项目一：基于YOLOv7的输电线路销钉缺失检测项目

1. YOLOv7模型介绍

YOLOv7是目标检测算法YOLO（You Only Look Once）的第七个版本，也是目前较流行的YOLO算法版本之一。

YOLOv8主要结构：

1. Backbone网络：采用CSPDarknet53作为主干网络，在不增加参数数量的情况下提高了网络效果。CSPDarknet53使用多层跨层连接（Cross Stage Partial）实现，可以缓解梯度弥散，提高了特征表达能力。

2. Neck：采用YOLONeck模块作为连接头，用于整合backbone网络输出的不同尺度特征图，提供更丰富的语义信息给下一步的处理。

3. Head：使用YOLOv7Head模块，具有多任务同时实现物体识别和定位，且充分利用不同分辨率的特征图，使得对不同尺寸物体的检测有更好的性能。

4. 损失函数：采用YOLOv3采用的损失函数，由于该损失函数在训练过程中可以平衡不同尺寸目标框的权重，使得算法对大、小目标框有更好的检测效果。

相较于其他YOLO系列算法：

1. 网络结构：YOLOv7采用了CSPDarknet53作为主干网络，使用多层跨层连接，提高了特征表达能力，同时采用了YOLONeck模块和YOLOv7Head模块，使得对不同尺寸物体的检测有更好的性能。

2. 数据增强：YOLOv7引入新的数据增强策略，增加训练数据的难度，提高算法的鲁棒性和泛化能力。

3. 训练策略：YOLOv7使用动态权重更新技术，可根据目标的重要性自适应地调整权重，同时使用注意力机制和最大建模平均池化等技术，提高了检测性能。

4. 精度和速度：YOLOv7采用上述改进方案，提高了算法的精度和速度，具有更好的鲁棒性和泛化性能。

YOLOv7在COCO数据集的评测结果为，使用YOLOv7-S模型，测试时使用图像的每个正方形区域都被分为2个子区域的方法，得到的F1值可以达到46.9%，可以满足一些低精度的检测应用。同时，使用YOLOv7母型模型在图像尺寸为608×608的情况下，在COCO最新测试集上，获得的FPS为76.5，同时平均准确率F1值为54.2%，相较于其它目标检测算法，YOLOv7的检测速度和准确度都具有一定优势。

