飞桨黑客松 OpenVINO™ 任务获奖者经验分享 | 基于OpenVINO™ 与PaddleOCR的结构化输出Pipeline...

news2024/11/17 16:39:37

点击蓝字

关注我们,让开发变得更有趣

作者 | 张一乔

排版 | 李擎

401918fd42e9948f5cf75c616be457b1.png

 OpenVINO™

1. 黑客松活动介绍

01

第四季飞桨黑客松(PaddlePaddle Hackathon Season 4)是由百度联合合作伙伴共同举办的开源深度学习框架类黑客松活动。本次活动旨在为全球开发者提供一个交流、合作和创新的机会，推动人工智能技术的发展和应用。

02

英特尔作为本比赛的主要合作伙伴，推出了 OpenVINO™ 系列任务。

其中，205号赛题需要开发者向OpenVINO™ Notebooks (https://github.com/openvinotoolkit/openvino_notebooks) 中提交一个Notebook，用于构建基于PaddlePaddle和OpenVINO™ 的项目示例。

具体来说，首先需要在OpenVINO™ Notebooks (https://github.com/openvinotoolkit/openvino_notebooks)中提交  Issue 以详细描述自己打算开发的项目内容，以及预期的开发进展。当对应的工作人员 review 该 issue 并通过后，即可进行notebook的开发并提交 pull requests，提交PR后需要根据审稿人的意见进行修改，当PR合入要求后，该PR将会被Approve并合入仓库。

相比于其他任务，本任务更加偏向于模型应用，同样，对参赛者的英文表达也有一定的要求。

OpenVINO™

2. 项目介绍

“表” 是生活中的随处可见的一种设备。

常见的“表”包括了家用电表，水表等设备；除此之外，还有工频场强计等“表”。由于受到区域因素以及技术因素的制约，并非每种“表”都能够进行数据的自动采集，导致只能通过人工手动抄表。这种数据采集工作较为费事和枯燥，同时，长时间工作也会导致工作人员疲劳，从而产生抄录错误。通过人工智能技术构造自动化的抄表流程能够极大的克服上述问题，提高工作效率。

当前大部分抄表相关的项目都需要在特定领域的数据集上进行微调，但实际上抄表工作的抄录内容多为文字，对于特定的表而言，其布局和展示内容较为单一，因此可以基于一些配置值，在无需微调的情况下，实现抄表工作。

本项目提供了有一种无需额外训练的抄表器，只需要人为指定一些和布局有关的配置信息，即可实现表中数据的记录。

3.OpenVINO™ 与 OpenVINO™  NoteBook

OpenVINO™ 是一个用于优化和部署 AI 推理的开源工具包。使用 OpenVINO™ 可以显著提升深度学习在计算机视觉、自动语音识别、自然语言处理和其他常见任务中的性能。能够使主流框架（如TensorFlow，PyTorch等）训练的模型在运行时减少资源需求，并在从边缘到云的一系列英特尔®平台上高效部署。

OpenVINO™ 在仓库 OpenVINO™ Notebooks (https://github.com/openvinotoolkit/openvino_notebooks) 中提供了一些可以运行的 Jupyter* Notebooks，用于学习和尝试使用 OpenVINO™ 工具套件。这些 Notebooks 旨在向各位开发者提供 OpenVINO™ 基础知识的介绍，并教会大家如何利用我们的 API 来优化深度学习推理。

4. PaddleOCR

PaddleOCR 是 PaddlePaddle 的文字识别套件。迄今为止，PaddleOCR 已经提供了许多复用性强的预训练模型。

在本项目中使用的预训练模型是 Chinese and English ultra-lightweight PP-OCR model (9.4M)。更多的信息请参考 PaddleOCR Github(https://github.com/PaddlePaddle/PaddleOCR)或 PaddleOCR Gitee(https://gitee.com/PaddlePaddle/PaddleOCR)。

一个标准的 OCR 流程包括了文字检测和文字识别，对于本项目来说，文字检测工作会通过非深度学习的方式进行处理，因此，本项目只使用PaddleOCR中的文字识别模型。

