A级课程从零开始（七）ssd24训练部分收尾补充（IOU,NMS）

作者：mobiledu2502926273 | 来源：互联网 | 2023-10-12 16:13

https:www.bilibili.comvideoav43996494?p61补充说明(修正前面代码存在问题):#先验框筛选defchoose_anchor_boxes(sel

https://www.bilibili.com/video/av43996494/?p&＃61;6

1 补充说明(修正前面代码存在问题):

# 先验框筛选def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4predictions &＃61; tf.reshape(predictions, [n_box, 21])[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(predictions, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, &＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(predictions, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来classes &＃61; tf.boolean_mask(classes, scores > self.threshold) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, scores > self.threshold)anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)return classes, scores, anchor_box# ?&＃61;?需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()
上述代码存在问题&＃xff1a;
因为scores会被覆盖
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)
&＃61;>因而使用下面算法代替&＃xff0c;进而不影响scores值&＃xff1a; ?&＃61;?不太清楚此代码的具体实现
        filter_mask &＃61; scores > self.threshold
        classes &＃61; tf.boolean_mask(classes, filter_mask)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, filter_mask)
        anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)
&＃61;>或者改名为scores_nk
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores_nk &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)

更新之后结果&＃xff1a;

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

2 先验框排序

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_sort(self, classes, scores, bboxes, top_k&＃61;400):idxes &＃61; np.argsort(-scores) # 先把scores从高到低排序,然后按照scores的顺序排序类别,分数,框classes &＃61; classes[idxes][:top_k] # 取前面400分数最高的scores &＃61; scores[idxes][:top_k]bboxes &＃61; bboxes[idxes][:top_k]return classes, scores, bboxes # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.argsort()

3 IOU

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_iou(self, bboxes1, bboxes2):bboxes1 &＃61; np.transpose(bboxes1)bboxes2 &＃61; np.transpose(bboxes2)# 计算两个box的交集, 交集左上角的点取两个box的max, 交集右下角的点取两个box的min# bboxes1[0]里面的元素:y1x1y2x2int_ymin &＃61; np.maximun(bboxes1[0], bboxes2[0]) # 交叠框左上角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最大值int_xmin &＃61; np.maximun(bboxes1[1], bboxes2[1]) # 交叠框左上角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最大值int_ymax &＃61; np.minimun(bboxes1[2], bboxes2[2]) # 交叠框右下角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最小值int_xmax &＃61; np.minmun(bboxes1[3], bboxes2[3]) # 交叠框右下角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最小值# 计算两个box交集的wh: 如果两个box没有交集, 那么w,h为0(计算方式&＃xff1a;w,h为负值, 跟0比较取最大)int_h &＃61; np.maximun(int_ymax - int_ymin, 0.)int_w &＃61; np.maximun(int_xmax - int_xmin, 0.)# 计算IOUint_vol &＃61; int_h * int_w # 交集面积vol1 &＃61; (bboxes1[2] - bboxes1[0]) * (bboxes1[3] - bboxes1[0]) # bboxes1面积vol2 &＃61; (bboxes2[2] - bboxes2[0]) * (bboxes2[3] - bboxes2[0]) # bboxes2面积iou &＃61; int_vol / (vol1 &＃43; vol2 - int_vol) # IOU &＃61; 交集/并集 # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.transpose()

&＃xff14;非极大值抑制
https://mp.csdn.net/postedit/98534699

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)for i in range(scores.size - 1):if keep_bboxes[i]:overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到ioukeep_overlap &＃61; np.logical_or(overlap # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\
&＃61;>    def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):
&＃61;>        keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)
>>> scores.shape &＃61; array([[1, 2], [3, 4]])
>>> keep_bboxes &＃61; np.ones(a.shape, dtype&＃61;np.bool)
>>> keep_bboxes
array([[ True, True],
          [ True, True]], dtype&＃61;bool)
&＃61;>        for i in range(scores.size - 1):
>>> a.size &＃61; 4
&＃61;>            if keep_bboxes[i]:
&＃61;>                overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到iou
这里自动广播&＃xff08;&＃xff09;broadcost &＃61;> bboxes[(i &＃43; 1):]是多个框
overlap是一个
示例如下&＃xff1a;

