阿里开源黑白图片上色算法DDColor的部署与测试并将模型转onnx后用c++推理

阿里开源黑白图片上色算法DDColor的部署与测试并将模型转onnx后用c++推理

文章目录

  • 阿里开源黑白图片上色算法DDColor的部署与测试并将模型转onnx后用c++推理
    • 简介
    • 环境部署
      • 下载源码
      • 安装环境
      • 下载模型
    • 测试一下
    • 看看效果
    • 模型转onnx
    • 测试一下生成的onnx模型
    • 看看效果
    • C++ 推理

简介

DDColor是一种基于深度学习的图像上色技术,它利用卷积神经网络(CNN)对黑白图像进行上色处理。该模型通常包含一个编码器和一个解码器,编码器提取图像的特征,解码器则根据这些特征生成颜色。DDColor模型能够处理多种类型的图像,并生成自然且逼真的颜色效果。它在图像编辑、电影后期制作以及历史照片修复等领域有广泛的应用。

环境部署

下载源码

git clone https://github.com/piddnad/DDColor.git

安装环境

conda create -n ddcolor python=3.9
conda activate ddcolor
pip install -r requirements.txt
python3 setup.py develop
pip install modelscope
pip install onnx
pip install onnxruntime

下载模型

这里下载
或者运行下面的脚本下载:

from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download('damo/cv_ddcolor_image-colorization', cache_dir='./modelscope')
print('model assets saved to %s'%model_dir)
#模型会被下载到modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt

测试一下

import argparse
import cv2
import numpy as np
import os
from tqdm import tqdm
import torch
from basicsr.archs.ddcolor_arch import DDColor
import torch.nn.functional as Fclass ImageColorizationPipeline(object):def __init__(self, model_path, input_size=256, model_size='large'):self.input_size = input_sizeif torch.cuda.is_available():self.device = torch.device('cuda')else:self.device = torch.device('cpu')if model_size == 'tiny':self.encoder_name = 'convnext-t'else:self.encoder_name = 'convnext-l'self.decoder_type = "MultiScaleColorDecoder"if self.decoder_type == 'MultiScaleColorDecoder':self.model = DDColor(encoder_name=self.encoder_name,decoder_name='MultiScaleColorDecoder',input_size=[self.input_size, self.input_size],num_output_channels=2,last_norm='Spectral',do_normalize=False,num_queries=100,num_scales=3,dec_layers=9,).to(self.device)else:self.model = DDColor(encoder_name=self.encoder_name,decoder_name='SingleColorDecoder',input_size=[self.input_size, self.input_size],num_output_channels=2,last_norm='Spectral',do_normalize=False,num_queries=256,).to(self.device)self.model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu'))['params'],strict=False)self.model.eval()@torch.no_grad()def process(self, img):self.height, self.width = img.shape[:2]# print(self.width, self.height)# if self.width * self.height < 100000:#     self.input_size = 256img = (img / 255.0).astype(np.float32)orig_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]  # (h, w, 1)# resize rgb image -> lab -> get grey -> rgbimg = cv2.resize(img, (self.input_size, self.input_size))img_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]img_gray_lab = np.concatenate((img_l, np.zeros_like(img_l), np.zeros_like(img_l)), axis=-1)img_gray_rgb = cv2.cvtColor(img_gray_lab, cv2.COLOR_LAB2RGB)tensor_gray_rgb = torch.from_numpy(img_gray_rgb.transpose((2, 0, 1))).float().unsqueeze(0).to(self.device)# (1, 2, self.height, self.width)output_ab = self.model(tensor_gray_rgb).cpu()# resize ab -> concat original l -> rgboutput_ab_resize = F.interpolate(output_ab, size=(self.height, self.width))[0].float().numpy().transpose(1, 2, 0)output_lab = np.concatenate((orig_l, output_ab_resize), axis=-1)output_bgr = cv2.cvtColor(output_lab, cv2.COLOR_LAB2BGR)output_img = (output_bgr * 255.0).round().astype(np.uint8)return output_imgdef main():parser = argparse.ArgumentParser()parser.add_argument('--model_path', type=str,default='pretrain/net_g_200000.pth')parser.add_argument('--input_size', type=int,default=512, help='input size for model')parser.add_argument('--model_size', type=str,default='large', help='ddcolor model size')args = parser.parse_args()colorizer = ImageColorizationPipeline(model_path=args.model_path, input_size=args.input_size, model_size=args.model_size)img = cv2.imread("./down.jpg")image_out = colorizer.process(img)cv2.imwrite("./downout.jpg", image_out)if __name__ == '__main__':main()
python test.py  --model_path=./modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt

