图像分割-语义分割
图像分割-语义分割
- 1.FCN
- 1.1 CNN与FCN的比较
- 1.2 三种上采样方法
- 1.2.1 双线性插值上采样
- 1.2.2 反卷积上采样
- 1.2.3 反池化上采样
- 1.3 FCN-跳层结构(Skip-layer)
- 1.4 FCN架构
- 1.5 FCN训练参数
- 2.DeepLab V1
- 2.1 孔(Hole)算法--空洞卷积
- 2.2CRF 条件随机场(可以对比一下graph cut)
- 2.2.1什么是条件随机场
- 2.2.2全连接条件随机场(FC-CRF)
- 2.2.3 FC-CRF在Deeplab的体现
- 3.DeepLab v2
- 3.1 ASPP(atrous spatial pyramid pooling)-- Atrous空间金字塔池化
- 3.2 架构变化
- 4. DeepLab V3 && DeepLab V3+
- 4.1 DeepLab V3 改进点
- 4.1 DeepLab V3+ 改进点
- 4.补充知识:
- 4.1什么是正则化
- Leetcode
- 695. 岛屿的最大面积
- 617. 合并二叉树
1.FCN
1.1 CNN与FCN的比较
简单的说,FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层,其输出的是一张已经标记好的图,而不是一个概率值。如下两图所示:
(1)在CNN中, 猫的图片输入到AlexNet, 得到一个长为1000的输出向量, 表示输入图像属于每一类的概率, 其中在“tabby cat”这一类统计概率最高, 用来做分类任务。
(2)FCN是对图像进行像素级的分类(也就是每个像素点都进行分类),从而解决了语义级别的图像分割问题。与上面介绍的经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同,FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷基层的特征图(feature map)进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每一个像素都产生一个预测,同时保留了原始输入图像中的空间信息,最后奇偶在上采样的特征图进行像素的分类。如下图所示:
总结:
在传统的CNN结构中,前5层是卷积层,第6层和第7层分别是一个长度为4096的一维向量,第8层是长度为1000的一维向量,分别对应1000个类别的概率。FCN将这3层表示为卷积层,卷积核的大小(通道数,宽,高)分别为(4096,7,7)、(4096,1,1)、(1000,1,1)。所有的层都是卷积层,故称为全卷积网络。
1.2 三种上采样方法
经过全卷积化的网络后,我们会发现在整个过程中,原图象被进行了32倍的降采样。
但是FCN网络一般是用来对图像进行语义分割的,于是就需要对图像上的各个像素进行分类,这就需要一个上采样将降采样32倍的图像上采样到原图的大小。上采样对于低分辨率的特征图,常常采用上采样的方式将它还原高分辨率,这里陈述上采样的三种方法。
1.2.1 双线性插值上采样
简单来说,插值指利用已知的点来“猜”未知的点,一个分析帖。特点是不需要进行学习,运行速度快,操作简单。
单线性插值(一个方向上)就是知道两个点的值,并将两点连成一条直线,来确定中间的点的值,假设,现在有两点 (x1,y1)、(x2,y2)连成一条直线 [x1,x2]中的点就可以用线上的点表示。双线性插值(两个方向上)是一个三维的坐标系,因此,需要找到4个点来确定中心点坐标,如下图所示的例子:
已知的红色数据点和待插值的绿色数据点。咱们已知函数f在Q1,Q2,Q3,Q4四个点值,咱们想获得未知函数f在点P= (x,y) 的值。
第一步:X方向的线性插值,在Q12,Q22中插入蓝色点R2,Q11,Q21中插入蓝色点R1。
第二步 :Y方向的线性插值 ,经过第一步计算出的R1与R2在y方向上插值计算出P点。
在x与y方向上,z值成单调性特性的应用中,此种方法能够作外插运算,便可以求解Q11~Q22所构成的正方形之外的点的值,计算正方形之外的点就是上采样的过程!!!
1.2.2 反卷积上采样
首先要记住把反卷积理解成逆卷积(Deconvolution)比较容易引起误会,把反卷积理解为转置卷积(Transposed Convolution)是一个更为合适的叫法.
