【论文共读】【翻译】ShuffleNet v1:一种用于移动设备的极其高效的卷积神经网络

[原文地址] https://arxiv.org/pdf/1707.01083
[翻译]

0. 摘要

我们介绍了一种计算效率极高的CNN架构,称为ShuffleNet,该架构专为计算能力非常有限的移动设备(例如,10-150 MFLOPs)而设计。新架构利用了两个新操作,即逐点组卷积和信道随机,在保持准确性的同时大大降低了计算成本。在ImageNet分类和MS COCO目标检测上的实验表明,在40 MFLOPs的计算预算下,ShuffleNet的性能优于其他结构,例如,在ImageNet分类任务上,top-1误差(绝对值为7.8%)低于最近的MobileNet [12]。在基于 ARM 的移动设备上,ShuffleNet 的实际加速比 AlexNet 高出 ∼13×,同时保持了相当的精度。

1. 简介:

构建更深入、更大规模的卷积神经网络(CNNs)是解决主要视觉识别任务的主要趋势[21,9,33,5,28,24]。最准确的 CNN 通常有数百层和数千个通道 [9, 34, 32, 40],因此需要以数十亿次 FLOP 进行计算。本报告探讨了相反的极端情况:在数十或数百MFLOPs的非常有限的计算预算中追求最佳精度,重点关注无人机、机器人和智能手机等常见移动平台。请注意,许多现有的工作 [16, 22, 43, 42, 38, 27] 侧重于剪枝、压缩或低比特,代表“基本”网络架构。在这里,我们的目标是探索一种高效的基本架构,专门为我们所需的计算范围而设计。

我们注意到,由于密集 1 × 1 卷积的成本高昂,Xception [3] 和 ResNeXt [40] 等最先进的基本架构在极小的网络中效率降低。我们建议使用逐点群卷积减少 1 × 1 卷积的计算复杂度。为了克服群卷积带来的副作用,我们提出了一种新颖的通道洗牌操作,以帮助信息在特征通道之间流动。基于这两种技术,我们构建了一种高效的架构,称为 ShuffleNet。与 [30, 9, 40] 等流行的结构相比,对于给定的计算复杂度预算,我们的 ShuffleNet 允许更多的特征图通道,这有助于编码更多信息,对于非常小的网络的性能尤其重要。

我们在具有挑战性的ImageNet分类[4,29]和MS COCO对象检测[23]任务中评估了我们的模型。一系列的对照实验表明,我们的设计原则是有效的,并且比其他结构具有更好的性能。与最先进的架构MobileNet[12]相比,ShuffleNet在40 MFLOPs的水平上实现了显著的卓越性能,例如,在40 MFLOPs的水平上,ImageNet top-1误差绝对降低了7.8%。

我们还研究了真实硬件(即现成的基于 ARM 的计算核心)上的加速。与AlexNet [21]相比,ShuffleNet模型实现了∼13×的实际加速(理论加速为18×),同时保持了相当的精度。

2. 相关工作

高效的模型设计
近年来,深度神经网络在计算机视觉任务中取得了成功[21,36,28],其中模型设计起着重要作用。在嵌入式设备上运行高质量深度神经网络的需求日益增长,这促进了对高效模型设计的研究[8]。例如,GoogLeNet [33]与简单地堆叠卷积层相比,以更低的复杂性增加了网络的深度。SqueezeNet [14] 在保持准确性的同时显著减少了参数和计算量。ResNet [9, 10] 利用高效的瓶颈结构实现了令人印象深刻的性能。SENet [13] 引入了一个架构单元,该单元以较小的计算成本提高了性能。与我们并行,一个非常临近的工作[46]采用强化学习和模型搜索来探索高效的模型设计。所提出的移动NASNet模型与我们的对应ShuffleNet模型具有相当的性能(26.0% @ 564 MFLOPs,而ImageNet分类误差为26.3% @ 524 MFLOPs)。但是[46]没有报告在极小的模型上的结果(例如,复杂度小于150 MFLOPs),也没有评估移动设备上的实际推理时间。

