shy2218的博客

原创 项目实训记录12--发布标准

难点：1. 如何做到表的信息和表内容信息按树形结构展示2. 如何做到选择单表，内部所有表项均被选择，以及点击最上面的多选框所有都被选择过程1：定义一个可以进行层级的数据结构过程2：在查找所有chart信息时，就开始嵌套。首先获取所有的Chart，根据该表id获取该表的表项，并在该表项的token字端加上表id-字段id，并把该表的meta放入该表的children字段过程三：前端获取信息表的token是表id而meta的token是表id-metaid过程四：前端解析

原创 项目实训记录7--插入时标准的判断

一、 前端需要做的管理员端：添加增加标准的功能1. 选择数据库2. 选择表3. 选择字段4. 添加标准--添加标准时需要将诸如身份证号，手机号常见标准贴出，实际还是要输入字符串用户端：最好在插入时就把这个表可视化的做出来二、后端需要做的1. 在pinfo表里加入 chartsid和dbid字段，方便查找2. 在n_n_meta的表里添加zhengze字段，即存放标准的地方3. 阅读同学的代码，在合适的位置对存在正则表达式进行判别用户上传jsonUserJsonController 响应/uploadData

原创 项目实训记录11--对于单表的去重

1. 点击去重--或管理员将编辑为不允许重复时允许 1 不允许 0模块一：点击去重按钮需要有dbname 和chartname输出 重复的反馈 选择去重或保留过程一：获取表id和数据库id过程二：获取表name和数据库name后，查找单条的idSQL：差不多这样 需要获取的是本表的meta信息 在拿出来后给去重叭过程三：获取所有的id过程四：java做差集，得到了需要清洗的id值过程五：这里考虑到是否展示时需要展示所有的，可以查询所有的然后把需要删除的id的value+需要删除

原创 软件测试记录

名词解释问答 贯穿在各个章节里测试方法 占60分大头 只有是有例题的都要会c1：不是纯粹记忆，需要理解学科发展：由测试技术提到体系1.调试和测试之间关系和区别2.正向和逆向思维 强调测试的方法评估和预防：质量保证软件测试的定义：给了很多参考 可以选择一个作答软件测试和开发的关系 重点关注改进的V模型 构建过程 验证过程 以测试为导向还有是双V W模型 注意区别 两个团队（开发，测试）并行测试和质量保证的关系什么叫质量保证测试驱动开发：适用于探索性开发或编写新东西的开发c2什么事缺陷什么事软件质量MCCALL

原创 项目实训10--对清洗出的数据做删除或保留操作

做如下操作：1. 删除：将数据库name，表name，id发后端 删除之前先备份先在后端将需要的name什么的传回来2. 保留：一条notify前端的发送：备份+删除拓展：选择行进行删除--如何实现？能知道这一行的所有信息，可以使用对应id删除法...

原创 项目实训记录9--更改规则后对数据进行清洗

目标实现：更改or重设标准后（当改为F时不做此操作）1. 对该表已有数据进行清洗2. 找出不符合规则的数据--展示Dialog 选择是否删除 若删除则对删除前的备份过程一：触发地：修改的确认键难点：返回什么？修改时的限定：限定了某个表--可以得到meta过程二：确定返回形式过程三：在修改成功且不是修改为F的时候做注意：还要与原来的不一样，因此要先找一下原来的正则表达式过程四：清洗目的1：找到与遭修改的表内所有信息--仅仅可以找到对应列的id 先存一下前序：获取dbname和chartnam

原创 项目实训记录8--上传、下载数据界面的可视化

希望出现的：输入：aid输出：以上的信息aid-pid-（数据库-aid 里找字段英文名和字段描述）过程一：aid-pid过程二：getPDetail 至此。表英文名，字段英文名，字段类型均有了，现在需要的是字段描述和正则表达式限制，因此需要获取n-n-meta表，表的id需要获取，先做一个mapper key为chartname，value为list<PDetail> 至此，一个mapper已做好 过程三：表名-表id输入：表名，数据库id输出：表id过

原创 项目实训记录6-申请的时效性

时效性：用户应可以看到本次申请所剩余的时效性该时效性应该可以决定用户是否可以插入或获取，所以在json解析那里应该做相应的判断时效性开始与结束–是否需要使用java前端：获取本人的申请时效性时需要做每行的倒计时：https://blog.csdn.net/ciichen/article/details/108683340?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~def

原创 项目实训记录5-开发记录

根据id找数据库里的表以及表的元信息返回表的list选择的时候怎么区分？选择的是id对路线：数据库id–数据库id对应的表–取里面的id和描述–找meta表在service里做这些操作