(1)外围全补零(Full padding)反卷积
(2)插零分数步长反卷积
其实上面这种补0的方法事有问题的,你想一下,只在四周补0会导致最边上的信息不太好,那我们把这个信息平均下,在每个像素与像素之间补0,这就是插零分数步长反卷积
1.2.3 反池化上采样
反池化可以用下图来理解,
(1)在池化时需要记录下池化的位置,形成“池化索引”
(2)反池化时把池化的位置直接还原,其他位置填0。
注意:
反卷积与反池化之间最大的区别在于反卷积过程是有参数要进行学习的。
理论上反卷积可以实现反池化(UnPooling) ,只要卷积核的参数设置的合理。
1.3 FCN-跳层结构(Skip-layer)
首先为什么要做跳层呢?
我们看到5个卷积层之前已经有了32倍的降采样,而后面的6、7卷积层也是32倍的降采样,然后降采样之后直接通过双线性插值生成32倍,这个直接拿来做优化是有问题的,即直接使用32倍反卷积得到的分割结果粗糙。
这样的话就需要引入前面几个卷积层来做辅助,用以保证空间位置上的精确度,边缘区域分割的精确性。
如何实现跳层结构?
使用第4层和第3层输出的反卷积操作(分别需要16倍和8倍的上采样),再把这3个反卷积的结果图像融合,提升了结果的精确度:
• 跳层:Pool4和Pool3后会增加一个1x1卷积层做预测
• 较浅网络的结果精细,较深网络的结果鲁棒
注意如下图所示:
(1)在最后预测过程中的反卷积层是不用学习的,如1,2,3
(2)但是在融合两层信息的过程中的反卷积是要学习的,如4,5
1.4 FCN架构
具体操作:
1、 迁移学习AlexNet卷积层参数
以经典的AlexNet分类网络为初始化进行迁移学习。
最后两级是全连接层(红色),参数弃去不用。
2.第2步建立(FCN-32s网络)
•把全连接层替换为两个同深度的卷积层(4096,1,1)到->16x16x4096
•追加一个预测卷积层(21,1,1)->16x16x21
•追加一个步长为32的双线性插值反卷积层->500x500x21
这个过程就是从特征小图预测分割小图,之后直接升采样为大图。
3.第3步建立(FCN-16s网络)
•对最终层Conv7结果2倍上采样->34x34x21
•提取Pool4输出,追加预测卷积层(21,1,1)->34x34x21
•相加融合->34x34x21
•追加一个步长为16的双线性插值反卷积层->500x500x21
这个过程就是把升采样分为两次完成(橙色×2), 在第二次升采样前,把第4个pooling层(绿色)的预测结果(蓝色)融合进来。使用跳级结构提升精确性。
4.第4步建立(FCN-8s网络)
•对上次融合结果2倍上采样->70x70x21
•提取Pool3输出,追加预测卷积层(21,1,1)->70x70x21
•相加融合->70x70x21
•追加一个步长为8的双线性插值反卷积层->500x500x21
这个过程就是把升采样分为三次完成(橙色×3), 进一步融合了第3个pooling层的预测结果。
1.5 FCN训练参数
2.DeepLab V1
当前使用FCN解决图像分割问题是:
(1)原始FCN网络的输出低分辨问题,即重复的最大池化和下采样造成分辨率下降。
(2)分类器获得以对象为中心的决策需要空间不变性,从而限制DCNN的空间定位精度
针对这两个问题,DeepLab提出以下两点改进:
(1) 使用带孔卷积解决下采样问题。
(2) 使用Dense CRF解决空间不变形问题。
2.1 孔(Hole)算法–空洞卷积
空洞卷积最初的提出是为了解决图像分割的问题而提出的,常见的图像分割算法通常使用池化层和卷积层来增加感受野(Receptive Filed),同时也缩小了特征图尺寸(resolution),然后再利用上采样还原图像尺寸,特征图缩小再放大的过程造成了精度上的损失,因此需要一种操作可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样操作,在这种需求下,空洞卷积就诞生了
其实更简单的说:
由于普通下采样(max pooling)方法导致分辨率下降、局部信息丢失。但是我们有不得不用max pooling(因为每个像素有较大receptive field,且减小图像尺寸)。于是想使用另一种方法,不进行max pooling,但也能使每个像素有较大receptive field,这就是空洞卷积。
与正常的卷积不同的是,空洞卷积引入了一个称为 “扩张率(dilation rate)”的超参数(hyper-parameter),该参数定义了卷积核处理数据时各值的间距。扩张率中文也叫空洞数(Hole Size)。
以3x3卷积核为例子:
a是普通的卷积过程(dilation rate = 1),卷积后的感受野为3
b是dilation rate = 2的空洞卷积,卷积后的感受野为5
c是dilation rate = 3的空洞卷积,卷积后的感受野为8
实际上就是在原图上,插入rate-1个0。
那么为什么空洞卷积可以增大感受野,但是可以不改变图像输出特征图的尺寸(分辨率,resolution)?
