- 博客(422)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 COCO 指标评估 YOLO 模型
MSCOCO是目标检测领域权威基准，其评估体系以IoU为基础，通过10个IoU阈值（0.50–0.95）平均的AP@[0.5:0.95]为核心指标，结合AP50、AP75及小/中/大目标细分指标，全面衡量模型精度与定位能力。采用101点插值法平滑PR曲线，确保评估公平性。该标准被广泛用于YOLO等模型的性能对比、论文发表与工程落地，是模型优化的关键参考。
2026-11-07 17:43:26
234
原创 数据库安全与 DBA 岗位职责练习题
数据库安全加固核心措施为修改默认端口并配置防火墙/白名单，缩小攻击面。遵循最小权限原则，禁止共用超管账号、定期回收权限。初级DBA负责巡检、备份、告警处理及慢查询排查，不涉及架构设计与高可用改造。离职人员账号须立即锁定或删除。备份后必须校验可恢复性，异地备份用于应对机房级灾难。中高级DBA侧重架构规划、容灾设计与重大变更评估。
2026-11-06 23:00:40
184
原创 YOLOv8 网络简介
YOLOv8是Ultralytics于2023年发布的新一代实时检测框架，融合C2f模块、无锚框解耦头与TaskAlignedAssigner，实现高精度与高速度平衡。支持多任务统一（检测、分割、姿态、跟踪等），提供n/s/m/l/x五种轻量至大模型版本，适用于边缘到云端全场景。具备极简API、开箱即用的训练推理能力，生态完善，但部分硬件对C2f兼容性较差，密集小目标表现略逊于锚框方案。
2026-11-06 20:34:08
479
原创 云计算三大核心服务模式（IaaS、PaaS、SaaS）
云计算三大核心服务模式（IaaS、PaaS、SaaS）IaaS 基础设施即服务（Infrastructure as a Service）PaaS 平台即服务（Platform as a Service）SaaS 软件即服务（Software as a Service）
2026-11-04 18:00:28
464
原创 五个压测工具简介
本文对比五款主流性能测试工具：JMeter（开源全能，适合接口与复杂业务压测）、sysbench（数据库基准调优标杆，轻量高效）、ab（极简HTTP压测，快速摸底）、LoadRunner（商业企业级，支持复杂场景与特殊协议）、mysqlslap（MySQL内置，快速验证并发能力）。各具优势，适用于不同场景，开发者可根据需求选择。
2026-11-04 17:09:54
179
原创 五大核心性能指标
TPS衡量每秒成功事务数，反映业务处理能力；QPS指每秒查询请求数，通常大于TPS；RT为请求响应时间，随并发上升而增加；并发用户数（VU）是同时发起请求的用户量，区别于在线用户；错误率=失败请求数/总请求数，涵盖各类异常。四者共同评估系统性能与稳定性。
2026-11-04 14:14:43
520
原创 功能测试用例设计常用方法
本文系统介绍八大测试用例设计方法：等价类划分与边界值分析适用于输入校验；场景法模拟用户真实流程；判定表法处理多条件规则；状态迁移图确保状态流转合法；正交试验法优化多筛选组合；因果图分析输入输出逻辑关系；错误推测法则依赖经验补充。实际测试中应根据场景灵活组合，如输入框用等价类+边界值，完整流程以场景法为主，复杂规则用判定表，状态机用状态迁移图，多条件组合用正交试验，逻辑约束用因果图，辅以错误推测法挖掘潜在缺陷，提升测试效率与覆盖率。
2026-11-04 11:26:29
269
原创 数据库高可用核心指标
高可用核心目标为服务不中断、故障快速恢复、数据零丢失。关键指标包括：可用率（如5个9对应年宕机≤5.26分钟）、RTO（恢复时限）、RPO（数据丢失量）；复制层面关注主从延迟、一致性等级与脑裂风险；业务侧需监控读写成功率、连接数水位、慢查询及资源负载，防范性能瓶颈与故障雪崩。
2026-11-04 09:56:19
133
原创 达梦 DM8 备份
本文对比了达梦数据库的物理备份与逻辑备份：物理备份（DMRMAN）基于数据页，支持灾备、PITR，恢复快但粒度粗；逻辑备份（dexp/dimp）导出DDL/DML，适合迁移、单对象恢复，跨版本兼容好。实操示例涵盖全量/增量备份、还原恢复流程及dexp/dimp命令，明确适用场景与优缺点。
