望城| 本溪市| 太仆寺旗| 威县| 如东| 迭部| 满城| 兴化| 88必发客户端 BR88 方城| fun88 武昌| 靖西| 建阳| app.1manbetx.com 安达| 遂溪| 清涧| bwin 永城| 曲水| 亚洲城vip官网是多少 广安| 博管理 manbetx网页版 四子王旗| 狗万滚球 桃源| 武当山| 大竹| 呼兰| 亚洲城电脑版官方网站 wanbet论坛 千阳| 吉利| 马祖| wanbetx登入 日喀则| 思南| 虎林| 绵阳| 贵池| 新青| 亚洲城网页 哈尔滨| 封开| fun88手机版 狗万体育app 刚察| 祁连| 神农顶| 赣榆| 巴楚| bwin必赢 济阳| dafabet手机版登陆 绿春| 青冈| manbetx2.0客户端 南岳| betway BR88 连平| 峨边| 阳朔| 辽中| 3344222 大名| 萨嘎| BR88官网 亚洲城vip登录 上思| 沁源| 瑞昌| bwin必赢 昭平| 福海| 道孚| BR88 uedbet黑平台 兴海| 靖西| 北辰| 望都| manbet官网 manbet官网 大荔| 石狮| 新都| 酒泉| 孟村| 屏南| 泗水| 容县| 启东| 隆化| 兰西| 万博app 东莞| 北票| 南召| 安图| 句容| 桃源| 漳平| 普宁| manbetx娱乐 碌曲| manbetx官网 德州| betway88必威 芮城| 仁寿| 尼勒克| ca88 广元| 宝清| 桃源| ca88亚洲城电脑版 巴东| 疏勒| 冠亚彩票 宜君| 南召| 息烽| 汶上| opebet ag平台如何骗赌 呼玛| 万博体育2.0 云集镇| 乐昌| 牟定| 香格里拉| dafa888bet 师宗| 攀枝花| 桐梓| BR88 黄冈| ca88网页版版登录网址 上街| dafa888t娱乐场经典版 普陀| fun788 肃北| 定陶| 沁水| 大宁| dafabet手机娱乐版 邹城| 龙里| 汤阴| wwwdafa888bet 临沂| 平定| betway必威 扎赉特旗| 东光| 元坝| 乌伊岭| 邯郸| 亳州| 万博manbetx官网 必威体育 自贡| 同德| br88冠亚 张家界| 宁国| br88冠亚 禄丰| 泗水| manbetx万博官网 屏山| uedbet体育 弓长岭| 张北| 自贡| 八公山| 河池| 玉林| wwwdafabet888.casino 浮山| fun88娱乐 wwwdafabet888.casino manbetx万博官网 久治| 苍南| 巧家| 德格| 桃园| 新万博体育 庐山| 石渠| 优德w88会员登录 临江| 南乐| manbetx娱乐 广东| 万博官网manbetx 新万博体育 新版ued回归 温县| 泗阳| 蓬莱| bwin娱乐 uedbet新版 临城| 城固| 淮阴| 东乡| 武宣| 万博体育下载 镇雄| wwwdafa888bet 盐城| 必威体育 www.3344222.com 凉城| 天池| manbetx体育滚球 betway必威 安丘| 亚洲城电脑版官方网站 新竹市| 浮山| 红古| 若羌| 汤阴| fun88 行唐| 万博manbetx客户端 双柏| 连江| 东阿| 琼结| 贺州| 新建| br88冠亚 万博体育合并 BR88 bet365中国官网 w88 fun88乐天堂 建瓯| 必赢bwin 鄂温克族自治旗| 零陵| 射洪| 五台| 兴义| 营山| 百喜登录 靖边| 黔西| 肃宁| 上街| 尖扎| dafabet888 普格| dafa88 狗万买球 凤翔| 冠亚br88 凤阳| 灵石| 小金| 长武| 华亭| 娄烦| 万博体育manbetx 凤冈| 手机寰宇浏览器官网 ag平台苹果版下载 集安| 六合| 临汾| 惠安| weide 钦州| 亚洲城官方网站 西吉| br88 新万博体育登录网址 opebet怎么样 狗万博app 梅县| 潮州| uedbetapp manbetx娱乐 3344333 br88 苏州| 正安| 亚洲城手机客户端下载 衢江| fun88 东平|

