1、点击按钮时，按钮会呈现轻微拖拽的动态效果，其实这个动态效果是由按钮边框完成的，如果改变样式表border:none;，动态效果就会消失，如果设置按钮背景颜色与容器背景颜色一样，动态效果也会消失；2、容器会影响按钮的动态效果，如果按钮放在Group Box中，动态效果正常展现，如果按钮放在Scroll Area中，动态效果不能展现；附：Qt Designer快捷键ctrl+z：撤回ctrl+s：

如下卷积核具有边缘检测的作用，举例说明：[[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]import cv2import numpy as npimport tensorflow as tfinput_data = cv2.imread('zxc.jpg')weights_data = [[[-1,-1,-1],[-1,-1,-1],[-1,-1,-1]],[[-1,-1,-1]

对于神经网络过拟合问题，一般有以下解决方法：1、引入dropout，在训练的时候，让一部分神经元随机失活，增加网络稀疏性，有利于特征选择，防止过拟合；2、引入batch normalizatin，不仅对输入层的输入数据进行标准化（减均值，除标准差），还对隐藏层的输入数据进行标准化，防止过拟合；3、引入l1_regularization，在训练的时候，对损失函数做一些限制，在权重参数更新时，使很多权

batch_size要适中，太小或太大都不好1、如果batch_size太小，每轮迭代次数太多，而epoch又不能减少，因此训练速度变慢；同时，显存或内存利用率不高。2、如果batch_size太大，每轮迭代次数太少，在epoch不变的情况下，总的迭代次数不足，训练效果不好，想要达到好的训练效果，需要增加epoch，因此训练速度也会变慢；同时，显存或内存可能溢出。3、epoch关系到所有样本参与训

保存训练好的权重和偏置：# 定义saver，用于保存或重载训练好的权重和偏置saver = tf.train.Saver()with tf.Session() as sess:# 保存训练好的权重和偏置saver.save(sess, 'net/net.ckpt')重载训练好的权重和偏置：# 定义saver，用于保存或重载训练好的权重和偏置saver = tf.train.Saver()with

训练神经网络模型之前，需要先获取训练数据集和测试数据集，本文介绍的获取数据集（get_data_train_test）的方法包括以下步骤：1 在数据集文件夹中，不同类别图像分别放在以各自类别名称命名的文件夹中；2 获取所有图像路径以及分类；3 将分类转为字典格式；4 将所有图像路径打乱；5 将所有图像路径切分为训练部分和测试部分；6 获取x部分6.1 获取图像；6.2 图像尺寸调整；6.3 图像降

神经网络像一个黑盒，我们无法解释清楚单个权重或偏置对输出的影响，但如果我们可以得到权重和偏置在训练过程中的变化趋势，对它们有一个宏观认识，也是不错的。运用summary就可以实现上述目的，具体如下：1、定义summary，如mean=tf.reduce_mean(w1)stddev=tf.sqrt(tf.reduce_mean(tf.square(w1-mean)))tf.summary.scal

1、均方误差损失函数损失函数对权重的偏导与激活函数的梯度成正比。如果激活函数是线性的，可以使用这种损失函数，如果激活函数是S型函数，则不适合使用这种损失函数，原因如下：假如我们期望的输出值为1，A处离1较远，激活函数梯度也较大，优化器调整步伐也较大；B处离1较近，激活函数梯度也较小，优化器调整步伐也较小，这是合理的。假如我们期望的输出值为0，A处离0较远，激活函数梯度也较大，优化器调整步伐也较大；

paddleocr相关报警

翻译工具——Xtranslator代码托管和研发协作平台——Gitee