解讀SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC

SPP與SPPF
一、SPP的應用的背景
在卷積神經網絡中我們經常看到固定輸入的設計，但是如果我們輸入的不能是固定尺寸的該怎么辦呢？

通常來說，我們有以下幾種方法：

（1）對輸入進行resize操作，讓他們統統變成你設計的層的輸入規格那樣。但是這樣過于暴力直接，可能會丟失很多信息或者多出很多不該有的信息（圖片變形等），影響最終的結果。

（2）替換網絡中的全連接層，對最后的卷積層使用global average pooling，全局平均池化只和通道數有關，而與特征圖大小沒有關系

（3）最后一個當然是我們要講的SPP結構

Note：
但是在yolov5中SPP/SPPF作用是：實現局部特征和全局特征的featherMap級別的融合。

二、SPP結構分析
SPP結構又被稱為空間金字塔池化，能將任意大小的特征圖轉換成固定大小的特征向量。

接下來我們來詳述一下SPP是怎么處理滴~

輸入層：首先我們現在有一張任意大小的圖片，其大小為w * h。

輸出層：21個神經元 – 即我們待會希望提取到21個特征。

分析如下圖所示：分別對1 * 1分塊，2 * 2分塊和4 * 4子圖里分別取每一個框內的max值（即取藍框框內的最大值），這一步就是作最大池化，這樣最后提取出來的特征值（即取出來的最大值）一共有1 * 1 + 2 * 2 + 4 * 4 = 21個。得出的特征再concat在一起。

在這里插入圖片描述
而在YOLOv5中SPP的結構圖如下圖所示：
在這里插入圖片描述
其中，前后各多加一個CBL，中間的kernel size分別為1 * 1，5 * 5，9 * 9和13 * 13。

三、SPPF結構分析
CBL(conv+BN+Leaky relu)改成CBS(conv+BN+SiLU)哈，之前沒注意它的名稱變化。
在這里插入圖片描述
四、YOLOv5中SPP/SPPF結構源碼解析（內含注釋分析）

代碼注釋與上圖的SPP結構相對應。

class SPP(nn.Module):def __init__(self, c1, c2, k=(5, 9, 13)):#這里5，9，13，就是初始化的kernel sizesuper().__init__()c_ = c1 // 2  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)#這里對應第一個CBLself.cv2 = Conv(c_ * (len(k) + 1), c2, 1, 1)#這里對應SPP操作里的最后一個CBLself.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])#這里對應SPP核心操作，對5 * 5分塊，9 * 9分塊和13 * 13子圖分別取最大池化def forward(self, x):x = self.cv1(x)with warnings.catch_warnings():warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning忽略警告return self.cv2(torch.cat([x] + [m(x) for m in self.m], 1))#torch.cat對應concat
# SPPF結構
class SPPF(nn.Module):# Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocherdef __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))super().__init__()c_ = c1 // 2  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_ * 4, c2, 1, 1)self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)def forward(self, x):x = self.cv1(x)#先通過CBL進行通道數的減半with warnings.catch_warnings():warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warningy1 = self.m(x)y2 = self.m(y1)#上述兩次最大池化return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))#將原來的x,一次池化后的y1,兩次池化后的y2,3次池化的self.m(y2)先進行拼接，然后再CBL

實驗對比
下面做個簡單的小實驗，對比下SPP和SPPF的計算結果以及速度，代碼如下（注意這里將SPPF中最開始和結尾處的1x1卷積層給去掉了，只對比含有MaxPool的部分）：

