LabVIEW深度学习

目录

  • 一、配置环境
    • 1.1、显卡选择
    • 1.2、下载显卡驱动
    • 1.3、下载并安装Anaconda
    • 1.4、配置Anaconda软件包下载服务器
    • 1.5、配置虚拟环境tf_gpu
    • 1.6、安装vscode
    • 1.7、安装tensorflow
    • 1.8、下载安装Git
    • 1.9、安装TensorFlow Object Detection API框架
    • 1.10、安装依赖的python软件包
    • 1.11、配置环境变量
    • 1.12、安装COCO API
    • 1.13、编译proto文件
    • 1.14、测试框架安装
    • 1.15、安装LabelImg
  • 二、部署流程
    • 1.1、 选择预训练库
    • 1.2、标注图片
    • 1.3、修改pbtxt文件
    • 1.4、 Xml转CSV文件
    • 1.5、CSV转tfrecord文件
    • 1.6、修改config文件
    • 1.7、训练
    • 1.8、Tensorboard观察训练过程
    • 1.9、评估模型
    • 1.10、检查点文件转pb
    • 1.11、识别
  • 三、快捷训练
  • 四、LabVIEW调用

本文采用tensorflow开源的object detection api部署深度学习pb文件。
用LabVIEW2020自带的deep learning工具进行检测。
主要工作量在于object detection api的部署，主要参考《 深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO™ 工具套件》
环境：

  • window10
  • anaconda3(64bit)
  • python 3.6
  • vscode(编辑平台，可选)
  • labview2020
    硬件：
    1660Ti 6G

一、配置环境

  • 硬件选型(显卡)
  • 驱动软件版本选择和安装(显卡驱动)
  • python版本选择和安装(用anaconda安装，本文python 3.6)
  • TensorFlow Obejct Detection API版本选择和安装
  • 依赖的全部软件和工具版本和安装
软件名称用途
NVIDIA显卡驱动TnesorFlow GPU版本依赖的显卡驱动软件
Anaconda管理Python软件包和环境的工具
PythonTensorFlow依赖的程序开发语言
TensorFlowGoogle开源的机器学习库
TensorFlow Object Detection API深度学习目标检测算法的软件框架

1.1、显卡选择

显卡选择建议参考链接：
https://timdettmers.com/2019/04/03/which-gpu-for-deep-learning/
本文使用1660Ti
入门级别参考：GeForce GTX 1050/1060/1070

1.2、下载显卡驱动

驱动下载链接：
https://www.nvidia.com/Download/index.aspx?lang=en-us

  • 根据所用显卡下载驱动，本文使用1660Ti，选择的驱动如下：
    在这里插入图片描述
  • Version保证大于410.x，安装可以选项可以全部默认在这里插入图片描述 - 确认安装完成在这里插入图片描述

1.3、下载并安装Anaconda

国内镜像下载链接：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
本文使用2019.07(64bit)版本：
在这里插入图片描述

  • 注意勾选"Add Anaconda to my PATH environment variable"
    在这里插入图片描述

1.4、配置Anaconda软件包下载服务器

在默认路径C:\Users\Administrator里有.condar文件，修改为：

show_channel_urls:true
channel_alias:http://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom channels:
 conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 msys2:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 simpleitk:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudssl 
verify:true

1.5、配置虚拟环境tf_gpu

打开anaconda→选中"Environment"→点击"create"→Name修改为"tf_gpu"，python选中"3.6"
在这里插入图片描述
打开Anaconda如果一直停留在初始化的界面，可以通过以下方法解决
① 在路径：C:\ProgramData\Anaconda3\Lib\site-packages\anaconda_navigator\api中，找到conda_api.py，搜索yaml.load，修改为yaml.safeload
在这里插入图片描述

② 重启电脑后，再打开就能正常打开了。
常用的一些conda指令可以参考以下网站：
https://docs.conda.io/projects/conda/en/latest/user-guide/cheatsheet.html
本文常用的有：

  1. conda install：安装当前python环境对应的工具包
    若安装的Python软件只依赖Python软件包，则遵循官方推荐，使用pip install安装，例如安装opencv-python；若安装的Python软件不仅依赖Python软件包，还依赖非Python软件包，则使用conda install，例如安装tensorflow-gpu，简单方便。
  2. conda activate：激活指定的虚拟环境，例如conda activate tf_gpu
  3. conda info –envs(cmd)：可以查看当前conda的所有环境，带有星号的是当前激活的环境