看看效果

在这里插入图片描述

在这里插入图片描述
效果看起来非常的nice!

模型转onnx

import argparse
import cv2
import numpy as np
import os
from tqdm import tqdm
import torch
from basicsr.archs.ddcolor_arch import DDColor
import torch.nn.functional as Fclass ImageColorizationPipeline(object):def __init__(self, model_path, input_size=256, model_size='large'):self.input_size = input_sizeif torch.cuda.is_available():self.device = torch.device('cuda')else:self.device = torch.device('cpu')if model_size == 'tiny':self.encoder_name = 'convnext-t'else:self.encoder_name = 'convnext-l'self.decoder_type = "MultiScaleColorDecoder"if self.decoder_type == 'MultiScaleColorDecoder':self.model = DDColor(encoder_name=self.encoder_name,decoder_name='MultiScaleColorDecoder',input_size=[self.input_size, self.input_size],num_output_channels=2,last_norm='Spectral',do_normalize=False,num_queries=100,num_scales=3,dec_layers=9,).to(self.device)else:self.model = DDColor(encoder_name=self.encoder_name,decoder_name='SingleColorDecoder',input_size=[self.input_size, self.input_size],num_output_channels=2,last_norm='Spectral',do_normalize=False,num_queries=256,).to(self.device)print(model_path)self.model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu'))['params'],strict=False)self.model.eval()@torch.no_grad()def process(self, img):self.height, self.width = img.shape[:2]# print(self.width, self.height)# if self.width * self.height < 100000:#     self.input_size = 256img = (img / 255.0).astype(np.float32)orig_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]  # (h, w, 1)# resize rgb image -> lab -> get grey -> rgbimg = cv2.resize(img, (self.input_size, self.input_size))img_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]img_gray_lab = np.concatenate((img_l, np.zeros_like(img_l), np.zeros_like(img_l)), axis=-1)img_gray_rgb = cv2.cvtColor(img_gray_lab, cv2.COLOR_LAB2RGB)tensor_gray_rgb = torch.from_numpy(img_gray_rgb.transpose((2, 0, 1))).float().unsqueeze(0).to(self.device)output_ab = self.model(tensor_gray_rgb).cpu()  # (1, 2, self.height, self.width)# resize ab -> concat original l -> rgboutput_ab_resize = F.interpolate(output_ab, size=(self.height, self.width))[0].float().numpy().transpose(1, 2, 0)output_lab = np.concatenate((orig_l, output_ab_resize), axis=-1)output_bgr = cv2.cvtColor(output_lab, cv2.COLOR_LAB2BGR)output_img = (output_bgr * 255.0).round().astype(np.uint8)    return output_img@torch.no_grad()def expirt_onnx(self, img):self.height, self.width = img.shape[:2]img = (img / 255.0).astype(np.float32)orig_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]  # (h, w, 1)# resize rgb image -> lab -> get grey -> rgbimg = cv2.resize(img, (self.input_size, self.input_size))img_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]img_gray_lab = np.concatenate((img_l, np.zeros_like(img_l), np.zeros_like(img_l)), axis=-1)img_gray_rgb = cv2.cvtColor(img_gray_lab, cv2.COLOR_LAB2RGB)tensor_gray_rgb = torch.from_numpy(img_gray_rgb.transpose((2, 0, 1))).float().unsqueeze(0).to(self.device)mymodel = self.model.to('cpu')tensor_gray_rgb = tensor_gray_rgb.to('cpu')onnx_save_path = "color.onnx"torch.onnx.export(mymodel,  # 要导出的模型tensor_gray_rgb,  # 模型的输入onnx_save_path,  # 导出的文件路径export_params=True,  # 是否将训练参数导出opset_version=12,  # 导出的ONNX的操作集版本do_constant_folding=True,  # 是否执行常量折叠优化input_names=['input'],  # 输入张量的名称output_names=['output'],  # 输出张量的名称dynamic_axes={'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}})returndef main():parser = argparse.ArgumentParser()parser.add_argument('--model_path', type=str, default='pretrain/net_g_200000.pth')parser.add_argument('--input_size', type=int, default=512, help='input size for model')parser.add_argument('--model_size', type=str, default='large', help='ddcolor model size')args = parser.parse_args()colorizer = ImageColorizationPipeline(model_path=args.model_path, input_size=args.input_size, model_size=args.model_size)img = cv2.imread("./down.jpg")image_out = colorizer.expirt_onnx(img)# image_out = colorizer.process(img)# cv2.imwrite("./downout.jpg", image_out)if __name__ == '__main__':main()
python model2onnx.py  --model_path=./modelscope/damo/cv_ddcolor_image-colorization/pytorch_model.pt

