【保姆级教程】协同双注意力机制CDAM2与YOLOv7结合：构建高效工地头盔检测系统

news2024/11/15 11:38:30

1.研究的背景和意义

随着工业化和城市化的快速发展，建筑工地的安全问题日益凸显。在建筑工地中，工人的安全是至关重要的，而工地安全帽的佩戴是保障工人安全的重要措施之一。然而，由于工地环境复杂多变，工人的佩戴情况往往难以监控和控制，导致工地安全帽佩戴不规范的情况时有发生。因此，开发一种能够自动检测和识别工地安全帽佩戴情况的系统，对于提高工地安全管理水平具有重要意义。

目前，计算机视觉技术在工地安全管理中的应用已经取得了一定的进展。其中，基于深度学习的目标检测算法是一种非常有效的方法。YOLOv7是一种经典的目标检测算法，具有高效、准确的特点。然而，由于工地环境的复杂性，YOLOv7在工地安全帽佩戴检测中仍然存在一些问题，如对小尺寸目标的检测不准确、对遮挡目标的检测效果较差等。

为了解决这些问题，本研究提出了一种基于协同双注意力机制CDAM2改进YOLOv7的工地安全帽佩戴检测系统。该系统通过引入协同双注意力机制，能够在目标检测过程中更加关注工地安全帽的关键区域，提高检测的准确性和鲁棒性。具体来说，CDAM2机制包括两个注意力模块，一个用于增强感兴趣区域的特征表示，另一个用于抑制背景干扰。通过这种方式，系统能够更好地适应工地环境的复杂性，提高工地安全帽佩戴检测的准确率和鲁棒性。

首先，本研究的成果将有助于提高工地安全管理的效率和水平。通过自动检测和识别工地安全帽佩戴情况，可以及时发现和纠正不规范的佩戴行为，减少工人因安全帽佩戴不当而导致的伤害事故发生，提高工地的安全性和工作效率。

其次，本研究的方法和技术对于目标检测算法的改进具有一定的参考价值。通过引入协同双注意力机制，可以提高目标检测算法对小尺寸目标和遮挡目标的检测效果，具有一定的通用性和可扩展性。这对于其他领域的目标检测任务也具有一定的借鉴意义。

最后，本研究的成果还将为相关领域的学术研究和工程实践提供有益的参考。工地安全帽佩戴检测系统是计算机视觉技术在工业领域的一种应用，对于推动计算机视觉技术在工业领域的发展具有一定的推动作用。同时，本研究的方法和技术也可以为其他领域的目标检测任务提供有益的思路和方法。

综上所述，基于协同双注意力机制CDAM2改进YOLOv7的工地安全帽佩戴检测系统具有重要的研究背景和意义。通过提高工地安全管理的效率和水平，改进目标检测算法的准确性和鲁棒性，以及为相关领域的学术研究和工程实践提供参考，本研究将对工地安全管理和计算机视觉技术的发展产生积极的影响。

2.图片演示

2.png

3.png

4.png

3.视频演示

基于协同双注意力机制CDAM2改进YOLOv7的工地安全帽佩戴检测系统_哔哩哔哩_bilibili

4.数据集的采集＆标注和整理

图片的收集

首先，我们需要收集所需的图片。这可以通过不同的方式来实现，例如使用现有的公开数据集
在这里插入图片描述

使用labelImg进行标注

labelImg是一个图形化的图像注释工具，支持VOC和YOLO格式。以下是使用labelImg将图片标注为VOC格式的步骤：

（1）下载并安装labelImg。
（2）打开labelImg并选择“Open Dir”来选择你的图片目录。
（3）为你的目标对象设置标签名称。
（4）在图片上绘制矩形框，选择对应的标签。
（5）保存标注信息，这将在图片目录下生成一个与图片同名的XML文件。
（6）重复此过程，直到所有的图片都标注完毕。
在这里插入图片描述