2026-11-03 17:51:58
190
原创 DBA 分级
本文梳理了数据库管理员（DBA）从初级到专家的四级能力成长路径。初级DBA（0-2年）聚焦标准化运维与执行；中级DBA（2-5年）具备独立排障与SQL调优能力；高级DBA（5-8年）主导架构设计与容灾规划；专家级（8年以上）则承担技术战略与体系演进。各阶段职责清晰，体现从“操作”到“决策”的能力跃迁，助力企业数据库高效、安全、可持续发展。
2026-11-03 17:19:43
215
原创 深度学习中检测、识别、感知区别
项目识别（Recognition）、检测（Detection）与感知（Perception）的核心区别在于任务目标与输出信息。识别仅关注“是什么”（类别/身份），不关心位置；检测需定位“在哪里”，输出带坐标的目标框；感知则是系统级综合，融合多传感器数据，输出环境的三维状态、语义与动态信息，包含检测、识别等子任务。典型应用如自动驾驶中，感知系统通过检测行人、识别车牌、融合激光雷达数据，构建完整的环境认知。
2026-11-02 14:45:21
327
原创 达梦（DM8）数据库常用SQL
达梦数据库兼容Oracle语法，默认端口5236，无database概念，用户即schema。支持创建用户、授权、模式切换，建表用IDENTITY实现自增，分页推荐ROW_NUMBER()写法。提供序列、索引、注释、存储过程等功能，函数如SYSDATE、CONCAT、TO_CHAR等与Oracle一致，字符串拼接用||。事务管理使用COMMIT/ROLLBACK，支持dexp/dimp导出导入。建议熟悉原生语法，避免依赖兼容模式。
2026-10-31 13:06:08
380
原创 达梦数据库（DM）和MySQL核心区别
达梦数据库（DM8/DM9）是国产自研大型关系型数据库，完全自主可控，对标Oracle，广泛应用于政务、金融、电力等核心系统。与MySQL相比，达梦具备100%自研内核、更强安全能力（如国密算法、四权分立）、原生高可用集群、复杂SQL优化能力及信创适配优势；而MySQL生态丰富但开源协议有风险，安全与高可用较弱，不适用于涉密及核心业务。达梦适合信创、金融等高安全场景，MySQL则更适合互联网轻量级应用。
2026-10-31 12:49:39
163
原创 DISTINCT 和 GROUP BY 核心区别
DISTINCT用于去除查询结果中的重复行，仅实现去重；GROUP BY用于按指定字段分组，通常配合聚合函数进行统计。两者语义不同：DISTINCT对所有选中列组合去重，而GROUP BY在严格模式下要求SELECT仅包含分组字段或聚合函数。虽无聚合时结果可能相同（如SELECT name FROM student GROUP BY name等价于SELECT DISTINCT name FROM student），但业务含义迥异。使用场景上，DISTINCT适用于获取唯一值列表（如城市名），GROUP B
2026-10-19 19:51:25
189
原创 长尾分类（Long-tailed Classification）方法汇总
长尾分布下，模型易偏向头部类别，尾部召回差。主流方法分为七类：数据层面（重采样、增强）、损失函数（CBLoss、FocalLoss、BalancedSoftmax、LogitAdjustment）、特征/分类器（两阶段、解耦学习、归一化）、迁移学习（预训练+微调）、多专家模型（MoE）、知识蒸馏及其他（因果推断、半监督）。其中，两阶段+LogitAdjustment为性价比首选，解耦学习与平衡损失是核心范式。实验证明，长尾方法显著提升尾部精度，实现更均衡的分类性能。
2026-10-11 22:36:07
368
原创 数据库范式
候选码是能唯一标识元组的最小属性集，需满足闭包为全集且具有最小性。函数依赖分为完全、部分与传递依赖。关系规范化依序满足1NF（原子值）、2NF（无非主属性对码的部分依赖）、3NF（无非主属性对码的传递依赖）。判断范式需先求候选码，区分主属性与非主属性，再分析依赖类型。例如，若存在非主属性对码的部分依赖，则最高为1NF；若仅存在主属性部分依赖，则可达3NF。
