web

最新推荐文章于 2024-04-22 14:27:58 发布
最新推荐文章于 2024-04-22 14:27:58 发布
阅读量443 收藏
点赞数
WEB开发 – 码农网

分类“WEB开发”的内容

PHP 内核分析：Zend 虚拟机

PHP 内核分析：Zend 虚拟机

0人评论
PHP 是一门解释型的语言。诸如 Java、Python、Ruby、Javascript 等解释型语言，我们编写的代码不会被编译成机器码运行，而是…
Google Python 编程风格指南

Google Python 编程风格指南

0人评论
背景 Python 是 Google主要的脚本语言。这本风格指南主要包含的是针对python的编程准则。 为帮助读者能够将代码准确格式化，…
JavaScript 模块化简析

JavaScript 模块化简析

0人评论
前言 关于模块化，最直接的表现就是我们写的 require 和 import 关键字，如果查阅相关资料，就一定会遇到 CommonJS 、CMD AMD…
1 2 3 … 下一页

(adsbygoogle = window.adsbygoogle || []).push({});
var cpro_id="u2191321"; (window["cproStyleApi"] = window["cproStyleApi"] || {})[cpro_id]={at:"3",rsi0:"300",rsi1:"250",pat:"17",tn:"baiduCustNativeAD",rss1:"#FFFFFF",conBW:"1",adp:"1",ptt:"0",titFF:"%E5%BE%AE%E8%BD%AF%E9%9B%85%E9%BB%91",titFS:"14",rss2:"#000000",titSU:"0"}

热门文章

var cpro_id="u2509144"; (window["cproStyleApi"] = window["cproStyleApi"] || {})[cpro_id]={at:"3",rsi0:"300",rsi1:"250",pat:"17",tn:"baiduCustNativeAD",rss1:"#FFFFFF",conBW:"1",adp:"1",ptt:"0",titFF:"%E5%BE%AE%E8%BD%AF%E9%9B%85%E9%BB%91",titFS:"14",rss2:"#000000",titSU:"0"}

职场人生

我在编程中遇到了一个问题？

我要提问

热门栏目订阅

var cpro_id="u2518649"; (window["cproStyleApi"] = window["cproStyleApi"] || {})[cpro_id]={at:"3",rsi0:"160",rsi1:"600",pat:"6",tn:"baiduCustNativeAD",rss1:"#FFFFFF",conBW:"1",adp:"1",ptt:"0",titFF:"%E5%BE%AE%E8%BD%AF%E9%9B%85%E9%BB%91",titFS:"14",rss2:"#000000",titSU:"0",ptbg:"90",piw:"0",pih:"0",ptp:"0"}

关注我们的微博

width="100%" height="80" class="share_self" scrolling="no" src="http://widget.weibo.com/weiboshow/index.php?language=&width=0&height=80&fansRow=2&ptype=1&speed=0&skin=1&isTitle=0&noborder=0&isWeibo=0&isFans=0&uid=2832482174&verifier=d71718ca&dpc=1">

付费投稿计划
点击查看详情

window._bd_share_config = { common : { bdSnsKey:{"tsina":"1527345946"}, bdUrl : 'http://www.codeceo.com/article/php-zend-vm.html' }, share : [{ "bdSize" : 16 }] } with(document)0[(getElementsByTagName('head')[0]||body).appendChild(createElement('script')).src='http://bdimg.share.baidu.com/static/api/js/share.js?cdnversion='+~(-new Date()/36e5)]; ScrollFloatPanel("fixedNav","nav_scroll");
var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "//hm.baidu.com/hm.js?af429ff7a5d8173130dceafabcc90a92"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })();


