卷积神经网络（笔记01）
视觉处理三大任务：分类、目标检测、图像分割
CNN网络主要有三部分构成：卷积层（Convolutional Layer）、池化层（Pooling Layer）和激活函数
一、解释卷积层中的偏置项是什么，并讨论在神经网络中引入偏置项的好处。
在卷积神经网络（CNN）的卷积层里，卷积操作本质上是输入数据与卷积核（滤波器）进行逐元素相乘再求和的过程。偏置项（Bias）是一个额外的可学习参数，对于每个卷积核而言，都有一个对应的偏置值。
在神经网络中引入偏置项的好处
1. 增加模型的表达能力
- 线性变换的灵活性：神经网络的每一层本质上是在做线性变换（卷积操作也是一种线性变换），而偏置项能够使线性变换更加灵活。以一个简单的线性函数 y=wx+b 为例，w 控制斜率，b 控制截距。如果没有偏置项 b，那么所有的线性变换都将过原点，这就限制了模型能够表示的函数集合。在卷积层中，偏置项可以让卷积核的输出在垂直方向上进行平移，从而可以拟合更多不同的函数关系。
- 对不同特征的适应性：不同的卷积核用于提取输入数据的不同特征。偏置项允许每个卷积核根据自身所提取特征的特性，对输出进行适当的调整。例如，在图像识别中，某些卷积核可能用于检测边缘特征，而不同的边缘特征可能需要不同的偏置值来更好地表示。
2. 有助于模型的收敛
- 打破对称性：在神经网络的初始化阶段，权重参数通常是随机初始化的。如果没有偏置项，那么对于具有相同输入的神经元，它们的输出会因为相同的权重初始化而具有一定的对称性。偏置项的引入打破了这种对称性，使得每个神经元能够独立地学习不同的特征，从而加快模型的收敛速度。
- 调整激活函数的工作区域：在卷积层之后，通常会接一个激活函数（如 ReLU、Sigmoid 等）。偏置项可以调整输入到激活函数的值，使得激活函数能够在更合适的区域工作。例如，对于 ReLU 激活函数 f(x)=max(0,x)，偏置项可以让输入到 ReLU 函数的值更有可能大于 0，从而避免神经元 “死亡”，提高模型的训练效率。
3. 更好地拟合数据分布
- 处理不同尺度的数据：输入数据可能具有不同的尺度和分布。偏置项可以帮助模型适应这些不同的数据分布，使得模型能够更好地拟合数据。例如，在处理图像数据时，不同的图像可能具有不同的亮度和对比度，偏置项可以对卷积层的输出进行调整，以适应这些差异。
- 捕捉数据的整体趋势：偏置项可以捕捉数据的整体趋势，使得模型能够更好地对数据进行建模。在一些复杂的数据集上，数据可能存在一定的偏移，偏置项可以帮助模型补偿这种偏移，从而提高模型的性能。
二、在实际应用中，为什么有些卷积层会选择不包含偏置项？列举并解释可能的情况。
1. 后续有批量归一化（Batch Normalization）层
- 原理：批量归一化层会对卷积层的输出进行归一化处理，将其分布调整为均值为 0、方差为 1 的标准正态分布。在批量归一化的过程中，会计算每个批次数据的均值和方差，并对数据进行平移和缩放操作。具体来说，对于输入数据 x，经过批量归一化后的输出 y 为 y=γσ2+ϵx−μ+β，其中 μ 和 σ2 分别是批次数据的均值和方差，γ 和 β 是可学习的缩放和偏移参数。
- 影响：由于批量归一化层已经对数据进行了平移操作（通过 β 参数），卷积层的偏置项就变得多余了。去掉偏置项可以减少模型的参数数量，降低计算复杂度，同时避免了偏置项和批量归一化层中的偏移参数之间的冗余。
2. 为了减少模型的复杂度和过拟合风险