分组卷积
分组卷积的概念最初是在AlexNet[21]中引入的,用于在两个GPU上分布模型,在ResNeXt [40]中已经很好地证明了其有效性。Xception[3]中提出的深度可分离卷积概括了Inception系列[34,32]中可分离卷积的思想。最近,MobileNet [12] 利用深度可分离卷积,在轻量级模型中获得了最先进的结果。我们的工作以一种新的形式推广了分组卷积和深度可分离卷积。

信道随机操作
据我们所知,尽管CNN库cuda-convnet [20]支持“随机稀疏卷积”层,相当于随机通道洗牌后跟一组卷积层,但在以往关于高效模型设计的工作中,信道洗牌操作的思想很少被提及。这种“随机洗牌”操作的目的各不相同,后来很少被利用。最近,另一项并发工作[41]也采用了这种思想进行两阶段卷积。然而,[41]并未专门研究通道洗牌本身的有效性及其在微小模型设计中的应用。

模型加速:
这个方向旨在加速推理,同时保持预训练模型的准确性。修剪网络连接 [6, 7] 或通道 [38] 可减少预训练模型中的冗余连接,同时保持性能。文献中提出了量化[31, 27, 39, 45, 44]和因式分解[22, 16, 18, 37],以减少计算中的冗余,加快推理速度。在不修改参数的情况下,通过FFT [25, 35]和其他方法[2]实现的优化卷积算法在实践中减少了时间消耗。Distilling [11] 将知识从大模型转移到小模型,这使得训练小模型变得更容易。

Channel Shuffle with two stacked group convolution

3. 方法

3.1 基于分组卷积的信道随机操作
现代卷积神经网络[30, 33, 34, 32, 9, 10]通常由具有相同结构的重复构建块组成。其中,最先进的网络,如Xception [3]和ResNeXt [40],在构建块中引入了高效的深度可分离卷积或群卷积,以在表示能力和计算成本之间取得很好的权衡。然而,我们注意到,这两种设计都没有完全考虑 1 × 1 卷积(在 [12] 中也称为逐点卷积),这需要相当大的复杂性。例如,在 ResNeXt [40] 中,只有 3 × 3 层配备了群卷积。因此,对于 ResNeXt 中的每个残差单元,逐点卷积占据了 93.4% 的乘法加法(基数 = 32,如 [40] 中所示)。在微小网络中,昂贵的逐点卷积导致满足复杂性约束的通道数量有限,这可能会严重损害精度。

为了解决这个问题,一个简单的解决方案是Y 通道稀疏连接,例如分组卷积,也在 1 层× 1 层上。通过确保每个卷积仅在相应的输入通道组上运行,分组卷积可显著降低计算成本。但是,如果多个组卷积堆叠在一起,则有一个副作用:某个通道的输出仅来自一小部分输入通道。图1(a)说明了两个堆叠群卷积层的情况。很明显,某个组的输出只与该组内的输入相关。此属性会阻止通道组之间的信息流动,并削弱表示性。

如果我们允许组卷积从不同的组获取输入数据(如图1(b)所示),则输入和输出通道将完全相关。具体来说,对于从前一个组层生成的特征图,我们可以先将每个组中的通道划分为几个子组,然后为下一层的每个组提供不同的子组。这可以通过通道随机操作高效而优雅地实现(图 1 (c)):假设一个卷积层,其输出有 g 个组,其输出有 g 个× n 个通道;我们首先将输出通道维度重塑为 (g, n),转置然后将其展平作为下一层的输入。请注意,即使两个卷积具有不同数量的组,该操作仍会生效。此外,信道随机播放也是可微分的,这意味着它可以嵌入到网络结构中进行端到端训练。

