官方文档config详情：https://mmdetection.readthedocs.io/en/latest/tutorials/config.html
在config/_base_文件夹下面总共有4个基础的组件，它们分别是：dataset、model、schedule、default_runtime。
{
model}_[model setting]_{
backbone}_{
neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{
schedule}_{
dataset}
{xxx}是必选项，[yyy]是可选项
{model}:模型的类型 ，例如faster_rcnn、mask_rcnn 等等.[model setting]: 给模型一些指定设置, 例如without_semantic for htc、moment for reppoints等等.{backbone}: backbone 的类型 r50 (ResNet-50), x101 (ResNeXt-101)。（相当于特征提取网络）{neck}: neck 的类型选择，例如fpn,pafpn, nasfpn,c4.[norm_setting]: 如果没有指定，那就默认为bn (Batch Normalization) , 还有其他可选的norm layer类型，比如 gn (Group Normalization)、syncbn (Synchronized Batch Normalization). gn-head/gn-neck表示 GN 仅仅被用在head/neck模块上, gn-all 表示 GN 被用在整个模型上, 例如：backbone, neck, head这些模块。[misc]: 一些比较杂的模型设置或者插件，例如 dconv, gcb, attention, albu, mstrain.[gpu x batch_per_gpu]: GPU的个数以及每块GPU上的batch size大小，默认为8*2(8块GPU，每块GPU上2个batch size，相当于batch size为16)。{schedule}: 训练的 schedule, 可选择的有1x, 2x, 20e等等. 1x 和 2x 分别表示 12 个epochs 和 24个epochs。 20e 被用在 cascade models中,它表示20个epochs. 对于1x/2x而言, 初始的学习率分别在第8/16个epeochs和第11/22个epochs以10的倍率递减。对于20e而言,初始的学习率在第16个epeochs和第19个epochs以10的倍率。{dataset}: 数据集有coco, cityscapes, voc_0712, wider_face这些选项。首先介绍一下这个配置文件所描述的框架，它是基于resnet50的backbone，有着5个fpn特征层的faster-RCNN目标检测网络，训练迭代次数为标准的24次epoch。
