开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何区分空图像和有效图像？

空图像和有效图像是图像处理领域中的两个重要概念。区分空图像和有效图像的方法可以通过以下几个方面进行判断：

图像尺寸：空图像通常具有较小的尺寸，而有效图像通常具有较大的尺寸。这是因为空图像通常不包含任何有效的像素信息，而有效图像通常包含大量的像素信息。
图像亮度：空图像通常具有较低的亮度，而有效图像通常具有较高的亮度。这是因为空图像中没有有效的像素信息，而有效图像中的像素通常具有一定的亮度。
图像对比度：空图像通常具有较低的对比度，而有效图像通常具有较高的对比度。这是因为空图像中没有有效的像素信息，而有效图像中的像素通常具有较大的差异性。
图像频谱：空图像通常具有较低的频谱能量，而有效图像通常具有较高的频谱能量。这是因为空图像中没有有效的像素信息，而有效图像中的像素通常具有一定的频谱分布。
图像内容：空图像通常不包含任何有意义的内容，而有效图像通常包含具有一定语义的内容。这可以通过图像内容分析算法进行判断。

需要注意的是，以上方法只是一些常见的判断空图像和有效图像的方法，具体的判断方法还需要根据实际应用场景和需求进行调整和优化。

腾讯云相关产品和产品介绍链接地址：

图像处理相关产品：https://cloud.tencent.com/product/imagemoderation
人工智能相关产品：https://cloud.tencent.com/product/ai
多媒体处理相关产品：https://cloud.tencent.com/product/mps
存储相关产品：https://cloud.tencent.com/product/cos
区块链相关产品：https://cloud.tencent.com/product/baas
元宇宙相关产品：https://cloud.tencent.com/product/virtual-world

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

基于机器视觉的手机产品条码检测方案

本方案将搭建一个基于机器视觉的流水线检测手机条码平台，把产品放置于流水线上，高速工业相机对其逐一采集后传送到计算机进行一系列的处理，最终检测出条码是否合格并把不合格的条码分拣出来，完成自动检测手机条码质量的功能。

04

计算机视觉方向简介 | 手机产品条码检测方案

本方案将搭建一个基于机器视觉的流水线检测手机条码平台，把产品放置于流水线上，高速工业相机对其逐一采集后传送到计算机进行一系列的处理，最终检测出条码是否合格并把不合格的条码分拣出来，完成自动检测手机条码质量的功能。

03

火车头采集常用的纯正则过滤

为了得到一个标准的内容，在采集上必须下足功夫才行!编写好采集规则。每一个段落都是

　　没有多余的HTML标签和与主题无关的字符　　提取数据方式　　选择正则提取，组

04

深度强化学习一定要用到奖励工程吗？伯克利 AI 研究院：并不需要

AI 科技评论按：近年来，强化学习技术在控制领域大放异彩。然而，奖励函数的设计问题一直以来都是困扰着人们的「老大难」问题。近期，伯克利的研究人员提出了一种基于「事件变分逆控制」的端到端深度强化学习范式，使机器人无需依赖奖励工程便能实现高效的深度强化学习，成功地在机器人控制问题上取得了重大突破。伯克利 AI 研究院将相关成果发布在博客上，AI 科技评论编译如下。

02

深度学习500问——Chapter09：图像分割（5）

卷积神经网络结构的设计主要朝着两个方向发展，一个是更宽的网络（代表：GoogleNet、VGG），一个是更深的网络（代表：ResNet）。但是随着层数的加深会出现一个问题——梯度消失，这将会导致网络停止训练。到目前为止解决这个问题的思路基本都是在前后层之间加一个identity connections(short path)。

