AlexNet，LeNet-5，ResNet，VGG-19，VGG-16模型

模型

    • AlexNet
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 构建AlexNet模型：
        • 编译模型：
        • 训练模型：
    • LeNet-5
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 构建LeNet模型：
        • 编译模型：
    • ResNet
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用ResNet50模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：
    • VGG-19
        • 导入必要的库：
        • 加载类别名称
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用VGG-19模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：
    • VGG-16
        • 导入必要的库：
        • 加载类别名称
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用VGG-16模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：

本篇博客的图像和标签数据集就是之前自己训练的
博客地址：
https://blog.csdn.net/2301_76794217/article/details/139215356?spm=1001.2014.3001.5502
数据集地址：
https://download.csdn.net/download/2301_76794217/89359353?spm=1001.2101.3001.9500

AlexNet

提出时间：2012年
主要贡献：AlexNet是第一个在ImageNet竞赛中取得显著成绩的深度卷积神经网络，它引入了许多后来被广泛采用的技术，如局部响应归一化（LRN）、ReLU激活函数、使用GPU进行并行计算等。
结构特点：AlexNet包含5个卷积层、3个全连接层和两个用于防止过拟合的dropout层。它使用了大量的数据增强技术，包括随机裁剪、随机缩放、随机水平翻转等。
大小：大约2500万个参数 层数：5层卷积层，3层全连接层 特点：使用ReLU激活函数、LRN层、重叠池化、多尺度特征提取等

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, ZeroPadding2D
from tensorflow.keras.models import Sequential
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:
	classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，将其调整为AlexNet所需的输入大小（227x227像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组，并对图像数据进行归一化处理。

image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

for image_file in os.listdir(image_folder):
    image_path = os.path.join(image_folder, image_file)
    image = cv2.imread(image_path)
    if image is not None:
        image = cv2.resize(image, (227, 227))  # AlexNet输入图像大小为227x227
        X_train.append(image)

        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train) / 255.0  # 归一化图像数据
y_train = np.array(y_train)
构建AlexNet模型：

使用Keras的Sequential模型，按照AlexNet的结构添加层。
模型包括卷积层（Conv2D）、最大池化层（MaxPooling2D）、全连接层（Dense）、dropout层（Dropout）等。
输出层使用softmax激活函数，因为这是一个多分类问题。

model = Sequential()
model.add(ZeroPadding2D((1, 1), input_shape=(227, 227, 3)))
model.add(Conv2D(96, (11, 11), strides=(4, 4), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (5, 5), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(len(classes), activation='softmax'))
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：

使用fit方法训练模型，指定训练数据、迭代次数（epochs）、批量大小（batch_size）。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

LeNet-5

提出时间：1998年 主要贡献：LeNet-5是由Yann
LeCun提出的，它是第一个在实际中使用的卷积神经网络，主要用于手写数字识别。LeNet-5的设计非常简单，但它在当时的技术条件下取得了很好的效果。
结构特点：LeNet-5包含两个卷积层、两个池化层、三个全连接层和两个输出层。它的设计非常紧凑，只包含6万个参数，这使得它可以在当时的硬件条件下运行。
大小：大约6万个参数 层数：2层卷积层，3层全连接层 特点：非常早期的卷积神经网络，用于手写数字识别，结构简单，参数少。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。

import os
import cv2
import numpy as np
import tensorflow as tf
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:
    classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}
加载图像数据和对应的标签：

构建LeNet模型：遍历image_folder中的所有图像文件。
读取图像，并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

#加载图像数据和对应的标签
image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

for image_file in os.listdir(image_folder):
    image_path = os.path.join(image_folder, image_file)
    image = cv2.imread(image_path)
    if image is not None:
        X_train.append(image)

        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train)
y_train = np.array(y_train)
构建LeNet模型：