# 模型配置
model = dict(
# model类型
type='FasterRCNN',
# 预训练模型：resnet50
pretrained='torchvision://resnet50',
backbone=dict(
# backbone类型
type='ResNet',
# 网络层数
depth=50,
# resnet的stage数量
num_stages=4,
# 输出的stage的序号
out_indices=(0, 1, 2, 3),
# 冻结的stage数量，即该stage不更新参数，-1表示所有的stage都更新参数
frozen_stages=1,
# normalization layers的配置,type 为norm layer的类型, 通常是 BN or GN，requires_grad参数是否训练BN中的gamma和beta参数
norm_cfg=dict(type='BN', requires_grad=True),
# 是否冻结BN中的统计信息（相当于模型eval的过程，不进行统计数据）
norm_eval=True,
# 网络风格：如果设置pytorch，则stride为2的层是conv3x3的卷积层；如果设置caffe，则stride为2的层是第一个conv1x1的卷积层
style='pytorch'),
neck=dict(
# neck类型
type='FPN',
# 输入的各个stage的通道数
in_channels=[256, 512, 1024, 2048],
# 输出的特征层的通道数
out_channels=256,
# 输出的特征层的数量
num_outs=5),
rpn_head=dict(
# RPN网络类型
type='RPNHead',
# RPN网络的输入通道数
in_channels=256,
# 特征层的通道数
feat_channels=256,
# 生成anchor的配置
anchor_generator=dict(
# 绝大多数都是用AnchorGenerator, SSD 检测器(单阶段的目标检测算法)使用的是SSDAnchorGenerator
type='AnchorGenerator',
# anchor的生成个数, 特征图上每一个位置所生成的anchor个数为scale * base_sizes
scales=[8],
# anchor的宽高比率.
ratios=[0.5, 1.0, 2.0],
# 在每个特征层上的anchor的步长（对应于原图）
strides=[4, 8, 16, 32, 64]),
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
# 均值
target_means=[0.0, 0.0, 0.0, 0.0],
# 方差
target_stds=[1.0, 1.0, 1.0, 1.0]),
# 分类损失函数配置
loss_cls=dict(
# 也提供FocalLoss等损失函数
type='CrossEntropyLoss',
# 是否使用sigmoid来进行分类，如果False则使用softmax来分类
use_sigmoid=True,
# 分类分支所占权重
loss_weight=1.0),
# box回归分支的损失函数配置.
loss_bbox=dict(
type='L1Loss', loss_weight=1.0)),
# RoIHead 封装了二阶段检测器的第二阶段的模块
roi_head=dict(
# RoI head的类型
type='StandardRoIHead',
# RoI feature extractor 用于 bbox regression.
bbox_roi_extractor=dict(
# 类型，大部分默认
type='SingleRoIExtractor',
roi_layer=dict(
# 同时还支持DeformRoIPoolingPack 和 ModulatedDeformRoIPoolingPack这两种类型.
type='RoIAlign',
# feature maps的输出尺度，相当于输出7*7.
output_size=7,
# 提取ROI特征层时的样本比例，0表示自适应
sampling_ratio=0),
# 提取特征的输出通道数
out_channels=256,
# 多尺度特征图的步幅
featmap_strides=[4, 8, 16, 32]),
bbox_head=dict(
# 全连接层类型
type='Shared2FCBBoxHead',
# 输入通道数
in_channels=256,
# 全连接层输出通道数
fc_out_channels=1024,
# ROI特征层尺寸
roi_feat_size=7,
# 分类器数量，改自己数据集时修改
num_classes=1,
# 同上
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.1, 0.1, 0.2, 0.2]),
# 是否采用class_agnostic的方式来预测，class_agnostic表示输出bbox时只考虑其是否为前景，后续分类的时候再根据该bbox在网络中的类别得分来分类，也就是说一个框可以对应多个类别
reg_class_agnostic=False,
# 同上
loss_cls=dict(
type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
loss_bbox=dict(type='L1Loss', loss_weight=1.0))))
train_cfg = dict(
rpn=dict(
assigner=dict(
# RPN网络的正负样本划分
type='MaxIoUAssigner',
# 正样本的iou阈值
pos_iou_thr=0.7,
# 负样本的iou阈值
neg_iou_thr=0.3,
# 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
min_pos_iou=0.3,
# 是否匹配低质量anchor
match_low_quality=True,
# 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
ignore_iof_thr=-1),
sampler=dict(
# 正负样本提取器类型
type='RandomSampler',
# 需提取的正负样本数量
num=256,
# 正样本比例
pos_fraction=0.5,
# 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
neg_pos_ub=-1,
# 把ground truth加入proposal作为正样本
add_gt_as_proposals=False),
# 不允许允许在bbox周围外扩一定的像素，0表示允许
allowed_border=-1,
# 正样本权重，-1表示不改变原始的权重
pos_weight=-1,
# debug模式
debug=False),
# 在训练过程中生成proposals的配置
rpn_proposal=dict(
# 在所有的fpn层内做nms
nms_across_levels=False,
# 在NMS之前的box个数
nms_pre=2000,
# NMS处理后保留的box个数
nms_post=1000,
# NMS处理之后所使用的box个数
max_num=1000,
# NMS过程所使用的阈值
nms_thr=0.7,
# 允许的最小的box尺寸
min_bbox_size=0),
rcnn=dict(
assigner=dict(
# RCNN网络正负样本划分
type='MaxIoUAssigner',
# 正样本的iou阈值
pos_iou_thr=0.5,
# 负样本的iou阈值
neg_iou_thr=0.5,
# 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
min_pos_iou=0.5,
match_low_quality=False,
# 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
ignore_iof_thr=-1),
sampler=dict(
# 正负样本提取器类型
type='RandomSampler',
# 需提取的正负样本数量
num=512,
# 正样本比例
pos_fraction=0.25,
# 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
neg_pos_ub=-1,
# 把ground truth加入proposal作为正样本
add_gt_as_proposals=True),
# 正样本权重，-1表示不改变原始的权重
pos_weight=-1,
# debug模式
debug=False))
test_cfg = dict(
# 推断时的RPN参数
rpn=dict(
nms_across_levels=False,
# 在nms之前保留的的得分最高的proposal数量
nms_pre=1000,
# 在nms之后保留的的得分最高的proposal数量
nms_post=1000,
# 在后处理完成之后保留的proposal数量
max_num=1000,
# nms阈值
nms_thr=0.7,
# 最小bbox尺寸
min_bbox_size=0),
rcnn=dict(
score_thr=0.05,
# soft-nms is also supported for rcnn testing
nms=dict(type='nms', iou_threshold=0.5),
max_per_img=100))
# 数据集类型
dataset_type = 'CocoDataset'
# 数据集根目录
data_root = '/home/shawn/MyDataset/'
# 输入图像初始化，减去均值mean并处以方差std，to_rgb表示将bgr转为rgb
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
# Datasets配置
# 训练的pipeline，数据增强
train_pipeline = [
