使用VGG-16模型來對海賊王中的角色進行圖像分類

動漫角色識別是計算機視覺的典型應用場景，可用于周邊商品分類、動畫制作輔助等。

這個案例是一個經典的深度學習應用，用于圖像分類任務，它使用了一個自定義的VGG-16模型來對《海賊王》中的七個角色進行分類，演示如何將經典CNN模型應用于小規模自定義數據集。

1. 數據集準備

數據集包含7個類別的圖片，每個類別對應一個《海賊王》的角色：

  • 路飛（lufei）
  • 羅賓（luobin）
  • 娜美（namei）
  • 喬巴（qiaoba）
  • 山治（shanzhi）
  • 索隆（suolong）
  • 烏索普（wusuopu）

每個角色有不同數量的圖片，總共621張圖片。

（1）導入必要的庫和設置隨機種子

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, models
import pathlib
import matplotlib.pyplot as plt
import os, PILnp.random.seed(1)
tf.random.set_seed(1)
#導入所需的Python庫，并設置隨機種子以確保實驗的可重復性。

（2）設置數據目錄和參數

data_dir = r"D:\hzw_photos"
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*.png')))
print("圖片總數為：", image_count)batch_size = 32
img_height = 224
img_width = 224#作用：指定數據集路徑、統計圖片總數，并定義批量大小和圖片尺寸。
#運行結果：輸出圖片總數（621張）。

（3）加載訓練集和驗證集

train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=123,image_size=(img_height, img_width),batch_size=batch_size
)val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=123,image_size=(img_height, img_width),batch_size=batch_size
)
#作用：從指定目錄加載圖像數據集，并將其分為訓練集和驗證集。validation_split=0.2表示20%的數據用于驗證，其余80%用于訓練。
#運行結果：打印出找到的文件數量和類別信息。

（4）獲取類別名稱

class_names = train_ds.class_names
print(class_names)
#作用：獲取并打印數據集中所有類別的名稱。
#運行結果：輸出類別名稱列表：['lufei', 'luobin', 'namei', 'qiaoba', 'shanzhi', 'suolong', 'wusuopu']。

（5）可視化數據

plt.figure(figsize=(10, 5))
for images, labels in train_ds.take(1):for i in range(8):ax = plt.subplot(2, 4, i + 1)plt.imshow(images[i].numpy().astype("uint8"))plt.title(class_names[labels[i]])plt.axis("off")
plt.show()
#作用：從訓練集中隨機選取一批圖像進行可視化展示。
#運行結果：顯示8張隨機選擇的圖像及其對應的標簽。


2. 數據預處理

（1）配置數據集

AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
#作用：對數據集進行緩存、打亂和預取操作，以提高數據讀取效率。
#運行結果：無直接輸出，但優化了數據加載過程。

（2）歸一化處理

normalization_layer = tf.keras.layers.Rescaling(1. / 255)
train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y))
val_ds = val_ds.map(lambda x, y: (normalization_layer(x), y))image_batch, labels_batch = next(iter(val_ds))
first_image = image_batch[0]
print("歸一化后數據范圍：", np.min(first_image), np.max(first_image))
#作用：將圖像像素值歸一化到[0, 1]區間內。
#運行結果：輸出歸一化后的數據范圍（0.0到0.9928046），表明歸一化操作成功。

3. 模型構建

VGG-16 是一種經典的卷積神經網絡（CNN）架構，通過堆疊多個卷積層和池化層來提取圖像特征，最后通過全連接層進行分類。以其簡單的結構和深度而聞名，尤其在圖像分類任務中表現出色。

定義VGG-16模型

def VGG16(nb_classes, input_shape):# 構建VGG-16模型...return model
#作用：定義一個自定義的VGG-16模型，包括多個卷積層和全連接層。
#運行結果：無直接輸出，但生成了一個可以使用的模型結構。