测试一下生成的onnx模型

import onnxruntime
import cv2
import numpy as npdef colorize_image(input_image_path, output_image_path, model_path):input_image = cv2.imread(input_image_path)img = (input_image / 255.0).astype(np.float32)orig_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]  # (h, w, 1)img = cv2.resize(img, (512, 512))img_l = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)[:, :, :1]img_gray_lab = np.concatenate((img_l, np.zeros_like(img_l), np.zeros_like(img_l)), axis=-1)input_blob = cv2.cvtColor(img_gray_lab, cv2.COLOR_LAB2RGB)# Change data layout from HWC to CHWinput_blob = np.transpose(input_blob, (2, 0, 1))input_blob = np.expand_dims(input_blob, axis=0)  # Add batch dimension# Initialize ONNX Runtime Inference Sessionsession = onnxruntime.InferenceSession(model_path)# Perform inferenceoutput_blob = session.run(None, {'input': input_blob})[0]# Post-process the outputoutput_blob = np.squeeze(output_blob)  # Remove batch dimension# Separate ab channels# Change data layout from CHW to HWCoutput_ab = output_blob.transpose((1, 2, 0))# Resize to match input image sizeoutput_ab = cv2.resize(output_ab, (input_image.shape[1], input_image.shape[0]))output_lab = np.concatenate((orig_l, output_ab), axis=-1)# Convert LAB to BGRoutput_bgr = cv2.cvtColor(output_lab, cv2.COLOR_LAB2BGR)output_bgr = output_bgr*255# Save the colorized imagecv2.imwrite(output_image_path, output_bgr)# Define paths
input_image_path = 'down.jpg'
output_image_path = 'downout2.jpg'
model_path = 'color.onnx'# Perform colorization
colorize_image(input_image_path, output_image_path, model_path)
python testonnx.py

