地平线旭日x3派部署yolov5--全流程

地平线旭日x3派部署yolov5--全流程

    • 前言
    • 一、深度学习环境安装
    • 二、安装docker
    • 三、部署
      • 3.1、安装工具链镜像
      • 3.2、配置天工开物OpenExplorer工具包
      • 3.3、创建深度学习虚拟空间，安装依赖：
      • 3.4、下载yolov5项目源码并运行
      • 3.5、pytorch的pt模型文件转onnx
      • 3.6、最重要且最难的部分：ONNX模型转换成bin模型
    • 四、上板运行

前言

原文参考：https://blog.csdn.net/Zhaoxi_Li/article/details/125516265
https://blog.csdn.net/Zhaoxi_Li/article/details/126651890?spm=1001.2014.3001.5502

这次部署的过程在windows下进行，深度学习环境和docker都是安装在windows中。
系统：win10
gpu：NVIDIA GeForce GTX 1650
在这里插入图片描述
简单来说就是一块性能拉跨点的笔记本电脑，可以直接插入鼠标、键盘、显示屏，当作电脑使用。这使得可以部署深度学习算法到这块板子上。

一、深度学习环境安装

如果只是想体验一下部署，不使用自己的模型的话，其实深度学习的环境都不用安装。
1、安装anaconda
anaconda的介绍看这篇：https://blog.csdn.net/weixin_56197703/article/details/124630222
下载一般两个选择，一个是官网，另一个是国内镜像网站。
①官网下载：直接下载最新就好了
在这里插入图片描述
②镜像网站下载：可以下载下面圈起来的其中之一
在这里插入图片描述

安装过程： 建议直接安装c盘，避免不必要的错误，前提是c盘名称是英文。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
下面这里，第一个选项意思就是将安装路径填入到系统环境变量中，这里勾选，后面使用着可能会出现问题，如果这里不勾选的话，就要自己区设置环境变量。
在这里插入图片描述
如果前面这个没勾选的话就进行环境变量设置：
此电脑----->属性----->高级系统设置----->环境变量----->path----->编辑----->新建。
在这里插入图片描述
将如下指令添加到环境变量：这里要根据自己的安装位置进行更改。

E:\Anaconda 
E:\Anaconda\Scripts 
E:\Anaconda\Library\mingw-w64\bin
E:\Anaconda\Library\usr\bin 
E:\Anaconda\Library\bin

在这里插入图片描述
配置完成之后测试安装是否成功：
搜索cmd或者win+r键入cmd：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
如果报错大概率是环境变量问题，认真弄。

2、安装cuda与cudnn
①查看显卡支持的最高CUDA的版本，以便下载对应的CUDA安装包：
win+R输入cmd进入命令提示符，输入：nvidia-smi
在这里插入图片描述
我这里在未安装之前显示的是11.6，表示最高支持11.6，不是只能下载11.6。由于电脑比较拉跨，这里选择10.2版本，在NVIDIA官方网站即可下载，地址为：https://developer.nvidia.com/cuda-toolkit-archive
在这里插入图片描述
安装包下载完成之后先安装第一个最大的哪个：基本就是一路向下，问你啥都勾选。
在这里插入图片描述
再安装两个比较小的补丁，这个补丁直接精简安装就行。

②确定CUDA版本对应的cuDNN版本并安装：
cudnn下载地址：https://developer.nvidia.com/rdp/cudnn-archive （需要注册NV账号），这里面直接写着有对应版本，我这里cuda10.2对应的有挺多版本，任选一个：
在这里插入图片描述
③安装pytorch
首先看pytorch与cuda的对应版本关系：
在这里插入图片描述
GPU版本的pytorch建议离线安装，安装包地址：https://download.pytorch.org/whl/torch_stable.html。
找到对应的cuda版本，python版本，系统版本进行安装，我这里安装anaconda时python版本是3.7，cuda是10.2，Pytorch版本选择1.9.0，所以最终下载的安装包是：
在这里插入图片描述
其中cu代表了cuda版本，cp代表了python版本，torch代表要安装的pytorch版本。
安装过程直接参考b站视频：https://www.bilibili.com/video/BV1Cr4y1u76N/?p=6&spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=2a10d30b8351190ea06d85c5d0bfcb2a。
后续的torchvision和pycharm的安装都直接看视频来的快。

