cnn网络图片的输入大小问题 [问题点数:20分]

Bbs1
本版专家分:0
结帖率 0%
Bbs1
本版专家分:0
为何含有全连接层的网络,需要固定输入图片大小
前言 在图像识别,目标检测等任务中经常用到预训练的模型,比如在VGG16模型结构(除去最后一层)的基础上加上多个softmax层用来分类。在SSD中用预训练的VGG16和ResNet50作为特征提取层。   当你用到包含全连接层的预训练模型时,就需要固定固定<em>输入</em>图片的<em>大小</em>。 池化层需要经过Flatten压扁之后,才能和全连接成相连。 如上图,经过最后一个池化层和Flatten后的输出...
为什么CNN需要固定输入图像的尺寸(CNN图像尺寸输入限制问题
通过CNN组成(卷积层和全连接层)进行分析。 (1)卷积层   卷积层对于图像是没有尺寸限制要求的。<em>输入</em>图像是28*28,卷积仅于自身的卷积核<em>大小</em>,维度有关,<em>输入</em>向量<em>大小</em>对其无影响(如第一层卷积,<em>输入</em>图像的<em>大小</em>和维度)。 # <em>输入</em>图像 x = tf.placeholder(tf.float32, [None, 784]) y_ = tf.placeholder(tf.float32, [No...
CNN的输入图像尺寸问题
<em>输入</em>图片的<em>大小</em>需要固定 我们知道CNN<em>输入</em>图片的<em>大小</em>需要固定,但是这是为什么呢? 其实在网络结构中卷积层是不需要固定图像的<em>大小</em>(它的输出<em>大小</em>是跟<em>输入</em>图像的<em>大小</em>相关的),一般情况下<em>输入</em>尺寸都会大于常用的卷积核<em>大小</em>。有固定<em>输入</em>图像<em>大小</em>需求的是全连接部分,全连接部分的参数的个数是需要固定的。 解决方案 当然可能我们的数据集的<em>大小</em>并不统一,这时候就需要进行处理了 1.可以在<em>输入</em>网络之前进行resize,将...
VGG16/19网络,输入size固定为244,图片处理完成后如何还原原始大小
各位好, 请教一个<em>问题</em>,VGG做图片处理的时候,有时候需要还原图片原始size, 请问通常如何实现的呢? 1)是在<em>输入</em>VGG前做降维压缩,最后在还原? 2)还是先做图片切割再分别处理,最后再组装还原?
CNN学习-CNN图像尺寸输入限制问题
通过CNN组成(卷积层和全连接层)进行分析。(1)卷积层   卷积层对于图像是没有尺寸限制要求的。<em>输入</em>图像是28*28,卷积仅于自身的卷积核<em>大小</em>,维度有关,<em>输入</em>向量<em>大小</em>对其无影响(如第一层卷积,<em>输入</em>图像的<em>大小</em>和维度)。 # <em>输入</em>图像 x = tf.placeholder(tf.float32, [None, 784]) y_ = tf.placeholder(tf.float32, [None...
DeepLearning(keras框架)--图像输入大小及通道调整问题
1. 使用opencv将单通道图像数组转为多通道图像数组 在用keras框架下的vgg16模型进行迁移学习的时候,发现对<em>输入</em>数据有一定要求,<em>大小</em>不能小于48*48,<em>输入</em>的图像通道要为3。而笔者的数据事先按照教程已经处理成(16500,28,28)<em>大小</em>的数组了,因而处理起来不太方便。幸好看到有博客中可以使用opencv进行处理。 参考链接1 参考链接2 train_images = [cv2.cv...
【目标检测算法YOLO学习记录】深度残差网络,图片输入尺寸和输出张量维度
YOLO全称You Only Look Once,是一个端到端(end-to-end)的目标检测算法,现在已经发展到第三个版本。由于第三个版本已经比较复杂,我们选择学习第一个版本。 github上有个同学实现了一个pytorch的版本:https://github.com/xiongzihua/pytorch-YOLO-v1 我基于他的源码学习,学习过程中的代码修改放在:https://git...
ResNet50感受野超出图片大小问题
之所以会大于原图,是因为网络中有padding操作,所以理论上可能比原图大,但是实际并没有这么大
Inception v3 输入图片尺寸大小
pytorch官网表示<em>输入</em>图片尺寸最少224,自己用Inception v3开始设置的size是224, 代码简单如下: import torchvision.models as models from torchsummary import summary import torch Incep = models.Inception3() Incep.fc = nn.Linear(2048,...
SSD输入单通道图像的解决方法
在程序中的train_transform_param和test_transform_param中插入‘force_color’:True。具体代码如下所示: train_transform_param={ 'mirror': True, 'mean_value':[104,117,123] 'force_color': True,#添加 ...
图片输入大小问题-keras/PIL.Image
之前在做keras训练任务的时候都没有考虑过图像数据的<em>输入</em><em>大小</em><em>问题</em>,但在实验中发现这也是一个容易陷坑的<em>问题</em>。 1.keras封装好的模型,当include_top=False时,迁移权重训练,图像的<em>输入</em>也不用必须是默认的尺寸。可以是比默认尺寸大的任意尺寸,比默认尺寸小的话,就要考虑够不够计算一系列的卷积池化操作了。 权重保存的是卷积“核”的权重,只要卷积核的<em>大小</em>数目不变,即网络模型不变,就可...