00

力扣题目汇总（最长连续递增序列，旋转图像（中等），宝石与石头）

你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。

01

NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 1. 背景阿尔茨海默氏病（AD）是引起痴呆症的主要原因，约占全世界病例的70％。到2050年，痴呆症的发病率将增加两倍，大多数新病例将出现在在中低收入国家。轻度认知障碍（MCI）是健康和痴呆症之间的一个阶段，其特征是认知缺陷但不影响日常生活。MCI患者罹患痴呆症的风险增加，在5年内平均进展率为39％。目前迫切需要低成本，可普及的方法来促进早期痴呆症的发现。脑电图（EEG）由于其低成本和便携性而具有解决这一需求的潜力。近期，发表在《NeuroImage》杂志的一项研究收集了老年AD患者（55岁），健忘性MCI（aMCI）和健康对照组（每组约60名）的静息状态EEG，结构MRI（sMRI）和大量的神经心理学数据，在此基础上评估了AD和aMCI分类的一系列候选EEG标记（即频段功率和功能连接），并将其分类性能与sMRI进行了比较。该研究还测试了脑电图联合认知量表分类模型。在对AD进行分类时，sMRI的表现优于静息状态EEG（AUCs分别为1.00和0.76）。但EEG和sMRI都只能较好地区分aMCI和健康老年人（AUCs=0.67–0.73），而且两种方法均未达到70％以上的灵敏度。相对于单独使用MMSE评分，EEG联合MMSE评分并没有优势。该研究是脑电图和sMRI对AD和aMCI分类的首次直接比较。 2.方法 2.1研究群体从Dokuz Eylul大学神经病学系的门诊招募了AD（n=118）和aMCI的老年人（n=134）。利用各种社区资源中招募健康的老年人（n=198；55岁及以上），包括在公共会议和大学广告牌上发布公告。AD诊断是根据美国衰老和老年痴呆症协会（NIA-AA）的标准做出的。AD患者的纳入标准是：a）隐匿性发作；b）日常功能受损（临床痴呆评分（CDR）评分为1）；c）两个或多个认知领域的损害；d）排除谵妄，痴其他原因引起的呆和其他主要精神疾病等。根据NIA-AA标准进行了aMCI诊断。 2.2诊断标准所有受试者均通过一系列全面的神经心理学测试进行评估，旨在通过以下测试评估言语和视觉情景记忆、注意力、执行功能、视觉空间技能和语言：MMSE、Oktem口头记忆能力测试（OVMPT）、韦氏记忆量表修订版（WMS-R）数字跨度测试、口语流利性测试（语义）、波士顿命名测试（BNT）和CDR量表。使用了Yesavage老年抑郁量表排除抑郁。最后，所以受试者进行了神经、神经影像和实验室检查。 2.3EEG数据获取根据国际10-20系统，将30个Ag / AgCl电极放在弹性帽（Easy-Cap；Brain Products GmbH；Gilching，德国）上记录脑电图，连接的耳垂电极（A1+A2）作为参考。记录室是电屏蔽的，声音衰减并且光线昏暗。从右眼的内侧上眼眶边缘和外侧眼眶边缘记录眼电图（EOG）。所有电极阻抗均小于10kΩ。脑电图和EOG通过带有0.03–70 Hz带通滤波器的Brain Amp 32通道DC系统机器进行放大，并以500 Hz的采样率在线数字化（Brain Products GmbH；Gilching，德国）。记录EEG：睁眼（EO）4分钟，闭眼（EC）4分钟。 2.4EEG数据预处理 EEGLAB结合FASTER插件进行预处理。将数据在0.1到70 Hz之间进行带通滤波，在50 Hz处陷波滤波，并以所有头皮电极为参考取平均。然后将其提取为2 s的数据段。FASTER删除了包含大伪迹（例如肌肉抽搐）和信号质量较差的内插通道数据。还使用FASTER自动识别了伪迹（即非神经）独立成分，并将其从数据中自动删除。然后视检数据质量，并去除任何残留的杂乱含噪数据。去除受额外噪声影响的42例数据（16AD,13aMCI,13HC）。剩余408例数据（102AD, 121aMCI, 185HC）。闭眼状态下，预处理和视检去除数据平均百分数为6.38%（SD=2.78%, median=5.23%,range=2.08-23.03%），睁眼状态为6.67%（SD=5.91%,median=4.85%,range=2.08-26.88%）。闭眼状态，去除的独立成分平均数为2.73（SD=0.92, MEDIAN=3,RANGE=1-5），闭眼脑电最终平均时长225s，（SD=9.89S,MEDIAN=227.46S,RANGE=184.72-235），睁眼脑电为224s，（SD=12.72S,MEDIAN=228.35,RANGE=175.48-235）。 2.5脑电频段和功率比计算使用具有Hann窗和0.5 Hz频率分辨率的多窗谱估计，对30个头皮电极上的绝对和相对功率进行谱分析。分别计算受试者睁眼和闭眼时脑电的功率，以探索这两种唤醒状态之间的潜在差异。包括以