使用Keras的Sequential模型，按照LeNet的结构添加层。
模型包括卷积层（Conv2D）、最大池化层（MaxPooling2D）、全连接层（Dense）等。
输出层使用softmax激活函数，因为这是一个多分类问题。

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(6, (5, 5), activation='relu', input_shape=(X_train.shape[1:])),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(16, (5, 5), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(120, activation='relu'),
    tf.keras.layers.Dense(84, activation='relu'),
    tf.keras.layers.Dense(len(classes), activation='softmax')
])
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

ResNet

提出时间：2015年 主要贡献：ResNet是第一个引入残差学习的深度网络，它通过引入残差块（Residual
Block）来解决深层网络训练困难的问题，这些残差块包含一个恒等连接，使得网络可以更稳定地训练更深层次的网络。
结构特点：ResNet包含多个残差块，每个残差块包含一个或多个卷积层，这些卷积层可以有不同的大小和数量。ResNet的层数通常比其他网络更深，如ResNet-50、ResNet-101、ResNet-152等。

大小：大约2500万个参数 层数：50层，包括17个残差块 特点：引入了残差学习，可以构建更深层次的网络，解决梯度消失和梯度爆炸问题。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型，如ResNet50。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:
    classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为ResNet50所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。

image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

for image_file in os.listdir(image_folder):
    image_path = os.path.join(image_folder, image_file)
    image = cv2.imread(image_path)
    if image is not None:
        X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)

        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train)
y_train = np.array(y_train)
使用ResNet50模型进行迁移学习

加载预训练的ResNet50模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将ResNet50的输出连接到新的全连接层。

base_model = ResNet50(weights='imagenet', include_top=False)
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:
layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：

使用fit方法训练模型，指定训练数据、迭代次数（epochs）、批量大小（batch_size）。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

VGG-19

提出时间：2014年 主要贡献：VGG-16和VGG-19是由牛津大学的Karen Simonyan和Andrew
Zisserman提出的，它们通过使用非常小的3x3卷积核和大量重复的卷积层来构建深度网络，这使得它们在ImageNet竞赛中取得了很好的成绩。
结构特点：VGG-16包含16个卷积层和3个全连接层，而VGG-19包含19个卷积层和3个全连接层。VGG-16和VGG-19的卷积层都是使用3x3的卷积核，层与层之间使用2x2的最大池化层。

大小：大约1.38亿/1.45亿个参数 层数：16/19层卷积层，3层全连接层
特点：使用小尺寸的3x3卷积核和重复的卷积层，可以提取更丰富的特征。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型，如VGG19。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG19
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:
    classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

abel_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为VGG-19所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

for image_file in os.listdir(image_folder):
    image_path = os.path.join(image_folder, image_file)
    image = cv2.imread(image_path)
    if image is not None:
        X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)

        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train)
y_train = np.array(y_train)
使用VGG-19模型进行迁移学习

加载预训练的VGG-19模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将VGG-19的输出连接到新的全连接层。

base_model = VGG19(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:
	layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：
model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

VGG-16

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG19
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:
    classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

abel_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为VGG-16所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

for image_file in os.listdir(image_folder):
    image_path = os.path.join(image_folder, image_file)
    image = cv2.imread(image_path)
    if image is not None:
        X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)

        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train)
y_train = np.array(y_train)
使用VGG-16模型进行迁移学习

加载预训练的VGG-16模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将VGG-16的输出连接到新的全连接层。

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:
layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

训练模型：
model.fit(X_train, y_train, epochs=20, batch_size=32)

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/661956.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

程序卡在 B.处什么原因？如何处理？（串口配置无问题，重写putc无问题，但不打印）

程序卡在 B.处什么原因？如何处理？（串口配置无问题，重写putc无问题，但不打印）

文章目录 前提现象：debug：原因总结 前提 为了张流量券多加更一篇，是我2月份遇到的问题的总结，在我的笔记中，一直没发 现象： 已经配置好串口但不打印输出（printf指向串口1 的SR寄存器&#xf…
阅读更多...
CentOS下安装SVN客户端及使用方法

