简介

一

face_recognition项目是世界上最简洁的人脸识别库，可以使用Python和命令行工具提取、识别、操作人脸。
本项目的人脸识别是基于业内领先的C++开源库 dlib中的深度学习模型，用Labeled Faces in the Wild人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。
Labeled Faces in the Wild是美国麻省大学安姆斯特分校（University of Massachusetts Amherst)制作的人脸数据集，该数据集包含了从网络收集的13,000多张面部图像。
本项目提供了简易的face_recognition命令行工具

二

人脸识别实际上是对人脸进行编码后再去计算两两人脸的相似度，known_image是已知人脸库的图像，unknown_image是待检测的图像，分别利用face_encodings函数来映射成一个向量，再利用两个向量的内积来衡量相似度，compare_faces函数就是根据阈值确认是否是同一人脸。上述函数都是支持多个人脸计算的。另外compare_faces有个tolerance参数是控制阈值的，tolerance值越低越严格，默认为0.6。

主要方法介绍

1. load_image_file 加载图像

import face_recognition之后直接调用face_recognition.load_image_file()读入图像，参数给文件名字符串，注意：jpg文件要和程序放在同一个文件夹下。输出图像是rgb格式（opencv中是bgr格式）。

import face_recognition
#加载图像文件
image = face_recognition.load_image_file("your_file.jpg")

2. face_locations 定位图中所有人脸

加载图像文件后直接调用face_recognition.face_locations(image)，能定位所有图像中识别出的人脸位置信息，返回值是列表形式，列表中每一行是一张人脸的位置信息，包括[top, right, bottom, left]，也可理解为每个人脸是一个tuple存储，分别代表框住人脸的矩形中左上角和右下角的坐标（x1,y1,x2,y2）。可遍历列表打印出每张脸的位置信息，也可以通过位置信息截出识别出的人脸的图像显示出来，代码如下：

#定位所有找到的脸的位置
face_locations = face_recognition.face_locations(image)
# 循环找到的所有人脸
for face_location in face_locations:# 打印每张脸的位置信息top, right, bottom, left = face_locationprint("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))# 指定人脸的位置信息，然后显示人脸图片face_image = image[top:bottom, left:right]pil_image = Image.fromarray(face_image)pil_image.show()

3. face_landmarks 识别人脸关键点

加载图像后，调用face_recognition.face_landmarks(image)可识别出人脸关键点信息，包括眼睛、鼻子、嘴巴和下巴等，参数仍是加载的图像image，返回值是包含面部特征字典的列表，列表中每一项对应一张人脸，包括nose_bridge、right_eyebrow、right_eye、chine、left_eyebrow、bottom_lip、nose_tip、top_lip、left_eye几个部分，每个部分包含若干个特征点(x,y)，总共有68个特征点。列表长度就是图中识别出的人脸数，可遍历此列表和字典的键值对，打印出所有面部特征点，也可在图像上画出来，代码如下：

from PIL import Image, ImageDraw
face_landmarks_list = face_recognition.face_landmarks(image)
pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)
for face_landmarks in face_landmarks_list:#face_landmarks_list中每个元素都包含以下key的字典#打印此图像中每个面部特征的位置facial_features = ['chin','left_eyebrow','right_eyebrow','nose_bridge','nose_tip','left_eye','right_eye','top_lip','bottom_lip']for facial_feature in facial_features:print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))#在图像中画出每个人脸特征！for facial_feature in facial_features:d.line(face_landmarks[facial_feature], width=5)
pil_image.show()

4. face_encodings 获取图像文件中所有面部编码

face_recognition.face_encodings(image)方法可获取每个图像文件中每个面部的面部编码,参数仍是加载的图像image，由于每个图像中可能有多个脸，所以返回的是一个编码列表，后续访问时注意加上索引号或者依次遍历。
由打印可看出每张人脸是一个128维的向量。

face_encodings = face_recognition.face_encodings(image)
for face_encoding in face_encodings:print("face_encoding len = {} \nencoding:{}\n\n".format(len(face_encoding),face_encoding))

