Pytorch | 从零构建ParNet/Non-Deep Networks对CIFAR10进行分类

Pytorch | 从零构建ParNet/Non-Deep Networks对CIFAR10进行分类

  • CIFAR10数据集
  • ParNet
    • 架构特点
    • 优势
    • 应用
  • ParNet结构代码详解
    • 结构代码
    • 代码详解
      • SSE
      • ParNetBlock 类
      • DownsamplingBlock 类
      • FusionBlock 类
      • ParNet 类
  • 训练过程和测试结果
  • 代码汇总
    • parnet.py
    • train.py
    • test.py

前面文章我们构建了AlexNet、Vgg、GoogleNet、ResNet、MobileNet、EfficientNet对CIFAR10进行分类：
Pytorch | 从零构建AlexNet对CIFAR10进行分类
Pytorch | 从零构建Vgg对CIFAR10进行分类
Pytorch | 从零构建GoogleNet对CIFAR10进行分类
Pytorch | 从零构建ResNet对CIFAR10进行分类
Pytorch | 从零构建MobileNet对CIFAR10进行分类
Pytorch | 从零构建EfficientNet对CIFAR10进行分类
这篇文章我们来构建ParNet(Non-Deep Networks).

CIFAR10数据集

CIFAR-10数据集是由加拿大高级研究所（CIFAR）收集整理的用于图像识别研究的常用数据集，基本信息如下：

  • 数据规模：该数据集包含60,000张彩色图像，分为10个不同的类别，每个类别有6,000张图像。通常将其中50,000张作为训练集，用于模型的训练；10,000张作为测试集，用于评估模型的性能。
  • 图像尺寸：所有图像的尺寸均为32×32像素，这相对较小的尺寸使得模型在处理该数据集时能够相对快速地进行训练和推理，但也增加了图像分类的难度。
  • 类别内容：涵盖了飞机（plane）、汽车（car）、鸟（bird）、猫（cat）、鹿（deer）、狗（dog）、青蛙（frog）、马（horse）、船（ship）、卡车（truck）这10个不同的类别，这些类别都是现实世界中常见的物体，具有一定的代表性。

下面是一些示例样本：
在这里插入图片描述

ParNet

ParNet是一种高效的深度学习网络架构由谷歌研究人员于2021年提出，以下从其架构特点、优势及应用等方面进行详细介绍：

架构特点

  • 并行子结构：ParNet的核心在于其并行的子结构设计。它由多个并行的分支组成，每个分支都包含一系列的卷积层和池化层等操作。这些分支在网络中同时进行计算，就像多条并行的道路同时运输信息一样，大大提高了信息处理的效率。
  • 多尺度特征融合：不同分支在不同的尺度上对输入图像进行处理，然后将这些多尺度的特征进行融合。例如，一个分支可能专注于提取图像中的局部细节特征，而另一个分支则更擅长捕捉图像的全局上下文信息。通过融合这些不同尺度的特征，ParNet能够更全面、更准确地理解图像内容。
  • 深度可分离卷积：在网络的卷积操作中，大量使用了深度可分离卷积。这种卷积方式将传统的卷积操作分解为深度卷积和逐点卷积两个步骤，大大减少了计算量，同时提高了模型的运行速度，使其更适合在移动设备等资源受限的环境中应用。
    在这里插入图片描述

优势

  • 高效性：由于其并行结构和深度可分离卷积的使用，ParNet在计算效率上具有很大的优势。它可以在保证模型性能的前提下，大大减少模型的参数量和计算量，从而实现快速的推理和训练。
  • 灵活性：ParNet的并行子结构和多尺度特征融合方式使其具有很强的灵活性。它可以根据不同的任务和数据集进行调整和优化，轻松适应各种图像识别和处理任务。
  • 可扩展性：该网络架构具有良好的可扩展性，可以方便地增加或减少分支的数量和深度，以满足不同的性能需求。

应用

  • 图像分类：在图像分类任务中，ParNet能够快速准确地对图像中的物体进行分类。例如，在CIFAR-10和ImageNet等标准图像分类数据集上，ParNet取得了与现有先进模型相当的准确率，同时具有更快的推理速度。
  • 目标检测：在目标检测任务中，ParNet可以有效地检测出图像中的目标物体，并确定其位置和类别。通过对多尺度特征的融合和利用，ParNet能够更好地处理不同大小和形状的目标物体，提高检测的准确率和召回率。
  • 语义分割：在语义分割任务中，ParNet能够对图像中的每个像素进行分类，将图像分割成不同的语义区域。其多尺度特征融合的特点使得它在处理复杂的场景和物体边界时具有更好的效果，能够生成更准确的分割结果。

