MVCC如何解决不可重复读和读取未提交
高校 IT 实力排行榜 (2213)




请编写您的帖子内容
社区频道(6)
显示侧栏
卡片版式
全部
新生报道
校友交流
知识分享
求职就业
Ada助手


78
评分
回复


飞桨PaddlePaddle2.0入门
安装指南¶安装说明¶本说明将指导您在64位操作系统编译和安装PaddlePaddle1. 操作系统要求: Windows 7 / 8 / 10,专业版 / 企业版 Ubuntu 16.04 / 18.04 / 20.04 CentOS 7 MacOS 10.11 / 10.12 / 10.13 / 10.14 操作系统要求是 64 位版本 2. 处理器要求 处理器支持 MKL 处理器架构是x86_64(或称作 x64、Inte
复制链接 扫一扫
分享

79
评分
回复


Learning Smoke Removal from Simulation
从模拟中学习除烟论文代码:https://github.com/zqy396/cnn_desmokehttps://github.com/zqy396/cnn_desmoke前后这个 repo 包含从模拟中去除基于 CNN 的烟雾的实现。如果此代码对您的项目有用,请考虑引用:Chen, L., Wen, T., John, N.WUnsupervised Learning of Surgical Smoke Removal from Simulation. Hamly
复制链接 扫一扫
分享

70
评分
回复


PaddleGAN 入门文档教程
PaddleGAN 为开发人员提供经典和 SOTA 生成对抗网络的高性能实现,并支持开发人员快速构建、训练和部署 GAN,用于学术、娱乐和工业用途。GAN-Generative Adversarial Network,被“卷积网络之父”Yann LeCun(杨丽坤)誉为[过去十年计算机科学领域最有趣的想法之一]。这是人工智能研究人员最关心的深度学习研究领域之一。文档教程安装环境依赖: 桨桨 >= 2.1.0 蟒蛇> = 3.6 CUDA >= 10.1 ..
复制链接 扫一扫
分享

66
评分
回复


PPgan 之 MPR_Net
本文代码基于PaddleGAN开发。MPR_Net1 简介MPR_Net是发表在CVPR2021上的一种图像恢复方法。图像恢复任务需要在恢复图像时在空间细节和高级上下文信息之间取得复杂的平衡。MPR_Net 提出了一种新颖的协同设计,可以最佳地平衡这些竞争目标。主要提议是一个多阶段架构,逐步学习退化输入的恢复功能,从而将整个恢复过程分解为更易于管理的步骤。具体来说,该模型首先使用编码器-解码器架构学习上下文化特征,然后将它们与保留本地信息的高分辨率分支相结合。在每个阶段,MPR_Net 引入了一
复制链接 扫一扫
分享

99
评分
回复


DeblurGAN-v2:更快更好地去模糊
概述我们提出了一种新的端到端生成对抗网络 (GAN),用于单图像运动去模糊,名为 DeblurGAN-v2,它大大提高了最先进的去模糊效率、质量和灵活性。DeblurGAN-v2 基于具有双尺度鉴别器的相对论条件 GAN。我们首次将特征金字塔网络引入去模糊,作为 DeblurGAN-v2 生成器的核心构建块。它可以灵活地与各种主干一起工作,以在性能和效率之间取得平衡。复杂主干的插件(例如,Inception-ResNet-v2)可以实现最先进的去模糊。同时,借助轻量级骨干网(例如,MobileNet 及
复制链接 扫一扫
分享

77
评分
回复


PaddleX 模型库官方介绍
本文包含模型的种类、预训练模型下载、推理速度和时间等图像分类模型表中模型准确率均为在ImageNet数据集上测试所得,表中符号-表示相关指标暂未测试,预测速度测试环境如下所示:CPU的评估是在骁龙855(SD855)上完成。 GPU评估是在FP32+TensorRT配置下运行500次测得(去除前10次的warmup时间)。移动端系列Model Top-1 Acc Top-5 Acc SD855 time(ms) bs=1 Flops(G) P.
复制链接 扫一扫
分享

157
评分
回复


Yolov5 从0基础开始保姆级超详细教程
首先github拿代码:GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLiteYOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub.https://github.com/ultralyt
复制链接 扫一扫
分享

388
评分
回复


增量式SfM详细流程介绍及实现方法
目前主流的SfM(Structure from Motion,运动结构恢复)可以分为两大类型,一种是全局式的,一种是增量式的。全局式sfm能够一次性得出所有的相机姿态和场景点结构。它通常先求得所有相机的位姿,然后再通过三角化获得场景点。其效率较高,但是其鲁棒性差,很容易受到outlier的影响而导致重建失败。增量式sfm则是一边三角化(triangulation)和pnp(perspective-n-points),一边进行局部BA。这类方法在每次添加图像后都要进行一次BA,效率较低,而且由于误差累积,容易
复制链接 扫一扫
分享

“华为杯”中国研究生数学建模竞赛 记录
华为杯数学建模记录
...全文

88
评分
回复


Redis 知识点整理(二)
目录RDB AOFRDB ( Redis database )AOF( Append Only File )Redis主从复制主从复制原理主从复制优缺点优点缺点哨兵模式哨兵模式的优缺点优点缺点Redis集群优点缺点缓存穿透原因如何防止空值缓存布隆过滤器缓存击穿原因解决方法缓存雪崩原因解决措施分布式锁为啥用如何实现和优化问题:setnx刚好获取到锁,业务逻辑出现异常,导致锁无法释放问题.
复制链接 扫一扫
分享

71
评分
回复


【大厂高频面试题】详解LRU cache(最近最少使用缓存)的实现 —— C++版本
LRU Cache是经典的大厂面试题,面试中经常需要写出其底层实现。本文详细解释了LRU Cache的设计、原理,并给出了其C++版本的实现。
复制链接 扫一扫
分享

73
评分
回复


C++函数详解(三)—— inline与constexpr函数、匹配和函数指针
精解C++函数中的内联(inline)函数和constexpr函数,以及函数部分的两个重难点——重载匹配和函数指针。
复制链接 扫一扫
分享



74
评分
回复


C++函数详解(一)—— 自动对象与局部静态对象、传值与传址、const形参和实参
精解C++函数中的三个重要知识点:自动对象与局部静态对象、传值与传址、const形参和实参
复制链接 扫一扫
分享


60
评分
回复


Netty面试题整理(基础知识点)
目录Netty 是什么?为什么要⽤ Netty?Netty 应⽤场景有哪些?Netty 核⼼组件有哪些?分别有什么作⽤?1.Channel2.EventLoop3.Channel的Handler 和PipelineEventloopGroup 了解么? 和 EventLoop 啥关系?Bootstrap 和 ServerBootstrap 是什么?NioEventLoopGroup 默认的构造函数会起多少线程?Netty 线程模型了解么?什么是 TCP 粘包/
复制链接 扫一扫
分享

461
评分
回复


OSG/OSGEarth一万一千字学习实践完整总结(强烈推荐!!!)
目录01前言02编译和配置编译OSG和OSGEarth下载路径配置OSG和OsgEarth的release版本程序03搭建MFC桌面端程序1、新建MFC应用程序DigitalEarth,选择单个文档。2、实现osgEarth相关功能。3、将osgEarth程序运行结果在MFC文档视图中显示。四、运行程序,即可看到如下结果:04基本功能实现Earth文件加载地理空间数据加载影像数据加载DEM数据Earth文件加载地理空间数据显示与隐藏...
复制链接 扫一扫
分享
为您搜索到以下结果: