PaddleOCR模型ch_PP-OCRv3文本检测模型研究（一）骨干网络

从源码上看，PaddleOCR一共支持四个版本，分别是PP-OCR、PP-OCRv2、PP-OCRv3、PP-OCRv4。本文选择PaddleOCR的v3版本的骨干网络作为研究对象，力图探究网络模型的内部结构。

文章目录

  • 研究起点
  • 卷归层
  • 压发层
  • 残差层
  • 骨干网
  • 代码实验
  • 小结

研究起点

参考官网配置文件，提取其中21-36行描述模型架构的内容如下：

Architecture:
  model_type: det
  algorithm: DB
  Transform:
  Backbone:
    name: MobileNetV3
    scale: 0.5
    model_name: large
    disable_se: True
  Neck:
    name: RSEFPN
    out_channels: 96
    shortcut: True
  Head:
    name: DBHead
    k: 50

从这段配置，描述了模型训练的网络架构。依次可以看出模型类型为文本检测det，检测算法为DB，骨干网backbone为MobileNetV3，颈部网络为RSEFPN，头部网络为DBHead。本文聚焦在骨干网络，单独列出其设置的参数值清单：

  • scale=0.5
  • model_name=‘large’
  • disable_se=True

而MobileNetV3的代码位于det_mobilenet_v3.py文件中，具体可以参考官方源码。为对照上述配置，这里仅仅摘取其构造函数如下：

def __init__(self, in_channels=3, model_name="large", scale=0.5, disable_se=False,**kwargs):

可以看出参数配置基本保持了默认，只有disable_se参数由默认值False改为了True。各参数含义如下：

  • in_channels，整数int类型，代表输入张量通道数，默认为3通道
  • model_name，字符串str类型，代表模型型号。支持large和small两类，其中large模型包含15个残差层，small模型给包含11个残差层。
  • scale，浮点float类型，代表模型通道拉伸系数，支持0.35/0.5/0.75/1.0/1.25五种，值越大中间层通道数越多，模型参数更多。以输入张量BCHW=5,3,64,192为例，scale分别选择0.5/1/1.25三种，模型的参数数量分别为1.57M/5.66M/8.77M。
  • disable_se，布尔bool类型，代表是否在残差层中禁用SE模块，默认值为False。

卷归层

ConvBNLayer类的定义在det_mobilenet_v3.py文件中第159-201行，主要包含了一个卷积层二维卷积层（Convolution2D Layer）一个批正则化层（Batch Normalization Layer），这里将ConvBNLayer翻译为卷归层。阅读卷归层的代码，可以看出其内部结构如下图：
卷归层

上图中的输入张量结构为c_in,h,w（为描述简便省略了张量实际结构中的批处理大小），分别代表输入通道数、高度、宽度。通过一个Conv2D操作，输出张量结构为c_out,h‘,w’，分别代表输出通道数、高度、宽度，高宽的计算可以参考官方文档conv2d。接着是一个批正则化操作，张量结构不变。最后，如何设置了if_act参数为True，还会接一个激活函数计算，支持relu和hardswish两种，两个函数的说明可以参考官方文档relu和hard_swish。

压发层

SEModule类的定义在det_mobilenet_v3.py文件中第261-289行，主要包含了一个均值池化层（Adaptive Average Pool Layer）和两个卷积层，英文名称为Squeeze and Excitation Network，这里将SEModule翻译为压发层。阅读压发层的代码，可以看出其内部结构如下图：
压发层
上图中的输入张量结构为c_in,h,w。结果一个均值池化操作后，张量结构变为c_in,1,1。接着是一个挤压的卷积操作，输出通道数压缩到c_in//r，r参数可以设置，默认值为4。后接一个relu激活函数调用，然后是一个激发的卷积操作，通道数恢复到c_in。紧接着一个HardSigmoid操作，参见hard_sigmoid官方文档。然后与输入张量做乘法，最终输出的张量结构与输入相同。