原创 Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读3-代码分析

原创 项目实训记录4--json与SQL1

管理员发布json标准从前端获取可以从前端获取的就是json格式的，只到具体信息一栏- 数据库id，数据库名- 数据表id，数据表名- 表内列id，表内列名2.按照如下json格式生成标准json串，整体拼接可得{type：insert/select数据库名：涉及表名：a,b,c详细信息：{a：{a1:int,a2:float}b：{b1:int,b2:float}c：{c1:int,c2:float}} }生成标准详细表 命名：Standrad+标准id思路

原创 Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读2

膨胀卷积Dilated Convolution是在标准卷积的Convolution map的基础上注入空洞，以此来增加感受野（reception field）。因此，Dilated Convolution在Standard Convolution的基础上又多了一个超参数（hyper-parameter）称之为膨胀率（dilation rate），该超参数指的是kerne的间隔数量。论文相关...

原创 基于自然语言的多尺度二维时间相邻网络时刻定位论文阅读

本文任务检索由查询指定的视频最佳匹配时段。符号说明V：未修剪的视频xi代表视频中的帧lV代表视频的帧的总数S：查询序列si 代表单个单词ls代表单词的总数目M：最佳匹配时段 使用xi xj分别表示开始和结束帧对序列嵌入的语言表示提取查询语句的特征对于输入句子S中的每个单词Si通过word2vec模型输入其嵌入矢量dS是向量的长度2. 将单词嵌入输入三层双向LSTM网络3. 使用平均输出作为输入句子的特征表示。4. 提取的特征对查询语句的语言结构进行编码，从而描述感

原创 机器学习环境搭建--cuda相关

CUDA是什么？CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 （以上解释来自百度词条）查看CUDA版本选择合适的Pytorch官网链接：https://pytorch.org/由于我的cuda版本是11.1，且这里显示请用cuda11.3，我们选择下部的

原创 Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读1

各类标志未修剪的视频集合代表第k个视频。对于第k个视频有多少个查询。对于一个视频的查询集。由人员标定的，第k个视频，针对查询集的所有目标片段。第j个目标片段的开始时间和结束时间。训练好的跨模态哈希网络的出的候选时刻集。由C3D产生的第k个视频的局部特征集合，Rx是VEN：采用C3D模型获取局部特征结合Bi-TCN模型，捕获对应的前上下文和后上下文信息来学习局部特征。上图是一个3层Bi-TCN，第k个视频的每个元素经过三层一维的膨胀卷积处理后，将两个方向的上下文进行

原创 Dynamic Modality Interaction Modeling for Image-Text Retrieval论文阅读1--至3.2

图像-文本检索的动态模态交互建模难点：模态内推理：识别和理解视觉情态或语篇情态中的各种关系。—模态内跨模态对齐：将不同模态的关系相匹配。–模态间现有模式：严重依赖专家经验和经验反馈，缺乏灵活性现有模型是静态的，即所有样本都经过相同的固定计算流程，导致即使是简单的图像-文本对也会被复杂的交互模式处理。DIME本文开发：基于路由机制的新型模态交互建模网络四种类型的单元作为基本单元：探索不同层次的模态交互，以密集策略连接起来，构建路由空间。为了使模型具有路径探索能力：在每个单元中集成动

原创 机器学习入门记录2-CNN

卷积神经网络 CNN模型结构：输入层，卷积层，池化层，输出层(全连接层+softmax layer)总有至少1个的卷积层，用以提取特征。卷积层级之间的神经元是局部连接和权值共享，这样的设计大大减少了(w,b)的数量...

原创 机器学习入门记录3.1-Resnet

Resnet 残差网络参考：https://v.youku.com/v_show/id_XMzM4MDM2NzA2OA==.html?spm=a2hzp.8244740.0.0最大的特点：深度深深度网络的好处？特征的"等级"随网络深度的加深而变高极其深的深度使该网络拥有极强大的表达能力训练深度网络的重要问题（是层数越多网络越好吗？）1. 梯度弥散2.退化问题层数越深的网络反而有更大的误差对问题的解决方法–ResnetReLu这个激活函数使得小于零的部分都为0。...