VGG16详细介绍
【深度学习】VGGNet原理解析及实现:https://blog.csdn.net/u012679707/article/details/80807406 https://www.cnblogs.com/1a2a/p/9860479.html ...
caffe ssd中输入图片大小对于内存使用和运行时间的影响
caffe ssd中<em>输入</em>图片<em>大小</em>对于内存使用和运行时间的影响 一、内存使用         环境为caffe下以imagenet为样本集训练resnset网络。       在初始化生成lmdb的create_imagenet.sh脚本中,resize参数分别设置为256*256和512*512。 #!/usr/bin/env sh # Create the imagenet
求助:关于cnn输入尺寸统一的问题
如果<em>输入</em>的图像数据size不一样,那么及时放缩到统一高度,但是宽度不一样,那么数据集还是不能批量进去<em>cnn</em>网络,只能设置bs为1吗
cnn网络提取的图片的正数据格式是什么样的
### 经过<em>cnn</em>网络出来的数据是什么样子的呢? 比如一张32\*32的二进制图像进去,出来的数据是什么样的,这个截图是一个php程序(ml-php)提取特征的出来的数据,我想知道<em>cnn</em>网络出来的数据是不是也是这样的个格式,第一列就是自增的编号,第二列是每个像素点的值 ![图片说明](https://img-ask.csdn.net/upload/201902/25/1551073441_673212.png) 每个图像的特征数据,第一列是什么,第二列是什么, 比如第一列是像素编号,第二列是像素的值. 还是说特征的数据是很多张小的图片,只要把这些图片的每个像素的数据都组合在一起就行了.
TextCNN文本分类(keras实现)
目录 前言: 一、论文笔记 二、Keras文本预处理 1、读取数据集 2、将文字转换成数字特征 3、将每条文本转换为数字列表 4、将每条文本设置为相同长度 5、将每个词编码转换为词向量 6、Keras文本预处理代码实现 三、基于keras的TextCNN模型的构建、训练与测试 1、基础版CNN(模仿LeNet-5) 2、简单版TextCNN 3、使用Word2Vec词向量...
对含有全连接层的网络输入数据大小固定问题的理解
含有全连接层的网络<em>输入</em>数据的<em>大小</em>应该是固定的,这是因为全连接层和前面一层的连接的参数数量需要事先确定,不像卷积核的参数个数就是卷积核<em>大小</em>,前层的图像<em>大小</em>不管怎么变化,卷积核的参数数量也不会改变,但全连接的参数是随前层<em>大小</em>的变化而变的,那么在初始化模型的时候就得先把网络固定死。但是,但是,但是,全连接的实现可以通过卷积的方式进行,这就可以不用固定<em>输入</em>数据的<em>大小</em>了。这里有两种情况: 前层为卷积层或...
输入图片的大小对卷积神经网络结构的影响
直接影响最终的全连接层中的<em>输入</em>参数的<em>大小</em>。 1.当<em>输入</em>图片的<em>大小</em>与预训练模型中的不同时: 需经过卷积、池化及全连接层的计算公式得出最终全连接层<em>输入</em>层数的<em>大小</em>。 2.当<em>输入</em>图片的<em>大小</em>与预训练模型中的相同时: (1)若分类数与预训练模型相同则无需做任何更改。 (2)若分类数与预训练模型中的不同,则更改全连接层中的输出值。 ...
【深度学习框架Keras】在小数据集上训练图片分类模型的技巧
说明: 1.主要参考Francois Chollet《Deep Learning with Python》; 2.代码运行环境为kaggle中的kernels; 3.数据集和预训练模型VGG-16需要手动添加; 4.卷积神经网络请参考:【深度学习】:卷积神经网络(CNN) # This Python 3 environment comes with many helpful analytics...
CNN图像分类(实际项目,特殊训练集,95%准确率,数据代码百度云)
最近基于VGG-16缩进了网络做了一个CNN模型用于处理图像分类,实际项目,训练对象是448×32的长条试纸图片。 目录 项目源码百度云 tensorboard可视化展示 源代码 项目源码百度云 项目源码百度云链接:https://pan.baidu.com/s/1aWLeh4Kaft7NPlB0GxBZMg 提取码:vjhu 里面项目名字没改,VGG16因为是改造的,名字...
卷积神经网络CNN原理——结合实例matlab实现
卷积神经网络CNN是深度学习的一个重要组成部分,由于其优异的学习性能(尤其是对图片的识别)。近年来研究异常火爆,出现了很多模型LeNet、Alex net、ZF net等等。由于大多高校在校生使用matlab比较多,而网上的教程代码基本都基于caffe框架或者python,对于新入门的同学来说甚是煎熬,所以本文采用matlab结合MNIst手写数据库完成对手写数字的识别。
SPP-Net 是怎么让 CNN 实现输入任意尺寸图像的?
ECCV2014 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition解决的<em>问题</em>: there is a technical issue in the training and testing of the CNNs: the prevalent CNNs require afixedinput
[知乎作答]·神经网络对于输入的维度不一致的处理
[知乎作答]·神经网络对于<em>输入</em>的维度不一致的处理 本文内容选自笔者在知乎上的一个作答,总结下来作为神经网络对于<em>输入</em>的维度不一致的处理教程。。 1.<em>问题</em>描述 神经网络中,如果每次<em>输入</em>的维度不一致应该怎么处理? 神经网络中,如果每次<em>输入</em>的维度不一致应该怎么处理?假设一队人,有时候这队人有三个(3个<em>输入</em>神经元),有时候这堆人有四个(四个<em>输入</em>)。 2.笔者作答 由...
alexnet输入图像大小
刚开始接触卷积神经网络,发现论文《ImageNet Classification with Deep Convolutional Neural Networks》里面alexnet的结构图<em>输入</em>图像<em>大小</em>
从keras看VGG16结构图
vgg16模型结构
用keras上的预训练模型与输入图片维度不一致
keras上的预训练模型是从Imagenet上训练的,上面的图像都是彩色图片,但是我<em>输入</em>的图片是灰度图片,导致维度不一致,我将维度都调成1或者3还是有维度不匹配的<em>问题</em>,难道在imagenet上预训练的
神经网络训练和测试用的图片输入大小不一?