5. 技术方案概览

本项目面对的应用场景是抄录特定的一类表的信息。因此，可以通过人工配置表面的尺寸，以及各个元素在表中的布局，从而跳过 OCR 模型对文字区域的检测，而后可以进一步对识别结果进行结构化输出。

在整个Pipeline中，无需额外针对业务场景对模型进行训练或配置，从深度学习的层面上完全依赖于开源模型，只是需要人工地进行一些预处理或后处理。从而可以极大的降低OCR模型的应用门槛，也减轻了对数据准备和标注的依赖。

项目的总体流程如下： 

Step 1

 配置图片中屏幕区域的坐标值。（这些坐标值也可以通过 cv2 的拐点检测或深度学习进行获取）

Step 2

 对图片进行预处理（仿射变换）

Step 3

配置待识别的元素对应的坐标，并裁剪对应的区域。

Step 4

如有需要，可以对裁剪下来的区域进行预处理。

Step 5

基于 OpenVINO™ 进行文字识别。

Step 6

结构化输出信息

Step 7

如有需要，对输出结果进行进一步精炼。

c3ccf97035c74879d4c4e53809f84191.png

6. 图片输入处理

由于本项目是一个零微调的项目，因此，为了保证识别模型的有效性，需要人工对齐输入信息。

- 修正倾斜的图片，将图片中的屏幕区域修正到指定的大小

- 根据从说明书等地方获取到的设备信息，设定待识别的区域在屏幕上的布局。

通过下面代码，可以将图片从倾斜状态修正。

# 配置坐标信息
# The coordinates of the corners of the screen in case 1


POINTS = [[1121, 56],    # Left top
          [3242, 183],   # right top
          [3040, 1841],  # right bottom
          [1000, 1543]]   # left bottom
          
# The size of the screen in case 1
DESIGN_SHAPE = (1300, 1000)


# 配置坐标信息
# The coordinates of the corners of the screen in case 1
POINTS = [[1121, 56],    # Left top
          [3242, 183],   # right top
          [3040, 1841],  # right bottom
          [1000, 1543]]   # left bottom


# The size of the screen in case 1
DESIGN_SHAPE = (1300, 1000)


# 配置坐标信息
# The coordinates of the corners of the screen in case 1
POINTS = [[1121, 56],    # Left top
          [3242, 183],   # right top
          [3040, 1841],  # right bottom
          [1000, 1543]]   # left bottom
          
# The size of the screen in case 1
DESIGN_SHAPE = (1300, 1000)

f582aa57cb8ec08bf2ac81bf848d0079.png

a642a97846e64447921e50ce7c639c26.png

7. 基于 OpenVINO™ 加载 PaddleOCR 识别模型进行预测

7.1. 加载模型

使用 OpenVINO™ 加载 Paddle 模型无需经过任何转换，只需要

1）创建环境

2）读取模型

3）生成推理接口

假设当前模型保存在 ch_PP-OCRv3_rec_infer 目录下，则可以通过以下代码一键加载模型：

from openvino.runtime import Core


# Initialize OpenVINO Runtime for text recognition.
core = Core()


# Read the model and corresponding weights from a file.
rec_model_file_path = "ch_PP-OCRv3_rec_infer/inference.pdmodel"
rec_model = core.read_model(model=rec_model_file_path)


# Assign dynamic shapes to every input layer on the last dimension.
for input_layer in rec_model.inputs:
    input_shape = input_layer.partial_shape
    input_shape[3] = -1
    rec_model.reshape({input_layer: input_shape})


rec_compiled_model = core.compile_model(model=rec_model, device_name="CPU")


# Get input and output nodes.
rec_input_layer = rec_compiled_model.input(0)
rec_output_layer = rec_compiled_model.output(0)

7.2. 文字识别

依旧对于上述示例图片，希望结构化输出以下内容：[{"Info_Probe":""}, {"Freq_Set":""}, {"Freq_Main":""}, {"Val_Total":""},{"Val_X":""}, {"Val_Y":""}, {"Val_Z":""}, {"Unit":""}, {"Field":""}]。输出示例如下图所示：

