A级课程从零开始（七）ssd24训练部分收尾补充（IOU,NMS）

作者：mobiledu2502926273 | 来源：互联网 | 2023-10-12 16:13

https:www.bilibili.comvideoav43996494?p61补充说明(修正前面代码存在问题):#先验框筛选defchoose_anchor_boxes(sel

https://www.bilibili.com/video/av43996494/?p&＃61;6

1 补充说明(修正前面代码存在问题):

# 先验框筛选def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4predictions &＃61; tf.reshape(predictions, [n_box, 21])[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(predictions, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, &＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(predictions, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来classes &＃61; tf.boolean_mask(classes, scores > self.threshold) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, scores > self.threshold)anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)return classes, scores, anchor_box# ?&＃61;?需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()
上述代码存在问题&＃xff1a;
因为scores会被覆盖
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)
&＃61;>因而使用下面算法代替&＃xff0c;进而不影响scores值&＃xff1a; ?&＃61;?不太清楚此代码的具体实现
        filter_mask &＃61; scores > self.threshold
        classes &＃61; tf.boolean_mask(classes, filter_mask)   # 前面放筛选目标, 后面放筛选条件
        scores &＃61; tf.boolean_mask(scores, filter_mask)
        anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)
&＃61;>或者改名为scores_nk
        classes &＃61; tf.boolean_mask(classes, scores > self.threshold)   # 前面放筛选目标, 后面放筛选条件
        scores_nk &＃61; tf.boolean_mask(scores, scores > self.threshold)
        anchor_box &＃61; tf.boolean_mask(anchor_box, scores > self.threshold)

更新之后结果&＃xff1a;

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

2 先验框排序

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_sort(self, classes, scores, bboxes, top_k&＃61;400):idxes &＃61; np.argsort(-scores) # 先把scores从高到低排序,然后按照scores的顺序排序类别,分数,框classes &＃61; classes[idxes][:top_k] # 取前面400分数最高的scores &＃61; scores[idxes][:top_k]bboxes &＃61; bboxes[idxes][:top_k]return classes, scores, bboxes # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1:先验框排序 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.argsort()

3 IOU

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_iou(self, bboxes1, bboxes2):bboxes1 &＃61; np.transpose(bboxes1)bboxes2 &＃61; np.transpose(bboxes2)# 计算两个box的交集, 交集左上角的点取两个box的max, 交集右下角的点取两个box的min# bboxes1[0]里面的元素:y1x1y2x2int_ymin &＃61; np.maximun(bboxes1[0], bboxes2[0]) # 交叠框左上角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最大值int_xmin &＃61; np.maximun(bboxes1[1], bboxes2[1]) # 交叠框左上角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最大值int_ymax &＃61; np.minimun(bboxes1[2], bboxes2[2]) # 交叠框右下角的点y坐标 &＃61; 两个框左上角点的y坐标相比较, 取最小值int_xmax &＃61; np.minmun(bboxes1[3], bboxes2[3]) # 交叠框右下角的点x坐标 &＃61; 两个框左上角点的x坐标相比较, 取最小值# 计算两个box交集的wh: 如果两个box没有交集, 那么w,h为0(计算方式&＃xff1a;w,h为负值, 跟0比较取最大)int_h &＃61; np.maximun(int_ymax - int_ymin, 0.)int_w &＃61; np.maximun(int_xmax - int_xmin, 0.)# 计算IOUint_vol &＃61; int_h * int_w # 交集面积vol1 &＃61; (bboxes1[2] - bboxes1[0]) * (bboxes1[3] - bboxes1[0]) # bboxes1面积vol2 &＃61; (bboxes2[2] - bboxes2[0]) * (bboxes2[3] - bboxes2[0]) # bboxes2面积iou &＃61; int_vol / (vol1 &＃43; vol2 - int_vol) # IOU &＃61; 交集/并集 # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2:计算IOU <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
np.transpose()

&＃xff14;非极大值抑制
https://mp.csdn.net/postedit/98534699

# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)for i in range(scores.size - 1):if keep_bboxes[i]:overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到ioukeep_overlap &＃61; np.logical_or(overlap # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/
# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\
&＃61;>    def bboxes_nms(self, classes, scores, bboxes, nms_threshold&＃61;0.5):
&＃61;>        keep_bboxes &＃61; np.ones(scores.shape, dtype&＃61;np.bool)
>>> scores.shape &＃61; array([[1, 2], [3, 4]])
>>> keep_bboxes &＃61; np.ones(a.shape, dtype&＃61;np.bool)
>>> keep_bboxes
array([[ True, True],
          [ True, True]], dtype&＃61;bool)
&＃61;>        for i in range(scores.size - 1):
>>> a.size &＃61; 4
&＃61;>            if keep_bboxes[i]:
&＃61;>                overlap &＃61; self.bboxes_iou(bboxes[i], bboxes[(i &＃43; 1):]) # 每个bboxes[i]都与其他的计算得到iou
这里自动广播&＃xff08;&＃xff09;broadcost &＃61;> bboxes[(i &＃43; 1):]是多个框
overlap是一个
示例如下&＃xff1a;