二、安装docker

进入Docker Desktop下载桌面版的docker
在这里插入图片描述
下载完成之后双击打开安装包进行安装，安装完成之后双击打开，如果此时报错：Docker Desktop is unable to detect a Hypervisor
解决：进入控制面板->程序->启用或关闭windows功能->勾选Hyper-V，此时应该会自动重启电脑，如果没有的话手动重启。
此时再次双击打开docker，如果报另一个错，类似下面这样的：
在这里插入图片描述
解决：以管理员权限打开powershell，输入wsl --update更新wsl，此时应该就可以了。
打开docker之后，界面应该如下：
在这里插入图片描述

三、部署

3.1、安装工具链镜像

从地平线天工开物cpu docker hub获取部署所需要的CentOS Docker镜像。使用最新的镜像v1.13.6（实测需要梯子才能进这个网站）
在这里插入图片描述
以管理员模式运行CMD，输入docker，可以显示出docker的帮助信息：
在这里插入图片描述
在cmd中输入命令docker pull openexplorer/ai_toolchain_centos_7:v1.13.6，之后会自动开始镜像的安装。安装成功之后，即可在docker中看到成功安装的工具链镜像：
在这里插入图片描述

3.2、配置天工开物OpenExplorer工具包

OpenExplorer工具包的下载，需要wget支持，wget的下载链接为：https://eternallybored.org/misc/wget/。下载x64对应的压缩包。
在这里插入图片描述
下载完成解压之后如下图：
在这里插入图片描述
然后将wget.exe复制到C:\Windows\System32下：
在这里插入图片描述
这样就可以了。然后win+R→cmd，输入wget，出现如下的界面说明安装成功：
在这里插入图片描述
安装好之后即可在cmd中通过如下命令下载OpenExplorer工具包：也可以自己选择其他版本(https://developer.horizon.ai/forumDetail/136488103547258769)

wget -c ftp://vrftp.horizon.ai/Open_Explorer_gcc_9.3.0/2.2.3/horizon_xj3_open_explorer_v2.2.3a_20220701.tar.gz

3.3、创建深度学习虚拟空间，安装依赖：

①创建虚拟环境：
打开anaconda prompt，创建虚拟环境
在这里插入图片描述
在这里插入图片描述
创建完成之后进入虚拟环境：conda activate test
②安装ONNX：
由于需要将Pytorch模型是可以转为ONNX模型，所以需要这一步

# 安装关键包ONNX
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple onnx

③安装yolov5需要的一些包：
安装之前最好去搜一搜版本对应关系，这里是python3.7，如果版本不兼容后面会报错。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.1 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 tqdm>=4.64.0 tensorboard>=2.4.1 pandas>=1.1.4 seaborn>=0.11.0 ipython psutil thop>=0.1.1

3.4、下载yolov5项目源码并运行

本篇博客大部分参考https://blog.csdn.net/Zhaoxi_Li/article/details/126651890?spm=1001.2014.3001.5502，使用的也是他分享的源码，直接进百度网盘下载项目：https://pan.baidu.com/share/init?surl=K4WhC9vaA7p__uWS-ovn8A，提取码:0A09。
在这里插入图片描述
流程如下，可以看到对应目录和操作，需要进入虚拟空间：
在这里插入图片描述
这样测试成功之后环境大概率没问题，可以进行后续，本篇不自己训练模型，直接使用原始模型进行部署。

3.5、pytorch的pt模型文件转onnx

旭日x3派当前BPU支持onnx的opset版本为11，不用这个版本就会报错：
注意所在目录，需要在yolov5-master下。

python .\export.py --weights .\models\yolov5s.pt --include onnx --opset 11

在这里插入图片描述

3.6、最重要且最难的部分：ONNX模型转换成bin模型

1、启动docker，将需要用到的文件夹挂载到docker中：
在进入docker之前，先确定几个内容：
******天工开物OpenExplorer根目录：我的环境下是"G:\bushu_xiangguan\horizon_xj3_open_explorer_v2.2.3a_20220701"，记得加双引号防止出现空格，该目录要挂载在docker中/open_explorer目录下。
******dataset根目录（放数据集的地方，这里没用到）：我的环境下是"G:\bushu_xiangguan\Codes\dateset"，记得加双引号防止出现空格，该目录需要挂载在docker中的/data/horizon_x3/data目录下。
******辅助文件夹根目录：官方教程其实是没有这个过程的，把这个挂载在docker里，就是充当个类似U盘的介质。比如在我的环境下是"G:\bushu_xiangguan\BPUCodes"，我可以在windows里面往这个文件夹拷贝数据，这些数据就可以在docker中使用，该目录需要挂载在docker中的/data/horizon_x3/codes目录下。
上面这些目录都需要自己建。

