YOLOv11模型改进-注意力机制-引入自适应稀疏自注意力ASSA

        随着目标检测领域的快速发展，YOLO系列模型凭借其端到端、高效的检测性能逐渐成为工业界和学术界的标杆。然而，如何进一步优化YOLOv11的特征提取能力，减少冗余信息并提升模型对复杂场景的适应性，仍是一个值得深入探讨的问题。为此，本文将自适应稀疏自注意力ASSA机制引入YOLOv11，以优化目标检测模型中的特征提取过程。ASSA最早应用于图像恢复任务，通过减少噪声交互并保留重要的特征信息，显著提升了模型的处理效率。本文将探讨如何将ASSA机制与YOLOv11结合，以实现更高效的目标检测。

1. ASSA的概述：

        Adaptive Sparse Self-Attention（ASSA）是自适应稀疏Transformer（AST）模型中的关键组件，主要用于提升图像恢复任务的性能。ASSA的设计旨在减少标准Transformer模型中由于无关区域引入的噪声交互，同时解决特征冗余问题。

                            

  1. 双分支结构：

    • 稀疏自注意力（SSA）：使用基于ReLU的稀疏注意力机制，过滤掉查询与键之间低匹配的无关交互。这可以减少无效特征的参与，帮助聚焦在最有价值的信息交互上。
    • 密集自注意力（DSA）：采用标准的softmax密集注意力机制，补充SSA，以确保在稀疏处理过程中不会丢失关键信息。

  2. 自适应加权： ASSA通过自适应的加权机制，将SSA和DSA的输出进行融合。这种设计使模型能够动态调整稀疏与密集注意力的权重，从而根据具体的任务和输入内容有效地平衡信息流，既能过滤掉无关特征，又保留必要的信息。

2. YOLOv11与ASSA的结合

        YOLOv11在其卷积层和特征金字塔网络（FPN）中已经引入了多种创新机制，如C3K2模块、C2PSA模块。然而，在处理复杂背景或密集物体时，仍可能会存在特征冗余或噪声干扰。为了进一步优化YOLOv11的特征提取，我们可以在其特征提取模块中引入ASSA机制，具体包括以下步骤：