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:c &＃61; np.array([1, 2, 3, 4])for i in range(3):overlap &＃61; bboxes_iou(c[i], c[(i&＃43;1):])print(overlap) >>>[3 4 5] >>>[5 6] >>>[7]
&＃61;>                keep_overlap &＃61; np.logical_or(overlap # 逻辑或
交并比<阈值的 or 两者类别不同的, 会被选中到keep_voerlap里面, 这些都是不要的

# &＃61;&＃61;&＃61;> 解释上述代码 <&＃61;&＃61;&＃61; import numpy as np def bboxes_iou(a, b):iou &＃61; a &＃43; breturn iou if __name__ &＃61;&＃61; &＃39;__main__&＃39;:a &＃61; np.array([1, 2, 3, 1])classes &＃61; np.array([1, 1, 2, 1])for i in range(3):overlap &＃61; bboxes_iou(a[i], a[(i&＃43;1):])# print(&＃39;overlap:&＃39;, overlap)# print(&＃39;classes[i:] !&＃61; classes[i]:&＃39;, classes[i:] !&＃61; classes[i])keepoverlap &＃61; np.logical_or(overlap <3, classes[(i&＃43;1):] !&＃61; classes[i])# print(&＃39;keepoverlap:&＃39;, keepoverlap)# print(&＃39;&＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;&＃39;) # &＃61;&＃61;&＃61;> 输出 <&＃61;&＃61;&＃61; overlap: [3 4 2] classes[i:] !&＃61; classes[i]: [False True False] keepoverlap: [False True True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [5 3] classes[i:] !&＃61; classes[i]: [ True False] keepoverlap: [ True False] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61; overlap: [4] classes[i:] !&＃61; classes[i]: [ True] keepoverlap: [ True] # &＃61;&＃61;&＃61;> 换行 <&＃61;&＃61;&＃61;

&＃61;>                keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap) # 逻辑与
　　　　　　# keep_bboxes[(i&＃43;1):]是当前bbox后面的一些框, keep_overlap是数组里面有true false, 与操作留下想要的

c &＃61; np.ones([2, ], dtype&＃61;np.bool) print(c) a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) c &＃61; np.logical_and(a, b) print(c)# [True True]# [True False]
&＃61;>        idxes &＃61; np.where(keep_bboxes)
# https://www.cnblogs.com/massquantity/p/8908859.html

a &＃61; np.array([True, False]) b &＃61; np.array([1, 2]) print(np.where(a))# (array([0]),)

&＃61;>        return classes[idxes], scores[idxes], bboxes[idxes]
# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:非极大值抑制nms <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/

&＃61;>此部分指令&＃xff1a;
np.ones(scores.shape, dtype&＃61;np.bool)

np.logical_or(overlap
idxes &＃61; np.where(keep_bboxes)

需要学的python命令:

1 np.argsort()

2 np.transpose()

3 np.ones(scores.shape, dtype&＃61;np.bool)

>>> a &＃61; np.array([[1,2],[3,4]]) >>> a array([[1, 2],[3, 4]]) >>> b &＃61; np.ones(a.shape, dtype&＃61;np.bool) >>> b array([[ True, True],[ True, True]], dtype&＃61;bool) >>> a.size 4
4 np.logical_or(overlap
5 keep_bboxes[(i&＃43;1):] &＃61; np.logical_and(keep_bboxes[(i&＃43;1):], keep_overlap)

>>> np.logical_and(True, False) False >>> np.logical_and([True, False], [False, False]) array([False, False], dtype&＃61;bool)
>>> x &＃61; np.arange(5) >>> x array([0, 1, 2, 3, 4]) >>> np.logical_and(x>1, x<4) array([False, False, True, True, False], dtype&＃61;bool)
6 idxes &＃61; np.where(keep_bboxes)

当前最终版&＃xff1a;