- 参数数量：每个卷积核都对应一个偏置项，当卷积层的卷积核数量较多时，偏置项会增加一定数量的可学习参数。例如，一个卷积层有 64 个卷积核，那么就会增加 64 个偏置参数。在资源有限的情况下，减少参数数量可以降低模型的存储和计算成本。
- 过拟合：过多的参数可能会导致模型在训练数据上过度拟合，而在测试数据上表现不佳。去掉偏置项可以减少模型的复杂度，使得模型更加简洁，从而降低过拟合的风险。
3. 数据的特性使得偏置项作用不大
- 数据分布：如果输入数据已经经过了预处理，使得其分布具有某种特性，例如数据的均值已经被调整为 0，那么偏置项的作用就会变得不明显。在这种情况下，去掉偏置项不会对模型的性能产生显著影响。
- 任务性质：对于某些特定的任务，数据的特征可能具有很强的规律性，不需要通过偏置项来进行额外的调整。例如，在一些简单的图像滤波任务中，卷积核的主要作用是提取特定的特征，偏置项可能并不会带来额外的好处。
4. 模型架构的设计考虑
- 一致性：在一些复杂的模型架构中，为了保持各层之间的一致性和对称性，可能会选择在所有卷积层中都不使用偏置项。这样可以简化模型的设计和实现过程，同时便于对模型进行分析和优化。
- 计算效率：在一些对计算效率要求较高的场景中，去掉偏置项可以减少卷积层的计算量，提高模型的推理速度。特别是在嵌入式设备或移动设备上，计算资源有限，减少不必要的计算可以显著提高模型的运行效率。
三、深入思考：在多通道卷积过程中，权重共享如何在不同通道间实现特征学习的协同作用？请结合实际应用案例进行说明。
权重共享定义 ：
在卷积层中，卷积核（也称为滤波器）在整个输入数据上滑动进行卷积操作时，使用的是相同的一组权重参数。也就是说，对于一个特定的卷积核，无论它在输入数据的哪个位置进行卷积，其权重都是固定不变的。
权重共享作用 ：
极大地减少了模型的参数数量，提高了计算效率，同时使模型能够学习到图像等数据中的平移不变特征。
权重共享实现不同通道间特征学习协同作用的原理
1. 多通道卷积的基本概念
在多通道卷积中，输入数据通常具有多个通道，例如彩色图像有红（R）、绿（G）、蓝（B）三个通道。每个卷积核也是多通道的，其通道数与输入数据的通道数相同。在卷积操作时，每个卷积核会在输入数据的所有通道上同时进行卷积，然后将各通道的卷积结果相加，得到一个单通道的特征图。
2. 权重共享促进特征学习协同
- 统一特征提取模式：权重共享意味着同一个卷积核在不同通道上使用相同的权重参数。这使得卷积核能够在不同通道上提取相似的特征模式。例如，在处理彩色图像时，一个卷积核可能会在 R、G、B 三个通道上都尝试提取边缘特征。不同通道的数据虽然代表不同的颜色信息，但它们可能包含相似的边缘结构，通过权重共享，卷积核可以同时对这些边缘特征进行捕捉和强化。
- 信息融合与互补：不同通道的数据往往包含不同方面的信息，这些信息相互补充。权重共享使得卷积核能够将不同通道的信息进行融合。以医学图像为例，在多模态医学图像（如 MRI 和 CT 图像）中，MRI 图像对软组织的对比度更敏感，CT 图像对骨骼结构的显示更清晰。通过权重共享的卷积操作，卷积核可以同时从这两个通道的图像中提取特征，将软组织和骨骼结构的信息进行融合，从而得到更全面、更准确的特征表示。
实际应用案例
1. 图像分类任务（如 ImageNet 图像分类）
- 数据特点：在 ImageNet 这样的大规模图像分类任务中，输入的彩色图像具有三个通道。不同通道的颜色信息包含了物体的不同特征，例如红色通道可能突出了物体的某些纹理，绿色通道可能与物体的形状有关，蓝色通道可能反映了物体的阴影等信息。
