YOLOV5源代码学习之build_targets()函数
build_targets()函数的作用:找出与该gtbox最匹配的先验框(anchor)
下面的代码调试均是将train函数中的batchsize设置为2进行的,且每张数据集图片中只有一个目标
为了更方便直观的理解代码,每一步都输出了变量的值
#这里na为锚框种类数 nt为目标数 这里的na为3,nt为2
na, nt = self.na, targets.shape[0]
# 类别 边界盒 索引 锚框
tcls, tbox, indices, anch = [], [], [], []
# 利用gain来计算目标在某一个特征图上的位置信息,初始化为1
gain = torch.ones(7, device=targets.device) # normalized to gridspace gain
# 第二个维度复制nt遍
# ai.shape = (na, nt),锚框的索引,2个目标,3种锚框,所以共6个元素
ai = torch.arange(na, device=targets.device).float().view(na, 1).repeat(1, nt)
# targets.shape = (na, nt, 7)(3,2,7)给每个目标加上锚框索引
targets = torch.cat((targets.repeat(na, 1, 1), ai[:, :, None]), 2)
此处的na=3,nt=2;
gain=tensor([1., 1., 1., 1., 1., 1., 1.], device='cuda:0')
ai=tensor([ [0., 0.],[1., 1.],[2., 2.] ], device='cuda:0')
targets=tensor([ [ [0.00000, 0.00000, 0.55510, 0.47639, 0.33808, 0.09116, 0.00000],
[1.00000, 0.00000, 0.56098, 0.48167, 0.74626, 0.32569, 0.00000]],
[ [0.00000, 0.00000, 0.55510, 0.47639, 0.33808, 0.09116, 1.00000],
[1.00000, 0.00000, 0.56098, 0.48167, 0.74626, 0.32569, 1.00000]],
[ [0.00000, 0.00000, 0.55510, 0.47639, 0.33808, 0.09116, 2.00000],
[1.00000, 0.00000, 0.56098, 0.48167, 0.74626, 0.32569, 2.00000]]])
此处为了更好的看targets的数值,去掉了tensor最后的, device='cuda:0'(下文其他地方也是)
g = 0.5 # bias
# off偏移量
off = torch.tensor([[0, 0],[1, 0], [0, 1], [-1, 0], [0, -1], # j,k,l,m# [1, 1], [1, -1], [-1, 1], [-1, -1], # jk,jm,lk,lm], device=targets.device).float() * g # offsets
这一步就是定义偏移量和偏置
for i in range(self.nl):#self.nl为预测层也就是检测头的数量,anchor匹配需要逐层进行# 获取当前的锚框尺寸anchors = self.anchors[i]#anchors中为三个只有长和宽的先验框gain[2:6] = torch.tensor(p[i].shape)[[3, 2, 3, 2]] # xyxy gain# 将xywh映射到当前特征图,即乘以对应的特征图尺寸 # Match targets to anchorst = targets * gain #targets*gain将归一化的box乘以特征图尺度,将box坐标投影到特征图上
self.nl为预测层也就是检测头的数量,yolov5有三个预测层,即self.nl=3。由于i=0时,进入循环后gxy的值为空(我也不知道是什么原因),变量没有值供代码阅读,因此以下均是i=1时的变量值
anchors的初始值是通过K-means聚类得到的
anchors=tensor([ [1.87500, 3.81250],
[3.87500, 2.81250],
[3.68750, 7.43750]], device='cuda:0')
gain=tensor([ 1., 1., 40., 40., 40., 40., 1.], device='cuda:0')
t=tensor([ [ [ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 0.00000],
[ 1.00000, 0.00000, 22.43921, 19.26677, 29.85052, 13.02770, 0.00000]],
[ [ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 1.00000],
[ 1.00000, 0.00000, 22.43921, 19.26677, 29.85052, 13.02770, 1.00000]],
[ [ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 2.00000],
[ 1.00000, 0.00000, 22.43921, 19.26677, 29.85052, 13.02770, 2.00000]]])
if nt:# Matches# r为目标wh和锚框wh的比值,比值在0.25到4即采用该种锚框预测目标。# 计算标签box和当前层的anchors的宽高比,即:wb/wa,hb/ha。r = t[:, :, 4:6] / anchors[:, None] # wh ratio# 将比值和预先设置的比例anchor_t对比,符合条件为True,反之Falsej = torch.max(r, 1. / r).max(2)[0] < self.hyp['anchor_t'] # compare# 根据j筛选符合条件的情况# j = wh_iou(anchors, t[:, 4:6]) > model.hyp['iou_t'] # iou(3,n)=wh_iou(anchors(3,2), gwh(n,2))t = t[j] # filter这一步是什么操作?