import time
import torch
import torch.nn as nnclass SPP(nn.Module):def __init__(self):super().__init__()self.maxpool1 = nn.MaxPool2d(5, 1, padding=2)self.maxpool2 = nn.MaxPool2d(9, 1, padding=4)self.maxpool3 = nn.MaxPool2d(13, 1, padding=6)def forward(self, x):o1 = self.maxpool1(x)o2 = self.maxpool2(x)o3 = self.maxpool3(x)return torch.cat([x, o1, o2, o3], dim=1)class SPPF(nn.Module):def __init__(self):super().__init__()self.maxpool = nn.MaxPool2d(5, 1, padding=2)def forward(self, x):o1 = self.maxpool(x)o2 = self.maxpool(o1)o3 = self.maxpool(o2)return torch.cat([x, o1, o2, o3], dim=1)def main():input_tensor = torch.rand(8, 32, 16, 16)spp = SPP()sppf = SPPF()output1 = spp(input_tensor)output2 = sppf(input_tensor)print(torch.equal(output1, output2))t_start = time.time()for _ in range(100):spp(input_tensor)print(f"spp time: {time.time() - t_start}")t_start = time.time()for _ in range(100):sppf(input_tensor)print(f"sppf time: {time.time() - t_start}")if __name__ == '__main__':main()"""運行結果"""
True
spp time: 0.5373051166534424
sppf time: 0.20780706405639648

更多類型的SPP
1.1 SPP（Spatial Pyramid Pooling）
SPP模塊是何凱明大神在2015年的論文《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》中被提出。

SPP全程為空間金字塔池化結構，主要是為了解決兩個問題：

有效避免了對圖像區域裁剪、縮放操作導致的圖像失真等問題；
解決了卷積神經網絡對圖相關重復特征提取的問題，大大提高了產生候選框的速度，且節省了計算成本。

在這里插入圖片描述
在這里插入圖片描述

class SPP(nn.Module):# Spatial Pyramid Pooling (SPP) layer https://arxiv.org/abs/1406.4729def __init__(self, c1, c2, k=(5, 9, 13)):super().__init__()c_ = c1 // 2  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_ * (len(k) + 1), c2, 1, 1)self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])def forward(self, x):x = self.cv1(x)with warnings.catch_warnings():warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warningreturn self.cv2(torch.cat([x] + [m(x) for m in self.m], 1))

1.2 SPPF（Spatial Pyramid Pooling - Fast）
這個是YOLOv5作者Glenn Jocher基于SPP提出的，速度較SPP快很多，所以叫SPP-Fast

在這里插入圖片描述

class SPPF(nn.Module):# Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocherdef __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))super().__init__()c_ = c1 // 2  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_ * 4, c2, 1, 1)self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)def forward(self, x):x = self.cv1(x)with warnings.catch_warnings():warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warningy1 = self.m(x)y2 = self.m(y1)return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))

1.3 SimSPPF（Simplified SPPF）
美團YOLOv6提出的模塊，感覺和SPPF只差了一個激活函數，簡單測試了一下，單個ConvBNReLU速度要比ConvBNSiLU快18%

在這里插入圖片描述

class SimConv(nn.Module):'''Normal Conv with ReLU activation'''def __init__(self, in_channels, out_channels, kernel_size, stride, groups=1, bias=False):super().__init__()padding = kernel_size // 2self.conv = nn.Conv2d(in_channels,out_channels,kernel_size=kernel_size,stride=stride,padding=padding,groups=groups,bias=bias,)self.bn = nn.BatchNorm2d(out_channels)self.act = nn.ReLU()def forward(self, x):return self.act(self.bn(self.conv(x)))def forward_fuse(self, x):return self.act(self.conv(x))class SimSPPF(nn.Module):'''Simplified SPPF with ReLU activation'''def __init__(self, in_channels, out_channels, kernel_size=5):super().__init__()c_ = in_channels // 2  # hidden channelsself.cv1 = SimConv(in_channels, c_, 1, 1)self.cv2 = SimConv(c_ * 4, out_channels, 1, 1)self.m = nn.MaxPool2d(kernel_size=kernel_size, stride=1, padding=kernel_size // 2)def forward(self, x):x = self.cv1(x)with warnings.catch_warnings():warnings.simplefilter('ignore')y1 = self.m(x)y2 = self.m(y1)return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

1.4 ASPP（Atrous Spatial Pyramid Pooling）
受到SPP的啟發，語義分割模型DeepLabv2中提出了ASPP模塊(空洞空間卷積池化金字塔)，該模塊使用具有不同采樣率的多個并行空洞卷積層。為每個采樣率提取的特征在單獨的分支中進一步處理，并融合以生成最終結果。該模塊通過不同的空洞率構建不同感受野的卷積核，用來獲取多尺度物體信息，具體結構比較簡單如下圖所示：
在這里插入圖片描述
ASPP是在DeepLab中提出來的，在后續的DeepLab版本中對其做了改進，如加入BN層、加入深度可分離卷積等，但基本的思路還是沒變。

