拉布拉多犬的成长历程

宋词鼠宝宝取名字大气寓意好的男孩起名字推荐

用宋词给男孩取名，大多是想给男孩取一个寓意内涵较深的名字，宋词中抒情诗词较多，适合作为鼠年男孩起名参考文学。父母们若能以宋词来取男孩名字，既能彰显出名字的深度，又能带上期望与祝福，对于男孩以后的成长历程有着极大的帮助。

宋词给男孩起名，大多是以怀古词、爱国词、战争词等方面为参考，文体若为婉约派则文雅，若为豪放派则大气。如果还要加上生肖鼠的取名条件，就可以以更深一步进行研究。

云涛

——《渔家傲·天接云涛连晓雾》

生肖匹配：云涛是一个与生肖鼠匹配的男孩名字。名字中涛有“氵”，为生肖鼠的属性。云涛与生肖鼠的匹配度不高，但并无冲突，是一个可用的男孩名字。

名字寓意：云涛是一个大气的男孩名字，虽然出自婉约宋词作品，但所表达的寓意却有大气之感。云即天上的云彩，也比喻人生高度，有极佳的寓意。涛有浩瀚之意，是相当威武霸气的取名用字。

天宇

——《水调歌头·和马叔度游月波楼》

生肖匹配：天宇与生肖匹配度是比较高的。天中有“大”指代生肖鼠的排名地位，宇有“宀”，为生肖鼠居住之地，两个名字均为生肖鼠所喜字。

名字寓意：天宇实际上就是指代天空和宇宙，正如词中所描述的一样。若作为名字，天宇则是比喻男孩人生和事业的一个高度，是一个有着吉祥寓意的名字。

宋词鼠宝宝取名字大气寓意好的男孩起名字通用字

秦是宋词中使用频率较高的汉字，多用于怀古诗，也是词牌名《忆秦娥》用字之一。秦下有“禾”为生肖鼠所喜偏旁部首，与生肖相配。在寓意上秦多指前朝古朝，是对秦朝盛况的怀念，起作男孩名字多有威武之意。

宋朝词牌名《望江南》中的望是适合用于给男孩取名的汉字，望是一个动词，有向高处看的意思，也指代声誉好，名声响亮的人，用此字取名带有祝福的韵味在内。望字拆分有“王”为生肖鼠排名指代，中亦有“月”为生肖鼠食粮指代。

潇是经典宋词文学中《眼儿媚·愁云淡淡雨潇潇》所取汉字，在大多数的宋词作品中，潇均指代雨点飘洒的状态。但若将其起作男孩名字，则有风流潇洒之意。在生肖匹配度上，潇有“氵”和“艹”，为生肖鼠男孩取名宜用字。

宋词鼠宝宝取名字大气寓意好的男孩起名字大全

宋词给鼠宝男孩取名，仅仅是在宋词作为基础起名参考文学时，再添加一个生肖匹配的取名条件，如下已经为大家准备好了宋词鼠宝宝取名字大气寓意好的男孩起名字大全，从中大家可以选择几个好听的男孩备用名。

鼎月 莘鸿 志帆

雨歌 三省 康安

弘瑜 弘升 英嘉

昊雨 俊凌 翰鸿

裕泰 云新 庆宇

兴江 语若 寻陌

褚景 建华 休远

明华 玉宇 清浩

晓熙 明忆 鸿达

元白 贤峰 子翰

玮广 智龙 立修

明源 华清 知亭

诚宇 乐熙 咏明

君信 念武 慕楚

霜衡 景明 和泰

嘉石 蜀江 启尘

鸿月 鹭润 望尘

路云 睿广 海墨

敬祺 清曜 砚文

暮寒 善棋 光清

外媒：科学家为狗设计出新的年龄换算公式

狗和人类，实际上包括所有哺乳动物，都经历着相同的成长历程：出生、***期、少年、青春期、成年和死亡。

科学家已经发现DNA上的化学标记与这些不同阶段相对应，这一研究领域被称作“表观遗传学”。被称为甲基的分子附着在DNA的某个特定片段，拨到“关闭”位置，就会开启生命的下一阶段。

科学家们能够设计出一种更复杂的公式，更好地匹配对照狗与人类的生命阶段——但你需要用科学计算器才能算出结果。

Kaggle上的犬种识别

Kaggle上的犬种识别（ImageNet Dogs）

Dog Breed Identification (ImageNet Dogs) on Kaggle

在本节中，将解决在Kaggle竞赛中的犬种识别挑战。比赛的网址是

首先，导入比赛所需的软件包或模块。

import collections

import math

from mxnet

import autograd, gluon, init, npx

from

import nn

import os

import time

_np()