为了更好地理解这一点,我们从一维去分析容易理解点
从a和b可以看到,普通池化会丢失输出的特征信息,即降低特征图尺寸和分辨率,但是用密集池化虽然可以完善这一点,但是感受野很小,特征信息不够。
从b和c就可以看出,有无空洞卷积,并不影响输出特征图的尺寸,也就是说输出特征图的尺和空洞数无关,因此可以利用空洞卷积增大感受野,而输出特征图的尺寸可以保持不变。
总结就是以下三点优势:
(1)参数数量不变
(2)计算量不变
(3)高分辨输出
简单的特征总结:
如果扩张率太大了会发生什么?
显然,扩张率过大也不合适。给小图设置大的扩张率的副作用:对于 14×14 的输入图像,使用扩张率为 15 的3×3 卷积,其结果和常规的 1×1 卷积类似。
如下图:左侧为扩张率为14的3x3卷积,右侧为1x1卷积
空洞卷积有什么效果,和正常的降采样再上采样比较?
反卷积和空洞卷积的区别?
反卷积注意用于增大图像尺寸,核心是在原来图像上插入空白数据
空洞卷积是为了增大感受野,是对卷积核进行空洞,就是在卷积核插入空白数据
2.2CRF 条件随机场(可以对比一下graph cut)
2.2.1什么是条件随机场
- 一例说明条件随机场是什么
假设你有贾斯丁·比伯一天生活的照片,你想要给每一张照片贴上一个标签,比如吃饭,舞蹈,睡觉,唱歌,驾驶等,该如何做?
一种方法是忽视照片的时间顺序特性,照片之间是相互独立的,训练数据有大量的照片和对应的标签,构建分类模型。比如训练数据包含近一个月的标签照片,你的分类模型可能会认为早上6点拍摄的黑色的照片是与睡眠相关的,有明亮色彩的照片往往与舞蹈相关,有汽车的照片与驾驶相关等等。
这种忽视时间顺序特性的方法会损失很多信息,比如,如果你看到一张嘴的特写照片,标签是唱歌还是吃饭?如果你考虑时间的顺序特性,假设前一张照片是吃饭或烹饪,那么这张照片的标签很可能是吃饭;若前一张照片是唱歌或舞蹈,那么这张照片的标签很可能是也唱歌。
因此,为了提高标签的准确性,我们应该考虑邻近照片的标签,这种方法就是条件随机场。
条件随机场的定义:
如上图所示,实际上条件随机场的应用场景是给定输入的随机变量X,预测随机变量Y。那么如何实现这个预测呢就要考虑两点(1)邻近 (2)MRF-马尔科夫随机场
(1)什么是邻近
如下为一个概率无向图模型:
变量y1的邻近点是y2,y3,y4,y5,变量y4的邻近点是y1,y6,变量y6的邻近点是y4。
所以其实邻近点的含义就是用无向边相连,存在相关的两个随机变量。
(2)什么是马尔科夫随机场?