5. compare_faces 由面部编码匹配脸

用face_recognition.compare_faces()方法可匹配两个面部特征编码，利用两个向量的内积来衡量相似度，根据阈值确认是否是同一人脸。
位置参数：第一个参数给出一个面部编码列表（很多张脸），第二个参数给出单个面部编码（一张脸），compare_faces方法会将第二个参数的编码与第一个参数中的编码依次匹配，返回值是一个布尔值列表，匹配成功的脸返回True，匹配失败的返回False，顺序与第一个参数中脸的顺序一致。
默认参数：tolerance=0.6,可根据自己需求更改，tolerance越小匹配越严格，例如
matches = face_recognition.compare_faces(known_face_encodings, face_encoding,tolerance=0.39)，将阈值改为了0.39,阈值太低容易造成无法成功识别人脸，太高容易造成人脸识别混淆，这个是根据我自己测试后慢慢试出来的一个值。

matche_result = face_recognition.compare_faces(known_faces, face_encoding[0],tolerance=0.39)[0]

实践

demo1：识别人脸特征并打印出来

from PIL import Image, ImageDraw
import face_recognition# 将jpg文件加载到numpy 数组中
image = face_recognition.load_image_file("view_Mr_G.jpg")#查找图像中所有面部的所有面部特征
face_landmarks_list = face_recognition.face_landmarks(image)print("I found {} face(s) in this photograph.".format(len(face_landmarks_list)))
pil_image = Image.fromarray(image)
d = ImageDraw.Draw(pil_image)
for face_landmarks in face_landmarks_list:#打印此图像中每个面部特征的位置facial_features = ['chin','left_eyebrow','right_eyebrow','nose_bridge','nose_tip','left_eye','right_eye','top_lip','bottom_lip']for facial_feature in facial_features:print("The {} in this face has the following points: {}".format(facial_feature, face_landmarks[facial_feature]))#在图像中画出每个人脸特征！for facial_feature in facial_features:d.line(face_landmarks[facial_feature], width=5)pil_image.show()

demo2 : 识别图片中的所有人脸并显示

from PIL import Image
import face_recognition# 将jpg文件加载到numpy 数组中
image = face_recognition.load_image_file("view_Mr_G.jpg")# 使用默认的给予HOG模型查找图像中所有人脸
# 这个方法已经相当准确了，但还是不如CNN模型那么准确，因为没有使用GPU加速
# 另请参见: find_faces_in_picture_cnn.py
face_locations = face_recognition.face_locations(image)# 使用CNN模型
# face_locations = face_recognition.face_locations(image, number_of_times_to_upsample=0, model="cnn")# 打印：我从图片中找到了 多少 张人脸
print("I found {} face(s) in this photograph.".format(len(face_locations)))# 循环找到的所有人脸
for face_location in face_locations:# 打印每张脸的位置信息top, right, bottom, left = face_locationprint("A face is located at pixel location Top: {}, Left: {}, Bottom: {}, Right: {}".format(top, left, bottom, right))
# 指定人脸的位置信息，然后显示人脸图片face_image = image[top:bottom, left:right]pil_image = Image.fromarray(face_image)pil_image.show()

demo3 : 显示未知图片中已知人物的脸

# 识别人脸鉴定是哪个人import face_recognition
from PIL import Image, ImageDraw
import cv2
PATH = "/Users/tanyashi/Python/python project/face_recognition/一起同过窗"
VIEW_PIC_NAME="view2.jpg"
UNKNOWN_IMAGE="view_Mr_G.jpg"
#将jpg文件加载到numpy数组中
view_image = face_recognition.load_image_file(VIEW_PIC_NAME)
#要识别的图片
unknown_image = face_recognition.load_image_file(UNKNOWN_IMAGE)
results = []
#获取每个图像文件中每个面部的面部编码
#由于每个图像中可能有多个面，所以返回一个编码列表。
#但是由于我知道每个图像只有一个脸，我只关心每个图像中的第一个编码，所以我取索引0。
view_face_encoding = face_recognition.face_encodings(view_image)[0]
print("view_face_encoding:{}\n\n".format(view_face_encoding))
known_faces = [view_face_encoding]
face_locations = face_recognition.face_locations(unknown_image)
print('got {} face(s) in {}:'.format(len(face_locations), UNKNOWN_IMAGE))
for face_location in face_locations:top, right, bottom, left = face_location#print(top, right, bottom, left)face_image = unknown_image[top:bottom, left:right]face_encoding = face_recognition.face_encodings(face_image)if face_encoding:result = {}result['face_encoding'] = face_encodingresult['is_view'] = face_recognition.compare_faces(known_faces, face_encoding[0])[0]result['location'] = face_locationresult['face_id'] = face_locations.index(face_location)results.append(result)if result['is_view']:print('face {} is view!!'.format(result['face_id']+1))#print(top, right, bottom, left)
#print("results :{}".format([i['is_view'] for i in results]))
print("please find out view in this image:")
view_face_location = [i['location'] for i in results if i['is_view']]
if view_face_location:top, right, bottom, left = view_face_location[0]#print(top, right, bottom, left)face_image = unknown_image[top:bottom, left:right]pil_image = Image.fromarray(face_image)pil_image.show()
else:print('view is not in this pic!')