- 协同作用体现：卷积核通过权重共享在三个通道上进行卷积操作。以一个用于识别鸟类的卷积核为例，它在红色通道上可能检测到鸟类羽毛的纹理特征，在绿色通道上可能捕捉到鸟类身体的轮廓形状，在蓝色通道上可能关注到鸟类周围的阴影信息。通过将这三个通道的卷积结果相加，卷积核能够综合不同通道的信息，更准确地识别出鸟类的特征，从而提高图像分类的准确率。
2. 语义分割任务（如城市街景语义分割）
- 数据特点：在城市街景语义分割任务中，输入图像除了 RGB 三个通道外，还可能包含深度信息等额外通道。RGB 通道提供了物体的颜色和纹理信息，深度通道则提供了物体的距离和空间结构信息。
- 协同作用体现：卷积核在不同通道上共享权重进行特征学习。例如，一个卷积核在 RGB 通道上可以识别出汽车的颜色和外观特征，在深度通道上可以确定汽车的空间位置和大小信息。通过权重共享，卷积核能够将这些不同通道的特征进行协同学习，准确地分割出图像中的汽车区域，同时也能更好地区分不同物体之间的边界，提高语义分割的精度。
3. 医学图像分析（如脑部肿瘤检测）
- 数据特点：医学图像分析中常常会使用多模态图像，如 MRI 的 T1、T2 和质子密度加权图像等。不同模态的图像对脑部组织和肿瘤的显示具有不同的特点，T1 加权图像可以清晰地显示解剖结构，T2 加权图像对液体和水肿更敏感，质子密度加权图像则提供了两者之间的平衡信息。
- 协同作用体现：卷积核在这些不同模态的通道上共享权重进行特征学习。例如，一个卷积核在 T1 加权通道上可以识别出脑部的正常解剖结构，在 T2 加权通道上可以检测到肿瘤周围的水肿区域，在质子密度加权通道上可以进一步补充两者之间的信息。通过权重共享，卷积核能够将不同通道的信息进行协同整合，更准确地检测出脑部肿瘤的位置、大小和边界，为医生的诊断提供更可靠的依据。
相关文章：
卷积神经网络（笔记01）
视觉处理三大任务：分类、目标检测、图像分割 CNN网络主要有三部分构成：卷积层（Convolutional Layer）、池化层（Pooling Layer）和激活函数 一、解释卷积层中的偏置项是什么，并讨论在神经网络中引…...
从自己电脑的浏览器访问阿里云主机中运行的LLaMA-Factory webui
阿里云主机上LLaMA-Factory的webui在0.0.0.0:7860侦听，无法直接打开，需要通过代理的方法访问。 在LLaMA-Factory目录下创建一个脚本文件run.sh，并加上执行权限，内容如下： #!/bin/shexport GRADIO_SERVER_PORT7860 ex…...
 数据倾斜)
大数据面试之路 (一) 数据倾斜
记录大数据面试历程 数据倾斜 大数据岗位 ，数据倾斜面试必问的一个问题。 一、数据倾斜的表现与原因 表现 某个或某几个Task执行时间过长，其他Task快速完成。 Spark/MapReduce作业卡在某个阶段（如reduce阶段），日志显…...
文件上传漏洞 upload-labs靶场
（这个没删就是还没做完 ; ω ; ） 目录 Pass-01 前端绕过 关卡分析 绕过：Burpsuite抓包修改或页面禁用js Pass-02 服务器端检测–IMME类型 关卡分析 Content-type 绕过：抓包修改文件的content-type Pass-03 黑名单绕过 关…...
「 DelegateUI 」Ant-d 风格的 Qt Qml UI 套件
写在前面：关于为什么要写一套新的UI框架 一方面，Qt Qml 生态中缺乏一套既遵循现代设计规范(自带的功能少且丑,懂得都懂)，又能深度整合 Qt 生态的开源组件库。 另一方面，Qt Qml 中也有一些其他方案，例如 FluentUI Qml…...