残差层

ResidualUnit类的定义在det_mobilenet_v3.py文件中第204-258行，主要包含了三个卷归层（ConvBNLayer）和一个压发层（SEModule），这里将ResidualUnit翻译为残差层。阅读残差层的代码，可以看出其内部结构如下图：
残差层
上图中的输入张量结构为c_in,h,w，其中c_in代表输入通道数。经过第一个卷归层后，输出张量结构c_mid,h,w，其中c_mid为设置的中间通道数。因为第一个卷积层设置的卷积核k为1x1，步长s为1，填充p为0，所以输出张量的高宽不变。紧接着进入第二个卷归层，卷积核大小、步长、填充均由参数设置决定，所以输出张量结构为c_mid,h‘,w’。如果设置use_se为True，那么进入到压发层，输出张量结构与输入相同。接着进入第三个卷归层，输出张量结构为c_out,h‘,w’，其中c_out为设置的输出通道数参数。如果s_in设置为1，并且c_out与c_in相同，那么if_shortcut就等于True，此时第三个卷积层输出的张量结构与输入张量结构相同，网络最后增加了一个张量相加操作。这时，残差层的含义就凸显出来了，可以简单理解为通过多层神经网络处理，将结果加到输入上，增加的部分就是差额。

骨干网

MobileNetV3类的定义在det_mobilenet_v3.py文件中第37-156行，这里将MobileNetV3理解为骨干网。有了前几节的基础知识，清楚了卷归层就是卷积+归一化，压发层就是平均池化+卷积，残差层就是卷归+压发，那么骨干网的代码很容易看懂。为了理解的直观性，减少参数理解障碍，假设输入张量结构为5,3,64,320，分别代表批处理大小为5，通道数3，图像高度64，宽度320。在此前提下，加上第一节配置文件中的设置，可以总结出骨干网结构如下图：
骨干网上图中，对于ConvBNLayer，只列举k、s、p三个参数，分别代表卷积核大小、步长、填充；对于ResidualUnit，只列举mid、k、s、r四个参数，分别代表中间通道数、卷积核大小、步长、是否做残差加法（if_shortcut）；每个层前后的四个数字代表BCHW的张量结构，蓝色字体表示层操作前后张量结构有变化。以下分五个部分来解释上图：

  • 第一个卷归层
    通过一个卷积核为3、步长为2的卷归层，将输入张量的通道数由3转为8通道输出，宽高各压缩一半。
  • 第一阶段stage0
    通过三个残差层，将输入通道8转为16通道输出，宽高各压缩一半。
  • 第二阶段stage1
    通过三个残差层，将输入通道16转为24通道输出，宽高各压缩一半。
  • 第三阶段stage2
    通过六个残差层，将输入通道24转为56通道输出，宽高各压缩一半。
  • 第四阶段stage3
    通过三个残差层和一个卷归层，将输入通道56转为480通道输出，宽高各压缩一半。