马尔科夫随机场的本质是概率无向图,之所以叫马尔科夫随机场的原因是随机变量间满足成对马尔科夫性、局部马尔科夫性和全局马尔科夫性,马尔科夫性是关于条件独立的一种方法。
从本质上来说 马尔科夫随机场(MRF)对应一个无向图。此无向图上的每一个节点对应一个随机变量,节点之间的边表示节点对应的随机变量之间有概率依赖关系,即马尔科夫随机场是随机场的特例,假设某一个位置的赋值只与和它相邻的位置相关。
有以上两点知识以后:
我们可以认为条件随机场其实是马尔科夫随机场的特例,假设马尔可夫随机场只有X和Y两个随机变量,一般情况下,X是给定的,Y是输出。
形式化定义:设X和Y是随机变量,P(Y∣X)是给定X时Y的条件概率分布,若Y构成一个马尔科夫随机场,则 P(Y∣X)是条件随机场。
而在深度学习中:
对于每个像素i具有类别标签xi还有对应的观测值yi,这样每个像素点作为节点,像素与像素间的关系作为边,即构成了一个条件随机场。
2.2.2全连接条件随机场(FC-CRF)
那么什么是全连接随机场呢?
全连接条件随机场也叫做 Dense CRF,简单的说即图像中每个像素都与其他所有像素相关,为每个像素对都建立关系,但是问题在于,连接数量是像素数量的平方级别,这就导致了即使是很小的一幅图像,计算复杂度都会非常大,从而实用性不高。
以下这个帖子对该类进行了形象介绍:Dense CRF
2.2.3 FC-CRF在Deeplab的体现
作用:通过迭代精化分割结果(恢复精确边界)
CNN是一个逐步提取特征的部分,原始位置信息会随着网络深度的增加而减少或消失。CRF在传统图像处理上的应用是做一个平滑。CRF简单说,是在决定一个位置的标签(像素点的值)时,会考虑周围标签(像素点的值)。但是通过CNN得到的概率图在一定程度上已经足够平滑,所以短程的CRF没有太大的意义。于是考虑使用Fully connected CRF,这样就会综合考虑全局信息,恢复详细的局部结构,如精确图形的轮廓。CRF几乎可以用于所有的分割任务中图像精度的提高。
效果如下图所示,边界越来越精确:
第一行:飞机类别的分值(softmax之前)
第二行:飞机类别的概率值(softmax之后)
具体操作:
CRF是后处理,是不参与训练的,
(1)在测试时对特征提取后得到的得分图进行双线性插值,恢复到原图尺寸,(2)进行CRF处理,因为缩小8倍的,所以直接放大到原图是可以接受的。如果是32倍,则需要上采样(反卷积)。
如下图所示:
3.DeepLab v2
实际上针对 图像语义分割我们可以归结到以下三个挑战Q1:传统分类DCNNs中连续的池化和下采样将导致空间分辨率明显下降,不利于图像分割
Q2:对象多尺度检测问题
Q3:以物体为中心的分类器,需要保证空间转换不变性 ,导致细节信息丢失
DeepLab v2 是在Deeplab v1 的基础上针对多尺度问题进行改进。具体如下:
(1)用空洞卷积(Atrous Convolution )代替原来上采样的方法,比之前得到更高像素的score map,在不增加参数数量或计算量的情况下,有效地扩大感受野,以获得更多的上下文信息;和V1是一样的就是引入了空洞卷积。
(2) 全连接的CRF,利用低层的细节信息对分类的局部特征(边缘)进行优化。和V1是一样的
(3) ASPP(atrous spatial pyramid pooling) :基于空间空洞金字塔池化的多尺度分割方法,即多尺度特征提取,在多个尺度上捕获对象和图像特征和语境;
如上所述真正改进的其实是第三点ASPP!!!!!
3.1 ASPP(atrous spatial pyramid pooling)-- Atrous空间金字塔池化
原理:我们知道“多尺度”技术对性能提升很大,如果有多个感受野,就相当于一种“多尺度”。
具体结构如图所示:
实际上就是通过不同的rate构建不同感受野的卷积核,用来获取不同尺度上的特征
如上图所示就是在Conv6层引入4个并行空洞卷积,分别Rate为6, 12, 18, 24
这样就会获取到4个不同的感受野:13x13, 25x25, 37x37, 49x49,然后得到四个尺度不同的特征信息
具体步骤是:
(1)特征经过pooling5以后到Conv6后,引入4个并行3x3空洞卷积进行多尺度特征融合
(2)后两层都用11卷积,最后进行融合(融合方式就是概率相加),如下图所示:
3.2 架构变化
主要关注上采样过程,原来的用传统深度网络即DCNN(FCN)的话,会把特征卷得很小很小(32倍),如图一圈中所示,所以要变成大特征即使用双线性插值的过程中,特征会损失很多!!所以我们对此进行进行优化,最后特征卷的不那么小,双线性插值后损失特征没那么多。
4. DeepLab V3 && DeepLab V3+
4.1 DeepLab V3 改进点
提出的串行和并行(atrous spatial pyramid pooling,ASPP)网络模块中包含了不同rates的atrous convolution处理与batch normalization layers,对于网络训练非常重要.