#!usr/bin/python # -*- coding: utf-8 -*- # Creation Date: 2019/7/10 import tensorflow as tf import numpy as np import cv2 &＃39;&＃39;&＃39; 注释说明 # 1 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为一级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为一级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为一级标题-end# 2 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为二级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为二级标题的补充说明\&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为二级标题-end# 3 /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\　　为三级标题-start|&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx 为三级标题的补充说明\&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/　　为三级标题-end# 4 /&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;\　　为四级标题 &＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61; 为四级标题的简化形式|&＃61;&＃61;&＃61;> xxx 为四级标题的补充说明\&＃61;&＃61;&＃61;>xxxx<&＃61;&＃61;&＃61;/ 为四级标题-end# 5 &＃61;&＃61;>　or &＃61;>　　为重点-特殊情况# 6 ?&＃61;?　　存在疑惑&＃39;&＃39;&＃39;class ssd(object):def __init__(self):# &＃61;&＃61;&＃61;>完善&＃xff1a;构造函数的参数<&＃61;&＃61;&＃61;self.num_boxes &＃61; [] # 统计锚点框的个数self.feaeture_map_size &＃61; [(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)] # 特征图的大小self.classes &＃61; ["aeroplane", "bicycle", "bird", "boat", "bottle","bus", "car", "cat", "chair", "cow","diningtable", "dog", "horse", "motorbike", "person","pottedplant", "sheep", "sofa", "train", "tvmonitor"] # 这里有20个&＃xff0c;加上背景是21个类别self.feature_layers &＃61; [&＃39;block4&＃39;, &＃39;block7&＃39;, &＃39;block8&＃39;, &＃39;block9&＃39;, &＃39;block10&＃39;, &＃39;block11&＃39;] # 用于检测的特征层的名字self.img_size &＃61; (300, 300) # 图片的大小self.num_classes &＃61; 21 # 类别的个数,背景也算一类, 第一个类似是:&＃39;bg&＃39;背景self.boxes_len &＃61; [4, 6, 6, 6, 4, 4] # 6个特征图生成的一组锚点框的框的个数&＃xff0c;4 10 11层是4个一组,其它的是6个一组# block4: 38x38大小的特征图就会生成 38x38x4 个锚点框 5766# block7: 19x19大小的特征图就会生成 19x19x6 个锚点框 2166# block8: 10x10大小的特征图就会生成 10x10x6 个锚点框 600# block9: 5x5大小的特征图就会生成 5x5x6 个锚点框 150# block10: 3x3大小的特征图就会生成 3x3x4 个锚点框 36# block11: 1x1大小的特征图就会生成 1x1x4 个锚点框 4# 一共8732个锚点框 &＃xff1f;&＃61;&＃xff1f;我算出来的是8722个self.isL2norm &＃61; [True, False, False, False, False, False] # block4比较靠前, 因为norm太大需要L2normself.anchor_size &＃61; [(21., 45.), (45., 99.), (99., 153.), (153., 207.), (207., 261.), (261., 315.)]self.anchor_ratios &＃61; [[2, .5], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5, 3, 1./3], [2, .5], [2, .5]]self.anchor_steps &＃61; [8, 16, 32, 64, 100, 300]self.prior_scaling &＃61; [0.1, 0.1, 0.2, 0.2] # 特征先验框缩放比例: 0.1:xy坐标的缩放比, 0.2:wy坐标的缩放比self.n_boxes &＃61; [5776, 2166, 600, 150, 36, 4]# 一共8732个 # ?&＃61;?怎么计算的, 每个featuremap(特征图)先验框的个数# 4层: 38x38x4# 7层: 19x19x6# 8层: 10x10x6# 9层: 5x5x6# 10层: 3x3x4# 11层: 1x1x4self.threshold &＃61; 0.2 # 原文中是0.5, 为了检测到更多的物体设置为0.2# /&＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> ssd网络架构部分 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# &＃61;&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>l2正则化<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;def l2norm(self, x, scale, trainable&＃61;True, scope&＃61;&＃39;L2Normalization&＃39;):n_channels &＃61; x.get_shape().as_list()[-1] # 通道数. 得到形状,变成列表,取后一个l2_norm &＃61; tf.nn.l2_normalize(x, dim&＃61;[3], epsilon&＃61;1e-12) # 只对每个像素点在channels上做归一化with tf.variable_scope(scope):gamma &＃61; tf.get_variable("gamma", shape&＃61;[n_channels, ], dtype&＃61;tf.float32,initializer&＃61;tf.constant_initializer(scale), # ?&＃61;?为何作者没有这步骤trainable&＃61;trainable)return l2_norm * gamma# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;conv2d, max_pool2d, pad2d, dropout# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.conv2d(inputs&＃61;xxx, filters&＃61;xxx, kernel_size&＃61;xxx,# stride&＃61;xxx, padding&＃61;xxx, dilation_rate&＃61;xxx,# name&＃61;xxx, activation&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.max_pooling2d(inputs&＃61;xxx, pool_size&＃61;xxx,# strides&＃61;xxx, padding&＃61;xxx,# name&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.pad(x, paddings&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;tf.layers.dropout(inputs&＃61;xxx, rate&＃61;xxx)# |&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;定义一个卷积的操作: 