深度学习代码笔记

一、U-NET

  • 论文题目：U-Net: Convolutional Networks for Biomedical Image Segmentation
  • UNet 的体系结构基于编码器-解码器范式，其中编码器从输入图像中提取特征，解码器基于这些特征生成分割图。但是，UNet还集成了编码器和解码器之间的跳跃连接，以保留空间信息并提高分割精度。
  • 先通过编码器进行特征提取，再通过解码器进行特征还原。

应用一Sepmark为例

Encoder 类是整个模型的核心，它负责将水印信息嵌入图像中。模型初始化时接受水印长度、模块中的卷积块数量、通道数以及注意力机制作为参数。主要操作：下采样——>上采样+信息嵌入+注意力块

1、下采样路径

  • self.conv1: 初始卷积块，用于提取图像特征。
  • self.down1 到 self.down4: 一系列下采样层，用于逐步减少图像的空间分辨率并增加通道数。
self.conv1 = ConvBlock(3, 16, blocks=blocks)
self.down1 = Down(16, 32, blocks=blocks)
self.down2 = Down(32, 64, blocks=blocks)
self.down3 = Down(64, 128, blocks=blocks)self.down4 = Down(128, 256, blocks=blocks)

其中下采样：

#Down 类：负责执行下采样操作，通过两次卷积块操作，第一次使用步长为2的卷积降采样，第二次卷积用于特征变换。
class Down(nn.Module):def __init__(self, in_channels, out_channels, blocks):super(Down, self).__init__()self.layer = torch.nn.Sequential(ConvBlock(in_channels, in_channels, stride=2),ConvBlock(in_channels, out_channels, blocks=blocks))def forward(self, x):return self. Layer(x)

2、上采样与水印嵌入路径

  • self.up3 到 self.up0: 上采样层，用于逐步恢复图像的空间分辨率。
  • self.linear3 到 self.linear0: 线性层，用于将水印信息调整为适合嵌入的特征图尺寸。
  • self.Conv_message3 到 self.Conv_message0: 卷积块，用于处理水印特征。
  • self.att3 到 `self.att0: 注意力块，用于增强特征表示并融合水印信息。
self.up3 = UP(256, 128)
self.linear3 = nn.Linear(message_length, message_length * message_length)
self.Conv_message3 = ConvBlock(1, channels, blocks=blocks)
self.att3 = ResBlock(128 * 2 + channels, 128, blocks=blocks, attention=attention)self.up2 = UP(128, 64)
self.linear2 = nn.Linear(message_length, message_length * message_length)
self.Conv_message2 = ConvBlock(1, channels, blocks=blocks)
self.att2 = ResBlock(64 * 2 + channels, 64, blocks=blocks, attention=attention)self.up1 = UP(64, 32)
self.linear1 = nn.Linear(message_length, message_length * message_length)
self.Conv_message1 = ConvBlock(1, channels, blocks=blocks)
self.att1 = ResBlock(32 * 2 + channels, 32, blocks=blocks, attention=attention)self.up0 = UP(32, 16)
self.linear0 = nn.Linear(message_length, message_length * message_length)
self.Conv_message0 = ConvBlock(1, channels, blocks=blocks)
self.att0 = ResBlock(16 * 2 + channels, 16, blocks=blocks, attention=attention)

其中，上采样：

#UP 类：负责上采样操作，首先使用最近邻插值将输入特征图扩大两倍，然后通过一个卷积块处理放大的特征图。
class UP(nn.Module):def __init__(self, in_channels, out_channels):super(UP, self).__init__()self.conv = ConvBlock(in_channels, out_channels)def forward(self, x):x = F.interpolate(x, scale_factor=2, mode='nearest')return self.conv(x)

3、最终输出层

  • self.Conv_1x1: 1x1 卷积层，用于生成最终的编码图像。
self.Conv_1x1 = nn.Conv2d(16 + 3, 3, kernel_size=1, stride=1, padding=0)

4、模型的前向传播方法

forward 方法定义了模型如何将水印信息嵌入图像中。它接收原始图像 x 和水印信息 watermark 作为输入，通过下采样路径提取特征，然后通过上采样路径逐步恢复图像分辨率，同时嵌入水印信息。