ParNet结构代码详解

结构代码

import torch
import torch.nn as nn
import torch.nn.functional as Fclass SSE(nn.Module):def __init__(self, in_channels):super(SSE, self).__init__()self.global_avgpool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Linear(in_channels, in_channels)def forward(self, x):out = self.global_avgpool(x)out = out.view(out.size(0), -1)out = self.fc(out)out = torch.sigmoid(out)out = out.view(out.size(0), out.size(1), 1, 1)return x * outclass ParNetBlock(nn.Module):def __init__(self, in_channels, out_channels):super(ParNetBlock, self).__init__()self.branch1x1 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.branch3x3 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.sse = SSE(out_channels)def forward(self, x):branch1x1 = self.branch1x1(x)branch3x3 = self.branch3x3(x)out = branch1x1 + branch3x3out = self.sse(out)out = F.silu(out)return outclass DownsamplingBlock(nn.Module):def __init__(self, in_channels, out_channels):super(DownsamplingBlock, self).__init__()self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=2, padding=1, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)def forward(self, x):out = self.conv(x)out = self.bn(out)out = self.relu(out)out = self.se(out)return outclass FusionBlock(nn.Module):def __init__(self, in_channels, out_channels):super(FusionBlock, self).__init__()self.conv1x1 = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=2, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)self.concat = nn.Conv2d(out_channels * 2, out_channels, kernel_size=1, bias=False)def forward(self, x1, x2):x1, x2 = self.conv1x1(x1), self.conv1x1(x2)x1, x2 = self.bn(x1), self.bn(x2)x1, x2 = self.relu(x1), self.relu(x2)x1, x2 = self.se(x1), self.se(x2)out = torch.cat([x1, x2], dim=1)out = self.concat(out)return outclass ParNet(nn.Module):def __init__(self, num_classes):super(ParNet, self).__init__()self.downsampling_blocks = nn.ModuleList([DownsamplingBlock(3, 64),DownsamplingBlock(64, 128),DownsamplingBlock(128, 256),])self.streams = nn.ModuleList([nn.Sequential(ParNetBlock(64, 64),ParNetBlock(64, 64),ParNetBlock(64, 64),DownsamplingBlock(64, 128)),nn.Sequential(ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128)),nn.Sequential(ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256))])self.fusion_blocks = nn.ModuleList([FusionBlock(128, 256),FusionBlock(256, 256)])self.final_downsampling = DownsamplingBlock(256, 1024)self.fc = nn.Linear(1024, num_classes)def forward(self, x):downsampled_features = []for i, downsampling_block in enumerate(self.downsampling_blocks):x = downsampling_block(x)downsampled_features.append(x)stream_features = []for i, stream in enumerate(self.streams):stream_feature = stream(downsampled_features[i])stream_features.append(stream_feature)fused_features = stream_features[0]for i in range(1, len(stream_features)):fused_features = self.fusion_blocks[i - 1](fused_features, stream_features[i])x = self.final_downsampling(fused_features)x = F.adaptive_avg_pool2d(x, (1, 1))x = x.view(x.size(0), -1)x = self.fc(x)return x

代码详解

以下是对上述提供的ParNet代码的详细解释，这段代码使用PyTorch框架构建了一个名为ParNet的神经网络模型，整体结构符合ParNet网络架构的特点，下面从不同模块依次进行分析：

SSE

class SSE(nn.Module):def __init__(self, in_channels):super(SSE, self).__init__()self.global_avgpool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Linear(in_channels, in_channels)def forward(self, x):out = self.global_avgpool(x)out = out.view(out.size(0), -1)out = self.fc(out)out = torch.sigmoid(out)out = out.view(out.size(0), out.size(1), 1, 1)return x * out

  • 功能概述：
    这个类实现了类似Squeeze-and-Excitation（SE）模块的功能，旨在对输入特征进行通道维度的重加权，突出重要的通道特征，抑制相对不重要的通道特征。