进入if循环后,首先求目标框和锚框的宽高比值
r=tensor([ [ [ 7.21241, 0.95643],
[15.92028, 3.41710]],
[ [ 3.48988, 1.29649],
[ 7.70336, 4.63207]],
[ [ 3.66733, 0.49027],
[ 8.09506, 1.75162]]], device='cuda:0')
此处的torch.max(r, 1. / r)是求r和1./r两个三维tensor中相同位置处的最大值。而后面一个.max(2)应该是等同于torch.max(a,dim)函数,参数dim通常是一个常数,也就是要删除一个维度,此处我对 j = torch.max(r, 1. / r).max(2)[0] < self.hyp['anchor_t'] 进行了分割输出
torch.max(r, 1. / r)=tensor([ [ [ 7.2124, 1.0456],
[15.9203, 3.4171]],
[ [ 3.4899, 1.2965],
[ 7.7034, 4.6321]],
[ [ 3.6673, 2.0397],
[ 8.0951, 1.7516]]])
torch.max(r, 1. / r).max(2)=torch.return_types.max(
values=tensor([ [ 7.2124, 15.9203],
[ 3.4899, 7.7034],
[ 3.6673, 8.0951]]),
indices=tensor([ [0, 0],
[0, 0],
[0, 0]]))
torch.max(r, 1. / r).max(2)[0]=tensor([ [ 7.2124, 15.9203],
[ 3.4899, 7.7034],
[ 3.6673, 8.0951]])
self.hyp['anchor_t']=4.0 anchor_t的值存于data\hyps\hyp.scratch.yaml文件中
j=tensor([ [False, False],
[ True, False],
[ True, False]], device='cuda:0')
t=t[j]=tensor([ [ 0.0000, 0.0000, 22.2041, 19.0555, 13.5233, 3.6464, 1.0000],
[ 0.0000, 0.0000, 22.2041, 19.0555, 13.5233, 3.6464, 2.0000]],device='cuda:0')
这几行的代码就是先求t中宽高与对应anchor中宽高的比值,有两个真实的目标框,有三个不同的anchor,因此之前(targets.repeat(na, 1, 1)就已经将t中的真实目标框变成了三组,分别与三个不同的anchor做除法,最后t中保留下了比值小于4.0的真实目标框。
# Offsets
# 得到相对于以左上角为坐标原点的坐标
gxy = t[:, 2:4] # grid xy
# 得到相对于右下角为坐标原点的坐标
gxi = gain[[2, 3]] - gxy # inverse
#jk和lm是判断gxy的中心点更偏向哪里
j, k = ((gxy % 1. < g) & (gxy > 1.)).T #g的值为0.5
l, m = ((gxi % 1. < g) & (gxi > 1.)).T
gxy=tensor([ [22.20409, 19.05554],
[22.20409, 19.05554]], device='cuda:0')
gxi=tensor([ [17.79591, 20.94446],
[17.79591, 20.94446]], device='cuda:0')
gxy和j、k对应数值的位置关系如图所示,g=0.5
gxy%1<0.5且gxy>1.0均为True,说明gtbox的中心点偏向于相邻上下左右网格中的上网格和左网格
gxy % 1. < g=tensor([ [True, True],
[True, True]], device='cuda:0')
gxy > 1.=tensor([ [True, True],
[True, True]], device='cuda:0')
j=torch.tensor([True,True], device='cuda:0')
k=torch.tensor([True,True], device='cuda:0')
变量l,m值同理。yolov5中,不仅得到了gtbox中心点所在的网格,还会判断gtbox的中心点更靠近于该网格上下左右四个相邻网格中的哪两个。
j = torch.stack((torch.ones_like(j), j, k, l, m))# yolov5不仅用目标中心点所在的网格预测该目标,还采用了距目标中心点的最近两个网格# 所以有五种情况,网格本身,上下左右,这就是repeat函数第一个参数为5的原因t = t.repeat((5, 1, 1))[j]# 这里将t复制5个,然后使用j来过滤# 第一个t是保留所有的gtbox,因为上一步里面增加了一个全为true的维度,# 第二个t保留了靠近方格左边的gtbox,# 第三个t保留了靠近方格上方的gtbox,# 第四个t保留了靠近方格右边的gtbox,# 第五个t保留了靠近方格下边的gtbox,offsets = (torch.zeros_like(gxy)[None] + off[:, None])[j]
torch.ones_like(j)=tensor([True, True], device='cuda:0')
j=torch.stack((torch.ones_like(j), j, k, l, m))=tensor([ [ True, True],
[ True, True],
[ True, True],
[False, False],
[False, False]], device='cuda:0')
这里将t中保留的一组真实目标框变成了五组,然后根据j的值保留下了三组,分别对应网格本身,网格相邻的上方网格,网格相邻的左侧网格
t.repeat((5, 1, 1))[j]=
tensor([ [ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 1.00000],
[ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 2.00000],
[ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 1.00000],
[ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 2.00000],
[ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 1.00000],
[ 0.00000, 0.00000, 22.20409, 19.05554, 13.52327, 3.64638, 2.00000]])