2026-10-10 00:46:40
254
原创 E-R图聚集的使用
基于需求，构建E-R图：科室、医生、病人、接诊、开具为实体。医生与科室间为“所属”关系，病人与医生间通过“接诊”建立多对多联系，医生与病人通过“开具”关联药品。将“接诊”和“开具”抽象为关系实体，实现关系间的关联。通过聚集减少冗余，使系统结构清晰，支持复杂业务逻辑。
2026-10-08 00:07:05
274
原创 数据库逻辑结构设计
逻辑结构设计核心是将E-R图转换为关系模型并优化。实体转为表，属性为字段，码为键；联系按1:1、1:n、n:m分别处理。通过规范化（达3NF或BCNF）消除冗余与异常。设计用户视图满足不同需求，提升安全与易用性。定义主键、外键、检查约束等完整性规则，确保数据一致性。如学生、课程、教师等表及讲授、选修关联表，均依此原则建模。
2026-10-05 22:38:10
215
原创 消融实验对比方法
消融实验通过单一变量原则，逐步移除或替换模型模块，对比性能变化以验证组件有效性。增量式消融渐进添加模块，量化各模块贡献及协同效应；减法消融（w/o）逐个移除模块，证明其必要性；组件替换则用经典模块替代创新模块，证明设计优越性。所有实验均以完整模型为基准，保持训练、数据等条件一致，确保结论可靠。
2026-10-04 16:05:31
564
原创 常用骨干网络预训练输入尺寸
本文梳理了主流视觉模型的输入分辨率设置：EfficientNet-V1/B0-B7及V2系列分别采用224×224至600×600等不同分辨率，由官方代码硬编码定义；ResNet、MobileNet、ConvNeXt、Swin Transformer均使用224×224；ViT则提供224×224与384×384两种配置，满足不同精度需求。
2026-10-04 10:08:00
187
原创 EMA 指数滑动平均
EMA（指数滑动平均）是一种对时间序列进行平滑的统计方法，通过给近期数据赋予更高权重、远期数据权重指数衰减，实现稳定模型参数更新。其核心公式为：$\theta_{ema,t} = \beta \cdot \theta_{ema,t-1} + (1-\beta) \cdot \theta_{current,t}$，其中 $\beta$ 为衰减系数（如0.999）。该方法在深度学习中用于保持模型权重的稳定性，提升泛化能力。代码实现中，需在每轮 optimizer.step() 后调用 ema.update(mo
2026-10-03 23:00:51
253
原创 MySQL 数据库和表的管理操作（命令行）
本文简要介绍MySQL基本操作：通过命令行登录与退出，管理数据库（查看、创建、修改、删除），并进行数据表操作（创建、查看结构、修改字段、重命名及删除）。重点包括使用utf8mb4字符集支持中文和表情符号，以及常用SQL语句如SHOW DATABASES、USE、DESC、ALTER TABLE等，适用于初学者快速上手MySQL基础管理。
2026-09-14 21:37:23
71
原创 torch.nan_to_num 函数
torch.nan_to_num用于将张量中的NaN、正无穷、负无穷替换为指定值，防止异常值污染计算。默认用0.0替换NaN，用对应数据类型最大/最小有限值处理无穷。常用于损失计算前清理预测值、归一化后防除零错误、混合精度训练防溢出及数据预处理，保障模型训练稳定。
2026-09-12 23:34:45
110
原创 MySQL 8.4 LTS 完整安装教程
MySQL 8.4为长期支持版，推荐开发与生产使用。Windows MS1安装首选：官网下载免注册，双击MSI文件，选择开发机类型，设置root密码，配置端口3306，勾选TCP/IP，一路Next完成安装。启用开机自启，配置环境变量可全局调用mysql命令。验证时输入mysql -V及mysql -uroot -p，成功显示mysql>即安装完成。
2026-09-09 19:20:53
592
原创 EfficientNet 模型的复合缩放方法
