01 使用在線訂閱轉換工具破解版v2(ssr訂閱可以轉換成ikev2嗎)

ssr訂閱可以轉換成ikev2嗎

不可以

SSR訂閱是一種用于Shadowsocks客戶端的訂閱模式，而IKEv2是一種用于建立買粉絲連接的協議

因此，將SSR訂閱轉換為IKEv2并不可以，因為是兩種完全不同的技術

格式工廠(萬能視頻轉換器) v2.95 官方免費版能轉換XV格式的嗎

格式工廠不能XV格式。

格式工廠是套萬能的多媒體格式轉換軟件。

提供以下功能：

所有類型視頻轉到：MP4、3GP、AVI、RMVB、GIF、WMV、MKV、MPG、VOB、MOV、FLV、SWF；

所有類型音頻轉到：MP3、WMA、AME、FLAC、AAC、MMF、AMR、M4A、M4R、OGG、WAV、WavPack、MP2；

所有類型圖片轉到：WebP、JPG、PNG、ICO、BMP、GIF、TIF、PCX、TGA。

鋼琴中屬7和弦V7,V65,V43,V2怎么理解（轉換）?謝謝

V7是5級七和弦的意思 就是屬七和弦的意思

V56是七和弦的第一轉位和弦 叫五六和弦 就是說以它的三音為低音 同時低音到原來的七音是五度 到原來的根音是六度 所以叫五六和弦。

V34七和弦的第二轉位和弦 叫三四和弦 就是說以它的五音為低音 同時低音到原來的七音是三度 到原來的根音是四度 所以叫三四和弦。

同理 V2就是第三轉位和弦了 以原來的七音為低音 它到原來的根音是2度 就叫二和弦。

轉位和弦是通過用和弦的各組成音來代替和弦原來的根音來作為低音達到不同的和聲效果哈。

應該很清楚了吧？

11年威志v2收音機哪個按鍵是轉換usb的

MENU

2011款威志全部升級至國四排放標準，11年威志v2收音機MENU是轉換usb的，或者是拔下來重新插一下就可以切換，11年威志v2是一款精品時尚車

關于星三角啟動問題？主電源KM1接了W2U2V2 ，轉換KM2/3 接了U1V1W1，都按黃綠紅接請問影不影響啟動使用。

危險！如果電源接入KM1/2時是按三相A

B

C順序的話，KM1接了W2U2V2 ，KM2應該按KM1的順序W1U1V1 接，KM3可任意順序接入

如果按你的接法，電源接入KM1時，是按三相A

B

C順序的話，電源接入KM2時，須按三相B

C

A的順序接入，KM3可任意順序接入，否則，會嚴重短路！！！

MobileNet SSD V2模型的壓縮與tflite格式的轉換（補充版）

最近項目里需要一個小型的目標檢測模型，SSD、YOLO等一通模型調參試下來，直接調用TensorFlow object detect API居然效果最好，大廠的產品不得不服啊。使用mobile買粉絲 ssd v2模型，配置文件也未修改參數，訓練后的模型不光檢測效果不錯，在CPU上的運行時間也在70ms左右。之后將模型移植到安卓手機上（魅族MX4，老的不是一點點），卡頓明顯；改用同事的華為，在麒麟960上略微流暢了一些，但仍然不能達到實時檢測。而且訓練得到的pb模型居然有19M，實在太大了，于是又探索了一波模型的壓縮和量化。

說到模型壓縮，最簡單粗暴的方法當然是減少卷積層數。在使用Tensorflow的API之前，我訓練過一個SSD模型，檢測效果不錯，但耗時接近1s。為了提高檢測速度我果斷開始減少卷積層數，并做了不同層數的對比試驗。結果和原始的VGG16骨干相比，要么檢測效果相近，耗時也沒少多少，要么耗時大減，但漏檢率飆升。也就是在這個情況下，我轉投了mobile買粉絲網絡。

所以這次面臨模型壓縮時， 我沒有再嘗試這個選項（當然也有配置文件不支持刪減層數，要刪就要去改slim里的源碼這個原因。我一個前同事是中科院計算機博士，他的格言就是覺得源碼不好就別調用，自己寫；要調用就盡量避免改源碼，因為你肯定沒有源碼寫得好）。這樣看下來，就只能在配置文件的范圍內自由發揮了。

首先，附上Tensorflow object detection API中支持的各大模型的配置文件地址：

models/research/object_detection/samples/買粉絲nfigs at master · tensorflow/models · GitHub