5、模型的输出

最终模型输出是嵌入水印后的图像，以及一个表示水印嵌入差距的 gap。

from . import *#这段代码定义了一个名为 DW_Encoder 的深度学习模型类，它继承自 PyTorch 的 nn.Module 类。
# 这个模型主要设计用于图像隐写术，目的是在图像中嵌入水印（watermark）信息，同时尽量保持图像的视觉质量不被察觉。
# 模型结构采用了一种编码器-解码器架构，包含下采样（downsampling）和上采样（upsampling）路径，并且在编码过程中融入了注意力机制（通过可选的 attention 参数控制）。
class DW_Encoder(nn.Module):#初始化 (__init__):def __init__(self, message_length, blocks=2, channels=64, attention=None):# 接受多个参数，包括水印长度（message_length）、下采样块数（blocks）、通道数（channels）和注意力机制选项（attention）。super(DW_Encoder, self).__init__()# 定义了一系列卷积块（ConvBlock）、下采样层（Down）和上采样层（UP），以及用于融合水印信息的线性层（nn.Linear）和残差块（ResBlock），后者可以带有注意力机制。# 卷积块(ConvBlock):包含卷积层、激活函数（如ReLU）和可能的归一化层（如BatchNorm），用于特征提取和映射。self.conv1 = ConvBlock(3, 16, blocks=blocks)self.down1 = Down(16, 32, blocks=blocks)self.down2 = Down(32, 64, blocks=blocks)self.down3 = Down(64, 128, blocks=blocks)self.down4 = Down(128, 256, blocks=blocks)self.up3 = UP(256, 128)self.linear3 = nn.Linear(message_length, message_length * message_length)self.Conv_message3 = ConvBlock(1, channels, blocks=blocks)self.att3 = ResBlock(128 * 2 + channels, 128, blocks=blocks, attention=attention)self.up2 = UP(128, 64)self.linear2 = nn.Linear(message_length, message_length * message_length)self.Conv_message2 = ConvBlock(1, channels, blocks=blocks)self.att2 = ResBlock(64 * 2 + channels, 64, blocks=blocks, attention=attention)self.up1 = UP(64, 32)self.linear1 = nn.Linear(message_length, message_length * message_length)self.Conv_message1 = ConvBlock(1, channels, blocks=blocks)self.att1 = ResBlock(32 * 2 + channels, 32, blocks=blocks, attention=attention)self.up0 = UP(32, 16)self.linear0 = nn.Linear(message_length, message_length * message_length)self.Conv_message0 = ConvBlock(1, channels, blocks=blocks)self.att0 = ResBlock(16 * 2 + channels, 16, blocks=blocks, attention=attention)# 最后，定义一个1x1卷积层（Conv_1x1）来输出最终的编码图像，以及一些用于处理输入和水印数据的辅助函数。self.Conv_1x1 = nn.Conv2d(16 + 3, 3, kernel_size=1, stride=1, padding=0)self.message_length = message_length#在编码过程中融入了注意力机制（通过可选的 attention 参数控制）self.transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])def forward(self, x, watermark):#这是神经网络模型执行前向传播的核心逻辑。它接收两个输入参数：原始图像 x 和需要嵌入的水印信息 watermark。# 下采样路径（Encoder）：首先，通过一系列称为Down的下采样模块（self.down1, self.down2, self.down3, self.down4）# 对输入图像x进行连续的下采样和特征提取，每次下采样都减少了空间分辨率但增加了通道数，生成了多个特征图d0, d1, d2, d3, d4。d0 = self.conv1(x)d1 = self.down1(d0)d2 = self.down2(d1)d3 = self.down3(d2)d4 = self.down4(d3)#上采样与信息嵌入路径（Decoder）：然后，通过上采样模块 UP（self.up3, self.up2, self.up1, self.up0）# 以及线性层和卷积层将特征图逐步上采样回原始尺寸，同时在每个上采样步骤中，通过 linearX 和 Conv_messageX 将水印信息 watermark 扩展、调整尺寸并与当前级别的特征图拼接，# 然后通过注意力模块 attX 进一步融合信息。这里的操作旨在将水印以分散的方式嵌入到图像的不同尺度特征中。#这里，up3是一个上采样操作（由类UP定义），它接收来自下一层（第四层，d4）的特征图，# 并通过双线性插值（或其它指定的插值方式，本例中为nearest）将其尺寸放大一倍，之后可能还经过卷积层来提升特征维度，最终输出上采样的特征图u3。u3 = self.up3(d4)#这行代码将输入的水印信息通过一个全连接层（线性层）linear3进行变换，目的是调整水印的形状和维度，使其适合作为特征图与图像特征进行融合。expanded_message = self.linear3(watermark)#调整上一步输出的形状，使其成为一个四维张量，适合进一步处理作为图像特征。