AAAABBBB_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ctfshow web入门 爆破
ccfly1012的博客
08-13 2599
目录 web21 web22 web23 web24 web25 web26 web27 web28 web21 custom iterator 随便输入一个密码，然后抓包，会是这样 会发现一个base64编码，解码发现它的形式为——admin：密码 所以在这个时候，我们要用自定义迭代器 第一段为admin 第二段为“:” 第三段为题目附件下载的密码 特别注意的是，要进行base64加密 而且不能进行字符url编码,因为，在base64加密后，
最火前端Web组态软件(可视化)
热门推荐
前端-尔嵘
11-14 5万+
随着物联网、大数据等技术高速发展，我们逐步向数字化、可视化的人工智能（AI）时代的方向不断迈进。智能时代是工业 4.0 时代，我国工业领域正努力从“制造”迈向“智造”的新跨越。
WEB基础知识
程序员小章的博客
09-23 4673
WEB基础知识 什么是web web（World Wide Web）即全球广域网，也称为万维网，它是一种基于超文本和HTTP的、全球性的、动态交互的、跨平台的分布式图形信息系统。是建立在Internet上的一种网络服务，为浏览者在Internet上查找和浏览信息提供了图形化的、易于访问的直观界面，其中的文档及超级链接将Internet上的信息节点组织成一个互为关联的网状结构。 web发展史 起源 1989年CERN（欧洲粒子物理研究所）中由Tim Berners-Lee领导的小组提交了一个针对Interne
WEB3常用名词整理
suwu150
04-12 2684
流动性挖矿 (Liquidity Mining 或 Yield Farming)：一种DeFi领域的创新，用户通过向去中心化交易所（DEX）的资金池提供资金以获得LP代币，从而获得交易费用作为回报。DEX (去中心化交易所)：DeFi领域中的去中心化市场，用户可以直接交易加密资产，无需中心化的机构。衍生品 (DeFi中的衍生品)：类似于传统金融中的衍生品，允许用户投资与其他资产（如股票）挂钩的代币。LAYER2 (二层网络)：旨在减少以太坊手续费和加快交易速度的衍生链，也是区块扩容的一种方案。
web一些实用的网址（免费API、美图、实用工具）
Serena_tz的博客
07-15 3万+
高速稳定免费APi接口调用平台、保罗 API、墨天逸— 随机图片API、网易云音乐 API、韩小韩API接口站、Ten▪Api免费提供Api服务、AI人工智能图片放大、头像壁纸、小森平的免费下载音效、时光邮局、在线工具、键盘按键值、在线生成uuid、书签地球草料二维码等、爱资料工具
ctfshow—web151-160
akxnxbshai的博客
02-04 1932
目录 Web 151-152 Web 153 Web 154 Web 155 Web 156 Web 157-159 Web 160 Web 151-152 直接上传文件，然后抓包改后缀 再用蚁剑连一下，找到flag即可 Web 153 php文件无法上传。 发现服务器是nginx，考点是上传.user.ini配置文件，upload文件夹自带一个index.php，使其预加载木马 先后上传文件.user.ini和1.txt(注意抓包改名称) 两个上传后访问/uplo
ctfshow 日志包含Web80-81
m0_62584974的博客
04-16 6263
2022/4/16 题目过滤了php和data，我们这次要用日志文件包含 先抓包 nginx日志的默认路径为/var/log/nginx. ssh日志的默认路径为/var/log/auth.log SSH服务如果开启了日志记录功能，会将SSH的连接日志记录到SSH日志文件中（题目是nginx日志）日志文件包含的漏洞的利用条件是:日志路径已知,并且有可读权限。日志文件的默认路径为上述 现在要将恶意代码写入日志文件 /?file=/var/log/nginx/access.log &
使用Docker部署web项目
H_porridge的博客
03-20 1万+
1、简介 本片文章主要介绍如何使用docker部署web项目。关于docker的安装及基本使用在笔者的另一篇文章中有相关的介绍。 链接 https://blog.csdn.net/H_porridge/article/details/123609120 2.准备一个web项目 自己有项目的可以用自己项目来部署，笔者此处也有一个web项目 https://pan.baidu.com/s/1l8ajTBvBU2Qw80JU-esbsw 提取码：1234 文件内容： 接着存放到操作系统中 3.部署mys
.Net4.0 Web.config 配置实践
初九之潜龙勿用
04-22 3100
讲解 Web.config 的在实践应用中的配置，并提供一个 C# 动态操作配置文件的方法。
web 登陆页面
DONGbala_A的博客
03-24 1万+
web程序设计的登陆页面，仅供参考
Axure 8 Web前端+后台+移动前端 元件库
09-06
Axure 8 Web前端+后台+移动前端 元件库是一个专门为产品经理和交互设计师准备的资源集合，旨在帮助他们在设计过程中快速构建清晰、高效的原型。这个元件库包含了各种Web前端、后台管理界面以及移动前端的组件，使得...
海康摄像头web的demo 完整源码，描述有使用详情
02-13
海康摄像头web开发是针对海康威视摄像头设备进行网络化控制和数据传输的一种技术实现。这个"海康摄像头web的demo 完整源码"提供了实现这一功能的基础框架，适用于那些希望集成海康摄像头到自己的web应用中的开发者。...