EfficientNet是一种轻量化CNN，核心是复合缩放，通过同时调整深度、宽度、分辨率，用更少参数超越传统模型。基准B0使用NAS和MBConv模块，含SE注意力。B0-B7逐步缩放，性能在ImageNet上优越，精度高且计算高效。需要浓缩成150字内。</think>EfficientNet是Google提出的轻量化卷积神经网络，核心创新为复合缩放：按固定比例同步调整深度、宽度和分辨率，避免单一维度缩放导致的精度饱和。以
2026-09-08 22:50:26
723
原创 数据库三个世界
数据库抽象过程为现实世界→信息世界（概念模型）→计算机世界（数据模型）。现实世界是客观事物；信息世界用E-R图描述实体、属性、联系；计算机世界以关系表实现，元组对应实体，字段对应属性，主键对应码，外键实现联系。三层间存在明确映射，是数据库设计的核心思路。
2026-09-07 23:28:19
332
原创 数据库系统的三级模式和二级映像
数据库三级模式从外到内为外模式、模式、内模式：外模式是用户可见的局部数据视图，可有多个；模式描述全局逻辑结构，仅一个；内模式描述物理存储。二级映像实现独立性：外模式/模式映像保证逻辑独立性，模式/内模式映像保证物理独立性。
2026-09-07 17:32:23
234
原创 数据库管理系统的主要功能
DBMS是管理数据库的系统软件，如MySQL、Oracle，功能包括DDL、DML、DCL、TCL及维护；隔离用户与磁盘，实现共享、减少冗余、保证安全，支持并发。区分DB、DBMS、DBS、DBA。习题答案：B、C。
2026-09-07 15:58:18
248
原创 数据库系统（DBS）的组成
数据库系统由数据库、硬件、软件、人员四部分组成。数据库是结构化、可共享的数据集合；硬件包括服务器、存储和网络；软件以DBMS为核心，负责定义、操纵、控制、维护数据；人员包括DBA、设计人员、程序员和最终用户。核心软件是DBMS。
2026-09-07 15:02:40
351
原创 多输出头多任务网络
多输出头多任务以共享主干提取通用特征，各任务用独立轻量头并行输出，如检测、分割等；损失为各任务加权求和。相比多个单任务网络，只需一次前向、一套Backbone，显著降低算力与参数量，实现多任务联合训练与推理。
2026-09-02 21:46:39
267
原创 简要介绍 torchvision.datasets.ImageFolder
torchvision.datasets.ImageFolder按文件夹自动读取图像分类数据集，要求root下每个子文件夹为一类，自动生成数字标签。可设置transform做预处理，返回(image,label)及classes、class_to_idx属性，常配合DataLoader批量训练。
2026-09-01 23:34:01
292
原创 pip 使用国内镜像源完整教程
本文介绍了pip使用国内镜像的四种方法：临时安装指定镜像、修改配置文件永久设置、命令行一键配置（pip≥10），并列出清华、阿里云等常用镜像地址，方便用户加速Python包下载。
2026-08-31 20:42:48
340
原创 英语 1‑12 月单词联想记忆
英语 1‑12 月单词联想记忆一月Janus两面看，二月Fe-bu扫除忙。三月Mars战神冲，四月A-pri花朵放。五月May是美娘，六月Ju-ne嫁新郎。七月Ju-ly凯撒王，八月Au-gust热得慌。九月S-数字7（但其实9），十月O-数字8（其实是10）。十一月N-数字9，十二月D-数字10，九月到十二月，尾巴全是-ber响。
2026-08-29 15:55:19
575
原创 BDD100K 数据集介绍
BDD100K 是伯克利大学发布的大规模自动驾驶公开数据集，包含 10 万张城市道路图像，划分为训练集、验证集与测试集。该数据集采集于真实交通场景，覆盖白天、夜晚、雨雪雾等多种天气与光照条件，提供 2D 目标检测、车道线、可行驶区域、实例分割等多任务像素级标注。相较于 KITTI 等传统数据集，BDD100K 拥有大量夜间、恶劣光照样本，适合自动驾驶多任务感知算法的训练与验证，广泛应用于目标检测、车道线检测、可行驶区域分割等方向研究。
2026-08-29 00:05:13
602
原创 Sigmoid 与 Tanh 激活函数（S 型饱和激活函数）