看看效果

在这里插入图片描述
嗯,模型没有问题,下面开始用c++推理

C++ 推理

#pragma once
#include <iostream>
#include <assert.h>
#include <vector>
#include <onnxruntime_cxx_api.h>
#include <opencv2/opencv.hpp>namespace LIANGBAIKAI_BASE_MODEL_NAME
{class ONNX_DDcolor{public:ONNX_DDcolor() : session(nullptr){};virtual ~ONNX_DDcolor() = default;/*初始化* @param model_path 模型* @param gpu_id 选择用那块GPU*/void Init(const char *model_path, int gpu_id = 0){env = Ort::Env(ORT_LOGGING_LEVEL_ERROR, "ONNX_DDcolor");Ort::SessionOptions session_options;// 使用五个线程执行op,提升速度session_options.SetIntraOpNumThreads(5);session_options.SetGraphOptimizationLevel(GraphOptimizationLevel::ORT_ENABLE_ALL);if (gpu_id >= 0){OrtCUDAProviderOptions cuda_option;cuda_option.device_id = gpu_id;session_options.AppendExecutionProvider_CUDA(cuda_option);}session = Ort::Session(env, model_path, session_options);return;}/**执行模型推理* @param src : 输入图* @param inputid : 输入id* @param outputid : 输出的id* @return 输出结果图*/cv::Mat Run(cv::Mat src, unsigned inputid = 0, unsigned outputid = 0, bool show_log = false){cv::Mat img;src.convertTo(img, CV_32FC3, 1.0/255.0);// 拷贝图片并将图片由 BGR 转为 LAB,分离出L通道cv::Mat orig_lab;cv::cvtColor(img, orig_lab, cv::COLOR_BGR2Lab);cv::Mat orig_l = orig_lab.clone();cv::extractChannel(orig_lab, orig_l, 0); // 分离出 L 通道cv::resize(img, img, cv::Size(512, 512));//将图片由RGB转为Lab,然后将ab通道用同尺寸的0矩阵代替,最后再将图片转回rgbcv::Mat img_lab;cv::cvtColor(img, img_lab, cv::COLOR_BGR2Lab);std::vector<cv::Mat> lab_planes;cv::split(img_lab, lab_planes);cv::Mat img_gray_lab = cv::Mat::zeros(img_lab.rows, img_lab.cols, CV_32FC3);std::vector<cv::Mat> img_channels = {lab_planes[0], cv::Mat::zeros(img_lab.rows, img_lab.cols, CV_32F), cv::Mat::zeros(img_lab.rows, img_lab.cols, CV_32F)};cv::merge(img_channels, img_gray_lab);// Convert LAB to RGBcv::Mat input_blob;cv::cvtColor(img_gray_lab, input_blob, cv::COLOR_Lab2RGB);//将input_blob送入神经网络输入,进行推理int64_t H = input_blob.rows;int64_t W = input_blob.cols;cv::Mat blob;cv::dnn::blobFromImage(input_blob, blob, 1.0 , cv::Size(W, H), cv::Scalar(0, 0, 0), false, true);// 创建tensorsize_t input_tensor_size = blob.total();std::vector<float> input_tensor_values(input_tensor_size);// overwrite input dimsstd::vector<int64_t> input_node_dims = GetInputOrOutputShape("input", inputid, show_log);input_node_dims[0] = 1;input_node_dims[2] = W;input_node_dims[3] = H;for (size_t i = 0; i < input_tensor_size; ++i){input_tensor_values[i] = blob.at<float>(i);// std::cout <<" " << input_tensor_values[i] ;}// std::cout << std::endl;// 查看输入的shapeif (show_log){std::cout << "shape:";for (auto &i : input_node_dims){std::cout << " " << i;}std::cout << std::endl;std::cout << "input_tensor_size: " << input_tensor_size << std::endl;}auto memory_info = Ort::MemoryInfo::CreateCpu(OrtDeviceAllocator, OrtMemTypeCPU);auto input_tensor = Ort::Value::CreateTensor<float>(memory_info, input_tensor_values.data(), input_tensor_size, input_node_dims.data(), input_node_dims.size());std::string input_name = GetInputOrOutputName("input", inputid, show_log);std::string output_name = GetInputOrOutputName("output", outputid, show_log);const char *inputname[] = {input_name.c_str()};   // 输入节点名const char *outputname[] = {output_name.c_str()}; // 输出节点名std::vector<Ort::Value> output_tensor = session.Run(Ort::RunOptions{nullptr}, inputname, &input_tensor, 1, outputname, 1);if (show_log){// 显示有几个输出的结果std::cout << "output_tensor_size: " << output_tensor.size() << std::endl;}// 