惊人的“机票退改签”诈骗:13元钱买公民航班信息

2018-12-12 04:33 来源:有问必答

  惊人的“机票退改签”诈骗:13元钱买公民航班信息

  亚洲城ca88手机网页版  强化整改问责坚持靶向施治  习近平总书记强调,“当前形式主义、官僚主义依然突出,又有新的表现形式。2018-08-0317:13我们之所以能不断促进现代市场经济的生长和发展,政府的主导作用至关重要。

近日,江西省抚州市南丰县70万亩蜜桔迎来收获季,桔农们通过水路成批运输蜜桔,满载而归。  2016年1月12日,习近平总书记在第十八届中央纪律检查委员会第六次全体会议上的讲话中指出,全面从严治党,核心是加强党的领导,基础在全面,关键在严,要害在治。

      【专家简介】  许耀桐,国家行政学院一级教授、博士生导师;国家行政学院行政文化委员会副会长、政治学教研部及科研部原主任。2018-08-1415:18“一带一路”不是中国的“独角戏”,而是在“共商、共建、共享”基础上的双边或多边的经济合作;不是中国争夺区域或全球范围内地缘优势的措施,而是开放包容、面向全球的合作倡议。

  2018-11-1418:15首届中国国际进口博览会是中国主动向世界扩大开放,实现互利共赢和共同繁荣发展的重大举措;也是中国坚持改革开放政策,统筹利用国内国际两个市场、两种资源,推动中国经济高质量发展的关键一招。  【主要学术成果】  著作:  1.《中国近代史稿》(3册),合著,人民出版社,1978年,1984年再版  2.《简明中国近代史图集》,独著,长城出版社,1984年  3.《中国近代史简明读本》,合著,中国青年出版社,1984年8月  4.《中国近代史稿地图集》,独著,中国地图出版社,1984年12月;《中国近代史稿地图集》(缩小本,1/32开本),中国地图出版社,1987年12月  5.《中国军事史略》,合著,军事科学出版社,1992年3月  6.《追求集:近代中国历史进程的探索》,独著,社会科学文献出版社,1998年  7.《历史不能忘记》丛书:《以史为鉴面向未来——开篇语》,合著,中国民主法制出版社,1999年  8.《20世纪的中国政坛风云卷》,主笔,甘肃人民出版社,1999年12月  9.《辛亥革命史话》,合著,社会科学文献出版社,2000年,2011年再版  10.《国耻百谈》,合著,中华书局,2001年  11.全国干部学习读本《从文明起源到现代化——中国历史25讲》,合著,人民出版社,2002年  12.《二十世纪中国人文学科学术研究史丛书中国近代史研究》,合著,福建人民出版社,2005年  13.《东厂论史录——中国近代史研究的评论与思考》,独著,广东人民出版社,2005年  ,podredakcjaRomanaSlawinskiego,KsiegarniaAkademicka,Krakow2005(波兰文版:中国近代史,施乐文主编,波兰科学院出版社,克拉科夫,2005年)TheModernHistoryofChinaEditedbyRomanSlawinskiPublishedbyKsiegarniaAkademika,Krakow,Poland,2006(英文版)  15.《中国近代通史》十卷本,合著,江苏人民出版社,2007年;凤凰出版传媒集团凤凰文库版,2009年  16.《张海鹏集》,独著,中国社会科学出版社,2008年  17.《书生议政—中国近代史学者看台湾的历史与现实》,独著,台北海峡学术出版社,2010年;北京九州出版社,2011年[责任编辑:王锦宝]101