通道随机操作使得构建具有多个组卷积层的更强大的结构成为可能。在下一小节中,我们将介绍一个具有通道随机和组卷积的高效网络单元。
ShuffleNet Units

3.2 ShuffleNet 单元
利用信道洗牌操作的优势,我们提出了一种专为小型网络设计的新型ShuffleNet单元。我们从图2(a)中瓶颈单元[9]的设计原理开始。它是一个残余块。在其残差分支中,对于 3 × 3 层,我们在瓶颈特征图上应用了计算经济的 3 × 3 深度卷积 [3]。然后,我们用逐点组卷积替换前 1 层× 1 层,然后进行通道洗牌操作,形成一个 ShuffleNet 单元,如图 2 (b) 所示。第二个逐点组卷积的目的是恢复通道维度以匹配快捷路径。为简单起见,我们不会在第二层逐点层之后应用额外的通道随机播放操作,因为它会产生可比的分数。批量归一化 (BN) [15] 和非线性的使用与 [9, 40] 类似,不同之处在于我们没有像 [3] 所建议的那样在深度卷积后使用 ReLU。至于大步应用 ShuffleNet 的情况,我们只需进行两个修改(见图 2 (c)):(i) 在快捷路径上添加 3 × 3 的平均池化;(ii)用信道串联代替元素加法,这使得扩大信道维度变得容易,而额外的计算成本很小。

由于具有通道随机播放的逐点组卷积,可以有效地计算 ShuffleNet 单元中的所有分量。与ResNet [9](瓶颈设计)和ResNeXt [40]相比,在相同设置下,我们的结构复杂度更低。例如,给定输入大小 c × h × w 和瓶颈通道 m,ResNet 单元需要 hw(2cm + 9m2 ) FLOPs,而 ResNeXt 有 hw(2cm + 9m2/g) FLOPs,而我们的 ShuffleNet 单元只需要 hw(2cm/g + 9m) FLOPs,其中 g 表示卷积的组数。换句话说,给定计算预算,ShuffleNet 可以使用更广泛的特征图。我们发现这对于小型网络至关重要,因为小型网络通常没有足够的通道来处理信息。此外,在 ShuffleNet 中,深度卷积仅在瓶颈特征图上执行。尽管深度卷积通常具有非常低的理论复杂度,但我们发现很难在低功耗移动设备上有效实现,这可能是由于与其他密集操作相比,计算/内存访问比率较差。[3]中也提到了这样的缺点,它有一个基于TensorFlow [1]的运行时库。在 ShuffleNet 单元中,我们故意仅在瓶颈上使用深度卷积,以尽可能防止开销。

3.3 网络架构
基于 ShuffleNet 单元构建,我们在表 1 中展示了整体的 ShuffleNet 架构。所提出的网络主要由一堆 ShuffleNet 单元组成,这些单元分为三个阶段。每个阶段中的第一个构建块以步幅 = 2 应用。一个阶段内的其他超参数保持不变,对于下一个阶段,输出通道将增加一倍。与 [9] 类似,我们将瓶颈通道数设置为每个 ShuffleNet 输出通道数的 1/4 单位。我们的目的是提供一个尽可能简单的参考设计,尽管我们发现进一步的超参数调优可能会产生更好的结果。

在 ShuffleNet 单元中,组号 g 控制逐点卷积的连接稀疏性。表 1 探讨了不同的组数,我们调整了输出通道,以确保总计算成本大致保持不变 (∼140 MFLOPs)。显然,在给定的复杂度约束下,较大的组数会导致更多的输出通道(因此需要更多的卷积滤波器),这有助于编码更多信息,尽管由于相应的输入通道有限,它也可能导致单个卷积滤波器的退化。在第 4.1.1 节中,我们将研究这个数字在不同计算约束下的影响。

为了将网络定制为所需的复杂性,我们可以简单地在通道数量上应用比例因子 s。例如,我们将表 1 中的网络表示为“ShuffleNet 1×”,则“ShuffleNet s×”表示将 ShuffleNet 1× 中的滤波器数量缩放 s 倍,因此总体复杂度大约是 ShuffleNet 1× 的 s 2 倍。