最近研究立体匹配,看了很多论文,发现很多<em>输入</em>图片都进行了随机的crop裁剪, 把图片裁剪为256x512后再进行训练。 这样可以增加数据集和减少训练时间。 但是测试的时候或者验证的时候就用原图片<em>大小</em>,或者一个新的图片<em>大小</em>。 请问这样不会再全连接层的时候因为参数数量不一样而出<em>问题</em>吗? 求大神解答一下,下面贴一下我看到的代码 ``` if self.training: w, h = left_img.size th, tw = 256, 512 x1 = random.randint(0, w - tw) y1 = random.randint(0, h - th) left_img = left_img.crop((x1, y1, x1 + tw, y1 + th)) right_img = right_img.crop((x1, y1, x1 + tw, y1 + th)) dataL = np.array(dataL, dtype=np.float32) / 256 dataL = dataL[y1:y1 + th, x1:x1 + tw] processed = preprocess.get_transform(augment=False) left_img = processed(left_img) right_img = processed(right_img) return left_img, right_img, dataL else: w, h = left_img.size left_img = left_img.crop((w - 1232, h - 368, w, h)) right_img = right_img.crop((w - 1232, h - 368, w, h)) w1, h1 = left_img.size dataL = dataL.crop((w - 1232, h - 368, w, h)) dataL = np.ascontiguousarray(dataL, dtype=np.float32) / 256 processed = preprocess.get_transform(augment=False) left_img = processed(left_img) right_img = processed(right_img) return left_img, right_img, dataL ``` 这里的preprocess是进行归一化和标准化 ``` transforms.ToTensor(), transforms.Normalize(**normalize), ```
ImageNet-ResNet_50 图片分类平台
最近公司要在AI领域发力,基于此,研究了Resnet50的图片分类,网络上有很多的例子,但是都没有做成平台化,提供一个组件一样供各个业务平台使用,基于此,在Resnet50的基础上,扩展了登陆,图片类别添加,上传图片,自动离散图片到训练集与测试集,页面api提供重新训练按钮,测试图片分类结果页面。 1,github 本文代码: https://github.com/xvshu/ImageNe...
求助:高分辨率图像如何处理来适应CNN的输入
CNN的<em>输入</em>一般都不大,高分辨率图像(5k * 6k)直接cv2.resize()话效果很不好,请问有没有什么方法可以在进入CNN之前处理一下 谢谢!
ResNet50进行image分类
keras预训练模型应用(1):ResNet50进行image分类 Keras 中文文档: Application应用:Kera的应用模块Application提供了带有预训练权重的Keras模型,这些模型可以用来进行预测、特征提取和finetune. 今早跑了第一个官方实例程序:利用ResNet50网络进行ImageNet分类。 测试图片【非洲象】: ResNet50结构: ...
把全连接层去掉的网络,都可以接收任意尺寸图片。网络改进不改超参数,例如3*3卷积核。
把全连接层去掉的网络,也就是前面的卷积部分,都可以接收任意尺寸图片。因为卷积网络的超参是要写死的。图片变动,随后一个卷积层的输出尺寸也是变动的,没办法使用固定的网络去映射到固定的全连接层上。VGG限制图片尺寸、resnet不限制网络尺寸、googlenet inception有几个网络也是不限制的改进不改超参数。...
Pytorch实战2:ResNet-18实现Cifar-10图像分类(测试集分类准确率95.170%)
版权说明:此文章为本人原创内容,转载请注明出处,谢谢合作! Pytorch实战2:ResNet-18实现Cifar-10图像分类 实验环境: Pytorch 0.4.0 torchvision 0.2.1 Python 3.6 CUDA8+cuDNN v7 (可选) Win10+Pycharm 整个项目代码:点击这里 ResNet-18网络结构: ResN...
caffe+python 使用训练好的VGG16模型 对 单张图片进行分类,输出置信度
网上看了一堆都是图片转lmdb格式,然后测试总的准确率,我想测试每张图片的top1,top2以及对应置信度是多少,摸索了一下午+一晚上终于搞定,期间遇到不少坑!!!同时感谢实验室博士师兄一块帮我找bug说明:数据集是上海BOT大赛的(12种动物),网上下载的vgg16权重文件,并且修改输出类别为12,对最后三层全连接网络训练了8个小时,top1准确率为80%,top5准确率95%使用的测试图片是一个
深度学习、图像分类入门,从VGG16卷积神经网络开始
刚开始接触深度学习、卷积神经网络的时候非常懵逼,不知道从何入手,我觉得应该有一个进阶的过程,也就是说,理应有一些基本概念作为奠基石,让你有底气去完全理解一个庞大的卷积神经网络: 本文思路: 一、我认为学习卷积神经网络必须知道的几个概念: 1、卷积过程:   我们经常说卷积神经网络卷积神经网络,到底什么才是卷积?网络层卷积过程到底怎么实现?我们在这里借鉴了另一位博客大牛的动态图来给大
深度残差网络:ResNet
ResNet: 一、介绍 caffe-fast-r<em>cnn</em>(Caffe、FSRCNN、FastRCNN) name: "ResNet_50_1by2" layer { name: "data" type: "Input" top: "data" input_param { shape: { dim: 1 dim: 3 dim: 224 dim: 224 } } //
2张图理解resnet核心思想
resnet是用于解决什么<em>问题</em>的实验结果表明,层数的增加会提高网络的学习效果。但是,实验结果也表明,如果只是单纯的增加网络的深度,网络的学习能力会下降。实验结果如下图所示: 56层的学习误差比20层的学习误差还要大。 因此,我们需要一种方法,使网络的深度增加的同时,学习能力也增加。resnet是通过什么方式来解决<em>问题</em>的resnet的出现就是来解决这个<em>问题</em>的。作者发现,如果网络的层数变深,我们
使用Keras预训练模型ResNet50进行图像分类
Keras提供了一些用ImageNet训练过的模型:Xception,VGG16,VGG19,ResNet50,InceptionV3。在使用这些模型的时候,有一个参数include_top表示是否包含模型顶部的全连接层,如果包含,则可以将图像分为ImageNet中的1000类,如果不包含,则可以利用这些参数来做一些定制的事情。在运行时自动下载有可能会失败,需要去网站中手动下载,放在“~/.ker
深度学习在单图像超分辨率上的应用:SRCNN、Perceptual loss、SRResNet
本文介绍了三种不同的卷积神经网络(SRCNN、Perceptual loss、SRResNet)在单图像超分辨率集上的实际应用及其表现对比,同时也探讨了其局限性和未来发展方向。 单图像超分辨率技术涉及到增加小图像的<em>大小</em>,同时尽可能地防止其质量下降。这一技术有着广泛用途,包括卫星和航天图像分析、医疗图像处理、压缩图像/视频增强及其他应用。我们将在本文借助三个深度学习模型解决这个<em>问题</em>,并
输入图片大小为200×200,依次经过一层卷积(kernel size 5×5,padding 1,stride 2)
感想 今年对我来说是非常重要的一年,面临着找工作和发论文的压力,因此,我打算把我机器学习刷题之路记录下来,我认为刷题要把原理弄明白,所以我整理了分析的内容,作为对自己的提高,也希望对大家能够有所帮助。 Problem   <em>输入</em>图片<em>大小</em>为200×200,依次经过一层卷积(kernel size 5×5,padding 1,stride 2),pooling(kernel size 3×3,p...