1.6、安装vscode

vscode仅用修改对应的代码行，不作调试要求，相当于文本编辑软件，可以更换。
下载链接：
https://code.visualstudio.com/

1.7、安装tensorflow

1、win+R→输入"cmd"后，执行
2、命令行中输入后回车，等待安装完成

conda activate tf_gpu
conda install tensorflow-gpu=1.13.1

3、命令行中，输入"python"后回车，后再输入"import tensorflow as tf"，显示如下信息，即安装完整
在这里插入图片描述

1.8、下载安装Git

下载Git，直接下载最新版本的Git就行，下载链接：
https://git-scm.com/

1.9、安装TensorFlow Object Detection API框架

TensorFlow Object Detection API是一个在TensorFlow基础上开发出来的用于计算机视觉领域实现在图像中检测并定位多个目标物体的软件框架。
1、建立文件夹目录结构，本文源路径为"D:\deep_learning\src_code\tf_train"
在这里插入图片描述

  • addons文件夹：用于存放附加组件或其他软件工具
  • workspaces文件夹：用于存放每一个具体项目的文件
    2、在tf_train空白地方右键→选中"open Git Bash here"
    在这里插入图片描述
    3、在Git Bash中输入以下指令
git clone -b r1.13.0 https://github.com/tensorflow/models

如果报Git SSL错误的话，则需要先关闭SSL校验
输入

git config --global http.sslverify false

在这里插入图片描述
如果Git太慢，可以从云盘下载
https://pan.baidu.com/s/1klGCW0ckE2BQvY4cRscRYA#list/path=%2F
提取码: h9m3
4、下载完成后，路径变为：
在这里插入图片描述

1.10、安装依赖的python软件包

软件包名称用途
matplotlib绘制图表
pillow图像处理
lxml处理XML和HTML
contextlib2with语句上下文管理
cython让Python脚本支持C语言扩展的编译器
opencv-pythonOpenCV的python库
1、win+R→输入"cmd"后，执行
2、命令行中输入后回车，等待安装完成
conda activate tf_gpu

3、再输入

pip install matplotlib pillow lxml contextlib2 cython opencv-python

如果碰到个别的出错，可以单独执行。

1.11、配置环境变量

为了让Python可以找到TensorFlow Object Detection API依赖的软件模块，需要配置环境变量，本文添加以下三个路径：

D:\deep_learning\src_code\tf_train\models\research
D:\deep_learning\src_code\tf_train\models\research\slim
D:\deep_learning\src_code\tf_train\models\research\object_detection

1、打开"此电脑"→右键空白处，点击"属性"
在这里插入图片描述
2、点击高级系统设置
在这里插入图片描述
3、点击环境变量
在这里插入图片描述
4、添加对应的环境变量
在这里插入图片描述

1.12、安装COCO API

1、在addons文件夹中点击鼠标右键，选中Git Bash，在Git Bash中输入

git clone https://github.com/philferriere/cocoapi

下载完成后，文件目录变为
在这里插入图片描述
2、在命令行中激活tf_gpu环境→输入后执行，命令行进入PythonAPI

cd /d D:\deep_learning\src_code\tf_train\addons\cocoapi\PythonAPI

3、再执行

python setup.py install

1.13、编译proto文件

1、进入"D:\deep_learning\src_code\tf_train\models\research"路径
在这里插入图片描述
2、在文件路径中输入cmd，弹出命令行
在这里插入图片描述
3、激活tf_gpu环境后，输入以下命令执行后，完成proto文件的编译

for /f gi in('dir /b object detection\protos\*.proto')do protoc object detection\protos\&i--python out=.