  • __init__方法：

    • 首先通过nn.AdaptiveAvgPool2d(1)创建了一个自适应平均池化层，它可以将输入特征图在空间维度上压缩为大小为(1, 1)的特征图，也就是将每个通道的特征进行全局平均池化，得到通道维度上的统计信息，无论输入特征图的尺寸是多少都可以自适应处理。
    • 接着创建了一个全连接层nn.Linear(in_channels, in_channels)，其输入和输出维度都是in_channels，目的是学习通道维度上的变换权重。

  • forward方法：

    • 先将输入x经过全局平均池化层得到压缩后的特征表示out，然后通过view操作将其维度调整为二维形式（批次大小，通道数），方便后续全连接层处理。
    • 接着将这个特征送入全连接层进行线性变换，再经过sigmoid激活函数，将输出值映射到(0, 1)区间，得到每个通道对应的权重。
    • 最后将权重的维度调整回四维（批次大小，通道数，1，1），并与原始输入x进行逐元素相乘，实现对不同通道特征的重加权。

ParNetBlock 类

class ParNetBlock(nn.Module):def __init__(self, in_channels, out_channels):super(ParNetBlock, self).__init__()self.branch1x1 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.branch3x3 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.sse = SSE(out_channels)def forward(self, x):branch1x1 = self.branch1x1(x)branch3x3 = self.branch3x3(x)out = branch1x1 + branch3x3out = self.sse(out)out = F.silu(out)return out

  • 功能概述：
    该类定义了ParNet中的一个基础并行块结构，包含两个并行分支（1x1卷积分支和3x3卷积分支）以及一个SSE模块，用于提取和融合特征，并进行通道重加权和非线性激活。

  • __init__方法：

    • 构建了两个并行分支，branch1x1是一个由1x1卷积层、批归一化层和ReLU激活函数组成的序列，1x1卷积主要用于调整通道维度，同时可以融合不同通道间的信息，且计算量相对较小。
    • branch3x3同样是由3x3卷积层（带有合适的填充保证特征图尺寸不变）、批归一化层和ReLU激活函数组成，3x3卷积能够捕捉局部空间特征信息。
    • 最后实例化了一个SSE模块，用于后续对融合后的特征进行通道维度的重加权。

  • forward方法：

    • 首先将输入x分别送入两个并行分支进行处理，得到两个分支的输出branch1x1和branch3x3，然后将它们对应元素相加进行特征融合。
    • 接着把融合后的特征送入SSE模块进行通道重加权，最后使用F.silu（也就是swish函数）激活函数对结果进行非线性激活，并返回处理后的特征。

DownsamplingBlock 类

class DownsamplingBlock(nn.Module):def __init__(self, in_channels, out_channels):super(DownsamplingBlock, self).__init__()self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=2, padding=1, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)def forward(self, x):out = self.conv(x)out = self.bn(out)out = self.relu(out)out = self.se(out)return out

  • 功能概述：
    用于对输入特征图进行下采样操作，同时融合了批归一化、非线性激活以及类似SE的通道重加权功能，以减少特征图的空间尺寸并提取更抽象的特征。

  • __init__方法：
    创建了一个3x3卷积层，其步长设置为2，配合合适的填充，在进行卷积操作时可以实现特征图在空间维度上长宽各减半的下采样效果，同时调整通道维度到out_channels。还定义了批归一化层、ReLU激活函数以及一个SSE模块。

  • forward方法：
    按照顺序依次将输入x经过卷积层、批归一化层、ReLU激活函数进行处理，然后再通过SSE模块进行通道重加权，最终返回下采样并处理后的特征图。

FusionBlock 类

class FusionBlock(nn.Module):def __init__(self, in_channels, out_channels):super(FusionBlock, self).__init__()self.conv1x1 = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=2, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)self.concat = nn.Conv2d(out_channels * 2, out_channels, kernel_size=1, bias=False)def forward(self, x1, x2):x1, x2 = self.conv1x1(x1), self.conv1x1(x2)x1, x2 = self.bn(x1), self.bn(x2)x1, x2 = self.relu(x1), self.relu(x2)x1, x2 = self.se(x1), self.se(x2)out = torch.cat([x1, x2], dim=1)out = self.concat(out)return out

  • 功能概述：
    该类用于融合不同分支或不同阶段的特征，通过一系列操作包括调整通道维度、批归一化、激活以及通道重加权，然后将两个特征在通道维度上进行拼接并进一步融合。

