我的个人网站
This part 1 of the page costs the default 5 points to buy.
myCRED 特性丰富，下面列出了其主要特性：
优质内容，付费阅读！（测试）
所有用户：
all users:[mycred_users_of_all_ranks]
前面那个象棋连线器简易版，总有那么几个盘面图识别不完整。本次基于深度学习框架tensorflow搭建卷积神经网络，利用自己的棋盘图文件制作类cifar10棋子数据集，再通过训练好的cnn模型，识别出完整棋盘图的fen串。制作方法如下：
1、用自己的棋盘图文件制作类cifar10棋子数据集。采集样本图像，把不同兵种的棋子图像文件分别存于工作目录 _strWorkingFolder 下不同的子文件夹中，子文件夹依次命名为类别名（如rook、knight共10类），图像文件名则随意。
2、用renBatchImag（）函数按照“类别名_顺序号.jpg”的形式批量重命名各类别子文件夹下所有图像文件，如：”rook_1.jpg”、”rook_2.jpg”和”knight_1.jpg”、”knight_2.jpg”。这步也可省略。
3、用img2bin()函数把全部准备好的样本图像生成想要的二进制数据集(含data_batch_x.bin、test_batch.bin及makeBatchesMeta.txt等7个文件)。 CCifar10 binData; binData.img2bin( “c:\\dl\\Pieces”);
4、将 tensorflow/models/image/cifar10 模块中获取数据的部分参数修改成为适合自己数据集。
5、完成在自定义数据集上用 tensorflow/models/image/cifar10 模块的源码训练测试。
6、输入棋盘图，输出fen串，搞定。
spyder的官方文档：
https://pythonhosted.org/spyder/
节选自“https://blog.csdn.net/vagrantabc2017/article/details/77002231”
Tensorflow API分两类：
TensorFlow Core：适合细粒度的控制模型。
高层API：如 tf.contrib.learn，是对core的封装，更好用。但contrib目前不稳定。TensorFlow程序分两块：1）构造计算图 2）运行计算图
计算图由节点和边组成，程序不会刻意构造边。
节点包括：常量节点，操作节点，占位符节点，变量节点等。
继续阅读“Tensorflow入门（浅显易懂的例子更容易豁然开朗）”
1、基本概念
棋局达到特定盘面，到底孰优孰劣，就需要一个数学模型来进行静态判定，这个进行静态判定的数学模型通常也叫评估函数。记忆中高等数学里有关多项式的内容中表示，不管多么复杂的评估函数,都可以用多项式逼近这个函数（泰勒公式？）。这个多项式是影响局面优劣的各种因素量化后的加权和。从而问题最终归结于如何选择影响局面优劣的因素及对应的权重，最后计算出多项式的值即为局面评价最终得分。 继续阅读“局面评估初探”
味调配是指在烹调过程中, 运用各类调料和各种手法, 使菜肴的滋味、香气、色彩和质地等风味要素达到最佳效果的工艺过程。风味调配是烹调工艺的重要内容。各种菜肴感官性状、风味特征的确定, 虽然离不开烹制工艺, 但要达到菜肴的质量要求, 调配工艺也起着非常重要的作用。通过调配工艺可以使菜肴的风味特征如色泽、香气、滋味、形态、质地等得以确定或基本确定。风味调配工艺也是菜式创新的重要手段。调配形式和方法的变化, 必然会导致菜肴的风味、形态等方面的改变, 并使烹调方法与这种改变相适应。 继续阅读“风味调配之调味、调香等”
蒸又称汽锅、蒸锅，是将已加工整理过的烹饪原料装入蒸锅，采用一定的火力，通过蒸汽将烹饪原料制成半成品的初步热处理。
汽蒸的作用
汽蒸是很有特色的初步热处理，具有较高的技术性。在封闭状态下要掌握加热的火候，就必须对烹饪原料的质地和体积、加热的温度、加热所需时间和总供热量等有所了解，这样才能达到成品菜肴的质量要求。
汽蒸可保持烹饪原料的形态 烹饪原料经加工后放入蒸锅，在封闭状态下加热，无翻动、无较大冲击，所以半成品可保持入蒸锅时的原有状态（可根据烹调菜肴的需求定型）。 继续阅读“汽蒸”