代码实验

通过调用paddle.summary函数，以(5, 3, 64, 320)为输入张量结构，得到以下输出：

---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
   Conv2D-1      [[5, 3, 64, 320]]     [5, 8, 32, 160]          216      
  BatchNorm-1    [[5, 8, 32, 160]]     [5, 8, 32, 160]          32       
 ConvBNLayer-1   [[5, 3, 64, 320]]     [5, 8, 32, 160]           0       第一个卷归层
   Conv2D-2      [[5, 8, 32, 160]]     [5, 8, 32, 160]          64       stage0开始
  BatchNorm-2    [[5, 8, 32, 160]]     [5, 8, 32, 160]          32       
 ConvBNLayer-2   [[5, 8, 32, 160]]     [5, 8, 32, 160]           0       
   Conv2D-3      [[5, 8, 32, 160]]     [5, 8, 32, 160]          72       
  BatchNorm-3    [[5, 8, 32, 160]]     [5, 8, 32, 160]          32       
 ConvBNLayer-3   [[5, 8, 32, 160]]     [5, 8, 32, 160]           0       
   Conv2D-4      [[5, 8, 32, 160]]     [5, 8, 32, 160]          64       
  BatchNorm-4    [[5, 8, 32, 160]]     [5, 8, 32, 160]          32       
 ConvBNLayer-4   [[5, 8, 32, 160]]     [5, 8, 32, 160]           0       
ResidualUnit-1   [[5, 8, 32, 160]]     [5, 8, 32, 160]           0       
   Conv2D-5      [[5, 8, 32, 160]]     [5, 32, 32, 160]         256      
  BatchNorm-5    [[5, 32, 32, 160]]    [5, 32, 32, 160]         128      
 ConvBNLayer-5   [[5, 8, 32, 160]]     [5, 32, 32, 160]          0       
   Conv2D-6      [[5, 32, 32, 160]]    [5, 32, 16, 80]          288      
  BatchNorm-6    [[5, 32, 16, 80]]     [5, 32, 16, 80]          128      
 ConvBNLayer-6   [[5, 32, 32, 160]]    [5, 32, 16, 80]           0       
   Conv2D-7      [[5, 32, 16, 80]]     [5, 16, 16, 80]          512      
  BatchNorm-7    [[5, 16, 16, 80]]     [5, 16, 16, 80]          64       
 ConvBNLayer-7   [[5, 32, 16, 80]]     [5, 16, 16, 80]           0       
ResidualUnit-2   [[5, 8, 32, 160]]     [5, 16, 16, 80]           0       
   Conv2D-8      [[5, 16, 16, 80]]     [5, 40, 16, 80]          640      
  BatchNorm-8    [[5, 40, 16, 80]]     [5, 40, 16, 80]          160      
 ConvBNLayer-8   [[5, 16, 16, 80]]     [5, 40, 16, 80]           0       
   Conv2D-9      [[5, 40, 16, 80]]     [5, 40, 16, 80]          360      
  BatchNorm-9    [[5, 40, 16, 80]]     [5, 40, 16, 80]          160      
 ConvBNLayer-9   [[5, 40, 16, 80]]     [5, 40, 16, 80]           0       
   Conv2D-10     [[5, 40, 16, 80]]     [5, 16, 16, 80]          640      
 BatchNorm-10    [[5, 16, 16, 80]]     [5, 16, 16, 80]          64       
ConvBNLayer-10   [[5, 40, 16, 80]]     [5, 16, 16, 80]           0       
ResidualUnit-3   [[5, 16, 16, 80]]     [5, 16, 16, 80]           0       stage0结束
   Conv2D-11     [[5, 16, 16, 80]]     [5, 40, 16, 80]          640      stage1开始
 BatchNorm-11    [[5, 40, 16, 80]]     [5, 40, 16, 80]          160      
ConvBNLayer-11   [[5, 16, 16, 80]]     [5, 40, 16, 80]           0       
   Conv2D-12     [[5, 40, 16, 80]]      [5, 40, 8, 40]         1,000     
 BatchNorm-12     [[5, 40, 8, 40]]      [5, 40, 8, 40]          160      
ConvBNLayer-12   [[5, 40, 16, 80]]      [5, 40, 8, 40]           0       
   Conv2D-13      [[5, 40, 8, 40]]      [5, 24, 8, 40]          960      
 BatchNorm-13     [[5, 24, 8, 40]]      [5, 24, 8, 40]          96       
ConvBNLayer-13    [[5, 40, 8, 40]]      [5, 24, 8, 40]           0       
ResidualUnit-4   [[5, 16, 16, 80]]      [5, 24, 8, 40]           0       
   Conv2D-14      [[5, 24, 8, 40]]      [5, 64, 8, 40]         1,536     
 BatchNorm-14     [[5, 64, 8, 40]]      [5, 64, 8, 40]          256      
ConvBNLayer-14    [[5, 24, 8, 40]]      [5, 64, 8, 40]           0       
   Conv2D-15      [[5, 64, 8, 40]]      [5, 64, 8, 40]         1,600     
 BatchNorm-15     [[5, 64, 8, 40]]      [5, 64, 8, 40]          256      
ConvBNLayer-15    [[5, 64, 8, 40]]      [5, 64, 8, 40]           0       
   Conv2D-16      [[5, 64, 8, 40]]      [5, 24, 8, 40]         1,536     
 BatchNorm-16     [[5, 24, 8, 40]]      [5, 24, 8, 40]          96       
ConvBNLayer-16    [[5, 64, 8, 40]]      [5, 24, 8, 40]           0       
ResidualUnit-5    [[5, 24, 8, 40]]      [5, 24, 8, 40]           0       
