小编K.W*_*ter的帖子

我是新来的opencv，用ubuntu 14.04的，我很困惑与差异opencv，python-opencv以及libopencv，因为我有libopencv和python-opencv安装在我的系统，但我没有cv接口访问，所以我必须安装opencv它是非常难比python-opencv及libopencv。

我已经Anaconda以用户帐户的身份在服务器上安装了软件包，然后keras由安装了conda install keras，但是安装后，当我运行时import keras，它引发了no module names keras，有人可以帮忙吗？非常感谢！

Keras遮罩层可用于处理RNN的可变长度序列训练。当我使用它们时，与单批训练相比，蒙版层的准确性较低。我怀疑我没有正确使用遮罩层。

我的目标是训练LSTM学习如何拼写单词。这些序列是不同的英语单词，用一键表示编码。以下是数据编码部分的代码：chars是组成序列的所有字母的集合，mylist是序列的列表，是序列MAXLEN的最大长度。

char_indices = dict((c, i) for i, c in enumerate(chars))
indices_char = dict((i, c) for i, c in enumerate(chars))

X = np.zeros((len(mylist), MAXLEN, len(chars)), dtype=np.bool)
y = np.zeros((len(mylist), MAXLEN, len(chars)), dtype=np.bool)

for i, sentence in enumerate(mylist):
    for t in range(len(sentence)-Data_end):
        X[i, t, char_indices[sentence[t]]] = 1
        y[i, t, char_indices[sentence[t+1]]] = 1

我的网络定义为：

model = Sequential()
model.add(Masking(mask_value=0., input_shape=(None, len(chars))))
model.add(LSTM(2000, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(2000, return_sequences=True))
model.add(Dropout(0.2))
model.add(TimeDistributed(Dense(len(chars))))
model.add(Activation('softmax'))

sgd = SGD(lr=lr_init, decay=decay_init, momentum=momentum_init, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd) …

我不记得我做了什么导致了这个问题，内容是垂直拉伸的，即使重新安装最新版本的foxit reader后，问题仍然存在，我使用的是ubuntu 16.04。现在我的福昕阅读器显示 pdf 格式

而正确的应该是

我用谷歌搜索了一下，得到了类似的报告问题：Wrong aspect Ratio on Linux version of Reader，但问题没有解决

我试图在我的代码上使用远程调试，我设置了远程解释器并且它工作了，我在一个函数上设置了一个断点，它停在那里：

predictions = self.box_predictor(att_feats)

但是当我尝试进入这个函数时，Pycharm 引发了

Couldn't apply path mapping to the remote file

完整输出如屏幕截图所示

我尝试了建议的方法但不起作用，有人可以帮忙吗？

在服务器上安装 Anaconda 包后，我尝试source ~/.bashrc设置 env 变量，但它引发了一个错误export: Command not found，我的.bashrc文件是这样的：

# added by Anaconda3 4.2.0 installer
export PATH="/projdata3/info_fil/wangtao/conda/bin:$PATH"

有人可以帮忙吗？非常感谢！

有没有一种方法（代码脚本）将Tensorflow Batchnorm和Dropout层合并到卷积层中以进行推理以加快计算速度？

我搜索了一段时间，但没有得到相关的答案。

Caffe有reshape层实现,但说我想先重塑的一个blob (1, n, k, p)来(1, a, b, k, p),在那里n= a*b,然后调换它塑造(1, b, a, k, p),如何实现这种操作,我知道我可以写一个单独的蟒蛇层,做这一切与numpy.reshape和numpy.transpose,但是这将是不高效,是吗？