465103c18756f7faac40bd4ffdffa6c0.png

首先，需要基于仿射变换的结果，配置各个元素在图片上的布局。这个配置对于同一批表来说是固定的

# features and layout information
DESIGN_LAYOUT = {'Info_Probe':[14, 36, 410, 135],  # feature_name, xmin, ymin, xmax, ymax
                 'Freq_Set':[5, 290, 544, 406],
                 'Val_Total':[52, 419, 1256, 741],
                 'Val_X':[19, 774, 433, 882],
                 'Val_Y':[433, 773, 874, 884],
                 'Val_Z':[873, 773, 1276, 883],
                 'Unit':[1064, 291, 1295, 403],
                 'Field':[5, 913, 243, 998]}

然后，需要配置文字识别预处理函数。

首先，需要将传入的检测框转化为图片，对于本项目，检测框即为整个图片，但我们依然可以复用这个模块。

def prep_for_rec(dt_boxes, frame):
    """
    Preprocessing of the detected bounding boxes for text recognition


    Parameters:
        dt_boxes: detected bounding boxes from text detection 
        frame: original input frame 
    """
    ori_im = frame.copy()
    img_crop_list = [] 
    for bno in range(len(dt_boxes)):
        tmp_box = copy.deepcopy(dt_boxes[bno])
        img_crop = get_rotate_crop_image(ori_im, tmp_box)
        img_crop_list.append(img_crop)
        
    img_num = len(img_crop_list)
    # 计算对应的缩放比例
    width_list = []
    for img in img_crop_list:
        width_list.append(img.shape[1] / float(img.shape[0]))
    
    # 对文字进行排序以加速推理
    indices = np.argsort(np.array(width_list))
    return img_crop_list, img_num, indices

当完成裁剪之后，可以将图片分装成一个个batch，以成批次地进行预测：

def batch_text_box(img_crop_list, img_num, indices, beg_img_no, batch_num):
    """
    Batch for text recognition


    Parameters:
        img_crop_list: processed bounding box images with detected bounding box
        img_num: number of bounding boxes from text detection
        indices: sorting for bounding boxes to speed up text recognition
        beg_img_no: the beginning number of bounding boxes for each batch of text recognition inference
        batch_num: number of images in each batch
    """
    norm_img_batch = []
    max_wh_ratio = 0
    end_img_no = min(img_num, beg_img_no + batch_num)
    for ino in range(beg_img_no, end_img_no):
        h, w = img_crop_list[indices[ino]].shape[0:2]
        wh_ratio = w * 1.0 / h
        max_wh_ratio = max(max_wh_ratio, wh_ratio)
    for ino in range(beg_img_no, end_img_no):
        norm_img = resize_norm_img(img_crop_list[indices[ino]], max_wh_ratio)
        norm_img = norm_img[np.newaxis, :]
        norm_img_batch.append(norm_img)


    norm_img_batch = np.concatenate(norm_img_batch)
    norm_img_batch = norm_img_batch.copy()
return norm_img_batch

完成识别后，需要将识别结果转化为汉字，这一步需要一个映射表，可以在 PaddleOCR 或者 OpenVINO™ Notebook 中找到。

class RecLabelDecode(object):
    """ Convert between text-label and text-index """


    def __init__(self,
                 character_dict_path=None,
                 character_type='ch',
                 use_space_char=False):
        # 初始化函数


        
    def __call__(self, preds, label=None, *args, **kwargs):
        # 对字符进行解码


# 解码函数，用于将id转换为对应地文字
def decode(self, text_index, text_prob=None, is_remove_duplicate=False):
        """ convert text-index into text-label. """
        result_list = []
        ignored_tokens = self.get_ignored_tokens()
        batch_size = len(text_index)
        for batch_idx in range(batch_size):
            char_list = []
            conf_list = []
            for idx in range(len(text_index[batch_idx])):
                # 将id转换为对应地文字
            text = ''.join(char_list)
            result_list.append((text, np.mean(conf_list)))
        return result_list

之后就可以识别与输出啦!