   Conv2D-17      [[5, 24, 8, 40]]      [5, 64, 8, 40]         1,536     
 BatchNorm-17     [[5, 64, 8, 40]]      [5, 64, 8, 40]          256      
ConvBNLayer-17    [[5, 24, 8, 40]]      [5, 64, 8, 40]           0       
   Conv2D-18      [[5, 64, 8, 40]]      [5, 64, 8, 40]         1,600     
 BatchNorm-18     [[5, 64, 8, 40]]      [5, 64, 8, 40]          256      
ConvBNLayer-18    [[5, 64, 8, 40]]      [5, 64, 8, 40]           0       
   Conv2D-19      [[5, 64, 8, 40]]      [5, 24, 8, 40]         1,536     
 BatchNorm-19     [[5, 24, 8, 40]]      [5, 24, 8, 40]          96       
ConvBNLayer-19    [[5, 64, 8, 40]]      [5, 24, 8, 40]           0       
ResidualUnit-6    [[5, 24, 8, 40]]      [5, 24, 8, 40]           0       stage1结束
   Conv2D-20      [[5, 24, 8, 40]]     [5, 120, 8, 40]         2,880     stage2开始
 BatchNorm-20    [[5, 120, 8, 40]]     [5, 120, 8, 40]          480      
ConvBNLayer-20    [[5, 24, 8, 40]]     [5, 120, 8, 40]           0       
   Conv2D-21     [[5, 120, 8, 40]]     [5, 120, 4, 20]         1,080     
 BatchNorm-21    [[5, 120, 4, 20]]     [5, 120, 4, 20]          480      
ConvBNLayer-21   [[5, 120, 8, 40]]     [5, 120, 4, 20]           0       
   Conv2D-22     [[5, 120, 4, 20]]      [5, 40, 4, 20]         4,800     
 BatchNorm-22     [[5, 40, 4, 20]]      [5, 40, 4, 20]          160      
ConvBNLayer-22   [[5, 120, 4, 20]]      [5, 40, 4, 20]           0       
ResidualUnit-7    [[5, 24, 8, 40]]      [5, 40, 4, 20]           0       
   Conv2D-23      [[5, 40, 4, 20]]     [5, 104, 4, 20]         4,160     
 BatchNorm-23    [[5, 104, 4, 20]]     [5, 104, 4, 20]          416      
ConvBNLayer-23    [[5, 40, 4, 20]]     [5, 104, 4, 20]           0       
   Conv2D-24     [[5, 104, 4, 20]]     [5, 104, 4, 20]          936      
 BatchNorm-24    [[5, 104, 4, 20]]     [5, 104, 4, 20]          416      
ConvBNLayer-24   [[5, 104, 4, 20]]     [5, 104, 4, 20]           0       
   Conv2D-25     [[5, 104, 4, 20]]      [5, 40, 4, 20]         4,160     
 BatchNorm-25     [[5, 40, 4, 20]]      [5, 40, 4, 20]          160      
ConvBNLayer-25   [[5, 104, 4, 20]]      [5, 40, 4, 20]           0       
ResidualUnit-8    [[5, 40, 4, 20]]      [5, 40, 4, 20]           0       
   Conv2D-26      [[5, 40, 4, 20]]      [5, 96, 4, 20]         3,840     
 BatchNorm-26     [[5, 96, 4, 20]]      [5, 96, 4, 20]          384      
ConvBNLayer-26    [[5, 40, 4, 20]]      [5, 96, 4, 20]           0       
   Conv2D-27      [[5, 96, 4, 20]]      [5, 96, 4, 20]          864      
 BatchNorm-27     [[5, 96, 4, 20]]      [5, 96, 4, 20]          384      
ConvBNLayer-27    [[5, 96, 4, 20]]      [5, 96, 4, 20]           0       
   Conv2D-28      [[5, 96, 4, 20]]      [5, 40, 4, 20]         3,840     
 BatchNorm-28     [[5, 40, 4, 20]]      [5, 40, 4, 20]          160      
ConvBNLayer-28    [[5, 96, 4, 20]]      [5, 40, 4, 20]           0       
ResidualUnit-9    [[5, 40, 4, 20]]      [5, 40, 4, 20]           0       
   Conv2D-29      [[5, 40, 4, 20]]      [5, 96, 4, 20]         3,840     
 BatchNorm-29     [[5, 96, 4, 20]]      [5, 96, 4, 20]          384      
ConvBNLayer-29    [[5, 40, 4, 20]]      [5, 96, 4, 20]           0       
   Conv2D-30      [[5, 96, 4, 20]]      [5, 96, 4, 20]          864      
 BatchNorm-30     [[5, 96, 4, 20]]      [5, 96, 4, 20]          384      
ConvBNLayer-30    [[5, 96, 4, 20]]      [5, 96, 4, 20]           0       
   Conv2D-31      [[5, 96, 4, 20]]      [5, 40, 4, 20]         3,840     
 BatchNorm-31     [[5, 40, 4, 20]]      [5, 40, 4, 20]          160      
ConvBNLayer-31    [[5, 96, 4, 20]]      [5, 40, 4, 20]           0       
ResidualUnit-10   [[5, 40, 4, 20]]      [5, 40, 4, 20]           0       
   Conv2D-32      [[5, 40, 4, 20]]     [5, 240, 4, 20]         9,600     
 BatchNorm-32    [[5, 240, 4, 20]]     [5, 240, 4, 20]          960      
ConvBNLayer-32    [[5, 40, 4, 20]]     [5, 240, 4, 20]           0       
   Conv2D-33     [[5, 240, 4, 20]]     [5, 240, 4, 20]         2,160     