        1.  ASSA集成到YOLOv11的C2PSA模块模块中：我们将C2PSA模块中的注意力模块替换成ASSA模块，以优化C2PSA模块特征信息的筛选。

        2.  ASSA集成到YOLOv11的backbone中: 将ASSA添加到YOLOv11backbone中的SPPF模块之前,为进入SPPF模块前的特征进行筛选，使得SPPF模块的多尺度特征在空间和语义上都更富有表达力。

3. 自适应稀疏自注意力ASSA代码部分

import torch
import torch.nn as nn
from timm.models.layers import trunc_normal_
from einops import repeat
import math
from .conv import Conv
from .block import C2f, C3class LinearProjection(nn.Module):def __init__(self, dim, heads=8, dim_head=64, dropout=0., bias=True):super().__init__()inner_dim = dim_head * headsself.heads = headsself.to_q = nn.Linear(dim, inner_dim, bias=bias)self.to_kv = nn.Linear(dim, inner_dim * 2, bias=bias)self.dim = dimself.inner_dim = inner_dimdef forward(self, x, attn_kv=None):B_, N, C = x.shapeif attn_kv is not None:attn_kv = attn_kv.unsqueeze(0).repeat(B_, 1, 1)else:attn_kv = xN_kv = attn_kv.size(1)q = self.to_q(x).reshape(B_, N, 1, self.heads, C // self.heads).permute(2, 0, 3, 1, 4)kv = self.to_kv(attn_kv).reshape(B_, N_kv, 2, self.heads, C // self.heads).permute(2, 0, 3, 1, 4)q = q[0]k, v = kv[0], kv[1]return q, k, v########### window-based self-attention #############
class WindowAttention_ASSA(nn.Module):def __init__(self, dim,  win_size = (8, 8), num_heads=4, token_projection='linear', qkv_bias=True, qk_scale=None, attn_drop=0.,proj_drop=0.):super().__init__()self.dim = dimself.win_size = win_size  # Wh, Wwself.num_heads = num_headshead_dim = dim // num_headsself.scale = qk_scale or head_dim ** -0.5# define a parameter table of relative position biasself.relative_position_bias_table = nn.Parameter(torch.zeros((2 * win_size[0] - 1) * (2 * win_size[1] - 1), num_heads))  # 2*Wh-1 * 2*Ww-1, nH# get pair-wise relative position index for each token inside the windowcoords_h = torch.arange(self.win_size[0])  # [0,...,Wh-1]coords_w = torch.arange(self.win_size[1])  # [0,...,Ww-1]coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 2, Wh, Wwcoords_flatten = torch.flatten(coords, 1)  # 2, Wh*Wwrelative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]  # 2, Wh*Ww, Wh*Wwrelative_coords = relative_coords.permute(1, 2, 0).contiguous()  # Wh*Ww, Wh*Ww, 2relative_coords[:, :, 0] += self.win_size[0] - 1  # shift to start from 0relative_coords[:, :, 1] += self.win_size[1] - 1relative_coords[:, :, 0] *= 2 * self.win_size[1] - 1relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Wwself.register_buffer("relative_position_index", relative_position_index)trunc_normal_(self.relative_position_bias_table, std=.02)if token_projection == 'linear':self.qkv = LinearProjection(dim, num_heads, dim // num_heads, bias=qkv_bias)else:raise Exception("Projection error!")self.token_projection = token_projectionself.attn_drop = nn.Dropout(attn_drop)self.proj = nn.Linear(dim, dim)self.proj_drop = nn.Dropout(proj_drop)self.softmax = nn.Softmax(dim=-1)self.relu = nn.ReLU()self.w = nn.Parameter(torch.ones(2))def forward(self, x, attn_kv=None, mask=None):# 调整输入维度，从 (B, C, H, W) 转为 (B, H, W, C)x = x.permute(0, 2, 3, 1).reshape(x.shape[0], x.shape[2]*x.shape[3], x.shape[1])B_, N, C = x.shapeq, k, v = self.qkv(x, attn_kv)q = q * self.scaleattn = (q @ k.transpose(-2, -1))relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(self.win_size[0] * self.win_size[1], self.win_size[0] * self.win_size[1], -1)  # Wh*Ww,Wh*Ww,nHrelative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Wwratio = attn.size(-1) // relative_position_bias.size(-1)relative_position_bias = repeat(relative_position_bias, 'nH l c -> nH l (c d)', d=ratio)attn = attn + relative_position_bias.unsqueeze(0)if mask is not None:nW = mask.shape[0]mask = repeat(mask, 'nW m n -> nW m (n d)', d=ratio)attn = attn.view(B_ // nW, nW, self.num_heads, N, N * ratio) + mask.unsqueeze(1).unsqueeze(0)attn = attn.view(-1, self.num_heads, N, N * ratio)attn0 = self.softmax(attn)attn1 = self.relu(attn) ** 2  # b,h,w,celse:attn0 = self.softmax(attn)attn1 = self.relu(attn) ** 2w1 = torch.exp(self.w[0]) / torch.sum(torch.exp(self.w))w2 = torch.exp(self.w[1]) / torch.sum(torch.exp(self.w))attn = attn0 * w1 + attn1 * w2attn = self.attn_drop(attn)x = (attn @ v).transpose(1, 2).reshape(B_, N, C)x = self.proj(x)x = self.proj_drop(x)x = x.reshape(x.shape[0], int(math.sqrt(x.shape[1])), int(math.sqrt(x.shape[1])),x.shape[2]).permute(0, 3, 1, 2)return xdef extra_repr(self) -> str:return f'dim={self.dim}, win_size={self.win_size}, num_heads={self.num_heads}'class Bottleneck_WAtt_ASSA(nn.Module):"""Standard bottleneck."""def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):"""Initializes a standard bottleneck module with optional shortcut connection and configurable parameters."""super().__init__()c_ = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, k[0], 1)self.cv2 = Conv(c_, c2, k[1], 1, g=g)self.cv3 = WindowAttention_ASSA(dim=c2)self.add = shortcut and c1 == c2def forward(self, x):"""Applies the YOLO FPN to input data."""return x + self.cv3(self.cv2(self.cv1(x))) if self.add else self.cv3(self.cv2(self.cv1(x)))class C3k(C3):"""C3k is a CSP bottleneck module with customizable kernel sizes for feature extraction in neural networks."""def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5, k=3):"""Initializes the C3k module with specified channels, number of layers, and configurations."""super().__init__(c1, c2, n, shortcut, g, e)c_ = int(c2 * e)  # hidden channels# self.m = nn.Sequential(*(RepBottleneck(c_, c_, shortcut, g, k=(k, k), e=1.0) for _ in range(n)))self.m = nn.Sequential(*(Bottleneck_WAtt_ASSA(c_, c_, shortcut, g, k=(k, k), e=1.0) for _ in range(n)))class C3k2_WAtt_ASSA(C2f):"""Faster Implementation of CSP Bottleneck with 2 convolutions."""def __init__(self, c1, c2, n=1, c3k=False, e=0.5, g=1, shortcut=True):"""Initializes the C3k2 module, a faster CSP Bottleneck with 2 convolutions and optional C3k blocks."""super().__init__(c1, c2, n, shortcut, g, e)self.m = nn.ModuleList(C3k(self.c, self.c, 2, shortcut, g) if c3k else Bottleneck_WAtt_ASSA(self.c, self.c, shortcut, g) for _ in range(n))if __name__ =='__main__':ASSA_Attention = WindowAttention_ASSA(dim=256)#创建一个输入张量batch_size = 1input_tensor=torch.randn(batch_size, 256, 64, 64 )#运行模型并打印输入和输出的形状output_tensor =ASSA_Attention(input_tensor)print("Input shape:",input_tensor.shape)print("0utput shape:",output_tensor.shape)