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:c &＃61; np.array([1, 2, 3, 4])for i in range(3):overlap &＃61; bboxes_iou(c[i], c[(i&＃43;1):])print(overlap) >>>[3 4 5] >>>[5 6] >>>[7]
&＃61;>                keep_overlap &＃61; np.logical_or(overlap # 逻辑或
交并比<阈值的 or 两者类别不同的, 会被选中到keep_voerlap里面, 这些都是不要的

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:a &＃61; np.array([1, 2, 3, 1])classes &＃61; np.array([1, 1, 2, 1])for i in range(3):overlap &＃61; bboxes_iou(a[i], a[(i&＃43;1):])# print(&＃39;overlap:&＃39;, overlap)# print(&＃39;classes[i:] !&＃61; classes[i]:&＃39;, classes[i:] !&＃61; classes[i])keepoverlap &＃61; np.logical_or(overlap <3, classes[(i&＃43;1):] !&＃61; classes[i])# print(&＃39;keepoverlap:&＃39;, keepoverlap)# print(&＃39;&＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;&＃39;) # &＃61;&＃61;&＃61;> 输出 <&＃61;&＃61;&＃61; overlap: [3 4 2] classes[i:] !&＃61; classes[i]: [False True False] keepoverlap: [False True True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [5 3] classes[i:] !&＃61; classes[i]: [ True False] keepoverlap: [ True False] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [4] classes[i:] !&＃61; classes[i]: [ True] keepoverlap: [ True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;

&＃61;>                keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap) # 逻辑与
　　　　　　# keep_bboxes[(i&＃43;1):]是当前bbox后面的一些框, keep_overlap是数组里面有true false, 与操作留下想要的

c &＃61; np.ones([2, ], dtype&＃61;np.bool) print(c) a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) c &＃61; np.logical_and(a, b) print(c)# [True True]# [True False]
&＃61;>        idxes &＃61; np.where(keep_bboxes)
# https://www.cnblogs.com/massquantity/p/8908859.html

a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) print(np.where(a))# (array([0]),)

&＃61;>        return classes[idxes], scores[idxes], bboxes[idxes]
# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

&＃61;>此部分指令&＃xff1a;
np.ones(scores.shape, dtype&＃61;np.bool)

np.logical_or(overlap
idxes &＃61; np.where(keep_bboxes)

需要学的python命令:

1 np.argsort()

2 np.transpose()

3 np.ones(scores.shape, dtype&＃61;np.bool)

>>> a &＃61; np.array([[1,2],[3,4]]) >>> a array([[1, 2],[3, 4]]) >>> b &＃61; np.ones(a.shape, dtype&＃61;np.bool) >>> b array([[ True, True],[ True, True]], dtype&＃61;bool) >>> a.size 4
4 np.logical_or(overlap
5 keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap)

>>> np.logical_and(True, False) False >>> np.logical_and([True, False], [False, False]) array([False, False], dtype&＃61;bool)
>>> x &＃61; np.arange(5) >>> x array([0, 1, 2, 3, 4]) >>> np.logical_and(x>1, x<4) array([False, False, True, True, False], dtype&＃61;bool)
6 idxes &＃61; np.where(keep_bboxes)

当前最终版&＃xff1a;