 BatchNorm-33    [[5, 240, 4, 20]]     [5, 240, 4, 20]          960      
ConvBNLayer-33   [[5, 240, 4, 20]]     [5, 240, 4, 20]           0       
   Conv2D-34     [[5, 240, 4, 20]]      [5, 56, 4, 20]        13,440     
 BatchNorm-34     [[5, 56, 4, 20]]      [5, 56, 4, 20]          224      
ConvBNLayer-34   [[5, 240, 4, 20]]      [5, 56, 4, 20]           0       
ResidualUnit-11   [[5, 40, 4, 20]]      [5, 56, 4, 20]           0       
   Conv2D-35      [[5, 56, 4, 20]]     [5, 336, 4, 20]        18,816     
 BatchNorm-35    [[5, 336, 4, 20]]     [5, 336, 4, 20]         1,344     
ConvBNLayer-35    [[5, 56, 4, 20]]     [5, 336, 4, 20]           0       
   Conv2D-36     [[5, 336, 4, 20]]     [5, 336, 4, 20]         3,024     
 BatchNorm-36    [[5, 336, 4, 20]]     [5, 336, 4, 20]         1,344     
ConvBNLayer-36   [[5, 336, 4, 20]]     [5, 336, 4, 20]           0       
   Conv2D-37     [[5, 336, 4, 20]]      [5, 56, 4, 20]        18,816     
 BatchNorm-37     [[5, 56, 4, 20]]      [5, 56, 4, 20]          224      
ConvBNLayer-37   [[5, 336, 4, 20]]      [5, 56, 4, 20]           0       
ResidualUnit-12   [[5, 56, 4, 20]]      [5, 56, 4, 20]           0       stage2结束
   Conv2D-38      [[5, 56, 4, 20]]     [5, 336, 4, 20]        18,816     stage3开始
 BatchNorm-38    [[5, 336, 4, 20]]     [5, 336, 4, 20]         1,344     
ConvBNLayer-38    [[5, 56, 4, 20]]     [5, 336, 4, 20]           0       
   Conv2D-39     [[5, 336, 4, 20]]     [5, 336, 2, 10]         8,400     
 BatchNorm-39    [[5, 336, 2, 10]]     [5, 336, 2, 10]         1,344     
ConvBNLayer-39   [[5, 336, 4, 20]]     [5, 336, 2, 10]           0       
   Conv2D-40     [[5, 336, 2, 10]]      [5, 80, 2, 10]        26,880     
 BatchNorm-40     [[5, 80, 2, 10]]      [5, 80, 2, 10]          320      
ConvBNLayer-40   [[5, 336, 2, 10]]      [5, 80, 2, 10]           0       
ResidualUnit-13   [[5, 56, 4, 20]]      [5, 80, 2, 10]           0       
   Conv2D-41      [[5, 80, 2, 10]]     [5, 480, 2, 10]        38,400     
 BatchNorm-41    [[5, 480, 2, 10]]     [5, 480, 2, 10]         1,920     
ConvBNLayer-41    [[5, 80, 2, 10]]     [5, 480, 2, 10]           0       
   Conv2D-42     [[5, 480, 2, 10]]     [5, 480, 2, 10]        12,000     
 BatchNorm-42    [[5, 480, 2, 10]]     [5, 480, 2, 10]         1,920     
ConvBNLayer-42   [[5, 480, 2, 10]]     [5, 480, 2, 10]           0       
   Conv2D-43     [[5, 480, 2, 10]]      [5, 80, 2, 10]        38,400     
 BatchNorm-43     [[5, 80, 2, 10]]      [5, 80, 2, 10]          320      
ConvBNLayer-43   [[5, 480, 2, 10]]      [5, 80, 2, 10]           0       
ResidualUnit-14   [[5, 80, 2, 10]]      [5, 80, 2, 10]           0       
   Conv2D-44      [[5, 80, 2, 10]]     [5, 480, 2, 10]        38,400     
 BatchNorm-44    [[5, 480, 2, 10]]     [5, 480, 2, 10]         1,920     
ConvBNLayer-44    [[5, 80, 2, 10]]     [5, 480, 2, 10]           0       
   Conv2D-45     [[5, 480, 2, 10]]     [5, 480, 2, 10]        12,000     
 BatchNorm-45    [[5, 480, 2, 10]]     [5, 480, 2, 10]         1,920     
ConvBNLayer-45   [[5, 480, 2, 10]]     [5, 480, 2, 10]           0       
   Conv2D-46     [[5, 480, 2, 10]]      [5, 80, 2, 10]        38,400     
 BatchNorm-46     [[5, 80, 2, 10]]      [5, 80, 2, 10]          320      
ConvBNLayer-46   [[5, 480, 2, 10]]      [5, 80, 2, 10]           0       
ResidualUnit-15   [[5, 80, 2, 10]]      [5, 80, 2, 10]           0       
   Conv2D-47      [[5, 80, 2, 10]]     [5, 480, 2, 10]        38,400     
 BatchNorm-47    [[5, 480, 2, 10]]     [5, 480, 2, 10]         1,920     
ConvBNLayer-47    [[5, 80, 2, 10]]     [5, 480, 2, 10]           0       stage3结束
===========================================================================
Total params: 410,848
Trainable params: 398,480
Non-trainable params: 12,368
---------------------------------------------------------------------------
Input size (MB): 1.17
Forward/backward pass size (MB): 116.78
Params size (MB): 1.57
Estimated Total Size (MB): 119.52
---------------------------------------------------------------------------