 4. 将自适应稀疏自注意力ASSA引入到YOLOv11中

第一: 将下面的核心代码复制到D:\bilibili\model\YOLO11\ultralytics-main\ultralytics\nn路径下，如下图所示。

第二：在task.py中导入ASSA包

第三：在task.py中的模型配置部分下面代码

 1. 第一个改进，直接在backbone中添加WindowAttention_ASSA

elif m is WindowAttention_ASSA:args = [ch[f]]

2. 第二个改进，与C2PSA模块结合生成C2PSA_ASSA

 

第四：将模型配置文件复制到YOLOV11.YAMY文件中
​​​​​​        第一个改进配置文件

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPss: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPsm: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPsl: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPsx: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, C3k2, [256, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 2, C3k2, [512, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 2, C3k2, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, C3k2, [1024, True]]- [-1, 2, WindowAttention_ASSA, []]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 2, C2PSA, [1024]] # 10# YOLO11n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 2, C3k2, [512, False]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 14], 1, Concat, [1]] # cat head P4- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 11], 1, Concat, [1]] # cat head P5- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)- [[17, 20, 23], 1, Detect, [nc]] # Detect(P3, P4, P5)

        第二个改进配置文件 

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPss: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPsm: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPsl: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPsx: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, C3k2, [256, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 2, C3k2, [512, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 2, C3k2, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, C3k2, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 2, C2PSA_ASSA, [1024]] # 10# YOLO11n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 2, C3k2, [512, False]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

第五：运行成功


from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorldif __name__=="__main__":# 使用自己的YOLOv11.yamy文件搭建模型并加载预训练权重训练模型model = YOLO(r"D:\bilibili\model\YOLO11\ultralytics-main\ultralytics\cfg\models\11\yolo11_ASSA.yaml")\.load(r'D:\bilibili\model\YOLO11\ultralytics-main\yolo11n.pt')  # build from YAML and transfer weightsresults = model.train(data=r'D:\bilibili\model\ultralytics-main\ultralytics\cfg\datasets\VOC_my.yaml',epochs=100, imgsz=640, batch=8)

 ​​​​​​​

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/web/55429.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

Android：记录一个打包发布版的release包以后闪退的问题

Android：记录一个打包发布版的release包以后闪退的问题

个人感觉其实release闪退的问题挺难排查的，因为release包运行起来as捕获不到相应的应用程序进程，从而不易查看到日志，也是我玩得不溜，大家有不同的方法可以评论区探讨，我也定期回复一些评论一起讨论。以下是我遇到的情…
阅读更多...
【数据结构】宜宾大学-计院-实验三