Python学生管理系统（web网页版）
11-02
Python学生管理系统（web网页版），前面发布了python的控制台版本的学生管理系统和使用tkinter界面版的学生管理系统，这次是使用Django开发基于学生的实体类的增删改查，里面包含项目演示录屏和完整的项目源码与...
web前端网页设计作品web期末大作业web前端作业网页制作代码web大作业制作网页代码
07-10
本资源就可以为你解决你所面临的这些问题，原始HTML+CSS+JS页面设计, web大学生网页设计作业源码，这是一个不错的网页制作资源合集，画面精美，非常适合初学者学习使用。 多套(HTML+CSS+JS)网页设计的学生期末大...
ntko插件web版，插件
03-02
NTKO（New Technology Kernel Object）插件是一款专为Web应用设计的软件组件，它主要功能是提供文档在线预览、编辑、转换以及签名等服务。这个插件在Web环境中为用户提供了与桌面应用相似的文档处理能力，极大地提升...
(基于分水岭算法的粘连目标检测).zip
09-06
1 目标检测的定义 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。 常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下： 设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序，选中值最大的框 遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别） 从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）： 当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R
硕士毕业设计，水稻害虫识别，水稻病害分类，虫情测报灯害虫监测。.zip
最新发布
09-06
图像识别技术在病虫害检测中的应用是一个快速发展的领域，它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分： 1. **数据收集**：首先需要收集大量的植物图像数据，这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**：对收集到的图像进行处理，以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**：从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**：使用机器学习算法（如支持向量机、随机森林、卷积神经网络等）来训练模型。训练过程中，算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**：在独立的测试集上验证模型的性能，以确保其准确性和泛化能力。 6. **部署和应用**：将训练好的模型部署到实际的病虫害检测系统中，可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**：在实际应用中，系统可以实时接收植物图像，并快速给出病虫害的检测结果。 8. **持续学习**：随着时间的推移，系统可以不断学习新的病虫害样本，以提高其识别能力。 9. **用户界面**：为了方便用户使用，通常会有一个用户友好的界面，显示检测结果，并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害，甚至在早期阶段就能发现问题，从而及时采取措施。此外，它还可以减少对化学农药的依赖，支持可持续农业发展。随着技术的不断进步，图像识别在病虫害检测中的应用将越来越广泛。
基于python3.8部署mjpg-streamer服务器，结合yolov5算法实现目标检测.zip
09-06
1 目标检测的定义 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。 常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下： 设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序，选中值最大的框 遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别） 从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）： 当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R
无人机技术应用资料文档合集14篇.zip
09-06
无人机培训课件：无人机导航技术 无人机技术在管道巡检中的应用 无人机技术在婚礼摄影中的应用 无人机技术的救援应用 无人机技术的消防应用 无人机技术在军队的应用 农业无人机技术应用 无人机技术的创新与应用 无人机行业应用与发展无人机发展 无人机技术在农业中的应用 GIS与无人机技术的协同应用 无人机摄像技术的发展与应用 军事无人机技术的发展与应用 无人机技术与应用 无人机应用无人机技术的市场前景
智能Web算法详解
"Web智能算法相关的书籍" 在信息技术领域，Web智能算法是研究和开发智能应用程序的关键组成部分，这些程序能够从海量的网络数据中学习、推理并做出决策。"AlgorithmsoftheIntelligentWeb"是由Haralambos Marmanis和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值