（1）?輸入層

input_tensor = layers.Input(shape=input_shape)
#input_shape  輸入圖像的形狀，通常為 (height, width, channels)，例如 (224, 224, 3) 表示 224x224 像素的 RGB 圖像
#Input 層定義了模型的輸入張量。

（2）卷積塊 1

x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(input_tensor)
x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)
#兩個 Conv2D 層，每個層使用 64 個 3x3 的卷積核，激活函數為 ReLU，padding='same' 表示輸出特征圖的大小與輸入相同。
#MaxPooling2D 層使用 2x2 的池化窗口，步幅為 2，將特征圖的大小減半。
#輸入圖像（224×224×3）
#→ 經過64個3×3卷積核提取特征（輸出224×224×64）
#→ 再次卷積增強特征（保持尺寸）
#→ 2×2最大池化（輸出112×112×64）

（3）卷積塊 2

x = layers.Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)
x = layers.Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)
#與第一個卷積塊類似，但卷積核數量增加到 128。

（4）?卷積塊 3

x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)
x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)
x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)
#卷積核數量增加到 256，并且有三個卷積層。

（5）卷積塊 4

x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)
x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)
x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)
#卷積核數量增加到 512，同樣有三個卷積層。

（6）卷積塊 5

x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)
x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)
x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)
x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x)
#與卷積塊 4 相同，卷積核數量保持為 512。

塊編號CONV層數量輸出尺寸通道數作用
12112×11264提取邊緣/顏色等低級特征
2256×56128捕獲紋理/簡單形狀
3328×28256識別復雜圖案（如草帽輪廓）
4314×14512檢測角色局部特征（娜美的頭發等）
537×7512整合全局語義信息


（7）?全連接層

x = layers.Flatten()(x)
x = layers.Dense(4096, activation='relu', name='fc1')(x)
x = layers.Dense(4096, activation='relu', name='fc2')(x)
output_tensor = layers.Dense(nb_classes, activation='softmax', name='predictions')(x)
#Flatten 層將多維特征圖展平為一維向量。
#兩個 Dense 層，每個層有 4096 個神經元，激活函數為 ReLU。
#最后的 Dense 層輸出類別概率，使用 softmax 激活函數，nb_classes 是類別數量。

（8）構建模型

model = models.Model(input_tensor, output_tensor)
#使用 Model 類將輸入張量和輸出張量組合成模型。

（9）初始化模型

model = VGG16(nb_classes=7, input_shape=(img_width, img_height, 3))
model.summary()
#作用：初始化VGG-16模型，并打印模型結構摘要。
#運行結果：輸出模型各層的詳細信息，包括層名、輸出形狀和參數數量等。

輸入圖像 → [CONV→POOL]×5 → 展平 → FC×2 → 分類輸出
? ? ? ? ? ? ? ? ? ? ? ? (特征提取)? ? ? ? ? ? ? ? ? ? ? ? ? ?(決策)

4. 模型編譯與訓練

編譯模型

opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(optimizer=opt,loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['accuracy']
)
#作用：配置模型的優化器、損失函數和評估指標。

訓練模型

history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)
#作用：在訓練集上訓練模型，并在每個epoch結束后評估驗證集上的性能。
#運行結果：輸出每個epoch的訓練準確率、訓練損失、驗證準確率和驗證損失。

5. 結果分析

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(range(epochs), acc, label='Training Accuracy')
plt.plot(range(epochs), val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(range(epochs), loss, label='Training Loss')
plt.plot(range(epochs), val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
#作用：繪制訓練和驗證過程中的準確率及損失變化曲線。
#運行結果：顯示兩個子圖，分別表示準確率和損失的變化趨勢。



?

