当我们使用keras训练好模型之后，下一步就是部署服务了，采用flask直接加载keras的h5模型，服务的并发性能会很低。如果为了追求高并发性能，就可以采用Nginx+gunicorn+gevent的方式来启动服务，这种方式服务虽然可以达到极高的并发性能，但却存在一个问题，也就是gunicorn的方式是启动了多个进程，每个进程都会加载一次模型，造成服务启动后所占用的内存很大，另外直接加载h5模型

UDP协议是无连接的数据传输协议，客户端在向服务端发送数据时，不需要建立连接，可以直接发送数据。服务端和客户端程序的创建流程如下：服务端代码如下：#include<iostream>#include<WinSock2.h>#include<WS2tcpip.h>using namespace std;#pragma comment(lib,"ws2_32.lib

该接口通过RPA机器人技术进行查验，通过浏览器模拟的方式，使用UIpath、selenium、playwright等RPA自动化测试工具、结合人工智能图像识别技术制作而成，仅供个人方便查看自己的票，提高工作效率。

OCX控件我们平时应该接触过很多，比如ActiveX控件、MFC ActiveX控件、还有我们在HTML网页中使用的ActiveX控件等，以上这些都归属与OCX控件的范围。那么如何查看这些ocx控件或者在注册表中删除它们了？1 根据classID查找ocx控件名称比如我们在网页中有一个ocx控件，其中clasid的数值为5358597F-2744-415C-BD75-6CA2E536A1FD...

关于手写数字的解析在我的另外一篇博客了作了讲解，这篇文章我们将利用OpenCV的机器学习算法knn实现对手写数字的识别。使用knn进行手写数字的准确率高达97%。环境准备：vs2015OpenCV4.5.0下面为模型训练代码：#include<iostream>#include<opencv.hpp>#include <string>#include <f

关于手写数字的解析在我的另外一篇博客了作了讲解，这篇文章我们将利用OpenCV的机器学习算法knn实现对手写数字的识别。使用knn进行手写数字的准确率高达97%。环境准备：vs2015OpenCV4.5.0下面为模型训练代码：#include<iostream>#include<opencv.hpp>#include <string>#include <f

该接口通过RPA机器人技术进行查验，通过浏览器模拟的方式，使用UIpath、selenium、playwright等RPA自动化测试工具、结合人工智能图像识别技术制作而成，仅供个人方便查看自己的票，提高工作效率。

关于手写数字的解析在我的另外一篇博客了作了讲解，这篇文章我们将利用OpenCV的机器学习算法knn实现对手写数字的识别。使用knn进行手写数字的准确率高达97%。环境准备：vs2015OpenCV4.5.0下面为模型训练代码：#include<iostream>#include<opencv.hpp>#include <string>#include <f

采用深度学习进行发票查验验证码模型的训练，在我电脑上模型训练的环境如下：显卡：RTX 2080TItensorflow-gpu:2.5.31 训练集和测试集的准备发票查验的验证码分为4种类型，分别为黑色、红色、黄色、蓝色，经过我的测试，采用4个模型的效果最好，每个模型对应识别一种类型的验证码。首先我们4种类型的验证码都准备10万张。00黑色类型的验证码：01红色类型的验证码：02黄色类型的验证码：

由于服务基于Linux系统下Python环境，因此首先进行Python环境的搭建Python环境依赖于gcc编译器，可以单独安装gcc，为了省事也可以一次性安装所有基本的环境，包括gcc,java等。#一次性安装所有基本依赖环境...