00

DeepCluster：用于表示视觉特征的无监督学习聚类算法

在这篇文章中，我们要简单介绍Facebook 的“Deep Clustering for Unsupervised Learning of Visual Features”。

03

Facebook最新P图AI欺骗性超强，自适应换装调表情，还能隔空加入群聊！

现在的互联网信息呈爆炸式增长，而图片和视频表达的东西更丰富更直接，所以Facebook一直在加码图片和视觉AI领域。

02

XML 简介

XML 是 Extensible Markup Language 的缩写，即可扩展标记语言，是一种标记语言，也是一种简单的数据存储语言，XML 使用一系列简单的标记来描述结构化数据。

02

骗过83%网友！图像生成界天花板DALL-E 2竟然通过了图灵测试？

---- 新智元报道编辑：好困袁榭【新智元导读】关于DALL-E 2的各种争议八卦，自其面世时就没断过。最近，听说它还通过了图灵测试？！前几天，一位正在度假的网友得知了自己获得了「DALL-E 2」的访问权限。在思考了两秒之后，他决定搞一波事情。 DALL-E 2通过了图灵测试？旅游嘛，肯定是少不了各种游客照的。现在既然有了DALL-E 2，那是不是意味着可以不用亲自去拍照，而是用模型生成一个「度假经历」出来。反正，其他人应该也分辨不出来？为了验证自己的想法，这位名叫Matt

01

为啥你的UI界面感觉乱？这7个常见问题一定要避免

静电说：对于UI设计师来说，特别是对于初阶UI设计师或者UI初学者而已，排版的好坏是这个阶段核心要考虑的问题，也就是细节。但是不少同学总是在这个上边很不注重，总想着创意。没有了基础的创意就如同无本之源，是没有任何意义的。

04

现代图片性能优化及体验优化指南 - 图片资源的容错及可访问性处理

图片资源，在我们的业务中可谓是占据了非常大头的一环，尤其是其对带宽的消耗是十分巨大的。

01

Nat. Biomed. Eng. | 定量快、全自动、不染色：全息影像+深度学习让病毒无所遁形

今天我们介绍由美国加州大学洛杉矶分校电气与计算机工程系的Tairan Liu等学者发表在Nature上的工作。

03

自动驾驶激光点云 3D 目标检测 VoxelNet 论文简述

自动驾驶感知视觉有 2 个流派，分别是摄像头视觉和激光雷达视觉，本文分析激光雷达视觉当中经典的算法模型 VoxelNet。

03

OpenCV中使用模板匹配识别空闲的货架空间

假设你是一名在超市工作的员工，被要求在商店里四处走动，检查需要重新进货的货架。但是，超市有时会有多个区域来存放一种特定的产品，所以要跟踪购物者购买产品的确切位置并不容易。最重要的是，报告库存的空货架空间可能非常耗时，而且总是存在人为缺陷的可能性。这就是通过计算机视觉识别空的货架空间可能会派上用场的地方。

03

儿童期到成年早期灰质发育的年龄效应及性别差异

长期以来，人脑结构发育的神经影像学研究一致认为，灰质体积（Gray Matter Volume：GMV）和皮层厚度（Cortical Thickness：CT）在青少年期呈下降趋势。灰质密度（Gray Matter Density：GMD）作为与灰质体积密切相关的测量指标，其发展过程尚未得到系统化探索。本研究作为费城神经发展队列研究（Philadelphia Neurodevelopmental Cohort：PNC）的一部分，采集了1189例8～23岁年轻群体的T1影像数据，针对4项局部灰质指标的年龄效应及性别差异进行了比较分析。本研究采用自定义T1像分割和新型高分辨率灰质脑区分割手段，从1625个分割脑区中提取GMD，GMV以及灰质质量（Gray Matter Mass：GMM=GMD x GMV），CT，4项灰质指标。基于非线性模型的拟合分析揭示了，各灰质指标独特的年龄效应及性别差异。GMV和CT随年龄增长而下降，GMD则随年龄增长而升高且表现出最为强烈的年龄相关效应，GMM则呈轻微下降趋势。全脑范围内，女性群体的GMV指标低于男性，然而GMD指标则显著高于男性。以上结果发现表明，GMD能够作为评估大脑发育及认知发展的主要表型指标。此外，青少年期前后出现的灰质减少现象可能并非像以往研究认为的那样简单。本文作者强调，今后还需要结合组织测量学MRI研究，针对各项灰质指标的神经生物学意义进行更为深入的探讨。本文发表在The Journal of Neuroscience杂志