  • 訓練準確率和驗證準確率都隨著訓練輪數的增加而上升，表明模型逐漸學習到了數據的特征。
  • 訓練損失和驗證損失則逐漸下降，說明模型的預測誤差在減小。
圖片總數為： 621
Found 621 files belonging to 7 classes.
Using 497 files for training.
Found 621 files belonging to 7 classes.
Using 124 files for validation.
['lufei', 'luobin', 'namei', 'qiaoba', 'shanzhi', 'suolong', 'wusuopu']
歸一化后數據范圍： 0.0 0.9928046
Model: "functional"
┌─────────────────────────────────┬────────────────────────┬───────────────┐
│ Layer (type) ? ? ? ? ? ? ? ? ? ?│ Output Shape ? ? ? ? ? │ ? ? ? Param # │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ input_layer (InputLayer) ? ? ? ?│ (None, 224, 224, 3) ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block1_conv1 (Conv2D) ? ? ? ? ? │ (None, 224, 224, 64) ? │ ? ? ? ? 1,792 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block1_conv2 (Conv2D) ? ? ? ? ? │ (None, 224, 224, 64) ? │ ? ? ? ?36,928 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block1_pool (MaxPooling2D) ? ? ?│ (None, 112, 112, 64) ? │ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block2_conv1 (Conv2D) ? ? ? ? ? │ (None, 112, 112, 128) ?│ ? ? ? ?73,856 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block2_conv2 (Conv2D) ? ? ? ? ? │ (None, 112, 112, 128) ?│ ? ? ? 147,584 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block2_pool (MaxPooling2D) ? ? ?│ (None, 56, 56, 128) ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block3_conv1 (Conv2D) ? ? ? ? ? │ (None, 56, 56, 256) ? ?│ ? ? ? 295,168 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block3_conv2 (Conv2D) ? ? ? ? ? │ (None, 56, 56, 256) ? ?│ ? ? ? 590,080 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block3_conv3 (Conv2D) ? ? ? ? ? │ (None, 56, 56, 256) ? ?│ ? ? ? 590,080 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block3_pool (MaxPooling2D) ? ? ?│ (None, 28, 28, 256) ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block4_conv1 (Conv2D) ? ? ? ? ? │ (None, 28, 28, 512) ? ?│ ? ? 1,180,160 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block4_conv2 (Conv2D) ? ? ? ? ? │ (None, 28, 28, 512) ? ?│ ? ? 2,359,808 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block4_conv3 (Conv2D) ? ? ? ? ? │ (None, 28, 28, 512) ? ?│ ? ? 2,359,808 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block4_pool (MaxPooling2D) ? ? ?│ (None, 14, 14, 512) ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block5_conv1 (Conv2D) ? ? ? ? ? │ (None, 14, 14, 512) ? ?│ ? ? 2,359,808 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block5_conv2 (Conv2D) ? ? ? ? ? │ (None, 14, 14, 512) ? ?│ ? ? 2,359,808 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block5_conv3 (Conv2D) ? ? ? ? ? │ (None, 14, 14, 512) ? ?│ ? ? 2,359,808 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ block5_pool (MaxPooling2D) ? ? ?│ (None, 7, 7, 512) ? ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ flatten (Flatten) ? ? ? ? ? ? ? │ (None, 25088) ? ? ? ? ?│ ? ? ? ? ? ? 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ fc1 (Dense) ? ? ? ? ? ? ? ? ? ? │ (None, 4096) ? ? ? ? ? │ ? 102,764,544 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ fc2 (Dense) ? ? ? ? ? ? ? ? ? ? │ (None, 4096) ? ? ? ? ? │ ? ?16,781,312 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ predictions (Dense) ? ? ? ? ? ? │ (None, 7) ? ? ? ? ? ? ?│ ? ? ? ?28,679 │
