Fuel PHP框架中的分页实现

分页类 分页类安装起来非常简单,主要用来显示你的所有纪录 如何使用分页 一个分页类简单的例子,通过set_config方法就可以进行配置,在控制器中可以使用这样的代码: $config = array ( pagination_url = http://localhost/fuel/welcome/index/ , total_ite

分页类

分页类安装起来非常简单,主要用来显示你的所有纪录

如何使用分页

一个分页类简单的例子,通过set_config方法就可以进行配置,在控制器中可以使用这样的代码:

$config = array(
    'pagination_url' => 'http://localhost/fuel/welcome/index/',
    'total_items' => 10,
    'per_page' => 5,
    'uri_segment' => 3,
    'template' => array(
        'wrapper_start' => '<div class="my-pagination"> ',
        'wrapper_end' => ' </div>',
    ),
);

// Config::set('pagination', $config); // you can use this too!
Pagination::set_config($config);

$data['example_data'] = DB::select('id', 'value')->from('pagination')
                                                ->limit(Pagination::$per_page)
                                                ->offset(Pagination::$offset)
                                                ->execute()
                                                ->as_array();

$data['pagination'] = Pagination::create_links();
$this->render('welcome/index', $data);

配置参数

 

你可以通过set_config方法或者在配置文件中设定全局的配置样式,下面是你可以定义的配置:

 

Param Type Default Description
pagination_url string None 分页地址.
uri_segment integer
3
获取分页数的地址参数
num_links integer
5
分页总数.
total_items integer
0
纪录总数. 通常是count()查询的结果.
per_page integer
10
每个分页显示条数.
current_page integer
null
载入的当前分页数 如果没有给定,默认为 1.
template array
array(...)

全局配置数组

 

下面这个是全局配置的数组

Config::set('pagination', array(
    'pagination_url' => 'http://docs.fuelphp.com/',
    'uri_segment' => 2,
    'total_items' => 10,
    'per_page' => 20,
    'template' => array(
        'wrapper_start' => '<div class="pagination"> ',
        'wrapper_end' => ' </div>',
        'page_start' => '<span class="page-links"> ',
        'page_end' => ' </span>',
        'previous_start' => '<span class="previous"> ',
        'previous_end' => ' </span>',
        'previous_inactive_start' => ' </span class="previous-inactive">',
        'previous_inactive_end' => ' </span>',
        'previous_mark' => '« ',
        'next_start' => '<span class="next"> ',
        'next_end' => ' </span>',
        'next_inactive_start' => ' </span class="next-inactive">',
        'next_inactive_end' => ' </span>',
        'next_mark' => ' »',
        'active_start' => '<span class="active"> ',
        'active_end' => ' </span>',
        'regular_start' => '',
        'regular_end' => '',
    ),
));

set_config(array $config)设定配置

create_links()创建所有分页链接

next_link($value)上一页分页

prev_link($value) 下一页分页

page_links() 显示上一页、下一页之间的分页
  • 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 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