下面以Freq_Set为例，进行文字识别

# 输出结构体
struct_result = {} 


# Crop imgs according the layout information
xmin, ymin, xmax, ymax = DESIGN_LAYOUT['Freq_Set']
crop_img = img[ymin:ymax, xmin:xmax]


h = ymax - ymin  # height of crop_img
w = xmax - xmin  # width of crop_img
dt_boxes = [np.array([[0,0],[w,0],[w,h],[0,h]],dtype='float32')]
batch_num = 1


# since the input img is cropped, we do not need a detection model to find the position of texts
# Preprocess detection results for recognition.
img_crop_list, img_num, indices = prep_for_rec(dt_boxes, crop_img)


# txts are the recognized text results
rec_res = [['', 0.0]] * img_num
txts = [] 


for beg_img_no in range(0, img_num):


    # Recognition starts from here.
    norm_img_batch = batch_text_box(
        img_crop_list, img_num, indices, beg_img_no, batch_num)


    # Run inference for text recognition. 
    rec_results = rec_compiled_model([norm_img_batch])[rec_output_layer]


    # Postprocessing recognition results.
    rec_result = text_decoder(rec_results)
    for rno in range(len(rec_result)):
        rec_res[indices[beg_img_no + rno]] = rec_result[rno]   
    if rec_res:
        txts = [rec_res[i][0] for i in range(len(rec_res))] 


# record the recognition result
struct_result['Freq_Set'] = txts[0]
print(txts[0])

8. 结构化输出与后处理

上面的逻辑已经完成了使用 OpenVINO™ 加载 PaddleOCR 并进行预测，但实际上由于整个模型没有进行微调，所以对于当前的业务场景来说可能不够完美，这个时候可以通过一些简单的逻辑进行处理，比如，对于示例图片中，右上角区域中，存在文字“100Hz 实时值”，对于检测模型而言，“Hz”可能被识别为“H2”等字样，对于识别结果“100H2 实时值”而言，可以通过将“H2”替换为“Hz”提高最后的输出效果。

简单来说，对于示例图片的这种表，可以定义如下后处理函数：

# Post-processing, fix some error made in recognition
def post_processing(results, post_configration):
    """
    Postprocessing function for correcting the recognition errors.
    Parameters:
        results (Dict): The result directory.
        post_configration (Dict): The configuration directory.
    """
    for key in results.keys():
        if len(post_configration[key]) == 0:
            continue  # nothing to do
        for post_item in post_configration[key]:
            key_word = post_item[0]
            if key_word == 'MP':  # mapping
                source_word = post_item[1]
                target_word = post_item[2]
                if source_word in results[key]:
                    results[key] = target_word
            elif key_word == 'RP':  # removing
                source_word = post_item[1]
                target_word = post_item[2]
                results[key] = results[key].replace(source_word, target_word)
            elif key_word == 'AD':  # add point
                add_position = post_item[1]
                results[key] = results[key][:add_position] + '.' + results[key][add_position:]
    return results

定义了辅助函数后，即可通过配置值进行后处理。辅助函数中共有三种配置的预处理类型，分别是映射、替换和增加小数点。以识别结果“深头:LF-01”为例，“映射”(MP)操作意味着只要文字包含“LF”，即将整段文字替换为“探头:LF-01”。以识别结果“100H2 实时值”为例，“替换”(RP)操作意味着将文字中的“H2”替换为“Hz”。以识别结果“613475”为例，如果已知最后两位必然为小数位，并且小数点极小容易被漏检，增加小数点(AD)操作可以快捷地在指定位上增加小数点。