为什么卷积层需要输入固定尺寸图像
本文内容来自:点击打开链接CNN为什么需要固定<em>输入</em>图像的尺寸了?CNN有两部分组成:卷积层和全链接层。卷积层对于图像是没有尺寸限制要求的,全链接层需要固定<em>输入</em>向量的维数,全链接层<em>输入</em>向量的维数对应全链接层的神经元个数,所以如果<em>输入</em>向量的维数不固定,那么全链接的权值参数个数也是不固定的,这样网络就是变化的。而在卷积层,我们需要学习的是11*11的kernal filter 参数个数是固定的。...
(五)深度学习入门之使用resnet对图像进行简单分类(cifar10数据集)
resnet即参差网络 原论文为:Deep Residual Learning for Image Recognition resnet用到的主要思想有两个: 1.当图像数据的长宽缩小时,会导致丢失一定的图像特征,所以这个时候需要增加图像数据的通道数。 2.为了防止加深训神经网络的层次时,训练效果比未加深网络前差,当图像数据经过两个神经网络层时,输出的数据应加上原<em>输入</em>数据,作为下一层网络的<em>输入</em>数据...
resnet的图片
res net的拓扑图图片
【深度学习笔记】深度学习用于图片的分类和检测总结
前言: 主要总结一下自己最近看文章和代码的心得。 1. CNN用于分类:具体的过程大家都知道,无非是卷积,下采样,激活函数,全连接等。CNN用于分类要求它的<em>输入</em>图片的<em>大小</em>是固定的(其实不单单是CNN,很多其它的方法也是这样的),这是它的一个不足之处之一。目前的大部分CNN都是用来做分类比较多。 2. CNN用于检测:主要的方法有两种,细分一下有三种, 第一种最为简单和暴力的,
CNN中各层图像大小的计算
CNN刚刚入门,一直不是很明白通过卷积或者pooling之后图像的<em>大小</em>是多少,看了几天之后终于搞清楚了,在这里就结合keras来说说各层图像<em>大小</em>是怎么计算的,给刚入门的一点启发吧!keras中的convolution和poolingkeras我们以0.2的版本来介绍,0.1对的版本有不一样的地方。0.1的版本的border_mode可以有三种:valid,same,full,0.2版本中的只有两种少
CNN的训练图像与测试图像不一致的多尺度问题
1. 传统检测和定位方法     对于检测和定位<em>问题</em>,最自然(也是最常用的方法)就是采用滑窗对每一个图像块进行检测,从而确定目标物体的位置。以上解决分类、检测和定位的方法有一个共同的地方,就是需要一个滑窗对整幅图像进行密集采样,然后处理每一个采样得到的图像块。传统的处理这些图像块的方法是一个接一个处理。但是,CNN有更便捷的做法。 2. CNN检测和定位方法 2.1 密集采样(滑窗)
CNN图像大小
输出尺寸=(<em>输入</em>尺寸-filter尺寸+2*padding)/stride+1
用自己的数据集做resnet-50的测试
这是我参考的博客 我的数据集是一个图片9分类的数据集,文本标签的形式为路径+空格+标签,制作的标签方法参考我上一篇博客 做一些<em>问题</em>补充如下: 1、因为我做的图片数据集稳128*128,所以把prototxt最后pool5里的kernelsize改小了一些,然后9分类所以把最后的numout改成了9 2、文本标签我做的是1从9出现了错误,我把它改成了0-8后解决 3、出现loss一直不变的...
FCN理解:为什么FCN可以使输入的图像大小可以是任意的
知乎<em>问题</em> https://www.zhihu.com/question/56688854 为什么说如果一个神经网络里面只有卷积层,那么我<em>输入</em>的图像<em>大小</em>是可以任意的。但是如果神经网络里不仅仅只有卷积层,还有全连接层,那么<em>输入</em>的图像的<em>大小</em>必须是固定的。 卷积层的参数和<em>输入</em><em>大小</em>无关,它仅仅是一个卷积核在图像上滑动,不管<em>输入</em>图像多大都没关系。图像进行卷积的时候,因为每一个卷积核中权值都是共享的,因此无论...
Java学习的正确打开方式
在博主认为,对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇博客文章中,至于总结在于个人,实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍,博客次之,这又是一个层次了,这里暂时不提后面再谈。博主将为各位入门java保驾护航,各位只管冲鸭!!!上天是公平的,只要不辜负时间,时间自然不会辜负你。 何谓学习?博主所理解的学习,它是一个过程,是一个不断累积、不断沉淀、不断总结、善于传达自己的个人见解以及乐于分享的过程。
程序员必须掌握的核心算法有哪些?
由于我之前一直强调数据结构以及算法学习的重要性,所以就有一些读者经常问我,数据结构与算法应该要学习到哪个程度呢?,说实话,这个<em>问题</em>我不知道要怎么回答你,主要取决于你想学习到哪些程度,不过针对这个<em>问题</em>,我稍微总结一下我学过的算法知识点,以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的,并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构,当然,我也会整理一些看过...