win+R→cmd，进入命令符，输入如下指令即可进入docker：
CMD不支持换行，记得删掉后面的\然后整理为一行

docker run -it --rm \
-v "G:\bushu_xiangguan\horizon_xj3_open_explorer_v2.2.3a_20220701":/open_explorer \
-v "G:\bushu_xiangguan\Codes\dateset":/data/horizon_x3/data \
-v "G:\bushu_xiangguan\BPUCodes":/data/horizon_x3/codes \
openexplorer/ai_toolchain_centos_7:v1.13.6

在这里插入图片描述
两个箭头是挂载的目标目录：其中天工开物OpenExplorer根目录挂载到了open_explorer目录下；dataset根目录和辅助文件夹根目录挂载到了data/horizon_x3下的codes和data目录下。

2、开启模型转换主流程：
首先在BPUcodes下新建yolov5目录，在yolov5中再新建一个bpucodes，将前面转换好的onnx模型放进去。
2.1、onnx模型检查：
docker中进入bpucodes目录：
在这里插入图片描述
输入hb_mapper checker --model-type onnx --march bernoulli2 --model yolov5s.onnx开始模型检查。如下图即检查成功。
在这里插入图片描述
检查指令的各个参数含义如下：
在这里插入图片描述
实际上在天工开物工具包里提供了脚本进行模型转换各个步骤，以yolov5为例子，路径如下：
G:\bushu_xiangguan\horizon_xj3_open_explorer_v2.2.3a_20220701\ddk\samples\ai_toolchain\horizon_model_convert_sample\04_detection\03_yolov5s\mapper
在这里插入图片描述
上面进行模型验证的命令实际上也就是01_check.sh执行的主要内容。
2.2、准备校准数据
这步实际上就是运行02_preprocess.sh这个脚本，这个脚本的核心调用的是python文件data_preprocess.py。它位于：
G:\bushu_xiangguan\horizon_xj3_open_explorer_v2.2.3a_20220701\ddk\samples\ai_toolchain\horizon_model_convert_sample。
如果要部署自己训练的模型的话，这个工具包里没有对应的脚本去准备校准数据，所以这个py是比较好的选择，将写完的prepare_calibration_data.py文件也放进自己建的bpucodes文件夹中，这里面的src_root就是待校准的图片100张，这里使用coco数据集里的。dst_root就是保存校准完的图片的文件夹。

# prepare_calibration_data.py
import os
import cv2
import numpy as np

src_root = '/open_explorer/ddk/samples/ai_toolchain/horizon_model_convert_sample/01_common/calibration_data/coco'
cal_img_num = 100  # 想要的图像个数
dst_root = '/data/horizon_x3/codes/yolov5/bpucodes/calibration_data'


## 1. 从原始图像文件夹中获取100个图像作为校准数据
num_count = 0
img_names = []
for src_name in sorted(os.listdir(src_root)):
    if num_count > cal_img_num:
        break
    img_names.append(src_name)
    num_count += 1

# 检查目标文件夹是否存在，如果不存在就创建
if not os.path.exists(dst_root):
    os.system('mkdir {0}'.format(dst_root))

## 2 为每个图像转换
# 参考了OE中/open_explorer/ddk/samples/ai_toolchain/horizon_model_convert_sample/01_common/python/data/下的相关代码
# 转换代码写的很棒，很智能，考虑它并不是官方python包，所以我打算换一种写法

## 2.1 定义图像缩放函数，返回为np.float32
# 图像缩放为目标尺寸(W, H)
# 值得注意的是，缩放时候，长宽等比例缩放，空白的区域填充颜色为pad_value, 默认127
def imequalresize(img, target_size, pad_value=127.):
    target_w, target_h = target_size
    image_h, image_w = img.shape[:2]
    img_channel = 3 if len(img.shape) > 2 else 1

