数字旗手

参考资料： Windows下配置多个git账号的SSH Key Git的多账号如何处理？ 同一台电脑配置多个git账号 有以下两种场景需要进行区分。 多个账号+同一邮箱 对于 Git 而言，邮箱是识别用户的唯一手段。因此如果在不同的代码托管服务商（GitHub、GitLab或Bitbucket）中使用同一邮箱作为账号，此时不需要担心密钥的问题，因为这些网站push pull 认证的唯一性是邮箱。此时只需生成一个通用的私钥和公钥对即可： 1 ssh-keygen -t rsa -C "[email protected]" 此时会在用户目录的.ssh/ 下生成两个文件，id_rsa 是私

这一部分详解ImagePy的工具条是如何加载的。 构建工具条入口 通过build_tools这个函数来构建工具条： 1 self.toolbar = toolsloader.build_tools(self, 'tools', 'plugins', None, True) 这几个实参所对应的该函数的形参依次为：tools传入toolpath, plugins传入extends（这个参数目前看没有用处），None传入bar，True赋给report。 下面详细看这个函数做了什么。 递归获得所有工具的类文件和图标文件 上面的build_tools函数又会调用loader的build_

在第一部分中已经介绍，ImagePy的插件就是文件，这一篇详细解析ImagePy怎样解析物理文件，然后将其加载到菜单栏中。 主界面构建菜单 首先在主界面中根据路径添加菜单项（插件就是菜单），即逐层遍历’menus’路径下的文件夹和文件，找到特定后缀的文件（比如后缀为”plgs.py”），并添加为菜单项。这是整个插件加载的入口函数。 1 2 3 self.menubar = pluginloader.buildMenuBarByPath(self, 'menus', 'plugins', None, True) self.SetMenuBar( self.menubar ) 下面详

Prerequisites Linux系统还是建议选Ubuntu系的，首先是驱动支持得全面，再者是Ubuntu源很给力，安装软件不费劲。 这里选择的Linux发行版是Linux Mint 19，它也是Ubuntu系的，界面比原生的Ubuntu要舒服，且软件源也是用的Ubuntu的。 安装Nvidia GPU驱动 首先确认系统是否有Nvidia GPU驱动： 1 nvidia-smi 如果显示没有驱动的话，则需要下载安装驱动，可以有多种方式安装，最简单的一种是通过Ubuntu或Linux Mint的Driver Manager。打开该管理器，等待更新缓存后，就会有可用的Nvidia驱

==== 2019.7.20 更新：增加docker走代理 ==== docker也是不走.bashrc中配置的代理，需要走自己的配置文件，修改/etc/default/docker文件，增加： 1 2 HTTP_PROXY="http://[proxy-addr]:[proxy-port]/" HTTPS_PROXY="https://[proxy-addr]:[proxy-port]/" 然后重启docker服务。 参考见： Docker网络代理设置 ==== 2019.7.2更新：增加apt走代理 === Linux系统下经过下面的设置后，pip可以正常联网，但apt仍然无法

在学习OpenCV的分水岭算法时，找到Xuhui Zhao小朋友的一篇总结文章，把分水岭算法所需要的预处理和背景知识都讲解得非常透彻细致，特向他申请了转载权限，致谢～ 原文链接在这里。 =============================================================================== 二值图像距离变换 图像距离变换是二值化图像处理与操作中的常用手段， 其主要思想是通过标识空间点(目标点与背景点)距离，将二值化图像转换为灰度图像。 可用于骨架提取、图像窄化等等。它的结果是得到一张与输入影像类似的灰度图像， 但是灰度值只出现在前景区域

这是记录一下第一次跟阿里云服务器打交道的过程。。 购买 阿里云服务器有两种： （1）轻量应用服务器； （2）云服务器ECS 两者的区别可以参考如下： * ECS 还是轻量应用服务器，看完评测你就知道了 * 轻量应用服务器和ecs云服务器怎么选? 这里购买了Ubuntu服务器，所以下面的操作都是适用于Linux系统，关于Windows系统的配置详见阿里云文档。 配置为：2核 CPU | 2GB 内存 | 80GB SSD | 30Mbps 限制峰值带宽 | 3TB 每月流量 | 香港， 价格为：每月67元。 连接 有三种连接方式： 浏览器直连： 直接通过浏览器点击网页上的“远程连接

ImagePy简介 “ImagePy是一款基于 Python 的可扩展图像处理框架，融合了ImageJ与Python的优势，是一个轻量级的、可扩展的图像处理框架。”（语出ImagePy官网：http://www.imagepy.org/about/） ImagePy作为一个GUI框架，可以快速接入opencv、scikit-image、mayavi等python的第三方库，因此，在功能性和易用性上都有很好的表现。 ImagePy的作者是闫霄龙yxdragon，目前是成都坐标创意科技有限公司的CEO，真牛人~~ 项目的GitHub主页是：https://github.com/Image-Py/i

开篇说明 前面介绍过开发ImageJ的Python脚本的过程（在这里），这里介绍怎样开发ImageJ的插件。 插件相对于脚本来说，一方面，它的功能更加强大，可以认为是寄生在ImageJ上面的一个完备的小程序；另一方面，它使用Java开发，格式可以采用编译好的class文件，有利于保护代码不被泄露。 ImageJ由于历史原因，存在着ImageJ1和ImageJ2两个版本，且两者的API是迥然不同的，底层架构更是不同，导致两者的开发套路有很大差别。在写这篇tutorial时，深感两者在网上的文档资源相互交叉，论坛里的答案在不同版本间有时不适用。所以这里尝试从零开始一步步地记录ImageJ2的插件开

介绍 机器学习的寻找最优超参数是个老大难问题，scikit-learn提供了网格搜索GridSearchCV和随机搜索RandomizedSearchCV这两个函数来帮助寻找这些超参数。网格搜索的本质就是对参数空间形成的所有参数组合进行一个个的尝试，然后选出得分最高的那个，可能会忽略这些组合以外的参数，同时随着参数的增多，计算量也会指数增加。随机搜索是对参数的随机搜索，但没有充分利用搜索空间的结构。 skopt是一个超参数优化库，包括随机搜索、贝叶斯搜索、决策森林和梯度提升树等，用于辅助寻找机器学习算法中的最优超参数。这里是利用skopt的贝叶斯搜索来替代scikit-learn中的默认搜索方