数字人分身开发指南：从概念到实战
一、什么是数字人分身？ 想象一下，在电脑或手机屏幕里，一个能跟你聊天、回答问题，甚至还能做表情的虚拟角色。这就是数字人分身，它用上了人工智能技术，让机器也能像人一样交流。无论是在线客服、网络主播还…...
Java小白-管理项目工具Maven（2）初识Maven
一、Maven安装 ①安装jdk1.8或以上版本 ②下载Maven（此为3.6.0）：地址：Download Apache Maven – Maven 下载地址：Index of /dist/maven/maven-3/3.6.0/binaries ③安装Maven到无中文路径即可 bin：含…...
【附JS、Python、C++题解】Leetcode 面试150题（8）
一、题目 11. 盛最多水的容器 给定一个长度为 n 的整数数组 height 。有 n 条垂线，第 i 条线的两个端点是 (i, 0) 和 (i, height[i]) 。 找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。 返回容器可以储存的最大水量。你不能倾斜…...
什么是向量数据库向量搜索？
向量数据库 专为高效存储与检索高维向量设计，支持语义搜索、推荐系统等AI场景，如文本/图像嵌入的相似性匹配。 ChromaDB 轻量级开源向量数据库，优势在于易用性（快速部署、简洁API）和小规模场景（本地开发、…...
【WRF-Urban】使用 LCZ 替换 WRF 运行中的 LUCC 数据
使用 LCZ 替换 WRF 运行中的 LUCC 数据 WRF-UCM中的城市类型LCZ的背景介绍完整步骤总结1. 获取 LCZ 数据2. 获取 WRF 运行所需的 LUCC 数据3. 使用 w2w 替换 WRF 的 LUCC 数据4. 运行 WRF 预处理（WPS & REAL）5. 运行 WRF 并优化城市参数化Q1：使用 LCZ 替换 WRF 运行中的…...
centos 7 安装apache服务
四步骤 解包 使用tar -zxvf 对.tar.gz 进行解压 使用tar -jxvf 对.tar.bz2 进行解压 rpm命令使用集合 rpm -qa 查询系统已安装的软件包 rpm -ql查看指定软件包存放的位置 rpm -qi查看指定软件包的属性 rpm -qf查看指定文件或目录是由哪个软件包所安装的 rpm -qpi查看指…...
2025各省市建筑产业和工程建设计划安排
1. 前言 十四届全国人大三次会议3月5日上午9时在人民大会堂开幕，国务院总理李强作政府工作报告。 《2025年政府工作报告》（以下简称 “报告”）作为统筹国家经济、战略布局与社会发展的蓝图，与建筑业息息相关，为今后的…...
广告营销，会被AI重构吗？
DeepSeek设计，即梦AI绘图，剪映成片。 DeepSeek的热度还在高开疯走。 用户对于各个场景下DS应用的探索也还在持续，各种DS的模式被挖掘出来，超级个体们开始给手下的大模型团队进行分工，实践出各种场景下最佳的排列组合方…...
)
01 音视频知识学习(视频)
图像基础概念 ◼像素：像素是一个图片的基本单位，pix是英语单词picture的简写，加上英 语单词“元素element”，就得到了“pixel”，简称px，所以“像素”有“图像元素” 之意。 ◼ 分辨率：是指图像…...
深入探究 Ryu REST API
Ryu 4.34 REST API 详细接口说明与示例 Ryu 4.34 的 REST API 提供了对 SDN 网络的核心管理功能，涵盖交换机、流表、端口、拓扑和 QoS 等操作。以下是详细的接口分类、功能说明及 Python 示例代码。 1. 交换机管理 1.1 获取所有交换机 DPID 端点: GET /stats/swi…...
