ICMP ping是您遇到过的最常见的网络扫描类型。 打开命令行提示符或终端并输入ping www.google.com非常容易。
为什么要在python中实现？
直接上代码：
#!/usr/bin/python3
# -*- coding: utf-8 -*-
# 技术支持：https://www.jianshu.com/u/69f40328d4f0
# 技术支持 https://china-testing.github.io/
# https://github.com/china-testing/python-api-tesing/blob/master/practices/ping.py
# qq群144081101 567351477
# CreateDate: 2018-11-22
import os
import argparse
import socket
import struct
import …Tensorboard是可视化图形界面。并包含理解，调试和优化模型的其他工具。
如果查看图表，可以了解模型的工作原理。
tensorboard背后的基本思想是神经网络为黑盒子，我们需要工具来检查这个盒子里面的东西。您可以将tensorboard想象成一个手电筒。
它有助于理解操作之间的依赖关系，如何计算权重，显示损失函数和许多其他有用信息。当您将所有这些信息组合在一起时，您就拥有了很好的工具来调试并改进模型。
神经网络决定如何在模型预测结果之前连接不同的“神经元”和多少层。一旦定义了体系结构，您不仅需要训练模型，还需要使用度量来计算预测的准确性。该度量被称为损失函数。目标是最小化损失函数。换句话说，这意味着模型减少了错误。所有机器学习算法将重复多次计算，直到损失达到更平坦的线。要最大限度地减少此丢失功能，您需要定义学习率。这是您希望模型学习的速度。如果您将学习率设置得太高，则模型没有时间学习任何东西。左图是这种情况 …
read more自2016年以来，人工智能越来越受欢迎，20％的大公司在其业务中使用人工智能（麦肯锡报告，2018年 report ）。根据同一报告，AI可以为各行业创造巨大价值。例如，在银行业，人工智能的潜力估计为3000亿美元，零售业的数量猛增至6000亿美元。
为了释放人工智能的潜在价值，公司必须选择正确的深度学习框架。
在此列表中，我们将比较顶级的深度学习框架。所有这些都是开源的，并且在数据科学家社区中很受欢迎。
Torch是一个古老的开源机器学习库。它首次发布于15年前。它是主要的编程语言是LUA，但在C中有实现。Torch支持庞大的机器学习算法库，包括深度学习。它支持并行计算的CUDA实现。
大多数领先的实验室都使用Torch，如Facebook，Google，Twitter，Nvidia等。 Torch的Python库名为Pytorch。
Infer.net由Microsoft开发和维护。 Infer.net是主要关注贝叶斯统计。 Infer.net旨在为从业者提供最先进的概率建模算法。该库包含分析工具，如贝叶斯分析，隐马尔可夫链，聚类。
在机器学习中，模型被提供称为特征向量的对象列表。特征向量可以是任何数据类型。特征向量通常是填充张量的主要输入。这些值将通过张量流入op节点，此操作/计算的结果将创建一个新的张量，该张量又将用于新的操作。所有这些操作都可以在图表中查看。
在TensorFlow中，张量是n维的特征向量（即阵列）的集合。例如，2x3矩阵，其值为1到6
TensorFlow将此矩阵表示为：
[[1,2,3]，
[4,5,6]]
如果我们创建一个值为1到8的三维矩阵
TensorFlow将此矩阵表示为：
[[[1,2]，
[[3,4]，
[[5,6]，
[[7,8]]
注意：张量可以用标量表示，也可以有三维以上的形状。可视化更高维度级别更加复杂。
张量具有三个属性的对象：name、shape、dtype
TensorFlow执行的每个操作都涉及张量的操作。您可以创建四个主要张量：tf.Variable，tf.constant，tf …
read more目前，世界上最出名的深度学习库是Google的TensorFlow。 Google在其所有产品中使用机器学习来改进搜索引擎，翻译，图片字幕或推荐。
Google用户可以通过AI体验更快，更精准的搜索。如果用户在搜索栏中键入关键字，则Google会提供有关下个字词的建议。
谷歌希望利用机器学习来利用其庞大的数据集，为用户提供最佳体验。角色分工有：研究人员、数据科学家、程序员。
谷歌不止拥有世界最大的海量数据，还拥有世界上最庞大的计算机集群，所以TensorFlow是按比例建造的。 TensorFlow是由Google Brain Team开发的库，用于加速机器学习和深度神经网络研究。
它在多个CPU或GPU甚至移动操作系统上运行，支持多种语言的包装器，如Python(为主)，C++或Java。
几年前深度学习在提供大量数据时开始超越所有其他机器学习算法。谷歌看使用这些深度神经网络来改善其服务：Gmail、照片、谷歌搜索引擎
他们构建了Tensorflow的框架，让研究人员和开发人员在AI模型上协同工作。
Tensorflow于2015年底首次公开，第一个稳定版本于2017年出现。它基于Apache开源许可。您可以使用它，修改它并重新发布修改后的版本，而无需向Google支付任何费用。
Tensorflow架构分为三个部分：
之所以叫Tensorflow …
read more人工智能赋予机器认知能力。人工智能的基准是有关推理，言语和愿景的人类智慧。这个基准还很遥远。
到目前为止，机器学习是分析，理解和识别数据模式的最佳工具。机器学习背后的主要思想之一是计算机可以训练以自动执行对于人类来说是穷举或不可能的任务。
机器学习使用数据来提供可以理解输入和输出之间关系的算法。当机器完成学习时，它可以预测新数据点的值或类。