1994年8月任中央财经领导小组办公室副主任兼机关党委书记。

    中国需要发展特色小镇,但并不是所有的地方都适合发展特色小镇,也不是所有的企业都能建好特色小镇,更不是在短时间就可以打造出成功的特色小镇。

  2018-10-1915:48制造业是国家综合实力和国际竞争力的体现。2018-08-2415:00“一带一路”是新型的全球化,致力于构建“去中心化”的全球治理。

  2018-10-1915:48制造业是国家综合实力和国际竞争力的体现。

  2018-11-1310:142018年11月13日讯,据美媒报道,有“漫威之父”之称的美国漫画界元老级人物斯坦·李于当地时间12日在好莱坞一家医疗中心去世,享年95岁。新华社发(周海军摄)  这是11月14日拍摄的盱眙县天泉湖红杉林景色。

  2018-09-0716:50如果在一个城市或区域内的住房租赁企业通过资本优势形成了垄断优势,最后几家大的租赁企业就可能形成区域性甚至全国性的垄断竞争格局,最终会影响租房服务的供给数量和价格。

  乐天堂fun8811月11日到17日,上海体育学院中国乒乓球学院巴新训练中心第一期训练营第二阶段的训练在巴布亚新几内亚的莫尔兹比港举办,上海体育学院副院长、中国乒乓球学院院长施之皓与上海体育学院中国乒乓球学院教师、奥运冠军张怡宁来到训练中心指导巴布亚新几内亚国家队队员。

  在以习近平同志为核心的党中央坚强领导下,我们积极适应和引领经济发展新常态,坚持全面深化改革,坚持创新驱动发展,加快经济发展方式转变和经济结构调整,经济运行保持在合理区间,实现了“十三五”时期良好开局,经济发展呈现诸多亮点。长江江豚是一种古老的水生哺乳动物,在地球生活已有2500万年,被称为长江生态的“活化石”,仅分布于长江中下游干流及与之相连的鄱阳湖、洞庭湖等水域。

  br88 manbetx登录 韦德1946

  惊人的“机票退改签”诈骗:13元钱买公民航班信息

 
责编:
炼数成金 门户 商业智能 深度学习 查看内容

惊人的“机票退改签”诈骗:13元钱买公民航班信息

betway88 2018-11-1408:542018-11-1408:5311月13日,在贵州省丹寨县兴仁镇城望村,村民在探讨刺绣技艺。

2018-12-12 15:09| 发布者: 炼数成金_小数| 查看: 13853| 评论: 0|来自: 机器之心

摘要: Detectron 是 Facebook AI Research 实现顶尖目标检测算法(包括 Mask R-CNN)的软件系统。该系统是基于 Python 和深度学习框架 Caffe 2 而构建的。Detectron 目前包含以下目标检测算法的实现:Mask R-CNN 、RetinaN ...

Python 工具 模型 开源 GPU

近日,Facebook AI Research 开源了 Faster R-CNN 和 Mask R-CNN 的 PyTorch 1.0 实现基准:MaskRCNN-Benchmark。相比 Detectron 和 mmdetection,MaskRCNN-Benchmark 的性能相当,并拥有更快的训练速度和更低的 GPU 内存占用。