不同AI生成的PHP版雪花算法
OpenAI <?php /*** Snowflake 雪花算法生成器* 生成的 64 位 ID 结构：* 1 位 保留位（始终为0，防止负数）* 41 位 时间戳（毫秒级，当前时间减去自定义纪元）* 5 位 数据中心ID* 5 …...
texstudio: 编辑器显示行号+给PDF增加行号
texstudio在编辑器部分增加行号： texstudio默认在编辑器部分不显示行号，如下图： 要实现以下的在编辑部分增加行号： 执行如下操作： 选项-->设置TexStudio-->编辑器-->显示行号-->所有行号选择好后&…...
强化学习基础-马尔可夫决策过程与贝尔曼方程
马尔可夫决策过程 在老虎机问题中，无论智能代理采取什么行动，之后要解决的问题都是一样的。也就是寻找最好的老虎机。但现实生活中的问题是不同的。例如，在围棋游戏中，智能代理落子后，棋盘上的棋子排列会发生变化&…...
爬虫的精准识别：基于 User-Agent 的正则实现
🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编…...
Scala的初步使用
目录 1. Scala简介2. Scala编写的Hello World2.1 pom.xml中依赖和插件的配置2.2 安装Scala2.12.172.3 安装code-server插件2.4 helloworld.scala2.5 helloworld2.scala2.6 java调用scala object 3. Scala调用Java3.1 例子13.2 例子2 参考 1. Scala简介 Scala是一门多范式的编程…...
【Json RPC框架】框架介绍与环境搭建（Ubuntu 22.04）
🎁个人主页：我们的五年 🔍系列专栏：Json RPC框架 🌷追光的人，终会万丈光芒 🎉欢迎大家点赞👍评论📝收藏⭐文章 JSon RPC框架系列文章Json RPC框架_我们的五年的博…...
python读取word文档 | AI应用开发
python读取word文档 | AI应用开发 RAG中python读取word文档 RAG系统中构建知识库流程中重要的一个步骤是读取外挂的知识文档，为word是其中比较常见的文件。 另一个值得注意的是，RAG在读取文档后需要对文档进行分割，而良好的分割需要有一定结…...
20、组件懒加载
组件懒加载，也被称为异步组件加载，是一种在 Vue 项目中提升性能的重要技术手段。下面从概念、实现原理、使用场景、实现方式几个方面详细介绍： 概念 在传统的 Vue 项目里，当应用启动时，所有的组件代码都会被一次性加…...
打造智能钉钉机器人：借助智谱GLM-4-Flash实现高效智能回复（文末附源码）
文章目录 前言一、准备工作（一）钉钉机器人（二）智谱 GLM-4-Flash（三）内网穿透工具 cpolar（四）需要准备的工具和环境 二、钉钉机器人的创建与配置步骤1：创建钉钉机器人步骤…...
【故障处理系列--docker卷的挂载】
一位伙伴需求是把容器的目录映射到宿主机且容器目录的内容不被宿主机的空白目录覆盖。我的第一反应是-v 卷的映射，参数是对的，但是用法是错的 1、容器卷的挂载方式 容器把目录映射到宿主机创建volume卷，然后把容器的目录和volume卷绑定 区别…...
兴达易控modbusTCP转profinet接防撞雷达测试
modbusTCP转profinet接防撞雷达测试 随着工业自动化程度的不断提高，现场设备之间的通信需求日益增长。ModbusTCP作为一种广泛应用的工业通信协议，因其简单、可靠的特点，被广泛应用于各种自动化设备中。而Profinet作为工业以太网的一种&#…...
Acknowledgment.nack方法重试消费kafka消息异常
文章目录 问题示例异常 原因nack方法Acknowledgment接口实现类：ConsumerAcknowledgment实现类：ConsumerBatchAcknowledgment 解决方案1 批量消费指定index示例 2 单条消费示例 问题 使用BatchAcknowledgingMessageListener 批量消费Kafka消息࿰…...
通过动态获取后端数据判断输入的值打小
eval() 函数在 JavaScript 中是一个非常强大的函数 【1】计算简单公式 很多时候如果需要动态的提供计算的公式，需要写一大段的公式计算逻辑去兼容，可能耗费大量的开发成本。为了快速了解 eval 的用法，直接 ① 打开浏览器；② F1…...