demo4 : 摄像头头像识别

# 摄像头头像识别
import face_recognition
import cv2video_capture = cv2.VideoCapture(0)# 本地图像
chenduling_image = face_recognition.load_image_file("chenduling.jpg")
chenduling_face_encoding = face_recognition.face_encodings(chenduling_image)[0]# 本地图像二
sunyizheng_image = face_recognition.load_image_file("sunyizheng.jpg")
sunyizheng_face_encoding = face_recognition.face_encodings(sunyizheng_image)[0]# 本地图片三
zhangzetian_image = face_recognition.load_image_file("zhangzetian.jpg")
zhangzetian_face_encoding = face_recognition.face_encodings(zhangzetian_image)[0]# Create arrays of known face encodings and their names
# 脸部特征数据的集合
known_face_encodings = [chenduling_face_encoding,sunyizheng_face_encoding,zhangzetian_face_encoding
]# 人物名称的集合
known_face_names = ["michong","sunyizheng","chenduling"
]face_locations = []
face_encodings = []
face_names = []
process_this_frame = Truewhile True:# 读取摄像头画面ret, frame = video_capture.read()# 改变摄像头图像的大小，图像小，所做的计算就少small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)# opencv的图像是BGR格式的，而我们需要是的RGB格式的，因此需要进行一个转换。rgb_small_frame = small_frame[:, :, ::-1]# Only process every other frame of video to save timeif process_this_frame:# 根据encoding来判断是不是同一个人，是就输出true，不是为flaseface_locations = face_recognition.face_locations(rgb_small_frame)face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)face_names = []for face_encoding in face_encodings:# 默认为unknownmatches = face_recognition.compare_faces(known_face_encodings, face_encoding)name = "Unknown"# if match[0]:#     name = "michong"# If a match was found in known_face_encodings, just use the first one.if True in matches:first_match_index = matches.index(True)name = known_face_names[first_match_index]face_names.append(name)process_this_frame = not process_this_frame# 将捕捉到的人脸显示出来for (top, right, bottom, left), name in zip(face_locations, face_names):# Scale back up face locations since the frame we detected in was scaled to 1/4 sizetop *= 4right *= 4bottom *= 4left *= 4# 矩形框cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)#加上标签cv2.rectangle(frame, (left, bottom - 35), (right, bottom), (0, 0, 255), cv2.FILLED)font = cv2.FONT_HERSHEY_DUPLEXcv2.putText(frame, name, (left + 6, bottom - 6), font, 1.0, (255, 255, 255), 1)# Displaycv2.imshow('monitor', frame)# 按Q退出if cv2.waitKey(1) & 0xFF == ord('q'):breakvideo_capture.release()
cv2.destroyAllWindows()