ShuffleNet architecture

4. 实验

我们主要在ImageNet 2012分类数据集[29,4]上评估我们的模型。我们遵循 [40] 中使用的大部分训练设置和超参数,但有两个例外:(i) 我们将权重衰减设置为 4e-5 代替1e-4 并使用线性衰减学习率策略(从 0.5 降低到 0);(ii) 我们使用稍微不那么激进的规模增强进行数据预处理。[12]中也引用了类似的修改,因为这种小型网络通常遭受欠拟合而不是过拟合。在 4 个 GPU 上训练模型进行 3×105 次迭代需要 1 到 2 天,其批处理大小设置为 1024。作为基准测试,我们比较了ImageNet验证集上的单次裁剪top-1性能,即从256×输入图像裁剪224×224个中心视图并评估分类精度。我们对所有模型使用完全相同的设置,以确保公平的比较。

4.1 消融研究
ShuffleNet的核心思想在于逐点组卷积和通道洗牌操作。在本小节中,我们将分别评估它们

4.1.1 逐点群卷积
为了评估逐点组卷积的重要性,我们比较了相同复杂度的 ShuffleNet 模型,其组数范围从 1 到 8。如果组数等于 1,则不涉及逐点组卷积,然后 ShuffleNet 单元变为“类似 Xception”[3] 结构。为了更好地理解,我们还将网络的宽度扩展到 3 种不同的复杂度,并分别比较它们的分类性能。结果如表2所示。

从结果中,我们看到具有群卷积 (g > 1) 的模型始终比没有逐点组卷积 (g = 1) 的模型表现更好。较小的模型往往从组中获益更多。例如,对于 ShuffleNet 1×最佳条目 (g = 8) 比对应条目高 1.2%,而对于 ShuffleNet 0.5× 和 0.25×差距分别变为 3.5% 和 4.4%。请注意,对于给定的复杂性约束,群卷积允许更多的特征图通道,因此我们假设性能增益来自更广泛的特征图,这有助于编码更多信息。此外,较小的网络涉及更薄的特征图,这意味着它从扩大的特征图中受益更多。

表2还显示,对于某些模型(例如ShuffleNet 0.5×),当组数变得相对增加时(例如 g = 8),分类分数饱和甚至下降。随着组数的增加(因此特征图更宽),每个卷积滤波器的输入通道变得更少,这可能会损害表示能力。有趣的是,我们还注意到,对于较小的模型(如 ShuffleNet 0.25×较大的组数往往能始终如一地获得更好的结果,这表明更广泛的特征图为较小的模型带来了更多好处。
在这里插入图片描述
ShuffleNet vs. MobileNet

4.1.2 频道随机播放与无随机播放
随机操作的目的是使能多个组卷积层的跨组信息流。表 3 比较了有/没有通道随机播放的 ShuffleNet 结构(例如,组数设置为 3 或 8)的性能。评估是在三种不同的复杂程度下进行的。很明显,频道随机播放会持续提升不同设置的分类分数。特别是当组数相对较大(例如g = 8)时,具有信道随机性的模型明显优于对应模型,这表明了跨组信息交换的重要性

4.2. 与其他结构单元的比较
VGG [30]、ResNet [9]、GoogleNet [33]、ResNeXt [40] 和 Xception [3] 中的最新领先卷积单元在大型模型(例如 ≥ 1GFLOPs)中追求最先进的结果,但没有充分探索低复杂度条件。在本节中,我们将调查各种构建块,并在相同的复杂性约束下与 ShuffleNet 进行比较。为了公平比较,我们使用表 1 中所示的整体网络架构。我们将第 2-4 阶段的 ShuffleNet 单元替换为其他结构,然后调整通道数量以确保复杂性保持不变。我们探索的结构包括:

  • 像VGG一样。遵循VGG网络[30]的设计原则,我们使用两层3×3卷积作为基本构建块。与 [30] 不同,我们在每次卷积后添加一个批量归一化层 [15],以使端到端训练更容易。
  • ResNet的。我们在实验中采用了“Bottleneck”设计,这在[9]中得到了更有效的证明。与 [9] 相同,瓶颈比率 1 也是 1
  • Xception 类似网络。[3]中提出的原始结构涉及到不同阶段的花哨设计或超参数,我们发现在小型模型上很难进行公平的比较。取而代之的是,我们从 ShuffleNet 中删除了逐点组卷积和通道洗牌操作(也等效于 g = 1 的 ShuffleNet)。派生的结构与[3]中的“深度可分离卷积”思想相同,在这里称为类似Xception的结构
  • ResNeXt。我们使用 [40] 中建议的基数 = 16 和bottleneck 比率 = 1 : 2 的设置。我们还探索了其他设置,例如 bottleneck 比率 = 1:4,并得到了类似的结果。