YOLOv7结构图来源：YOLOV7详细解读（一）网络架构解读

YOLOv7的主干特征提取网络：

from functools import wrapsfrom tensorflow.keras import backend as K
from tensorflow.keras.initializers import RandomNormal
from tensorflow.keras.layers import (Add, BatchNormalization, Concatenate, Conv2D, Layer,MaxPooling2D, ZeroPadding2D)
from tensorflow.keras.regularizers import l2
from utils.utils import composeclass SiLU(Layer):def __init__(self, **kwargs):super(SiLU, self).__init__(**kwargs)self.supports_masking = Truedef call(self, inputs):return inputs * K.sigmoid(inputs)def get_config(self):config = super(SiLU, self).get_config()return configdef compute_output_shape(self, input_shape):return input_shape@wraps(Conv2D)
def DarknetConv2D(*args, **kwargs):darknet_conv_kwargs = {'kernel_initializer' : RandomNormal(stddev=0.02), 'kernel_regularizer' : l2(kwargs.get('weight_decay', 0))}darknet_conv_kwargs['padding'] = 'valid' if kwargs.get('strides')==(2, 2) else 'same'   try:del kwargs['weight_decay']except:passdarknet_conv_kwargs.update(kwargs)return Conv2D(*args, **darknet_conv_kwargs)def DarknetConv2D_BN_SiLU(*args, **kwargs):no_bias_kwargs = {'use_bias': False}no_bias_kwargs.update(kwargs)if "name" in kwargs.keys():no_bias_kwargs['name'] = kwargs['name'] + '.conv'return compose(DarknetConv2D(*args, **no_bias_kwargs),BatchNormalization(momentum = 0.97, epsilon = 0.001, name = kwargs['name'] + '.bn'),SiLU())def Transition_Block(x, c2, weight_decay=5e-4, name = ""):x_1 = MaxPooling2D((2, 2), strides=(2, 2))(x)x_1 = DarknetConv2D_BN_SiLU(c2, (1, 1), weight_decay=weight_decay, name = name + '.cv1')(x_1)x_2 = DarknetConv2D_BN_SiLU(c2, (1, 1), weight_decay=weight_decay, name = name + '.cv2')(x)x_2 = ZeroPadding2D(((1, 1),(1, 1)))(x_2)x_2 = DarknetConv2D_BN_SiLU(c2, (3, 3), strides=(2, 2), weight_decay=weight_decay, name = name + '.cv3')(x_2)y = Concatenate(axis=-1)([x_2, x_1])return ydef Multi_Concat_Block(x, c2, c3, n=4, e=1, ids=[0], weight_decay=5e-4, name = ""):c_ = int(c2 * e)x_1 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv1')(x)x_2 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv2')(x)x_all = [x_1, x_2]for i in range(n):x_2 = DarknetConv2D_BN_SiLU(c2, (3, 3), weight_decay=weight_decay, name = name + '.cv3.' + str(i))(x_2)x_all.append(x_2)y = Concatenate(axis=-1)([x_all[id] for id in ids])y = DarknetConv2D_BN_SiLU(c3, (1, 1), weight_decay=weight_decay, name = name + '.cv4')(y)return ydef darknet_body(x, transition_channels, block_channels, n, phi, weight_decay=5e-4):ids = {'l' : [-1, -3, -5, -6],'x' : [-1, -3, -5, -7, -8], }[phi]x = DarknetConv2D_BN_SiLU(transition_channels, (3, 3), strides = (1, 1), weight_decay=weight_decay, name = 'backbone.stem.0')(x)x = ZeroPadding2D(((1, 1),(1, 1)))(x)x = DarknetConv2D_BN_SiLU(transition_channels * 2, (3, 3), strides = (2, 2), weight_decay=weight_decay, name = 'backbone.stem.1')(x)x = DarknetConv2D_BN_SiLU(transition_channels * 2, (3, 3), strides = (1, 1), weight_decay=weight_decay, name = 'backbone.stem.2')(x)x = ZeroPadding2D(((1, 1),(1, 1)))(x)x = DarknetConv2D_BN_SiLU(transition_channels * 4, (3, 3), strides = (2, 2), weight_decay=weight_decay, name = 'backbone.dark2.0')(x)x = Multi_Concat_Block(x, block_channels * 2, transition_channels * 8, n=n, ids=ids, weight_decay=weight_decay, name = 'backbone.dark2.1')x = Transition_Block(x, transition_channels * 4, weight_decay=weight_decay, name = 'backbone.dark3.0')x = Multi_Concat_Block(x, block_channels * 4, transition_channels * 16, n=n, ids=ids, weight_decay=weight_decay, name = 'backbone.dark3.1')feat1 = xx = Transition_Block(x, transition_channels * 8, weight_decay=weight_decay, name = 'backbone.dark4.0')x = Multi_Concat_Block(x, block_channels * 8, transition_channels * 32, n=n, ids=ids, weight_decay=weight_decay, name = 'backbone.dark4.1')feat2 = xx = Transition_Block(x, transition_channels * 16, weight_decay=weight_decay, name = 'backbone.dark5.0')x = Multi_Concat_Block(x, block_channels * 8, transition_channels * 32, n=n, ids=ids, weight_decay=weight_decay, name = 'backbone.dark5.1')feat3 = xreturn feat1, feat2, feat3