demo5人脸识别签到系统

# import face_recognition
import face_recognition
import cv2
import os
import numpy as np
from PIL import Image, ImageDraw, ImageFont
import dlib
import datetime
import threading  # 导入threading模块
import time
from imutils import face_utils
from scipy.spatial import distanceimport yagmailclass Recorder:passrecord_dic = {}  # 访问记录字典
unknownjpg = []  # 保存来访的陌生人的照片的列表
flagover = 0  # 用于全局判断是否需要保存来访信息def sendemail(title, contents, fileslist):yag = yagmail.SMTP(user="2215863456@qq.com", password="agjnddqxmibydjej", host='smtp.qq.com')yag.send('zeuskkk@163.com', title, contents, fileslist)# 双眼上下眼距检测
def eye_aspect_ratio(eye):# print(eye)A = distance.euclidean(eye[1], eye[5])  # euclidean是计算欧氏距离B = distance.euclidean(eye[2], eye[4])C = distance.euclidean(eye[0], eye[3])ear = (A + B) / (2.0 * C)return ear# 字典转换为字符串
def dicttostr():strlist = []listkey = list(sorted(record_dic.keys()))for item in listkey:strlist.extend([item + ',' + str(onetime) for onetime in record_dic[item].times])return strlistdef saveRecorder(name, frame):global record_dicglobal flagoverglobal unknownjpgif flagover == 1:returntry:rec = record_dic[name]secondsDiff = (datetime.datetime.now() - rec.times[-1]).total_seconds()if secondsDiff < 60 * 10:  # 如果两次比较的时间在10分钟内将被过滤掉returnrec.times.append(datetime.datetime.now())print('更新记录', record_dic, rec.times)except (KeyError):newRec = Recorder()newRec.times = [datetime.datetime.now()]record_dic[name] = newRecprint('添加记录', record_dic, newRec.times)if name == '未知人员':s = str(record_dic[name].times[-1])print('写入', s[:10] + s[-6:])filename = s[:10] + s[-6:] + '.jpg'cv2.imwrite(filename, frame)unknownjpg.append(filename)def loop_timer_handler():  # 定时器循环触发函数print('————————Timer headle!————————', str(datetime.datetime.now()))global timer2global flagoverglobal record_dicglobal unknownjpgflagover = 1timer2 = threading.Timer(60 * 1, loop_timer_handler)  # 创建定时器 每1分钟执行一次timer2.start()# 如果mail_content不为空，则发送邮件通知mail_content = '\n'.join(dicttostr())if mail_content.strip():  # 如果有新的记录内容就发送邮件sendemail("来访统计记录", mail_content, unknownjpg)print('来访登记记录邮件已发送', mail_content)record_dic.clear()unknownjpg.clear()print("清空")time.sleep(10)print("重新开始")flagover = 0timer2 = threading.Timer(2, loop_timer_handler)
timer2.start()def load_img(sample_dir):print('加载已知人员图片...')for (dirpath, dirnames, filenames) in os.walk(sample_dir):  # 一级一级的文件夹递归print(dirpath, dirnames, filenames)facelib = []for filename in filenames:filename_path = os.sep.join([dirpath, filename])faceimage = face_recognition.load_image_file(filename_path)# 但是由于我知道每个图像只有一个脸，我只关心每个图像中的第一个编码，所以我取索引0face_encoding = face_recognition.face_encodings(faceimage)[0]facelib.append(face_encoding)return facelib, filenamesdef add_text_cv2(text, left, bottom):'''由于cv2不支持中文显示，所以在视频流上显示中文时，需要先将帧数据转换成PIL图像，然后利用PIL来添加中文:param text: 要在图像上添加的文字 :param left: 添加文字离左边框的距离:param bottom: 添加文字离下边框距离:return: '''global frameimg_PIL = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))  # 转换图片格式font = ImageFont.truetype('simhei.ttf', 40)  # 加载字体position = (left, bottom)  # 指定文字输出位置draw = ImageDraw.Draw(img_PIL)  # 绘制照片draw.text(position, text, font=font, fill=(255, 255, 255))  # 绘制文字frame = cv2.cvtColor(np.asarray(img_PIL), cv2.COLOR_RGB2BGR)  # 将图片转回OpenCV格式facelib, facename = load_img('../facelib')video_capture = cv2.VideoCapture(0)  # 获得摄像头face_locations = []  # 定义列表存放人脸位置
