存储单位,有更不伦不类的定义吗?

看到一本书中关于存储单位的定义:

存储单位是一种计量单位,指在某一领域以一个特定量或标准作为一个记录(计数)点,再以此点的某个倍数去定义另一个点,而这个点的代名词就是计数单位或存储单位

甚至在百度百科中对“存储单位”的定义也是跟上面一模一样。百度百科中还给出了出处:

62fdcbbe16e74f22a24f3d08bcbeaca7.png

不知这出处是真是假?难道给大学生看的内容都要表述得这么高大上才行吗?

其实单位这个词咱从小学到大,可能让你解释你解释不出,但心里肯定明白,根本没有必要专门叭啦一通,而且还叭啦的那么吞云吐雾。

单位就是用于计算多少的标准量,比如米就是为了计算长度为多少的标准量。所谓标准量,就是人们预先规定好的固定的量,比如米就是固定那么长,这个量是大家公认的。

所以,存储单位自然就是计算存储了多少的标准量。

这本来是很简单的概念。

然而,前面高人这段话却让人云里雾里。

老金好一通查资料,最后认定这段话看以高深莫测,实则错漏百出:只有第一个逗号之前的那11个字是没毛病的,后面简直就是一坨。

第一坨:故弄玄虚

首先来看看葫芦里的精华乳液:

指在某一领域以一个特定量或标准作为一个记录(计数)点,再以此点的某个倍数去定义另一个点,而这个点的代名词就是……。

请反复擦试乳液5遍以上,并尽量缓慢轻柔,以真切感受肌肤的颗粒度。

这真是奇葩的解释!

这段话要解释的概念肯定和某单位有关。前面说了,单位是为计算量的多少的。然而,它竞开创性地把表示多少的概念抽象成一个点;并且这个点的兄弟“另一个点”还具有神奇的技能,可以是这个点的几倍。

what?怎么感觉要理清这种关系,好像比弄明白量子力学还难呢!

老金盲猜一波,他想表达的应该是这玩艺就是一个用于测量的标准量,然后用这个标准量的倍数去表示具体的量。比如米、千米就是标准量,30米、30千米指30倍的米、千米。

第二坨:张冠李戴

且不论上面这坨精华乳液到底是什么意思,单从字面看,连一处和存储有关的表述都没有,试问它真的是在解释“存储单位”吗?

假设精华乳液真正想表达的就如老金所说,那它显然解释错了对象。它应该是对“计量单位”的解释,却张冠李戴给了“存储单位”。这就好比说:人是一种动物,指有神经、有感觉、能运动的生物。

第三坨:乱怼名词

这段话总共说了三个单位:存储单位、计量单位、计数单位。

存储单位是一种计量单位,这没错(后面会解释)。但又说“这个点的代名词就是计数单位或存储单位”。

什么?计数单位和存储单位也能混为一谈!

计指计算,数指数目,计数单位就是为了计算数目而设置的单位。比如个、十、百、千、万,这些都是计数单位。计数单位是抽象的,和实物无关,它只是单纯地表示数的大小,比如300个、300万。

量的本义是指用量具测量,因此它手里要有把标尺,比如米的长度是有标准实物的——用铂铱合金做成的一个小杆杆,叫做“米原器”。计量单位就是为了测量而设置的单位,它是具体的,和实物有关的。

举个例子,锅里的米饭,如果我们掰手指一粒一粒地数,这叫“数”,如果我们拿个碗去舀,这叫“量”。显然对于米饭来说,第二种方式更适用。正因为很多像米饭这样的东西,它们不像苹果那样,可以单纯数数就能方便地确定多少,所以才要用“量”。顺便说一下,在英文中,可以直接用“数”去衡量多少的叫“可数名词”,需要借助“量”去衡量多少的叫“不可数名词”。

存储单位是和存储量大小相关的单位,计算机存储单位一般用bit、B、KB、MB、GB、TB等表示,它是针对具体对象的,因而是一种计量单位。

综上,存储单位与计量单位是所属关系,而计数单位与计量单位是并列关系。

现在你却告诉我“这个点的代名词就是计数单位或存储单位”,额滴神啊!

 

  • 34
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供加专业和高效的服务,吸引和保留多的会员,从而在竞争激烈的
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
引用\[1\]:微人事是一个前后端分离的人力资源管理系统,项目采用 SpringBoot + Vue 开发。项目打通了前后端,并且提供了非常详尽的文档,从 Spring Boot 接口设计到前端 Vue 的开发思路,作者全部都记录在项目的 wiki 中,是不可多得的 Java 全栈学习资料。引用\[2\]:其实前后端分离本身并不难,后段提供接口,前端做数据展示,关键是这种思想。很多人做惯了前后端不分的开发,在做前后端分离的时候,很容易带进来一些前后端不分时候的开发思路,结果做出来的产品不伦不类,因此松哥这里给大家整理了几个开源的前后端分离项目,帮助大家快速掌握前后端分离开发技术栈。美人鱼 star 数 3499项目地址: https://gitee.com/mumu-osc/NiceFish。引用\[3\]:听名字就知道这是个不错的项目,事实上确实不赖。NiceFish(美人鱼) 是一个系列项目,目标是示范前后端分离的开发模式:前端浏览器、移动端、Electron 环境中的各种开发模式;后端有两个版本:SpringBoot 版本和 SpringCloud 版本,前端有 Angular 、React 以及 Electron 等版本。 针对您的问题,如果您想了解关于SpringBoot前后端分离的项目,可以考虑微人事和NiceFish这两个项目。微人事是一个人力资源管理系统,采用了SpringBoot和Vue进行开发,项目提供了详尽的文档,记录了从Spring Boot接口设计到前端Vue开发的思路,是一个非常有价值的Java全栈学习资料。而NiceFish是一个系列项目,旨在示范前后端分离的开发模式,包括前端浏览器、移动端和Electron环境中的各种开发模式,后端有SpringBoot版本和SpringCloud版本,前端有Angular、React和Electron等版本。这些项目都是开源的,可以帮助您快速掌握前后端分离开发技术栈。 #### 引用[.reference_title] - *1* *2* *3* [七个开源的 Spring Boot 前后端分离项目,一定要收藏!](https://blog.csdn.net/u012702547/article/details/100973824)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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

打赏作者

金创想

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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