#!usr/bin/python # -*- coding: utf-8 -*- # Creation Date: 2019/7/10 import tensorflow as tf import numpy as np import cv2 &＃39;&＃39;&＃39; 注释说明 # 1 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为一级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为一级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为一级标题-end# 2 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为二级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为二级标题的补充说明\&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为二级标题-end# 3 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为三级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为三级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为三级标题-end# 4 /&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;\　　为四级标题 &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; 为四级标题的简化形式|&＃61;&＃61;&＃61;> xxx 为四级标题的补充说明\&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;/ 为四级标题-end# 5 &＃61;&＃61;>　or &＃61;>　　为重点-特殊情况# 6 ?&＃61;?　　存在疑惑&＃39;&＃39;&＃39;class ssd(object):def __init__(self):# &＃61;&＃61;&＃61;>完善&＃xff1a;构造函数的参数<&＃61;&＃61;&＃61;self.num_boxes &＃61; [] # 统计锚点框的个数self.feaeture_map_size &＃61; [(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)] # 特征图的大小self.classes &＃61; ["aeroplane", "bicycle", "bird", "boat", "bottle","bus", "car", "cat", "chair", "cow","diningtable", "dog", "horse", "motorbike", "person","pottedplant", "sheep", "sofa", "train", "tvmonitor"] # 这里有20个&＃xff0c;加上背景是21个类别self.feature_layers &＃61; [&＃39;block4&＃39;, &＃39;block7&＃39;, &＃39;block8&＃39;, &＃39;block9&＃39;, &＃39;block10&＃39;, &＃39;block11&＃39;] # 用于检测的特征层的名字self.img_size &＃61; (300, 300) # 图片的大小self.num_classes &＃61; 21 # 类别的个数,背景也算一类, 第一个类似是:&＃39;bg&＃39;背景self.boxes_len &＃61; [4, 6, 6, 6, 4, 4] # 6个特征图生成的一组锚点框的框的个数&＃xff0c;4 10 11层是4个一组,其它的是6个一组# block4: 38x38大小的特征图就会生成 38x38x4 个锚点框 5766# block7: 19x19大小的特征图就会生成 19x19x6 个锚点框 2166# block8: 10x10大小的特征图就会生成 10x10x6 个锚点框 600# block9: 5x5大小的特征图就会生成 5x5x6 个锚点框 150# block10: 3x3大小的特征图就会生成 3x3x4 个锚点框 36# block11: 1x1大小的特征图就会生成 1x1x4 个锚点框 4# 一共8732个锚点框 &＃xff1f;&＃61;&＃xff1f;我算出来的是8722个self.isL2norm &＃61; [True, False, False, False, False, False] # block4比较靠前, 因为norm太大需要L2normself.anchor_size &＃61; [(21., 45.), (45., 99.), (99., 153.), (153., 207.), (207., 261.), (261., 315.)]self.anchor_ratios &＃61; [[2, .5], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5], [2, .5]]self.anchor_steps &＃61; [8, 16, 32, 64, 100, 300]self.prior_scaling &＃61; [0.1, 0.1, 0.2, 0.2] # 特征先验框缩放比例: 0.1:xy坐标的缩放比, 0.2:wy坐标的缩放比self.n_boxes &＃61; [5776, 2166, 600, 150, 36, 4]# 一共8732个 # ?&＃61;?怎么计算的, 每个featuremap(特征图)先验框的个数# 4层: 38x38x4# 7层: 19x19x6# 8层: 10x10x6# 9层: 5x5x6# 10层: 3x3x4# 11层: 1x1x4self.threshold &＃61; 0.2 # 原文中是0.5, 为了检测到更多的物体设置为0.2# /&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> ssd网络架构部分 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# &＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>l2正则化<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;def l2norm(self, x, scale, trainable&＃61;True, scope&＃61;&＃39;L2Normalization&＃39;):n_channels &＃61; x.get_shape().as_list()[-1] # 通道数. 得到形状,变成列表,取后一个l2_norm &＃61; tf.nn.l2_normalize(x, dim&＃61;[3], epsilon&＃61;1e-12) # 只对每个像素点在channels上做归一化with tf.variable_scope(scope):gamma &＃61; tf.get_variable("gamma", shape&＃61;[n_channels, ], dtype&＃61;tf.float32,initializer&＃61;tf.constant_initializer(scale), # ?&＃61;?