软链接：为某一个文件在另外一个位置建立一个同不的链接(类似于Windows下的快捷方式)。好处：仅仅是个链接，不占用空间，使用还是照常使用》实际生产环境中，使用第三方的工具，可能这个工具的库很大，很占用磁盘空间，想把它搬个位置，但是搬了位置那这个工具岂不是找不到这个目录下的文件了，然后修改第三方工具显然不现实，那么软链接的作用就来了，把文件搬去其他地方，在原来的位置创建软连接，简直完美??????

from flask_restful import Resource, reqparse, request, Apifrom flask import Flaskparser = reqparse.RequestParser()parser.add_argument("status")class Recomend_API(Resource):def post(self):args = parser

#include <string.h>#include <vector>#include <iostream>using namespace std;int main(){vector<int>obj;//创建一个向量存储容器 intfor(int i=0;i<10;i++) // push_back(elem)在数组最后添加数据{obj.pu

从某种意义讲，tensorflow这个项目已经失败了，要不了几年以后，江湖上再无tensorflow因为tensorflow2.0 和tensorflow1.0 从本质上讲就是两个项目，1.0的静态图有他的优势，比如性能方面，但是debug不方便，2.0的动态图就是在模仿pytorch,但是画虎不成反类犬．为了对比1.0 与2.0pip install tensorflow==2.0.0...

我们通常采用tensorflow来训练，训练完之后应当保存模型,即保存模型的记忆（权重和偏置），这样就可以来进行人脸识别或语音识别了。  1.模型的保存# 声明两个变量v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")init_op

link最近需要将Windows10系统下使用VS2017编译的VC++项目放到CentOS Linux服务器上跑，最简单的当然是使用cmake作为项目编译和管理工具了，这样就不需要写makefile了，使用cmake管理编译项目相对来说比较简单。遇到一个问题就是，由于我在CentOS7服务器上用的是普通用户账号，一些第三方库比如Boost库、yaml-cpp、mariadb、mariadb++、

群内提供免费的C/C++Linux服务器开发/高级架构师学习资料资料包括C/C++，Linux，golang技术，Nginx，ZeroMQ，MySQL，Redis，fastdfs，MongoDB，ZK，流媒体，CDN，P2P，K8S，Docker，TCP/IP，协程，DPDK，ffmpeg等）！许多年以前，当人们还在使用DOS 或者更古老的操作系统的时候，计算机的内存还非常小，一般都是以K 为单位

onnxruntime技术文档

link文档的一些笔记：性能调优小工具 ONNX GO Live Tool这玩意儿有俩docker容器来实现支持，一个优化容器和一起模型转换容器。暂时具体不清楚原理，还没来得及看，后面试试。什么执行单元(Execution Provider, EP)能够提供最好的性能表现CPU版本的ONNX Runtime提供了完整的算子支持，因此只要编译过的模型基本都能成功运行。一个要注意的点是为了减少编译的二

    通常我们在训练模型时可以使用很多不同的框架，比如有的同学喜欢用 Pytorch，有的同学喜欢使用 TensorFLow，也有的喜欢 MXNet，以及深度学习最开始流行的 Caffe等等，这样不同的训练框架就导致了产生不同的模型结果包，在模型进行部署推理时就需要不同的依赖库，而且同一个框架比如tensorflow 不同的版本之间的差异较大， 为了解决这