转换为YOLO格式

由于YOLO使用的是txt格式的标注，我们需要将VOC格式转换为YOLO格式。可以使用各种转换工具或脚本来实现。

下面是一个简单的方法是使用Python脚本，该脚本读取XML文件，然后将其转换为YOLO所需的txt格式。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import xml.etree.ElementTree as ET
import os

classes = []  # 初始化为空列表

CURRENT_DIR = os.path.dirname(os.path.abspath(__file__))

def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)

def convert_annotation(image_id):
    in_file = open('./label_xml\%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('./label_txt\%s.txt' % (image_id), 'w')  # 生成txt格式文件
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        cls = obj.find('name').text
        if cls not in classes:
            classes.append(cls)  # 如果类别不存在，添加到classes列表中
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

xml_path = os.path.join(CURRENT_DIR, './label_xml/')

# xml list
img_xmls = os.listdir(xml_path)
for img_xml in img_xmls:
    label_name = img_xml.split('.')[0]
    print(label_name)
    convert_annotation(label_name)

print("Classes:")  # 打印最终的classes列表
print(classes)  # 打印最终的classes列表
整理数据文件夹结构

我们需要将数据集整理为以下结构：

-----data
   |-----train
   |   |-----images
   |   |-----labels
   |
   |-----valid
   |   |-----images
   |   |-----labels
   |
   |-----test
       |-----images
       |-----labels

确保以下几点：

所有的训练图片都位于data/train/images目录下，相应的标注文件位于data/train/labels目录下。
所有的验证图片都位于data/valid/images目录下，相应的标注文件位于data/valid/labels目录下。
所有的测试图片都位于data/test/images目录下，相应的标注文件位于data/test/labels目录下。
这样的结构使得数据的管理和模型的训练、验证和测试变得非常方便。

5.核心代码讲解

5.1 common.py

class CDAM2(nn.Module):
    def __init__(self, k_size=9):
        super(CDAM2, self).__init__()
        self.h = 256
        self.w = 256

        self.relu1 = nn.ReLU()
        self.avg_pool_x = nn.AdaptiveAvgPool2d((self.h, 1))
        self.avg_pool_y = nn.AdaptiveAvgPool2d((1, self.w))
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.conv1 = nn.Conv1d(256, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False)
        self.conv2 = nn.Conv1d(256, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False)
        self.conv11 = nn.Conv1d(1, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False)
        self.conv22 = nn.Conv1d(1, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False)
        self.sigmoid = nn.Sigmoid()
        self.convout = nn.Conv2d(64 * 5 * 4, 64*5, kernel_size=3, padding=1, bias=False)
        self.conv111 = nn.Conv2d(in_channels=64*5*2, out_channels=64*5*2, kernel_size=1, padding=0, stride=1)
        self.conv222 = nn.Conv2d(in_channels=64*5*2, out_channels=64*5*2, kernel_size=1, padding=0, stride=1)

        self.conv1h = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=(self.h, 1), padding=(0, 0), stride=1)
        self.conv1s = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=(1, self.w), padding=(0, 0), stride=1)

        for m in self.modules():
            if isinstance(m, nn.Conv2d) or isinstance(m, nn.ConvTranspose2d) or isinstance(m, nn.Conv1d):
                if m.bias is not None:
                    m.bias.data.zero_()

    def forward(self, x):
        n, c, h, w = x.size()
        y1 = self.avg_pool_x(x)
        y1 = y1.reshape(n, c, h)
        y1 = self.sigmoid(self.conv11(self.relu1(self.conv1(y1.transpose(-1, -2)))).transpose(-1, -2).reshape(n, c, 1, 1))

        y2 = self.avg_pool_y(x)
        y2 = y2.reshape(n, c, w)
        y2 = self.sigmoid(self.conv22(self.relu1(self.conv2(y2.transpose(-1, -2)))).transpose(-1, -2).reshape(n, c, 1, 1))

        yac = self.conv111(torch.cat([x * y1.expand_as(x), x * y2.expand_as(x)],dim=1))

        avg_mean = torch.mean(x, dim=1, keepdim=True)
        avg_max,_ = torch.max(x, dim=1, keepdim=True)
        avg_out = torch.cat([avg_max, avg_mean], dim=1)
        y3 = self.sigmoid(self.conv1h(avg_out))
        y4 = self.sigmoid(self.conv1s(avg_out))
        yap = self.conv222(torch.cat([x * y3.expand_as(x), x * y4.expand_as(x)],dim=1))

        out = self.convout(torch.cat([yac, yap], dim=1))

        return out

这个类是一个CDAM2模块的实现，继承自nn.Module。CDAM2模块的作用是对输入特征进行处理，并输出处理后的特征。模块的前向传播方法forward接受一个输入张量x，并返回处理后的输出张量out。