可以对照骨干网结构图，看懂各项输出，各阶段已经在输出中标注。由于yml文件中设置disable_se为True，即禁用SE模块，所以压发层实际上并没有用到主干网模型中。如果把disable_se改为False，可以在输出中看到SEModule-1到SEModule-8，有兴趣可以改代码测试。

小结

首先解释了卷归层ConvBNLayer、压发层SEModule、残差层ResidualUnit三个基本概念，接着分析了MobileNetV3的内部结构，最后通过python代码展示PaddleOCRv3文本检测神经网络的summary输出。测试代码可以参考gitee。

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/934460.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

log4j漏洞复现--vulhub

log4j漏洞复现--vulhub

声明：学习过程参考了同站的B1g0rang大佬的文章 Web网络安全-----Log4j高危漏洞原理及修复(B1g0rang) CVE-2021-44228 RCE漏洞 Log4j 即 log for java(java的日志) ，是Apache的一个开源项目，通过使用Log4j，我们可以控制日志信息输…
阅读更多...
计算机网络ENSP课设--三层架构企业网络

计算机网络ENSP课设--三层架构企业网络

本课程设计搭建一个小型互联网，并模拟Internet的典型Web服务过程。通过此次课程设计，可以进一步理解Internet的工作原理和协议过程，并提高综合知识的运用能力和分析能力。具体目标包括： （1）掌握网络拓扑的…
阅读更多...
SQL 获取今天的当月开始结束范围:

SQL 获取今天的当月开始结束范围:

使用 GETDATE() 结合 DATEADD() 和 DATEDIFF() 函数来获取当前月的开始和结束时间范围。以下是实现当前月时间范围查询的 SQL&#xff1a; FDATE > DATEADD(MONTH, DATEDIFF(MONTH, 0, GETDATE()), 0) FDATE < DATEADD(MONTH, DATEDIFF(MONTH, 0, GETDATE()) 1, 0) …
阅读更多...
Go的Gin比java的Springboot更加的开箱即用？

