NET6框架基础学习

目录

1.NET6框架的优势及环境安装

2.ASP.NET6的启动流程和对比

Program.cs解释

项目结构

HomeController.cs解释

忽略文件操作

注意,删掉以下网址

4.WebAPI的理解以及与MVC的比较

Web API

项目结构

5.路由规则及自动匹配

展示网址数据

路由匹配方法

6.路由规则和路由参数

设置必传参数时

7.Vue3基础与后端跨域请求

ApiControllerAttribute特性

添加MVC文件夹

vue3 CDN

后端交互

跨域问题

8.ApiController数据源推断与post

Post请求

将Post封装

9.ApiController特性规范和数据验证

10.最标准的RESTful风格API

Put

API

webAPI请求过程

11.WebAPI中三种返回值类型的

12.MinimalAPIs

13.控制反转和依赖注入


参考网址:C#/.Net 6 WebAPI 零基础到项目实战(容器化/VUE3/SqlServer/MySQL/HTML/CSS/JS)_哔哩哔哩_bilibili

1.NET6框架的优势及环境安装

使用iis时,需要安装hosting;VS code需安装插件:c#,NuGet Package Manager GUI,solution(webapi项目)

2.ASP.NET6的启动流程和对比

创建WebAPI项目:在解决方案中右键Add new project,选择为MVC

Program.cs解释

项目结构

bin,项目编译后生成的文件:在解决方案中右键进行build

obj,中间文件,项目的配置项

Properties,启动项

wwwroot,根目录,存储静态文件

HomeController.cs解释

转到方法对应的位置快捷键:Alt+O

忽略文件操作

文件>首选项>设置>工作区

注意,删掉以下网址

默认启动项页面为Home>Index.cshtml

4.WebAPI的理解以及与MVC的比较
Web API

不包含视图,只包含控制器;本质就是一个网址,返回我们需要的数据。

ASP.NET Core支持使用C#创建RESTful服务,也称为Web API。

RESTful服务是一种通过URI实现对资源的管理及访问的架构

项目结构

WeatherForecastController.cs天气预报转到WeatherForecast.cs模型里面

5.路由规则及自动匹配
展示网址数据

启动项目之后,网址后面加WeatherForecast,或者后面加swagger

路由匹配方法

方法二

6.路由规则和路由参数
设置必传参数时

传两个参数:{i}-{name}

伪静态:传参的数值是动态改变的

7.Vue3基础与后端跨域请求
ApiControllerAttribute特性

类外面可省略,类里面不能省略Attribute

添加MVC文件夹

添加models文件夹,将WeatherForecast仪进去

添加Views文件夹,添加HTML文件

vue3 CDN

节点缓存,存有当前的一份数据缓存

 <script src="https://unpkg.com/vue@next"></script>

ref,响应式变量

后端交互

axios

<script src="https://unpkg.com/axios/dist/axios.min.js"></script>

跨域问题

在Program文件中添加

builder.Services.AddCors(c=>c.AddPolicy("any",p=>p.AllowAnyHeader().AllowAnyMethod().AllowAnyOrigin()));

在Controllers文件中添加

8.ApiController数据源推断与post

Post请求

将Post封装

需引入:using Demo.API.Models;

创建新class

9.ApiController特性规范和数据验证

注意:

作用:强行检测是否有[Route];数据验证

10.最标准的RESTful风格API
Put

API

不需要返回值

webAPI请求过程

serialize,序列化

11.WebAPI中三种返回值类型的
12.MinimalAPIs
13.控制反转和依赖注入
  • 28
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 深度学习的目标检测框架主要分为以下几类: 1. 基于卷积神经网络(CNN)的框架,如 R-CNN、Fast R-CNN、Faster R-CNN 和 Mask R-CNN。 2. 基于单阶段的框架,如 YOLO、SSD 和 RetinaNet。 3. 基于多阶段的框架,如 HybridTaskCascade。 4. 基于注意力机制的框架,如 DenseBox、AttentionNet 和 FPN-Faster R-CNN。 5. 基于轻量级网络的框架,如 MobileNet-SSD、ShuffleNet-YOLOv3 和 M2Det。 6. 其他类型的框架,如 Two-Stage Trimming、Ensemble Learning 和 Meta Learning。 ### 回答2: 深度学习的目标检测框架主要分为两大类:基于区域的目标检测方法和基于回归的目标检测方法。 基于区域的目标检测方法主要包括两个步骤:提取候选区域和对候选区域进行分类。常见的基于区域的目标检测方法包括Selective Search、EdgeBoxes等。这些方法首先通过图像分割、超像素分割等技术生成大量候选区域,然后利用深度神经网络对这些候选区域进行分类和边界框回归,判断其是否包含目标。这类方法的特点是能够精确地定位目标位置,但计算量较大。 基于回归的目标检测方法主要通过在图像中滑动一个固定大小的窗口,利用深度神经网络对每个窗口进行分类和边界框回归。这类方法主要包括基于滑动窗口的方法和基于金字塔的方法。滑动窗口方法通过在不同尺度和位置滑动窗口,利用深度神经网络对窗口内进行分类和回归。金字塔方法通过构建图像金字塔,在不同尺度上检测目标。这类方法的优点是计算效率高,但对目标大小有一定限制。 目前,基于区域的目标检测方法如Faster R-CNN、Mask R-CNN等已成为主流,它们在深度学习领域取得了重大突破。而基于回归的方法如YOLO、SSD等也在实时目标检测方面取得了很好的性能。这些目标检测框架的发展为计算机视觉领域的目标检测任务提供了强有力的工具,为实现自动化与智能化的应用提供了基础。 ### 回答3: 深度学习的目标检测框架主要分为两大类:基于两阶段的目标检测框架和基于一阶段的目标检测框架。 基于两阶段的目标检测框架,例如Faster R-CNN和Mask R-CNN,首先通过一个候选区域提取网络(Region Proposal Network,RPN)生成一系列候选框。然后,通过对这些候选框进行分类和边界框回归,实现目标的检测和定位。这种框架准确性较高,但速度较慢,适合对目标检测精度要求较高的场景。 基于一阶段的目标检测框架,例如YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector),将目标检测任务视为一个回归问题,并直接在图像中生成目标的位置和类别信息。这种框架的优势在于速度较快,适用于实时应用场景。然而,基于一阶段的框架在目标检测的精度方面可能稍逊于基于两阶段的框架。 此外,还有一些其他的目标检测框架,如Cascade R-CNN、RetinaNet等。这些框架在基于两阶段和基于一阶段的框架上进行改进和优化,以实现更高的检测精度和更快的速度。 总之,深度学习的目标检测框架以基于两阶段和基于一阶段的框架为主要分支,并在此基础上不断演化和改进,以满足不同场景对于目标检测准确性和速度的需求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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