└─────────────────────────────────┴────────────────────────┴───────────────┘Total params: 134,289,223 (512.27 MB)Trainable params: 134,289,223 (512.27 MB)Non-trainable params: 0 (0.00 B)
Epoch 1/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 207s 13s/step - accuracy: 0.1736 - loss: 1.9444 - val_accuracy: 0.1935 - val_loss: 1.9390
Epoch 2/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 216s 14s/step - accuracy: 0.1594 - loss: 1.9357 - val_accuracy: 0.1935 - val_loss: 1.9355
Epoch 3/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 195s 12s/step - accuracy: 0.1656 - loss: 1.9362 - val_accuracy: 0.1935 - val_loss: 1.9293
Epoch 4/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 208s 13s/step - accuracy: 0.1749 - loss: 1.9240 - val_accuracy: 0.1452 - val_loss: 1.9054
Epoch 5/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 214s 13s/step - accuracy: 0.1787 - loss: 1.8650 - val_accuracy: 0.2419 - val_loss: 1.6483
Epoch 6/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 202s 13s/step - accuracy: 0.3046 - loss: 1.5703 - val_accuracy: 0.3306 - val_loss: 1.6471
Epoch 7/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 198s 13s/step - accuracy: 0.4451 - loss: 1.4282 - val_accuracy: 0.5403 - val_loss: 1.1161
Epoch 8/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 179s 11s/step - accuracy: 0.6045 - loss: 1.0102 - val_accuracy: 0.5081 - val_loss: 1.0964
Epoch 9/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 166s 11s/step - accuracy: 0.6386 - loss: 0.9255 - val_accuracy: 0.6935 - val_loss: 0.8652
Epoch 10/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 162s 10s/step - accuracy: 0.7404 - loss: 0.6550 - val_accuracy: 0.6290 - val_loss: 0.9989
Epoch 11/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 185s 11s/step - accuracy: 0.8052 - loss: 0.5281 - val_accuracy: 0.6855 - val_loss: 0.9217
Epoch 12/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 185s 12s/step - accuracy: 0.8136 - loss: 0.4523 - val_accuracy: 0.6613 - val_loss: 1.0901
Epoch 13/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 193s 12s/step - accuracy: 0.8089 - loss: 0.4674 - val_accuracy: 0.6935 - val_loss: 0.7750
Epoch 14/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 192s 12s/step - accuracy: 0.8577 - loss: 0.3848 - val_accuracy: 0.7339 - val_loss: 0.8414
Epoch 15/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 185s 12s/step - accuracy: 0.9164 - loss: 0.2603 - val_accuracy: 0.7419 - val_loss: 1.2181
Epoch 16/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 223s 14s/step - accuracy: 0.8789 - loss: 0.4077 - val_accuracy: 0.7258 - val_loss: 0.9584
Epoch 17/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 236s 15s/step - accuracy: 0.9123 - loss: 0.2405 - val_accuracy: 0.7419 - val_loss: 1.2041
Epoch 18/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 236s 15s/step - accuracy: 0.9637 - loss: 0.1224 - val_accuracy: 0.7339 - val_loss: 1.9659
Epoch 19/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 226s 14s/step - accuracy: 0.9677 - loss: 0.0793 - val_accuracy: 0.7339 - val_loss: 1.4271
Epoch 20/20
16/16 ━━━━━━━━━━━━━━━━━━━━ 224s 14s/step - accuracy: 0.9548 - loss: 0.1205 - val_accuracy: 0.7581 - val_loss: 1.4689
#指標	訓練集變化	            驗證集變化	            結論
#準確率	17.4% → 95.5% (↑78.1%)	19.4% → 75.8% (↑56.4%)	模型學習有效，但存在明顯過擬合
#損失值	1.94 → 0.12 (↓93.8%)	1.94 → 1.47 (↓24.2%)	訓練損失下降過快，驗證損失震蕩進程已結束，退出代碼為 0