【数据结构】宜宾大学-计院-实验三

线性表的应用——实现两多项式的相加 课前准备：实验学时：2实验目的：实验内容：实验结果：实验报告:（及时撰写实验报告）实验测试结果：代码实现：（C/C）…
阅读更多...
安宝特方案 | AR技术在轨交行业的应用优势

安宝特方案 | AR技术在轨交行业的应用优势

随着轨道交通行业不断向智能化和数字化转型，传统巡检方式的局限性日益凸显。而安宝特AR眼镜以其独特的佩戴方式和轻便设计，为轨道交通巡检领域注入了创新活力，提供了全新的解决方案。 01 多样化佩戴方法，完美适应户外环境 安宝特…
阅读更多...
访问控制列表(课内实验)

访问控制列表(课内实验)

实验2：访问控制列表 实验目的及要求： 通过实验，进一步的理解标准ACL与扩展ACL的工作原理及执行过程。理解通配符的概念，熟练掌握标准ACL与扩展ACL的配置指令，掌握将访问控制列表应用VTY线路上，并且能够判断…
阅读更多...
鸿蒙开发 四十五 鸿蒙状态管理(嵌套对象界面更新)

鸿蒙开发 四十五 鸿蒙状态管理(嵌套对象界面更新)

当运行时的状态变量变化，UI重新渲染，在ArkUI中称为状态管理机制，前提是变量必须被装饰器修饰。不是状态变量的所有更改都会引起刷新，只有可以被框架观测到的更改才会引起UI刷新。其中boolen、string、number类型，可观察…
阅读更多...
Oracle漏洞修复 19.3 补丁包 升级为19.22

Oracle漏洞修复 19.3 补丁包 升级为19.22

1.场景描述 上周末2024-10-12日，服务器扫出漏洞，希望及时修复。其中，oracle的漏洞清单如下，总结了下，基本都是 Oracle Database Server 的 19.3 版本到 19.20 版本和 21.3 版本到 21.11 版本存在安全漏洞，即版本问题。如： Oracle Database Server 安全漏洞(CVE-2023-22…
阅读更多...
Spring AI Java程序员的AI之Spring AI（一）

Spring AI Java程序员的AI之Spring AI（一）

SpringAI 基础使用 前言Spring AIChatClientImageClientOpenAiAudioTranscriptionClientEmbeddingClient 总结 前言 Spring AI，听着名字就感觉很好使用，快速上手，虽然功能没有太完善，但是社区活跃度很高，可以看看源码…
阅读更多...
低代码框架参考

低代码框架参考

企业管理信息系统作为一类重要的应用软件系统，具有自己的特点，主要有两个方面： 1. 系统规模大，目前市场上常见的ERP系统一般都有几千个页面。 2. 页面逻辑相似性强。经过比较可以发现，大部分页面具有类似的功能&…
阅读更多...
Docker新手必看：快速安装和配置BookStack在线文档系统

Docker新手必看：快速安装和配置BookStack在线文档系统

文章目录 前言1. 安装Docker2. Docker镜像源添加方法3. 创建并启动BookStack容器4. 登录与简单使用5. 公网远程访问本地BookStack5.1 内网穿透工具安装5.2 创建远程连接公网地址5.3 使用固定公网地址远程访问 前言 本文主要介绍如何在Linux系统使用Docker本地部署在线文档管理…
阅读更多...
【c++篇】:初识c++--编程新手的快速入门之道（二）

【c++篇】:初识c++--编程新手的快速入门之道（二）

文章目录 前言一.引用1.引用的概念2.引用的特性3.引用的使用场景4.常引用5.引用和指针的区别 二.内联函数1.C语言的宏函数2.内联函数的概念3.内联函数的特性 三.auto关键字1.auto的定义2.auto的使用规则3.auto不能推导的场景 四.基于范围的for循环1.范围for的语法2.范围for的使…
阅读更多...
时间序列预测（七）——梯度消失（Vanishing Gradient）与梯度爆炸（Exploding Gradient）