为何作者没有这步骤trainable&＃61;trainable)return l2_norm * gamma# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;conv2d, max_pool2d, pad2d, dropout# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.conv2d(inputs&＃61;xxx, filters&＃61;xxx, kernel_size&＃61;xxx,# stride&＃61;xxx, padding&＃61;xxx, dilation_rate&＃61;xxx,# name&＃61;xxx, activation&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.max_pooling2d(inputs&＃61;xxx, pool_size&＃61;xxx,# strides&＃61;xxx, padding&＃61;xxx,# name&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.pad(x, paddings&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.dropout(inputs&＃61;xxx, rate&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;定义一个卷积的操作: 1输入 2卷积核个数 3卷积核大小| 4步长 5padding 6膨胀| 7激活函数 8名字def conv2d(self, x, filter, k_size, # 输入x, 卷积核的个数filter, k_size卷积核是几*几stride&＃61;[1, 1], padding&＃61;&＃39;same&＃39;, dilation&＃61;[1, 1], # # 步长stride, padding, 空洞卷积指数这里1代表正常卷积activation&＃61;tf.nn.relu, scope&＃61;&＃39;conv2d&＃39;): # 激活函数relu, 名字scopereturn tf.layers.conv2d(inputs&＃61;x, filters&＃61;filter, kernel_size&＃61;k_size,strides&＃61;stride, dilation_rate&＃61;dilation, padding&＃61;padding,name&＃61;scope, activation&＃61;activation)def max_pool2d(self, x, pool_size,stride,scope&＃61;&＃39;max_pool2d&＃39;): # 我猜padding是vaildreturn tf.layers.max_pooling2d(inputs&＃61;x, pool_size&＃61;pool_size, strides&＃61;stride, padding&＃61;&＃39;valid&＃39;, name&＃61;scope)# 用于填充s&＃61;2的第8,9层. 从6层往后的卷积层需要自己填充, 不要用它自带的填充.def pad2d(self, x,pad):return tf.pad(x, paddings&＃61;[[0, 0], [pad, pad], [pad, pad], [0, 0]])def dropout(self, x, d_rate&＃61;0.5):return tf.layers.dropout(inputs&＃61;x, rate&＃61;d_rate)def ssd_prediction(self, x, num_classes, box_num, isL2norm, scope&＃61;&＃39;multibox&＃39;):reshape &＃61; [-1] &＃43; x.getshape().as_list()[1:-1] # 去除第1,4数,拿到2,3个数,变成列表.即去除第一个和最后一个得到shape# python中 a &＃61; [1,2,3,4], b &＃61; a[1:3]&＃61;a[1:-1], c &＃61; [-1] &＃43; b# print(b) &＃61; [2,3], print(c) &＃61; [-1, 1, 2, 3, 4]# block8为例&＃xff1a;shape &＃61; (?, 10, 10, 512)需要把第2,3个数拿出来# 前面的-1表示batch, 因为不知道是多少在这里tf一般写-1# reshape &＃61; [-1, 10, 10]with tf.variable_scope(scope): # 开始进行卷积if isL2norm:x &＃61; self.l2norm(x) # 先判断是否需要归一化# &＃61;&＃61;>预测位置:坐标和大小&＃xff0c;回归问题:不需softmaxlocation_pred &＃61; self.conv2d(x, filter&＃61;box_num * 4, k_size&＃61;[3 * 3],activation&＃61;None, scope&＃61;&＃39;conv_loc&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的4个数据xywh, 卷积核3x3,不需要激活函数,默认def conv2d有激活函数的&＃39;&＃39;&＃39;location_pred &＃61; tf.reshape(location_pred, reshape &＃43; [box_num, 4]) # 每个中心点生成一个锚点框?&＃61;?# reshape &＃43; [box_num, 4] &＃61; [-1, 10, 10, box_num, 4]# &＃61;&＃61;>预测类别:分类问题:需要softmaxclass_pred &＃61; self.conv2d(x, filter&＃61;box_num * num_classes, k_size&＃61;3 * 3,activation&＃61;None, scope&＃61;&＃39;conv_cls&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的21个类别, 卷积核3x3,不需要激活函数,默认def conv2d是有激活函数的&＃39;&＃39;&＃39;class_pred &＃61; tf.shape(class_pred, reshape &＃43; [box_num, num_classes]) # ?&＃61;?# reshape &＃43; [box_num, num_classes] &＃61; [-1, 10, 10, box_num, num_classes]print(location_pred, class_pred)return location_pred, class_pred# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:具体网络架构-start<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def set_net(self):check_points &＃61; {} # 装特征层的字典,用于循环迭代predictions &＃61; []locations &＃61; []x &＃61; tf.placeholder(dtype&＃61;tf.float32, shape&＃61;[None, 300, 300, 3])with tf.variable_scope(&＃39;ssd_300_vgg&＃39;):# &＃61;&＃61;&＃61;>VGG前5层<&＃61;&＃61;&＃61;# b1net &＃61; self.conv2d(x, filter&＃61;64, k_size&＃61;[3, 3], scope&＃61;&＃39;conv1_1&＃39;) # 64个3*3卷积核, s&＃61;1 默认&＃xff0c;标准卷积net &＃61; self.conv2d(net, 64, [3, 3], scope&＃61;&＃39;conv1_2&＃39;) # 64个3*3卷积核, s&＃61;1默认net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool1&＃39;) # 