获取output的shapeOrt::TensorTypeAndShapeInfo shape_info = output_tensor[0].GetTensorTypeAndShapeInfo();// 获取output的dimsize_t dim_count = shape_info.GetDimensionsCount();if (show_log){std::cout << dim_count << std::endl;}auto shape = shape_info.GetShape();if (show_log){// 显示输出的shape信息std::cout << "shape: ";for (auto &i : shape){std::cout << i << " ";}std::cout << std::endl;}// 取output数据float *f = output_tensor[0].GetTensorMutableData<float>();int output_width = shape[2];int output_height = shape[3];int size_pic = output_width * output_height;cv::Mat fin_img;std::vector<cv::Mat> abChannels(2);abChannels[0] = cv::Mat(output_height, output_width, CV_32FC1, f);abChannels[1] = cv::Mat(output_height, output_width, CV_32FC1, f + size_pic);merge(abChannels, fin_img);cv::Mat output_ab;cv::resize(fin_img, output_ab, cv::Size(src.cols, src.rows));// Concatenate L and ab channelsstd::vector<cv::Mat> output_channels = {orig_l, output_ab};cv::Mat output_lab;cv::merge(output_channels, output_lab);// Convert LAB to BGRcv::Mat output_bgr;cv::cvtColor(output_lab, output_bgr, cv::COLOR_Lab2BGR);output_bgr.convertTo(output_bgr, CV_8UC3, 255);return output_bgr;}private:/*获取模型的inputname 或者 outputname* @param input_or_output  选择要获取的是input还是output* @param id 选择要返回的是第几个name* @param show_log 是否打印信息* @return 返回name*/std::string GetInputOrOutputName(std::string input_or_output = "input", unsigned id = 0, bool show_log = false){size_t num_input_nodes = session.GetInputCount();size_t num_output_nodes = session.GetOutputCount();if (show_log){// 显示模型有几个输入几个输出std::cout << "num_input_nodes:" << num_input_nodes << std::endl;std::cout << "num_output_nodes:" << num_output_nodes << std::endl;}std::vector<const char *> input_node_names(num_input_nodes);std::vector<const char *> output_node_names(num_output_nodes);Ort::AllocatorWithDefaultOptions allocator;std::string name;if (input_or_output == "input"){Ort::AllocatedStringPtr input_name_Ptr = session.GetInputNameAllocated(id, allocator);name = input_name_Ptr.get();}else{auto output_name_Ptr = session.GetOutputNameAllocated(id, allocator);name = output_name_Ptr.get();}if (show_log){std::cout << "name:" << name << std::endl;}return name;}/*获取模型的input或者output的shape信息* @param input_or_output  选择要获取的是input还是output* @param id 选择要返回的是第几个shape* @param show_log 是否打印信息* @return 返回shape信息*/std::vector<int64_t> GetInputOrOutputShape(std::string input_or_output = "input", unsigned id = 0, bool show_log = false){std::vector<int64_t> shape;if (input_or_output == "input"){Ort::TypeInfo type_info = session.GetInputTypeInfo(id);auto tensor_info = type_info.GetTensorTypeAndShapeInfo();// 得到输入节点的数据类型ONNXTensorElementDataType type = tensor_info.GetElementType();if (show_log){std::cout << "input_type: " << type << std::endl;}shape = tensor_info.GetShape();if (show_log){std::cout << "intput shape:";for (auto &i : shape){std::cout << " " << i;}std::cout << std::endl;}}else{Ort::TypeInfo type_info_out = session.GetOutputTypeInfo(id);auto tensor_info_out = type_info_out.GetTensorTypeAndShapeInfo();// 得到输出节点的数据类型ONNXTensorElementDataType type_out = tensor_info_out.GetElementType();if (show_log){std::cout << "output type: " << type_out << std::endl;}// 得到输出节点的输入维度 std::vector<int64_t>shape = tensor_info_out.GetShape();if (show_log){std::cout << "output shape:";for (auto &i : shape){std::cout << " " << i;}std::cout << std::endl;}}return shape;}mutable Ort::Session session;Ort::Env env; };}

