fuel php 性能,FuelPHP - Architecture 概述

FuelPHP - Architecture 概述

FuelPHP基于经过实战测试的Model-View-Controller架构以及HMVC (Hierarchical MVC)支持。 虽然MVC提供灵活的分层应用程序开发,但HMVC更进一步实现了Web应用程序的小部件化。

FuelPHP的优势在于它不强制开发应用程序的具体方法。 它只是提供了一个简单易用的标准结构。 开发人员可以自由使用FuelPHP提供的预定义功能集,或在需要时对其进行修改。 FuelPHP提供的所有功能(包括核心功能)都可以根据应用要求进行更改。

Model

Model是应用程序的业务实体。 Controller和View以Model的形式交换数据。 模型可以统一表示我们的业务数据。 它使数据库层能够以标准方式与Web应用程序层交互,并提供选择,保存,编辑和删除数据库实体的选项。

控制器(Controller)

典型的MVC应用程序从Controller启动。 一旦用户向FuelPHP Web应用程序发送请求,该应用程序将收集有关请求的所有信息并将其发送给Controller。 Controller执行所请求页面所需的业务逻辑,然后以模型的形式调用相关的View以及处理的数据。

View

View是MVC应用程序的表示层。 View决定如何向用户显示模型。 它支持对高级布局的简单数据渲染,使网站能够在所有页面上规范化设计。 View还提供主题支持,可以在整个应用程序中快速进行设计更改。

演示者(Presenter)

Presenter是FuelPHP提供的一项特殊功能。 它是Controller和View之间的粘合剂。 控制器可以共享其一些低级别职责,例如从数据库检索模型,为视图生成数据等。控制器调用Presenter而不是View,后者又调用View。 Presenter实现了业务逻辑和表示层的纯粹分离。

分层MVC

FuelPHP提供从另一个控制器调用一个控制器的选项,类似于来自客户端(浏览器)的请求。 如果任何控制器调用另一个控制器,则被调用的控制器将响应返回给调用控制器,而不是将其呈现给客户端(浏览器)。 这使得Web应用程序的小部件化成为可能。 例如,评论部分可以显示为独立页面以及主(博客)页面的子部分。

Module

FuelPHP的一个显着特征是Web应用程序的一部分可以转换为模块,可以在不同的应用程序之间共享。 例如,通过将模块代码从源应用程序复制到目标应用程序,可以在另一个应用程序中重用为应用程序创建的博客模块。

请注意,创建新模块与开发主应用程序一样简单。 该结构与主应用程序类似,唯一的例外是模块应编写单独的文件夹。

Package

FuelPHP提供了一个选项,可以将代码组织到一个名为Package的单元中。 包可以包含Web应用程序所需的一个或多个功能。 例如,可以将诸如ORM,电子邮件等的数据库组件组织到包中并在需要时使用。

在Package不包含任何网页或部分网页的意义上,Package与Module不同。 包可以在FuelPHP以及任何其他PHP框架中使用。

工作流 (Workflow)

FuelPHP的工作流程简单易懂。 它如下图所示。

b5e2626c96cd228850dc7257f5bd02ad.png用户向应用程序发送请求。

控制器接收请求并通过与模型交互来收集信息,模型又与数据库交互。

控制器通过向其他控制器发送子请求,通过与其他控制器交互来收集信息。

Controller将检索到的模型发送到视图,视图又生成演示文稿并将其作为响应发送给客户端。

在某些情况下,控制器可以将控制传递给演示者。 在这种情况下,演示者从模型中收集信息并将其发送给客户端。 这里,除了从数据库中检索模型之外,演示者不执行任何业务逻辑。

  • 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)的任务是找出图像中所有感兴趣的目标(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。首先检测图像中目标的位置(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),表示边界框中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)从输入图像中提取特征,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 中进行分类,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中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,选中值最大的框 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) 从未处理的框中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中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