我们使用完全相同的设置来训练这些模型。结果如表4所示。我们的 ShuffleNet 模型在不同的复杂性下明显优于大多数其他模型。有趣的是,我们发现特征图通道与分类精度之间存在经验关系。例如,在38 MFLOPs复杂度下,类VGG、ResNet、ResNeXt、Xception、ShuffleNet模型的Stage 4(见表1)的输出通道分别为50、192、192、288、576,与准确性的提高。由于 ShuffleNet 的高效设计,我们可以在给定的计算预算下使用更多通道,因此通常会产生更好的性能.

请注意,上述比较不包括GoogleNet或Inception系列[33,34,32]。我们发现为小型网络生成这样的 Inception 结构并非易事,因为 Inception 模块的原始设计涉及太多的超参数。作为参考,第一个GoogleNet版本[33]具有31.3%的top-1误差,代价为1.5 GFLOPs(见表6)。更复杂的Inception版本[34,32]更准确,但是,复杂性显着增加。最近,Kim等人提出了一种名为PVANET[19]的轻量级网络结构,该结构采用Inception单元。我们重新实现的PVANET(输入大小为224×224)的分类误差为29.7%,计算复杂度为557 MFLOPs,而我们的ShuffleNet 2x模型(g = 3)在524 MFLOPs的计算复杂度为26.3%(见表6)。

4.3 与MobileNets和其他框架的比较
最近,Howard等人提出了MobileNets[12],主要关注移动设备的高效网络架构。MobileNet 从 [3] 中采用了深度可分离卷积的思想,并在小型模型上取得了最先进的结果

表 5 比较了各种复杂度级别的分类分数。很明显,我们的 ShuffleNet 模型在所有复杂性方面都优于 MobileNet。尽管我们的 ShuffleNet 网络是专门为小型模型(< 150 MFLOP)设计的,但我们发现它仍然比 MobileNet 更好.

4.4. 泛化能力
为了评估迁移学习的泛化能力,我们在 MS COCO 对象检测任务上测试了我们的 ShuffleNet 模型 [23]。我们采用 Faster-RCNN [28] 作为检测框架,并使用公开发布的 Caffe 代码 [28, 17] 进行训练,默认设置如下。与[12]类似,模型在COCO train+val数据集上训练,不包括5000张minival图像,并在minival集上进行测试。表 7 显示了在两种输入分辨率下训练和评估的结果的比较。比较 ShuffleNet 2× 与MobileNet, 其复杂度为(524 对 569 MFLOP),我们的 ShuffleNet 2× 在两种分辨率上都大大超过了 MobileNet;我们的 ShuffleNet 1× 在 600× 分辨率上也取得了与 MobileNet 相当的结果,但复杂度降低了 ∼4×。我们推测,这一显著的收益部分归功于 ShuffleNet 的简单架构设计,没有花里胡哨。

4.5. 实际加速评估
最后,我们评估了ShuffleNet模型在具有ARM平台的移动设备上的实际推理速度。尽管具有较大组数(例如 g = 4 或 g = 8)的 ShuffleNet 通常具有更好的性能,但我们发现它在当前的实现中效率较低。从经验上讲,g = 3 通常在精度和实际推理时间之间有适当的权衡。如表8所示,该测试利用了三种输入分辨率。由于内存访问和其他开销,我们发现理论复杂度每降低 4×通常会导致实现的实际加速 ∼2.6×。尽管如此,与AlexNet [21]相比,我们的ShuffleNet 0.5×模型在相当的分类精度下(理论加速比为18×)仍然实现了∼13×的实际加速,这比以前的AlexNet级别的模型或加速方法(如[14, 16, 22, 42, 43, 38])要快得多。

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/380264.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

STM32 CAN外设(基于STMF103C8T6)