时间序列预测（七）——梯度消失（Vanishing Gradient）与梯度爆炸（Exploding Gradient）

目录 一、定义 二、产生原因 三、解决方法： 梯度消失与梯度爆炸是深度学习中常见的训练问题，它们主要发生在神经网络的反向传播过程中，使得模型难以有效学习。 一、定义 1、梯度消失（Vanishing Gradient）&#xf…
阅读更多...
PCL 点云配准-改进的RANSAC算法（粗配准）

PCL 点云配准-改进的RANSAC算法（粗配准）

目录 一、概述 1.1原理 1.2实现步骤 1.3应用场景 二、代码实现 2.1关键函数 2.1.1 计算FPFH特征 2.1.2 RANSAC配准 2.1.3 可视化点云 2.2完整代码 三、实现效果 PCL点云算法汇总及实战案例汇总的目录地址链接： PCL点云算法与项目实战案例汇总&#xff0…
阅读更多...
FlinkCDC 实现 MySQL 数据变更实时同步

FlinkCDC 实现 MySQL 数据变更实时同步

文章目录 1、基本介绍2、代码实战2.1、数据源准备2.2、代码实战2.3、数据格式 1、基本介绍 Flink CDC 是 Apache Flink 提供的一个功能强大的组件，用于实时捕获和处理数据库中的数据变更。可以实时地从各种数据库（如MySQL、PostgreSQL、Oracle、MongoDB…
阅读更多...
【图论】（一）图论理论基础与岛屿问题

【图论】（一）图论理论基础与岛屿问题

图论理论基础与岛屿问题 图论理论基础深度搜索（dfs）广度搜索（bfs）岛屿问题概述 岛屿数量岛屿数量-深搜版岛屿数量-广搜版 岛屿的最大面积孤岛的总面积沉没孤岛建造最大人工岛水流问题岛屿的周长 图论理论基础 这里仅对图论相关核…
阅读更多...
java学习--集合（大写五.5）

java学习--集合（大写五.5）

5.collection子接口：Set 5.1Set及其实现类特点 java.util.Collection:存储一个一个的数据 子接口：Set:存储无序的、不可重复的数据(高中学习的集合) 1）HashsSet主要实现类 底层使用的是HashMap，即使用数组单向链表红黑树结构进行…
阅读更多...
netron安装（windows linux）

netron安装（windows linux）

目录 netron简介 不同操作系统的安装方式 linux windows mac系统 netron简介 netron可视化工具，是一个可以清晰的看到神经网络模型的每一层的输入输出，网络总体的架构，而且支持各种不同网络框架，简单好用。 效果如下所示 不…
阅读更多...
【视频笔记】408新增知识点信号——里昂视频

【视频笔记】408新增知识点信号——里昂视频

文章目录 **2.信号****3.信号的实现**4.信号的处理**①忽略信号****②执行信号的默认操作****③捕获井处理信号**几个Linux支持的典型信号： **5.信号的产生**① **通过终端按键(键盘)产生信号**例如，CtrlC发送2号信号SIGINT、Ctrl\发送3号信号SIGQUIT② …
阅读更多...
爬虫逆向-js进阶

爬虫逆向-js进阶

1.作用域和闭包 //作用域 // var a 3 // // function test(a){ // var a 1; // console.log(函数内部,a) // } // test(2) // // console.log(a)//闭包 // function jiami(){ // function encrypt(){ // console.log(在这里进行加密了) // } // p…
阅读更多...
五个必备的高清无水印视频素材库推荐

五个必备的高清无水印视频素材库推荐

做抖音、短视频创作的朋友都知道，优质的素材往往决定了作品能否获得更多关注。如果你还不知道在哪里下载高清无水印的视频素材，不用担心！今天为你推荐5个高品质的视频素材库，助你轻松创作出爆款视频。 蛙学网 是国内领先的视频素材…
阅读更多...
Mysql常用sql语句与刷题知识点

Mysql常用sql语句与刷题知识点

目录 1. 常用sql2. 刷题知识点 1. 常用sql #查询MySQL中所有的数据库 SHOW DATABASES; #查询当前正在使用的数据库 SELECT DATABASE();#普通创建（创建已经存在的数据库会报错） CREATE DATABASE 数据库名称; #创建并判断（该数据库不存在才创建…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023