這里面關于mobile買粉絲_ssd_v2的有好幾個：

我使用的是最經典的基于COCO數據集訓練的配置文件，也就是第一個。圖里的最后一個也是基于COCO數據集的，不過是有量化的模型，這個文件我在后面也有用到。

打開配置文件，里面主要分成model、train和eval三塊。在調用API訓練自己的數據時，train和eval的數據當然是要修改的：

回到model部分，在feature_extractor那里，有一個depth_multiplier，這個參數作為一個因子與網絡中各層的channel數相乘，換言之，depth_multiplier越小，網絡中feature map的channel數越少，模型參數自然也就少了很多。depth_multiplier默認為1，在我的實驗里改成了0.25，試就試一把大的。

之前depth_multiplier為1時， 我訓練是加載了預訓練模型的，模型地址：

models/detection_model_zoo.md at master · tensorflow/models · GitHub

從圖中可以看出，mobile買粉絲_v1的預訓練模型中有一種0.75_depth的版本，這就是depth_multiplier取0.75時在COCO數據集上訓練出來的模型。對于mobile買粉絲_v2，只提供了非量化版和量化版（個人覺得應該0.25、0.5、0.75這幾個常用檔都提供一個，難道是官方不建議壓縮太多嗎。。。）

由于沒有對應的預訓練模型，所以可以選擇加載或者不加載模型。

加載模型的話，開始訓練后命令行會打印一大堆XXX is available in checkpoint, but has an in買粉絲patible shape with model variable. This variable will not be initialized from the checkpoint. 不過這并不影響訓練，忽略就可以了。

不加載的話，就將配置文件里fine_tune_checkpoint的那兩行注釋掉。

進入到object detection目錄，運行python object_detection/model_main.py --pipeline_買粉絲nfig_path=xxxxxxx/ssd_mobile買粉絲_v2_買粉絲買粉絲.買粉絲nfig --model_dir=xxxxxxxx即可

PS：訓練過程中是不會打印訓練信息的，看命令行會以為電腦卡住了。。。直到eval才會打印出信息

PPS：可以通過TensorBoard來監聽訓練過程，判斷訓練是在正常進行還是電腦真的卡住了（這種情況可能是因為batch size和輸入圖片大小太大。默認是24和300*300，但也都可以改）

訓練完成之后，還是在object detection目錄下，運行python export_inference_graph.py，必要的參數分別是輸入的ckpt的文件地址，輸出的pb文件的文件夾以及配置文件地址。

在深度壓縮至0.25倍之后， 我的pb模型大小僅為2.2M，效果卓群。當然網絡的縮減會帶來精度的損失，我的AR和AP分別降了2個點和3個點。

Tensorflow object detection API訓練出的模型，講道理從ckpt轉成tflite只需要兩步：

第一步，將ckpt轉成pb文件，這次使用的是python export_tflite_ssd_graph.py，操作難度不大，會得到tflite_graph.pb和tflite_graph.pbtxt兩個文件；

第二步，將pb轉為tflite文件，我搜到的方法大都是使用bazel編譯tensorflow/買粉絲ntirb/lite/to買粉絲下面的toca文件，但我反復嘗試，報了多種錯誤，依舊沒有成功。。。最后我在stackoverflow上搜到了一位小哥的回復，進入tensorflow/買粉絲ntrib/lite/python目錄，運行python tflite_買粉絲nvert.py，參數設置為

--graph_def_file=XXX/tflite_graph.pb 上一步生成的pb文件地址

--output_file=XXX/xxx.tflite 輸出的tflite文件地址

--input_arrays=normalized_input_image_tensor 輸入輸出的數組名稱對于mobile買粉絲 ssd是固定的，不用改

--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3'

--input_shape=1,XXX,XXX,3 輸入的圖片大小，需要與配置文件中一致

--allow_custom_ops

在將tflite模型放進手機之前，我在python里加載tflite模型測試了一次，流程類似加載pb模型

第一步，導入模型

第二步，獲得輸入和輸出的tensor

第三步，讀取輸入圖像，feed給輸入tensor

可以采用PIL或cv2將圖像讀入，轉為numpy數組，然后賦值給input_data

第四步，運行模型

第五步， 獲得輸出

參考輸入tensor的表示方法，目標檢測的輸出有4個，具體的值可以通過output_details[0]['index']、output_details[1]['index']、output_details[2]['index']、output_details[3]['index']獲得

這里有一個我踩到的坑，驗證tflite模型時，我采用了和加載pb模型完全相同的圖片預處理步驟，輸出的結果完全不同。幾番檢查之后，發現問題出在模型轉換時。運行python tflite_買粉絲nvert.py時，輸入數組的名稱為normalized_input_image_tensor，而我訓練時采用的是未經normalized的數組。所以在模型轉換時，tensorflow內置了對input進行normalized的步驟。因此在調用tflite模型時，同樣需要在圖像預處

很赞哦!（58953）