1输入 2卷积核个数 3卷积核大小| 4步长 5padding 6膨胀| 7激活函数 8名字def conv2d(self, x, filter, k_size, # 输入x, 卷积核的个数filter, k_size卷积核是几*几stride&＃61;[1, 1], padding&＃61;&＃39;same&＃39;, dilation&＃61;[1, 1], # # 步长stride, padding, 空洞卷积指数这里1代表正常卷积activation&＃61;tf.nn.relu, scope&＃61;&＃39;conv2d&＃39;): # 激活函数relu, 名字scopereturn tf.layers.conv2d(inputs&＃61;x, filters&＃61;filter, kernel_size&＃61;k_size,strides&＃61;stride, dilation_rate&＃61;dilation, padding&＃61;padding,name&＃61;scope, activation&＃61;activation)def max_pool2d(self, x, pool_size,stride,scope&＃61;&＃39;max_pool2d&＃39;): # 我猜padding是vaildreturn tf.layers.max_pooling2d(inputs&＃61;x, pool_size&＃61;pool_size, strides&＃61;stride, padding&＃61;&＃39;valid&＃39;, name&＃61;scope)# 用于填充s&＃61;2的第8,9层. 从6层往后的卷积层需要自己填充, 不要用它自带的填充.def pad2d(self, x,pad):return tf.pad(x, paddings&＃61;[[0, 0], [pad, pad], [pad, pad], [0, 0]])def dropout(self, x, d_rate&＃61;0.5):return tf.layers.dropout(inputs&＃61;x, rate&＃61;d_rate)def ssd_prediction(self, x, num_classes, box_num, isL2norm, scope&＃61;&＃39;multibox&＃39;):reshape &＃61; [-1] &＃43; x.getshape().as_list()[1:-1] # 去除第1,4数,拿到2,3个数,变成列表.即去除第一个和最后一个得到shape# python中 a &＃61; [1,2,3,4], b &＃61; a[1:3]&＃61;a[1:-1], c &＃61; [-1] &＃43; b# print(b) &＃61; [2,3], print(c) &＃61; [-1, 1, 2, 3, 4]# block8为例&＃xff1a;shape &＃61; (?, 10, 10, 512)需要把第2,3个数拿出来# 前面的-1表示batch, 因为不知道是多少在这里tf一般写-1# reshape &＃61; [-1, 10, 10]with tf.variable_scope(scope): # 开始进行卷积if isL2norm:x &＃61; self.l2norm(x) # 先判断是否需要归一化# &＃61;&＃61;>预测位置:坐标和大小&＃xff0c;回归问题:不需softmaxlocation_pred &＃61; self.conv2d(x, filter&＃61;box_num * 4, k_size&＃61;[3 * 3],activation&＃61;None, scope&＃61;&＃39;conv_loc&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的4个数据xywh, 卷积核3x3,不需要激活函数,默认def conv2d有激活函数的&＃39;&＃39;&＃39;location_pred &＃61; tf.reshape(location_pred, reshape &＃43; [box_num, 4]) # 每个中心点生成一个锚点框?&＃61;?# reshape &＃43; [box_num, 4] &＃61; [-1, 10, 10, box_num, 4]# &＃61;&＃61;>预测类别:分类问题:需要softmaxclass_pred &＃61; self.conv2d(x, filter&＃61;box_num * num_classes, k_size&＃61;3 * 3,activation&＃61;None, scope&＃61;&＃39;conv_cls&＃39;)&＃39;&＃39;&＃39;filter:卷积核的个数&＃61;一个锚点多少框 x 一个框对应的21个类别, 卷积核3x3,不需要激活函数,默认def conv2d是有激活函数的&＃39;&＃39;&＃39;class_pred &＃61; tf.shape(class_pred, reshape &＃43; [box_num, num_classes]) # ?&＃61;?# reshape &＃43; [box_num, num_classes] &＃61; [-1, 10, 10, box_num, num_classes]print(location_pred, class_pred)return location_pred, class_pred# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:定义cnn所需组件<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>下面:具体网络架构-start<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def set_net(self):check_points &＃61; {} # 装特征层的字典,用于循环迭代predictions &＃61; []locations &＃61; []x &＃61; tf.placeholder(dtype&＃61;tf.float32, shape&＃61;[None, 300, 300, 3])with tf.variable_scope(&＃39;ssd_300_vgg&＃39;):# &＃61;&＃61;&＃61;>VGG前5层<&＃61;&＃61;&＃61;# b1net &＃61; self.conv2d(x, filter&＃61;64, k_size&＃61;[3, 3], scope&＃61;&＃39;conv1_1&＃39;) # 64个3*3卷积核, s&＃61;1 默认&＃xff0c;标准卷积net &＃61; self.conv2d(net, 64, [3, 3], scope&＃61;&＃39;conv1_2&＃39;) # 64个3*3卷积核, s&＃61;1默认net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool1&＃39;) # 池化层2*2卷积核, s&＃61;2 默认&＃xff0c;池化层一般都是2# b2net &＃61; self.conv2d(net, filter&＃61;128, k_size&＃61;[3, 3], scope&＃61;&＃39;conv2_1&＃39;)net &＃61; self.conv2d(net, 128, [3, 3], scope&＃61;&＃39;conv2_2&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool2&＃39;)# b3net &＃61; self.conv2d(net, filter&＃61;256, k_size&＃61;[3, 3], scope&＃61;&＃39;conv3_1&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_2&＃39;)net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv3_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool3&＃39;)# b4 &＃61;>第1个检测层net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv4_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv4_3&＃39;)check_points[&＃39;block4&＃39;] &＃61; netnet &＃61; self.max_pool2d(net, pool_size&＃61;[2, 2], stride&＃61;[2, 