    # 确定缩放尺度，确定最终目标尺寸
    scale = min(target_w * 1.0 / image_w, target_h * 1.0 / image_h)
    new_h, new_w = int(scale * image_h), int(scale * image_w)

    resize_image = cv2.resize(img, (new_w, new_h))

    # 准备待返回图像
    pad_image = np.full(shape=[target_h, target_w, img_channel], fill_value=pad_value)

    # 将图像resize_image放置在pad_image的中间
    dw, dh = (target_w - new_w) // 2, (target_h - new_h) // 2
    pad_image[dh:new_h + dh, dw:new_w + dw, :] = resize_image

    return pad_image

## 2.2 开始转换
for each_imgname in img_names:
    img_path = os.path.join(src_root, each_imgname)

    img = cv2.imread(img_path)  # BRG, HWC
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # RGB, HWC
    img = imequalresize(img, (640, 640))
    img = np.transpose(img, (2, 0, 1))  # RGB, CHW

    # 将图像保存到目标文件夹下
    dst_path = os.path.join(dst_root, each_imgname + '.rgbchw')
    print("write:%s" % dst_path)
    # 图像加载默认就是uint8，但是不加这个astype的话转换模型就会出错
    # 转换模型时候，加载进来的数据竟然是float64，不清楚内部是怎么加载的。
    img.astype(np.uint8).tofile(dst_path) 

print('finish')

更改src_root 和drt_root为自己的路径。执行python3 prepare_callbration_data.py
在这里插入图片描述

2.3、模型转换
模型转换的核心在于配置目标的yaml文件。官方也提供了一个yolov5s_config.yaml可供用户直接试用，每个参数都给了注释。然而模型转换的配置文件参数太多，如果想改参数都不知道如何下手。本yaml模板适用于的模型具有如下属性：无自定义层，换句话说，BPU支持该模型的所有层。输入节点只有1个，且输入是图像。
自己写的yolov5_simple.yaml文件也放到bpucodes下。

model_parameters:
  onnx_model: 'yolov5s.onnx'
  output_model_file_prefix: 'yolov5s'
  march: 'bernoulli2'
input_parameters:
  input_type_train: 'rgb'
  input_layout_train: 'NCHW'
  input_type_rt: 'nv12'
  norm_type: 'data_scale'
  scale_value: 0.003921568627451
  input_layout_rt: 'NHWC'
calibration_parameters:
  cal_data_dir: './calibration_data'
  calibration_type: 'max'
  max_percentile: 0.9999
compiler_parameters:
  compile_mode: 'latency'
  optimize_level: 'O3'
  debug: False
  core_num: 2  # x3p是双核BPU，所以指定为2可以速度更快

输入：hb_mapper makertbin --config convert_yolov5s.yaml --model-type onnx即开始模型转换。转换成功后，得到model_output/yolov5s.bin，它就是上板运行所需要的模型文件。
在这里插入图片描述

四、上板运行

在这里插入图片描述
将这些文件拷贝到x3派新建的测试文件夹中，一部分是要到百度网盘中获取的。
输入sudo apt-get install libopencv-dev安装opencv库，进入这里这个test_yolov5文件夹，执行：python3 setup.py build_ext --inplace编译后处理代码，得到lib/pyyolotools.cpython-38-aarch64-linux-gnu.so文件。

输入：sudo python3 inference_model_bpu.py进行推理，推理完成之后会保存结果图片：
在这里插入图片描述
这个未优化的初始yolvv5模型还是很捞的，推理速度很慢。但是这里后处理速度很快，cython封装加速的结果。后处理就是指模型推理完成之后在图片上画出结果的过程。

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：/a/450323.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

网络安全行业真的内卷了吗？

网络安全行业真的内卷了吗？

有一个特别流行的词语叫做“内卷”： 城市内卷太严重了，年轻人不好找工作；教育内卷；考研内卷；当然还有计算机行业内卷…… 这里的内卷当然不是这个词原本的意思，而是“过剩”“饱和”的替代词。 按照网络安…
阅读更多...
场效应管(MOSFET)如何选型？一文详解选型要点