乐维网管平台核心功能解析（一）——告警关联知识
在数字化转型浪潮中，企业IT系统规模呈指数级增长，传统的"人工经验"运维模式已难以应对海量告警处理需求。某银行数据中心曾统计，其日均告警量突破10万条，关键故障的平均定位时间长达3.5小时，直接导致年损失超…...
数据结构_单链表
今天我们要开启链表的学习 🖋️🖋️🖋️ 学了顺序表我们可以知道： 🎈链表其实就是争对顺序表的缺点来设计的，补足的就是顺序表的缺点 🎈链表在物理上是上一个节点存放的下一个节点的地址 链表 …...
b站视频下载工具软件怎么下载
自行配置FFMPEG环境 请优先选择批量下载，会自处理视频和音频文件。 如果要下载更高质量请登陆。 没有配置FFMPEG下载后会有报错提示，视频音频文件无法合并生成mp4文件 更新批量下载标题，只取视频原标题，B站反爬机制登陆后下载多了…...
如何实现pinia的持久化存储
在 Vue 3 项目中使用 Pinia 进行状态管理时，若要实现持久化存储，可借助 pinia-plugin-persistedstate 插件，该插件能让 Pinia 存储的状态在页面刷新或关闭后依然保留。下面为你详细介绍实现步骤： 1. 安装插件 首先，在…...
webpack介绍
entry与output 入口是 Webpack 开始构建依赖图的起点，Webpack 会从入口文件开始，递归地分析项目的依赖图。输出指定 Webpack 打包后的文件存放位置和文件名。 const path require("path");module.exports {entry: "./src/index.js&qu…...
使用Mermaid语法绘制的C语言程序从Linux移植到Windows的流程图
以下是使用Mermaid语法绘制的C语言程序从Linux移植到Windows的流程图： graph TDA[开始移植] --> B[代码兼容性检查]B --> C[检查系统调用差异\nfork/exec -> CreateProcess]B --> D[检查文件路径格式\n/ vs \\]B --> E[检查依赖库兼容性\nPOSIX vs …...
蓝桥杯嵌入式组第七届省赛题目解析+STM32G431RBT6实现源码
文章目录 1.题目解析1.1 分而治之，藕断丝连1.2 模块化思维导图1.3 模块解析1.3.1 KEY模块1.3.2 ADC模块1.3.3 IIC模块1.3.4 UART模块1.3.5 LCD模块1.3.6 LED模块1.3.7 TIM模块 2.源码3.第七届题目 前言：STM32G431RBT6实现嵌入式组第七届题目解析源码&…...
【spring bean的生命周期】
以下是使用 Mermaid 绘制的 Spring Bean 生命周期流程图： 流程说明 实例化：Spring 容器创建 Bean 的实例。属性赋值：Spring 为 Bean 的属性注入值（依赖注入）。BeanPostProcessor.postProcessBeforeInitialization&…...
)
数据类设计_图片类设计之3_半规则图类设计(前端架构基础)
前言 学的东西多了,要想办法用出来.C和C是偏向底层的语言,直接与数据打交道.尝试做一些和数据方面相关的内容 引入 接续上一篇讨论半规则图类型的设计 半规则图的定义 什么是半规则图?笔者看见了一些似乎规则又不是太规则的图形,例如带圆角的矩阵,在页面上找一个圆角框 为了…...
【leetcode hot 100 138】随机链表的复制
解决一：回溯 哈希表 本题要求我们对一个特殊的链表进行深拷贝。如果是普通链表，我们可以直接按照遍历的顺序创建链表节点。而本题中因为随机指针的存在，当我们拷贝节点时，「当前节点的随机指针指向的节点」可能还没创建…...
如何安全处置旧设备？
每年，数百万台旧设备因老化、故障或被新产品取代而被丢弃，这些设备上存储的数据可能带来安全风险。 如果设备没有被正确删除数据，这些数据往往仍可被恢复。因此，安全处置旧设备至关重要。 旧设备可能包含的敏感数据 旧设备中可能…...