2], scope&＃61;&＃39;pool4&＃39;)# b5 关键部分来了&＃xff0c;这里与vgg不同了net &＃61; self.conv2d(net, filter&＃61;512, k_size&＃61;[3, 3], scope&＃61;&＃39;conv5_1&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_2&＃39;)net &＃61; self.conv2d(net, 512, [3, 3], scope&＃61;&＃39;conv5_3&＃39;)net &＃61; self.max_pool2d(net, pool_size&＃61;[3, 3], stride&＃61;[1, 1], scope&＃61;&＃39;pool5&＃39;) # &＃61;>池化层3*3核&＃xff0c; 步长变成1*1# &＃61;&＃61;&＃61;>卷积层&＃xff0c;代替VGG全连接层<&＃61;&＃61;&＃61;# b6 conv6: 3x3x1024-d6net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[3, 3], dilation&＃61;[6, 6], scope&＃61;&＃39;conv6&＃39;)# &＃61;> 个数1024, dilation&＃61;[6, 6]# b7 conv7: 1x1x1024 &＃61;>第2个检测层net &＃61; self.conv2d(net, filter&＃61;1024, k_size&＃61;[1, 1], scope&＃61;&＃39;conv7&＃39;)# &＃61;> 个数1024, 卷积核是[1, 1]check_points[&＃39;block7&＃39;] &＃61; net# b8 conv8_1: 1x1x256; conv8_2: 3x3x512-s2-vaild &＃61;>第3个检测层net &＃61; self.conv2d(net, 256, [1, 1], scope&＃61;&＃39;conv8_1x1&＃39;) # &＃61;>个数256&＃xff0c;卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 512, [3, 3], [2, 2], scope&＃61;&＃39;conv8_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数512, 卷积核3x3, 步长2, &＃39;valid&＃39;check_points[&＃39;block8&＃39;] &＃61; net# b9 conv9_1: 1x1x128 conv8_2: 3x3x256-s2-vaild &＃61;>第4个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv9_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(self.pad2d(net, 1), 256, [3, 3], [2, 2], scope&＃61;&＃39;conv9_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256,卷积核3x3&＃xff0c;步长2x2, validcheck_points[&＃39;block9&＃39;] &＃61; net# b10 conv10_1: 1x1x128 conv10_2: 3x3x256-s1-valid &＃61;>第5个检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv10_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv10_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c;validcheck_points[&＃39;block10&＃39;] &＃61; net# b11 conv11_1: 1x1x128 conv11_2: 3x3x256-s1-valid &＃61;>第6检测层net &＃61; self.conv2d(net, 128, [1, 1], scope&＃61;&＃39;conv11_1x1&＃39;) # &＃61;>个数128,卷积核1x1net &＃61; self.conv2d(net, 256, [3, 3], scope&＃61;&＃39;conv11_3x3&＃39;, padding&＃61;&＃39;valid&＃39;)# &＃61;>个数256&＃xff0c; validcheck_points[&＃39;block11&＃39;] &＃61; netfor i, j in enumerate(self.feature_layers): # 枚举特征层i表示第几个, j是名字如&＃39;block4&＃39;loc, cls &＃61; self.ssd_prediction(x&＃61;check_points[j],num_classes&＃61;self.num_classes,box_num&＃61;self.boxes_len[i],isL2norm&＃61;self.isL2norm[i],scope&＃61;j &＃43; &＃39;_box&＃39;)predictions.append(tf.nn.softmax(cls)) # 需要softmaxlocations.append(loc) # 不需要print(check_points) # 检查网络的结构, eg:block8: (?, 10, 10, 512)print(locations, predictions)return locations, predictions, x# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;>上面:具体网络架构<&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> ssd网络架构部分-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\# |&＃61;&＃61;&＃61; 以block8为例10x10, 生成先验框# |&＃61;&＃61;&＃61; h0, h1, h2, h3, h4, h5:# |&＃61;&＃61;&＃61; 小正方形大正方形 1/2长方形 2/1长方形 1/3长方形 3/1长方形def ssd_anchor_layer(self, img_size, feature_map_size,anchor_size, anchor_ratio, anchor_step,box_num, offset&＃61;0.5):# 提取feature map 的每一个坐标y, x &＃61; np.mgrid[0: feature_map_size[0], 0:feature_map_size[1]] # 以block8为例这里是 0:10,0:10# >>> y, x&＃61; np.mgrid[0:10, 0:10]# >>> print(x)# [[0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]# [0 1 2 3 4 5 6 7 8 9]]# >>> print(y)# [[0 0 0 0 0 0 0 0 0 0]# [1 1 1 1 1 1 1 1 1 1]# [2 2 2 2 2 2 2 2 2 2]# [3 3 3 3 3 3 3 3 3 3]# [4 4 4 4 4 4 4 4 4 4]# [5 5 5 5 5 5 5 5 5 5]# [6 6 6 6 6 6 6 6 6 6]# [7 7 7 7 7 7 7 7 7 7]# [8 8 8 8 8 8 8 8 8 8]# [9 9 9 9 9 9 9 9 9 9]]y &＃61; (y.astype(np.float32) &＃43; offset) * anchor_step / img_size[0]x &＃61; (x.astype(np.float32) &＃43; offset) * anchor_step / img_size[1]# 计算两个长宽比为1的 h, wh &＃61; np.zeros((box_num,), np.float32)w &＃61; np.zeros((box_num,), np.float32)# h >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)# w >>> array([ 0., 0., 0., 0., 0., 0.], dtype&＃61;float32)h[0] &＃61; anchor_size[0] / img_size[0] # 小正方形w[0] &＃61; anchor_size[0] / img_size[0]h[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0] # 