# 从文件读取图像
dict(type='LoadImageFromFile'),
# 用于给图像导入对于的标签，并使用bounding box标签数据
dict(type='LoadAnnotations', with_bbox=True),
# Resize图片并保持比例
dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
# 图像反转以及比率
dict(type='RandomFlip', flip_ratio=0.5),
# 标准化
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
# 图像Padding 的配置，填充数目应该可以被整除
dict(type='Pad', size_divisor=32),
dict(type='DefaultFormatBundle'),
# 决定数据中哪些key可以被传入pipeline中
dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels'])
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(
type='MultiScaleFlipAug',
img_scale=(1333, 800),
# 是否在test过程flip images
flip=False,
transforms=[
dict(type='Resize', keep_ratio=True),
# 由于flip=False这个RandomFlio将不会被使用。
dict(type='RandomFlip'),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
# 将图片转化为tensor
dict(type='ImageToTensor', keys=['img']),
# 收集在test过程中必要的key
dict(type='Collect', keys=['img'])
])
]
data = dict(
# 每个gpu计算的图像数量
samples_per_gpu=2,
# 每个gpu分配的线程数
workers_per_gpu=2,
train=dict(
type='CocoDataset',
ann_file= data_root + 'annotations/train.json',
img_prefix= data_root + 'images/train/',
# 类型，如果就一个类型需要加逗号
classes=('polyp', ),
pipeline=train_pipeline),
val=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/test.json',
img_prefix=data_root + 'images/test/',
classes=('polyp', ),
pipeline=test_pipeline),
test=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/test.json',
img_prefix=data_root + 'images/test/',
classes=('polyp', ),
pipeline=test_pipeline))
evaluation = dict(interval=1, metric='bbox')
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
lr_config = dict(
# 优化策略
policy='step',
# 初始的学习率增加的策略，linear为线性增加，# warmup的策略, 还支持 `exp` 和 `constant`.
warmup='linear',
# 在初始的500次迭代中学习率逐渐增加
warmup_iters=500,
# 起始的学习率
warmup_ratio=0.001,
# 在第16和22个epoch时降低学习率
step=[16,22])
# 最大epoch数
total_epochs = 24
# 每隔几个epoch保存一下checkpoint
checkpoint_config = dict(interval=12)
#log_config = dict(interval=5, hooks=[dict(type='TextLoggerHook')])
log_config = dict(
# 每隔多少个epoch输出一个log文件
interval=6,
hooks=[
dict(type='TextLoggerHook'),
# Tensorboard logger
dict(type='TensorboardLoggerHook')
])
# 设置分布式训练的参数，也可以设置端口
dist_params = dict(backend='nccl')
# 日志等级
log_level = 'INFO'
# 加载模型的路径，None表示从预训练模型加载
load_from = None
# 恢复训练模型的路径
resume_from = None
workflow = [('train', 1)]
# 保存模型的文件夹路径（checkpoints和log文件都会保存在其中）。
work_dir = 'work_dir/faster_rcnn_r50_2x/'
cascade-RCNN是cvpr2018的文章，相比于faster-RCNN的改进主要在于其RCNN有三个stage，这三个stage逐级refine检测的结果，使得结果达到更高的精度。
model = dict(
type='CascadeRCNN',
pretrained='torchvision://resnet50',
backbone=dict(
type='ResNet',
depth=50,
num_stages=4,
out_indices=(0, 1, 2, 3),
frozen_stages=1,
norm_cfg=dict(type='BN', requires_grad=True),
norm_eval=True,
style='pytorch'),
neck=dict(
type='FPN',
in_channels=[256, 512, 1024, 2048],
out_channels=256,
num_outs=5),
rpn_head=dict(
type='RPNHead',
in_channels=256,
feat_channels=256,
anchor_generator=dict(
type='AnchorGenerator',
scales=[8],
ratios=[0.5, 1.0, 2.0],
strides=[4, 8, 16, 32, 64]),
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[1.0, 1.0, 1.0, 1.0]),
loss_cls=dict(
type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0),
loss_bbox=dict(
type='SmoothL1Loss', beta=0.1111111111111111, loss_weight=1.0)),
roi_head=dict(
type='CascadeRoIHead',
# RCNN网络的stage数量，在faster-RCNN中为1
num_stages=3,
# 3个RCNN的stage的loss权重
stage_loss_weights=[1, 0.5, 0.25],
bbox_roi_extractor=dict(
type='SingleRoIExtractor',
roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
out_channels=256,
featmap_strides=[4, 8, 16, 32]),
bbox_head=[
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.1, 0.1, 0.2, 0.2]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
loss_weight=1.0)),
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.05, 0.05, 0.1, 0.1]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
loss_weight=1.0)),
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.033, 0.033, 0.067, 0.067]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0))
]))
train_cfg = dict(
rpn=dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.7,
neg_iou_thr=0.3,
min_pos_iou=0.3,
match_low_quality=True,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=256,
pos_fraction=0.5,
neg_pos_ub=-1,
add_gt_as_proposals=False),
allowed_border=0,
pos_weight=-1,
debug=False),
rpn_proposal=dict(
nms_across_levels=False,
nms_pre=2000,
nms_post=2000,
max_num=2000,
nms_thr=0.7,
min_bbox_size=0),
# 注意，这里有3个RCNN的模块,对应开头的那个RCNN的stage数量
rcnn=[
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.5,