03

WordPress 数据库探究 #2 -- wp_posts

WordPress 主要被用作一个博客引擎的内容管理系统（简称 CMS）。所以我认为这个“内容”表是最重要的。静态页面，日志和附件都是内容，WordPress 把它们都放在一个表中 -- wp_posts。实际上，附件是被保存在它们原来的位置 -- 在磁盘的文件，但是 WordPress 用 wp_posts 表保存附件的元信息，如上传该附件用户的 ID，附件所属日志的 ID，上传的日期等等。

02

【图像分割模型】全景分割是什么？

这是专栏《图像分割模型》的第12篇文章。在这里，我们将共同探索解决分割问题的主流网络结构和设计思想。

03

数字视频基础知识

一、光和颜色 1 光和颜色可见光是波长在380 nm～780 nm 之间的电磁波，我们看到的大多数光不是一种波长的光，而是由许多不同波长的光组合成的。如果光源由单波长组成，就称为单色光源。该光源具有能量，也称强度。实际中，只有极少数光源是单色的，大多数光源是由不同波长组成，每个波长的光具有自身的强度。这称为光源的光谱分析。颜色是视觉系统对可见光的感知结果。研究表明，人的视网膜有对红、绿、蓝颜色敏感程度不同的三种锥体细胞。红、绿和蓝三种锥体细胞对不同频率的光的感知程度不同，对不同亮度的感知程度也不同。自然界中的任何一种颜色都可以由R，G，B 这3 种颜色值之和来确定，以这三种颜色为基色构成一个RGB 颜色空间。

02

【AI有识境】如何掌握好图像分割算法？值得你看的技术综述

进入到有识境界，可以大胆地说自己是一个非常合格的深度学习算法工程师了，能够敏锐地把握自己研究的领域，跟踪前沿和能落地的技术，对自己暂时不熟悉的领域也能快速地触类旁通。

02

播放器实战之ffplay数据结构解析

大家好，我是小涂，昨天晚上给大家进行了一场直播，这次直播内容主要分享了一些自己的学习方法和一些简单的理财分享，中途又再次出现了一次意外，原本是在b站上来进行直播的，后面有回音，影响直播效果，所以就备战到视频号了，后期直播就在视频号进行了,同时如果下次有直播会提前通知大家：

02

jQuery中的9个选择器

选择器是 jQuery 最基础的东西，本文中列举的选择器基本上囊括了所有的 jQuery 选择器，也许各位通过这篇文章能够加深对 jQuery 选择器的理解，它们本身用法就非常简单，我更希望的是它能够提升个人编写 jQuery 代码的效率。本文配合截图、代码和简单的概括对所有 jQuery 选择器进行了介绍，也列举出了一些需要注意和区分的地方。 1、基本选择器（重点） #id：根据元素的 id 属性来获取元素 element：根据元素的名称来获取元素 selector1,selector2：同时获取多个

02

通过Python查看微信共同好友

由于之前分享的代码有获取过微信好友头像，所以当时第一反应是通过itchat微信接口获取好友信息，比对两个人的好友信息列表就可以实现了。按理说这么简单的话，应该早有现成的代码了，然而并没有搜到，那正好，拿来练练手！

02

用 CNN 分 100,000 类图像

[Title]：Dual-Path Convolutional Image-Text Embedding

01

只需连接电脑摄像头，就能用深度学习进行实时对象检测

实时对象检测是一个非常有趣的话题。我们应如何可靠地检测视频输入中的人和其他现实生活中的物体？最近我设法构建了一个非常简单的应用程序，只需连接到用户的电脑网络摄像头就可自动检测对象。我想与大家分享一下我是如何构建这个应用程序以及我在此过程中遇到的一些有趣的问题和挑战。

02

【数据】深度学习从“数据集”开始

数据集链接：http://yann.lecun.com/exdb/mnist/，发布于1998年。

02

文件上传漏洞另类绕过技巧及挖掘案例全汇总

文件上传漏洞作为获取服务器权限最快的方式，虽然相关资料很多，但很多人对上传校验方式、如何针对性绕过检测、哪种上传和解析的场景会产生危害等还是比较模糊。本文作一些阐述，然后补充一些除了上传webshell的其他非常规挖掘姿势，包括XSS、重定向、Dos、CSRF等等。