# without BN version
class ASPP(nn.Module):def __init__(self, in_channel=512, out_channel=256):super(ASPP, self).__init__()self.mean = nn.AdaptiveAvgPool2d((1, 1))  # (1,1)means ouput_dimself.conv = nn.Conv2d(in_channel,out_channel, 1, 1)self.atrous_block1 = nn.Conv2d(in_channel, out_channel, 1, 1)self.atrous_block6 = nn.Conv2d(in_channel, out_channel, 3, 1, padding=6, dilation=6)self.atrous_block12 = nn.Conv2d(in_channel, out_channel, 3, 1, padding=12, dilation=12)self.atrous_block18 = nn.Conv2d(in_channel, out_channel, 3, 1, padding=18, dilation=18)self.conv_1x1_output = nn.Conv2d(out_channel * 5, out_channel, 1, 1)def forward(self, x):size = x.shape[2:]image_features = self.mean(x)image_features = self.conv(image_features)image_features = F.upsample(image_features, size=size, mode='bilinear')atrous_block1 = self.atrous_block1(x)atrous_block6 = self.atrous_block6(x)atrous_block12 = self.atrous_block12(x)atrous_block18 = self.atrous_block18(x)net = self.conv_1x1_output(torch.cat([image_features, atrous_block1, atrous_block6,atrous_block12, atrous_block18], dim=1))return net

1.5 RFB（Receptive Field Block）
RFB模塊是在《ECCV2018:Receptive Field Block Net for Accurate and Fast Object Detection》一文中提出的，該文的出發點是模擬人類視覺的感受野從而加強網絡的特征提取能力，在結構上RFB借鑒了Inception的思想，主要是在Inception的基礎上加入了空洞卷積，從而有效增大了感受野

在這里插入圖片描述
在這里插入圖片描述
RFB和RFB-s的架構。RFB-s用于在淺層人類視網膜主題圖中模擬較小的pRF，使用具有較小內核的更多分支。

class BasicConv(nn.Module):def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=0, dilation=1, groups=1, relu=True, bn=True):super(BasicConv, self).__init__()self.out_channels = out_planesif bn:self.conv = nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, groups=groups, bias=False)self.bn = nn.BatchNorm2d(out_planes, eps=1e-5, momentum=0.01, affine=True)self.relu = nn.ReLU(inplace=True) if relu else Noneelse:self.conv = nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, groups=groups, bias=True)self.bn = Noneself.relu = nn.ReLU(inplace=True) if relu else Nonedef forward(self, x):x = self.conv(x)if self.bn is not None:x = self.bn(x)if self.relu is not None:x = self.relu(x)return xclass BasicRFB(nn.Module):def __init__(self, in_planes, out_planes, stride=1, scale=0.1, map_reduce=8, vision=1, groups=1):super(BasicRFB, self).__init__()self.scale = scaleself.out_channels = out_planesinter_planes = in_planes // map_reduceself.branch0 = nn.Sequential(BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),BasicConv(inter_planes, 2 * inter_planes, kernel_size=(3, 3), stride=stride, padding=(1, 1), groups=groups),BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision, dilation=vision, relu=False, groups=groups))self.branch1 = nn.Sequential(BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),BasicConv(inter_planes, 2 * inter_planes, kernel_size=(3, 3), stride=stride, padding=(1, 1), groups=groups),BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision + 2, dilation=vision + 2, relu=False, groups=groups))self.branch2 = nn.Sequential(BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),BasicConv(inter_planes, (inter_planes // 2) * 3, kernel_size=3, stride=1, padding=1, groups=groups),BasicConv((inter_planes // 2) * 3, 2 * inter_planes, kernel_size=3, stride=stride, padding=1, groups=groups),BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision + 4, dilation=vision + 4, relu=False, groups=groups))self.ConvLinear = BasicConv(6 * inter_planes, out_planes, kernel_size=1, stride=1, relu=False)self.shortcut = BasicConv(in_planes, out_planes, kernel_size=1, stride=stride, relu=False)self.relu = nn.ReLU(inplace=False)def forward(self, x):x0 = self.branch0(x)x1 = self.branch1(x)x2 = self.branch2(x)out = torch.cat((x0, x1, x2), 1)out = self.ConvLinear(out)short = self.shortcut(x)out = out * self.scale + shortout = self.relu(out)return out