torch.zeros_like(gxy)=tensor([ [0., 0.],
[0., 0.]], device='cuda:0')
torch.zeros_like(gxy)[None]=tensor([ [ [0., 0.],
[0., 0.]]], device='cuda:0')
off[:, None]=tensor([ [ [ 0.0000, 0.0000]],
[ [ 0.5000, 0.0000]],
[ [ 0.0000, 0.5000]],
[ [-0.5000, 0.0000]],
[ [ 0.0000, -0.5000]]], device='cuda:0')
torch.zeros_like(gxy)[None] + off[:, None]=tensor([ [ [ 0.0000, 0.0000],
[ 0.0000, 0.0000]],
[ [ 0.5000, 0.0000],
[ 0.5000, 0.0000]],
[ [ 0.0000, 0.5000],
[ 0.0000, 0.5000]],
[ [-0.5000, 0.0000],
[-0.5000, 0.0000]],
[ [ 0.0000, -0.5000],
[ 0.0000, -0.5000]]], device='cuda:0')
offsets=tensor([ [0.0000, 0.0000],
[0.0000, 0.0000],
[0.5000, 0.0000],
[0.5000, 0.0000],
[0.0000, 0.5000],
[0.0000, 0.5000]], device='cuda:0')
else:t = targets[0]offsets = 0# Define
b, c = t[:, :2].long().T # image, class b表示当前bbox属于该batch内第几张图片
gxy = t[:, 2:4] # grid xy真实目标框的xy坐标
gwh = t[:, 4:6] # grid wh真实目标框的宽高
gij = (gxy - offsets).long()#.long()为取整
gi, gj = gij.T # grid xy indices (gi,gj)是我们计算出来的负责预测该gt box的网格的坐标。
b=tensor([0, 0, 0, 0, 0, 0], device='cuda:0')
c=tensor([0, 0, 0, 0, 0, 0], device='cuda:0')
gxy=tensor([ [22.20409, 19.05554],
[22.20409, 19.05554],
[22.20409, 19.05554],
[22.20409, 19.05554],
[22.20409, 19.05554],
[22.20409, 19.05554]], device='cuda:0')
gwh=tensor([ [13.52327, 3.64638],
[13.52327, 3.64638],
[13.52327, 3.64638],
[13.52327, 3.64638],
[13.52327, 3.64638],
[13.52327, 3.64638]], device='cuda:0')
gij为计算出来的负责预测的网格坐标,真实目标框中心点所在网格及其相邻上方和左侧网格的坐标
gij=tensor([ [22, 19],
[22, 19],
[21, 19],
[21, 19],
[22, 18],
[22, 18]], device='cuda:0')
gi=tensor([22, 22, 21, 21, 22, 22], device='cuda:0')
gj=tensor([19, 19, 19, 19, 18, 18], device='cuda:0')
a = t[:, 6].long() # anchor indices a表示当前gt box和当前层的第几个anchor匹配上了indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1))) tbox.append(torch.cat((gxy - gij, gwh), 1)) # gtbox与三个负责预测的网格的坐标偏移量#以及gtbox的宽高anch.append(anchors[a]) # anchorstcls.append(c) # classreturn tcls, tbox, indices, anch
a表示与该位置真实目标框宽的高比小于4.0(self.hyp['anchor_t'])的anchor编号
a=tensor([1, 2, 1, 2, 1, 2], device='cuda:0')
gain[3] - 1=tensor(39., device='cuda:0')
gj.clamp_(0, gain[3] - 1)=tensor([19, 19, 19, 19, 18, 18], device='cuda:0')
gain[2] - 1=tensor(39., device='cuda:0')
gi.clamp_(0, gain[2] - 1)=tensor([22, 22, 21, 21, 22, 22], device='cuda:0')
torch.cat((gxy - gij, gwh), 1)=tensor([ [ 0.2041, 0.0555, 13.5233, 3.6464],
[ 0.2041, 0.0555, 13.5233, 3.6464],
[ 1.2041, 0.0555, 13.5233, 3.6464],
[ 1.2041, 0.0555, 13.5233, 3.6464],
[ 0.2041, 1.0555, 13.5233, 3.6464],
[ 0.2041, 1.0555, 13.5233, 3.6464]], device='cuda:0')
anchors[a]=tensor([ [3.8750, 2.8125],
[3.6875, 7.4375],
[3.8750, 2.8125],
[3.6875, 7.4375],
[3.8750, 2.8125],
[3.6875, 7.4375]], device='cuda:0')
最后返回四个列表:
class(类别)
tbox(gtbox与三个负责预测的网格的xy坐标偏移量,gtbox的宽高)
indices(b表示当前gtbox属于该batch内第几张图片,a表示gtbox与anchors的对应关系,负责预测的网格纵坐标,负责预测的网格横坐标)
anch(最匹配的anchors)
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- Fastjson漏洞利用
批量识别、验证漏洞、漏洞利用、利用方式 链接:https://www.yuque.com/docs/share/f306fc7f-ecf4-4442-b2d4-898b911cdd3a?#...
