01 v2訂閱轉換(shadowshare怎么用)

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

vmess如何轉換

通過轉換工具。

可以通過轉換工具來將vmess鏈接轉換成買粉絲訂閱。把vmess改成你自己的真實服務器，其他不要動，尤其是sockopt部分。sockopt部分同時也添加到你自己的vmess服務器出口配置中。

VMess是一個無狀態協議，即客戶端和服務器之間不需要握手即可直接傳輸數據，每一次數據傳輸對之前和之后的其它數據傳輸沒有影響。由V2Ray原創并使用于V2Ray的加密傳輸協議。

圈x用的是ssr還是v2

其作用就是將你導入訂閱，規則，重寫等資源解析并轉換成圈x所支持的格式

QuantumultX大家都喜歡叫它“QuanX”或“圈X”，它是一款在iOS，iPadOS，Apple設備上使用的網絡代理工具，添加節點后，可以遨游國際網絡，目前圈X支持的協議包括SS/SSR，V2Ray，Trojan，HTTP（overtls）

QuantumultX與Loon，Surge以及ShadowRocket不同的是，QuantumultX的UI界面設計的非常漂亮，使用也非常簡潔，同時又支持JavaScript腳本和Mitm重寫，性價比非常高，強烈推薦Apple用戶使用

shadowshare怎么用

shadowshare用法如下：

1、打開shadowshare。

2、點擊—>查看節點列表，即可進入節點列表頁。

3、列表頁可以直接復制通用節點配置鏈接到剪切板或者生成二維碼，一般代理工具都是可以直接導入的。

4、點擊—>導出所有節點到剪切板，很簡單，點擊即可直接復制所有的節點到剪切板，適合代理中批量導入。

5、點擊—>導出所有節點到臨時訂閱地址，會生成一個本次所有節點的訂閱地址，但是注意刷新節點以后，需要重新生成新的訂閱地址，然后打開代理軟件，使用獲得的訂閱鏈接新建訂閱，然后更新，即可直接獲取所有節點。

6、點擊—>訂閱地址轉換，可轉換為Clash、V2Ray、Surge、Quantumult、Surfboard、Loon等多種地址，非常方便。《ShadowShare》是一款共享節點app。

成功v2e啟動步驟

成功啟動v2e的步驟有以下幾個：

1. 首先，確保你的設備滿足v2e的系統要求，包括硬件和軟件方面的要求。這可能包括操作系統版本、處理器要求、內存和存儲空間等。

2. 接下來，下載和安裝v2e軟件。你可以從官方網站或其他可信的來源獲取v2e軟件的安裝包。確保從可靠的來源下載軟件，以避免惡意軟件的風險。

3. 安裝完成后，打開v2e軟件。在首次打開時，你可能需要進行一些配置和設置，例如選擇語言、登錄賬戶、設置音頻輸入和輸出設備等。按照軟件提供的指導完成這些設置步驟。

4. 確保你的設備連接到穩定的互聯網網絡。v2e需要網絡連接才能正常運行。

5. 在軟件界面中，你可以選擇輸入的語音方式，例如通過麥克風輸入或者通過導入音頻文件進行轉換。根據你的需求和設備情況選擇適合的語音輸入方式。

6. 設置好輸入方式后，你可以點擊開始轉換按鈕，v2e會開始將語音轉換為文本。轉換時間會根據語音長度和網絡速度等因素而有所不同。

原因解釋和拓展：

成功啟動v2e的步驟主要涉及到設備要求、軟件安裝和設置、網絡連接以及語音輸入等方面。設備要求是因為v2e可能對設備的硬件和軟件有一定的要求，例如操作系統的版本和處理器的性能等。安裝和設置是因為在使用v2e之前，你需要將軟件正確地安裝到設備上，并進行一些必要的配置和設置，以確保軟件能夠正常運行。網絡連接是因為v2e需要與服務器進行通信，將語音轉換為文本，因此穩定的互聯網連接是必要的。語音輸入方式的選擇是因為不同的用戶可能有不同的需求和設備條件，可以根據實際情況選擇適合的輸入方式。

在拓展方面，v2e還可能提供其他功能和選項，例如語言識別的準確性、支持的語言種類、文本編輯和導出等。此外，用戶還可以根據自己的需求進行一些個性化設置，例如調整轉換的速度、調整音頻輸入的音量等。同時，隨著技術的不斷發展，v2e可能會有更新和改進，提供更好的用戶體驗和更高的轉換準確性。

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','

很赞哦!（9）