下述代码给出了使用配置值进行后处理地示例。

# Congiguration for postprocessing of the results
RESULT_POST = {"Info_Probe":[['MP', 'LF', '探头:LF-01']],  # words need to be mapped
               "Freq_Set":[['RP', '实时值', ''], ['RP', ' ', ''], ['RP', 'H2', 'HZ']],  # words need to be replace
               "Val_Total":[['RP', 'H2', 'Hz']],
               "Val_X":[['RP', 'X', ''], ['RP', ':', '']], 
               "Val_Y":[['RP', 'Y', ''], ['RP', ':', '']], 
               "Val_Z":[['RP', 'Z', ''], ['RP', ':', '']], 
               "Unit":[['MP', 'T', 'μT'],['MP', 'kV', 'kV/m'],['MP', 'kv', 'kV/m'],['MP', 'vm', 'V/m'],['MP', 'Vm', 'V/m'],['MP', 'A', 'A/m']], 
               "Field":[]}  # nothing need to do


# Postprocessing, to fix some error made in recognition
struct_result = post_processing(struct_result, RESULT_POST)


# Print result
print(struct_result)

9. 全流程一键运行

将上述代码组合起来，可以进行全流程的运行~

# 为了避免因为图片模糊导致的漏检，配置一个输出模板，从而让每个图片输出格式都一致
# Output template in case 1
RESULT_TEMP = {"Info_Probe":"探头:---", 
               "Freq_Set":"", 
               "Val_Total":"无探头", 
               "Val_X":"", 
               "Val_Y":"", 
               "Val_Z":"", 
               "Unit":"A/m", 
               "Field":"常规"}
# the input of recognition should be image, DESIGN information, compiled_model
def main_function(img, DESIGN_LAYOUT, RESULT_TEMP, preprocess_function=None):
    # 根据配置信息获取输出结构的格式
    struct_result = copy.deepcopy(RESULT_TEMP)


    # 逐个访问各个检测目标
    for key in DESIGN_LAYOUT.keys():
        # 裁剪各个区域的图片，并进行预处理
# 对预处理后的图片进行识别
        
# 返回识别结果
    return struct_result

下面是调用示例：

# 读取图片并进行图片预处理
img = cv2.imread('example1.jpg')
img = pre_processing(img, POINTS, DESIGN_SHAPE)


# 进行文字识别
struct_result = main_function(img, DESIGN_LAYOUT, RESULT_TEMP)


# 对识别结果进行精炼
instruct_result = post_processing(struct_result, RESULT_POST)

10. 总结

本文介绍了一种基于开源OCR模型(https://github.com/PaddlePaddle/PaddleOCR)进行读表的Pipeline，这个Pipeline能够在不进行模型微调的前提下完成抄表工作，并按照格式输出内容。

整个Pipeline专注于OCR模型的调用，但仍可以拼接一些检测模型或边缘检测方法，用于自动确定屏幕区域，以降低人力，提高效率。

完整的源码地址见：https://github.com/openvinotoolkit/openvino_notebooks/pull/1030

https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/203-meter-reader

--END--

你也许想了解(点击蓝字查看)⬇️➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️ 还不知道如何用OpenVINO™作画？点击了解教程。➡️ 几行代码轻松实现对于PaddleOCR的实时推理，快来get！➡️ 使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理➡️ 图片提取文字很神奇？试试三步实现OCR！➡️【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务➡️使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能
扫描下方二维码立即体验 
OpenVINO™ 工具套件 2023.0

点击 阅读原文 立即体验OpenVINO 2023.0

e45d5a7a61a87d832b9d2c8dfa019940.png

文章这么精彩，你有没有“在看

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/734335.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

Django_模型类详解（七）

Django_模型类详解（七）

目录 一、定义属性 字段类型 选项 二、查询集 两大特性 查询集的缓存 限制查询集 三、条件查询 条件运算符 1) 查询相等 2) 模糊查询 3) 空查询 4) 范围查询 5) 比较查询 6) 日期查询 F对象 Q对象 聚合函数 四、关联查询 通过对象执行关联查询 通过模型类执…
阅读更多...
线程池介绍