大学四年自学走来,这些私藏的实用工具/学习网站我贡献出来了
大学四年,看课本是不可能一直看课本的了,对于学习,特别是自学,善于搜索网上的一些资源来辅助,还是非常有必要的,下面我就把这几年私藏的各种资源,网站贡献出来给你们。主要有:电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意:文中提到的所有资源,文末我都给你整理好了,你们只管拿去,如果觉得不错,转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...
linux系列之常用运维命令整理笔录
本博客记录工作中需要的linux运维命令,大学时候开始接触linux,会一些基本操作,可是都没有整理起来,加上是做开发,不做运维,有些命令忘记了,所以现在整理成博客,当然vi,文件操作等就不介绍了,慢慢积累一些其它拓展的命令,博客不定时更新 free -m 其中:m表示兆,也可以用g,注意都要小写 Men:表示物理内存统计 total:表示物理内存总数(total=used+free) use...
比特币原理详解
一、什么是比特币 比特币是一种电子货币,是一种基于密码学的货币,在2008年11月1日由中本聪发表比特币白皮书,文中提出了一种去中心化的电子记账系统,我们平时的电子现金是银行来记账,因为银行的背后是国家信用。去中心化电子记账系统是参与者共同记账。比特币可以防止主权危机、信用风险。其好处不多做赘述,这一层面介绍的文章很多,本文主要从更深层的技术原理角度进行介绍。 二、<em>问题</em>引入 假设现有4个人...
程序员接私活怎样防止做完了不给钱?
首先跟大家说明一点,我们做 IT 类的外包开发,是非标品开发,所以很有可能在开发过程中会有这样那样的需求修改,而这种需求修改很容易造成扯皮,进而影响到费用支付,甚至出现做完了项目收不到钱的情况。 那么,怎么保证自己的薪酬安全呢? 我们在开工前,一定要做好一些证据方面的准备(也就是“讨薪”的理论依据),这其中最重要的就是需求文档和验收标准。一定要让需求方提供这两个文档资料作为开发的基础。之后开发...
网页实现一个简单的音乐播放器(大佬别看。(⊙﹏⊙))
今天闲着无事,就想写点东西。然后听了下歌,就打算写个播放器。 于是乎用h5 audio的加上js简单的播放器完工了。 演示地点演示 html代码如下` music 这个年纪 七月的风 音乐 ` 然后就是css`*{ margin: 0; padding: 0; text-decoration: none; list-...
Python十大装B语法
Python 是一种代表简单思想的语言,其语法相对简单,很容易上手。不过,如果就此小视 Python 语法的精妙和深邃,那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点,并附上详细的实例代码。如能在实战中融会贯通、灵活使用,必将使代码更为精炼、高效,同时也会极大提升代码B格,使之看上去更老练,读起来更优雅。
数据库优化 - SQL优化
以实际SQL入手,带你一步一步走上SQL优化之路!
通俗易懂地给女朋友讲:线程池的内部原理
餐盘在灯光的照耀下格外晶莹洁白,女朋友拿起红酒杯轻轻地抿了一小口,对我说:“经常听你说线程池,到底线程池到底是个什么原理?”
经典算法(5)杨辉三角
杨辉三角 是经典算法,这篇博客对它的算法思想进行了讲解,并有完整的代码实现。
使用 Docker 部署 Spring Boot 项目
Docker 技术发展为微服务落地提供了更加便利的环境,使用 Docker 部署 Spring Boot 其实非常简单,这篇文章我们就来简单学习下。首先构建一个简单的 S...
英特尔不为人知的 B 面
从 PC 时代至今,众人只知在 CPU、GPU、XPU、制程、工艺等战场中,英特尔在与同行硬件芯片制造商们的竞争中杀出重围,且在不断的成长进化中,成为全球知名的半导体公司。殊不知,在「刚硬」的背后,英特尔「柔性」的软件早已经做到了全方位的支持与支撑,并持续发挥独特的生态价值,推动产业合作共赢。 而对于这一不知人知的 B 面,很多人将其称之为英特尔隐形的翅膀,虽低调,但是影响力却不容小觑。 那么,在...
面试官:你连RESTful都不知道我怎么敢要你?
干货,2019 RESTful最贱实践
刷了几千道算法题,这些我私藏的刷题网站都在这里了!
遥想当年,机缘巧合入了 ACM 的坑,周边巨擘林立,从此过上了"天天被虐似死狗"的生活… 然而我是谁,我可是死狗中的战斗鸡,智力不够那刷题来凑,开始了夜以继日哼哧哼哧刷题的日子,从此"读题与提交齐飞, AC 与 WA 一色 ",我惊喜的发现被题虐既刺激又有快感,那一刻我泪流满面。这么好的事儿作为一个正直的人绝不能自己独享,经过激烈的颅内斗争,我决定把我私藏的十几个 T 的,阿不,十几个刷题网...
白话阿里巴巴Java开发手册高级篇
不久前,阿里巴巴发布了《阿里巴巴Java开发手册》,总结了阿里巴巴内部实际项目开发过程中开发人员应该遵守的研发流程规范,这些流程规范在一定程度上能够保证最终的项目交付质量,通过在时间中总结模式,并推广给广大开发人员,来避免研发人员在实践中容易犯的错误,确保最终在大规模协作的项目中达成既定目标。 无独有偶,笔者去年在公司里负责升级和制定研发流程、设计模板、设计标准、代码标准等规范,并在实际工作中进行...
SQL-小白最佳入门sql查询一
不要偷偷的查询我的个人资料,即使你再喜欢我,也不要这样,真的不好;
redis分布式锁,面试官请随便问,我都会
文章有点长并且绕,先来个图片缓冲下! 前言 现在的业务场景越来越复杂,使用的架构也就越来越复杂,分布式、高并发已经是业务要求的常态。像腾讯系的不少服务,还有CDN优化、异地多备份等处理。 说到分布式,就必然涉及到分布式锁的概念,如何保证不同机器不同线程的分布式锁同步呢? 实现要点 互斥性,同一时刻,智能有一个客户端持有锁。 防止死锁发生,如果持有锁的客户端崩溃没有主动释放锁,也要保证锁可以正常释...
项目中的if else太多了,该怎么重构?
介绍 最近跟着公司的大佬开发了一款IM系统,类似QQ和微信哈,就是聊天软件。我们有一部分业务逻辑是这样的 if (msgType = "文本") { // dosomething } else if(msgType = "图片") { // doshomething } else if(msgType = "视频") { // doshomething } else { // doshom...