在模块的初始化方法__init__中，定义了模块中使用的各个层和参数。在前向传播方法中，按照一定的顺序对输入特征进行处理，最终得到输出特征。

这个类的核心部分是前向传播方法forward中的代码，其中包括了各种卷积、池化、激活函数等操作。这些操作按照一定的顺序组合在一起，完成对输入特征的处理。

该程序文件common.py定义了一个名为CDAM2的类，继承自nn.Module。该类是一个ECA模块的实现，用于处理输入特征图。

CDAM2类的构造函数__init__接受一个参数k_size，用于自适应选择卷积核大小。在构造函数中，定义了一些模块和层，包括ReLU激活函数、自适应平均池化层、卷积层、Sigmoid激活函数等。

forward函数是CDAM2类的前向传播方法，接受一个输入特征图x。在前向传播过程中，首先对输入特征图进行一些处理，然后通过两个不同的分支进行特征提取。最后，将两个分支的输出进行拼接，并通过卷积层进行特征融合，得到最终的输出。

整个CDAM2类的作用是实现了一个ECA模块，用于对输入特征图进行特征提取和融合。

5.2 ui.py

def det_yolov7(info1):
    global model, stride, names, pt, jit, onnx, engine
    if info1[-3:] in ['jpg','png','jpeg','tif','bmp']:
        image = cv2.imread(info1)  # 读取识别对象
        try:
            results = run(model, image, stride, pt)  # 识别， 返回多个数组每个第一个为结果，第二个为坐标位置
            for i in results:
                box = i[1]
                p1, p2 = (int(box[0]), int(box[1])), (int(box[2]), int(box[3]))
                color = [255,0,0]
                if i[0] == 'helmet':
                    color = [0, 0, 255]
                    i[0] = 'NO helmet'
                    ui.printf('警告！检测到工人未戴安全帽')
                if i[0] == 'head':
                    color = [0, 255, 0]
                    i[0] = 'Helmet'
                cv2.rectangle(image, p1, p2, color, thickness=3, lineType=cv2.LINE_AA)
                cv2.putText(image, str(i[0]) + ' ' + str(i[2])[:5], (int(box[0]), int(box[1]) - 10),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.75, color, 2)
        except:
            pass
        ui.showimg(image)
    if info1[-3:] in ['mp4','avi']:
        capture = cv2.VideoCapture(info1)
        while True:
            _, image = capture.read()
            if image is None:
                break
            try:
                results = run(model, image, stride, pt)  # 识别， 返回多个数组每个第一个为结果，第二个为坐标位置
                for i in results:
                    box = i[1]
                    p1, p2 = (int(box[0]), int(box[1])), (int(box[2]), int(box[3]))
                    color = [255, 0, 0]
                    if i[0] == 'helmet':
                        color = [0, 0, 255]
                        i[0] = 'NO helmet'
                        ui.printf('警告！检测到

这个程序文件是一个基于YOLOv7的目标检测应用的用户界面。它使用PyQt5库创建了一个窗口，并在窗口中显示了两个标签和四个按钮。标签1和标签2用于显示图像，标签3用于显示检测结果的文本。按钮1和按钮2用于选择图像或视频文件进行检测，按钮3和按钮4用于开始和停止检测。

在程序的后面部分，定义了一个Thread_1类，用于创建一个线程来运行目标检测的函数det_yolov7。det_yolov7函数接受一个参数info1，根据info1的后缀判断是图像文件还是视频文件，然后调用run函数进行目标检测，并将检测结果显示在图像上。如果检测到未戴安全帽的工人，会在文本框中显示警告信息。