1.14、测试框架安装

1、从https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md下载ssd_inception_v2_coco
在这里插入图片描述

2、下载完成后，解压到路径"D:\deep_learning\src_code\tf_train\models\research\object_detection"中
3、注释掉26行"import matplotlib; matplotlib.use(‘Agg’)"
在这里插入图片描述
4、在命令行中激活tf_gpu环境，然后执行object_detection_example_1.py

5、执行结果如下，说明检测环境配置完成。
在这里插入图片描述

1.15、安装LabelImg

激活tf_gpu，运行pip install labelimg

二、部署流程

1.1、 选择预训练库

预训练网址：
models/research/object_detection/g3doc/tf1_detection_zoo.md at master • tensorflow/models (github.com)

本文选用ssd_mobilenet_v2_coco。在这里插入图片描述

其中模型名称含义：
ssd_mobilenet_v2_coco：该模型使用了SSD（Single Shot Multibox Detector）目标检测算法，mobilenet特征提取网络，在COCO数据集上进行了训练。

  • 速度（Speed）
    是指该模型在NVIDIA GeForce GTX TITAN X显卡上处理600×600分辨率图像（包含预处理和后处理）的速度，这个数值可以让大家对模型运行的相对快慢有个感性的认识。例如，ssd_resnet_50_fpn_coco的运行速度就比ssd_mobilenet_v1_coco要慢。
  • 平均精度均值（mAP）
    是指该模型识别多类物体时，每类物体识别精度（AP）的平均值。mAP值越高，表明该模型识别精度越高。例如，ssd_resnet_50_fpn_coco的识别精度就比ssd_mobilenet_v1_coco要高。
  • 输出（outputs）
    有两种类型：边界框（boxes）和掩膜（Masks）
    下载完的模型，放到pre_trained_model文件夹里解压
    在这里插入图片描述

1.2、标注图片

1、准备好对应的图集。
2、用labelImg标注图片，并建立对应文件夹，包括images里面的eval，test，train，其中train里面包含图片和对应标注后以图片命名的xml文件，test是部分标注后的图片，eval是只有部分图片。
在这里插入图片描述

labelImg常用功能有：

  • w：启用矩形框
  • D：下一张
  • ctrl+s：保存
  • 打开在labelImg路径下的data文件夹predefined_classes.txt文件，将里面的预定义标签修改为对应的类别，本文是cat和dog。

1.3、修改pbtxt文件

修改"D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations"路径中的label_map.pbtxt文件。

item {
  id: 1
  name: "cat"
}
item {
  id: 2
  name: "dog"
}

1.4、 Xml转CSV文件

执行xml_to_csv.py

  • Train标注数据转csv：
Python xml_to_csv.py -i D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\train -o D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train_labels.csv
  • Eval标注数据转csv：
Python xml_to_csv.py -i D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\eval-o D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval_labels.csv

1.5、CSV转tfrecord文件

  • 修改generate_tfrecord.py：
# 以猫狗为例，label0=cat，label1=dog，在pbtxt文件中也是
flags.DEFINE_string('label0','','Name of class[0] label')
flags.DEFINE_string('label1','','Name of class[1] label')
flags.DEFINE_string('img_path','','Name of class[1] label')
FLAGS = flags.FLAGS
# TO-DO replace this with label map
def class_text_to_int(row_label):
    if row_label == "cat":     # 需改动为自己的分类
        return 1
    elif row_label == "dog":
        return 2
    else:
        None
  • 执行csv转tfrecord(train)
Python generate_tfrecord.py --label0=cat --label1=dog --csv_input= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train_labels.csv --output_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\train.tfrecord --img_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\train
  • 执行csv转tfrecord(eval)
Python generate_tfrecord.py --label0=cat --label1=dog --csv_input= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval_labels.csv --output_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\annotations\eval.tfrecord --img_path= D:\deep_learning\src_code\tf_train\workspaces\cats_dogs\images\eval

1.6、修改config文件

路径在models\research\object_detection\samples\configs里，把对应的ssd_inception_v2_coco_config文件复制到training文件夹下。
在这里插入图片描述

① 修改num_classes:2，猫狗只有两类：
在这里插入图片描述

② 修改batch_size:24，可根据显存和图像大小调整，越大越耗费，速度越快，太大会报错
在这里插入图片描述
③ 把fine_tune_checkpoint删除(可选)
④ Num_step:2000，根据loss值调整
⑤ Input_path配置为train.tfrecord路径
⑥ Label_map_path改为label_map.pbtxt路径
⑦ Input_path改为eval.tfrecord路径
⑧ Label_map_path改为label_map.pbtxt路径
在这里插入图片描述