(1)无空洞卷积:
(2)串行空洞卷积:
(3)并行空洞卷积(相比V2加了BN层)
一个1×1卷积和3个3×3的空洞卷积(采样率为(6,12,18)),每个卷积核都有256个且都有BN层
包含图像级特征(即全局平均池化)
4.1 DeepLab V3+ 改进点
相比DeepLabv3,v3+引入了Decoder模块,其将底层特征与高层特征进一步融合,提升分割边界准确度。从某种意义上看,DeepLabv3+在DilatedFCN基础上引入了Ecoder-Decoder的思路,进一步保护物体的边缘细节信息。
可以看一下这个帖子总结一下语义分割的一些内容
4.补充知识:
4.1什么是正则化
首先:正则化要是理解成 规则化就更好理解了,为了避免过度拟合,所以才要加入了正则化
作用:就是向你的模型加入某些规则,加入先验,缩小解空间,减小求出错误解的可能性
一些介绍贴:
(1) 正则化为什么能防止过拟合(重点地方标红了) - alexanderkun - 博客园
[机器学习]正规化_for justice-CSDN博客_正规化
机器学习中正则化项L1和L2的直观理解_小平子的专栏-CSDN博客_l1和l2正则化
Leetcode
695. 岛屿的最大面积
继承一个图像渲染的方法,就是用队列实现广度搜索
class Solution:def maxAreaOfIsland(self, grid: List[List[int]]) -> int:lenx=len(grid)leny=len(grid[0])#先遍历下来,找到一个1就开始渲染成0,直到渲染不到为止,然后比较面积大小direct=[(0,1),(0,-1),(1,0),(-1,0)]queue=[]maxarea=0for rx in range(lenx):for ry in range(leny):if grid[rx][ry] == 1:grid[rx][ry]=0queue.append((rx,ry))#渲染并且淹没陆地area=0while len(queue)>0:# print(queue)point=queue.pop()area+=1for i in range(4):nx=point[0]+direct[i][0]ny=point[1]+direct[i][1]if 0<= nx < lenx and 0<= ny < leny and grid[nx][ny]==1:grid[nx][ny]=0queue.append((nx,ny))print(area)if area>maxarea:maxarea=areareturn maxarea
617. 合并二叉树
很简单就是用递归实现检索二叉树,这里应该是是深度遍历
class Solution:def mergeTrees(self, root1: TreeNode, root2: TreeNode) -> TreeNode:if not root1:return root2if not root2:return root1mergeRoot=TreeNode(root1.val+root2.val)mergeRoot.left=self.mergeTrees(root1.left,root2.left)mergeRoot.right=self.mergeTrees(root1.right,root2.right)return mergeRoot
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
- 2022年化工自动化控制仪表考试总结及化工自动化控制仪表模拟考试题
题库来源:安全生产模拟考试一点通公众号小程序 安全生产模拟考试一点通:2022年化工自动化控制仪表考试总结为正在备考化工自动化控制仪表操作证的学员准备的理论考试专题,每个月更新的化工自动化控制仪表模拟考试题祝您顺利通过化工自动化控…...
2024/4/22 21:28:16 - 中文汉字转阿拉伯数字
1、中文汉字转阿拉伯数字 参考 思路:地位向高位遍历,每遇到一个数,乘以当前单位,累加在 res 上,遇到单位则改变当前单位 //可以处理十万以下 public class change {public static void main(String[] args) {String …...
2024/4/19 0:43:01 - [CTFHub]题目Cookie:hello guest. only admin can get flag.(Cookie欺骗、认证、伪造)
一、点击进入场景 二、按F12打开控制台,查看cookie 在控制台中输入document.cookie,发现admin0 三、重新设置将admin改为1 四、刷新界面 得到flag 感谢阅读!...