线程池介绍

1、什么是线程池 例子： 10年前单核CPU电脑，假的多线程，像马戏团小丑玩多个球，CPU需要来回切换。 现在是多核电脑，多个线程各自跑在独立的CPU上，不用切换效率高。 线程池的优势： 线程池做的工作…
阅读更多...
七、VPN技术之密码学基础（密码体制、对称加密算法、非对称加密算法）

七、VPN技术之密码学基础（密码体制、对称加密算法、非对称加密算法）

更多网络基础内容可见： 网络基础学习目录及各章节指引 7.1 密码学基础 7.1.1 基础概念 密码：对文本进行编码，使偷窥者无法识别的算法。是一套编码方案，一种特殊的报文编码和相应的解码方式的结合体。 加密之前的原始报文称为明文，使用密码之后的报文叫密文。一个简单的例…
阅读更多...
elk高并发架构

elk高并发架构

1.前言 普通的elk架构只适合数据量小的情景，而且也不安全，在瞬时数据量大的情况下可能会导致logstash崩溃，从而导致数据的丢失，对于数据安全有较高要求，可以在架构中加入消息队列，既可以防止瞬时的大流量并…
阅读更多...
有过JVM调优经验吗【面试题】

有过JVM调优经验吗【面试题】

写作目的 JVM其实比较偏理论的，日常工作中很少遇到。但是面试他问，所以需要自己mock一下场景进行准备这个问题的回复。 本次分析的场景的元空间太小导致频繁FGC的问题。 源码&启动参数 gitee下载源码 启动-调优前 nohup java -XX:MetaspaceS…
阅读更多...
【MySQL】SQL索引失效的几种场景及优化

【MySQL】SQL索引失效的几种场景及优化

MySQL中提高性能的一个最有效的方式是对数据表设计合理的索引。索引提供了高效访问数据的方法，并且加快查询的速度， 因此索引对查询的速度有着至关重要的影响。 使用索引可以快速地定位表中的某条记录，从而提高数据库查询的速度，…
阅读更多...
C++之函数模板高级用法(一百五十四)

C++之函数模板高级用法(一百五十四)

简介： CSDN博客专家，专注Android/Linux系统，分享多mic语音方案、音视频、编解码等技术，与大家一起成长！ 优质专栏：Audio工程师进阶系列【原创干货持续更新中……】🚀 人生格言： 人生…
阅读更多...
两个好用到爆的Python模块，建议收藏！

两个好用到爆的Python模块，建议收藏！

在日常开发工作中，经常会遇到这样的一个问题：要对数据中的某个字段进行匹配，但这个字段有可能会有微小的差异。比如同样是招聘岗位的数据，里面省份一栏有的写“广西”，有的写“广西壮族自治区”，甚至还有写…
阅读更多...
基于单片机的智能鞋柜的设计与实现

基于单片机的智能鞋柜的设计与实现

功能介绍 以51单片机作为主控系统；通过DHT11温湿度采集；通过按键设置逻辑处理；通过LED紫外线消毒；通过继电器控制风扇进行换气除湿；通过继电器控制加热片进行加热；整个电路以5v供电; 电路图 PCB 源代码 #i…
阅读更多...
nodejs 读取xlsx 文件转json 格式（包含表格时间类型）

nodejs 读取xlsx 文件转json 格式（包含表格时间类型）

需求概要：从xlsx 文件中读取内容转化成想要的json 格式，用于web 读取数据 newDoc.xlsx文档内容大概： 本内容主要是更新前端公告内容， const xlsx require(node-xlsx) const fs require(fs) const moment require(moment)//转换…
阅读更多...
双非本大二上岸大厂——念念不忘，必有回响

双非本大二上岸大厂——念念不忘，必有回响

⭐️前言⭐️ 博主就读于一所普通的学校（双非本），在大二下学期3月份开始网上投递简历，历时近百余天，投递简历500，面试近40余场，最终在6月份学期末，斩获了两个大厂offer（北…
阅读更多...
最小栈——力扣155