2024/4/14 20:11:40 - 浅谈分布式消息技术 Kafka
Kafka的基本介绍 Kafka是最初由Linkedin公司开发,是一个分布式、分区的、多副本的、多订阅者,基于zookeeper协调的分布式日志系统(也可以当做MQ系统),常见可以用于web/nginx日志、访问日志,消息服务等等&a…...
2024/4/25 21:28:50 - 正则学习总结
总结: 1. 只要验证字符串格式或查找、屏蔽敏感词时都要用正则 (1). 最简单的正则: 一个敏感词的原文 (2). 某一位字符上可能有多种备选字时用: [备选字列表] (3). 如果[]中部分字符是连续的,可用: [x-x] a. 一位小写字母: [a-z] b. 一位大写字母: [A-Z] c. 一位字母(大小写…...
2024/4/19 14:39:32 - ARM cortex-M4 DAP 访问 方法总结
cortex-M debug 的实现都是 coresight cortex-M4 属于 cortex-M cortex-M4/M1 都只有一种DP(虽然可实现为多种,但是一旦实现,就只有一种DP) 和一个AP(可实现就为一种,为AHB-AP)对于 JTAG-DP 寄存器的访问 1. 走 IR 链, 选中 DPACC // 同级寄存器列表在 DDI0413C_cortexm…...
2024/5/5 13:33:43 - 21天好习惯 第8天 trie
21天零基础入门ACM 21天零基础入门ACM之 第8天 字典树(trie)什么是字典树 其实字典树,或许叫前缀树更好理解。 字典树,就是把单词的每一个字母放在一棵树的每一层,以此来快速查到一个单词。 …...
2024/5/5 11:02:52 - 鞍点 程序设计入门——C语言
2 鞍点(5分) 题目内容: 给定一个n*n矩阵A。矩阵A的鞍点是一个位置(i,j),在该位置上的元素是第i行上的最大数,第j列上的最小数。一个矩阵A也可能没有鞍点。 你的任务是找出A的鞍点…...
2024/4/14 20:11:40 - 第3章 顺序结构程序设计
3.1引例...
2024/4/14 20:11:45 - 【Thread】并行多线程任务的创建
对于简单的并行任务,可以通过线程池Future的方案来 解决;如果任务之间有聚合关系,无论是 AND 聚合还是 OR 聚合,都可以通过CompletableFuture来解决;而批量的并行任务,则可以通过CompletionService来解决 …...
2024/4/19 22:31:13 - 线性代数:线性方程组的解
有解叫做consistent,无解叫做inconsistent。 一个线性系统有解的情况下,要么有唯一解,要么有无穷多解。...
2024/4/14 20:11:30 - 路由的监听(比如在登录页不显示导航条和头部公共部分)
watch: {// 根据路由监听判断是否是登录状态$route: function(val) {this.currentRoute val.path;if (val.path "/") {this.isLogin false;} else {this.isLogin true;}},}, <template> <div v-if"isLogin"><div>头部</div> …...
2024/4/14 20:11:20 - win10连接校园网(wifi)开热点手机连接显示“已连接但无法访问互联网”解决办法
个人尝试过后比较方便的一个解决方法,有更加好的方法可以交流一下 首先肯定是连接校园网(需要输入密码等一系列操作的都做完),确保网络连接正常。 点击wifi图标 右键点击热点按钮“转到设置” 以此图为例,WLAN为目前所…...
2024/5/5 9:57:39 - MySQL-07-事务
MySQL事务介绍 一、事务的基本要素(ACID) 1、原子性(Atomicity):事务开始后所有操作,要么全部做完,要么全部不做,不可能停滞在中间环节。事务执行过程中出错,会回滚到事…...
2024/4/14 20:11:20 - JavaScript基础--运算符中的易错点
目录 关系运算符""与""区别 逻辑运算符中的“短路现象” 逻辑与&&短路现象 逻辑或||短路现象 取模运算%余数正负值 逗号运算符返回操作数取值 关系运算符""与""区别 :等于(仅比较值是否相等,满足条件&a…...
2024/5/4 4:53:30 - Scala 隐式转换
一、简介 在之前的类型学习中,我们已经学习了自动类型转换,精度小的类型可以自动转换为精度大的类型,这个转换过程无需开发人员参与,由编译器自动完成,这个转换操作我们称之为隐式转换。 在其他的场合,隐式…...
2024/4/17 20:25:42 - 连号区间数——第四届蓝桥杯省赛C++B组
连号区间数 小明这些天一直在思考这样一个奇怪而有趣的问题: 在 1∼N 的某个排列中有多少个连号区间呢? 这里所说的连号区间的定义是: 如果区间 [L,R] 里的所有元素(即此排列的第 L 个到第 R 个元素)递增排序后能得…...
2024/4/20 18:05:40 - 695. 岛屿的最大面积
给你一个大小为 m x n 的二进制矩阵 grid 。 岛屿 是由一些相邻的 1 (代表土地) 构成的组合,这里的「相邻」要求两个 1 必须在 水平或者竖直的四个方向上 相邻。你可以假设 grid 的四个边缘都被 0(代表水)包围着。 岛屿的面积是岛上值为 1 …...
2024/4/16 22:29:39 - Python Flask框架(3)
HTTP状态码 当访问一个网站时,浏览人的浏览器会向网站发送请求,浏览器接收并显示网页前,网页服务器会返回一个包含HTTP状态码的信息头(server header)用以响应浏览器请求。 常见的有以下几个状态码 1.200:…...
2024/5/5 9:55:57 - (GIS算法)矢量数据压缩:道格拉斯-普克算法,MFC
首先,将一条曲线首、末点连一条直线,求出其余各点到该直线的距离,选取其最大者与规定的临界值相比较,若大于临界值,则离该支线距离最大的点保留,否则将直线两端点间个点全部舍去,即道格拉斯-普克…...
2024/4/14 20:12:26 - 画故障阈值图
A xlsread(电机控制器温度报警.xlsx,故障5,FN3:FN1442); line([0,1500],[105,105],color,r);%横线 hold on plot(A) box on set(gca,YLim,[85 115])%纵坐标范围 ylabel(驱动电机控制器实时温度(标准化前));xlabel(采样点) asum(A>105);%A中大于等于105的个数 ba/1440;...
2024/5/5 6:09:32 - RocketMQ源码解析:消息发送流程
RocketMQ发送消息的三种方式 在RocketMQ中发送消息的方式有如下三种,同步发送,异步发送和单向发送。其中前2中发送方式是可靠的,因为会有发送是否成功的应答,而单向发送只管发不管发送是否成功 同步发送消息,用来发送…...
2024/4/14 20:12:06
最新文章
- 论文笔记:(Security 22) 关于“二进制函数相似性检测”的调研
个人博客链接 注:部分内容参考自GPT生成的内容 [Security 22] 关于”二进制函数相似性检测“的调研(个人阅读笔记) 论文:《How Machine Learning Is Solving the Binary Function Similarity Problem》(Usenix Securi…...
2024/5/5 13:57:36 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 【干货】零售商的商品规划策略
商品规划,无疑是零售业的生命之源,是推动业务腾飞的强大引擎。一个精心策划的商品规划策略,不仅能帮助零售商在激烈的市场竞争中稳固立足,更能精准捕捉客户需求,实现利润最大化。以下,我们将深入探讨零售商…...
2024/5/5 12:33:12 - Java深度优先搜索DFS(含面试大厂题和源码)
深度优先搜索(Depth-First Search,简称DFS)是一种用于遍历或搜索树或图的算法。DFS 通过沿着树的深度来遍历节点,尽可能深地搜索树的分支。当节点v的所在边都已被探寻过,搜索将回溯到发现节点v的那条边的起始节点。这个…...
2024/5/5 8:52:24 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/4 23:54:56 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/4 23:54:56 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/4 23:55:17 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/4 23:55:16 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/4 18:20:48 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/4 23:55:17 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/4 23:55:06 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/4 23:55:06 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/4 23:55:16 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/4 23:55:01 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57