训练分类器以检测图像是否是：自行车、船、汽车和飞机。
上面的四个对象是分类器必须识别的类。要构造分类器，您需要将数据作为输入并为其分配标签。算法将获取这些数据，找到模式，然后在相应的类中对其进行分类。
这项任务称为监督学习。在监督学习中，您提供给算法的训练数据包括标签。
训练算法需要遵循几个标准步骤：收集数据、训练分类器、作出预测
数据决定算法成败。您选择用于训练模型的数据称为要素。在对象示例中，特征是图像的像素。
图像大小为28x28，则数据集包含784列（28x28）。在下图中，每张图片都已转换为特征向量。标签告诉计算机图像中有什么对象。
目标是使用这些训练数据来分类对象的类型。第一步包括创建要素列。然后，第二步涉及选择训练模型的算法。训练完成后，模型将预测哪个图片对应于哪个对象。之后，很容易使用该模型来预测新图像。
深度学习是模拟大脑中神经元网络的计算机软件。它是机器学习的子集，被称为深度学习，因为它利用了深度神经网络。
深度学习算法的第一层称为输入层，最后一层称为输出层，中间的所有层都称为隐藏层。深词意味着有两层以上的神经元。
每个隐藏层由神经元组成。神经元彼此连接。神经元将处理然后传播上层的输入信号。给下层神经元的信号强度取决于重量，偏差和激活函数。
网络消耗大量输入数据并通过多层操作它们;网络逐层学习越来越复杂的数据特征。
深度神经网络在从物体检测到语音识别的许多任务中提供最先进的精确度。他们可以自动学习，不需要程序员明确编码的预定义知识。
要掌握深度学习的想法，想象一个有婴儿和父母的家庭。蹒跚学步的孩子用小指指着物体，总是说“猫”这个词。父母告诉他'是‘还是'否。小孩在内心深处不知道为什么他可以说这是猫。但他学会了如何通过观察整体宠物来提升猫的复杂特征，并继续关注尾巴或鼻子之类的细节。
神经网络的工作原理完全相同。每一层代表更深层次的知识，即知识的层次结构。具有四层的神经网络将比具有两层的神经网络学习更复杂的特征。
学习分两个阶段进行。第一阶段包括应用输入的非线性变换并创建统计模型作为输出。 第二阶段旨在用一种称为衍生物的数学方法来改进模型。
神经网络将这两个阶段重复数百到数千次，直到达到可容忍的准确度。这个两阶段的重复被称为迭代。
举个例子，模特试图学习如何跳舞。经过10分钟的训练，模特不知道如何跳舞，看起来像一个涂鸦。
经过48小时的学习，电脑掌握了舞蹈艺术。
深度学习是模拟大脑中神经元网络的计算机软件。它是机器学习的子集，被称为深度学习，因为它利用了深度神经网络。
深度学习算法的第一层称为输入层，最后一层称为输出层，中间的所有层都称为隐藏层。深词意味着有两层以上的神经元。
每个隐藏层由神经元组成。神经元彼此连接。神经元将处理然后传播上层的输入信号。给下层神经元的信号强度取决于重量，偏差和激活函数。
网络消耗大量输入数据并通过多层操作它们;网络逐层学习越来越复杂的数据特征。
深度神经网络在从物体检测到语音识别的许多任务中提供最先进的精确度。他们可以自动学习，不需要程序员明确编码的预定义知识。
要掌握深度学习的想法，想象一个有婴儿和父母的家庭。蹒跚学步的孩子用小指指着物体，总是说“猫”这个词。父母告诉他'是‘还是'否。小孩在内心深处不知道为什么他可以说这是猫。但他学会了如何通过观察整体宠物来提升猫的复杂特征，并继续关注尾巴或鼻子之类的细节。
神经网络的工作原理完全相同。每一层代表更深层次的知识，即知识的层次结构。具有四层的神经网络将比具有两层的神经网络学习更复杂的特征。
学习分两个阶段进行。第一阶段包括应用输入的非线性变换并创建统计模型作为输出。 第二阶段旨在用一种称为衍生物的数学方法来改进模型。
神经网络将这两个阶段重复数百到数千次，直到达到可容忍的准确度。这个两阶段的重复被称为迭代。
举个例子，模特试图学习如何跳舞。经过10分钟的训练，模特不知道如何跳舞，看起来像一个涂鸦。
经过48小时的学习，电脑掌握了舞蹈艺术。
# -*- coding: utf-8 -*-
# Author: xurongzhong#126.com wechat:pythontesting qq:37391319
# 技术支持 (可以加钉钉pythontesting邀请加入)
# qq群：144081101 591302926 567351477
# CreateDate: 2018-11-17
import imutils
import cv2
# 读取图片信息
image = cv2.imread("jp.png")
(h, w, d) = image.shape
print("width={}, height={}, depth={}".format(w, h, d))
# 显示图片
cv2.imshow("Image", image)
cv2.waitKey(0 …使用OpenCV提供的预先训练的深度学习面部检测器模型，可快速，准确的进行人脸识别。
2017年8月OpenCV 3.3正式发布，带来了高改进的“深度神经网络”(dnn deep neural networks)模块。该模块支持许多深度学习框架，包括Caffe，TensorFlow和Torch / PyTorch。
基于Caffe的面部检测器在这里。
需要两组文件：
权重文件不包含在OpenCV示例目录。
# 模型下载：https://itbooks.pipipan.com/fs/18113597-320346529
# 代码存放：https://github.com/china-testing/python-api-tesing/tree/master/opencv_crash_deep_learning
# 技术支持qq群144081101(代码和模型存放）
# USAGE
# python detect_faces.py --image rooster …