Go的Gin比java的Springboot更加的开箱即用？

前言 隔壁组的云计算零零后女同事&#xff0c;后文简称 云女士 &#xff0c;非说 Go 的 Gin 框架比 Springboot 更加的开箱即用&#xff0c;我心想在 Java 里面 Springboot 已经打遍天下无敌手&#xff0c;这份底蕴岂是 Gin 能比。 但是云女士突出一个执拗&#xff0c;非我要…
阅读更多...
【2024最新Java面试宝典】—— SpringBoot面试题（44道含答案）

【2024最新Java面试宝典】—— SpringBoot面试题（44道含答案）

1. 什么是 Spring Boot&#xff1f; Spring Boot 是 Spring 开源组织下的子项目&#xff0c;是 Spring 组件一站式解决方案&#xff0c;主要是简化了使用 Spring 的难度&#xff0c;简省了繁重的配置&#xff0c;提供了各种启动器&#xff0c;使开发者能快速上手。 2. 为什么…
阅读更多...
【PlantUML系列】用例图（三）

【PlantUML系列】用例图（三）

目录 一、组成部分 二、典型案例 一、组成部分 参与者&#xff08;Actors&#xff09;&#xff1a;使用关键字 actor 后跟参与者的名称。用例&#xff08;Use Cases&#xff09;&#xff1a;使用关键字 usecase 后跟用例的名称和编号&#xff08;可选&#xff09;。系统边界…
阅读更多...
C++命运石之门代码抉择：C++入门（上）

C++命运石之门代码抉择：C++入门（上）

文章目录 1.前言1.1 什么是C1.2 C的发展1.3 C的重要性1.4 如何学习C1.5 C要学什么 2. C语言过渡到C(上)2.1 域2.1.1 命名空间2.1.1.1 定义2.1.1.2 作用域限定符2.1.1.3 使用 2.1.2 域的使用优先级 2.2 输入及输出2.2.1 std 命名空间及自定义命名空间2.2.2 .C输入&输出 2.3 …
阅读更多...
Composer在安装的过程中经常找不到刚更新的包

Composer在安装的过程中经常找不到刚更新的包

明明有v2.1.0版本&#xff0c;安装就是找不到这个版本的包。 1. Composer 官方网址&#xff1a;https://getcomposer.org 中文网站&#xff1a;https://www.phpcomposer.com 官方文档&#xff1a;https://docs.phpcomposer.com 2. Packagist Packagist 是 Composer的组件仓库…
阅读更多...
Android笔记【14】结合LaunchedEffect实现计时器功能。

Android笔记【14】结合LaunchedEffect实现计时器功能。

一、问题 cy老师第五次作业 结合LaunchedEffect实现计时器功能。要求&#xff1a;动态计时&#xff0c;每秒修改时间&#xff0c;计时的时间格式为“00&#xff1a;00&#xff1a;00”&#xff08;小时&#xff1a;分钟&#xff1a;秒&#xff09;提交源代码的文本和运行截图…
阅读更多...
【强化学习入门笔记】 2.1 值迭代

【强化学习入门笔记】 2.1 值迭代

本系列为学习赵世钰老师的《强化学习的数学原理》所作的学习笔记. 本节我们将介绍强化学习中的值迭代求解方法. 2.1.1 算法步骤 在1.5节我们介绍了通过迭代可以求贝尔曼最优公式的最优解, 这个方法就叫值迭代: v k 1 max ⁡ π ∈ Π ( r π γ P π v k ) , k 0 , 1 , …
阅读更多...
汽车车牌标记支持YOLO，COCO，VOC三种格式标记，4000张图片的数据集

汽车车牌标记支持YOLO，COCO，VOC三种格式标记，4000张图片的数据集

本数据集支持YOLO&#xff0c;COCO&#xff0c;VOC三种格式标记汽车车牌&#xff0c;无论是新能源汽车还是油车都能识别标记&#xff0c;该数据集一共包含4000张图片 数据集分割 4000总图像数 训练组 70&#xff05; 2800图片 有效集 20&#xff05; 800图片 测…
阅读更多...
python基础：（八）文件

python基础：（八）文件

目录 一.从文件中读取数据1.1读取整个文件1.2文件路劲1.3逐行读取 二.写入文件 一.从文件中读取数据 各位小伙伴&#xff0c;文件这一块得好好学&#xff0c;多看多敲代码&#xff0c;以后处理数据&#xff0c;写爬虫少不了这个&#xff0c;先从基础&#xff08;简单的&#x…
阅读更多...
输电线路故障测距研究