YOLOv7特征金字塔部分：

import numpy as np
from tensorflow.keras.layers import (Add, BatchNormalization, Concatenate, Conv2D, Input,Lambda, MaxPooling2D, UpSampling2D)
from tensorflow.keras.models import Modelfrom nets.backbone import (DarknetConv2D, DarknetConv2D_BN_SiLU,Multi_Concat_Block, SiLU, Transition_Block,darknet_body)
from nets.yolo_training import yolo_lossdef SPPCSPC(x, c2, n=1, shortcut=False, g=1, e=0.5, k=(5, 9, 13), weight_decay=5e-4, name=""):c_ = int(2 * c2 * e)  # hidden channelsx1 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv1')(x)x1 = DarknetConv2D_BN_SiLU(c_, (3, 3), weight_decay=weight_decay, name = name + '.cv3')(x1)x1 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv4')(x1)y1 = Concatenate(axis=-1)([x1] + [MaxPooling2D(pool_size=(m, m), strides=(1, 1), padding='same')(x1) for m in k])y1 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv5')(y1)y1 = DarknetConv2D_BN_SiLU(c_, (3, 3), weight_decay=weight_decay, name = name + '.cv6')(y1)y2 = DarknetConv2D_BN_SiLU(c_, (1, 1), weight_decay=weight_decay, name = name + '.cv2')(x)out = Concatenate(axis=-1)([y1, y2])out = DarknetConv2D_BN_SiLU(c2, (1, 1), weight_decay=weight_decay, name = name + '.cv7')(out)return outdef fusion_rep_vgg(fuse_layers, trained_model, infer_model):for layer_name, use_bias, use_bn in fuse_layers:conv_kxk_weights = trained_model.get_layer(layer_name + '.rbr_dense.0').get_weights()[0]conv_1x1_weights = trained_model.get_layer(layer_name + '.rbr_1x1.0').get_weights()[0]if use_bias:conv_kxk_bias = trained_model.get_layer(layer_name + '.rbr_dense.0').get_weights()[1]conv_1x1_bias = trained_model.get_layer(layer_name + '.rbr_1x1.0').get_weights()[1]else:conv_kxk_bias = np.zeros((conv_kxk_weights.shape[-1],))conv_1x1_bias = np.zeros((conv_1x1_weights.shape[-1],))if use_bn:gammas_kxk, betas_kxk, means_kxk, var_kxk = trained_model.get_layer(layer_name + '.rbr_dense.1').get_weights()gammas_1x1, betas_1x1, means_1x1, var_1x1 = trained_model.get_layer(layer_name + '.rbr_1x1.1').get_weights()else:gammas_1x1, betas_1x1, means_1x1, var_1x1 = [np.ones((conv_1x1_weights.shape[-1],)),np.zeros((conv_1x1_weights.shape[-1],)),np.zeros((conv_1x1_weights.shape[-1],)),np.ones((conv_1x1_weights.shape[-1],))]gammas_kxk, betas_kxk, means_kxk, var_kxk = [np.ones((conv_kxk_weights.shape[-1],)),np.zeros((conv_kxk_weights.shape[-1],)),np.zeros((conv_kxk_weights.shape[-1],)),np.ones((conv_kxk_weights.shape[-1],))]gammas_res, betas_res, means_res, var_res = [np.ones((conv_1x1_weights.shape[-1],)),np.zeros((conv_1x1_weights.shape[-1],)),np.zeros((conv_1x1_weights.shape[-1],)),np.ones((conv_1x1_weights.shape[-1],))]# _fuse_bn_tensor(self.rbr_dense)w_kxk = (gammas_kxk / np.sqrt(np.add(var_kxk, 1e-3))) * conv_kxk_weightsb_kxk = (((conv_kxk_bias - means_kxk) * gammas_kxk) / np.sqrt(np.add(var_kxk, 1e-3))) + betas_kxk# _fuse_bn_tensor(self.rbr_dense)kernel_size = w_kxk.shape[0]in_channels = w_kxk.shape[2]w_1x1 = np.zeros_like(w_kxk)w_1x1[kernel_size // 2, kernel_size // 2, :, :] = (gammas_1x1 / np.sqrt(np.add(var_1x1, 1e-3))) * conv_1x1_weightsb_1x1 = (((conv_1x1_bias - means_1x1) * gammas_1x1) / np.sqrt(np.add(var_1x1, 1e-3))) + betas_1x1w_res = np.zeros_like(w_kxk)for i in range(in_channels):w_res[kernel_size // 2, kernel_size // 2, i % in_channels, i] = 1w_res = ((gammas_res / np.sqrt(np.add(var_res, 1e-3))) * w_res)b_res = (((0 - means_res) * gammas_res) / np.sqrt(np.add(var_res, 1e-3))) + betas_resweight = [w_res, w_1x1, w_kxk]bias = [b_res, b_1x1, b_kxk]infer_model.get_layer(layer_name).set_weights([np.array(weight).sum(axis=0), np.array(bias).sum(axis=0)])def RepConv(x, c2, mode="train", weight_decay=5e-4, name=""):if mode == "predict":out = DarknetConv2D(c2, (3, 3), name = name, use_bias=True, weight_decay=weight_decay, padding='same')(x)out = SiLU()(out)elif mode == "train":x1 = DarknetConv2D(c2, (3, 3), name = name + '.rbr_dense.0', use_bias=False, weight_decay=weight_decay, padding='same')(x)x1 = BatchNormalization(momentum = 0.97, epsilon = 0.001, name = name + '.rbr_dense.1')(x1)x2 = DarknetConv2D(c2, (1, 1), name = name + '.rbr_1x1.0', use_bias=False, weight_decay=weight_decay, padding='same')(x)x2 = BatchNormalization(momentum = 0.97, epsilon = 0.001, name = name + '.rbr_1x1.1')(x2)out = Add()([x1, x2])out = SiLU()(out)return outdef yolo_body(input_shape, anchors_mask, num_classes, phi, weight_decay=5e-4, mode="train"):transition_channels = {'l' : 32, 'x' : 40}[phi]block_channels      = 32panet_channels      = {'l' : 32, 'x' : 64}[phi]e       = {'l' : 2, 'x' : 1}[phi]n       = {'l' : 4, 'x' : 6}[phi]ids     = {'l' : [-1, -2, -3, -4, -5, -6], 'x' : [-1, -3, -5, -7, -8]}[phi]inputs      = Input(input_shape)feat1, feat2, feat3 = darknet_body(inputs, transition_channels, block_channels, n, phi, weight_decay)P5          = SPPCSPC(feat3, transition_channels * 16, weight_decay=weight_decay, name="sppcspc")P5_conv     = DarknetConv2D_BN_SiLU(transition_channels * 8, (1, 1), weight_decay=weight_decay, name="conv_for_P5")(P5)P5_upsample = UpSampling2D()(P5_conv)P4          = Concatenate(axis=-1)([DarknetConv2D_BN_SiLU(transition_channels * 8, (1, 1), weight_decay=weight_decay, name="conv_for_feat2")(feat2), P5_upsample])P4          = Multi_Concat_Block(P4, panet_channels * 4, transition_channels * 8, e=e, n=n, ids=ids, weight_decay=weight_decay, name="conv3_for_upsample1")P4_conv     = DarknetConv2D_BN_SiLU(transition_channels * 4, (1, 1), weight_decay=weight_decay, name="conv_for_P4")(P4)P4_upsample = UpSampling2D()(P4_conv)P3          = Concatenate(axis=-1)([DarknetConv2D_BN_SiLU(transition_channels * 4, (1, 1), weight_decay=weight_decay, name="conv_for_feat1")(feat1), P4_upsample])P3          = Multi_Concat_Block(P3, panet_channels * 2, transition_channels * 4, e=e, n=n, ids=ids, weight_decay=weight_decay, name="conv3_for_upsample2")P3_downsample = Transition_Block(P3, transition_channels * 4, weight_decay=weight_decay, name="down_sample1")P4 = Concatenate(axis=-1)([P3_downsample, P4])P4 = Multi_Concat_Block(P4, panet_channels * 4, transition_channels * 8, e=e, n=n, ids=ids, weight_decay=weight_decay, name="conv3_for_downsample1")P4_downsample = Transition_Block(P4, transition_channels * 8, weight_decay=weight_decay, name="down_sample2")P5 = Concatenate(axis=-1)([P4_downsample, P5])P5 = Multi_Concat_Block(P5, panet_channels * 8, transition_channels * 16, e=e, n=n, ids=ids, weight_decay=weight_decay, name="conv3_for_downsample2")if phi == "l":P3 = RepConv(P3, transition_channels * 8, mode, weight_decay=weight_decay, name="rep_conv_1")P4 = RepConv(P4, transition_channels * 16, mode, weight_decay=weight_decay, name="rep_conv_2")P5 = RepConv(P5, transition_channels * 32, mode, weight_decay=weight_decay, name="rep_conv_3")else:P3 = DarknetConv2D_BN_SiLU(transition_channels * 8, (3, 3), strides=(1, 1), weight_decay=weight_decay, name="rep_conv_1")(P3)P4 = DarknetConv2D_BN_SiLU(transition_channels * 16, (3, 3), strides=(1, 1), weight_decay=weight_decay, name="rep_conv_2")(P4)P5 = DarknetConv2D_BN_SiLU(transition_channels * 32, (3, 3), strides=(1, 1), weight_decay=weight_decay, name="rep_conv_3")(P5)out2 = DarknetConv2D(len(anchors_mask[2]) * (5 + num_classes), (1, 1), weight_decay=weight_decay, strides = (1, 1), name = 'yolo_head_P3')(P3)out1 = DarknetConv2D(len(anchors_mask[1]) * (5 + num_classes), (1, 1), weight_decay=weight_decay, strides = (1, 1), name = 'yolo_head_P4')(P4)out0 = DarknetConv2D(len(anchors_mask[0]) * (5 + num_classes), (1, 1), weight_decay=weight_decay, strides = (1, 1), name = 'yolo_head_P5')(P5)return Model(inputs, [out0, out1, out2])def get_train_model(model_body, input_shape, num_classes, anchors, anchors_mask, label_smoothing):y_true = [Input(shape = (input_shape[0] // {0:32, 1:16, 2:8}[l], input_shape[1] // {0:32, 1:16, 2:8}[l], \len(anchors_mask[l]), 2)) for l in range(len(anchors_mask))] + [Input(shape = [None, 5])]model_loss  = Lambda(yolo_loss, output_shape    = (1, ), name            = 'yolo_loss', arguments       = {'input_shape'       : input_shape, 'anchors'           : anchors, 'anchors_mask'      : anchors_mask, 'num_classes'       : num_classes, 'label_smoothing'   : label_smoothing, 'balance'           : [0.4, 1.0, 4],'box_ratio'         : 0.05,'obj_ratio'         : 1 * (input_shape[0] * input_shape[1]) / (640 ** 2), 'cls_ratio'         : 0.5 * (num_classes / 80)})([*model_body.output, *y_true])model       = Model([model_body.input, *y_true], model_loss)return model

