会提出SSPNetSSPNet的中文名称是空间金字塔池化网络，SSPNet的提出，是为了解决R-CNN遇到的一个拼劲问题，也就是R-CNN在候选区提取时，每张图片都需要经过一次CNN，运行速度很慢。如果你有2000张图片的话，那么你需要经过2000次CNN网络，这样的计算速度是非常慢的。 在了解SSPNet之前，让我们先了解一下R-CNN的工作原理，才能对其进行改进。
SSPNet完美解决上述R-CNN遗留的两个问题:
R-CNN在生成了候选区域后，需要对每个区域进行统一尺寸的压缩或放大，当候选集的长与宽差别较大时强行压缩至比例为1:1时会使图像产生变形和丢失图像的原始特征
R-CNN生成了多个候选集后需要全部输入到CN ...
