TensorFlow2.1.0报错解决：AttributeError: ‘Sequential’ object has no attribute ‘_get_distribution_strategy
本机环境：
cudatoolkit = 10.1.243
cudnn = 7.6.5
tensorflow-gpu = 2.1.0
keras-gpu = 2.3.1
今天在以TensorFlow2.1.0为后端的Keras中使用TensorBoard时报错，发现原因是keras和tf.keras混用导致的。报错与解决方案如下：
导致报错语句：
summary = TensorBoard(log_dir="cnn_lstm_logs/",histogram_freq=1)
报错：
---> 54 summary = TensorBoard(log_dir="cnn_lstm_log
2021-10-04 11:36:27
214KB
1
问题描述：
在利用神经网络进行分类和识别的时候，使用了keras这个封装层次比较高的框架，backend使用的是tensorflow-cpu。
在交叉验证的时候，出现 val_categorical_accuracy: 0.0000e+00的问题。
问题分析：
首先，弄清楚，训练集、验证集、测试集的区别，验证集是从训练集中提前拿出一部分的数据集。在keras中，一般都是使用这种方式来指定验证集占训练集和的总大小。
validation_split=0.2
比如，经典的数据集MNIST，共有60000个训练集，就会
Train on 48000 samples, validate on
2021-09-29 16:54:35
48KB
1
想必大家应该很多都已经习惯了jquery的DOM操作，jquery的瀑布流实现起来也很容易。
但是，随着时代的发展，随着时代的进步…..
算了算了，扯远了，既然能找到这儿来，肯定是在vue.js上已经有一定的基础了，咱们废话不多说，直接进入主题。
vue-waterfall-easy
easy! easy! easy! 重要的事情说三遍！！！
所以说，咱们今天用到的不是大家熟知的vue-waterfall，而是vue-waterfall-easy；
一、获取vue-waterfall-easy组件
这里有两种方式：
第一种就是直接从git上复制vue-waterfall-easy组件的完整代码
2021-09-29 16:44:14
108KB
1
Alum_surface_defect_detection
这包括我天池比赛的代码： 。 （阿里巴巴公司持有）
比赛旨在利用计算机视觉技术帮助工人检查他们的铝表面产品是否有任何缺陷，如斑点、划痕等。
Season1（分类）排名：96/2972
我发现非常有用的：
InceptionV4(pytorch)
合并投票（类似于装袋）
好的迭代步骤
一般般：
数据增强（水平翻转）
集成（Xception、Resnet50、InveptionV3）
降低我的测试帐户
所有其他增强。 特别是随机旋转（0~8，角度越大，acc越差））
Season2（本地化）排名：10/2972
我发现非常有用的：
FasterRcnn&FPN(检测器)
更大的调整大小（maskrcnn 为 960，FasterRcnn 为 800）
投票
亚当而不是新元
降低门槛
一般般：
Mask-Rcnn(
2021-09-29 14:56:13
5.9MB
1
今天在intellij调试spark的时候感觉每次有新的一段代码，都要重新跑一遍，如果用spark-shell，感觉也不是特别方便，如果能像python那样，使用jupyter notebook进行编程就很方便了，同时也适合代码展示，网上查了一下，试了一下，碰到了很多坑，有些是旧的版本，还有些是版本不同导致错误，这里就记录下来安装的过程。
1.运行环境
硬件：Mac
事先装好：Jupyter notebook，spark2.1.0，scala 2.11.8 (这个版本很重要，关系到后面的安装）
2.安装
2.1.scala kernel
从github下载
git clone https:/
2021-09-29 09:22:04
139KB
1
Jupyter笔记本用于：
Yunjun，Z.，F.Amelung，Y.Aoki，（2021年），用ALOS-1 / 2 InSAR时间序列对日本雾岛火山综合体的热液系统进行成像，地球物理。 Res。 来吧，doi： [已提交]。
数据
InSAR置换产品：
来自日本的ALOS-1 / 2： 日本雾岛市的时间序列，速度和所选干涉。
日本从ALOS-1到日本九州南部的干涉图堆栈： 。
日本从ALOS-2到日本九州南部的干涉图堆栈： 。
使用ISCE-2和MintPy进行InSAR数据处理的配置：
大地建模：
来自GBIS的模型结果： 。
GBIS的配置：
人物（ ）
图1-2008-2019年雾岛的地球物理观测
地质环境。
-InSAR的准垂直位移图。
-InSAR，GPS和EQ编号的时间序列。
-Shinmoe-dake和Iwo-yama的大地测量建模
2021-09-28 21:17:51
12.86MB
1
这是 Dr. Abdullah Al Muhit H.264 基线编解码器的略微更新版本。 它包括 I、P 帧、CAVLC 编码器、Exp Golomb 编码器、整数变换和 H.264 或 MPEG-4 AVC（高级视频编码）的其他基本功能。
此版本读取与 Matlab 兼容的任何视频帧序列（我使用 xylophone.mpg，在 matlab 中可用）。 修改后的编解码器可以保存和播放原始和解码的视频以及许多其他简单选项（重新调整大小和存储）。
2021-09-28 19:23:46
4.82MB
1
混淆矩阵
衡量一个分类器性能的更好的办法是混淆矩阵。它基于的思想是：计算类别A被分类为类别B的次数。例如在查看分类器将图片5分类成图片3时，我们会看混淆矩阵的第5行以及第3列。
为了计算一个混淆矩阵，我们首先需要有一组预测值，之后再可以将它们与标注值（label）进行对比。我们也可以在测试集上做预测，但是最好是先不要动测试集（测试集仅需要在最后的阶段使用，在我们有了一个准备上线的分类器后，最后再用测试集测试性能）。接下来，我们可以使用cross_val_predict() 方法：
from sklearn.model_selection import cross_val_predict
y_t
2021-09-27 11:36:49
196KB
1
本文实例讲述了JS+HTML5本地存储Localstorage实现注册登录及验证功能。分享给大家供大家参考，具体如下：
源码引用的js、jquery都是在线的，代码拷到本地就能运行
登录：
<html ng-app="ionicApp">
<head>
<meta charset="utf-8">
<meta name="viewport" content="initial-scale=1, maximum-scale=1, user-scalable=no, width=device-width">
<title>登录</title>
<link hre
2021-09-26 20:11:22
39KB
1
最近在学习文本分析处理中的句法分析时需要导入斯坦福的stanfordcorenlp模块，然后我在cmd中pip install stanfordcorenlp -i https://pypi.tuna.tsinghua.edu.cn/simple 进入jupyter载入模块时候仍提示了ModuleFoundError，如下图：
经过一番查询，有的用复制粘贴把模块移动到指定路径下，只是从表面上解决了问题，像我这种打破砂锅问到底的性格这种答案显然是无法打动我的。最后在我的不懈努力终于明白了其中的奥妙。
这里涉及了两个路径 一个是在Anaconda中jupyter中的python编译路径，我们可
2021-09-24 21:41:04
124KB
1