形状调整为批量大小（-1自动推断）、通道数1以及两个与水印长度相关的维度。expanded_message = expanded_message.view(-1, 1, self.message_length, self.message_length)#使用最近邻插值方法调整上一步得到的水印特征图尺寸，使之与第三层特征图d3的高和宽匹配，以便于后续的拼接操作。expanded_message = F.interpolate(expanded_message, size=(d3.shape[2], d3.shape[3]),mode='nearest')#通过卷积层Conv_message3对调整尺寸后的水印特征图进行卷积操作，这一步可以理解为对水印信息进行进一步的特征转换，使其更适应与图像特征的融合。expanded_message = self.Conv_message3(expanded_message)#这行代码将上采样的特征图u3、原始的第三层特征图d3以及经过处理后的水印特征图expanded_message沿着通道维度（dim=1）拼接起来，形成一个新的特征图，其中包含了原始图像信息和水印信息。u3 = torch.cat((d3, u3, expanded_message), dim=1)#最后，将拼接后的特征图输入到注意力模块att3中。# 注意力机制在这里的作用是自动学习并赋予不同区域或特征不同的权重，以突出重要信息并抑制无关信息，特别是在处理包含水印信息的特征时，有助于更好地融合和隐藏水印，同时保持图像质量。u3 = self.att3(u3)u2 = self.up2(u3)expanded_message = self.linear2(watermark)expanded_message = expanded_message.view(-1, 1, self.message_length, self.message_length)expanded_message = F.interpolate(expanded_message, size=(d2.shape[2], d2.shape[3]),mode='nearest')expanded_message = self.Conv_message2(expanded_message)u2 = torch.cat((d2, u2, expanded_message), dim=1)u2 = self.att2(u2)u1 = self.up1(u2)expanded_message = self.linear1(watermark)expanded_message = expanded_message.view(-1, 1, self.message_length, self.message_length)expanded_message = F.interpolate(expanded_message, size=(d1.shape[2], d1.shape[3]),mode='nearest')expanded_message = self.Conv_message1(expanded_message)u1 = torch.cat((d1, u1, expanded_message), dim=1)u1 = self.att1(u1)u0 = self.up0(u1)expanded_message = self.linear0(watermark)expanded_message = expanded_message.view(-1, 1, self.message_length, self.message_length)expanded_message = F.interpolate(expanded_message, size=(d0.shape[2], d0.shape[3]),mode='nearest')expanded_message = self.Conv_message0(expanded_message)u0 = torch.cat((d0, u0, expanded_message), dim=1)u0 = self.att0(u0)image = self.Conv_1x1(torch.cat((x, u0), dim=1))forward_image = image.clone().detach()'''read_image = torch.zeros_like(forward_image)for index in range(forward_image.shape[0]):single_image = ((forward_image[index].clamp(-1, 1).permute(1, 2, 0) + 1) / 2 * 255).add(0.5).clamp(0, 255).to('cpu', torch.uint8).numpy()im = Image.fromarray(single_image)read = np.array(im, dtype=np.uint8)read_image[index] = self.transform(read).unsqueeze(0).to(image.device)gap = read_image - forward_image'''gap = forward_image.clamp(-1, 1) - forward_imagereturn image + gap#Down 类：负责执行下采样操作，通过两次卷积块操作，第一次使用步长为2的卷积降采样，第二次卷积用于特征变换。
class Down(nn.Module):def __init__(self, in_channels, out_channels, blocks):super(Down, self).__init__()self.layer = torch.nn.Sequential(ConvBlock(in_channels, in_channels, stride=2),ConvBlock(in_channels, out_channels, blocks=blocks))def forward(self, x):return self.layer(x)#UP 类：负责上采样操作，首先使用最近邻插值将输入特征图扩大两倍，然后通过一个卷积块处理放大的特征图。
class UP(nn.Module):def __init__(self, in_channels, out_channels):super(UP, self).__init__()self.conv = ConvBlock(in_channels, out_channels)def forward(self, x):x = F.interpolate(x, scale_factor=2, mode='nearest')return self.conv(x)