CentOS下安装SVN客户端及使用方法

一、前言 Subversion（SVN）是一款开源的版本控制系统，它可以帮助开发者追踪和管理代码、文档或其他文件的更改历史。在Linux系统中，特别是在CentOS环境下，安装和使用SVN客户端是日常工作中常见的任务。本文将介绍如何在…
阅读更多...
Neovim 配置全面解析（下）

Neovim 配置全面解析（下）

Neovim 配置全面解析（下） 原文：Neovim 配置全面解析（下） - 知乎 (zhihu.com) 环境：Ubuntu 20.04 宿主机：windows （windows terminal）WSL 2 NVIM：v 0.10.0-de…
阅读更多...
如何解压忘记了密码的加密zip压缩包？这两个方法收藏好！

如何解压忘记了密码的加密zip压缩包？这两个方法收藏好！

加密是一种保护信息不被未经授权访问的重要手段。ZIP压缩包作为一种常见的文件压缩格式，zip文件加密是很多人都回去做的一件事情，那么zip加密文件如何解密？有几种方法可以解密呢？今天介绍几种方法给大家。 一、尝试常用密码 我们…
阅读更多...
【Python】解决Python报错：TypeError: ‘xxx‘ object does not support item assignment

【Python】解决Python报错：TypeError: ‘xxx‘ object does not support item assignment

🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式人工智能领域，具备多年的嵌入式硬件产品研发管理经验。 📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向…
阅读更多...
【busybox记录】【shell指令】unlink

【busybox记录】【shell指令】unlink

目录 内容来源： 【GUN】【unlink】指令介绍 【busybox】【unlink】指令介绍 【linux】【unlink】指令介绍 使用示例： 删除文件 - 默认 常用组合指令： 指令不常用/组合用法还需继续挖掘： 内容来源： GUN &#x…
阅读更多...
xcode依赖包package已经安装，但是提示No such module ‘Alamofire‘解决办法

xcode依赖包package已经安装，但是提示No such module ‘Alamofire‘解决办法

明明已经通过xcode自带的swift包管理器安装好了依赖包，但是却还是提示：No such module，这个坑爹的xcode，我也只能说服气，但是无奈，没办法攻打苹果总部，只能自己想解决办法了 No such module Ala…
阅读更多...
ClickHouse 与其他数仓架构的对比——Clickhouse 架构篇（四）

ClickHouse 与其他数仓架构的对比——Clickhouse 架构篇（四）

文章目录 前言ClickHouse与Hive的对比计算引擎的差异ClickHouse比Hive查询速度快的原因 ClickHouse与HBase的对比HBase的存储系统与ClickHouse的异同HBase的适用场景及ClickHouse不适合的原因 ClickHouse与Kylin的对比Kylin的架构Kylin解决性能问题的思路Kylin方案的缺陷ClickH…
阅读更多...
图片处理软件有哪些？这三款软件好用

图片处理软件有哪些？这三款软件好用

图片处理软件有哪些？在当今这个数字化时代，图片处理软件成为了我们日常生活和工作中不可或缺的工具。无论是为了修饰个人照片，还是为了设计专业海报，这些软件都能帮助我们轻松实现创意和美化。那么，究竟有哪些热门的图…
阅读更多...
CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)

注意：本模型继续加入 组合预测模型全家桶 中，之前购买的同学请及时更新下载! 往期精彩内容： 时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较-CSDN博客 VMD CEEMDAN 二次分解，Transformer-BiGRU预测模…
阅读更多...
read test

read test

功能性语言: 在.sh脚本下，read -p ——答应 read -t 时间 ——时间完成限制 特别注意空格。 test -n测试是内容一定要加双引号。 test 变量1 -ne 变量2 即比较大小。
阅读更多...
视频汇聚EasyCVR平台视图库GA/T 1400协议与GB/T 28181协议的区别