02

HTML（初级）笔记

元素 + "HTML 标签" 和 "HTML 元素" 通常都是描述同样的意思. + 但是严格来讲, 一个 HTML 元素包含了开始标签与结束标签， + 元素组成：起始标签+元素内容+结束标签

03

动态RCNN | 动态训练实现高质量目标检测（附源码）

模型采用动态K-max pooling取出得分top-k的特征值，能处理不同长度的句子，并在句子中归纳出一个特征图，可以捕捉短和长期的关系。并且该模型不依赖解析树，适用于任何语言基。

01

瓜哥教我VS2015开发FLL，VFP混合C语言怎么样？

把pro_ext.h 和winapims.lib两个文件拷到main.cpp所在位置的lib下（方便把自己的代码跟库区分）

04

刚过一天就被拆台？LeCun 公开质疑谷歌《Nature》的乳腺癌 AI 研究成果

1月2日，Google Health联合公司旗下DeepMind、伦敦大学学院、剑桥大学、英国吉尔福德皇家萨里郡医院、初创公司Verily Life Sciences、斯坦福医疗中心、英国皇家马斯登医院等多个机构在《Nature》杂志上发表了一篇论文，介绍了一种新型的深度学习钼靶影像系统。

03

Linux应用开发【第七章】摄像头V4L2编程应用开发

Video for Linux two(Video4Linux2)简称V4L2，是V4L的改进版。V4L2是linux操作系统下一套用于采集图片、视频和音频数据的通用API接口，配合适当的视频采集设备和相应的驱动程序，可以实现图片、视频、音频等的采集。V4L2像一个优秀的快递员，将视频采集设备的图像数据安全、高效的传递给不同需求的用户。

03

landsat8波段组合

Landsat TM （ETM+）7个波段可以组合很多RGB方案用于不同地物的解译，Landsat8的OLI陆地成像仪包括9个波段，可以组合更多的RGB方案。

03

大会 | CVPR2017精彩论文解读：结合序列学习和交叉形态卷积的3D生物医学图像分割 | CVPR 2017

AI科技评论按：虽然CVPR 2017已经落下帷幕，但对精彩论文的解读还在继续。下文是宜远智能的首席科学家刘凯对此次大会收录的《结合序列学习和交叉形态卷积的3D生物医学图像分割》（Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation）一文进行的解读。 3D医学图像的切割的背景 3D医学图像的切割是医学图像处理里一个非常重要的工作，比如脑部MRI数据、肺CT数据和X光数据等等。现在大多数的3D

04

一小时掌握R语言数据可视化

ggplot2是R语言最为强大的作图软件包，有着自成一派的可视化理念，数据可视化是数据分析的重要一步，让我们通过由浅入深的掌握数据可视化的精髓。请尊重原创，转载请注明来源网站www.shareditor.com以及原始链接地址展开一张画布 ggplot2和其他作图工具不同，它是以图层覆盖图层的方式画出一个完美图像的，就像是photoshop里的图层，那么首先我们得有一张画布（如果没有安装R语言和ggplot2请见《十八-R语言特征工程实战》） [root@centos $] R> library

Suma-MOS: 可嵌入SLAM的实时高精度的动态物体分割网络框架(20Hz)

代码已开源：https://github.com/PRBonn/LiDAR-MOS

01

CVPR2018 | 让AI识别语义空间关系：斯坦福大学李飞飞组提出「参考关系模型」

选自arXiv 作者：Ranjay Krishna 等机器之心编译参与：张倩、路雪图像不仅仅是一组目标集合，同时每个图像还代表一个相互关联的关系网。在本文中，李飞飞等人提出了利用「参考关系」明确区分同类实体的任务。实验结果表明，该模型不仅在 CLEVR、VRD 和 Visual Genome 三个数据集上均优于现有方法，并且是可解释的，甚至能发现完全没见过的类别。日常用语中的参考式表达可以帮助我们识别和定位周围的实体。例如，我们可以用「踢球的人」和「守门的人」将两个人区分开（图 1）。在这两个例子中