在深度学习模型中，编号倒序（即从高到低的编号）通常用于表示网络层的连接顺序。在 Encoder 类中，编号倒序的原因是为了表示数据流经网络的顺序。每个编号对应于网络中的一个特定层或操作，编号越小，表示操作越先执行。以下是代码中编号倒序的解释：

  1. 下采样路径（Downsampling）：self.down1, self.down2, self.down3, self.down4：这些层用于逐步减少图像的空间分辨率并增加通道数。编号倒序表示数据流经这些层的顺序。

  2. 上采样路径（Upsampling）：self.up3, self.up2, self.up1, self.up0：这些层用于逐步恢复图像的空间分辨率。编号倒序表示数据流经这些层的顺序。

  3. 注意力块（ResBlock）：self.att3, self.att2, self.att1, self.att0：注意力块用于增强特征表示并融合水印信息。编号倒序表示这些块在上采样路径中的位置。

  4. 线性层（Linear）：self.linear3, self.linear2, self.linear1, self.linear0：线性层用于将水印信息调整为适合嵌入的特征图尺寸。

  5. 卷积块（ConvBlock）：

    self.Conv_message3, self.Conv_message2, self.Conv_message1, self.Conv_message0：卷积块用于处理水印特征。

  6. 最终输出层（Conv_1x1）：self.Conv_1x1：1x1卷积层用于生成最终的编码图像。

  7. 辅助函数（transform）：self.transform：用于处理输入和水印数据。

通过这种编号倒序，模型的设计者可以清晰地表示数据流经网络的顺序，即数据如何通过不同的层进行处理。这种顺序对于理解模型的前向传播过程至关重要，因为它决定了数据如何在网络中流动以及如何通过每一层。

二、注意力机制

与注意力机制相关的神经网络模块。这些模块可以用于增强模型的特征表示能力，特别是在图像识别、分割和生成等任务中。下面是对代码中每个部分的详细解释：[SEAttention效果>CBAM]

1. SEAttention (Squeeze-and-Excitation Attention)

  • 功能：通过全局平均池化压缩空间信息到通道维度，然后通过两个全连接层（使用1x1卷积）调整通道权重，最后利用sigmoid函数输出每个通道的权重因子，重新调整原特征图的通道响应。
  • 应用：强调重要的通道特征，抑制不重要的通道特征。【把重要的通道赋予大的权重，然后将这些通道以及权重去线性组合。】
  • 即插即用的涨点模块之注意力机制（SEAttention）详解及代码，可应用于检测、分割、分类等各种算法领域-CSDN博客
#通过全局平均池化来压缩空间信息到通道维度，然后通过两个全连接层调整通道权重，最后利用sigmoid函数输出每个通道的权重因子，重新调整原特征图的通道响应。
class SEAttention(nn.Module):def __init__(self, in_channels, out_channels, reduction=8):super(SEAttention, self).__init__()self.se = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)),nn.Conv2d(in_channels=in_channels, out_channels=out_channels // reduction, kernel_size=1, bias=False),nn.ReLU(inplace=True),nn.Conv2d(in_channels=out_channels // reduction, out_channels=out_channels, kernel_size=1, bias=False),nn.Sigmoid())def forward(self, x):x = self.se(x) * xreturn x