视频汇聚EasyCVR平台视图库GA/T 1400协议与GB/T 28181协议的区别

在公安和公共安全领域，视频图像信息的应用日益广泛，尤其是在监控、安防和应急指挥等方面。为了实现视频信息的有效传输、接收和处理，GA/T 1400和GB/T 28181这两个协议被广泛应用。虽然两者都服务于视频信息处理的目的，但它们在实际…
阅读更多...
22net冒泡排序与插入排序

22net冒泡排序与插入排序

冒泡排序 观看视频 【python练习题】每日一练_第八天_冒泡排序_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1QT4y197pa/?spm_id_from333.337.search-card.all.click&vd_source498ae9e9c7a8a7d16da872c9d74cdc38PS：视频中用的了numpy库，大…
阅读更多...
10W QPS高并发，如何防止重复下单？

10W QPS高并发，如何防止重复下单？

小北说在前面 10wqps高并发，如何防止重复提交/支付订单？ 10wqps高并发，如何防止重复下单？ 10wqps高并发，如何防止重复支付？ 10wqps高并发，如何解决重复操作问题？ 最近有小伙伴在面试…
阅读更多...
这有一封“数字赋能 强农兴村”的邀请函，请查收→

这有一封“数字赋能 强农兴村”的邀请函，请查收→

2024年6月5日至7日，以“数字赋能 强农兴村”为主题的2024中国（南京）数字乡村博览会暨第八届中国（南京）国际智慧农业博览会将在江苏南京举办。珈和科技在农业AI大数据展区的H16展位与您相约，共襄盛会。 私信…
阅读更多...
iPhone用户推荐使用的藏汉翻译小助手：藏汉翻译通小程序，支持藏文OCR识别文字提取，卫藏语、安多语、康巴语学习背单词！

iPhone用户推荐使用的藏汉翻译小助手：藏汉翻译通小程序，支持藏文OCR识别文字提取，卫藏语、安多语、康巴语学习背单词！

网上冲浪时，遇到不会的汉语词汇，可以复制到藏汉翻译通小程序中进行翻译。如果不会拼音，可以使用图片识别功能扫一扫文字，即可OCR识别提取文字。 此外，藏汉翻译通小程序现在还支持背单词和会话速成课程，支持…
阅读更多...
java调用远程接口下载文件

java调用远程接口下载文件

在postman中这样下载文件 有时下载文件太大postman会闪退，可以通过代码下载，使用hutool的http包
阅读更多...
HAL库使用FreeRTOS实时操作系统时配置时基源(TimeBase Source)

HAL库使用FreeRTOS实时操作系统时配置时基源(TimeBase Source)

需要另外的定时器，用systic的时候生成项目会有警告 https://blog.51cto.com/u_16213579/10967728
阅读更多...
java高级——Collection集合之List探索（包含ArrayList、LinkedList、Vector底层实现及区别，非常详细哦）

java高级——Collection集合之List探索（包含ArrayList、LinkedList、Vector底层实现及区别，非常详细哦）

java高级——Collection集合之List探索 前情提要文章介绍提前了解的知识点1. 数组2. 单向链表3. 双向链表4. 为什么单向链表使用的较多5. 线程安全和线程不安全的概念 ArrayList介绍1. 继承结构解析1.1 三个标志性接口1.2 AbstractList和AbstractCollection 2. ArrayList底层代…
阅读更多...
企业网站有必要进行软件测试吗？网站测试有哪些测试流程？

企业网站有必要进行软件测试吗？网站测试有哪些测试流程？

企业网站在现代商业中扮演着重要的角色，它不仅是企业形象的重要体现，也是与客户、合作伙伴进行沟通与交流的重要渠道。然而，由于企业网站的复杂性和关键性，其中可能存在各种潜在的问题和隐患。因此，对企业网站进行软件…
阅读更多...
最新文章

Copyright @ 2022~2023