  • __init__方法：

    • 首先创建了1x1卷积层，步长设置为2，用于对输入的两个特征分别进行通道维度调整以及下采样操作（特征图空间尺寸减半）。
    • 接着定义了批归一化层、ReLU激活函数以及SSE模块，用于对下采样后的特征进行处理。还创建了一个1x1卷积层concat，用于将拼接后的特征进一步融合为指定的通道维度。

  • forward方法：
    分别对输入的两个特征x1和x2依次进行1x1卷积、批归一化、ReLU激活以及SSE模块的处理，然后将它们在通道维度上进行拼接（torch.cat操作，维度dim=1表示按通道维度拼接），最后通过concat卷积层将拼接后的特征融合为指定的通道维度，并返回融合后的特征。

ParNet 类

class ParNet(nn.Module):def __init__(self, num_classes):super(ParNet, self).__init__()self.downsampling_blocks = nn.ModuleList([DownsamplingBlock(3, 64),DownsamplingBlock(64, 128),DownsamplingBlock(128, 256),])self.streams = nn.ModuleList([nn.Sequential(ParNetBlock(64, 64),ParNetBlock(64, 64),ParNetBlock(64, 64),DownsamplingBlock(64, 128)),nn.Sequential(ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128)),nn.Sequential(ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256))])self.fusion_blocks = nn.ModuleList([FusionBlock(128, 256),FusionBlock(256, 256)])self.final_downsampling = DownsamplingBlock(256, 1024)self.fc = nn.Linear(1024, num_classes)def forward(self, x):downsampled_features = []for i, downsampling_block in enumerate(self.downsampling_blocks):x = downsampling_block(x)downsampled_features.append(x)stream_features = []for i, stream in enumerate(self.streams):stream_feature = stream(downsampled_features[i])stream_features.append(stream_feature)fused_features = stream_features[0]for i in range(1, len(stream_features)):fused_features = self.fusion_blocks[i - 1](fused_features, stream_features[i])x = self.final_downsampling(fused_features)x = F.adaptive_avg_pool2d(x, (1, 1))x = x.view(x.size(0), -1)x = self.fc(x)return x

  • 功能概述：
    这是整个ParNet网络的定义类，整合了前面定义的各个模块，构建出完整的网络结构，包括下采样、并行分支处理、特征融合以及最后的分类全连接层等部分，能够接收输入图像数据并输出对应的分类预测结果。

  • __init__方法：

    • downsampling_blocks：通过nn.ModuleList创建了一个包含三个下采样块的列表，用于对输入图像依次进行下采样，将图像的空间尺寸逐步缩小，同时增加通道数，从最初的3通道（对应RGB图像）逐步变为64、128、256通道。
    • streams：同样是nn.ModuleList，定义了三个并行的流（stream），每个流由多个ParNetBlock和一个DownsamplingBlock组成，不同流在不同的特征图尺度和通道维度上进行特征提取和处理，每个流内部的ParNetBlock用于提取和融合局部特征，最后的DownsamplingBlock用于进一步下采样。
    • fusion_blocks：也是nn.ModuleList，包含两个特征融合块，用于融合不同流的特征，将各个流提取到的不同层次的特征进行融合，以综合利用多尺度信息。
    • final_downsampling：定义了一个下采样块，用于对融合后的特征再进行一次下采样，将通道数提升到1024，进一步提取更抽象的全局特征。
    • fc：创建了一个全连接层，用于将最终提取到的特征映射到指定的类别数量num_classes，实现图像分类任务的输出。

  • forward方法：

    • 首先，通过循环将输入x依次经过各个下采样块进行下采样，并将每次下采样后的特征保存到downsampled_features列表中，得到不同阶段下采样后的特征图。
    • 接着，针对每个流，将对应的下采样后的特征图送入流中进行处理，每个流内部的模块会进一步提取和融合特征，得到每个流输出的特征，并保存在stream_features列表中。
    • 然后，先取第一个流的特征作为初始的融合特征，再通过循环依次使用特征融合块将其他流的特征与已有的融合特征进行融合，不断更新融合特征。
    • 之后，将融合后的特征送入最后的下采样块进行进一步下采样处理。
    • 再通过自适应平均池化F.adaptive_avg_pool2d将特征图在空间维度上压缩为(1, 1)大小，然后使用view操作将其展平为二维向量。
    • 最后将展平后的特征送入全连接层进行分类预测，返回最终的分类结果。