场效应管(MOSFET)如何选型？一文详解选型要点

一、MOSFET简介 场效应管(MOSFET)也叫场效应晶体管，是一种单极型的电压控制器件，不但有自关断能力，而且具备输入电阻高、噪声小、功耗低、驱动功率小、开关速度高、无二次击穿、安全工作区宽等特点，MOSFET在组合逻辑电路、放大器…
阅读更多...
国创证券|lpr下调25个基点是多少？lpr下调对股市债市有什么影响？

国创证券|lpr下调25个基点是多少？lpr下调对股市债市有什么影响？

lpr是借款市场报价利率，其间lpr下调25个基点是指lpr利率下降0.25%，比方，下调之前五年期以上的lpr为4.2%，下调25个基点之后，变为3.95%。 lpr下调对股市债市存在以下影响： 1、券商股 借款利率下降&#xf…
阅读更多...
小马智行与卢森堡签署自动驾驶合作谅解备忘录

小马智行与卢森堡签署自动驾驶合作谅解备忘录

近日，自动驾驶企业小马智行宣布与卢森堡大公国政府签署谅解备忘录，促进自动驾驶汽车及技术在卢森堡的发展。该文件由小马智行联合创始人、CEO彭军与卢森堡经济部长Lex Delles共同签署，这也标志着小马智行与卢森堡政府就推动该地区的自动驾驶研…
阅读更多...
智能警用装备柜管理系统|智能化可视化管理

智能警用装备柜管理系统|智能化可视化管理

智能警用装备柜管理系统|智能化可视化管理 我司（JIONCH集驰）警用装备管理系统（智装备DW-S304）是依托互云计算、大数据、RFID技术、数据库技术、AI、视频分析技术对警用装备进行统一管理、分析的信息化、智能化、规范化的系统。 智…
阅读更多...
解密 JavaScript：降低逆向接口成本的实用技巧

解密 JavaScript：降低逆向接口成本的实用技巧

### 一个简单的js加密代码示例 /* * 加密工具已经升级了一个版本，目前为 jsjiami.com.v6 ，主要加强了算法; * 已经打算把这个工具基础功能一直免费下去。还希望支持我。 * 另外 jsjiami.com.v6 已经强制加入校验，注释可以去掉，但…
阅读更多...
污水磷资源回收工艺及海普树脂除杂

污水磷资源回收工艺及海普树脂除杂

#污水磷资源回收工艺及海普树脂除杂 ​磷矿资源也是一种不可再生资源，目前磷矿产业仍在扩张，随着新能源行业磷酸铁锂电池的大范围应用，对磷的需求量仍在增加。基于污水中相对较高的磷负荷，从污泥焚烧灰分中回收磷显得十分有必要&a…
阅读更多...
基于BS架构的饰品购物平台设计与实现(程序+文档+数据库)

基于BS架构的饰品购物平台设计与实现(程序+文档+数据库)

** 🍅点赞收藏关注 → 私信领取本源代码、数据库🍅 本人在Java毕业设计领域有多年的经验，陆续会更新更多优质的Java实战项目，希望你能有所收获，少走一些弯路。🍅关注我不迷路🍅** 一、研究背景…
阅读更多...
feign调用，如何通过指定的服务名来调用，或者通过指定的url调用，方便调用本地的服务，或者调用指定的测试环境的服务

feign调用，如何通过指定的服务名来调用，或者通过指定的url调用，方便调用本地的服务，或者调用指定的测试环境的服务

1. feign client 通过服务名来调用 InnerOssEndpointClient 类是 feign client方法声明的类 name 就是服务名，这里默认是通过服务名来调用。服务名在哪呢，在注册的nacos注册中心能看到 1.1 调用方的代码 关键看 FeignClient注解的代码，name…
阅读更多...
golang学习随便记16-反射

golang学习随便记16-反射

为什么需要反射 下面的例子中编写一个 Sprint 函数，只有1个参数（类型不定），返回和 fmt.Fprintf 类似的格式化后的字符串。实现方法大致为：如果参数类型本身实现了 String() 方法，那调用 String() 方法即可…
阅读更多...
ARM64汇编05 - MOV系列指令