池化层2*2卷积核, s&＃61;2 默认&＃xff0c;池化层一般都是2# b2net &＃61; self.conv2d(net, filter&＃61;128, k_size&＃61;[3, 3], scope&＃61;&＃39;conv2_1&＃39;)net &＃61; self.conv2d(net, 128, [3, 3], scope&＃61;&＃39;conv2_2&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool2&＃39;)# b3net &＃61; self.conv2d(net, filter&＃61;256, k_size&＃61;[3, 3], scope&＃61;&＃39;conv3_1&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_2&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool3&＃39;)# b4 &＃61;>第1个检测层net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv4_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_3&＃39;)check_points[&＃39;block4&＃39;] &＃61; netnet &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool4&＃39;)# b5 关键部分来了&＃xff0c;这里与vgg不同了net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv5_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[3, 3], stride&＃61;[1, 1], scope&＃61;&＃39;pool5&＃39;) # &＃61;>池化层3*3核&＃xff0c; 步长变成1*1# &＃61;&＃61;&＃61;>卷积层&＃xff0c;代替VGG全连接层<&＃61;&＃61;&＃61;# b6 conv6: 3x3x1024-d6net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[3, 3], dilation&＃61;[6, 6], scope&＃61;&＃39;conv6&＃39;)# &＃61;> 个数1024, dilation&＃61;[6, 6]# b7 conv7: 1x1x1024 &＃61;>第2个检测层net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[1, 1], scope&＃61;&＃39;conv7&＃39;)# &＃61;> 个数1024, 卷积核是[1, 1]check_points[&＃39;block7&＃39;] &＃61; net# b8 conv8_1: 1x1x256; conv8_2: 3x3x512-s2-vaild &＃61;>第3个检测层net &＃61; self.conv2d(net, 256, [1, 1], scope&＃61;&＃39;conv8_1x1&＃39;) # &＃61;>个数256&＃xff0c;卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 512, [3, 3], [2, 2], scope&＃61;&＃39;conv8_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数512, 卷积核3x3, 步长2, &＃39;valid&＃39;check_points[&＃39;block8&＃39;] &＃61; net# b9 conv9_1: 1x1x128 conv8_2: 3x3x256-s2-vaild &＃61;>第4个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv9_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 256, [3, 3], [2, 2], scope&＃61;&＃39;conv9_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256,卷积核3x3&＃xff0c;步长2x2, validcheck_points[&＃39;block9&＃39;] &＃61; net# b10 conv10_1: 1x1x128 conv10_2: 3x3x256-s1-valid &＃61;>第5个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv10_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv10_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c;validcheck_points[&＃39;block10&＃39;] &＃61; net# b11 conv11_1: 1x1x128 conv11_2: 3x3x256-s1-valid &＃61;>第6检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv11_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv11_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c; validcheck_points[&＃39;block11&＃39;] &＃61; netfor i, j in enumerate(self.feature_layers): # 枚举特征层i表示第几个, j是名字如&＃39;block4&＃39;loc, cls &＃61; self.ssd_prediction(x&＃61;check_points[j],num_classes&＃61;self.num_classes,box_num&＃61;self.boxes_len[i],isL2norm&＃61;self.isL2norm[i],scope&＃61;j &＃43; &＃39;_box&＃39;)predictions.append(tf.nn.softmax(cls)) # 需要softmaxlocations.append(loc) # 不需要print(check_points) # 检查网络的结构, eg:block8: (?, 10, 10, 512)print(locations, predictions)return locations, predictions, x# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:具体网络架构<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> ssd网络架构部分-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; 以block8为例10x10, 生成先验框# |&＃61;&＃61;&＃61; h0, h1, h2, h3, h4, h5:# |&＃61;&＃61;&＃61; 小正方形大正方形 1/2长方形 2/1长方形 1/3长方形 3/1长方形def ssd_anchor_layer(self, img_size, feature_map_size,anchor_size, anchor_ratio, anchor_step,box_num, offset&＃61;0.5):# 提取feature map 的每一个坐标y, x &＃61; np.mgrid[0: feature_map_size[0], 0:feature_map_size[1]] # 以block8为例这里是 0:10,0:10# >>> y, x&＃61; np.mgrid[0:10, 0:10]# >>> print(x)# [[0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]]# >>> print(y)# [[0 0 0 0 0 0 0 0 0 0]# [1 1 1 1 1 1 1 1 1 1]# [2 2 2 2 2 2 2 2 2 2]# [3 3 3 3 3 3 3 3 3 3]# [4 4 4 4 4 4 4 4 4 4]# [5 5 5 5 5 5 5 5 5 5]# [6 6 6 6 6 6 6 6 6 6]# [7 7 7 7 7 7 7 7 7 7]# [8 8 8 8 8 8 8 8 8 8]# [9 9 9 9 9 9 9 9 9 9]]y &＃61; (y.astype(np.float32) &＃43; offset) * anchor_step / img_size[0]x &＃61; (x.astype(np.float32) &＃43; offset) * anchor_step / img_size[1]# 计算两个长宽比为1的 h, wh &＃61; np.zeros((box_num,), np.float32)w &＃61; np.zeros((box_num,), np.float32)# h >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)# w >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)h[0] &＃61; anchor_size[0] / img_size[0] # 小正方形w[0] &＃61; anchor_size[0] / img_size[0]h[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0] # 大正方形w[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0]for i, j in enumerate(anchor_ratio):h[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] / (j ** 0.5)w[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] * (j ** 0.5)return y, x, h, w# h[0]&＃61;99/300 w[0]&＃61;99/300&＃xff1a; 小正方型 h w# h[1]&＃61;sqrt(99*513)/300 w[1]&＃61;sqrt(99*513)/300&＃xff1a; 大正方型 h w# h[2]&＃61;99/300/sqrt(2) w[2]&＃61;99/300*sqrt(2)&＃xff1a; 横向 - 长方型2/1 对应 anchor_ratio[0] &＃61; 2# h[3]&＃61;99/300/sqrt(0.5) w[2]&＃61;99/300*sqrt(0.5)&＃xff1a; 纵向 | 长方型1/2 对应 anchor_ratio[1] &＃61; .5# h[4]&＃61;99/300/sqrt(3) w[2]&＃61;99/300*sqrt(3)&＃xff1a; 横向 - 长方型3/1 对应 anchor_ratio[2] &＃61; 3# h[5]&＃61;99/300/sqrt(1/3) w[2]&＃61;99/300*sqrt(1/3)&＃xff1a; 纵向 | 长方型1/3 对应 anchor_ratio[3] &＃61; 1./3# h[0]正方型 h[1]正方型 h[2]长方型2/1 h[3]长方型1/2 h[4]长方型3/1 h[5]长方型1/3# h &＃61; array([ 0.33000001, 0.41024384, 0.23334524, 0.46669048, 0.19052559, 0.57157677], dtype&＃61;float32)# w &＃61; array([ 0.33000001, 0.41024384, 0.46669048, 0.23334524, 0.57157677, 0.19052559], dtype&＃61;float32)# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def ssd_decode(self, location, box, prior_scaling):y_a, x_a, h_a, w_a &＃61; boxcx &＃61; location[:, :, :, :, 0] * w_a * prior_scaling[0] &＃43; x_a # ?&＃61;?这部分应该是w hcy &＃61; location[:, :, :, :, 1] * h_a * prior_scaling[1] &＃43; y_a# locations是set_net网络的返回值# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# 在这里location被带入了locations[2], 也就是block8层w &＃61; w_a * tf.exp(location[:, :, :, :, 2] * prior_scaling[2])h &＃61; h_a * tf.exp(location[:, :, :, :, 3] * prior_scaling[3]) # 实际格子的高度print(cx, cy, w, h)bboxes &＃61; tf.stack([cy - h/2.0, cx - w/2.0, cy &＃43; h/2.0, cx &＃43; w/2.0], axis&＃61;-1)# 特征图比较多&＃xff0c;需要叠加起来# 左上角点的y坐标 cy-h/2, x坐标cx-w/2. 右下角点的y坐标 cy&＃43;h/2, x坐标cx&＃43;w/2print(bboxes)return bboxes# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/if __name__ &＃61;&＃61; &＃39;__main__&＃39;:sd &＃61; ssd()locations, predictions, x &＃61; sd.set_net()box &＃61; sd.ssd_anchor_layer(sd.img_size, (10, 10), (99., 153.), [2., .5, 3., 1/3], 32, 6)boex &＃61; sd.ssd_decode(locations[2], box, sd.prior_scaling)print(boex) # shape &＃61; (?, 10, 10, 6, 4)# 这里以block8为例&＃xff1a;的输出结果为Tensor("stacck:0", shape&＃61;(?, 10, 10, 6, 4), dtype&＃61;float32)# 10, 10表示的是第三个特征层为10x10, 因为是locations[2] ?&＃61;?# 6表示六个特征图 ?&＃61;?# 4表示　左上角&＃xff06;右下角坐标　max_x max_y min_x min_y# locations[0]是38x38 locations[1]是19x19 locations[2]是10x10 locations[3]是5x5 [4]是3x3 [5]是2x2 [6]是1x1cls, sco, a_box &＃61; sd.choose_anchor_boxes(predictions[2], boex, sd.n_boxes[2])print(&＃39;----------------------------&＃39;)print(cls, sco, a_box)