总体而言，这段代码构建了一个符合ParNet架构特点的神经网络模型，通过多个模块的组合实现了高效的特征提取、融合以及分类功能，可应用于图像分类等相关任务。

训练过程和测试结果

训练过程损失函数变化曲线：
在这里插入图片描述

训练过程准确率变化曲线：
在这里插入图片描述

测试结果：
在这里插入图片描述

代码汇总

项目github地址
项目结构：

|--data
|--models|--__init__.py|-parnet.py|--...
|--results
|--weights
|--train.py
|--test.py

parnet.py

import torch
import torch.nn as nn
import torch.nn.functional as Fclass SSE(nn.Module):def __init__(self, in_channels):super(SSE, self).__init__()self.global_avgpool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Linear(in_channels, in_channels)def forward(self, x):out = self.global_avgpool(x)out = out.view(out.size(0), -1)out = self.fc(out)out = torch.sigmoid(out)out = out.view(out.size(0), out.size(1), 1, 1)return x * outclass ParNetBlock(nn.Module):def __init__(self, in_channels, out_channels):super(ParNetBlock, self).__init__()self.branch1x1 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.branch3x3 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, bias=False),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))self.sse = SSE(out_channels)def forward(self, x):branch1x1 = self.branch1x1(x)branch3x3 = self.branch3x3(x)out = branch1x1 + branch3x3out = self.sse(out)out = F.silu(out)return outclass DownsamplingBlock(nn.Module):def __init__(self, in_channels, out_channels):super(DownsamplingBlock, self).__init__()self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=2, padding=1, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)def forward(self, x):out = self.conv(x)out = self.bn(out)out = self.relu(out)out = self.se(out)return outclass FusionBlock(nn.Module):def __init__(self, in_channels, out_channels):super(FusionBlock, self).__init__()self.conv1x1 = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=2, bias=False)self.bn = nn.BatchNorm2d(out_channels)self.relu = nn.ReLU(inplace=True)self.se = SSE(out_channels)self.concat = nn.Conv2d(out_channels * 2, out_channels, kernel_size=1, bias=False)def forward(self, x1, x2):x1, x2 = self.conv1x1(x1), self.conv1x1(x2)x1, x2 = self.bn(x1), self.bn(x2)x1, x2 = self.relu(x1), self.relu(x2)x1, x2 = self.se(x1), self.se(x2)out = torch.cat([x1, x2], dim=1)out = self.concat(out)return outclass ParNet(nn.Module):def __init__(self, num_classes):super(ParNet, self).__init__()self.downsampling_blocks = nn.ModuleList([DownsamplingBlock(3, 64),DownsamplingBlock(64, 128),DownsamplingBlock(128, 256),])self.streams = nn.ModuleList([nn.Sequential(ParNetBlock(64, 64),ParNetBlock(64, 64),ParNetBlock(64, 64),DownsamplingBlock(64, 128)),nn.Sequential(ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128),ParNetBlock(128, 128)),nn.Sequential(ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256),ParNetBlock(256, 256))])self.fusion_blocks = nn.ModuleList([FusionBlock(128, 256),FusionBlock(256, 256)])self.final_downsampling = DownsamplingBlock(256, 1024)self.fc = nn.Linear(1024, num_classes)def forward(self, x):downsampled_features = []for i, downsampling_block in enumerate(self.downsampling_blocks):x = downsampling_block(x)downsampled_features.append(x)stream_features = []for i, stream in enumerate(self.streams):stream_feature = stream(downsampled_features[i])stream_features.append(stream_feature)fused_features = stream_features[0]for i in range(1, len(stream_features)):fused_features = self.fusion_blocks[i - 1](fused_features, stream_features[i])x = self.final_downsampling(fused_features)x = F.adaptive_avg_pool2d(x, (1, 1))x = x.view(x.size(0), -1)x = self.fc(x)return x

train.py

test.py

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/pingmian/64884.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