STM32内置bxCAN外设&#xff08;CAN控制器)&#xff0c;支持CAN2.0A和2.0B&#xff0c;可以自动发送CAN报文和按照过滤器自动接收指定CAN报文&#xff0c;程序只需处理报文数据而无需关注总线的电平细节 波特率最高可达1兆位/秒3个可配置优先级的发送邮箱2个3级深度的接…

AI算法24-决策树C4.5算法

目录 决策树C4.5算法概述 决策树C4.5算法简介 决策树C4.5算法发展历史 决策树C4.5算法原理 信息熵&#xff08;Information Entropy&#xff09; 信息增益&#xff08;Information Gain&#xff09; 信息增益比&#xff08;Gain Ratio&#xff09; 决策树C4.5算法改进 …

【笔记:3D航路规划算法】一、随机搜索锚点(python实现,讲解思路)

目录 关键概念3D路径规划算法1. A*算法2. 快速随机锚点1. 初始化&#xff1a;2. 实例化搜索算法&#xff1a;3. 路径生成&#xff1a;4. 绘制图像&#xff1a; 3D路径规划是在三维空间中寻找从起点到终点的最短或最优路径的一种技术。它广泛应用于无人机导航、机器人运动规划、…

我去,怎么http全变https了

项目场景&#xff1a; 在公司做的一个某地可视化项目。 部署采用的是前后端分离部署&#xff0c;图片等静态资源请求一台minio服务器。 项目平台用的是http 图片资源的服务器用的是https 问题描述 在以https请求图片资源时&#xff0c;图片请求成功报200。 【现象1】: 继图…

阿里云DSW实例中安装并运行Neo4J

想尝试使用大模型对接Neo4J&#xff0c;在阿里云DSW实例中安装了Neo4J&#xff0c;却无法通过本地浏览器访问在DSW实例中运行的Neo4J。尝试了改neo4j.conf文件&#xff0c;以及添加专用网络的公共IP地址等方法&#xff0c;均没有成功。最后决定直接在服务器的命令行进行各种Cyp…

K8S私有云裸金属服务器负载均衡器OpenELB——筑梦之路

OpenELB介绍 OpenELB 是一个专为裸机 Kubernetes 集群设计的开源负载均衡器实现。 在云服务环境中的 Kubernetes 集群里&#xff0c;通常可以用云服务提供商提供的负载均衡服务来暴露 Service&#xff0c;但是在本地没办法这样操作。而 OpenELB 可以让用户在裸金属服务器、边缘…

2-36 基于matlab的流行学习算法程序

基于matlab的流行学习算法程序。通过GUI的形式将MDS、PCA、ISOMAP、LLE、Hessian LLE、Laplacian、Dissusion MAP、LTSA八种算法。程序以可视化界面进行展示&#xff0c;可直接调用进行分析。多种案例举例说明八种方法优劣&#xff0c;并且可设置自己数据进行分析。程序已调通&…

【保姆级】Python项目部署到Linux生产环境(uwsgi+python+flask+nginx服务器)

1.安装python 我这里是3.9.5版本 安装依赖&#xff1a; yum install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gcc make -y 根据自己的需要下载对应的python版本&#xff1a; cd /usr/local wget https://www.python.or…

全面了解不同GPU算力型号的价格!

这两年人工智能&#xff08;AI&#xff09;、机器学习&#xff08;ML&#xff09;、深度学习和高性能计算&#xff08;HPC&#xff09;领域的快速发展&#xff0c;GPU算力已成为不可或缺的资源。企业、研究机构乃至个人开发者越来越依赖于GPU加速计算来处理大规模数据集和复杂模…

普中51单片机:LED点阵屏组成结构及实现方法详解(九)

文章目录 引言什么是LED点阵屏&#xff1f;工作原理74HC595移位寄存器基本引脚作用级联工作原理 电路图代码演示——16*16LED点阵屏轮播点亮每行LED代码演示——显示数字0代码演示——16*16游动字幕显示 引言 LED点阵屏作为一种广泛应用于现代显示技术的设备&#xff0c;因其能…