整个程序的界面布局和功能都是基于Qt框架实现的，目标检测部分使用了YOLOv7模型和OpenCV库。

6.系统整体结构

整体功能和构架概述：

该项目是一个基于协同双注意力机制CDAM2改进的YOLOv7模型的工地安全帽佩戴检测系统。它包含了多个程序文件，用于模型的训练、推理和用户界面的展示。

整体构架如下：

  1. models文件夹包含了模型的定义和实现，其中common.py定义了CDAM2模块，experimental.py定义了一些实验性的模块，tf.py定义了TensorFlow相关的模块，yolo.py定义了YOLOv7模型，init.py是一个空文件。
  2. tools文件夹包含了一些工具函数和类，用于数据处理、模型评估、可视化等操作。
  3. utils文件夹也包含了一些工具函数和类，与tools文件夹功能类似，但可能有一些不同的实现。
  4. train.py是用于训练模型的脚本，它加载模型和数据集，并使用指定的超参数和优化器进行训练。
  5. detect.py是用于目标检测的脚本，它加载模型和数据源，并进行推理和后处理。
  6. Interface.py是一个接口文件，用于加载模型并进行目标检测。
  7. torch_utils.py是一个PyTorch的工具文件，包含了一些常用的函数和类。
  8. ui.py是一个基于YOLOv7的目标检测应用的用户界面，使用PyQt5库创建了一个窗口，可以选择图像或视频文件进行检测。

下面是每个文件的功能整理：

文件路径功能
common.py定义CDAM2模块
detect.py目标检测脚本
Interface.py加载模型并进行目标检测的接口文件
torch_utils.pyPyTorch的工具文件
train.py训练模型的脚本
ui.py基于YOLOv7的目标检测应用的用户界面
models\common.py定义一些通用的模型组件
models\experimental.py定义一些实验性的模型组件
models\tf.py定义TensorFlow相关的模型组件
models\yolo.py定义YOLOv7模型
models_init_.py空文件
tools\activations.py定义激活函数
tools\augmentations.py定义数据增强方法
tools\autoanchor.py定义自动锚框生成方法
tools\autobatch.py定义自动批处理方法
tools\callbacks.py定义回调函数
tools\datasets.py定义数据集类
tools\downloads.py定义下载数据集的方法
tools\general.py定义一些通用的工具函数
tools\loss.py定义损失函数
tools\metrics.py定义评估指标
tools\plots.py定义绘图函数
tools\torch_utils.py定义一些PyTorch的工具函数
tools_init_.py空文件
tools\aws\resume.py定义AWS训练恢复方法
tools\aws_init_.py空文件
tools\flask_rest_api\example_request.py定义Flask REST API的示例请求
tools\flask_rest_api\restapi.py定义Flask REST API的实现
tools\loggers_init_.py空文件
tools\loggers\wandb\log_dataset.py定义使用WandB记录数据集的方法
tools\loggers\wandb\sweep.py定义使用WandB进行超参数搜索的方法
tools\loggers\wandb\wandb_utils.py定义使用WandB的一些工具函数
tools\loggers\wandb_init_.py空文件
utils\activations.py定义激活函数
utils\augmentations.py定义数据增强方法
utils\autoanchor.py定义自动锚框生成方法
utils\autobatch.py定义自动批处理方法
utils\callbacks.py定义回调函数
utils\datasets.py定义数据集类
utils\downloads.py定义下载数据集的方法
utils\general.py定义一些通用的工具函数
utils\loss.py定义损失函数
utils\metrics.py定义评估指标
utils\plots.py定义绘图函数
utils\torch_utils.py定义一些PyTorch的工具函数
utils_init_.py空文件
utils\aws\resume.py定义AWS训练恢复方法
utils\aws_init_.py空文件
utils\flask_rest_api\example_request.py定义Flask REST API的示例请求
utils\flask_rest_api\restapi.py定义Flask REST API的实现
utils\loggers_init_.py空文件
utils\loggers\wandb\log_dataset.py定义使用WandB记录数据集的方法
utils\loggers\wandb\sweep.py定义使用WandB进行超参数搜索的方法
utils\loggers\wandb\wandb_utils.py定义使用WandB的一些工具函数

7.配置文件的配置

对数据集整理之后，修改配置文件为如下：

# COCO 2017 dataset http://cocodataset.org
 
# download command/URL (optional)
# download: bash ./scripts/get_coco.sh
 
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: '/home/devuser/pan/yolov7/datasets/VOC2028/SafetyHelmet/images/train2028'  
val: '/home/devuser/pan/yolov7/datasets/VOC2028/SafetyHelmet/images/val2028'  
#test: ./coco/test-dev2017.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
 