项目地址:https://github.com/facebookresearch/maskrcnn-benchmark


MaskRCNN-Benchmark 目标检测示例。

Detectron 和 mmdetection
Detectron 是 Facebook AI Research 实现顶尖目标检测算法(包括 Mask R-CNN)的软件系统。该系统是基于 Python 和深度学习框架 Caffe 2 而构建的。Detectron 目前包含以下目标检测算法的实现:Mask R-CNN 、RetinaNet、Faster R-CNN、RPN、Fast R-CNN、R-FCN。

mmdetection 是商汤和港中文近日联合开源的基于 PyTorch 的开源目标检测工具包。该工具包支持 Mask R-CNN 等多种流行的检测框架,读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。和 Detectron 对比,mmdetection 的性能稍高、训练速度稍快、所需显存稍小。

mmdetection 第一个版本中实现了 RPN、Fast R-CNN、Faster R-CNN、Mask R-CNN,近期还计划放出 RetinaNet 和 Cascade R-CNN。但更重要的是,基于 PyTorch 和基于 Caffe2 的 code 相比,易用性是有代差的。成功安装 Detectron 的时间,大概可以装好一打的 mmdetection。

MaskRCNN-Benchmark 项目亮点:
PyTorch 1.0:相当或者超越 Detectron 准确率的 RPN、Faster R-CNN、Mask R-CNN 实现;
非常快:训练速度是 Detectron 的两倍,是 mmdection 的 1.3 倍。
节省内存:在训练过程中使用的 GPU 内存比 mmdetection 少大约 500MB;
使用多 GPU 训练和推理;
批量化推理:可以在每 GPU 每批量上使用多张图像进行推理;
支持 CPU 推理:可以在推理时间内于 CPU 上运行。
提供几乎所有参考 Mask R-CNN 和 Faster R-CNN 配置的预训练模型,具有 1x 的 schedule。

MaskRCNN-Benchmark Model Zoo 基线模型性能数据
地址:https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/MODEL_ZOO.md

硬件
8 NVIDIA V100 GPUs

软件:
PyTorch version: 1.0.0a0+dd2c487
CUDA 9.2
CUDNN 7.1
NCCL 2.2.13-1

端到端 Mask R-CNN 和 Faster R-CNN 基线模型
所有的基线模型都使用了和 Detectron 相同的实验设置,检测模型权重使用 Caffe2 中的 ImageNet 权重初始化,这和 Detectron 是一样的。预训练模型通过下表中的 model id 链接获取。


和 Detectron、mmdetection 的性能对比

训练速度
下表中的数据单位是秒/迭代,越低越好。(mmdetection 中备注的硬件和 maskrcnn_benchmark 是不同的)


训练内存(越低越好)


推理准确率(越高越好)


Webcam 和 Jupyter notebook demo

该项目提供了一个简单的 webcam demo,展示如何使用 maskrcnn_benchmark 进行推理:

cd demo# by default, it runs on the GPU# for best results, use min-image-size 800
python webcam.py --min-image-size 800# can also run it on the CPU
python webcam.py --min-image-size 300 MODEL.DEVICE cpu# or change the model that you want to use
python webcam.py --config-file ../configs/caffe2/e2e_mask_rcnn_R_101_FPN_1x_caffe2.py --min-image-size 300 MODEL.DEVICE cpu# in order to see the probability heatmaps, pass --show-mask-heatmaps
python webcam.py --min-image-size 300 --show-mask-heatmaps MODEL.DEVICE cpu

安装
教程地址:https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/INSTALL.md

安装要求:
PyTorch 1.0 的每日测试版本,安装说明:https://pytorch.org/get-started/locally/
torchvision
cocoapi
yacs
(可选)OpenCV(用于 webcam demo)

# maskrnn_benchmark and coco api dependencies
pip install ninja yacs cython
# follow PyTorch installation in https://pytorch.org/get-started/locally/# we give the instructions for CUDA 9.0
conda install pytorch-nightly -c pytorch
# install torchvisioncd ~/github
git clone git@github.com:pytorch/vision.gitcd vision
python setup.py install
# install pycocotoolscd ~/github
git clone git@github.com:cocodataset/cocoapi.gitcd cocoapi/PythonAPI
python setup.py build_ext install
# install PyTorch Detectioncd ~/github
git clone git@github.com:facebookresearch/maskrcnn-benchmark.gitcd maskrcnn-benchmark# the following will install the lib with# symbolic links, so that you can modify# the files if you want and won't need to# re-build it
python setup.py build develop

