HTTP Head中的Last-Modified-Since精度只能到秒

有一需求,使用HTTP Request头中Last-Modified-Since在请求中上传请求时间。在REST服务端需要利用HTTP 200和304(SC_NOT_MODIFIED)来返回REST接口的返回HTTP响应码。

比如(T1,T2,T3,T4)。如果用户连续请求,四个时间点返回200响应码,并且返回结果不同,同时将时间点写入HTTP Response中的Last-Modified中返回;在时间点区间内,返回304。

这涉及到四个时间点|系统当前时间|浏览器Last-Modified-Since三个时间的比较。

后来发现无论如何设计HTTP Response中的Last-Modified,浏览器传上来的Last-Modified-Since转换为long型后,最后三位都是0,即只能精确到秒,不能精确到毫秒。

代码中只能按这种方式进行判断。

clientLastModified >= ((validTimeArr[index] / 1000) * 1000


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YoloV7是一个深度学习模型,主要用于目标检测。其head结构是YoloV7模型非常重要的一部分,它负责将从骨干网络提取的特征图转换为目标检测的输出。在本文,我们将详细讨论YoloV7head结构。 1. YoloV7的head结构基础 在YoloV7head结构主要由三个部分组成:第一个部分是一个卷积层,用于进一步提取特征;第二个部分是一个全局平均池化层,用于将特征图压缩成一个特征向量;第三个部分是一个全连接层,用于将这个特征向量转换为目标检测的输出。 2. 卷积层 卷积层是head结构最简单的一部分。它的主要作用是进一步提取特征。在YoloV7,卷积层的输入是从骨干网络提取的特征图,输出是一个新的特征图,它的深度通常比输入特征图要大。 卷积层的具体结构可以根据实际需求进行设计。在YoloV7,卷积层通常采用3x3的卷积核,并且使用ReLU激活函数。 3. 全局平均池化层 全局平均池化层是head结构非常重要的一部分。它的主要作用是将特征图压缩成一个特征向量,使得整个模型的输出更加紧凑。 在YoloV7,全局平均池化层的输入是卷积层的输出特征图,输出是一个包含所有通道的平均值的向量。 4. 全连接层 全连接层是head结构最后一部分。它的主要作用是将全局平均池化层输出的特征向量转换为目标检测的输出。 在YoloV7,全连接层通常是一个非常大的矩阵,其维度通常是输出类别数目的几倍。在这个矩阵,每一行对应一个类别,每一列对应一个边界框属性(如心坐标、宽度、高度等)。每个元素的值表示该类别对应的边界框属性的权重。 5. 目标检测的输出 最终,head结构将全局平均池化层输出的特征向量转换为目标检测的输出。在YoloV7,目标检测的输出通常是一个张量,其维度为(batch_size, num_boxes, num_classes+5),其batch_size表示批次大小,num_boxes表示每个图像的边界框数目,num_classes表示类别数目。 具体来说,对于每个边界框,目标检测的输出包括以下属性: - 心坐标x和y - 边界框的宽度和高度 - 边界框的置信度 - 每个类别的概率分数 6. 总结 在YoloV7模型head结构是非常重要的一部分。它负责将骨干网络提取的特征图转换为目标检测的输出。head结构主要由卷积层、全局平均池化层和全连接层组成。通过这些层的组合,YoloV7可以实现高效的目标检测,具有非常好的性能和精度
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