Go1.21.0 到 Go1.23.0 的改动，向前兼容性和toolchain规则，Go1.21.0，必须升级你的Go啦

Go1.21.0 到 Go1.23.0 的改动，向前兼容性和toolchain规则，Go1.21.0，必须升级你的Go啦

Go各版本Release Note Go1.21.0 2023-08-08 https://go.dev/doc/go1.21 内置方法 min & max：返回一个序列中的最大值最小值。 https://go.dev/ref/spec#Min_and_max clear：清空map和slice。 https://go.dev/ref/spec#Clear 标准库 log/slo…
阅读更多...
Unity中的委托和事件（UnityAction、UnityEvent）

Unity中的委托和事件（UnityAction、UnityEvent）

委托和事件 🎒什么是委托，委托的关键字是Delegate，委托是一种函数的容器，运行将函数做为变量来进行传递 通过Delegate关键字我们声明了一个无参无返回的委托，通过这个委托我们可以存储无参无返回的函数 public deleg…
阅读更多...
uniapp v-tabs修改了几项功能，根据自己需求自己改

uniapp v-tabs修改了几项功能，根据自己需求自己改

根据自己的需求都可以改 这里写自定义目录标题 1.数组中的名字过长，导致滑动异常2.change 事件拿不到当前点击的数据，通过index在原数组中查找得到所需要的id 各种字段麻烦3.添加指定下标下新加红点显示样式 1.数组中的名字过长，导致滑动异常…
阅读更多...
CAD xy坐标标注（跟随鼠标位置实时移动）——C#插件实现

CAD xy坐标标注（跟随鼠标位置实时移动）——C#插件实现

效果如下： （使用方法：命令行输入 “netload” 加载此dll插件，然后输入“zbbz”运行，选择文件夹即可。支持字体大小变化，输入“zbbd”可设置坐标字体变大或缩小的倍数） 部分代码如下：…
阅读更多...
【C#】实现Json转Lua (Json2Lua)

【C#】实现Json转Lua (Json2Lua)

关键词: C#、JsonToLua、Json2Lua、对象序列化Lua 前提需引入NewtonsofJson，引入方法可先在Visual Studio 2019 将Newtonsoft.Json.dll文件导入Unity的Plugins下。 Json格式字符串转Lua格式字符串，效果如下： json字符串 {"1": &q…
阅读更多...
Redis 7.x如何安装与配置？保姆级教程

Redis 7.x如何安装与配置？保姆级教程

大家好，我是袁庭新。最新写了一套最新版的Redis 7.x企业级开发教程，今天先给大家介绍下Redis 7.x如何在Linux系统上安装和配置。 1 Redis下载与安装 使用非关系型数据库Redis必须先进行安装配置并开启Redis服务，然后使用对应客户端连接使用…
阅读更多...
Redis篇--常见问题篇6--缓存一致性1（Mysql和Redis缓存一致，更新数据库删除缓存策略）

Redis篇--常见问题篇6--缓存一致性1（Mysql和Redis缓存一致，更新数据库删除缓存策略）

1、概述 在使用Redis作为MySQL的缓存层时，缓存一致性问题是指Redis中的缓存数据与MySQL数据库中的实际数据不一致的情况。这可能会导致读取到过期或错误的数据，从而影响系统的正确性和用户体验。 为了减轻数据库的压力，通常读操作都是先读缓…
阅读更多...
git remote -v（--verbose）显示你的 Git 仓库配置的远程仓库的详细信息

git remote -v（--verbose）显示你的 Git 仓库配置的远程仓库的详细信息

git remote -v 是一个 Git 命令，用于显示你的 Git 仓库配置的远程仓库的详细信息。 当你执行 git remote -v 命令时，你会看到类似以下的输出： origin https://github.com/your-username/your-repo.git (fetch) origin https://github.com…
阅读更多...
[计算机网络]唐僧的”通关文牒“NAT地址转换

[计算机网络]唐僧的”通关文牒“NAT地址转换

1.NAT：唐僧的通关文牒 在古老的西游记中，唐僧师徒四人历经九九八十一难，终于取得了真经。然而，他们并不是一开始就获得了通关文牒，而是经过了重重考验，最终得到了国王的认可，才顺利通过了各个关…
阅读更多...
WPF实现曲线数据展示【案例：震动数据分析】

WPF实现曲线数据展示【案例：震动数据分析】

wpf实现曲线数据展示，函数曲线展示，实例：震动数据分析为例。 如上图所示，如果你想实现上图中的效果，请详细参考我的内容，创作不易，给个赞吧。 一共有两种方式来实现，一种是使用第三…
阅读更多...
7 家使用量子计算的公司