原创 机器学习入门记录1-FCNN

全连接神经网络 FCNN参考：公众号 阿力阿哩哩激活函数：加上f( )这个运算的目的是将输出的值域压缩到（0,1），也就是所谓的归一化，因为每一级输出的值都将作为下一级的输入，只有将输入归一化了，才会避免某个输入无穷大，导致其他输入无效，变成“一家之言”，最终网络训练效果非常不好。神经网络的训练是有监督的学习，也就是输入X有着与之对应的真实值Y ，神经网络的输出Y 与真实值Y 之间的损失Loss 就是网络反向传播的东西。整个网络的训练过程就是不断缩小损失Loss 的过程。缩小loss上述的公

原创 项目实训记录3-技术选型-hadoop入门(1)

Hadoop是一个分布式系统的基础架构，在用户不需要了解底层分布式细节的情况下，进行分布式程序的开发。从而利用分布式集群进行高速的存储和运算。Hadoop的主要模块HDFS:分布式存储系统YARN: 任务调度和集群资源管理MapReduce:一种基于Hadoop YARN的大型数据集并行计算处理系统Hbase：分布式的、面向列的开源数据库Hive：基于Hadoop的一个数据仓库工具Pig：运行在Hadoop上，对大型数据集进行分析和评估的平台Spark：Hadoop数据快速通用的计算引擎.

原创 项目实训记录2-关于团队创作的gitee入门

几条命令及其作用Workspace：工作区 即当前文件夹Index / Stage：暂存区Repository：仓库区（或本地仓库）Remote：远程仓库 即github或giteegit init 初始化本地仓库git add. 将本地更新存在本地暂存区git commit -m 提交暂存区至本地仓库git branch 查看所有本地分支git branch 分支名 创建新的分支git checkout 分支名 切换到目的分支git remote set -url 远程仓库链接 设

原创 项目实训记录1-界面相关

当使用eleUI 中form组件时，将v-for循环放在该组件<>中时，并非是form循环多次，而是form内部循环多次。2.下面展示一些 内联代码片。// A code blockvar foo = 'bar';// An highlighted blockvar foo = 'bar';...

原创 项目实训准备

为项目实训创建专栏。

原创 PaddleOCR 文字检测部分源码学习(10)-后处理（2）

2021SC@SDUSC代码位置：ppocr\postprocess\east_postprocess.pyfrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport numpy as npfrom .locality_aware_nms import nms_localityimport cv2import paddle

原创 PaddleOCR 文字检测部分源码学习(9)-后处理（1）

2021SC@SDUSC代码位置：ppocr->postprocess->db——postprocess.py# Copyright (c) 2020 PaddlePaddle Authors. All Rights Reserved.## Licensed under the Apache License, Version 2.0 (the "License");# you may not use this file except in compliance with the Lic

原创 PaddleOCR 文字检测部分源码学习(8)-损失函数（4）

代码位置：ppocr->losser->det_sast_loss.pysast算法的loss函数2021SC@SDUSC# copyright (c) 2019 PaddlePaddle Authors. All Rights Reserve.## Licensed under the Apache License, Version 2.0 (the "License");# you may not use this file except in compliance with t

原创 PaddleOCR 文字检测部分源码学习(7)-损失函数（3）

2021SC@SDUSCDB损失函数代码位置：ppocr->losses->det_db_loss.pyfrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionfrom paddle import nnfrom .det_basic_loss import BalanceLoss, MaskL1Loss, DiceLos

原创 PaddleOCR 文字检测部分源码学习(6)-损失函数（2）

2021SC@SDUSCeast的损失函数代码位置：ppocr->losses->det_east_loss# copyright (c) 2019 PaddlePaddle Authors. All Rights Reserve.## Licensed under the Apache License, Version 2.0 (the "License");# you may not use this file except in compliance with the Lice

原创 PaddleOCR 文字检测部分源码学习(5)-模型(3)

2021SC@SDUSC骨干网络代码位置：ppocr->modeling->backbones->det_resnet_vd.py网络退化问题：网络深度增加时，网络准确度出现饱和，甚至出现下降。ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元，如下图所示。变化主要体现在ResNet直接使用stride=2的卷积做下采样，并且用global average pool层替换了全连接层。ResNet的一个重要设计原则是：当feature map大

原创 PaddleOCR 文字检测部分源码学习(4)-模型(2)

2021SC@SDUSC骨干网络代码位置：ppocr->modeling->backbones->det_mobilenet_v3.pydef make_divisible(v, divisor=8, min_value=None): if min_value is None: min_value = divisor new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)

原创 PaddleOCR 文字检测部分源码学习(3)-模型(1)

2021SC@SDUSC代码位置：ppocr->modeling->architectures->base_model.pyclass BaseModel(nn.Layer): def __init__(self, config): """ the module for OCR. args: config (dict): the super parameters for module. ""