测试没有问题,成功!

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.rhkb.cn/news/316154.html

如若内容造成侵权/违法违规/事实不符,请联系长河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

Java集合框架-Collection-List-vector(遗留类)

目录 一、vector层次结构图二、概述三、底层数据结构四、常用方法五、和ArrayList的对比 一、vector层次结构图 二、概述 Vector类是单列集合List接口的一个实现类。与ArrayList类似&#xff0c;Vector也实现了一个可以动态修改的数组&#xff0c;两者最本质的区别在于——Vec…

Swish和H-Swish激活函数:提升模型训练效率

文章目录 Swish激活函数H-Swish激活函数实现总结参考 在深度学习领域&#xff0c;激活函数是神经网络中的关键组成部分&#xff0c;它决定了网络的输出和性能。近年来&#xff0c;研究人员提出了许多新的激活函数&#xff0c;其中Swish激活函数因其独特的性能优势而备受关注。这…

gateway全局token过滤器

添加gateway依赖 <dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-gateway</artifactId></dependency>创建一个tokenFilter 实现全局过滤器GlobalFilter,并且实现fitler方法 Value("${…

基于SpringBoot的合家云社区物业管理平台 - 项目介绍

合家云社区物业管理平台 2.合家云需求&设计 2.1 项目概述 2.1.1 项目介绍 合家云社区物业管理平台是一个全新的 ”智慧物业解决方案“&#xff0c;是一款互联网的专业社区物业管理系统。平台通过社区资产管理、小区管理、访客管理、在线报修、意见投诉等多种功能模块&a…

[iOS]组件化开发

一、组件化开发基础 1.组件定义 在软件开发中&#xff0c;一个组件是指一个独立的、可替换的软件单元&#xff0c;它封装了一组相关的功能。组件通过定义的接口与外界交互&#xff0c;并且这些接口隔离了组件内部的实现细节。在Swift语言中&#xff0c;组件可以是一个模块、一…

基于arcpro3.0.2版的使用深度学习检测对象之椰子树

基于arcpro3.0.2版的使用深度学习检测对象之椰子树 GPU显卡Nivda 1080 训练模型图 (四)检测对象之椰子树 使用深度学习检测对象 打开 detect objects using deep learning,参数 输入栅格为要检测的影像 模型定位为上一步输出的.emd文件 cpu模式Max Overlap Ratio0.4 运行时间…

百面算法工程师 | 分类和聚类

目录 6.1 为什么正确率有时不能有效评估分类算法&#xff1f; 6.2 什么样的分类器最好&#xff1f; 6.3 什么是聚类&#xff0c;你知道哪些聚类算法&#xff1f; 6.4 K-Means聚类算法如何调优? 6.5 K-Means聚类算法如何选择初始点? 6.6 K-Means聚类聚的是特征还是样本 …

服务器数据恢复—StorNext文件系统下raid5阵列数据恢复案例

服务器数据恢复环境&#xff1a; 昆腾某型号存储&#xff0c;8个存放数据的存储柜1个存放元数据的存储柜。 元数据存储&#xff1a;8组RAID1阵列1组RAID10阵列4个全局热备硬盘。 数据存储&#xff1a;32组RAID5阵列&#xff0c;划分2个存储系统。 服务器故障&#xff1a; 数据…

c++初阶——类和对象(中)

大家好&#xff0c;我是小锋&#xff0c;我们今天继续来学习类和对象。 类的6个默认成员函数 我们想一想如果一个类什么都没有那它就是一个空类&#xff0c;但是空类真的什么都没有吗&#xff1f; 其实并不是&#xff0c;任何类在什么都不写时&#xff0c;编译器会自动生成以…

武汉星起航:跨境电商的领航者,全方位孵化助力中国卖家出海

在数字化浪潮的推动下&#xff0c;跨境电商行业蓬勃发展&#xff0c;成为国内外商家争相涌入的新蓝海。武汉星起航电子商务有限公司&#xff0c;作为自营亚马逊跨境电商及卖家孵化服务的佼佼者&#xff0c;以其专业的团队、丰富的经验和卓越的服务品质&#xff0c;在行业中脱颖…