6.從深度學習展開分析

（1）特征學習的革命性突破

傳統方法 vs 深度學習

  • 傳統CV方案：
    需要手工設計特征（如HOG描述子、顏色直方圖），但對于動漫人物：

    草帽、發型等特征難以用數學公式描述? ?不同姿勢/角度下特征穩定性差

  • 深度學習方案：
    VGG-16通過卷積層自動學習層次化特征：

底層特征（前幾層）：邊緣/顏色 → 識別路飛的草帽紅色邊緣

中層特征：紋理/部件 → 組合出索隆的三把刀輪廓

高層特征：全局語義 → 理解"娜美的橘色頭發+身體比例"這種復合特征

（2）處理圖像數據的先天優勢

  1. 空間不變性：

    • 通過卷積核共享機制，無論路飛出現在圖像左上角還是右下角都能被識別

    • 池化層使模型對小幅位移/旋轉具有魯棒性（適合動漫截圖角度多變的特點）

  2. 通道維度理解：

    • RGB三通道自動提取色彩特征（如喬巴的粉色帽子、山治的金發）

    • 相比灰度圖，保留關鍵顏色線索

  3. 感受野遞進：

    • 從3×3小窗口逐步擴大到全圖感知（最終7×7的特征圖對應原圖約200×200像素區域）

    • 這種機制天然適配"從局部到整體"的認知邏輯

（3）端到端訓練的便捷性

傳統流程：
圖像預處理 → 特征工程 → 分類器設計 → 結果優化（需分步調試）

深度學習流程：
原始圖片輸入 → VGG網絡 → 分類結果
所有優化自動完成

（4）針對動漫數據的特殊適配能力

  1. 風格化特征處理：

    • 動漫人物線條鮮明、用色大膽，與真實照片差異大

    • CNN通過多層非線性變換，能更好捕捉這種藝術化表達

  2. 跨角色泛化：

    • 即使訓練集沒有"戴草帽的羅賓"這類異常組合，模型也能通過：

      • 低層學到的"草帽特征"

      • 高層學到的"羅賓面部特征"

    • 組合推理出未知變體（比傳統方法更具泛化潛力）

（5）延伸應用場景

這套技術方案稍加調整即可用于：

  1. 動漫產業：自動標注動畫分鏡中的人物出場

  2. 游戲開發：玩家上傳截圖自動識別角色陣容

  3. 周邊電商：拍照搜索手辦/服飾對應的

七、總結

在本案例中，深度學習的作用本質是：
通過多層非線性變換，自動從像素中學習到海賊王角色的抽象特征表達，并建立這些特征與人物類別的映射關系。其價值不在于替代人類認知，而是將人類難以顯式描述的視覺模式（比如"如何定義喬巴的可愛感"）編碼成可優化的數學表示。未來結合注意力機制等新技術，還可進一步接近人類的分辨能力。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/82234.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/82234.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/82234.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

[創業之路-377]：企業戰略管理案例分析-戰略制定/設計-市場洞察“五看”：看宏觀之社會發展趨勢：數字化、智能化、個性化的趨勢對初創公司的戰略機會

[創業之路-377]：企業戰略管理案例分析-戰略制定/設計-市場洞察“五看”：看宏觀之社會發展趨勢：數字化、智能化、個性化的趨勢對初創公司的戰略機會

數字化、智能化、個性化趨勢為初創公司帶來了捕捉長尾需求、提升運營效率、創新商業模式等戰略機會，具體分析如下： 一、數字化趨勢帶來的戰略機會 捕捉長尾需求：數字化技術能夠幫助初創公司更好地捕捉市場中的長尾需求，滿足那些…
閱讀更多...
macOS 安裝 PostgreSQL

macOS 安裝 PostgreSQL

文章目錄 安裝安裝信息 驗證GUI 工具下載 安裝 最簡單的方式是通過 brew 安裝 brew install postgresql17該版本在 brew 上的詳情頁：https://formulae.brew.sh/formula/postgresql17 你也可以根據需要，搜索 安裝更新版本 如果你沒有安裝 brew&#xf…
閱讀更多...
安裝openresty使用nginx+lua，openresty使用jwt解密