# number of classes
nc: 2
 
# class names
names: ['hat','person']

8.训练模型（已经训练好）

python3 train.py --weights weights/yolov7_training.pt --cfg cfg/training/yolov7.yaml --data data/SafetyHelmet.yaml --device 0,1 --batch-size 8  --epoch 50

image.png

9.YOLOv7网络模型的改进

多尺度上下文提取模块

AAAI设计了一个MSCE模块来引入丰富的道路背景。
如图所示，MSCE 利用了三个分支，这些分支由3×3 卷积3×1 卷积（水平核），以及1×3 卷积（垂直核），膨胀率为{1,2,4}，由水平池化和垂直池化组成的两个分支。卷积分支提取不同尺度的道路特征，池化分支可以保留道路在垂直和水平方向上的全局信息。我们利用元素加法运算来融合同一分支中不同感受野的特征图。然后，串联和卷积运算将不同分支输出的特征图组合在一起。最后，将E5与融合特征图相结合，得到具有丰富道路脉情的特征图D5，其中p 是一个可学习的参数。
image.png

FSFF 模块

不同阶段的编码器特征图包含不同层次的信息。底层特征图包含丰富的空间信息，可提供道路整体结构信息;高级特征图包含准确的安全帽语义信息，可以增强模型对安全帽和背景的区分能力。结合不同阶段的特征图，可以有效地为解码器补充足够的道路分层特征，使模型预测的道路边界更加清晰。谷歌大脑团队设计了一种新颖的CDAM来促进FSFF。

FSFF 模块如图所示，以 E3 为例。首先，将细粒度特征图（E5和E4）和粗粒度特征图（E1和E2）调整为与E3相同的大小，并通过卷积将通道数调整为64个。然后，通过串联操作传输调整大小的特征图。最后，将采集到的合并特征图送入CDAM中，以加强安全帽特征表示。可视化结果如图所示。
image.png

坐标通道注意力机制（CCAM）如图所示。融合的特征图F我∈RC×H×W 被具有形状（H 、1） 和 （1，W ），并使用整形操作将特征图转换为FH∈RH×C 和FW∈RW×C .我们采用一维卷积和一个滤波器来获得特征图的跨通道交互。Sigmoid 激活用于分别获得结合水平和垂直特征的通道权重。通过串联运算将输入特征图与通道权重相结合，得到特征图FC∈R2C×H×W .
image.png

坐标位置注意力机制（CPAM）如图所示。Avgpooling、maxpooling 和卷积用于输入特征图的通道维度F我∈R1×H×W 聚合要素。然后，核大小为 （H 、1） 和 （1，W ） 用于提取水平和垂直方向的特征。sigmoid 激活函数用于获取特征图的位置权重。将按位置权重加权的输入特征图发送到串联中，得到特征图FP∈R2C×H×W .

image.png

得到的特征图FC 和FP 被拼接，然后输入到1×1 卷积生成精确的安全帽结构特征图FS∈RC×H×W .

10.系统整合

下图完整源码＆数据集＆环境部署视频教程＆自定义UI界面
1.png

参考博客《基于协同双注意力机制CDAM2改进YOLOv7的工地安全帽佩戴检测系统》

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：http://www.coloradmin.cn/o/1243380.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

OpenStack云计算平台-启动一个实例

OpenStack云计算平台-启动一个实例

目录 一、创建虚拟网络 ​二、创建m1.nano规格的主机 三、生成一个键值对 四、增加安全组规则 ​五、启动一个实例 1、确定实例选项 2、创建实例 3、使用虚拟控制台访问实例 4、验证能否远程访问实例 一、创建虚拟网络 下面的说明和框图使用示例IP 地址范围。你必须依…
阅读更多...
[Linux] shell脚本的函数和数组

[Linux] shell脚本的函数和数组

一、函数 1.1 函数的定义 函数是脚本的别名 作用：函数可以避免代码重复，可读性强，可以简化脚本。 格式：函数名（）{脚本} 1.2 如何使用函数 1.定义 2.调用 函数一定要先定义再使用 例子&#xff1a…
阅读更多...
Linux 的性能调优的思路