2024/4/13 9:20:55 - 谷粒学院(三)讲师管理模块(后端) | swagger | 统一日志 | 统一返回结果
文章目录一、讲师查询功能二、讲师逻辑删除功能三、配置Swagger2四、统一返回结果对象1、统一返回数据格式2、统一结果返回类3、统一返回结果的使用五、讲师分页查询六、讲师条件查询带分页七、自动填充封装八、讲师添加功能九、讲师修改功能十、统一异常处理十一、统一日志处理…...
2024/5/2 7:46:20 - C语言数据浅谈之实型
转自:微点阅读 https://www.weidianyuedu.com/content/1717504742845.html 实型数据也称为浮点数或实数。在C语言中,实数只采用十进制。它有二种形式:十进制小数形式和指数形式。 实数的表示 1) 十进制数形式 由数码0~ 9和小数点组成。 例…...
2024/4/19 0:25:53 - JavaSE之顺序表与链表的总结
目录 一、线性表 二、顺序表 1.概念及结构 2.接口实现 三、链表 1.概念及结构 2.链表的实现 四、顺序表和链表的区别与联系 一、线性表 线性表(linear list)是n个具有相同特性的数据元素的有限序列。 线性表是一种在实际中广泛使用的数据结构&…...
2024/4/13 9:21:00 - 水塘抽样---算法模板
又叫蓄水池抽样 参考题目 LeetCode382 或者这样推理 上面是只选取一个数的,还有是选取m(>1)个数的...
2024/4/13 9:20:45 - 从零开始学WEB前端——网页的骨架——HTML实战练习
📓项目介绍 先做个自我介绍,本人是一个没人写前端所以就自学前端的后端程序员🙇。在此项目中我会和大家一起从零基础开始学习前端,从后端程序员的视角来看前端,受限于作者的水平本项目暂时只会更新到前端框架VUE&…...
2024/4/13 10:42:29 - java面试后端面试高频问题吐血整理
自己在求职的过程中整理的48个java后端面试的高频问题,也对每一个问题清晰地用思维导图拆解了,非常便于记忆和回顾,重要的知识点还有讲解的比较好的博客链接,主要的知识点有如下: 乐/悲观锁RPCcookie和session区别转发…...
2024/4/13 9:21:00 - 2022年危险化学品经营单位主要负责人及危险化学品经营单位主要负责人操作证考试
题库来源:安全生产模拟考试一点通公众号小程序 安全生产模拟考试一点通:危险化学品经营单位主要负责人考前必练!安全生产模拟考试一点通每个月更新危险化学品经营单位主要负责人操作证考试题目及答案!多做几遍,其实通…...
2024/4/26 16:02:47 - 机器人工程专业学教研的共同富裕
物质上的共同富裕难,精神上的共同富裕更是难上加难。 如下报告末尾: ROS机器人操作系统教学与应用的思考_zhangrelay的专栏-CSDN博客 经过7年工作,发现难度之大超乎原有预期多个数量级。 总的来说在目前物质和精神条件下就是“无解”。 推…...
2024/4/13 9:20:45 - Mysql基础(2)
DDL 数据(结构)定义语言DDL(Data Definition Language),是用于创建和修改数据库表结构的语言。 创建删除数据库 创建数据库并设置编码格式 CREATE DATABASE [if not exists] 数据库名 [ CHARSET utf8] 删除数据库 DROP DATABASE 数据库名 / [IF EXISTS数据库名]; 修…...
2024/4/20 3:23:31 - 2021年焊工(初级)考试技巧及焊工(初级)作业考试题库
题库来源:安全生产模拟考试一点通公众号小程序 安全生产模拟考试一点通:焊工(初级)考试技巧参考答案及焊工(初级)考试试题解析是安全生产模拟考试一点通题库老师及焊工(初级)操作证…...
2024/5/1 9:19:21 - JavaScript 中的作用域与变量声明提升
一、简单阐述 变量提升其实就是我们在函数内部定义的变量,被提升到函数的首部,此时我们在变量任何地方都是可以访问到该变量的。造成变量声明提升的原因:js引擎在执行代码前会先有一个代码解析的过程,在代码解析的过程中会创建一…...