Obtaining and Organizing the Dataset

·

…

·

…/data/dog-breed-identification/sample_

·

…/data/dog-breed-identification/train

·

…/data/dog-breed-identification/test

类似地，为了更容易开始，提供了上面提到的数据集的小规模样本，“train_valid_test_”. 如果要为Kaggle竞赛使用完整的数据集，还需要将下面的demo变量更改为False。

#@s***e

‘kaggle_dog_’,

# If you use the full dataset downloaded for the Kaggle

competition, change

# the variable below to False

demo = True

if demo:

else:

data_dir = (’…’, ‘data’, ‘dog-breed-identification’)

def reorg_dog_data(data_dir, valid_ratio):

reorg_dog_data(data_dir,

valid_ratio)

Image Augmentation

此部分中的图像的大小大于上一部分中的图像。下面是一些可能有用的图像增强操作。

transform_train = ([

#

#

#

#

pixels each

(),

#

Randomly change the brightness, contrast, and saturation

#

Add random noise

(),

#

Standardize each channel of the image

在测试过程中，只使用明确的图像预处理操作。

transform_test = ([

#

(),

Reading the Dataset

与上一节一样，可以创建一个ImageFolderDataset实例来读取包含原始图像文件的数据集。

train_ds, valid_ds, train_valid_ds, test_ds = [

(

(data_dir, 'train_valid_test', folder))

for

folder in (‘train’, ‘valid’, ‘train_valid’, ‘test’)]

在这里，创建DataLoader实例。

train_iter, train_valid_iter = [(

_first(transform_train), batch_size, shuffle=True,

last_batch='keep') for dataset in (train_ds, train_valid_ds)]

valid_iter, test_iter = [(

_first(transform_test), batch_size, shuffle=False,

last_batch='keep') for dataset in (valid_ds, test_ds)]

Defining the Model

必须注意，在图像增强过程中，使用整个ImageNet数据集的三个RGB通道的平均值和标准差进行标准化。这与预训练模型的规范化是一致的。

def get_net(ctx):

# Define a new output network

finetune__new = (prefix='')

# Initialize the output network

finetune__((), ctx=ctx)

# Distribute the model parameters to the CPUs or GPUs used for computation

finetune__params().reset_ctx(ctx)

return finetune_net

在计算损失时，首先利用成员变量特征来获取预先训练模型输出层的输入，即提取的特征。然后，使用这个特性作为小型定制输出网络的输入并计算输出。

loss = ()

def evaluate_loss(data_iter, net, ctx):

for X, y in data_iter:

y = _in_ctx(ctx)

output_features = (_in_ctx(ctx))

outputs = _new(output_features)

l_sum += float(loss(outputs, y).sum())

n +=

return l_sum / n

Defining the Training Functions

将根据模型在验证集上的性能来选择模型并调整超参数。模型训练功能训练只训练小型定制输出网络。

def train(net, train_iter, valid_iter, num_epochs, lr, wd, ctx, lr_period,

lr_decay):

# Only train the small custom output network

trainer = (__params(), 'sgd',

for epoch in range(num_epochs):

_learning_rate(_rate * lr_decay)

for X, y in train_iter:

y = _in_ctx(ctx)

output_features = (_in_ctx(ctx))

with ():

outputs = _new(output_features)

l = loss(outputs, y).sum()

()

(batch_size)

train_l_sum += float(l)

n +=

if valid_iter is not None:

valid_loss = evaluate_loss(valid_iter, net, ctx)

epoch_s = ("epoch %d, train loss %f, valid loss %f, "

else:

epoch_s = ("epoch %d, train loss %f, "

print(epoch_s + time_s + ', lr ' + str(_rate))

Training and Validating the Model

()

train(net, train_iter, valid_iter, num_epochs, lr, wd, ctx, lr_period,

lr_decay)

Classifying the Testing Set and Submitting Results on Kaggle

在获得满意的模型设计和超参数后，使用所有训练数据集（包括验证集）对模型进行再训练，然后对测试集进行分类。请注意，预测是由刚刚训练的输出网络做出的。

net = get_net(ctx)

()

train(net, train_valid_iter, None, num_epochs, lr, wd, ctx, lr_period,

lr_decay)

preds = []

for data, label in test_iter:

output_features = (_in_ctx(ctx))

output = (_new(output_features))

(())

ids = sorted((

(data_dir, 'train_valid_test', 'test', 'unknown')))

with open(‘’, ‘w’) as f:

('id,' + ','.join(train_valid_) + '\n')

for i, output in zip(ids, preds):

[str(num) for num in output]) + '\n')

执行上述代码后，将生成一个“

“文件。此文件的格式符合Kaggle竞赛要求。

Summary

We can use a model pre-trained on the ImageNet dataset to extract features and only train a small custom output network. This will allow us to classify a subset of the ImageNet dataset with lower computing and storage overhead.