1.6 SPPCSPC
該模塊是YOLOv7中使用的SPP結構，表現優于SPPF，但參數量和計算量提升了很多
在這里插入圖片描述

class SPPCSPC(nn.Module):# CSP https://github.com/WongKinYiu/CrossStagePartialNetworksdef __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=(5, 9, 13)):super(SPPCSPC, self).__init__()c_ = int(2 * c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c1, c_, 1, 1)self.cv3 = Conv(c_, c_, 3, 1)self.cv4 = Conv(c_, c_, 1, 1)self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])self.cv5 = Conv(4 * c_, c_, 1, 1)self.cv6 = Conv(c_, c_, 3, 1)self.cv7 = Conv(2 * c_, c2, 1, 1)def forward(self, x):x1 = self.cv4(self.cv3(self.cv1(x)))y1 = self.cv6(self.cv5(torch.cat([x1] + [m(x1) for m in self.m], 1)))y2 = self.cv2(x)return self.cv7(torch.cat((y1, y2), dim=1))
#分組SPPCSPC 分組后參數量和計算量與原本差距不大，不知道效果怎么樣
class SPPCSPC_group(nn.Module):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=(5, 9, 13)):super(SPPCSPC_group, self).__init__()c_ = int(2 * c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1, g=4)self.cv2 = Conv(c1, c_, 1, 1, g=4)self.cv3 = Conv(c_, c_, 3, 1, g=4)self.cv4 = Conv(c_, c_, 1, 1, g=4)self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])self.cv5 = Conv(4 * c_, c_, 1, 1, g=4)self.cv6 = Conv(c_, c_, 3, 1, g=4)self.cv7 = Conv(2 * c_, c2, 1, 1, g=4)def forward(self, x):x1 = self.cv4(self.cv3(self.cv1(x)))y1 = self.cv6(self.cv5(torch.cat([x1] + [m(x1) for m in self.m], 1)))y2 = self.cv2(x)return self.cv7(torch.cat((y1, y2), dim=1))

1.7 SPPFCSPC+
我借鑒了SPPF的思想將SPPCSPC優化了一下，得到了SPPFCSPC，在保持感受野不變的情況下獲得速度提升；我把這個模塊給v7作者看了，并沒有得到否定，詳細回答可以看4 Issue

目前這個結構被YOLOv6 3.0版本使用了，效果很不錯，大家可以看一下YOLOv6 3.0的論文，里面有詳細的實驗結果。
在這里插入圖片描述

class SPPFCSPC(nn.Module):def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=5):super(SPPFCSPC, self).__init__()c_ = int(2 * c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c1, c_, 1, 1)self.cv3 = Conv(c_, c_, 3, 1)self.cv4 = Conv(c_, c_, 1, 1)self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)self.cv5 = Conv(4 * c_, c_, 1, 1)self.cv6 = Conv(c_, c_, 3, 1)self.cv7 = Conv(2 * c_, c2, 1, 1)def forward(self, x):x1 = self.cv4(self.cv3(self.cv1(x)))x2 = self.m(x1)x3 = self.m(x2)y1 = self.cv6(self.cv5(torch.cat((x1,x2,x3, self.m(x3)),1)))y2 = self.cv2(x)return self.cv7(torch.cat((y1, y2), dim=1))

2 參數量對比
這里我在yolov5s.yaml中使用各個模型替換SPP模塊

在這里插入圖片描述

搬運自知乎網址深度學習中小知識點系列(六) 解讀SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC

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/news/455068.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/455068.shtml
英文地址，請注明出處：http://en.pswp.cn/news/455068.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

go mongodb排序查詢_《MongoDB》day two

go mongodb排序查詢_《MongoDB》day two

Mongodb的更新方式有？db.集合名.update() 函數:用于更新已存在的文檔。語法格式：db.COLLECTION_NAME.update({查詢條件},{更新內容},{更新參數(可選)}) 注：這種方式會覆蓋原有的文檔。使用更新操作符 使用 save()函數更新文檔 Mongodb的updat…
閱讀更多...
【轉】 JMeter學習（二十四）linux啟動jmeter，執行./jmeter.sh報錯解決方法