face_encodings = []  # 定义列表存放人脸特征编码
process_this_frame = True  # 定义信号量frame_counter = 0  # 连续帧计数
EYE_AR_THRESH = 0.3  # EAR阈值
EYE_AR_CONSEC_FRAMES = 3  # 当EAR小于阈值时，接连多少帧一定发生眨眼动作# 对应特征点的序号
RIGHT_EYE_START = 37 - 1
RIGHT_EYE_END = 42 - 1
LEFT_EYE_START = 43 - 1
LEFT_EYE_END = 48 - 1while True:ret, frame = video_capture.read()  # 捕获一帧图片small_frame = cv2.resize(frame, (0, 0), fx=0.25, fy=0.25)  # 将图片缩小1/4，为人脸识别提速# opencv的图像格式默认是BGR格式，大家可以想象成像素排列跟RGB格式不一样，所以我们必须做一点调整，将像素点进行反向rgb_small_frame = small_frame[:, :, ::-1]  # 将opencv的BGR格式转为RGB格式# 找到这一帧图像上所有的人脸位置face_locations = face_recognition.face_locations(rgb_small_frame)# 得到面部编码（见资料文章）face_encodings = face_recognition.face_encodings(rgb_small_frame, face_locations)# print('人脸特征编码长度', len(face_encodings))face_names = []  # 定义列表，放置识别出来的人员的名字for face_encoding in face_encodings:  # 循环多张人脸， 这里一般只有一张人脸matches = face_recognition.compare_faces(facelib, face_encoding, tolerance=0.39)name = "未知人员"  # 定义默认的识别结果为Unknown# 有true说明图片对比已经成功，取出识别的人员名字并开始进行活体眨眼检测if True in matches:  # 如果识别出来，就将名称取出# 这里matches是个列表，包含每张已知图片的对比结果，这里应该只有一个为true# 所以我们要找出true的位置，这个位置就是找到的那个人的图片first_match_index = matches.index(True)# 取出这个人的名字name = facename[first_match_index][:-4]  # -4是去掉文件后缀print('开始活体检测...')# 在图上加上请眨眼的提示add_text_cv2('{}请眨眼...'.format(name), 0, 0)  # 在图像上添加眨眼提示detector = dlib.get_frontal_face_detector()  # 人脸检测器# 特征检测算法要做个介绍predictor = dlib.shape_predictor('../libs/shape_predictor_68_face_landmarks.dat')  # 人脸特征点检测器gray = cv2.cvtColor(rgb_small_frame, cv2.COLOR_BGR2GRAY)# 人脸检测，1代表把图片像素放大1倍以便能够搜集到更多的照片细节，返回检测到所有人脸区域的数组# 这个数不能设置过大，否则影响运行速度rects = detector(gray, 1)if len(rects) > 0:print('#' * 20)shape = predictor(gray, rects[0])  # 检测特征点，rect[0]代表取第一个人脸# 将所有的脸部坐标点转换为numpy array的格式# convert the facial landmark (x, y)-coordinates to a NumPy arraypoints = face_utils.shape_to_np(shape)leftEye = points[LEFT_EYE_START:LEFT_EYE_END + 1]  # 取出左眼对应的特征点rightEye = points[RIGHT_EYE_START:RIGHT_EYE_END + 1]  # 取出右眼对应的特征点leftEAR = eye_aspect_ratio(leftEye)  # 计算左眼EARrightEAR = eye_aspect_ratio(rightEye)  # 计算右眼EARear = (leftEAR + rightEAR) / 2.0  # 求左右眼EAR的均值# 如果EAR小于阈值，开始计算连续帧，只有连续帧计数超过EYE_AR_CONSEC_FRAMES时，才会计做一次眨眼if ear < EYE_AR_THRESH:frame_counter += 1print('ear小于阈值了！！！', frame_counter)if frame_counter >= EYE_AR_CONSEC_FRAMES:# blink_counter += 1print('眨眼检测成功，请进入！')frame_counter = 0print('活体检测结束')face_names.append(name)  # 保存识别结果# process_this_frame = not process_this_frame   #信号量保护结束(这个语句没什么用)# 显示结果for (top, right, bottom, left), name in zip(face_locations, face_names):top *= 4  # 还原人脸的原始尺寸，原来是1/4，现在放到原大小right *= 4bottom *= 4left *= 4# frame：要显示的帧，(left, top), (right, bottom) 各方向坐标，(0, 0, 255) 人脸框颜色， 2是线条粗细cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)  # 标注人脸add_text_cv2(name, left + 6, bottom - 6)saveRecorder(name, frame)  # 过滤并保存记录cv2.imshow('security check', frame)  # 显示图片检测框if cv2.waitKey(1) & 0xFF == ord('q'):  # 等待键盘输入，当输入q时，整个程序退出breakvideo_capture.release()  # 释放摄像头资源
time.sleep(2)  # 休眠10秒
timer2.cancel()  # 关闭定时器线程