大正方形w[1] &＃61; (anchor_size[0] * anchor_size[1]) ** 0.5 / img_size[0]for i, j in enumerate(anchor_ratio):h[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] / (j ** 0.5)w[i &＃43; 2] &＃61; anchor_size[0] / img_size[0] * (j ** 0.5)return y, x, h, w# h[0]&＃61;99/300 w[0]&＃61;99/300&＃xff1a; 小正方型 h w# h[1]&＃61;sqrt(99*513)/300 w[1]&＃61;sqrt(99*513)/300&＃xff1a; 大正方型 h w# h[2]&＃61;99/300/sqrt(2) w[2]&＃61;99/300*sqrt(2)&＃xff1a; 横向 - 长方型2/1 对应 anchor_ratio[0] &＃61; 2# h[3]&＃61;99/300/sqrt(0.5) w[2]&＃61;99/300*sqrt(0.5)&＃xff1a; 纵向 | 长方型1/2 对应 anchor_ratio[1] &＃61; .5# h[4]&＃61;99/300/sqrt(3) w[2]&＃61;99/300*sqrt(3)&＃xff1a; 横向 - 长方型3/1 对应 anchor_ratio[2] &＃61; 3# h[5]&＃61;99/300/sqrt(1/3) w[2]&＃61;99/300*sqrt(1/3)&＃xff1a; 纵向 | 长方型1/3 对应 anchor_ratio[3] &＃61; 1./3# h[0]正方型 h[1]正方型 h[2]长方型2/1 h[3]长方型1/2 h[4]长方型3/1 h[5]长方型1/3# h &＃61; array([ 0.33000001, 0.41024384, 0.23334524, 0.46669048, 0.19052559, 0.57157677], dtype&＃61;float32)# w &＃61; array([ 0.33000001, 0.41024384, 0.46669048, 0.23334524, 0.57157677, 0.19052559], dtype&＃61;float32)# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 1&＃xff1a;先验框生成-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def ssd_decode(self, location, box, prior_scaling):y_a, x_a, h_a, w_a &＃61; boxcx &＃61; location[:, :, :, :, 0] * w_a * prior_scaling[0] &＃43; x_a # ?&＃61;?这部分应该是w hcy &＃61; location[:, :, :, :, 1] * h_a * prior_scaling[1] &＃43; y_a# locations是set_net网络的返回值# locations是5d张量,最后一个维度是4,里面装着预测出来的 0x 1y 2h 3w# locations是列表, 里面的元素形如&＃xff1a;[-1, 10, 10, box_num, 4]# 在这里location被带入了locations[2], 也就是block8层w &＃61; w_a * tf.exp(location[:, :, :, :, 2] * prior_scaling[2])h &＃61; h_a * tf.exp(location[:, :, :, :, 3] * prior_scaling[3]) # 实际格子的高度print(cx, cy, w, h)bboxes &＃61; tf.stack([cy - h/2.0, cx - w/2.0, cy &＃43; h/2.0, cx &＃43; w/2.0], axis&＃61;-1)# 特征图比较多&＃xff0c;需要叠加起来# 左上角点的y坐标 cy-h/2, x坐标cx-w/2. 右下角点的y坐标 cy&＃43;h/2, x坐标cx&＃43;w/2print(bboxes)return bboxes# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 2&＃xff1a;解码-end <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/# /&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;\def choose_anchor_boxes(self, predictions, anchor_box, n_box):# predictions列表里面的元素表示&＃xff1a;类别预测的置信度, shape &＃61; [-1, 10, 10, box_num, num_classes]anchor_box &＃61; tf.reshape(anchor_box, [n_box, 4]) # 5d张量改为2d张量 ?&＃61;? n_box是所有的锚点框的总数量&＃61;批数x10x10x6x4prediction &＃61; tf.reshape(predictions, [n_box, 21])prediction &＃61; prediction[:, 1:] # 第一个0是背景的置信度, 我们不需要,从1往后取classes &＃61; tf.argmax(prediction, axis&＃61;1) &＃43; 1 # 得到preditions的概率最大类别的索引值, 1表示按行找最大&＃43;1: 是因为代码里是0开始scores &＃61; tf.reduce_max(prediction, axis&＃61;1) # 得到最大类别的得分, 当大于阈值就保留下来(下面后话)filter_mask &＃61; scores > self.thresholdclasses &＃61; tf.boolean_mask(classes, filter_mask) # 前面放筛选目标, 后面放筛选条件scores &＃61; tf.boolean_mask(scores, filter_mask)anchor_box &＃61; tf.boolean_mask(anchor_box, filter_mask)return classes, scores, anchor_box# 需要学习的指令&＃xff1a;tf.reshape() tf.reduce_max() tf.boolean_mask()# \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;> 3:先验框筛选 <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/ # \&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;　&＃61;&＃61;&＃61;> 先验框生成*解码*先验框筛选-start <&＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61; &＃61;&＃61;&＃61;/if __name__ &＃61;&＃61; &＃39;__main__&＃39;:sd &＃61; ssd()locations, predictions, x &＃61; sd.set_net()box &＃61; sd.ssd_anchor_layer(sd.img_size, (10, 10), (99., 153.), [2., .5, 3., 1/3], 32, 6)boex &＃61; sd.ssd_decode(locations[2], box, sd.prior_scaling)print(boex) # shape &＃61; (?, 10, 10, 6, 4)# 这里以block8为例&＃xff1a;的输出结果为Tensor("stacck:0", shape&＃61;(?, 10, 10, 6, 4), dtype&＃61;float32)# 10, 10表示的是第三个特征层为10x10, 因为是locations[2] ?&＃61;?# 6表示六个特征图 ?&＃61;?# 4表示　左上角&＃xff06;右下角坐标　max_x max_y min_x min_y# locations[0]是38x38 locations[1]是19x19 locations[2]是10x10 locations[3]是5x5 [4]是3x3 [5]是2x2 [6]是1x1cls, sco, a_box &＃61; sd.choose_anchor_boxes(predictions[2], boex, sd.n_boxes[2])print(&＃39;----------------------------&＃39;)print(cls, sco, a_box)