Sigmoid与Tanh激活函数对比分析（150字） Sigmoid和Tanh都是经典的S型激活函数，但都存在梯度消失问题。Sigmoid输出0-1范围，适合二分类输出层，但非零均值和最大0.25的梯度限制了训练效率。Tanh改进为零均值输出（-1到1），梯度上限提升至1，在早期RNN中表现更好，但仍无法避免饱和区的梯度消失。二者均因指数运算导致计算开销较大。现代深层网络已普遍采用ReLU系列替代它们作为隐藏层激活函数，仅Sigmoid仍保留在二分类输出层使用。理解这两种函数的特性对掌握神经网络优化至关重要
2026-08-21 21:45:40
428
原创 PyTorch CosineAnnealingLR的T_max和eta_min参数设置
本文介绍了深度学习中的余弦退火学习率调度器(CosineAnnealingLR)。该调度器通过余弦函数平滑调整学习率，公式为η_t=η_min+0.5(η_max-η_min)(1+cos(tπ/T_max))。关键参数包括T_max(周期长度)和eta_min(最小学习率)，T_max可设为总迭代步数或epoch数，对应不同的调用方式。eta_min通常设为1e-6以避免训练末期学习率归零。文章详细说明了两种T_max配置的适用场景和调用时机，并给出了PyTorch实现示例，强调CV任务推荐eta_min
2026-08-21 00:08:05
408
原创 YOLO 系列算法版本概述
【摘要】YOLO系列是单阶段目标检测算法的代表，从2015年v1版本到2026年YOLO26经历了多次迭代演进。核心发展路径包括：v3奠定多尺度检测框架，v5成为工业级爆款，v8实现多任务统一，v10首创无NMS端到端检测，YOLO11达到精度与速度平衡，YOLO26专为边缘计算优化。不同版本各有侧重：v3/v5适合学习基础，v8/v11推荐新手和通用场景，v10适用于实时系统，YOLO26主打嵌入式部署。版本选择需权衡精度、速度、部署难度等要素，如科研创新推荐v9/v11，工业落地首选v11，边缘设备选择
2026-08-19 14:45:48
593
原创 UFLDv2 混合锚点（Hybrid Anchor）原理
摘要：UFLDv2针对v1版本单一行锚的误差放大问题提出混合锚点方案。通过分析车道角度与定位误差关系，发现行锚在垂直车道（自车道）表现好，但在倾斜的侧边车道误差显著放大。v2创新性采用行锚（处理自车道）与列锚（处理侧边车道）的互补组合，配合有序分类机制提升坐标连续性，实现四条车道均衡检测。该方法在CULane数据集上F1提升至76.0（ResNet34），弯道和遮挡场景表现改善，且保持实时性。核心突破在于通过几何特性分析设计锚点分配策略，结合双分支预测结构实现误差互补。
2026-08-02 08:40:32
449
原创 Grad-CAM热力图可视化神器
Grad-CAM是一种可视化CNN决策过程的工具，通过热力图展示模型预测时关注的图像区域（红色为关键区域）。相比传统CAM，它无需修改网络结构即可应用于各类CNN模型（如VGG、ResNet）。其工作原理是：前向传播获取特征图，反向传播计算类别梯度，加权生成热力图并上采样叠加原图。典型案例显示它能区分不同类别关注区域（如猫/狗）。在车道线检测中，可验证模型是否聚焦真实车道特征，评估模块改进效果，增强论文可解释性。该技术如同"阅卷批注"，直观揭示模型的决策依据。
2026-08-01 10:37:50
411
《鸿蒙HarmonyOS应用开发》 第8章 ArkWeb.pptx
2026-05-15
dtu 多视图立体重建数据集
2026-05-15
PCL-1.8.1-AllInOne-msvc20，PCL(Point Cloud Library)安装包
2024-12-30
navicat111-premium-cs-x64.exeNavicat客户端Mysql可视化工具Navicat安装
2024-02-16
CNI plugins v0.8.6，k8s安装flannel等插件
2022-11-04
Inkscape是一款自由及开源的矢量图形编辑软件，图片格式转换eps，用于论文写作图片格式转换
2022-04-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人