谢谢大家，如有需要，请联系我

邮箱为zeuskkk@163.com

机器学习之人脸识别face_recognition使用相关推荐

1. AI识别照片是谁，人脸识别face_recognition开源项目安装使用 | 机器学习

   目录 前言 环境安装 代码使用 总结 前言 最近碰到了照片识别的场景,正好使用了face_recognition项目,给大家分享分享.face_recognition项目能做的很多,人脸检测功能也是有 ...

2. svm rbf人脸识别 yale_实操课——机器学习之人脸识别

   SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法.在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别.分类以及回归分析.在n维空间中找到一个分类超 ...

3. 人脸识别与美颜算法实战-基于机器学习的人脸识别

   机器学习根据输出的类型一般分为两类,分类和回归.分类的输出一般是离散值,回归输出的值一般是连续的.比如,人脸识别这种就属于分类问题,房价预测一般是一个回归问题. 鸢尾花分类 # -*- coding: ...

4. 机器学习之人脸识别(Face Recognition)

   机器学习之机器是如何识别人脸(Face Recognition)的? 目前,一些机器学习技术已经被广泛应用于人脸识别.人脸支付以及身份认证领域,例如支付宝的FACEID,阿里的Alipay,ETC等等 ...

5. 好玩的人脸识别face_recognition安装+尝试+API详细

   face_recognition是一个可玩度很高的人脸识别开源框架,不仅安装方便,运行起来也很轻松. 官网:https://github.com/ageitgey/face_recognition.g ...

6. 机器学习之人脸识别人像采集

   随着机器学习和深度学习的广泛应用,改变了人们的生活方式.下面我们使用python实现人像的采集.下一篇讲述人脸识别. 这里通过usb接口的摄像头为例. 首先我们需要导入cv2模块,获取人脸识别分类器, ...

7. 机器学习与人脸识别3：人脸检测算法综述

   以下内容转自网络,主要介绍人脸算法的历史: 导言 人脸检测是目前所有目标检测子方向中被研究的最充分的问题之一,它在安防监控,人证比对,人机交互,社交和娱乐等方面有很强的应用价值,也是整个人脸识别算法的 ...

8. ROS2进行人脸识别face_recognition

   需要使用dlib library,在官网下载编译安装即可. 人脸识别效果 节点图 使用colcon build编译. 开启人脸识别节点: ros2 run dlib_face_detection dl ...

9. 机器学习与人脸识别1：如何理解机器学习

   下面两个解释观点是从知乎摘取的:仅供参考 1. 人工智能与机器学习 一个常常让大众感到困惑的问题是:人工智能(AI),机器学习(ML),深度学习(DL),机器视觉(CV)以及自然语言处理(NLP)之间 ...

最新文章

1. golang goroutine 协程同步 sync.WaitGroup 简介
2. SecureCRT 或者 超级终端 始终无法ping通主机
3. 【机器学习】机器学习项目流程
4. 配置编译win7+VS2017+opencv4.0.1+contrib4.0.1
5. qr分解求线性方程组_计算方法/数值分析第三章 线性方程组的数值解法
6. XMLHTTPRequest的属性和方法简介
7. extern 结构体_选三物质结构高中化学知识模块音频
8. C#语言学习--基础部分(十三)枚举类型和结构体
9. Java 11 将至，不妨了解一下 Oracle JDK 之外的版本
10. Daily Report 2012.11.2 刘宇翔
11. 3D数学——Unity中的向量运算
12. 计算机科学导论课程考试,计算机科学导论教学革新阐述
13. HDU 5336 BFS
14. 中美高通商标案一审宣判：驳回上海高通索赔1亿请求
15. 多智能体强化学习【Windows\Ubuntu 安装星际争霸Ⅱ】
16. 2，理论_滑杆_棘轮_间歇运行机构
17. Catch That Cow S
18. Element UI 官网
19. Android 之路24---Java基础18
20. Photoshop系列_02简单制作一份海报

热门文章

1. 思维模型篇：数据分析的本质是什么？
2. 解决eclipse中git插件中的cannot open git-upload-pack问题
3. Elasticsearch Java 操作client
4. Java 堆内存模型
5. 呜啦啦，园园我来了~
6. Python nose单元测试框架的安装与使用
7. oracle 数据库数据迁移解决方案
8. 如何使用一台PC搭建可以在线迁移的KVM学习环境
9. js之数据类型及类型转换
10. 如何搭建企业局域网共享