Windows 万兴恢复专家 Wondershare Recoverit-v13.5.7.9-[电脑数据恢复工具]
Windows 万兴恢复专家Wondershare_Recoverit 链接：https://pan.xunlei.com/s/VOL3z608vzAj_IYTvH-F1q7kA1?pwdiu89# 1. 打开Setup.exe进行安装，安装完不要打开软件，记住安装目录 2. 将"Crack"文件夹内的所有文件复制到安装目录 …...
eLection: 1靶场渗透测试
eLection: 1 来自 <eLection: 1 ~ VulnHub> 1，将两台虚拟机网络连接都改为NAT模式 2，攻击机上做namp局域网扫描发现靶机 nmap -sn 192.168.23.0/24 那么攻击机IP为192.168.23.182，靶场IP192.168.23.196 3，对靶机进行端口服…...
类与对象（下）
1 . 再谈构造函数 1.1构造函数体赋值 在创建对象时，编译器通过调用构造函数，给对象中各个成员变量一个合适的初始值。 class B { public:B(int a0){_a a;} private:int _a; };虽然上述构造函数调用之后，对象中已经有了一个初始值…...
数字人源头技术搭建模型--v10追踪推理逻辑
数字人源头技术搭建模型--v10追踪推理逻辑 #数字人# #数字人技术源头saas开发# 数字人源头技术搭建模型V10的追踪推理逻辑通常涉及以下几个关键方面： 数据收集与预处理 - 多模态数据采集：收集图像、音频等多模态数据。例如通过摄像头采集人物的面部…...
基于Asp.net的高校迎新管理系统
作者：计算机学姐 开发技术：SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等，“文末源码”。 专栏推荐：前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码、微信小程序源码 精品专栏：…...
商业智能BI的未来，如何看待AI+BI这种模式？
昨天在和一位朋友线上聊天的时候，提了一个问题，你是如何看待AI（人工智能）BI（商业智能）这种模式和方向的，我大概来说一下我个人的看法。 以我在商业智能BI项目中接触到的行业和企业，…...
C++ 编程指南27 - 始终将 mutex 与它所保护的数据一起定义，并尽可能使用 synchronized_value＜T＞
一：概述 在多线程编程中，互斥锁（std::mutex）的作用是保护共享数据的访问。但如果 mutex 和它保护的数据分开定义，可能会导致以下问题： 锁的使用不明显：程序员可能会忘记获取 mutex 就访问数据&…...
选择 DotNetBrowser 还是 EO.WebBrowser
您是否正在为 .NET 应用寻找 Web 视图控件？如果是的话，那您真是太幸运了！.NET 生态系统提供了丰富的选择。既有开源和专有的免费 Web 视图控件，也有许多企业广泛选择的商业 Web 视图控件。 在这篇博客文章中，我们将对…...
ngin配置内网服务-具体案例【天地图】
ngin配置内网服务-具体案例【天地图】 描述需求整体网络架构1. 政务内网服务器（10.10.10.70）2. 网闸（10.10.10.240:8088）3. 跳板机（10.10.20.70:9109）4. 天地图服务 具体步骤第一步：配置跳板机&…...
【网络】poll 与epoll（原理、工作模式LT、ET）
文章目录 1. poll2. epoll3. epoll原理4. epoll工作模式4.1 水平模式LT4.2 边缘模式ET 在前面用的select中，它的使用方式非常麻烦，而且能支持的文件描诉符太少了。 下面来介绍一下更加方便、高效的方式: 1. poll poll函数接口： include <…...
DeepIn Wps 字体缺失问题
系统缺失字体 Symbol 、Wingdings 、Wingdings2、Wingdings3、MT—extra 字体问题 问了下DeepSeek 在应用商店安装或者在windows 里面找 装了一个GB-18030 还是不行 在windows里面复制了缺失的字体 将字体复制到DeepIn 的字体目录（Ubuntu 应该也是这个目录&am…...