rails cookbook

[color=olive][size=large][color=cyan] 利用周六周日开来一本《rails cookbook》的中文版,这本书不仅适合初学者浏览,更适合在使用rails正在进行开发的人学习,这本书纯粹的时 rials 介绍的书籍,主要讲解 rails 在开发中的敏捷,高效,以及神奇般的魔法。
rails 给你创建的工程是非常标准的MVC模式。首先是在 Active Record 中建立数据库,数据库的迁移 ,建模,访问你的数据库, 等等,还有 神奇的 acts_as_* 系列的使用,比如 acts_as_list
可以给你的 模型添加排序功能, acts_as_tree 创建一个嵌套主题的目录。等。
在 Action controller 大家很熟悉的 , 我记得当初刚刚学习 用 rails 作ruby 程序的时候,好像什么 代码都写在 控制层了,这就足够说明了 ,controller 这里很好让我们接受, 在这里就讲解很多了,简单的说一下吧, 利用 flash 显示提示消息, action 的 redirect_to 的重定向,还有 render
的模版渲染方法, 初学者经常搞不清楚 这两个关系,不明白什么时候使用重定向 什么时候用渲染, 我当时学习的时候也问过这个问题,有的时候这两个都有效,那么我就解释一下,如果你不想让刷新操作再次激发一个能给你的模型造成修改的动作,那么请使用 redirect_to 。如果想使用一个搜索形式的URL(/book/search) 而且希望这一URl 保持不变,而且搜索的结果用一个新的动作显示,请使用 render
,有的时候二者皆可以, 最好使用render 应为 它比热redirect_to 更快, 应为这样不用重新加载环境。controller 里经常会使用到的过滤 ,使用过滤惊醒验证等,
在 action View 视图模块里面的方法, 一开写程序的时候,很多逻辑代码,都写在了view 页面了,但是不到一个月就被骂得要死,后来很多代码都写在 helper下才是规范的,是的,这样代码的重用性很高, 页面很整齐,看起来很整洁,都是函数的简单调用而已,只是一种要培养的习惯,也是一种能力,到时候修改代码也是方便,只要 一search 的方法找到修改就是了。
真本书还讲到了 RESTful 的开发,rails 支持的MIME 类型,例如加入自己定义的一种类型,
在 config/environment.rb 文件中
Mine ::Type。register“text/x-vcard ”,: vcard

在controller 中必须在 respond_to 代码块中使用,
def show
@user= User.find(:all)
respond_to do |format|
format.vcard{ render :inline => @user.to_vcard}
end
end


我只是在这里说一些经常使用的东西,要想真正的系统学习还得看书,要想精通必须使用,我在这里只是提供者方面的建议,最好看看这本书,很多是开发的技巧,这样会叫开发人员方便快捷的进行WEB开发。
记得《rails cookbook》 中文版,不过上面的 rails 版本还是 1.2 的,有些在2.0 里没有了,如果是你还没有升级 那就没问题.[/color][/size][/color]
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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