io

https

ide

算法

filter

int

post

range

import

写下你的评论吧 !

吐个槽吧,看都看了

会员登录 | 用户注册

推荐阅读

import
基于dlib的人脸68特征点提取(眨眼张嘴检测)python版本

文章目录引言开发环境和库流程设计张嘴和闭眼的检测引言(1)利用Dlib官方训练好的模型“shape_predictor_68_face_landmarks.dat”进行68个点标定 ... [详细]

蜡笔小新   2023-12-12 13:27:42

import
开发笔记:加密&json&StringIO模块&BytesIO模块

篇首语：本文由编程笔记#小编为大家整理，主要介绍了加密&json&StringIO模块&BytesIO模块相关的知识，希望对你有一定的参考价值。一、加密加密 ... [详细]

蜡笔小新   2023-12-14 15:18:35

import
YOLOv7基于自己的数据集从零构建模型完整训练、推理计算超详细教程

本文介绍了关于人工智能、神经网络和深度学习的知识点，并提供了YOLOv7基于自己的数据集从零构建模型完整训练、推理计算的详细教程。文章还提到了郑州最低生活保障的话题。对于从事目标检测任务的人来说，YOLO是一个熟悉的模型。文章还提到了yolov4和yolov6的相关内容，以及选择模型的优化思路。 ... [详细]

蜡笔小新   2023-12-14 18:28:01

import
OC学习笔记之@property和@synthesize

本文介绍了OC学习笔记中的@property和@synthesize，包括属性的定义和合成的使用方法。通过示例代码详细讲解了@property和@synthesize的作用和用法。 ... [详细]

蜡笔小新   2023-12-14 12:05:06

import
关于cuowu类的错误提示和使用AdjustmentListener的问题

本文讨论了一个关于cuowu类的问题，作者在使用cuowu类时遇到了错误提示和使用AdjustmentListener的问题。文章提供了16个解决方案，并给出了两个可能导致错误的原因。 ... [详细]