SE通道注意力机制模块-CSDN博客

2. ChannelAttention

  • 功能：结合平均池化和最大池化后的通道注意力机制，通过这两个池化操作获取全局信息，然后通过两个卷积层调整通道权重，最后利用sigmoid激活函数输出注意力图。
  • 应用：同时考虑平均和最大池化的信息，以更全面地捕捉通道间的关系。
#结合了平均池化和最大池化后的通道注意力机制，通过这两个池化操作获取全局信息，然后通过两个卷积层调整通道权重，最后利用sigmoid激活函数输出注意力图。
class ChannelAttention(nn.Module):def __init__(self, in_channels, out_channels, reduction=8):super(ChannelAttention, self).__init__()self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))self.max_pool = nn.AdaptiveMaxPool2d((1, 1))self.fc = nn.Sequential(nn.Conv2d(in_channels=in_channels, out_channels=out_channels // reduction, kernel_size=1, bias=False),nn.ReLU(inplace=True),nn.Conv2d(in_channels=out_channels // reduction, out_channels=out_channels, kernel_size=1, bias=False))self.sigmoid = nn.Sigmoid()def forward(self, x):avg_out = self.fc(self.avg_pool(x))max_out = self.fc(self.max_pool(x))out = avg_out + max_outreturn self. Sigmoid(out)

3. SpatialAttention

  • 功能：利用平均池化和最大池化来分别捕捉空间上下文信息，然后通过一个卷积层融合这两种信息并使用sigmoid激活函数输出空间注意力图，强调重要的空间位置。
  • 应用：强调图像中的重要区域，抑制不重要的区域。
#利用平均池化和最大池化来分别捕捉空间上下文信息，然后通过一个卷积层融合这两种信息并使用sigmoid激活函数输出空间注意力图，强调重要的空间位置。
class SpatialAttention(nn.Module):def __init__(self, kernel_size=7):super(SpatialAttention, self).__init__()self.conv1 = nn.Conv2d(2, 1, kernel_size, padding=kernel_size // 2, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):avg_out = torch.mean(x, dim=1, keepdim=True)max_out, _ = torch.max(x, dim=1, keepdim=True)x = torch.cat([avg_out, max_out], dim=1)x = self.conv1(x)return self.sigmoid(x)

4. CBAMAttention

  • 功能：结合上述的ChannelAttention和SpatialAttention，先计算通道注意力，再计算空间注意力，最后将两者相乘以指导特征图的注意力分配。
  • 应用：同时考虑通道和空间的注意力，以更精细地控制特征图的加权。

#结合了上述的ChannelAttention和SpatialAttention，先计算通道注意力，再计算空间注意力，最后将两者相乘以指导特征图的注意力分配。
class CBAMAttention(nn.Module):def __init__(self, in_channels, out_channels, reduction=8):super(CBAMAttention, self).__init__()self.ca = ChannelAttention(in_channels=in_channels, out_channels=out_channels, reduction=reduction)self.sa = SpatialAttention()def forward(self, x):x = self.ca(x) * xx = self.sa(x) * xreturn x

 5、ECAAttention

ECANet的核心思想是在卷积操作中引入通道注意力机制，以提升特征表示的能力。通道注意力机制旨在自适应地调整通道特征的权重，从而使网络能够更好地关注重要特征并抑制不重要特征。通过这种机制，ECANet有效地增强了网络的表征能力，同时避免了增加过多的参数和计算成本。

嵌入式通道注意力模块是ECANet的扩展部分，将通道注意力机制嵌入到卷积层中，从而在卷积操作中引入通道关系。具体而言，在卷积操作中，将输入特征图划分为多个子特征图，然后在每个子特征图上进行卷积操作，并在操作过程中引入通道注意力。最后，将这些子特征图合并，得到最终的输出特征图。这种设计有效地减少了计算成本，并保持了网络的高效性。

import torch
import torch.nn as nn
import mathclass ECA(nn.Module):def __init__(self, in_channel, gamma=2, b=1):super(ECA, self).__init__()k = int(abs((math.log(in_channel,2)+b)/gamma))kernel_size = k if k % 2 else k+1padding = kernel_size//2self.pool = nn.AdaptiveAvgPool2d(output_size=1)self.conv = nn.Sequential(nn.Conv1d(in_channels=1, out_channels=1, kernel_size=kernel_size, padding=padding, bias=False),nn.Sigmoid())def forward(self,x):out=self.pool(x)out=out.view(x.size(0), 1, x.size(1))out=self.conv(out)out=out.view(x.size(0), x.size(1), 1, 1)return out*x

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/470538.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