Linux 的性能调优的思路

Linux操作系统是一个开源产品，也是一个开源软件的实践和应用平台，在这个平台下有无数的开源软件支撑，我们常见的apache、tomcat、mysql等。 开源软件的最大理念是自由、开放，那么Linux作为一个开源平台，最终要实现的是…
阅读更多...
为企业解决设备全生命周期需求，凌雄科技凸显DaaS增长价值

为企业解决设备全生命周期需求，凌雄科技凸显DaaS增长价值

企业成长离不开投资，但毫无疑问的是，投资最有价值的部分在业务。相比之下，诸如办公设备之类的固定资产投资，很容易变成企业现金流的吞噬者。从购买、运维到保养、折旧、回收，现代企业在越来越大的办公设备规模面前&…
阅读更多...
通过Whisper模型将YouTube播放列表中的视频转换成高质量文字稿的项目

通过Whisper模型将YouTube播放列表中的视频转换成高质量文字稿的项目

项目简介 一个通过Whisper模型将YouTube播放列表中的视频转换成高质量文字稿的项目。 这个基于 Python 的工具旨在将 YouTube 视频和播放列表转录为文本。它集成了多种技术，例如用于转录的 Fast-Whisper、用于自然语言处理的 SpaCy 以及用于 GPU 加速的 CUDA&…
阅读更多...
机器学习实战-第5章 Logistic回归

机器学习实战-第5章 Logistic回归

Logistic 回归 概述 Logistic 回归 或者叫逻辑回归 虽然名字有回归，但是它是用来做分类的。其主要思想是: 根据现有数据对分类边界线(Decision Boundary)建立回归公式，以此进行分类。 须知概念 Sigmoid 函数 回归 概念 假设现在有一些数据点，我们用一条直线对这些点进行…
阅读更多...
Redis深入理解-内核请求处理流程、数据传输协议

Redis深入理解-内核请求处理流程、数据传输协议

Redis 内核级请求处理流程 Redis Server 其实就是 Linux 服务器中的一个进程 主要还是下图的流程 应用先和 server 端建立 TCP 连接建立连接之后，server 端就会有一个与该客户端通信的 socket，客户端的读写请求发送到服务端的 socket那么通过 IO 多路…
阅读更多...
C百题--3.求未知数

C百题--3.求未知数

1.问题描述 一个正整数&#xff0c;它加上100后是一个完全平方数&#xff0c;再加上168又是一个完全平方数&#xff0c;请问该数是多少&#xff1f; 2.解决思路 遍历这个数&#xff0c;让其从1开始&#xff0c;到100000结束 3.代码实现 #include<stdio.h> #include&…
阅读更多...
【操作系统】Bochs安装和配置

【操作系统】Bochs安装和配置

Bochs是使用C编写的高度可移植开源IA-32&#xff08;X86&#xff09;PC模拟器&#xff0c;能在大多数流行的平台上运行。它包括模拟Intel x86 CPU、常见I/O设备和自定义BIOS。Bochs可以被编译以模拟许多不同的x86 CPU&#xff0c;从386早期到最新的x86-64英特尔和AMD处理器甚至…
阅读更多...
区间第k小数 （可持久化线段树、主席树）

区间第k小数 （可持久化线段树、主席树）

题意&#xff1a;多次询问&#xff0c;每次询问某区间的第k小数。 可持久化线段树&#xff1a; 掺杂了一点前缀和的思想&#xff0c;对于每一个1 ~ i 的区间都建一个树&#xff0c;每个节点存的都是一个线段树&#xff0c;值存的是当前区间中初始数组按大小排序后[l, r]之间的…
阅读更多...
Shopee本土号封号几率大吗？如何避免封号？被封号了怎么办？

Shopee本土号封号几率大吗？如何避免封号？被封号了怎么办？

Shopee是近几年热门的电商平台之一&#xff0c;即使越来越多的跨境电商涌现&#xff0c;他的地位在东南亚市场依然占据一席之地&#xff0c;也依旧吸引着需要跨境商家入局。尤其在2023年&#xff0c;在TikTok Shop在印尼被关停之后&#xff0c;留下了大片空白&#xff0c;Shope…
阅读更多...
如何解决tinder注册失败的问题？