io

https

ide

算法

filter

int

post

range

import

写下你的评论吧 !

吐个槽吧,看都看了

会员登录 | 用户注册

推荐阅读

string
网页数据抓取与解析入门指南

本指南介绍了 `requests` 库的基本使用方法，详细解释了其七个主要函数。其中，`requests.request()` 是构建请求的基础方法，支持其他高级功能的实现。此外，我们还重点介绍了如何使用 `requests.get()` 方法来获取 HTML 网页内容，这是进行网页数据抓取和解析的重要步骤。通过这些基础方法，读者可以轻松上手并掌握网页数据抓取的核心技巧。 ... [详细]

蜡笔小新   2024-11-08 17:56:30

string
QT框架中事件循环机制及事件分发类详解

在QT框架中，QCoreApplication类作为事件循环的核心组件，为应用程序提供了基础的事件处理机制。该类继承自QObject，负责管理和调度各种事件，确保程序能够响应用户操作和其他系统事件。通过事件循环，QCoreApplication实现了高效的事件分发和处理，使得应用程序能够保持流畅的运行状态。此外，QCoreApplication还提供了多种方法和信号槽机制，方便开发者进行事件的定制和扩展。 ... [详细]

蜡笔小新   2024-11-08 17:43:20

string
NOIP2000单词接龙题目解析与学习心得

NOIP2000的单词接龙问题与常见的成语接龙游戏有异曲同工之妙。题目要求在给定的一组单词中，从指定的起始字母开始，构建最长的“单词链”。每个单词在链中最多可出现两次。本文将详细解析该题目的解法，并分享学习过程中的心得体会。 ... [详细]

蜡笔小新   2024-11-08 14:01:31

hash
技术日志：使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告

技术日志：使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告 ... [详细]

蜡笔小新   2024-11-07 14:33:19

string
利用GLSL在iOS上实现YV12到RGB的转换，并附带展示结果图像

本文介绍了如何在iOS平台上使用GLSL着色器将YV12格式的视频帧数据转换为RGB格式，并展示了转换后的图像效果。通过详细的技术实现步骤和代码示例，读者可以轻松掌握这一过程，适用于需要进行视频处理的应用开发。 ... [详细]

蜡笔小新   2024-11-06 19:18:22

string
探索资源访问的学习路径与方法

本文探讨了资源访问的学习路径与方法，旨在帮助学习者更高效地获取和利用各类资源。通过分析不同资源的特点和应用场景，提出了多种实用的学习策略和技术手段，为学习者提供了系统的指导和建议。 ... [详细]

蜡笔小新   2024-11-06 18:03:41

string
PHP服务接口的专业测试方法与实践

PHP服务接口的专业测试方法与实践 ... [详细]

蜡笔小新   2024-11-06 11:52:32

string
在Android 4.4中从相册选择图片并获取其路径的方法详解

在Android 4.4系统中，通过使用 `Intent` 对象并设置动作 `ACTION_GET_CONTENT` 或 `ACTION_OPEN_DOCUMENT`，可以从相册中选择图片并获取其路径。具体实现时，需要为 `Intent` 添加相应的类别，并处理返回的 Uri 以提取图片的文件路径。此方法适用于需要从用户相册中选择图片的应用场景，能够确保兼容性和用户体验。 ... [详细]

蜡笔小新   2024-11-06 11:02:36

function
2018 HDU 多校联合第五场 G题：Glad You Game（线段树优化解法）

题目链接：http://acm.hdu.edu.cn/showproblem.php?pid=6356在《Glad You Game》中，Steve 面临一个复杂的区间操作问题。该题可以通过线段树进行高效优化。具体来说，线段树能够快速处理区间更新和查询操作，从而大大提高了算法的效率。本文详细介绍了线段树的构建和维护方法，并给出了具体的代码实现，帮助读者更好地理解和应用这一数据结构。 ... [详细]