软件测试面试2024最新热点问题

软件测试面试2024最新热点问题

大厂面试热点问题 1、测试人员需要何时参加需求分析？ 如果条件循序 原则上来说 是越早介入需求分析越好 因为测试人员对需求理解越深刻 对测试工作的开展越有利 可以尽早的确定测试思路 减少与开发人员的交互 减少对需求理解上的偏差 2、软件测试与调试的关系 测…
阅读更多...
L10.【LeetCode笔记】回文链表

L10.【LeetCode笔记】回文链表

目录 1.题目 2.自解 代码 提交结果 1.题目 给你一个单链表的头节点 head ，请你判断该链表是否为 回文链表 。如果是，返回 true ；否则，返回 false 。 示例 1： 输入：head [1,2,2,1] 输出：tru…
阅读更多...
Lucene 和 Elasticsearch 中更好的二进制量化 (BBQ)

Lucene 和 Elasticsearch 中更好的二进制量化 (BBQ)

作者：来自 Elastic Benjamin Trent Lucene 和 Elasticsearch 中更好的二进制量化 (BBQ)。 嵌入模型输出 float32 向量，通常对于高效处理和实际应用来说太大。Elasticsearch 支持 int8 标量量化，以减小向量大小，同时保持性能。其他…
阅读更多...
猿创征文｜Inscode桌面IDE：打造高效开发新体验

猿创征文｜Inscode桌面IDE：打造高效开发新体验

猿创征文｜Inscode桌面IDE：打造高效开发新体验 引言 在当今快速发展的软件开发领域，一个高效、易用的集成开发环境（IDE）是每个开发者必不可少的工具。Inscode 桌面 IDE 作为一款新兴的开发工具，凭借其强大…
阅读更多...
【VBA实战】用Excel制作排序算法动画续

【VBA实战】用Excel制作排序算法动画续

为什么会产生用excel来制作排序算法动画的念头，参见【VBA实战】用Excel制作排序算法动画一文。这篇文章贴出我所制作的所有排序算法动画效果和源码，供大家参考。 冒泡排序： 插入排序： 选择排序： 快速排序：…
阅读更多...
IPguard与Ping32全面对比——选择最适合企业的数据安全解决方案

IPguard与Ping32全面对比——选择最适合企业的数据安全解决方案

在如今数据安全威胁日益加剧的时代，企业必须高度重视保护敏感数据与信息。因此，选择一款合适的数据安全软件，尤其是防泄密和信息保护软件，显得尤为重要。在市场上，有两款备受企业青睐的数据安全解决方案——IPguard和P…
阅读更多...
《情商》提升：增强自我意识，学会与情绪共处

《情商》提升：增强自我意识，学会与情绪共处

在当今社会，情商（Emotional Intelligence，EQ）的重要性越来越受到人们的关注。情商是指个体运用情绪、情感、认知和行为反应的能力，来理解、管理、表达和处理情感的一种综合素养。情商的高低对于个人的成长、人际关系、…
阅读更多...
k8s集群安装（kubeadm）

k8s集群安装（kubeadm）

k8s集群安装（kubeadm） 1、环境准备（master和node节点都执行）1.1、替换yum源1.2、关闭selinux1.3、永久关闭防火墙1.4、永久关闭swap1.5、修改主机名添加host1.6、时间同步1.7、将桥接的IPv4流量传递到iptables的链1.8、docker安装…
阅读更多...
使用Matlab建立随机森林

使用Matlab建立随机森林

综述 除了神经网络模型以外，树模型及基于树的集成学习模型是较为常用的效果较好的预测模型。我们以下构建一个随机森林模型。 随机森林是一种集成学习方法，通过构建多个决策树并结合其预测结果来提高模型的准确性和稳定性。在MATLAB中，可以…
阅读更多...
Wireshark

Wireshark

目录 解题思路 题目设计原理 总结 解题思路 首先下载文件，用 wireshark 打开一头雾水。 但是看看题目的提示，说管理员的密码就是 flag 的内容，我们可以知道，关键词估计是密码，passwd、password、pwd之类的。 所以我…
阅读更多...
FreeRTOS学习13——任务相关API函数

FreeRTOS学习13——任务相关API函数

任务相关API函数 任务相关API函数任务相关API函数介绍任务相关 API 函数详解函数 uxTaskPriorityGet()函数 vTaskPrioritySet()函数 uxTaskGetSystemState()函数 vTaskGetInfo()函数 xTaskGetApplicationTaskTag()函数 xTaskGetCurrentHandle()函数 xTaskGetHandle()函数 xTask…
阅读更多...
使用kalibr_calibration标定相机（realsense）和imu（h7min）