如何解决tinder注册失败的问题？

tinder创立在2012年&#xff0c;是一款海外热门的交友软件。2020年&#xff0c;Tinder拥有620万用户和7500万月活跃用户。截至2021年&#xff0c;Tinder在全球范围内的匹配记录超过650亿。已成为全球最受欢迎的约会软件之一。 目前tinder暂时未对中国大陆开发使用&#xff0c;…
阅读更多...
Python入门教程 | Python3 字典（dict）

Python入门教程 | Python3 字典（dict）

Python3 字典 字典是另一种可变容器模型&#xff0c;且可存储任意类型对象。 Python3中的字典是一种无序、可变、可迭代的数据结构&#xff0c;它由键&#xff08;key&#xff09;和对应的值&#xff08;value&#xff09;组成。字典在Python中被视为可变对象&#xff0c;这意…
阅读更多...
多级缓存快速上手

多级缓存快速上手

哈喽~大家好&#xff0c;这篇来看看多级缓存。 &#x1f947;个人主页&#xff1a;个人主页​​​​​ &#x1f948; 系列专栏&#xff1a;【微服务】 &#x1f949;与这篇相关的文章&#xff1a; JAVA进程和线程JAVA进程和线程-CSDN博客Http…
阅读更多...
【数据结构/C++】栈和队列_链队列

【数据结构/C++】栈和队列_链队列

#include <iostream> using namespace std; // 链队列 typedef int ElemType; typedef struct LinkNode {ElemType data;struct LinkNode *next; } LinkNode; typedef struct {LinkNode *front, *rear; } LinkQueue; // 初始化 void InitQueue(LinkQueue &Q) {Q.fron…
阅读更多...
Redis深入理解-Socket连接建立流程以及文件事件处理机制

Redis深入理解-Socket连接建立流程以及文件事件处理机制

Redis Server 运行原理图 Redis 服务器中 Socket 网络建立以及文件事件模型 一个 redis 单机&#xff0c;可以抗几百上千的并发&#xff0c;这里的并发指的就是同时可以有几百个 client 对这个 redis server 发起请求&#xff0c;都需要去建立网络连接&#xff0c;同时间可能会…
阅读更多...
Attention is All You Need：Transformer各模块详解

Attention is All You Need：Transformer各模块详解

Transformer encoder-decoder架构 Encoder&#xff1a;将输入序列转换为一个连续向量空间中的表示。Encoder通常是一个循环神经网络&#xff08;RNN&#xff09;或者卷积神经网络&#xff08;CNN&#xff09;&#xff0c;通过对输入序列中的每个元素进行编码&#xff0c;得到…
阅读更多...
SQLite3 数据库学习（六）：Qt 嵌入式 Web 服务器详解

SQLite3 数据库学习（六）：Qt 嵌入式 Web 服务器详解

参考引用 SQLite 权威指南&#xff08;第二版&#xff09;SQLite3 入门 1. Apache 搭建 cgi 环境 1.1 什么是 Apache Apache 是世界使用排名第一的 Web 服务器软件 它可以运行在几乎所有广泛使用的计算机平台上&#xff0c;由于其跨平台和安全性被广泛使用 1.2 具体搭建流程…
阅读更多...
代码随想录算法训练营Day 59 || 503.下一个更大元素II、42. 接雨水

代码随想录算法训练营Day 59 || 503.下一个更大元素II、42. 接雨水

503.下一个更大元素II 力扣题目链接(opens new window) 给定一个循环数组&#xff08;最后一个元素的下一个元素是数组的第一个元素&#xff09;&#xff0c;输出每个元素的下一个更大元素。数字 x 的下一个更大的元素是按数组遍历顺序&#xff0c;这个数字之后的第一个比它更…
阅读更多...
数据中台建设方法论

数据中台建设方法论

1、数仓的概念和了解--业务的痛点 产生的痛点&#xff1a;数据资产比较模糊、数据的质量比较低、重复建设、代码的耦合性比较强。 2、数据仓库中的常见的模型&#xff1a; 1、心型模型&#xff1a;中间是一张事实表&#xff0c;周围都是维度表。 对于心型模型的主要的特点&a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023