neg_iou_thr=0.5,
min_pos_iou=0.5,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False),
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.6,
neg_iou_thr=0.6,
min_pos_iou=0.6,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False),
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.7,
neg_iou_thr=0.7,
min_pos_iou=0.7,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False)
])
test_cfg = dict(
rpn=dict(
nms_across_levels=False,
nms_pre=1000,
nms_post=1000,
max_num=1000,
nms_thr=0.7,
min_bbox_size=0),
rcnn=dict(
score_thr=0.05,
nms=dict(type='nms', iou_threshold=0.5),
max_per_img=100))
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
dataset_type = 'CocoDataset'
# 数据集根目录
data_root = '/home/shawn/MyDataset/'
train_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='LoadAnnotations', with_bbox=True),
dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
dict(type='RandomFlip', flip_ratio=0.5),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
dict(type='DefaultFormatBundle'),
dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels'])
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(
type='MultiScaleFlipAug',
img_scale=(1333, 800),
flip=False,
transforms=[
dict(type='Resize', keep_ratio=True),
dict(type='RandomFlip'),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
dict(type='ImageToTensor', keys=['img']),
dict(type='Collect', keys=['img'])
])
]
data = dict(
samples_per_gpu=2,
workers_per_gpu=2,
train=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=train_pipeline),
val=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=test_pipeline),
test=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=test_pipeline))
evaluation = dict(interval=1, metric='bbox')
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
lr_config = dict(
policy='step',
warmup='linear',
warmup_iters=500,
warmup_ratio=0.001,
step=[16, 22])
total_epochs = 24
checkpoint_config = dict(interval=12)
log_config = dict(
interval=5,
hooks=[
dict(type='TextLoggerHook'),
dict(type='TensorboardLoggerHook')
])
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1)]
work_dir = 'work_dir/cascade_rcnn_r50_fpn_2x.py'
参数修改
#训练自己的COCO数据集，需要自己修改的地方有num_classes、data_root、classes（全部都要）
#若显存较小可修改img_scale=(1333, 800)为img_scale=(800, 500)
#如果要设置不同epoch,修改lr_config下的step以及total_epochs
#特征提取层model下的pretrained以及depth
服务器运行（举例）
#服务器运行命令，--gpu-ids哪块GPU运行，运行前nvidia-smi查看哪块gpu空闲
python tools/train.py configs/cascade_rcnn_r50_fpn_2x.py --gpu-ids 1
#后台运行cascade_r101.txt是日志输出文件
nohup python tools/train.py configs/cascade_rcnn_r101_fpn_2x.py --gpu-ids 1 > cascade_r101.txt 2>&1 &
tensorboard可视化
#服务器在根目录运行
tensorboard --logdir=work_dir
#windows cmd运行
ssh -L 16006:127.0.0.1:6006 {
xx@ip地址}
#本地运行
http://localhost:16006/
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势，分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括：FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次，点赞2次，收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的：估计模块间的delay，确保写的代码的timing 综合能给到多少HZ，以满足需求！_基4布斯算法代码
文章浏览阅读3.3k次，点赞3次，收藏5次。OpenAI Manager助手（基于SpringBoot和Vue）_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办，到目前为止已经举办了27届，目的是为了帮助美国信息学国家队选拔IOI的队员，目前逐渐发展为全球热门的线上赛事，成为美国大学申请条件下，含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学，越来越多的学生进入了康奈尔，麻省理工，普林斯顿，哈佛和耶鲁等大学，这些同学的共同点是他们都参加了美国计算机科学竞赛（USACO)，并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学，高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次，点赞3次，收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画（无顶点位移），整个mesh由4个顶点构成。实现了水面效果（左图），不动代码稍微修改下参数和贴图可以实现岩浆效果（右图）。有要思路是1，uv按时间去做正弦波移动2，在1的基础上加个凹凸图混合uv3，在1、2的基础上加个水流方向4，加上对雾效的支持，如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展，它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为：其中g(μY)是条件均值的函数（称为连接函数）。另外，你可放松Y为正态分布的假设，改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后，便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下，线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是，有时候我们要进行非正态因变量的分析，例如：（1）类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验：一般的网页需要融入以下知识点：div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点，网页的风格主题也很全面：如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题，学生、新手可参考下方页面的布局和设计和HTML源码（有用点赞△） 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次，点赞7次，收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载，原博客地址：http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次，点赞21次，收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档，可以给应届毕业生提供格式撰写参考，也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文