1.7、训练

执行train.py脚本：

Python train.py --logtostderr --train_dir=training\ --pipeline_config_path=training\ssd_inception_v2_coco.config

1.8、Tensorboard观察训练过程

在cat_and_dog文件夹中输入cmd，输入

Tensorboard --logdir=training\
  • Training文件夹里面是包含所有检查点文件的文件夹
  • 如果网址打开不了，要把网址改为localhost

1.9、评估模型

Num_example要改为对应评估的图像个数
Max_evals验证循环次数
在这里插入图片描述

修改tf_train\models\research\object_detection\utils\object_detection_evaluation.py，unicode改为str
在这里插入图片描述
把tf_train\models\research\object_detection\legacy\eval.py文件拷到tf_train\workspaces\cats_dogs中，运行脚本

Python eval.py --logtostderr --checkpoint_dir=training --eval_dir=evaluation --pipeline_config_path=training\ssd_inception_v2_coco.config

1.10、检查点文件转pb

要注意ckpt后面的数值，需要在training文件夹里面存在一样名称的文件。
这个就是LabVIEW最终调用的PB文件。

Python export_inference_graph.py --input_type image_tensor --pipeline_config_path training\ssd_inception_v2_coco.config --trained_checkpoint_prefix training\model.ckpt-2000 --output_directory trained_frozen_models\cats_dogs_model

在这一步生成pb文件，就可以直接应用于LabVIEW的deep learning工具包进行图像识别了。

1.11、识别

① 修改模型路径：

# 第二步，导入模型ssd_inception_v2_coco_2018_01_28到内存
# ssd_inception_v2_coco_2018_01_28文件夹应与本程序放在models\research\object_detection文件夹下
# -----------------------------------------------------------
#MODEL_NAME = 'ssd_inception_v2_coco_2018_01_28'
MODEL_NAME='pre_trained_model/ssd_inception_v2_coco'
PATH_TO_FROZEN_GRAPH = MODEL_NAME + '/frozen_inference_graph.pb'
PATH_TO_LABELS = os.path.join('annotations', 'label_map.pbtxt')

② 修改图片路径：

# ## 从单张图片中检测对象子程序
# ## 图片名称：image1.jpg, image2.jpg,存放在
# ## models\research\object_detection\test_images文件夹下
#PATH_TO_IMAGES_DIR = 'test_images'
PATH_TO_IMAGES_DIR='images/eval'
TEST_IMAGE_PATHS = [os.path.join(PATH_TO_IMAGES_DIR, 'dog.{0:d}.jpg'.format(i)) for i in range(1,3)]

③ 输入命令行进行识别：python object_detection_example_2.py

三、快捷训练

以上路径生成和训练过程可以快捷完成
1、在激活tf_gpu环境后
2、快捷生成路径：

Python create_directories.py -n cats_dogs

3、快捷训练

python one_command_train.py --step 500 --batch_size 12

四、LabVIEW调用

可以直接使用LabVIEW2020(64bit)的例程：
1、菜单栏"help"→点击"find examples"
请添加图片描述
2、选中"Toolkits and Modules"→"Vision"→"Deep Learing Object Detection"→"Deep Learing Object Detection(tensorflow)"
请添加图片描述
3、将pb文件路径修改为训练好的pb文件路径，识别图修改为猫狗图片路径，标签和名称修改为cat和dog
在这里插入图片描述
在这里插入图片描述

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/520412.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

【数据结构与算法】：直接插入排序和希尔排序

【数据结构与算法】：直接插入排序和希尔排序

1. 排序的概念及其意义 1.1 排序的概念 所谓排序，就是使一串记录，按照其中的某个或某些关键字的大小，递增或递减的排列起来的操作。 1.2 排序的稳定性 假定在待排序的记录序列中，存在多个具有相同的关键字的记录，若…
阅读更多...
08 Python进阶：XML 解析

08 Python进阶：XML 解析

什么是 XML？ XML（可扩展标记语言，Extensible Markup Language）是一种用于表示和传输数据的标记语言。它被设计用来以一种结构化的形式描述文档的内容，并且具有良好的跨平台和跨语言的特性。XML使用标签来定义数据的结构…
阅读更多...
关于 elf loader 的编写

