我目前正在学习使用Python的OpenCV API,这一切都很好.我正在取得不错的进展.部分内容来自Python语法的简单性,而不是将其与C++一起使用,我还没有尝试过.我已经意识到,如果我打算做任何生产质量,我必须在某些时候弄脏OpenCV的C++绑定.

就在最近,我遇到了dlib,它也声称可以完成OpenCV所做的所有事情.它用C++编写,也提供Python API(惊喜).任何人都可以根据自己的实施经验担保dlib吗？

我正在刷新我的"C"知识.我得到Arrays 衰减到指针以及它是如何工作的.在字符串处理中,我一直在运行看起来像这样的代码;

int count_spaces(const char *s)
{
    int count = 0;

    for(; *s != '\0'; s++){
        if(*s == ' '){
            count++;
        }
    }

return count;

}

我从字符串处理代码中获得了什么性能提升而不是编写我的函数？

int count_spaces(const char s[])
{
    int count = 0, i;

    for(i = 0; s[i] != '\0'; i++)
    {
        if(s[i] == ' '){
            count++;
        }
    }
return count;

}

是否有一个简单的词典可供使用何时使用指针而何时不使用？

以下是使用PyTorch中的nn.functional（）模块的前馈网络

import torch.nn.functional as F

class newNetwork(nn.Module):
    def __init__(self):
       super().__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64,10)

    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = F.softmax(self.fc3(x))
        return x

model = newNetwork()
model

以下是使用nn.sequential（）模块进行本质上相同构建的相同前馈。两者之间有什么区别？什么时候我可以使用一个而不是另一个？

input_size = 784
hidden_sizes = [128, 64]
output_size = 10

建立前馈网络

 model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[0], hidden_sizes[1]),
                      nn.ReLU(),
                      nn.Linear(hidden_sizes[1], output_size),
                      nn.Softmax(dim=1))
    print(model)