NFNet Pytorch实施
此回购包含来自未经归一化的高性能大型图像识别论文的，具有ImageNet高精度的预训练NFNet模型F0-F6。 小型模型的精度与EfficientNet-B7一样，但训练速度快了8.7倍。 大型模型在ImageNet上设置了新的SOTA top-1精度。
NFNet
F0
F1
F2
F3
F4
F5
F6 + SAM
最高为1的准确性Brock等人。
83.6
84.7
85.1
85.7
85.9
86.0
86.5
此实现的Top-1精度
82.82
84.63
84.90
85.46
85.66
85.62
待定
所有学分归的作者所有。 该在很大程度上受到其在出色的JAX实现的启发。 拜访他们的回购网站以作参考。
开始吧
git clone https://github.com/benjs/nfnet
2021-09-26 10:40:24
894KB
1
Imagination GPU助赛昉科技打造高性能星光RISC V AI单板计算机.pdf
2021-09-25 19:03:28
966KB
zmNinja是适用于ZoneMinder用户的多平台（iOS，Android，Windows桌面，Mac桌面，Linux桌面）客户端。 是一个令人难以置信的开源摄像机监视系统，许多人都将其用于家庭和商业安全监视。
救命
官方文件
如果您正在寻找由机器学习支持的，请文档
在或在ZoneMinder的闲暇频道中找到我（您可以加入）
如果您认为自己发现了一个错误，请创建一个
在寻求帮助之前
确保您已阅读
确保您已自己的API是否有效（如果不正确，则为ZM问题，请在ZM论坛中发帖）
如果您不熟悉编码移动应用程序，请不要向我寻求源代码编译的帮助-您应尝试解决自己的问题
影片示范
查看zmNinja的视频演示
移动平台
zmNinja到今天为止都很稳定，并且可以在各种Android和iOS平台上运行。 查看上面的链接以将其发布到Play商店（Android）和应用商店（iOS）
它还在桌面上运行（请参见下文）
桌面平台
请从下载二进制文件。
主要特点
推送通知对象检测/脸部识别的报警（需要将设立）
多种语言（英语，法语，德语，西班牙语，葡萄牙语，荷兰语等）
H264视频支持
监视器的实
2021-09-25 12:38:16
10.03MB
1
高性能高并发商品秒杀系统设计与优化
[目录]
项目简介
本项目主要是模拟应对大并发场景下，如何完成商品的秒杀，以及针对秒杀场景下为应对大并发进行的优化。
项目的技术结构如下图所示：
秒杀场景下主要解决的问题：
分散会话
用户登录，商品列表，商品详情，订单详情模块
缓存优化
系统压测，测试系统的QPS
信息等级
接口安全
本项目的分布式改造版本： :
快速启动
初步；克隆仓库到本地
git clone https://github.com/Grootzz/seckill
第二步；建造工程
cd seckill
mvn clean package
第三步；启动
java - jar / target seckill - 1.0 - SNAPSHOT . jar
访问入口：
初始账号/密码： 18342390420/000000 。
数据库设计
需要注意的是，因为参与秒杀的只有部分商品，所以miaosha_goods建立一个miaosha_goods存储于秒杀商品相关的部分。
秒杀用户表： miaosha_user
商品表： goods
参与秒杀的商品表： miaosha_good
2021-09-25 10:25:37
1.4MB
1