安裝openresty使用nginx+lua，openresty使用jwt解密

yum install -y epel-release yum update yum search openresty # 查看是否有可用包 yum install -y openresty啟動systemctl start openresty驗證服務狀態systemctl status openresty設置開機自啟systemctl enable openrestysystemctl stop openresty # 停止服務 system…
閱讀更多...
全球化 2.0 | 云軸科技ZStack助力中東智慧城市高性能智能安防云平臺

全球化 2.0 | 云軸科技ZStack助力中東智慧城市高性能智能安防云平臺

在全球智慧城市加速建設的背景下，中東某大型城市通過部署云軸科技ZStack Cloud云平臺，成功實現公共安全視頻監控系統（CCTV）的智能化升級。該平臺以彈性計算、GPU智能調度、高可用架構為核心，支撐千路高清視頻流處理及人…
閱讀更多...
Day35打卡 @浙大疏錦行

Day35打卡 @浙大疏錦行

知識點回顧： 三種不同的模型可視化方法：推薦torchinfo打印summary權重分布可視化進度條功能：手動和自動寫法，讓打印結果更加美觀推理的寫法：評估模式 作業：調整模型定義時的超參數，對比下效果。…
閱讀更多...
嵌入式軟件-如何做好一份技術文檔？

嵌入式軟件-如何做好一份技術文檔？

嵌入式軟件-如何做好一份技術文檔？ 文章目錄 嵌入式軟件-如何做好一份技術文檔？一.技術文檔的核心價值與挑戰二.文檔體系的結構化設計三.精準表達嵌入式特有概念四. **像管理代碼一樣管理文檔**，代碼與文檔的協同維護五.質量評估與持續改進5.…
閱讀更多...
css五邊形

css五邊形

五邊形 .fu{width: 172rpx;height: 204rpx;overflow: hidden;border-radius: 10rpx;clip-path: polygon(0% 0%, 100% 0%, 100% 75%, 50% 100%, 0% 75%, 0% 25%); }六邊形 clip-path: polygon(50% 0%, 100% 25%, 100% 75%, 50% 100%, 0% 75%, 0% 25%);
閱讀更多...
【Java高階面經：微服務篇】1.微服務架構核心：服務注冊與發現之AP vs CP選型全攻略

【Java高階面經：微服務篇】1.微服務架構核心：服務注冊與發現之AP vs CP選型全攻略

一、CAP理論在服務注冊與發現中的落地實踐 1.1 CAP三要素的技術權衡 要素AP模型實現CP模型實現一致性最終一致性（Eureka通過異步復制實現）強一致性（ZooKeeper通過ZAB協議保證）可用性服務節點可獨立響應（支持分區存活）分區期間無法保證寫操作（需多數節點可用）分區容錯性…
閱讀更多...
頭歌軟工導論作業

頭歌軟工導論作業

一.集成測試和確認測試 第1關：集成測試 1、 集成測試的主要方法有CD A、 自頂向下集成方法 B、 自底向上集成方法 C、 漸增式測試方法 D、 非漸增式測試方法 2、 目前在進行集成測試時普遍采用非漸增式測試方法。B A、 √ B、 3、 自底向上集成策略是從主控制模…
閱讀更多...
MFC：獲取所有打印機的名稱（打印機模塊-1）

MFC：獲取所有打印機的名稱（打印機模塊-1）

背景： 在一個 MFC 應用程序中，列出本地系統中安裝的打印機，并檢測是否存在“Microsoft Print to PDF”或“Microsoft XPS Document Writer”虛擬打印機。如果有，則選擇其中一個作為默認或后續操作對象；如果沒有&#…
閱讀更多...
設計模式-行為型模式（詳解）

設計模式-行為型模式（詳解）

模板方法 模板方法模式，它在一個抽象類中定義了一個算法(業務邏輯)的骨架，具體步驟的實現由子類提供，它通過將算法的不變部分放在抽象類中，可變部分放在子類中，達到代碼復用和擴展的目的。 復用: 所有子類可以直接復…
閱讀更多...
STM32中的IIC協議和OLED顯示屏