关于 elf loader 的编写

可以使用如下命令观看 elf 文件的信息 readelf -a build/ramdisk.img | vim -在编写 elf loader 的时候，实际上只有下图这一部分 “Program Headers” 是有用的 凡是类型为 “LOAD” 的就是需要加载进内存的部分 所以，只要把这些部分加载进内存里&…
阅读更多...
晶核2024搬砖职业推荐！

晶核2024搬砖职业推荐！

在晶核手游的广袤世界中，选择一位适合自己的搬砖角色是每位玩家都必须认真考虑的事情。不同的职业拥有独特的技能和特点，能够在搬砖过程中发挥不同的优势。下面，我们将深入探讨晶核搬砖的四大利器，让你对每个角色有更深入的了解&a…
阅读更多...
Mac苹果电脑air/pro包含m1~m3打开app显示弹框“xxx”已损坏，无法打开。您应该将它移到废纸篓

Mac苹果电脑air/pro包含m1~m3打开app显示弹框“xxx”已损坏，无法打开。您应该将它移到废纸篓

应该是保姆级教程了： Mac苹果电脑air/pro包含m1~m3打开app显示弹框“xxx”已损坏，无法打开。您应该将它移到废纸篓。 我下载的是 Sublime Text 3 for Mac中文直装版，https://www.32r.com/soft/38404.html 安装后打开就gg了： 表现…
阅读更多...
计算机中数的表示

计算机中数的表示

0. 简介 介绍计算机中数的表示方法，主要内容来自 c s a p p csapp csapp。 1. 整数的表示 包括有符号整数与无符号整数的表示。 假设 w → [ w n − 1 w n − 2 . . . w 0 ] \overrightarrow w[w_{n-1}w_{n-2}...w_0] w [wn−1​wn−2​...w0​] 为一种整数。…
阅读更多...
Allavsoft for Mac v3.27.0.8852注册激活版 优秀的视频下载工具

Allavsoft for Mac v3.27.0.8852注册激活版 优秀的视频下载工具

Allavsoft for Mac是一款功能强大的多媒体下载和转换工具，支持从各种在线视频网站和流媒体服务下载视频、音频和图片。它具备批量下载和转换功能，可将文件转换为多种格式，以适应不同设备的播放需求。此外，Allavsoft还提供视频编辑…
阅读更多...
windows下部署mongoDB

windows下部署mongoDB

目录 1. 下载zip安装包并解压：Download MongoDB Community Server | MongoDB 2. 在解压后的文件夹中新建文件夹data及下级文件夹db和log 3. 新建一个mongod.cfg文件，并配置以下内容 4. 在cmd中启动mongodb，并进行验证 5. 部署到本地服务器…
阅读更多...
亚信安慧AntDB：打造智慧生态的数据心脏

亚信安慧AntDB：打造智慧生态的数据心脏

AntDB的“融合实时”的特性，不仅使得数据库具备了更强大的适应性，更让企业在不同业务场景下能够更好地实现业务目标，释放出更大的商业价值。融合实时的特性让AntDB具有了高度灵活性和实时性，使其能够满足企业在不同业务需求下的快…
阅读更多...
2024 批量下载公众号文章内容/阅读数/在看数/点赞数/留言数/粉丝数导出pdf文章备份（带留言）：公众号混知近2000篇历史文章在线查看，找文章方便了

2024 批量下载公众号文章内容/阅读数/在看数/点赞数/留言数/粉丝数导出pdf文章备份（带留言）：公众号混知近2000篇历史文章在线查看，找文章方便了

关于公众号文章批量下载，我之前写过很多文章： 视频更新版：批量下载公众号文章内容/话题/图片/封面/音频/视频，导出html，pdf，excel包含阅读数/点赞数/留言数 2021陶博士2006/caoz的梦呓/刘备我祖/六神读金…
阅读更多...
uni-app如何实现高性能

uni-app如何实现高性能

这篇文章主要讲解uni-app如何实现高性能的问题？ 什么是uni-app？ 简单说一下什么是uni-app，uni-app是继承自vue.js，对vue做了轻度定制，并且实现了完整的组件化开发，并且支持多端发布的一种架构&#xff0c…
阅读更多...
【Java EE】初识Spring Web MVC