蜡笔小新   2023-12-13 22:09:56

import
scrapy存入excel时，excel文件被反复擦除重写。文件大小始终不超过100k，请问这种情况改如何解决

怀疑是每次都在新建文件，具体代码如下 ... [详细]

蜡笔小新   2023-12-13 17:53:49

jar
XML介绍与使用的概述及标签规则

本文介绍了XML的基本概念和用途，包括XML的可扩展性和标签的自定义特性。同时还详细解释了XML标签的规则，包括标签的尖括号和合法标识符的组成，标签必须成对出现的原则以及特殊标签的使用方法。通过本文的阅读，读者可以对XML的基本知识有一个全面的了解。 ... [详细]

蜡笔小新   2023-12-13 17:39:50

import
不同优化算法的比较分析及实验验证

本文介绍了神经网络优化中常用的优化方法，包括学习率调整和梯度估计修正，并通过实验验证了不同优化算法的效果。实验结果表明，Adam算法在综合考虑学习率调整和梯度估计修正方面表现较好。该研究对于优化神经网络的训练过程具有指导意义。 ... [详细]

蜡笔小新   2023-12-13 16:05:14

import
Java学习笔记之面向对象编程（OOP）

本文介绍了Java学习笔记中的面向对象编程（OOP）内容，包括OOP的三大特性（封装、继承、多态）和五大原则（单一职责原则、开放封闭原则、里式替换原则、依赖倒置原则）。通过学习OOP，可以提高代码复用性、拓展性和安全性。 ... [详细]

蜡笔小新   2023-12-13 08:44:30

web
web.py开发web 第八章 Formalchemy 服务端验证方法

本文介绍了在web.py开发中使用Formalchemy进行服务端表单数据验证的方法。以User表单为例，详细说明了对各字段的验证要求，包括必填、长度限制、唯一性等。同时介绍了如何自定义验证方法来实现验证唯一性和两个密码是否相等的功能。该文提供了相关代码示例。 ... [详细]

蜡笔小新   2023-12-12 16:36:00

web
的错误消息：

ZSI.generate.Wsdl2PythonError: unsupported local simpleType restriction ... [详细]

蜡笔小新   2023-12-13 20:28:08

web
MyBatis多表查询与动态SQL使用

本文介绍了MyBatis多表查询与动态SQL的使用方法，包括一对一查询和一对多查询。同时还介绍了动态SQL的使用，包括if标签、trim标签、where标签、set标签和foreach标签的用法。文章还提供了相关的配置信息和示例代码。 ... [详细]

蜡笔小新   2023-12-12 17:12:51

web
Python爬虫技术基础篇面向对象高级编程（中）的多重继承

本文介绍了Python爬虫技术基础篇面向对象高级编程（中）中的多重继承概念。通过继承，子类可以扩展父类的功能。文章以动物类层次的设计为例，讨论了按照不同分类方式设计类层次的复杂性和多重继承的优势。最后给出了哺乳动物和鸟类的设计示例，以及能跑、能飞、宠物类和非宠物类的增加对类数量的影响。 ... [详细]

蜡笔小新   2023-12-12 16:19:02

import
使用cacti监控mssql 2005运行资源情况的操作步骤

本文介绍了使用cacti监控mssql 2005运行资源情况的操作步骤，包括安装必要的工具和驱动，测试mssql的连接，配置监控脚本等。通过php连接mssql来获取SQL 2005性能计算器的值，实现对mssql的监控。详细的操作步骤和代码请参考附件。 ... [详细]

蜡笔小新   2023-12-12 13:57:58

web
MooTools和JQuery并排 - MooTools and JQuery Side by Side

IjustinheritedsomewebpageswhichusesMooTools.IneverusedMooTools.NowIneedtoaddsomef ... [详细]

蜡笔小新   2023-12-12 13:43:58

mobiledu2502926273

这个家伙很懒，什么也没留下！

Tags | 热门标签

bit

process

search

iostream

hashset

case

substring

shell

char

javascript

replace

subset

frameworks

command

import

uri

client

httpclient

web

keyword

hashcode

metadata

include

typescript

node.js

runtime

jar

solr

testing

lua

RankList | 热门文章

1由于使用Xcode 9的系统资源不足,无法启动设备

2关于进程和内存管理的一个问题

3linux中expand与unexpand命令怎么用

4区分Linux硬链接与软链接_Linux

5linux查看磁盘挂载

6arm9，11开发过程中eclipse下载插件zylincdt出现的问题

7hybris中目录和目录感知项的概念是什么？

8怎么才能让局域网内机子不乱装软件，不乱打开网页？

9Linux下软连接（softlink）和硬连接（hardlink）的区别

10Linux 中文件名存在哪里？

11蓝鲸智云> 文档中心>快速入门

12linux /boot目录丢失后使用启动光盘修复

13“大”风渐起，新华三强翼初展

14使用OSX终端命令计算文件夹中的文件数

15linux怎么取消挂载