通过几行代码进行推理
该项目提供了一个 helper 类来简化编写使用预训练模型进行推理的流程,只要在 demo 文件夹下运行以下代码:

from maskrcnn_benchmark.config import cfgfrom predictor import COCODemo

config_file = "../configs/caffe2/e2e_mask_rcnn_R_50_FPN_1x_caffe2.yaml"# update the config options with the config file
cfg.merge_from_file(config_file)# manual override some options
cfg.merge_from_list(["MODEL.DEVICE", "cpu"])

coco_demo = COCODemo(
    cfg,
    min_image_size=800,
    confidence_threshold=0.7,
)# load image and then run prediction
image = ...
predictions = coco_demo.run_on_opencv_image(image)

在 COCO 数据集上执行训练
为了运行以下示例,你首先需要安装 maskrcnn_benchmark。你还需要下载 COCO 数据集,推荐按以下方式符号链接 COCO 数据集的路径到 datasets/。我们使用来自 Detectron 的 GitHub 的 minival 和 valminusminival 集合。

# symlink the coco datasetcd ~/github/maskrcnn-benchmark
mkdir -p datasets/coco
ln -s /path_to_coco_dataset/annotations datasets/coco/annotations
ln -s /path_to_coco_dataset/train2014 datasets/coco/train2014
ln -s /path_to_coco_dataset/test2014 datasets/coco/test2014
ln -s /path_to_coco_dataset/val2014 datasets/coco/val2014

你也可以配置你自己的到数据集的路径。为此,你需要让 maskrcnn_benchmark/config/paths_catalog.py 指向你的数据集保存的位置。你也可以创建一个新的 paths_catalog.py 文件,其实现了相同的两个类,并在训练过程中将它作为一个配置参数 PATHS_CATALOG 传递。

单 GPU 训练
python /path_to_maskrnn_benchmark/tools/train_net.py --config-file "/path/to/config/file.yaml"

多 GPU 训练
该项目使用内部的 torch.distributed.launch 以启动多 GPU 训练。这个来自 PyTorch 的效用函数可以产生我们想要使用 GPU 数目的 Python 进程,并且每个 Python 进程只需要使用一个 GPU。

export NGPUS=8
python -m torch.distributed.launch --nproc_per_node=$NGPUS /path_to_maskrcnn_benchmark/tools/train_net.py --

添加你自己的数据集
该项目添加了对 COCO 类型数据集的支持,为在新数据集上训练添加支持可以通过以下方法实现:

from maskrcnn_benchmark.structures.bounding_box import BoxList
class MyDataset(object):
    def __init__(self, ...):
        # as you would do normallydef __getitem__(self, idx):
        # load the image as a PIL Image
        image = ...# load the bounding boxes as a list of list of boxes# in this case, for illustrative purposes, we use# x1, y1, x2, y2 order.
        boxes = [[0, 0, 10, 10], [10, 20, 50, 50]]
        # and labels
        labels = torch.tensor([10, 20])

        # create a BoxList from the boxes
        boxlist = Boxlist(boxes, size=image.size, mode="xyxy")
        # add the labels to the boxlist
        boxlist.add_field("labels", labels)

        if self.transforms:
            image, boxlist = self.transforms(image, boxlist)

        # return the image, the boxlist and the idx in your datasetreturn image, boxlist, idx

    def get_img_info(self, idx):
        # get img_height and img_width. This is used if# we want to split the batches according to the asp

就这样。你可以添加额外的字段到 boxlist,例如 segmentation masks(使用 structures.segmentation_mask.SegmentationMask),或甚至是你自己的实例类型。如果想了解 COCO 数据集实现的完整过程,可以查看:https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/maskrcnn_benchmark/data/datasets/coco.py

声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2018-12-12 11:59 , Processed in 0.216009 second(s), 25 queries .