7 家使用量子计算的公司

劳斯莱斯、Deloitte、BASF、Roche、富士通、JPMorgan和宝马是率先开展量子计算实验的部分公司。 商用量子计算的实现仍需数年时间，但这并未阻止世界上一些知名企业对其进行试验。在许多情况下，利用当下有噪声的中等规模量子（NISQ&#xff09…
阅读更多...
jvm字节码中方法的结构

jvm字节码中方法的结构

“-Xss”这一名称并没有一个特定的“为什么”来解释其命名，它更多是JVM（Java虚拟机）配置参数中的一个约定俗成的标识。在JVM中，有多个配置参数用于调整和优化Java应用程序的性能，这些参数通常以一个短横线“-”开头&am…
阅读更多...
【服务器】MyBatis是如何在java中使用并进行分页的？

【服务器】MyBatis是如何在java中使用并进行分页的？

MyBatis 是一个支持普通 SQL 查询、存储过程和高级映射的持久层框架。它消除了几乎所有的 JDBC 代码和参数的手动设置以及结果集的检索。MyBatis 可以通过简单的 XML 或注解来配置和映射原始类型、接口和 Java 的 POJO（Plain Old Java Objects，普通老式 …
阅读更多...
Phono3py hdf5文件数据读取与处理

Phono3py hdf5文件数据读取与处理

Phono3py是一个主要用python写的声子-声子相互作用相关性质的模拟包，可以基于有限位移算法实现三阶力常数和晶格热导率的计算过程，同时输出包括声速，格林奈森常数，声子寿命和累积晶格热导率等参量。 相关介绍和安装请参考往期推荐…
阅读更多...
centos7下docker 容器实现redis主从同步

centos7下docker 容器实现redis主从同步

1.下载redis 镜像 docker pull bitnami/redis2. 文件夹授权 此文件夹是 你自己映射到宿主机上的挂载目录 chmod 777 /app/rd13.创建docker网络 docker network create mynet4.运行docker 镜像 安装redis的master -e 是设置环境变量值 docker run -d -p 6379:6379 \ -v /a…
阅读更多...
matlab绘图时设置左、右坐标轴为不同颜色

matlab绘图时设置左、右坐标轴为不同颜色

目录 一、需求描述 二、实现方法 一、需求描述 当图中存在两条曲线，需要对两条曲线进行分别描述时，应设置左、右坐标轴为不同颜色，并设置刻度线，且坐标轴颜色需要和曲线颜色相同。 二、实现方法 1.1、可以实现： 1…
阅读更多...
【数据可视化复习方向】

【数据可视化复习方向】

1.数据可视化就是数据中信息的可视化 2.数据可视化主要从数据中寻找三个方面的信息：模式、关系和异常 3.大数据可视化分类：科学可视化、信息可视化、可视分析学 4.大数据可视化作用：记录信息、分析推理、信息传播与协同 5.可视化流程&…
阅读更多...
「配置应用的可见性」功能使用教程

「配置应用的可见性」功能使用教程

引言 对于「应用可见性」这一概念，可能很多开发者小伙伴还不是很熟悉。简单举一个很典型的场景例子，当你开发的应用需要调起第三方应用时，这里就涉及到应用可见性的问题了，如果不配置相关的应用可见性，则你的应用是无…
阅读更多...
Pytorch | 从零构建ResNet对CIFAR10进行分类

Pytorch | 从零构建ResNet对CIFAR10进行分类

Pytorch | 从零构建ResNet对CIFAR10进行分类 CIFAR10数据集ResNet核心思想网络结构创新点优点应用 ResNet结构代码详解结构代码代码详解BasicBlock 类ResNet 类ResNet18、ResNet34、ResNet50、ResNet101、ResNet152函数 训练过程和测试结果代码汇总resnet.pytrain.pytest.py 前…
阅读更多...
安装MongoDB，环境配置

安装MongoDB，环境配置

官网下载地址：MongoDB Shell Download | MongoDB 选择版本 安装 下载完成双击打开 点击mongodb-windows-x86_64-8.0.0-signed 选择安装地址 检查安装地址 安装成功 二.配置MongoDB数据库环境 1.找到安装好MongoDB的bin路径 复制bin路径 打开此电脑 -> 打开高级…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023