Nginx 原理和架构
Nginx 是一个免费的,开源的,高性能的 HTTP 服务器和反向代理,以及 IMAP / POP3 代理服务器。Nginx 以其高性能,稳定性,丰富的功能,简单的配置和低资源消耗而闻名。 Nginx 的整体架构 Nginx 里有一个 master 进程和多个 worker 进程。master 进程并不处理网络请求,主要负责调度工作进程:加载配置、启动工作进程及非停升级。worker 进程负责处...
“狗屁不通文章生成器”登顶GitHub热榜,分分钟写出万字形式主义大作
一、垃圾文字生成器介绍 最近在浏览GitHub的时候,发现了这样一个骨骼清奇的雷人项目,而且热度还特别高。 项目中文名:狗屁不通文章生成器 项目英文名:BullshitGenerator 根据作者的介绍,他是偶尔需要一些中文文字用于GUI开发时测试文本渲染,因此开发了这个废话生成器。但由于生成的废话实在是太过富于哲理,所以最近已经被小伙伴们给玩坏了。 他的文风可能是这样的: 你发现,...
程序员:我终于知道post和get的区别
是一个老生常谈的话题,然而随着不断的学习,对于以前的认识有很多误区,所以还是需要不断地总结的,学而时习之,不亦说乎
《程序人生》系列-这个程序员只用了20行代码就拿了冠军
你知道的越多,你不知道的越多 点赞再看,养成习惯GitHub上已经开源https://github.com/JavaFamily,有一线大厂面试点脑图,欢迎Star和完善 前言 这一期不算《吊打面试官》系列的,所有没前言我直接开始。 絮叨 本来应该是没有这期的,看过我上期的小伙伴应该是知道的嘛,双十一比较忙嘛,要值班又要去帮忙拍摄年会的视频素材,还得搞个程序员一天的Vlog,还要写BU...
加快推动区块链技术和产业创新发展,2019可信区块链峰会在京召开
11月8日,由中国信息通信研究院、中国通信标准化协会、中国互联网协会、可信区块链推进计划联合主办,科技行者协办的2019可信区块链峰会将在北京悠唐皇冠假日酒店开幕。   区块链技术被认为是继蒸汽机、电力、互联网之后,下一代颠覆性的核心技术。如果说蒸汽机释放了人类的生产力,电力解决了人类基本的生活需求,互联网彻底改变了信息传递的方式,区块链作为构造信任的技术有重要的价值。   1...
Java世界最常用的工具类库
Apache Commons Apache Commons有很多子项目 Google Guava 参考博客
程序员把地府后台管理系统做出来了,还有3.0版本!12月7号最新消息:已在开发中有github地址
第一幕:缘起 听说阎王爷要做个生死簿后台管理系统,我们派去了一个程序员…… 996程序员做的梦: 第一场:团队招募 为了应对地府管理危机,阎王打算找“人”开发一套地府后台管理系统,于是就在地府总经办群中发了项目需求。 话说还是中国电信的信号好,地府都是满格,哈哈!!! 经常会有外行朋友问:看某网站做的不错,功能也简单,你帮忙做一下? 而这次,面对这样的需求,这个程序员...
网易云6亿用户音乐推荐算法
网易云音乐是音乐爱好者的集聚地,云音乐推荐系统致力于通过 AI 算法的落地,实现用户千人千面的个性化推荐,为用户带来不一样的听歌体验。 本次分享重点介绍 AI 算法在音乐推荐中的应用实践,以及在算法落地过程中遇到的挑战和解决方案。 将从如下两个部分展开: AI算法在音乐推荐中的应用 音乐场景下的 AI 思考 从 2013 年 4 月正式上线至今,网易云音乐平台持续提供着:乐屏社区、UGC...
【技巧总结】位运算装逼指南
位算法的效率有多快我就不说,不信你可以去用 10 亿个数据模拟一下,今天给大家讲一讲位运算的一些经典例子。不过,最重要的不是看懂了这些例子就好,而是要在以后多去运用位运算这些技巧,当然,采用位运算,也是可以装逼的,不信,你往下看。我会从最简单的讲起,一道比一道难度递增,不过居然是讲技巧,那么也不会太难,相信你分分钟看懂。 判断奇偶数 判断一个数是基于还是偶数,相信很多人都做过,一般的做法的代码如下...
为什么要学数据结构?
一、前言 在可视化化程序设计的今天,借助于集成开发环境可以很快地生成程序,程序设计不再是计算机专业人员的专利。很多人认为,只要掌握几种开发工具就可以成为编程高手,其实,这是一种误解。要想成为一个专业的开发人员,至少需要以下三个条件: 1) 能够熟练地选择和设计各种数据结构和算法 2) 至少要能够熟练地掌握一门程序设计语言 3) 熟知所涉及的相关应用领域的知识 其中,后两个条件比较容易实现,而第一个...
Android 9.0 init 启动流程
阅读五分钟,每日十点,和您一起终身学习,这里是程序员Android本篇文章主要介绍Android开发中的部分知识点,通过阅读本篇文章,您将收获以下内容:一、启动流程概述一、 启动流程概述Android启动流程跟Linux启动类似,大致分为如下五个阶段。1.开机上电,加载固化的ROM。2.加载BootLoader,拉起Android OS。3.加载Uboot,初始外设,引导Kernel启动等。...
8年经验面试官详解 Java 面试秘诀
作者 |胡书敏 责编 | 刘静 出品 | CSDN(ID:CSDNnews) 本人目前在一家知名外企担任架构师,而且最近八年来,在多家外企和互联网公司担任Java技术面试官,前后累计面试了有两三百位候选人。在本文里,就将结合本人的面试经验,针对Java初学者、Java初级开发和Java开发,给出若干准备简历和准备面试的建议。 Java程序员准备和投递简历的实...
面试官如何考察你的思维方式?