2024/4/13 9:21:00 - js基础1
#1 JavaScript 1.1简介 JavaScript是一种具有面向对象能力的、解释型的程序设计语言。更具体一点,它是基于对象和事件驱动并具有相对安全性的客户端脚本语言。它的主要目的是,验证发往服务器端的数据、增加Web互动、加强用户体验度等。 ##1.2基本用…...
2024/4/18 13:37:17 - nginx动静分离[centos7、centos8]
动静分离: 服务器配置: 动态资源 吃cpu和内存,动态资源放在cpu多、内存大的服务器上 静态资源 吃硬盘和带宽,静态资源放在硬盘大、带宽高的服务器上 【centos8系统】 #准备三台服务器 105:反向代理服务器 106:静态服务器 107:动态服务器 #准备三台nginx[nginx/1.20.2] 在ww…...
2024/4/19 20:48:28 - 谷粒学院(二)---项目构建
文章目录一、项目模块介绍和数据库设计1、工程结构2、模块介绍3、 创建讲师数据库二、 创建父工程三、搭建service模块四、搭建service-edu模块五、数据库设计规约一、项目模块介绍和数据库设计 1、工程结构 2、模块介绍 guli-parent:在线教学根目录(父…...
2024/4/13 10:42:39 - 黑马PostgreSQL,为何一黑到底
📢📢📢📣📣📣 哈喽!大家好,我是【IT邦德】,江湖人称jeames007,10年DBA工作经验 一位上进心十足的【大数据领域博主】!😜😜…...
2024/4/13 9:21:20 - centos7 防火墙添加端口(小记)
centos7 防火墙添加端口 firewall开启80端口 远程登录到vps,查看firewall防火墙版本。 firewall-cmd --version # 0.4.4.4查看firewall防火墙的状态。提示正在运行。 firewall-cmd --state # running在firewall中添加80端口的权限。提示成功。 firewall-cmd --…...
2024/4/17 14:46:34 - ref直接访问一个子组件
尽管存在 prop 和事件,有的时候你仍可能需要在 JavaScript 里直接访问一个子组件。为了达到这个目的,你可以通过 ref 这个 attribute 为子组件赋予一个 ID 引用。例如: <base-input ref"usernameInput"></base-input>…...
2024/4/19 10:56:25
最新文章
- aardio封装库) 微软开源的js引擎(ChakraCore)
前言 做爬虫肯定少不了JavaScript引擎的使用,比如在Python中现在一般用pyexecjs2来执行JavaScript代码,另外还有一些其他执行JavaScript的库: https://github.com/eight04/node_vm2: rpc调用nodejs,需要安装nodehttps://github.…...
2024/5/2 9:28:40 - 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 - xv6项目开源—05
xv6项目开源—05.md 理论: 1、设备驱动程序在两种环境中执行代码:上半部分在进程的内核线程中运行,下半部分在中断时执行。上半部分通过系统调用进行调用,如希望设备执行I/O操作的read和write。这段代码可能会要求硬件执行操作&…...
2024/5/2 2:36:53 - Oracle 正则表达式
一、Oracle 正则表达式相关函数 (1) regexp_like :同 like 功能相似(模糊 匹配) (2) regexp_instr :同 instr 功能相似(返回字符所在 下标) (3) regexp_substr : 同 substr 功能相似&…...
2024/5/1 13:21:14 - 【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…...
2024/5/1 17:30:59 - 【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…...
2024/4/30 18:14:14 - 【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…...
2024/4/29 2:29:43 - 【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…...
2024/5/2 9:28:15 - 【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…...
2024/4/27 17:58:04 - 【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…...
2024/4/27 14:22:49 - 【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…...
2024/4/28 1:28:33 - 【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…...
2024/4/30 9:43:09 - 【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…...
2024/4/27 17:59:30 - 【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…...
2024/4/25 18:39:16 - 【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、…...
2024/4/28 1:34:08 - 【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…...
2024/4/26 19:03:37 - 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…...
2024/4/29 20:46:55 - 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…...
2024/4/30 22:21:04 - 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…...
2024/5/1 4:32:01 - 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…...
2024/4/27 23:24:42 - 「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…...
2024/4/28 5:48:52 - 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…...
2024/4/30 9:42:22 - 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」。 …...
2024/5/2 9:07:46 - 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…...
2024/4/30 9:42:49 - 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