05

Landsat8的不同波段组合说明

原文地址：Landsat8的不同波段组合说明作者： ENVI-IDL中国

02

每个UI / UX设计师都需要知道心理学

心理学，在用户使用APP时扮演着重要角色，对于APP的用户体验有很大的影响。通过心理学，了解到我们的设计如何被用户使用，得到反馈，从而进行调整，以便我们的APP更有效地实现用户的目标。

03

图扑智慧仓储数据可视化监控平台

随着市场竞争加剧和市场需求的不断提高，企业亟需更加高效、智能且可靠的仓储物流管理方式，以提升企业的物流效率，减少其输出成本，有效应对市场上的变化和挑战。

02

第三届大型VOS挑战赛中排名第一！AOT将实例与Transformer相关联来同时统一匹配和解码多个实例

本文分享一篇 NeurIPS 2021 的论文『Associating Objects with Transformers for Video Object Segmentation』，由浙江大学、百度、北京交通大学等联合提出一种将实例与Transformer（AOT）相关联的方法来同时统一匹配和解码多个实例。AOT模型在第三届大型VOS挑战赛中排名第一。

02

神奇动物在哪里，但导演是微软

一说到计算机视觉，大多数人第一时间联想到的便是“人脸识别”、“自动驾驶“、道路检测”等跟我们日常生活息息相关的关键词。而在2024年的5月末，微软在GitHub上面上传了这样一个计算机视觉的项目，完全不包含这些关键词，却吸引来了无数人围观，短短两天时间就冲到了700颗星。

01

未知物体也能轻松识别分割，效果可迁移 | DeepMind研究

Pine 发自凹非寺量子位 | 公众号 QbitAI 从来没有见过的新物体，它也能进行很好地分割。这是DeepMind研究出的一种新的学习框架：目标发现和表示网络（Object discovery and representation networks，简称Odin）以往的自我监督学习（SSL）方法能够很好地描述整个大的场景，但是很难区分出单个的物体。现在，Odin方法做到了，并且是在没有任何监督的情况下做到的。区分出图像中的单个物体可不是很容易的事，它是怎么做到的呢？方法原理能够很好地区

02

赠书 | 读懂生成对抗神经网络 GAN，看这文就够了

生成对抗神经网络（Generative Adversarial Nets，GAN）是一种深度学习的框架，它是通过一个相互对抗的过程来完成模型训练的。典型的GAN包含两个部分，一个是生成模型（Generative Model，简称G），另一个是判别模型（Discriminative Model，简称D）。生成模型负责生成与样本分布一致的数据，目标是欺骗判别模型，让判别模型认为生成的数据是真实的；判别模型试图将生成的数据与真实的样本区分开。生成模型与判别模型相互对抗、相互促进，最终生成模型能够生成以假乱真的数

01

adobe photoshop 认证证书

Adobe Photoshop是行业标准的图像编辑软件，在全球范围内被专业摄影师，业余摄影师和设计师使用，他们希望超越摄影机的拍摄范围来完善其数字图像。

04

OpenAI逆炼以文生图：参数缩水2/3性能却更强，还get局部编辑新技能｜可试玩

大家仔细看这效果，“使用计算器的刺猬”、“星空下的狐狸”、“彩色玻璃窗风格的熊猫吃竹子”、“太空升降舱蜡笔画”：

02

37. 如何从失焦的图像中恢复景深并将图像变清晰？

是的，我们今天就来看看另外一种图像模糊——即失焦导致的图像模糊——应该怎么样处理。

03

【AI前沿】深度学习基础：生成对抗网络（GAN）

生成对抗网络（GAN）是一种深度学习模型，通过两个神经网络的对抗训练来生成新的、与训练数据类似的数据。GAN由一个生成器和一个判别器组成。生成器的目标是生成看似真实的样本，而判别器的目标是区分真实样本和生成样本。

01

fd一个简单快速的find命令替代方案

大多数Linux用户都非常熟悉find命令以及可以使用的许多情况。今天我们将回顾一个名为 fd 的命令的替代方法。 fd ，是一款简单，快速且用户友好的工具，与查找相比，其工作速度更快。它并不是要完全取代 find ，而是为您提供一种易于使用的替代方案，其执行速度稍快一些。 fd特点直观的语法：fd PATTERN而不是find -iname '*PATTERN*'. 正则表达式（默认）和基于 glob 的模式。由于并行目录遍历，速度非常快。使用颜色突出显示不同的文件类型（与ls相同）。支持并行命令

00

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