【Java EE】初识Spring Web MVC

文章目录 🌴什么是Spring Web MVC？🌸什么是Servlet呢? 🌲MVC 定义🌸再理解Spring MVC 🌳如何学习Spring MVC呢？⭕总结 🌴什么是Spring Web MVC？ Spring Web MVC 是基于…
阅读更多...
【Linux】使用cloudreve搭建个人网盘并传输文件

【Linux】使用cloudreve搭建个人网盘并传输文件

Cloudreve 是一个开源的个人网盘系统，能够帮助用户搭建属于自己的私有云存储服务。它支持多种存储后端，包括本地存储、远程FTP/SFTP存储、以及云存储服务如阿里云OSS、腾讯云COS和Amazon S3等。Cloudreve具有友好的用户界面和丰富的功能，比如…
阅读更多...
揭秘rmallox病毒：防范、清除、恢复一步到位！

揭秘rmallox病毒：防范、清除、恢复一步到位！

引言： 随着信息技术的快速发展，计算机病毒已成为网络安全领域的一大难题。其中，rmallox病毒是近年来备受关注的一种恶意软件。本文将深入探讨rmallox病毒的特性、传播途径、防范措施、清除方法以及数据恢复技巧，帮助读者全面了解这…
阅读更多...
创新指南｜涵盖创新管理的一系列终极指南

创新指南｜涵盖创新管理的一系列终极指南

毫无疑问，创新是过去几十年来最热门的流行语和最具争议的话题之一，尽管很多人已经厌倦了到处听到它，但这个术语和概念它的后面就留在这里。由于这已被证明是无休止的争论来源，因此我们决定创建一系列涵盖创新管理的博客文章&#…
阅读更多...
Ideal的使用技巧

Ideal的使用技巧

一、springcloud项目如何将多个服务放到services中一起启动 1、打开ideal，再view -> Tool Windows -> services 2、在services界面 找到 run configuration type -> springboot即可 二、配置临时的启动参数 1、在edit configurations中 2、选择相应的服务…
阅读更多...
红黑树平衡艺术：最大化与最小化红色结点比值的策略与实现

红黑树平衡艺术：最大化与最小化红色结点比值的策略与实现

红黑树平衡艺术：最大化与最小化红色结点比值的策略与实现 一、 最大比值的红黑树构造1.1 伪代码示例：1.2 C代码示例： 三、最小比值的红黑树构造3.1 伪代码示例：3.2 C代码示例： 四、结论 红黑树是一种自平衡的二叉搜索树…
阅读更多...
动态多目标优化：动态约束多目标优化测试集DCP1-DCP9的TruePF（提供MATLAB代码）

动态多目标优化：动态约束多目标优化测试集DCP1-DCP9的TruePF（提供MATLAB代码）

一、进化动态约束多目标优化测试集DCP1-DCP9 参考文献： [1]G. Chen, Y. Guo, Y. Wang, J. Liang, D. Gong and S. Yang, “Evolutionary Dynamic Constrained Multiobjective Optimization: Test Suite and Algorithm,” in IEEE Transactions on Evolutionary Com…
阅读更多...
从零开始搭建后端信息管理系统（新手小白比如）

从零开始搭建后端信息管理系统（新手小白比如）

如果你是新手小白，首先我们要进行一些准备工作，安装一些基础软件， 备注一下：这里安装的vue环境的后台管理系统，不同的后台管理系统，需要安装不同的插件 准备工作： 安装 Visual Studio Code …
阅读更多...
【Linux】UDP编程{诸多编程接口/三版本服务器/编程常见问题}

【Linux】UDP编程{诸多编程接口/三版本服务器/编程常见问题}

文章目录 0.预备知识0.1套接字0.2TCP/UDP0.3大小端问题 1.socket 常见API1.1socket1.2各个接口1.3int bind();1.3网络头文件四件套1.4bzero1.5recvfrom1.6sendto() 2.UDP编程2.1服务器编程2.2客户端编程2.3运行测试2.3.1本机通信2.3.2popen2.3.3strcasestr2.3.4回顾C11智能指针…
阅读更多...
最新文章

Copyright @ 2022~2023