P1-AI产品经理--九五小庞

产品经理的定位 AI基于现有业务挖掘AI应用场景&#xff0c;服务提供商选择及算法定制等&#xff0c;配合已有产品完成整体产品工工资基于从事医疗行业的考虑&#xff0c;我们走的应该是AI产品经理&#xff08;软件型&#xff09; AI产品经理&#xff08;行业型&#xff09; AI…

《0基础》学习Python——第十九讲__爬虫\<2>

一、用get请求爬取一般网页 首先由上节课我们可以找到URL、请求方式、User-Agent以及content-type 即&#xff1a;在所在浏览器页面按下F12键&#xff0c;之后点击网路-刷新&#xff0c;找到第一条双击打开标头即可查看上述所有内容&#xff0c;将上述URL、User-Agent所对应的…

Tita的OKR:高端制造行业的OKR案例

高端设备制造行业的发展趋势&#xff1a; 产业规模持续扩大&#xff1a;在高技术制造业方面&#xff0c;航空、航天器及设备制造业、电子工业专用设备制造等保持较快增长。新能源汽车保持产销双增&#xff0c;新材料新产品生产也高速增长。 标志性装备不断突破&#xff1a;例如…

【Linux网络】epoll模型构建Reactor_Tcp服务器{协议/客户端/bind/智能指针}

文章目录 1.std::enable_shared_from_this<TcpServer>2.std::bind3.std::make_shared4.std::shared_ptrstd::shared_ptr 和 std::weak_ptr配合使用 5.剖析代码6.整体代码Calculator.hppClientCal.ccCMakeLists.txtCommon.hppEpoller.hppLog.hppMain.ccnocopy.hppProtocol…

Qt实现仿微信在线聊天工具(服务器、客户端)V1_ 04

上一篇实现了客户端与服务器的通信,这一篇继续实现相关功能 本章内容 服务器与数据库的连接通信格式的规范登录信息的验证 1.数据库的建立 这里连接的是Mysql8.0数据库,如果想要简单点可以直接用sqlite3数据库,调用逻辑基本差不多,数据库语法也基本一致。 在服务器工程里…

[数据集][目标检测]拐杖检测数据集VOC+YOLO格式2778张1类别

数据集格式&#xff1a;Pascal VOC格式YOLO格式(不包含分割路径的txt文件&#xff0c;仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)&#xff1a;2778 标注数量(xml文件个数)&#xff1a;2778 标注数量(txt文件个数)&#xff1a;2778 标注…

EasyExcel 学习之 导出 “WPS 表格在试图打开文件时遇到错误”

目录 1. 版本2. 现象2.1. Postman 文件下载成功且 WPS 可以正常打开2.2. VUE 下载成功但 WPS 无法打开 3. 原因:前端未指定 responseType4. 常见问题4.1. NoSuchMethodError4.1.1. org.apache.logging.log4j.LogBuilder org.apache.logging.log4j.Logger.atTrace()4.1.2. Could…

Java后端开发(十五)-- Ubuntu 开启activemq开机自启动功能

目录 1. 修改Wrapper.conf文件配置内容 2. 在/etc/systemd/system目录下创建activemq.service文件 3. 重启服务器,验证是否生效 4. 系统启动目标问题 操作环境: 1、Ubuntu 22.04.4 LTS (GNU/Linux 6.5.0-28-generic x86_64) 2、jdk17.0.11 3、apache-activemq-6.0.1 1. 修…

JDBC技术

JDBC提供了在Java程序中直接访问数据库的功能 JDBC连接数据库之前必须先装载特定厂商提供的数据库驱动程序&#xff08;Driver&#xff09;&#xff0c;通过JDBC的API访问数据库。有了JDBC技术&#xff0c;就不必为访问Mysql数据库专门写一个程序&#xff0c;为访问Oracle又专门…

vue2.0结合使用 el-scrollbar 和 v-for实现一个横向滚动的元素列表,并且能够自动滚动到指定元素(开箱即用)

效果图&#xff1a; 代码&#xff1a; <div class"gas-mode-item-body"><el-scrollbar style"width: 300px;height: 100%;" wrap-style"overflow-y:hidden" ref"scrollbarRef"><div style"display: flex&quo…