1.两种思维方式在求职面试中,经常会考察这种<em>问题</em>:北京有多少量特斯拉汽车?某胡同口的煎饼摊一年能卖出多少个煎饼?深圳有多少个产品经理?一辆公交车里能装下多少个乒乓球?一个正常成年人有多少根头发?这类估算<em>问题</em>,被称为费米<em>问题</em>,是以科学家费米命名的。为什么面试会问这种<em>问题</em>呢?这类<em>问题</em>能把两类人清楚地区分出来。一类是具有文科思维的人,擅长赞叹和模糊想象,它主要依靠的是人的第一反应和直觉,比如小孩...
前后端分离,我怎么就选择了 Spring Boot + Vue 技术栈?
前两天又有小伙伴私信松哥,<em>问题</em>还是职业规划,Java 技术栈路线这种,实际上对于这一类<em>问题</em>我经常不太敢回答,每个人的情况都不太一样,而小伙伴也很少详细介绍自己的情况,大都是一两句话就把<em>问题</em>抛出来了,啥情况都不了解,就要指出一个方向,这实在是太难了。 因此今天我想从我学习 Spring Boot + Vue 这套技术栈的角度,来和大家聊一聊没有人指导,我是如何一步一步建立起自己的技术体系的。 线上大...
17张图带你解析红黑树的原理!保证你能看懂!
二叉查找树 由于红黑树本质上就是一棵二叉查找树,所以在了解红黑树之前,咱们先来看下二叉查找树。 二叉查找树(Binary Search Tree),也称有序二叉树(ordered binary tree),排序二叉树(sorted binary tree),是指一棵空树或者具有下列性质的二叉树: 若任意结点的左子树不空,则左子树上所有结点的值均小于它的根结点的值; 若任意结点的...
so easy! 10行代码写个"狗屁不通"文章生成器
前几天,GitHub 有个开源项目特别火,只要<em>输入</em>标题就可以生成一篇长长的文章。 背后实现代码一定很复杂吧,里面一定有很多高深莫测的机器学习等复杂算法 不过,当我看了源代码之后 这程序不到50行 尽管我有多年的Python经验,但我竟然一时也没有看懂 当然啦,原作者也说了,这个代码也是在无聊中诞生的,平时撸码是不写中文变量名的, 中文...
知乎高赞:中国有什么拿得出手的开源软件产品?(整理自本人原创回答)
知乎高赞:中国有什么拿得出手的开源软件产品? 在知乎上,有个<em>问题</em>问“中国有什么拿得出手的开源软件产品(在 GitHub 等社区受欢迎度较好的)?” 事实上,还不少呢~ 本人于2019.7.6进行了较为全面的回答,对这些受欢迎的 Github 开源项目分类整理如下: 分布式计算、云平台相关工具类 1.SkyWalking,作者吴晟、刘浩杨 等等 仓库地址: apache/skywalking 更...
MySQL数据库总结
一、数据库简介 数据库(Database,DB)是按照数据结构来组织,存储和管理数据的仓库。 典型特征:数据的结构化、数据间的共享、减少数据的冗余度,数据的独立性。 关系型数据库:使用关系模型把数据组织到数据表(table)中。现实世界可以用数据来描述。 主流的关系型数据库产品:Oracle(Oracle)、DB2(IBM)、SQL Server(MS)、MySQL(Oracle)。 数据表:数...
记一次腾讯面试:进程之间究竟有哪些通信方式?如何通信? ---- 告别死记硬背
有一次面试的时候,被问到进程之间有哪些通信方式,不过由于之前没深入思考且整理过,说的并不好。想必大家也都知道进程有哪些通信方式,可是我猜很多人都是靠着”背“来记忆的,所以今天的这篇文章,讲给大家详细着讲解他们是如何通信的,让大家尽量能够理解他们之间的区别、优缺点等,这样的话,以后面试官让你举例子,你也能够顺手拈来。 1、管道 我们来看一条 Linux 的语句 netstat -tulnp | gr...
20行Python代码爬取王者荣耀全英雄皮肤
引言 王者荣耀大家都玩过吧,没玩过的也应该听说过,作为时下最火的手机MOBA游戏,咳咳,好像跑题了。我们今天的重点是爬取王者荣耀所有英雄的所有皮肤,而且仅仅使用20行Python代码即可完成。 准备工作 爬取皮肤本身并不难,难点在于分析,我们首先得得到皮肤图片的url地址,话不多说,我们马上来到王者荣耀的官网: 我们点击英雄资料,然后随意地选择一位英雄,接着F12打开调试台,找到英雄原皮肤的图片...
傲慢与无知,请警惕伪需求的陷阱!
前言 你是否有这样的思考,与人争辩时,明明对于自己的认知和立场有着清楚的认识,同样身为人类的另一个人却完全无法接纳你的观点,这是为什么。 人类作为一个高等生物智能机器人,具备自我内存优化的能力,这一能力增加了人类的模糊处理能力从而出现了创造性,同时却削弱了人类的真理认知能力。 个体认知范围是有限的,个体只会做出认知范围内所接受的举动 青少年的时候,我常常有一种自己是特别的,是与众不同的感觉。而这种...
中年危机,35 岁定律,见鬼去吧!
中年危机,35 岁定律,相信你都听说过,每次触及还会让你感到丝丝焦虑,毕竟时间这把杀猪刀不会放过任何一个人。中年危机或 35 岁定律是客观存在的,你迟早都会遭遇的,那你是否有信心战胜它呢? 中年危机之所以让人害怕,一则是你没有把握打赢这场遭遇战,再则中年是一个输不起的阶段。古人云:知己知彼,百战不殆。恐惧,主要源自对敌人和自己的不了解,不知道敌人的优劣势,也不清楚自己的长短板,常常以己之所短攻彼...
腾讯架构师,为了家庭去小厂,一个月后主动离职:不做中台就是等死
今天咱们第一课,来讲讲大家一直很关注的数据中台。其实,数据中台也是企业数据管理的一部分,甚至可以说是很重要的一部分。 一、什么是中台? 这其实是一个老生常谈的概念了,中台,顾名思义,就是在起中间作用的东西,前有前台,后有后台。 对于中台每个人可能有不同的理解,行业里也没有严格的定义,但我更认同其中一个说法就是:中台是企业级能力复用的平台。 那这句话怎么理解呢? 既然核心是能力复...