如何一个人,一边上班一边做抖音小店?23岁的他告诉你答案

大家好&#xff0c;我是电商笨笨熊 做抖音小店可以兼职去做吗&#xff1f; 可以。 一个不需要自备货源、自己进货发货也不需要自己直播带货的项目&#xff0c;抖音小店的各方面操作都相比其他传统电商来说更适合普通人做。 换句话说&#xff0c;只要掌握对方法&#xff0c;…

新书推荐机器学习大数据平台的构建、任务实现与数据治理

在大数据与机器学习日新月异的今天&#xff0c;构建稳定、安全、可扩展的数据平台已成为企业和研究机构的迫切需求。这本书应运而生&#xff0c;提供了详尽且实用的指南&#xff0c;帮助读者在云计算环境中构建、优化和治理大数据平台。 作者以清晰明了的写作风格&#xff0c;…

会计稳健性Cscore模型(2000-2022年)

01、数据介绍 会计稳健性是指在财务报告中&#xff0c;对损失和收益的确认存在不对称的延迟。具体来说&#xff0c;对于损失或坏消息&#xff0c;企业应尽早确认&#xff1b;而对于收益或好消息&#xff0c;企业应延迟确认。这种稳健的会计处理方式有助于提高财务报告的质量&a…

前端实现将二进制文件流,并下载为excel文件

目录 一、关于二进制流二、项目实践三、常见问题及解决 一、关于二进制流 含义&#xff1a;二进制流是一种计算机文件格式&#xff0c;它的数据以二进制形式存储&#xff0c;与文本文件不同。 二进制文件可以包含任意类型的数据&#xff0c;例如&#xff1a;图像、音频、视频…

Unreal Engine动态添加Button实例

在控件蓝图中添加容器&#xff0c;注意命名不要有中文 C代码中找到容器实例 1 2 3 4 5 6 7 8 UVerticalBox* verticalBox Cast<UVerticalBox>(CurrentWidget->GetWidgetFromName(TEXT("VerticalBox_0"))); if (verticalBox ! nullptr) { UScrollBox* …

【海思Hi3516CV610】是面向新一代视频编解码标准、网络安全和隐私保护、人工智能行业应用方面的IPC SoC

海思Hi3516CV610是面向新一代视频编解码标准、网络安全和隐私保护、人工智能行业应用方面的IPC SoC&#xff0c;除了开发普通摄像机&#xff0c;还可以打造极具竞争力的枪球一体机、双目长短焦摄像机产品&#xff1b; 处理器内核: 支持ARM Cortex-A7 MP2 时钟速率950MHz 支持…

Redis线程模型及性能优化概述

redis线程模型&#xff1a; 网络模块命令处理 redis的性能&#xff1a; 一个取决于物理内存&#xff0c;另一个是对于socket请求的处理速度。 4.0以前 单线程模式 请求流程&#xff1a;对于一个请求&#xff0c;线程会根据操作产生相应的事件&#xff08;读&#xff0c;写事…

【EI会议|稳定检索】2024年航空航天、空气动力学与自动化工程国际会议(ICAAAE 2024)

2024 International Conference on Aerospace, Aerodynamics, and Automation Engineering 一、大会信息 会议名称&#xff1a;2024年航空航天、空气动力学与自动化工程国际会议 会议简称&#xff1a;ICAAAE 2024 收录检索&#xff1a;提交Ei Compendex,CPCI,CNKI,Google Schol…

C语言 | Leetcode C语言题解之第50题Pow(x,n)

题目&#xff1a; 题解&#xff1a; double myPow(double x, int n){if(n 0 || x 1){return 1;}if(n < 0){return 1/(x*myPow(x,-(n1)));}if(n % 2 0){return myPow(x*x,n/2);}else{return x*myPow(x*x,(n - 1)/2);} }

前端发送请求,显示超时取消

前端发送请求&#xff0c;显示超时取消 问题说明&#xff1a;后台接口请求60s尚未完成&#xff0c;前端控制台显示取消&#xff08;canceled&#xff09; 原因 1、前端设置60s超时则取消 2、后台接口响应时间过长&#xff0c;过长的原因统计的数据量多&#xff08;实际也才17…