使用kalibr_calibration标定相机（realsense）和imu（h7min）

vslam-evaluation/VINS/Installation documentation/4.IMU和相机联合标定kalibr_calibration.md at master DroidAITech/vslam-evaluation GitHub 目录 1.kalibr安装 1.1安装依赖项 1.2创建工作空间 1.3下载kalibr并编译 1.4设置环境变量 2.准备标定板 3.配置驱动和打…
阅读更多...
[Docker#8] 容器配置 | Mysql | Redis | C++ | 资源控制 | 命令对比

[Docker#8] 容器配置 | Mysql | Redis | C++ | 资源控制 | 命令对比

目录 一：Mysql 容器化安装 二：Redis 容器化安装 Redis 简介 Redis 容器创建 三：C容器制作 四：容器资源更新 常见问题 一：Mysql 容器化安装 进入 mysql 的镜像网站，查找 mysql 的镜像 mysql docker…
阅读更多...
1小时构建Vue3知识体系之vue的生命周期函数

1小时构建Vue3知识体系之vue的生命周期函数

本文转载自：https://fangcaicoding.cn/course/12/63 大家好！我是方才，目前是8人后端研发团队的负责人，拥有6年后端经验&3年团队管理经验。 系统学习践行者！近期在系统化输出前端入门相关技术文章，期望能…
阅读更多...
数据结构-集合

数据结构-集合

一.集合的表示 一个重要的操作是查某个元素属于哪个集合，另一个操作是合并操作 从这个树的节点去找树根也就是从下往上找,要把树并起来只需把两个根并在一起就可以了 不存在已知一个节点去找孩子节点，根重要的是已知一个节点找它的父亲节点,与之前的二…
阅读更多...
unity基础，点乘叉乘。

unity基础，点乘叉乘。

简单记录下点乘叉乘&#xff0c;要不每次用完就忘&#xff0c;忘了又查。 using System.Collections; using System.Collections.Generic; using UnityEngine;public class TestCrossDot : MonoBehaviour {/// <summary>/// 原点/// </summary>public Transform t…
阅读更多...
springboot 之 整合springdoc2.6 (swagger 3)

springboot 之 整合springdoc2.6 (swagger 3)

版本 springboot 3.3.5 jdk 17 springdoc 2.6.0 依赖pom <dependency><groupId>org.springdoc</groupId><artifactId>springdoc-openapi-starter-webmvc-ui</artifactId><version>2.6.0</version> </dependency>注解对比…
阅读更多...
数据结构与算法-前缀和数组

数据结构与算法-前缀和数组

前缀和问题 什么是前缀和? 对于一个一般数组 nums,如果我们需要知道 S1 nums[0] nums[1]的结果&#xff0c; S2 nums[0] nums[1] nums[2] … 计算公式相当于: S2 S1 nums[2] … Sn Sn-1 nums[n]; 所谓前缀和&#xff1a;用来记录数组前项和的一个新数组&#xff0c;提…
阅读更多...
R语言机器学习与临床预测模型77--机器学习预测常用R语言包

R语言机器学习与临床预测模型77--机器学习预测常用R语言包

R小盐准备介绍R语言机器学习与预测模型的学习笔记 你想要的R语言学习资料都在这里&#xff0c; 快来收藏关注【科研私家菜】 01 预测模型常用R包 常见回归分析包: rpart 包含有分类回归树的方法; earth 包可以实现多元自适应样条回归; mgev包含广义加性模型回归; Rweka 包中的M…
阅读更多...
Elasticsearch可视化工具Elasticvue插件用法

Elasticsearch可视化工具Elasticvue插件用法

目录 1.打开浏览器扩展程序(示例Edge浏览器) ​2.搜索elasticvue并安装 3.打开elasticvue ​4.连接Es 5.有些浏览器无法下载安装扩展&#xff0c;例如谷歌。可以打包扩展给别的浏览器使用。 5.1打开浏览器扩展&#xff0c;打开开发人员模式&#xff0c;记住扩展程序id 5…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023