原创 PaddleOCR 文字检测部分源码学习(2)-loss函数(1)

2021SC@SDUSC代码位置：ppocr–>losses–>det_basic_loss.pyfrom __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionimport numpy as npimport paddlefrom paddle import nnimport paddle.nn.functional as F

原创 paddleOCR代码结构与设计思想

2021SC@SDUSCPaddleOCR的优势数据标注工具PPOCRLabel数据合成工具Style-text算法库丰富算法模块化，代码复用性高ppocr系列模型丰富灵活的部署方式简单理解一个深度学习算法一个深度学习算法可以分为三个过程：训练过程，评估和推理过程数据经过产生之后送到模型产生输出，和label进行一个损失的计算，最后根据优化器进行一个反向传递，来修正模型的参数，训练这个过程我们需要：数据，模型，loss还有优化器四个模块。推理过程是数据通过模型输出，然后进行后

原创 paddleOCR基本算法解读（一）

2021SC@SDUSCEAST解决问题：传统Anchor-based算法检测小框再合并，流程复杂，损失进度，增加耗时EAST特色简洁的pipeline：FCN+Locality-Aware NMS，端到端训练基于FCN像素级预测，直接得到文本行检测结果EAST算法框架解读左边是一个backbone，从这个backbone的四个stage会抽取出四个不同尺度的特征，在分支会对这些特征进行融合，得到最终的feature map。最大特点是在得到feature map之后会对每一个像素点

原创 PaddleOCR 文字检测部分源码学习(1)

2021SC@SDUSC代码位置：tools->infer->predict_det.pyclass TextDetector(object): def __init__(self, args): self.args = args self.det_algorithm = args.det_algorithm pre_process_list = [{ 'DetResizeForTest': {

原创 10-7文字检测部分初探

2021SC@SDUSC框架解读（文字检测）文字检测：使用可微分二值化(DB)作为基于简单分割网络的文本检测器。轻主干、轻头部、去除SE模块、余弦学习率衰减、学习率预热和FPGM剪枝。最后，将文本检测器的模型尺寸减小到1.4M。轻主干主干的大小是文本检测器模型大小的主要影响因素。因此，在构建超轻模型时，应该选择轻骨架。随着图像分类技术的发展，MobileNetV1、MobileNetV2、MobileNetV3和ShuffleNetV2系列经常被用作轻量级骨干。每个系列都有不同的规模。由于Padd

原创 组内任务划分

2021SC@SDUSC分组：​ 组长：佟义哲 博客链接：https://blog.csdn.net/shy2218​ 组员：​ 郑茜 https://blog.csdn.net/pinkray_c?spm=1010.2135.3001.5343​ 贾颖欣 https://blog.csdn.net/weixin_45873017​ 耿杉杉 https://blog.csdn.net/scarlettwx选题：Paddle

原创 初步入门Springboot的一些问题-0801（入门Springboot）

1. 还是之前的没有archetype问题，回到idea主界面创建就可以了2. 如果maven项目导入依赖一片爆红 project上右键-》选择maven-》找到reload project即可3.Spring Boot 内部集成了 Tomcat，不需要人为手动配置 Tomcat，开发者只需要关注具体的业务逻辑即可。4.用户只需要在 Maven 中引入 starter 依赖，SpringBoot 就能自动扫描到要加载的信息并启动相应的默认配置。starter 提供了大量的自动配置，让用户摆脱了处

原创 0509面向对象课设--阅读写给大忙人看的javase 8 记录

RGB颜色对照表RGB2改变label颜色方法，这里同样使用了lambda表达式注册事件red.setOnAction(event->message.setTextFill(javafx.scene.paint.Color.AQUAMARINE));javafx滑块控件有一个属性value，该属性会在发生改变时发起事件。//设置滑块的value值的事件监听 Slider slider =new Slider(); slider.valueProperty().addListen

原创 Scrapy网络爬虫1

实现思想：模拟用户使用浏览器向网站发送请求，网站响应请求后，将HTML文档发过来，爬虫在对网页做信息提取和存储。HTTP请求（Request）当用户通过浏览器访问某网站时，浏览器会向网站服务器发送访问请求。该请求叫做HTTP请求，包含的主要内容有：请求方法 GET/POST请求网址请求头 有关客户端环境和请求正文的信息请求体 POST表单数据HTTP响应（Response）当网站服务器接收到浏览器的请求后，会发送响应消息给浏览器，这个响应叫做HTTP响应，包含的主要内容有：响应状态