ARM64汇编05 - MOV系列指令

MOV(wide immediate) MOV 可以将一个立即数移动到寄存器中。 .text:0000000000000834 80 46 82 D2 MOV X0, #0x1234 ; Keypatch modified this from:MOV X0, #0x1234 对应的汇编代码为：80 46 82 D2 看手册可知&#xf…
阅读更多...
【强化学习抓取】偏机器人领域（略）

【强化学习抓取】偏机器人领域（略）

文章目录 1. A Grasp Pose is All You Need: Learning Multi-fingered Grasping with Deep Reinforcement Learning from Vision and Touch摘要和结论引言相关工作模型框架 1. A Grasp Pose is All You Need: Learning Multi-fingered Grasping with Deep Reinforcement Learni…
阅读更多...
深入解析Kafka中Replica的妙用

深入解析Kafka中Replica的妙用

欢迎来到我的博客，代码的世界里，每一行都是一个故事 深入解析Kafka中Replica的妙用 前言Replica的基本概念基本概念和原理：Replica在消息传递中的关键角色： 副本的创建与配置创建 Replica 步骤：Replica 相关的常见配置…
阅读更多...
UnoCSS原子CSS引擎—原子化真的是现代前端CSS利器？

UnoCSS原子CSS引擎—原子化真的是现代前端CSS利器？

追忆往昔，穿越前朝，CSS也是当年前端三剑客之一，风光的很，随着前端跳跃式的变革，CSS在现代前端开发中似乎有点默默无闻起来。 不得不说当看到UnoCss之前，我甚至都还没听过原子化CSS这个概念，很久…
阅读更多...
如何用BI工具对数据进行预处理？数据分析的这项技巧你必须掌握。

如何用BI工具对数据进行预处理？数据分析的这项技巧你必须掌握。

在当今数字化时代，数据不仅是企业决策的基础，也是创新和发展的关键推动力。在面对庞大而复杂的数据集时，如何进行高效的预处理成为了数据分析领域中至关重要的一步。 在进行数据处理和分析的日常工作中，业务普遍使用Excel和SQL这两…
阅读更多...
基于JavaWeb开发的私人牙科诊所管理系统【附源码】

基于JavaWeb开发的私人牙科诊所管理系统【附源码】

基于JavaWeb开发的私人牙科诊所管理系统[附源码] 🍅 作者主页 央顺技术团队 🍅 欢迎点赞 👍 收藏 ⭐留言 📝 🍅 文末获取源码联系方式 📝 🍅 查看下方微信号获取联系方式 承接各种定制系统 &…
阅读更多...
嵌入式面经-ARM体系架构-寄存器与异常处理

嵌入式面经-ARM体系架构-寄存器与异常处理

ARM寄存器组织 寄存器概念 寄存器是处理器内部的存储器，没有地址 寄存器作用 一般用于暂时存放参与运算的数据和运算结果 在某个特定模式下只能使用当前模式下的寄存器，一个模式下特有的寄存器别的模式下不能使用 一共是40个寄存器 寄存器分类 通用寄…
阅读更多...
勾八头歌之数据科学导论—数据预处理

勾八头歌之数据科学导论—数据预处理

第1关：引言-根深之树不怯风折，泉深之水不会涸竭 第2关：数据清理-查漏补缺 import numpy as np import pandas as pd import matplotlib.pyplot as pltdef student():# Load the CSV file and replace #NAME? with NaNtrain pd.read_csv(Tas…
阅读更多...
http协议中的强缓存与协商缓存，带图详解

http协议中的强缓存与协商缓存，带图详解

此篇抽自本人之前的文章：http面试题整理 。 别急着跳转，先把缓存知识学会了~ http中的缓存分为两种：强缓存、协商缓存。 强缓存 响应头中的 status 是 200，相关字段有expires（http1.0）,cache-control&…
阅读更多...
C++中类模板的定义和使用

C++中类模板的定义和使用

类模板的定义和使用 引言类模板声明和定义有问有答 示例运行结果注意参数传递ref 引言 类模板就是一个模板，但是数据可以适用多种类型。类模板使用时需要模板的特例化，就变成了模板类。 本文只要是记录一下模板的使用。同时对于引用和右值引用传参做一下…
阅读更多...
最新文章

Copyright @ 2022~2023