蜡笔小新   2024-11-08 19:17:23

string
深入解析Java多线程同步机制与应用

本文深入探讨了Java多线程环境下的同步机制及其应用，重点介绍了`synchronized`关键字的使用方法和原理。`synchronized`关键字主要用于确保多个线程在访问共享资源时的互斥性和原子性。通过具体示例，如在一个类中使用`synchronized`修饰方法，展示了如何实现线程安全的代码块。此外，文章还讨论了`ReentrantLock`等其他同步工具的优缺点，并提供了实际应用场景中的最佳实践。 ... [详细]

蜡笔小新   2024-11-08 16:11:26

install
精选Linux经典著作在数字图书馆展出

数字图书馆近期展出了一批精选的Linux经典著作，这些书籍虽然部分较为陈旧，但依然具有重要的参考价值。如需转载相关内容，请务必注明来源：小文论坛（http://www.xiaowenbbs.com）。 ... [详细]

蜡笔小新   2024-11-08 10:55:29

install
Java Web开发入门指南：第一篇教程

作为软件工程专业的学生，我深知课堂上教师讲解速度之快，很多时候需要课后自行消化和巩固。因此，撰写这篇Java Web开发入门教程，旨在帮助初学者更好地理解和掌握基础知识。通过详细记录学习过程，希望能为更多像我一样在基础方面还有待提升的学员提供有益的参考。 ... [详细]

蜡笔小新   2024-11-07 13:36:27

install
REST与RPC：选择哪种API架构风格？

在探讨REST与RPC这两种API架构风格的选择时，本文首先介绍了RPC（远程过程调用）的概念。RPC允许客户端通过网络调用远程服务器上的函数或方法，从而实现分布式系统的功能调用。相比之下，REST（Representational State Transfer）则基于资源的交互模型，通过HTTP协议进行数据传输和操作。本文将详细分析两种架构风格的特点、适用场景及其优缺点，帮助开发者根据具体需求做出合适的选择。 ... [详细]

蜡笔小新   2024-11-07 12:00:58

install
如何在Android中实现多点触控监听与交互优化

在Android开发中，实现多点触控功能需要使用`OnTouchListener`监听器来捕获触摸事件，并在`onTouch`方法中进行详细的事件处理。为了优化多点触控的交互体验，开发者可以通过识别不同的触摸手势（如缩放、旋转等）并进行相应的逻辑处理。此外，还可以结合`MotionEvent`类提供的方法，如`getPointerCount()`和`getPointerId()`，来精确控制每个触点的行为，从而提升用户操作的流畅性和响应性。 ... [详细]

蜡笔小新   2024-11-07 11:45:12

function
如何利用jQuery的JSONP技术实现跨域调用外部Web服务？

本文探讨了如何利用 jQuery 的 JSONP 技术实现跨域调用外部 Web 服务。通过详细解析 JSONP 的工作原理及其在 jQuery 中的应用，本文提供了实用的代码示例和最佳实践，帮助开发者解决跨域请求中的常见问题。 ... [详细]

蜡笔小新   2024-11-07 09:24:55

mobiledu2502926273

这个家伙很懒，什么也没留下！

Tags | 热门标签

cPlusPlus

solr

typescript

future

command

netty

dll

spring

callback

vba

substring

hashtable

php5

tags

uml

string

function

dockerfile

usb

c语言

install

merge

cookie

heatmap

hash

web3

iostream

controller

stream

client

RankList | 热门文章

1win7 64位安装mysql教程视频_64位Win7系统安装Mysql 5.7.22图文教程

2如何在网页标题栏加入logo图标？

3std::__gcd和std::gcd有什么区别？

4C#学习教程：Windows 7上任务栏中的.NET进度条分享

5Linux基本命令——cp、mv、rm、tree、mkdir、rmdir

6DockerFile部署lnmp+memcached+redis+mongodb开发环境for PHP（三）

7【C/C++基础】11_用户自定义数据类型

8剪邮票——两次DFS

9matlab 求矢量夹角_紫外特征吸光度/光谱斜率/一阶导数紫外光谱（S275295/S350400/SR）+matlab...

10将一些元素转换为int

11为什么会不需要else

12一文了解消息中间件RabbitMQ

13《计算机科学与工程导论：基于IoT和机器人的可视化编程实践方法第2版》一2.2 VIPLE IoT/机器人开发环境

14个人总结_软件工程课程——个人总结

15开发笔记:AJAX了解内容