最小栈——力扣155

方法&#xff1a;辅助栈 这些函数中只有求最小值函数需要借助辅助栈 代码如下&#xff1a; class MinStack {stack<int> x_stack;stack<int> min_stack; public:MinStack() {min_stack.push(INT_MAX);}void push(int val) {x_stack.push(val);min_stack.push(…
阅读更多...
使用Java计算课程绩点、课程学分绩点、总绩点

使用Java计算课程绩点、课程学分绩点、总绩点

1、定义实体类 实体类中包括属性表 名称释义xuefen该课程学分chengji该课程取得的成绩xuefenjidian该课程取得的学分绩点xuefen该课程取得的学分 其中有式子&#xff1a; j i d i a n ( c h e n g j i − 50 ) 10.0 jidian \frac{(chengji-50)}{10.0} jidian10.0(chengji−…
阅读更多...
【Azure】解析 Microsoft Defender for Cloud：云安全的保护与管理

【Azure】解析 Microsoft Defender for Cloud：云安全的保护与管理

你在使用自己的电脑的时候&#xff0c;作为安全防护你可能直接装个杀毒软件&#xff0c;或者什么xx管家之类的&#xff0c;那么你是否有想过&#xff0c;如果我有一套云服务之后&#xff0c;我应该如何进行安全防护呢&#xff1f;本文带你了解在 Azure 云中的安全防护体系&…
阅读更多...
同余最短路

同余最短路

同余最短路就是把每一个同余类当成一个结点&#xff0c;在同余类之间建边&#xff0c;然后跑最短路 答案统计的时候对每个同余类单独计算贡献 题意&#xff1a; 思路&#xff1a; 答案可以对模X的所有同余类计算贡献 设dis[i]为在模X意义下&#xff0c;Y和Z之后%X余数为i的…
阅读更多...
数据库练习

数据库练习

数据库练习 建立三张表&#xff0c;以及表中的联系 由于学生表中存在外键&#xff0c;所以我们需要先创建课程表和班级表 课程表 mysql> create table course(-> course_id int primary key auto_increment comment 课程编号,-> course_name varchar(10) not null…
阅读更多...
【C++初阶】C++入门——引用

【C++初阶】C++入门——引用

文章目录 一、引用的概念二、共用同一块空间验证三、引用的特性3.1 引用在定义时必须初始化3.2 一个变量可以有多个引用3.3 引用不能改变 四、引用的使用场景4.1 做参数4.2 做返回值 五、传值、传引用效率比较六、常引用6.1 权限放大——不被允许6.2 权限平移6.3 权限缩小6.4 赋…
阅读更多...
MYSQL索引为啥要用B+树储存数据呢

MYSQL索引为啥要用B+树储存数据呢

首先我们来分析一下需求 MYSQL索引需要怎样的数据结构 为了防止数据因为特(duan)殊(kai)情(dian)况(yuan)丢失,我们的数据肯定是要持久化的,也就是保存在硬件(磁盘)里面,而我们知道 磁盘相对于内存来讲 速度要慢了几万倍 甚至即使万倍 所以我们必须减少磁盘的I/O操作 再有呢…
阅读更多...
电子时钟制作(瑞萨RA)(10)----电容触摸配置

电子时钟制作(瑞萨RA)(10)----电容触摸配置

概述 这篇文档将创建一个使用 e2 studio 集成 QE 的电容式触摸应用示例。 硬件准备 首先需要准备一个开发板&#xff0c;这里我准备的是芯片型号R7FA2E1A72DFL的开发板&#xff1a; 视频教程 https://www.bilibili.com/video/BV14h4y1E7py/ 电子时钟制作(10)----电容触摸配…
阅读更多...
python接口自动化（二十三）--unittest断言——上（详解）

python接口自动化（二十三）--unittest断言——上（详解）

简介 在测试用例中&#xff0c;执行完测试用例后&#xff0c;最后一步是判断测试结果是 pass 还是 fail&#xff0c;自动化测试脚本里面一般把这种生成测试结果的方法称为断言&#xff08;assert&#xff09;。用 unittest 组件测试用例的时候&#xff0c;断言的方法还是很多的…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023