用sql演示脏读,不可重复读,幻读,不怕你看不懂
介绍 要聊事务,不可避免的要提到数据库事务的四大特性 原子性(Atomic) 一致性(Consistency) 隔离性(Isolation) 持久性(Durability) 今天只聊隔离性,其他的比较好理解,建议看推荐阅读中关于事务的讲解。 先放一个表格,看看4个隔离级别会出现的各种<em>问题</em>,网上的解释一大堆。看完后还是一脸蒙蔽,感觉懂了,又好像没懂。因为没有具体的演示例子,索性自己尝试复现这几个<em>问题</em>...
张小龙-年薪近3亿的微信之父,他是如何做到的?
张小龙生于湖南邵东魏家桥镇, 家庭主要特点:穷。 不仅自己穷,亲戚也都很穷,可以说穷以类聚。爷爷做过铜匠,总的来说,标准的劳动阶级出身。 家有兄弟两人, 一个小龙,一个小虎。 小虎好动,与邻里打成一片, 小龙好静,喜好读书。 “文静的像个妹子。”张小龙的表哥如是说。 穷文富武,做个读书郎是个不错的选择。 87年至94年, 华中科技大学本硕连读。 本科就读电信系, 不喜欢上课...
阿里靠什么武功秘籍渡过“双十一“的天量冲击
双十一大概会产生多大的数据量呢,可能大家没概念,举个例子央视拍了这么多年电视新闻节目,几十年下来他存了大概80P的数据。而今年双11一天,阿里要处理970P的数据,做为一个IT人,笔者认为今年”双十一“阿里最大的技术看点有有以下两个: 阿里的数据库,也就是刚刚拿下TPC冠军的OcceanBase,处理峰值也达到了骇人听闻的6100万次/秒, 阿里核心系统百分百上云了。 如果把信息系统比做一个武...
西游记团队中如果需要裁掉一个人,会先裁掉谁?
2019年互联网寒冬,大批企业开始裁员,下图是网上流传的一张截图: 裁员不可避免,那如何才能做到不管大环境如何变化,自身不受影响呢? 我们先来看一个有意思的故事,如果西游记取经团队需要裁员一名,会裁掉谁呢,为什么? 西游记团队组成: 1.唐僧 作为团队teamleader,有很坚韧的品性和极高的原则性,不达目的不罢休,遇到任何<em>问题</em>,都没有退缩过,又很得上司支持和赏识(直接得到唐太宗的任命,既给袈...
Python调用百度API实现语音识别(二)
咪哥杂谈本篇阅读时间约为 5 分钟。1前言上一篇文章里,大致介绍了百度官方 api 的一些前置准备工作。想回顾的同学,可以看完本篇在下面找到历史链接。今天就来上手实战编码,体验一下代码实现以及编程中遇到的坑。2环境准备开始之前,安装百度语音 sdk ,Python 版。pip install baidu-aip环境很简单,就这一步,完成即可编码。3代码撸起直接拷贝官方提供的代码,就行了,改点参数,...
iOS Bug 太多,苹果终于坐不住了!
开源的 Android 和闭源的 iOS,作为用户的你,更偏向哪一个呢? 整理 | 屠敏 出品 | CSDN(ID:CSDNnews) 毋庸置疑,当前移动设备操作系统市场中,Android 和 iOS 作为两大阵营,在相互竞争的同时不断演进。不过一直以来,开源的 Android 吸引了无数的手机厂商涌入其中,为其生态带来了百花齐放的盛景,但和神秘且闭源的 iOS 系统相比,不少网友...
究竟你适不适合买Mac?
我清晰的记得,刚买的macbook pro回到家,开机后第一件事情,就是上了淘宝网,花了500元钱,找了一个上门维修电脑的师傅,上门给我装了一个windows系统。。。。。。 表砍我。。。 当时买mac的初衷,只是想要个固态硬盘的笔记本,用来运行一些复杂的扑克软件。而看了当时所有的SSD笔记本后,最终决定,还是买个好(xiong)看(da)的。 已经有好几个朋友问我mba怎么样了,所以今天尽量客观...
程序员一般通过什么途径接私活?
二哥,你好,我想知道一般程序猿都如何接私活,我也想接,能告诉我一些方法吗? 上面是一个读者“烦不烦”问我的一个<em>问题</em>。其实不止是“烦不烦”,还有很多读者问过我类似这样的<em>问题</em>。 我接的私活不算多,挣到的钱也没有多少,加起来不到 20W。说实话,这个数目说出来我是有点心虚的,毕竟太少了,大家轻喷。但我想,恰好配得上“一般程序员”这个称号啊。毕竟苍蝇再小也是肉,我也算是有经验的人了。 唾弃接私活、做外...
hessian jar包下载
hessian jar包,包括源码jar 相关下载链接:[url=//download.csdn.net/download/wxbcrefut_163/6198107?utm_source=bbsseo]//download.csdn.net/download/wxbcrefut_163/6198107?utm_source=bbsseo[/url]
JAVA.2核心技术.卷II:高级特性7th-2下载
JAVA.2核心技术.卷II:高级特性7th.zip.002 相关下载链接:[url=//download.csdn.net/download/pushpull126com/7574611?utm_source=bbsseo]//download.csdn.net/download/pushpull126com/7574611?utm_source=bbsseo[/url]
SSH.jar_整合jar包下载
hibernate,sturts2,spring.三个框架的整合压缩包:包含三个框架所需的jar 相关下载链接:[url=//download.csdn.net/download/zhanghaiming012/10682539?utm_source=bbsseo]//download.csdn.net/download/zhanghaiming012/10682539?utm_source=bbsseo[/url]
相关热词 c# 输入ip c# 乱码 报表 c#选择结构应用基本算法 c# 收到udp包后回包 c#oracle 头文件 c# 序列化对象 自定义 c# tcp 心跳 c# ice连接服务端 c# md5 解密 c# 文字导航控件
我们是很有底线的