現在の開発と導入計画
IOCPオーバーラップ/IOネットワークモデルの鍵割り当て
他のパソコンでキーボードで入力したものはすべて私のパソコンで見ることができます!
これはまだ足りない.一度に複数のパソコンをコントロールできる~@!
現在進行中です.
まだ初期段階ですが、
いくつかのデザインをしたいです.
今は上の写真のようですが、気兼ねなく値切るだけです.
その後、簡潔にロードしたい場合はウィンドウが表示されるコンソールも設計されました.
あるいは、クライアントのウィンドウのみを管理...このように区分されます.
Pythonの結果値をdllを使用せずにC/C++に読み込むプログラム
#最近、深度学習について学んでいます.「Pythonで動作するマシン/深度学習の結果値をc/c++から取得できますか?」開発開始
#Pythonで深さ学習で実行した結果値をc/c++に移動します.なぜなら、C/C++では、Python実行の深さ学習が実行時にロードされるからです.
原理はとても簡単です.サブプロセスでPython Interplierを作成し、I/Oパイプラインインポートを開きます.
前に示したように、Pythonがスクリプト形式でロードされているわけではありません.
実際、これはc++で作成されたプログラムで実行時にロードされたコンテンツをキャプチャした写真です.
これも完全に開発初期の段階であり,設計を適用せず,テストのためにどのようにロードされるかを確認するだけである.
これからはデザインをして、いろいろな形で配布するつもりです.
ここで用いるpython符号は一般的な線形回帰符号である.
混同する人々のためにもう一度言いますが、
C/C++でdllのない運転時にPythonコードを実行し出力結果をロードするプログラムです.
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
xData = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
yData = [1100, 2200, 3300, 4400, 5500, 6600, 7700, 8800, 9900, 11000]
W = tf.Variable(tf.random_uniform([1], -100, 100))
b = tf.Variable(tf.random_uniform([1], -100, 100))
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
H = W * X + b
cost = tf.reduce_mean(tf.square(H - Y))
a = tf.Variable(0.01)
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(5001):
sess.run(train, feed_dict={X: xData, Y: yData})
if i % 500 == 0:
print(i, sess.run(W), sess.run(b), sess.run(cost, feed_dict={X: xData, Y: yData}))
print(sess.run(H, feed_dict={X: [11]}))
Reference
この問題について(現在の開発と導入計画), 我々は、より多くの情報をここで見つけました https://velog.io/@dpmawile/devdiary001テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol