由于在配置直接使用网线进行的远程桌面连接时，操作太急，把弹出的提示框直接关掉了。 然后发现在网络管理中心，在同一张网卡、同一个网络下，多出了一个“未识别网络”。这玩意不但碍眼，还导致网络访问速度（甚至成功率）有一定的下降。
在经过长时间的网络搜寻之后，在这个帖子里获得了灵感。在该文中提到，提问者是由于在一张网卡上配置了两个网关，导致Windows会对经由每一个网关的网络连通性进行检测，若是数据包发错了路由，就会无法正常与服务器通讯，出现网络错误。
回想之前的操作过程中，由于急着修改IP地址，忘记网关没有修改了，然后Windows自动为其配置成了多网关模式，而这就导致了上述情况的发生，回去查看连接属性，果然有两个网关。先点选手动分配IP地址，然后删掉那个多余的网关，再重新切换回自动分配模式即可。
virtualenv的设计还是让人有些摸不着头脑的。。使用virtualenv命令配置好venv之后，实际上是相当于进行了安装的操作。安装的绝对路径被写入了文件中。有些版本（linux？）的venv使用的是.py脚本格式的pip，而新版Windows使用的似乎是exe文件。脚本格式的很好改，把VIRTUAL_ENV改为目标目录路径即可。Windows下exe格式的pip，把路径信息写在了文件末尾，因而需要使用WinHex一类的工具，在不破坏文件原本结构的情况下，对附加数据进行修改。对于easy_install也是一样的操作。
改编自 https://blog.csdn.net/Vipbinn/article/details/82978003 ->来源追踪：https://blog.csdn.net/chengshuhao1991/article/details/78545723
在通过TensorFlow中文社区TensorFly对TensorFlow框架进行了解的时候，对于入门的第一个例子进行了逐行的学习，对于数据的生成、表示，以及各个函数的作用有了一定的认识。其中reduce_mean()函数的定义和作用让我觉得很有意思，但又无法确认对其的理解，在网络上浏览了一些博客，发现有不少与我的理解是相同的，因此记录下来。
使用任意具有代码补全功能的IDE，在完成导入工作（即import tensorflow as tf）后，输入tf.reduce_，会得到大量reduce开头的函数补全提示，其中就包含reduce_mean()。
文档中列出的所有操作为：
reduce_all(...) 逻辑与
reduce_any(...) 逻辑或
reduce_euclidean_norm(...) 欧几里得范数（Euclidean norm of elements）->reduce_logsumexp(...) 如同名字，先取指数幂，求和后取对数 -> reduce_max(...) 最大值
reduce_mean(...) 平均值
reduce_min(...) 最小值
reduce_prod(...) 乘积
reduce_std(...) 标准差
reduce_sum(...) 求和
reduce_variance(...) 方差
其中关于reduce_mean()，官方给出的解释如下：
tf.math.reduce_mean( input_tensor, axis=None, keepdims=None, name=None, reduction_indices=None, keep_dims=None )Reduces
input_tensoralong the dimensions given inaxis. Unlesskeepdimsis true, the rank of the tensor is reduced by 1 for each entry inaxis. Ifkeepdimsis true, the reduced dimensions are retained with length 1.If
axisis None, all dimensions are reduced, and a tensor with a single element is returned.
其中，axis参数指定了计算过程中需要“降维”的维度，若是不传值的话，默认对全部维度采取降维操作，返回的是一个单独的值（维度为0），否则将按照指定的维度执行降维操作。而keepdims参数则用于申明要求在操作过程中不降低维度，由于各类reduce操作均属于聚合操作，因而该参数的实际含义为在计算完成后，为其保留一对方括号（即一个维度）。
咕果的开发团队把之前版本的参数名keep_dims改为了keepdims，所以如果使用的是比较老的版本的话，可能需要考虑改一下函数名= =（还算良心地没有直接去除对老参数名的支持）
在文档给出的例子中，使用输入张量
x = tf.constant(
[[1., 1.],
[2., 2.]]
)对于两个常用参数（axis, keepdims）的测试，结果分别如下：
不传值的情况下：
>>> op = tf.reduce_mean(x)
>>> sess.run(op)
1.5指定axis的情况下：
>>> op = tf.reduce_mean(x, axis = 0)
>>> sess.run(op)
array([1.5, 1.5], dtype=float32)
>>> op = tf.reduce_mean(x, axis = [1])
>>> sess.run(op)
array([1., 2.], dtype=float32)
>>> op = tf.reduce_mean(x, axis = [0, 1])
>>> sess.run(op)
1.5指定keepdims=True，即保留维度的情况下：
>>> op = tf.reduce_mean(x, keepdims = True)
>>> sess.run(op)
array([[1.5]], dtype=float32)
>>> op = tf.reduce_mean(x, axis = [1], keepdims = True)
>>> sess.run(op)
array([[1.],
[2.]], dtype=float32)由此，两个常用参数与函数本身的作用就能够比较清晰地展示出来了。
那么，回到标题：既然都是聚合函数，为什么要在函数名前加一个reduce_前缀呢？
根据上文的描述，答案应该是比较清晰了：在进行了这些聚合操作之后，TensorFlow会默认将结果作为数据返回，也就是说，不论你的axis参数填了没，填了什么，在输入张量的至少某一个维度，一定会进行聚合操作，而聚合操作之后，数据合而为一，降低了输入张量的维度。而在英语中，reduce作为动词，有着减少，缩小（尺寸、数量、价格等）的意思，在此可以引申为在维度数量上的缩小。这样理解之后，看着函数名，对于其记忆和功能的推测就轻松多了。
图像的读取/展示/保存
cv2.imread(file: str)
cv2.imshow(windowName: str, data: numpy.ndarray)
cv2.imwrite(data: numpy.ndarray, file: str)其中cv2.imwrite需要与cv2.waitKey()以及cv2.destroyWindow(windowName)配合使用。
使用cv2.imshow函数时，可能出现的问题：src_depth != CV_16F && src_depth != CV_32S in function 'convertToShow'
就我个人而言，这是由于待展示的图像数据中使用了非法的数据格式造成的。在进行图像拼接并且加入自定义色块的时候，可使用numpy.asarray创建满足要求的图像数据，但是一定要记得指定数据类型dtype=np.uint8，否则虽然可以存储，但是在展示的时候无法通过数据类型检查。
np.concatenate(data: tuple, axis=0)将需要拼接的图像在非拼接维度转化为相同的大小，然后指定拼接维度(axis)。默认为0，即正数第一个维度。
需要注意的是opencv和numpy所使用的坐标格式相反，numpy同数学矩阵一样以行作为第一坐标（即y值），列作为第二坐标（即x值），与图像，亦即通常使用的笛卡尔直角坐标系相反。
TensorFlow对于CUDA库的版本有着较为严格的要求，比如早期的TensorFlow1.10都不允许使用超过CUDA 9.0的版本。
好在现在版本放松了，允许使用指定范围内的CUDA进行编译。（然而还是有许多大神魔改编译配置，并且成功编译出了指定版本之外的环境组合，比如1.10+9.2）
但是随着TensorFlow在机器学习界的地位日益壮大，咕果公司也开始了夹带私货的行为。在官方编译指导文档上，我们可以看见，从1.11.0开始，编译工具由cmake换成了自家的bazel。
（个人观点） 在下认为，换个编译工具没问题，但起码Windows平台上要花点功夫。一个更加便捷的编译工具固然是好事，但是如果为使用该工具而附加的配置环境过于繁琐的话，不但不能吸引用户，甚至反过来还有劝退的效果。即便放开Windows平台不言，在Linux平台上的编译也有着不小的问题，仅仅是编译CPU版本的，不论是java平台，还是软件本身的问题，层出不穷。对自家的产品还有最高版本限制？这似乎是这个项目在于自家地位远远不够重要的表现，用户反倒要成为开发的主力军。 （bb结束）
编译的版本为1.13.2，为了使用cmake脚本，需要做以下改动：
添加tensorflow\core\util\version_info.cc，在改用bazel作为推荐生成工具之后，在对应位置下找不到该文件。但是文件内容经推断如下：
/* Generated by gen_git_source.py */
const char* tf_git_version() {return "b'1.13.2 Release'";}
const char* tf_compiler_version() {return "1.13.2";}也可以从此看出，该文件由Python脚本自动生成，脚本位置位于tensorflow\tools\git\gen_git_source.py。
tensorflow\contrib\cmake\external\sqlite.cmake，由于在文章编写时链接已经失效，将18行改为
set(sqlite_URL https://www.sqlite.org/2019/sqlite-amalgamation-3280000.zip)CMakelists.txt中直接修改tensorflow_WIN_CPU_SIMD_OPTIONS对应的值为/arch:AVX2。（需要使用SSE4.2的可以使用Intel家的ICC编译器，自家CPU肯定有完美支持的）正在编译中，已经出现了错误，等编译完后继续来补充
=====================================================
后续补充 编译失败了，好气。不想再编译这破玩意了，直接到github上预编译包得了。 https://github.com/fo40225/tensorflow-windows-wheel