我对于web开技术发浪潮的分析

fay,您好!

首先我有点诧异你会对这一领域(流行开发技术)感兴趣,我想象中你所关注的应该会比较底层,比较基础。
我本身在it行业中只是名业余爱好者,这里只能就自己比较熟悉的应用型软件开发技术,谈一下见解。

在现今以及未来的技术浪潮中,有两点几乎是可以肯定的。

1.Web将会崛起,Windows开始走向衰败。Windows桌面程序完全被取代是不大可能,只是很多以往的桌面软件,都会走向web化。比如说近年 来成长率奇高的Google推出的Google maps, Google Docs & Spreadsheets(web化的word和excel,http://docs.google.com/ ),又比如说国内现在挺红火的web迅雷,还有很多例子,只要留心一下很容易发现。
Web的B/S模式比起桌面的C/S模式有着跨平台、容易部署、容易更新(只要更新服务器端就可以了)等优点,而且随着Web开发技术和浏览器的不断发 展,以往浏览器作为客户端,在处理、响应用户操作方面的能力有限,而现在的浏览器表现缺变得越来越丰富。举个例子,以往的浏览器就很难实现对元素的拖拽, 但现在通过某些技术手段同样可以做到。

2.丰富的软件开发基础设施。我们拥有大量的编程语言可供选择,拥有能对这些语言的代码进行完善的错误检查工具、强大的调试工具以及自动的、可靠的性能优 化工具。编译器几乎没有bug。各种工具都有很好的文档,它们来自工具提供商、第三方书籍文章以及大量的web资源。(摘自软件工程界圣经级牛书《代码大 全2》)就是说,现在很少有项目是从头开始构建,而会选择某开发框架(如Java或.Net)作为起点。使得我们能把更多的精力投入到项目的应用功能或者 说业务逻辑中,而非技术细节。所以对于技术狂或者技术爱好者来说,这可能是一种苦力、软件蓝领。

现在的web开发技术似乎处于一个多元化的时代,不存在谁比谁更优胜,各有各的适用领域。以下谈一下自己对各类流行开发框架的评价。

J2EE(Java的企业级应用), Microsoft.Net类

此类框架同样都是有大公司在背后撑腰,都提供了丰富的类库和强大的IDE(集成开发环境);同时也拥有各自的开发者社区,提供了很多第三方的开源组件。而 有着更悠久历史的Java(10年),社区在规模会更有优势,体现在开源组件的数量和质量,以及在社区中寻求技术问题答案的难易程度。取用这类解决方案的 项目通常会有良好的结构,有成熟的设计模式供参考。适合团队开发。适合大型项目。
而使用此类框架工作的软件工程师,大致可以分成两类。一类是苦力,负责编码工作,日常工作就是把用户的需求转化为程序代码,打开框架文档查找某个类的用 法,因为框架版本的更新而要不断地学习,不断地积累经验,希望有朝能跻身第二类----即架构师或者是项目经理。进入这一层次,就可以远离代码编写工作, 平日就是制定一下项目架构,管理一下项目进度等等,简单来说就是做一个项目的头。


PHP类

开源的脚本语言,以其开灵活、高效、跨平台等优点著称,拥有一堆自己的忠实fans。根据‘Google分析’的数据显示,在世界范围来讲,php的受关 注程度介于Java与Asp.net之间,国内的话Asp.net会更受关注,大概是在国内,开源不存在优势吧。缺点是取用html页和应用逻辑嵌套的开 发方式,程序难易维护。简单来说就是不适合大型多人协作的项目。(也有反例,yahoo就是php做的。而且php现在也拥有一些符合MVC的开发框架, 来克服这类问题)

Ruby on rails,TruboGear 类新一代开源 MVC框架

借助Ruby、Python 这类新一代动态语言灵活,高度面向对象的特性,以及框架鼓励使用的MVC开发模式,使得此类框架开发效率高同时又拥有良好的可维护性。内建测试驱动、自动 构建等敏捷开发实践和内建Ajax的支持,使得这类框架符合web2.0项目的需求。可以讲是应运而生。 而正因为其“新”,所以社区资源相对比较少,而且脚本语言执行效率一直是受到质疑。总的来讲适合小型团队取用。

以上就是我浅薄的观点,希望能对你有参考意义。而关于对技术的选择,我想更多考虑的应该是学习曲线的坡度,自己所处的环境,加上个人的兴趣。



附某些专业名词的解释

*设计模式和框架
http://zhidao.baidu.com/question/13204062.html



*什么是MVC
http://zhidao.baidu.com/question/22100320.html?si=4


*什么是敏捷开发
http://zhidao.baidu.com/question/8184783.html?si=3




Ali
2007-06-03
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
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
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