输电线路故障测距研究

故障分析法容易受到过渡电阻、故障类型等因素的影响&#xff0c;从而造成测距误差较大。 行波法不受电力系统运行方式的影响&#xff0c;得到了广泛的应用。波头信息的提取方法主要有&#xff1a;小波变换、希尔伯特黄变换、TT变换等。 智能测距法逐渐被应用于输电线路故障测…
阅读更多...
FPGA实战篇（IP核之MMCM/PLL实验）

FPGA实战篇（IP核之MMCM/PLL实验）

1.MMCM/PLL IP 核简介 锁相环作为一种反馈控制电路&#xff0c;其特点是利用外部输入的参考信号控制环路内部震荡信号的频率和相位。因为锁相环可以实现输出信号频率对输入信号频率的自动跟踪&#xff0c;所以锁相环通常用于闭环跟踪电路。 锁相环在工作的过程中&#xff0c;当…
阅读更多...
wordpress网站安装了Linux宝塔面板，限制IP地址访问网站，只能使用域名访问网站

wordpress网站安装了Linux宝塔面板，限制IP地址访问网站，只能使用域名访问网站

一、Linux服务器安装Linux宝塔面板 这个步骤参考网上其他教程。 二、Linux宝塔面板部署wordpress网站 这个步骤参考网上其他教程&#xff0c;保证网站能够正常访问&#xff0c;并且使用Linux宝塔面板申请并部署了SSL证书&#xff0c;使用https协议默认443端口正常访问。 三…
阅读更多...
顶顶通电话机器人开发接口对接大语言模型之实时流TTS对接介绍

顶顶通电话机器人开发接口对接大语言模型之实时流TTS对接介绍

大语言模型一般都是流式返回文字&#xff0c;如果等全部文字返回了一次性去TTS&#xff0c;那么延迟会非常严重&#xff0c;常用的方法就是通过标点符号断句&#xff0c;返回了一句话就提交给TTS。随着流TTS的出现&#xff0c;就可以直接把大模型返回的文字灌给流TTS&#xff0…
阅读更多...
leetcode每日一题（20241210）

leetcode每日一题（20241210）

leetcode每日一题&#xff08;20241210&#xff09;今天依旧是棋盘类型的题目&#xff0c;但是今天的只是表面相关&#xff0c;看题&#xff1a; 935.骑士拨号器 题目描述&#xff1a; 象棋骑士有一个独特的移动方式&#xff0c;它可以垂直移动两个方格&#xff0c;水平移动一…
阅读更多...
记录ubuntu22.04重启以后无法获取IP地址的问题处理方案

记录ubuntu22.04重启以后无法获取IP地址的问题处理方案

现象描述&#xff1a;我的虚拟机网络设置为桥接模式&#xff0c;输入ifconfig只显示127.0.0.1&#xff0c;不能连上外网。&#xff0c;且无法上网&#xff0c;用ifconfig只有如下显示&#xff1a; 1、sudo -i切换为root用户 2、输入dhclient -v 再输入ifconfig就可以看到多了…
阅读更多...
MVC基础——市场管理系统（一）

MVC基础——市场管理系统（一）

文章目录 项目地址一、创建项目结构1.1 创建程序以及Controller1.2 创建View1.3 创建Models层，并且在Edit页面显示1.4 创建Layou模板页面1.5 创建静态文件css中间件二、Categories的CRUD2.1 使用静态仓库存储数据2.2 将Categorie的列表显示在页面中(List)2.3 创建_ViewImport.…
阅读更多...
strncpy在复制含有多个\0的字符串时遇到的问题

strncpy在复制含有多个\0的字符串时遇到的问题

strncpy在复制含有多个\0的字符串的时候&#xff0c;会产生截断&#xff0c;因为strncpy在读取源字符串的时候&#xff0c;遇到了\0&#xff0c;函数会认为该字符串已经结束了&#xff0c;然后会向目标字符串内填充\0。 char buffer[100] "ak\0jl";for (int i 0; i…
阅读更多...
最新文章

Copyright @ 2022~2023