2. 数据集简介

数据集包含1200张图像，利用labelimg标注程序对图像中包含的缺陷进行标注，标注销钉正常与销钉缺失两类目标，标签格式为voc标签。两类标签分布：销钉正常789，销钉异常656。

3. 检测模型训练

3.1 环境准备

训练软件环境：scipy==1.4.1；numpy==1.18.4；matplotlib==3.2.1；opencv_python==4.2.0.34

tensorflow_gpu==2.2.0；tqdm==4.46.1；Pillow==8.2.0；h5py==2.10.0。

硬件环境：Windows11，3060显卡。

3.2 训练参数设置

训练：测试：验证=8:1:1；一开始采用的是Aadm优化器，但训练过程中发现，虽模型拟合速度较快，但训练得到的模型泛化能力很差。采用冻结训练，主要训练参数设置如下：

    input_shape     = [640, 640]mosaic              = Truemosaic_prob         = 0.5mixup               = Truemixup_prob          = 0.5special_aug_ratio   = 0.5（前50%轮开启moasic增强）Init_Epoch          = 180Freeze_Epoch        = 50Freeze_batch_size   = 16 UnFreeze_Epoch      = 300Unfreeze_batch_size = 4Init_lr             = 1e-2Min_lr              = Init_lr * 0.01optimizer_type      = "sgd"momentum            = 0.937weight_decay        = 5e-4lr_decay_type       = 'cos'

3.3 训练结果

3.4 测试结果可视化

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/63981.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【牛客网题目】合并两个排序的链表

【牛客网题目】合并两个排序的链表

目录 描述 题目分析 描述 输入两个递增的链表，单个链表的长度为n，合并这两个链表并使新链表中的节点仍然是递增排序的。 数据范围：0≤n≤1000，1000≤节点值≤1000 要求：空间复杂度 O(1)，时间复杂…
阅读更多...
自然语言处理的多行业应用

自然语言处理的多行业应用

在我们小时候，甚至是我们会走路或说话之前，就已经在察觉周围发出的声音了。我们倾听其他人发出的声响和声音。我们将声音组合成有意义的词语，例如“母亲”和“门”，并学习解读周围人的面部表情，以加深我们对词组的理解…
阅读更多...
现浇钢筋混泥土楼板施工岗前安全VR实训更安全高效