【轉】 JMeter學習（二十四）linux啟動jmeter，執行./jmeter.sh報錯解決方法

1.l-bash: ./jmeter.sh: Permission denied解決辦法：jmeter.sh的執行權限改改，是權限不夠chmod 777 jmeter.sh2.An error occurred:No X11 DISPLAY variable was set, but this program performed an operation which requires it.步驟一：Lin…
閱讀更多...
哈希表思路圖解和代碼實現

哈希表思路圖解和代碼實現

原文鏈接傳送門 哈希表(散列)-Google上機題 看一個實際需求，google公司的一個上機題: 有一個公司,當有新的員工來報道時,要求將該員工的信息加入(id,性別,年齡,住址…),當輸入該員工的id時,要求查找到該員工的 所有信息. 要求: 不使用數據庫,盡量節省內存,速度越…
閱讀更多...
android開發學習——Mina框架

android開發學習——Mina框架

Apache Mina Server 是一個網絡通信應用框架，對socket進行了封裝。 http://www.cnblogs.com/moonandstar08/p/5475766.html http://blog.csdn.net/u010739551/article/details/47361365 http://www.cnblogs.com/yanghuiping/p/4108063.html （mina 自定…
閱讀更多...
glibc交叉編譯_TSN之linuxptp交叉編譯

glibc交叉編譯_TSN之linuxptp交叉編譯

0 開發環境1 linuxptp是什么2 為什么要交叉編譯linuxptp3 修改makefile4 修改源碼5 交叉編譯0 開發環境筆記本：ubuntu18.04.5，內核版本為5.3 開發板：imx8mp-evk內核版本：Linux5.4.24交叉編譯工具鏈：fsl-imx-xwayland-g…
閱讀更多...
230. Kth Smallest Element in a BST

230. Kth Smallest Element in a BST

題目： Given a binary search tree, write a function kthSmallest to find the kth smallest element in it. Note: You may assume k is always valid, 1 ≤ k ≤ BSTs total elements. Follow up:What if the BST is modified (insert/delete operations) often …
閱讀更多...
聲音編碼

聲音編碼

1.脈沖編碼調制PCM文件格式簡介 將音頻數字化，其實就是將聲音數字化。最常見的方式是透過脈沖編碼調制PCM(Pulse Code Modulation) 。運作原理如下。首先我們考慮聲音經過麥克風，轉換成一連串電壓變化的信號，如圖一所示。這張圖的橫座標為秒&…
閱讀更多...
Elastic Stack簡介

Elastic Stack簡介

Elastic Stack簡介 如果你沒有聽說過Elastic Stack，那你一定聽說過ELK，實際上ELK是三款軟件的簡稱，分別是Elasticsearch、 Logstash、Kibana組成，在發展的過程中，又有新成員Beats的加入，所以就形成了Elast…
閱讀更多...
webpack v3 結合 react-router v4 做 dynamic import — 按需加載（懶加載）

webpack v3 結合 react-router v4 做 dynamic import — 按需加載（懶加載）

為什么要做dynamic import？ dynamic import不知道為什么有很多叫法，什么按需加載，懶加載，Code Splitting，代碼分頁等。總之，就是在SPA，把JS代碼分成N個頁面份數的文件，不在用戶剛進來…
閱讀更多...
go kegg_工具篇丨GO和KEGG富集不到通路？快試試這個超贊的功能分析工具吧

go kegg_工具篇丨GO和KEGG富集不到通路？快試試這個超贊的功能分析工具吧

GO和KEGG富集分析是我們在篩選出差異表達基因之后，都會去做的套路性分析。然鵝……我相信，總有那么一些“倒霉孩子”會遇到跟我一樣的窘境吧，好不容易篩選出來的差異基因，嘗試了DAVID(https://david.ncifcrf.gov/)、Metascape(htt…
閱讀更多...
大齡程序員的未來在何方