STM32中的IIC協議和OLED顯示屏

串口通信協議的缺點 串口通信通常需要至少三條線（TX、RX和GND），而 I2C 總線僅需要兩條信號線（SDA和SCL）； 串口通信僅支持一對一通信，而 I2C 總線支持多機通信，允許單個主機與多個從…
閱讀更多...
30個性能優化方案

30個性能優化方案

1.用String.format拼接字符串 不知道你有沒有拼接過字符串，特別是那種有多個參數，字符串比較長的情況。 比如現在有個需求：要用get請求調用第三方接口，url后需要拼接多個參數。 以前我們的請求地址是這樣拼接的： S…
閱讀更多...
docker中部署Universal Media Server (UMS)

docker中部署Universal Media Server (UMS)

Universal Media Server (UMS) 本身主要是作為桌面服務程序開發的（主要面向 Java GUI DLNA 播放），但確實可以通過 Docker 進行部署。雖然官方沒有提供 Docker 鏡像，但社區有一些可用的方式可以在 Docker 中運行它。 下面是一個可…
閱讀更多...
配置文件，xml，json，yaml，我該選哪個？

配置文件，xml，json，yaml，我該選哪個？

文章目錄 一、核心特性對比二、性能與生態系統三、適用場景與選型建議四、替代方案與趨勢五、總結 在軟件開發中，配置文件格式的選擇直接影響開發效率和維護成本。XML、JSON、YAML 是目前主流的三種格式，但它們各有適用場景和局限性。本文將從語法特性、…
閱讀更多...
產品迭代與放棄的判斷：MVP、PMF 與 Scale Fit 的三重驗證

產品迭代與放棄的判斷：MVP、PMF 與 Scale Fit 的三重驗證

在創業和產品管理的世界里，一個永恒的難題是：什么時候應該繼續投入資源進行產品迭代？什么時候又該果斷放棄？ 這是一個既關乎戰略方向，又涉及資源分配的核心命題。許多初創公司或產品團隊往往在錯誤的方向上堅持太久&a…
閱讀更多...
DAY 35 模型可視化與推理

DAY 35 模型可視化與推理

知識點回顧： 三種不同的模型可視化方法：推薦torchinfo打印summary權重分布可視化進度條功能：手動和自動寫法，讓打印結果更加美觀推理的寫法：評估模式 作業：調整模型定義時的超參數，對比下效果。…
閱讀更多...
20250523-BUG-E1696：無法打開元數據文件“platform.winmd（已解決）

20250523-BUG-E1696：無法打開元數據文件“platform.winmd（已解決）

BUG：E1696：無法打開元數據文件“platform.winmd（已解決） 最近在用VisualStudio2022打開一個VisualStudio2017的C老項目后報了這個錯，幾經周折終于解決了，以下是我用的解決方法： 將Debug從Win32改…
閱讀更多...
Hellorobot 移動操作機器人開源實踐：HPR 模型 + 全棧資源，降低家庭機器人開發門檻

Hellorobot 移動操作機器人開源實踐：HPR 模型 + 全棧資源，降低家庭機器人開發門檻

Hellorobot在DobbE框架中扮演了重要的技術支柱角色。通過其尖端的模塊化設計和高效算法優化，Hellorobot為家庭機器人領域注入了強大的創新動力。DobbE框架的核心技術——Home Pretrained Representations (HPR) 模型，得益于Hellorobot的技術支持&#xf…
閱讀更多...
onnx模型轉入rknn3399平臺上工作記錄

onnx模型轉入rknn3399平臺上工作記錄

1.rknn虛擬環境使用時報錯問題 使用rknn17環境的報錯： ImportError: libdc1394.so.22: cannot open shared object file: No such file or directory 參考鏈接：https://blog.csdn.net/2301_80032564/article/details/142316410 創作軟連接： …
閱讀更多...
最新文章

Copyright @ 2022~2023