现浇钢筋混泥土楼板施工岗前安全VR实训更安全高效

建筑行业天天与钢筋混凝土砼在，安全施工便成了企业发展的头等大事。 当今社会，人人都奉行生命无价，安全至上。可工地安全事故频繁发生，吞噬掉多少宝贵生命。破坏了多小个家庭?痛定死痛，为了提高施工人员的安全意识。 …
阅读更多...
密度图及山脊图绘图基础

密度图及山脊图绘图基础

文章目录 3 种绘制密度图方法对比多组数据、同一个核函数渐变颜色填充“山脊”图同一坐标系中多个密度图的绘制 Seaborn 的 kdeplot() 函数是 Python 中绘制密度图的方式之一，Matplotlib 在现阶段则没有具体的绘制密度图的函数，一般是结合 Scipy 库中的 …
阅读更多...
使用多进程的方式改写聊天程序(有名管道)

使用多进程的方式改写聊天程序(有名管道)

目录 1、思路2 、步骤 1、思路 2 、步骤 步骤1&#xff1a;创建两个管道 makefifo fifo1 fifo2步骤2&#xff1a;编写talkA.c文件 #include<stdio.h> #include<stdlib.h> #include<string.h> #include<sys/types.h> #include<sys/stat.h> #in…
阅读更多...
ChatGPT怎么辅助解决社会问题？

ChatGPT怎么辅助解决社会问题？

ChatGPT作为一个强大的自然语言处理模型&#xff0c;具有潜力辅助解决多种社会问题。其能力可以应用于信息传递、教育、宣传、意识提高等领域&#xff0c;为社会问题的解决提供支持。以下将详细探讨ChatGPT如何辅助解决社会问题。 **1. 教育与意识提高**&#xff1a; ChatGPT可…
阅读更多...
智慧排水监测系统，科技助力城市排水治理

智慧排水监测系统，科技助力城市排水治理

城市里&#xff0c;人们每天通过道路通行&#xff0c;人多&#xff0c;路窄&#xff0c;都会拥堵。同样&#xff0c;下雨天&#xff0c;雨水通过雨篦汇集、管道输送&#xff0c;最终排出去&#xff0c;当雨水过大&#xff0c;或者管道过窄&#xff0c;或者管道不通畅&#xff0…
阅读更多...
工控上位机程序为什么只能用C语言？

工控上位机程序为什么只能用C语言？

工控上位机程序并不只能用C#开发&#xff0c;实际上在工业自动化领域中&#xff0c;常见的上位机开发语言包括但不限于以下几种&#xff1a;C#: C#是一种常用的编程语言&#xff0c;在工控领域中被广泛使用。它具有良好的面向对象特性和丰富的类库支持&#xff0c;可以实现高性…
阅读更多...
【Vue】快速上手--Vue 3.0

【Vue】快速上手--Vue 3.0

什么是 Vue&#xff1f;​ Vue (发音为 /vjuː/&#xff0c;类似 view) 是一款用于构建用户界面的 JavaScript 框架。它基于标准 HTML、CSS 和 JavaScript 构建&#xff0c;并提供了一套声明式的、组件化的编程模型&#xff0c;帮助你高效地开发用户界面。无论是简单还是复杂的…
阅读更多...
怎么从0到1创建一个PHP框架-2？

怎么从0到1创建一个PHP框架-2？

写在前面 本人开发的框架在2021年年初开发完成&#xff0c;后面没有再做过任何维护和修改。是仅供大家参考交流的学习项目&#xff0c;请勿使用在生产环境&#xff0c;也勿用作商业用途。 框架地址&#xff1a; https://github.com/yijiebaiyi/fast_framework 实现缓存 框架…
阅读更多...
C++--动态规划其他问题

C++--动态规划其他问题

1.一和零 力扣&#xff08;LeetCode&#xff09;官网 - 全球极客挚爱的技术成长平台 给你一个二进制字符串数组 strs 和两个整数 m 和 n 。 请你找出并返回 strs 的最大子集的长度&#xff0c;该子集中 最多 有 m 个 0 和 n 个 1 。 如果 x 的所有元素也是 y 的元素&#xff0…
阅读更多...
springboot整合Excel填充数据

springboot整合Excel填充数据

填充一组数据 准备模板 封装数据 import java.util.ArrayList; import java.util.List;/*** 使用实体类封装填充数据** 实体中成员变量名称需要和Excel表各种{}包裹的变量名匹配*/ Data public class FillData {private String name;private int age;// 生成多组数据代码pub…
阅读更多...
在线问答和智能问答的区别在哪儿？如何搭建问答库？