大齡程序員的未來在何方

來源：http://www.gad.qq.com//article/detail/30358?sessionUserTypeBFT.PARAMS.229862.TASKID&ADUIN114328649&ADSESSION1501026740&ADTAGCLIENT.QQ.5533_.0&ADPUBNO26719 作者：foruok 大家都對大齡技術人員的未來非常關心&#xff0c…
閱讀更多...
搭建Telnet服務器

搭建Telnet服務器

搭建Telnet服務器 作者：尹正杰 版權聲明：原創作品，謝絕轉載！否則將追究法律責任。 可能大家都知道現在已經很少有人用TELNET服務器， 因為它傳輸數據是以明文的方式，我們很容易通過抓包軟件講數據進行抓包&a…
閱讀更多...
table取tr對象 vue_Vue筆記

table取tr對象 vue_Vue筆記

Vue集成了React和Angular的優點，摒棄了他們的缺點。Vue的官網：https://cn.vuejs.org/v2/api/Vue誕生于2016年，是現在非常流行的MVVM框架。Vue提供了“引包”的使用方法，初學者可以在這之下學習語法。不需要webpack，不需…
閱讀更多...
Beats入門簡介

Beats入門簡介

使用Beat收集nginx日志和指標數據 項目需求 Nginx是一款非常優秀的web服務器，往往nginx服務會作為項目的訪問入口，那么，nginx的性能保障就變得非常重要了，如果nginx的運行出現了問題就會對項目有較大的影響，所以&…
閱讀更多...
PHP-curl

PHP-curl

//初始化$curl curl_init();//設置抓取的urlcurl_setopt($curl, CURLOPT_URL, http://www.baidu.com);//設置頭文件的信息作為數據流輸出curl_setopt($curl, CURLOPT_HEADER, 1);//設置獲取的信息以文件流的形式返回，而不是直接輸出。curl_setopt($curl, CURLOPT_R…
閱讀更多...
MPlayer開發

MPlayer開發

一、介紹 不論是音頻數據還是視頻數據，我都為MPlayer項目開發過一些開源的解碼器。因此我個人認為我有資格寫一篇文檔來介紹如何開發新的編解碼器。 學習如何添加一個新的編解碼器的最好方法通常是學習大量的已有代碼。本文檔僅僅是對代碼的一個補充&#x…
閱讀更多...
可編程led燈帶原理_SCPSD-250-04-27派克真空壓力傳感器故障和工作原理

可編程led燈帶原理_SCPSD-250-04-27派克真空壓力傳感器故障和工作原理

SCPSD-250-04-27派克PARKER真空壓力傳感器故障和工作原理PARKER壓力開關現貨 PARKER壓力傳感器特價 派克真空壓力傳感器 PARKER數字壓力開關2020年還剩最后2天了，這一年大家都過得不太容易，尤其是我自己這是30年以來過得最艱難的一年，經…
閱讀更多...
總結面試時沒有回答上的內存對齊問題

總結面試時沒有回答上的內存對齊問題

前兩天面試某公司時，沒有回答上的一個問題，總結如下，以供參考。 問：下面這個結構類型的實例變量占用多少內存： struct struct1 { int i; short j; char c; }; 我反問：是啥語言啥機器啥編譯環境…
閱讀更多...
Kibana入門安裝與介紹

Kibana入門安裝與介紹

Kibana入門 Kibana 是一款開源的數據分析和可視化平臺，它是 Elastic Stack 成員之一，設計用于和 Elasticsearch 協作。您可以使用 Kibana 對 Elasticsearch 索引中的數據進行搜索、查看、交互操作。您可以很方便的利用圖表、表格及地圖對數據進行多元化…
閱讀更多...
友善串口工具接收數據隨機換行_使用Python3+PyQT5+Pyserial 實現簡單的串口工具方法...

友善串口工具接收數據隨機換行_使用Python3+PyQT5+Pyserial 實現簡單的串口工具方法...

練手項目，先上圖先實現一個簡單的串口工具，為之后的上位機做準備代碼如下：pyserial_demo.pyimport sys import serial import serial.tools.list_ports from PyQt5 import QtWidgets from PyQt5.QtWidgets import QMessageBox from PyQt5.QtC…
閱讀更多...
最新文章

Copyright @ 2022~2023