在线问答和智能问答的区别在哪儿？如何搭建问答库？

在线问答和智能问答是两个不同的概念&#xff0c;虽然它们都是用来回答用户提出的问题&#xff0c;但在实现方式、功能和应用场景上有一些区别。 在线问答系统是一种基于互联网的问答服务&#xff0c;提供给用户一个平台&#xff0c;让他们可以提问问题并获取答案。在线问答系…
阅读更多...
java八股文面试[数据库]——慢查询优化

java八股文面试[数据库]——慢查询优化

分析慢查询日志 直接分析慢查询日志&#xff0c; mysql使用explain sql语句进行模拟优化器来执行分析。 oracle使用explain plan for sql语句进行模拟优化器来执行分析。 table | type | possible_keys | key |key_len | ref | rows | Extra EXPLAIN列的解释&#xff1a; ta…
阅读更多...
【CSS】CSS 布局——定位

【CSS】CSS 布局——定位

在CSS&#xff08;层叠样式表&#xff09;中&#xff0c;定位是一种用来控制元素在网页上的布局位置的技术。CSS提供了不同的定位属性&#xff0c;用于控制元素相对于其父元素或文档视口的位置。 CSS中常用的定位属性 静态定位&#xff08;static&#xff09;&#xff1a; 这是…
阅读更多...
Mysql查询（SELECT）

Mysql查询（SELECT）

基本查询&#xff1a;SELECT FROM SELECT 查询字段 FROM 表名; SELECT * FROM userinfo; 条件查询&#xff1a;用where表示查询条件 SELECT 查询字段 FROM 表名 WHERE 条件; 模糊查询&#xff1a;like %匹配0或多个字符&#xff0c;一般不用左模糊&#xff08;%放在左边&…
阅读更多...
【电子取证篇】汽车取证检验标准

【电子取证篇】汽车取证检验标准

【电子取证篇】汽车取证检验标准 汽车取证鉴定可能涉及的测试/测量方法—【蘇小沐】 GA/T 976-2012《电子数据法庭科学鉴定通用方法》&#xff1b; GA/T 1998-2022《汽车车载电子数据提取技术规范》&#xff1b; GA/T 1999.2-2022《道路交通事故车辆速度鉴定方法 第2部分&…
阅读更多...
windows使用-设置windows的远程访问用户数量

windows使用-设置windows的远程访问用户数量

文章目录 前言相关操作总结前言 作为IT工程师，使用服务器做相应的软件操作时常有的事。最近一段时间，我们的团队多个成员都需要远程登录到一台windows2003Server的服务器处理相应的业务。而默认情况下，Windows系统只允许一名用户远程到服务器上，这给小伙伴的工作造成一些不…
阅读更多...
时序预测 | MATLAB实现AR、ARMA、ARIMA时间序列预测模型答疑

时序预测 | MATLAB实现AR、ARMA、ARIMA时间序列预测模型答疑

时序预测 | MATLAB实现AR、ARMA、ARIMA时间序列预测模型答疑 目录 时序预测 | MATLAB实现AR、ARMA、ARIMA时间序列预测模型答疑基本介绍程序设计参考资料基本介绍 AR自回归模型（Autoregressive Model），通常简称为AR模型，是一种用于时间序列分析和预测的统计模型。它基于时间…
阅读更多...
docker与phpstudy两种方式部署wordpress 并 开启伪静态

docker与phpstudy两种方式部署wordpress 并 开启伪静态

实际测试&#xff0c;可能是docker内存限制的缘故&#xff0c;docker部署的会比较卡 下载 wordpress phpstudy phpstudy中伪静态配置 伪静态 正常访问 WordPress 文章页的 URL 地址为 http://asa/index.php?p123。变成伪静态就是http://asa/123.html 。 伪静态是相对真实静…
阅读更多...
最新文章

Copyright @ 2022~2023