关于使用卷积神经网络训练图像识别需要图像集的数量

请问使用卷积神经网络训练图像识别，一般需要多少张图像？一般需要包含多少图像块？ 请问大家一般是如何获取这些训练用的图片？感觉ImageNet速度太慢了，国内有没有ImageNet的镜像，或者其他的图像资源网站，多谢了！有没有自己做训练用的图片的？

有关图像卷积处理的疑惑，望解答

现用模板对图像进行卷积操作，处理之后图像大小改变，怎样使卷积后的图像尺寸不变呢？

为什么求对卷积核导数时要把输入矩阵或者被卷积矩阵旋转180

**在卷积网络反向传播最后一步，即求权值更新量时， 用误差矩阵卷积上一层的输出，会把这个输出矩阵旋转180度，为什么，没想明白？**

卷积神经网络中卷积核权值是怎么计算梯度的？

卷积神经网络中卷积核权值是怎么计算梯度的？希望详细一点，知道链式法则，可是反向传播到了卷积操作这里，卷积操作后得到矩阵怎么对卷积核里的各权值求导有点迷糊？望大神不吝赐教~！

卷积神经网络的一般结构

卷积神经网络是如何对人类对图像的认知进行拟合的？ 谢谢~~~

MATLAB：如何用matlab实现二维图像的卷积？？

不是那种直接用函数的 是把一个卷积核通过旋转-平移-相乘-求和这四步后得到的 求代码段

深度学习图像分类卷积神经网络

怎么用CNN模型实现图像分类，caffe中使用python接口，求详细程序

卷积神经网络中分组卷积和普通的卷积结果一样吗

采用同样的数据，用分组卷积和pointwise conv操作结合起来得到的结果与平常的卷积结果一样吗，还是不一样

深度卷积神经网络的输入可以是手工提取的特征吗？

苦逼CS研究生开题，是做遥感图像建筑物提取的，有两个研究内容，一个是手动提特征，另外一个是用深度神经网络进行训练，最后是识别出建筑物，但是一般来说卷积神经网络的输入一般是二维图像，然后自动提取特征，再进行分类。那么能否把输入换成已经提取的特征呢，比如能量、长宽比、LBP、Gabor特征等，然后把这些特征转化为二维图像的格式作为输入，重新训练神经网络，最后进行识别呢？

神经网路ssd中，对特征图进行卷积得到检测结果？

想问一下对特征图进行卷积得到检测结果？这个原理是什么，为什么对特征图卷积就可以得到检测结果，谢谢。

tensorflow中卷积神经网络输出层除了能做分类，还有哪些其他的输出层？

想通过卷积神经网络实现对图像与标签的拟合（不是图像分类），因此输出层应输出一个连续值，而不是离散的标签值，该如何实现？

Unet图像分割问题求解

Unet经过卷积等操作进行特征提取，再经过上采样后，得到的数据应该是不规则的数据，而期望得到的数据应该是0,1这样的规则数据，那如何用这个数据进行图像分割呢？

AlexNet卷积神经网络第一层的问题

请问各位一下，AlexNet卷积神经网络模型进行图像处理，第一层输入为什么会是 224x224x3大小的输入，3表示什么？

cnn中卷积核和特征数量的问题。

最近在看CNN，想了解一下原理，问题如下： 用官网手写数字的MINIST的data，输入图片为32*32，使用5*5的过滤器（卷积核，有各种名字），计算出应该是28*28*32的输出。28*28我知道是要分别移动那么多个单位，但是最后32是怎么得出来，网上查了资料说的是特征个数也有说的是卷积核个数， 请问这个32是怎么计算得来？还是自己定义？另外在第一次卷积池化以后进行第二次卷积是输出的就是14*14*64，请问64又是怎么得出的？ 请有了解的说一下，谢谢

卷积神经网络如何初始化与调整卷积核参数

卷积神经网络，个数，维数是根据经验，请问初始化怎样，听说是初始化为很小值，请问 又根据什么调整卷积核的参数呢？

LIC(线积分卷积)源代码，怎么结合具体图像怎么使用？

运行没有错误，刚接触图形学，不知道如何使用这段代码。 /*----------------------------------------------------------*/ /* 代码参考如下链接: */ /* http://www.zhanpingliu.org/Research/FlowVis/LIC/LIC.htm */ /* */ /*----------------------------------------------------------*/ #include <math.h> #include <stdio.h> #include <stdlib.h> #define SQUARE_FLOW_FIELD_SZ 400 #define DISCRETE_FILTER_SIZE 2048 //卷积核的对应项，如果太小的话有些采样点就没有被卷积进去，影响图像效果 #define LOWPASS_FILTR_LENGTH 32.00000f #define LINE_SQUARE_CLIP_MAX 100000.0f //只要大于等于0就行，等于0时会出现黑色线条 #define VECTOR_COMPONENT_MIN 0.050000f /*----------------------------------------------------------------------------------------------*/ void SyntheszSaddle(int n_xres, int n_yres, float* pVector); void NormalizVectrs(int n_xres, int n_yres, float* pVector); void GenBoxFiltrLUT(int LUTsiz, float* p_LUT0, float* p_LUT1); void MakeWhiteNoise(int n_xres, int n_yres, unsigned char* pNoise); void FlowImagingLIC(int n_xres, int n_yres, float* pVector, unsigned char* pNoise, unsigned char* pImage, float* p_LUT0, float* p_LUT1, float krnlen); void WriteImage2PPM(int n_xres, int n_yres, unsigned char* pImage, char* f_name); /*----------------------------------------------------------------------------------------------*/ /*----------------------------------------------------------------------------------------------*/ void main() { int n_xres = SQUARE_FLOW_FIELD_SZ; int n_yres = SQUARE_FLOW_FIELD_SZ; float* pVectr = (float* )malloc( sizeof(float ) * n_xres * n_yres * 2 ); float* p_LUT0 = (float* )malloc( sizeof(float ) * DISCRETE_FILTER_SIZE); float* p_LUT1 = (float* )malloc( sizeof(float ) * DISCRETE_FILTER_SIZE); unsigned char* pNoise = (unsigned char*)malloc( sizeof(unsigned char) * n_xres * n_yres ); unsigned char* pImage = (unsigned char*)malloc( sizeof(unsigned char) * n_xres * n_yres ); SyntheszSaddle(n_xres, n_yres, pVectr); // NormalizVectrs(n_xres, n_yres, pVectr);//数据不规整一下的话，速度越小的地方噪声越强 MakeWhiteNoise(n_xres, n_yres, pNoise); GenBoxFiltrLUT(DISCRETE_FILTER_SIZE, p_LUT0, p_LUT1); FlowImagingLIC(n_xres, n_yres, pVectr, pNoise, pImage, p_LUT0, p_LUT1, LOWPASS_FILTR_LENGTH); WriteImage2PPM(n_xres, n_yres, pImage, "LIC.ppm"); free(pVectr); pVectr = NULL; free(p_LUT0); p_LUT0 = NULL; free(p_LUT1); p_LUT1 = NULL; free(pNoise); pNoise = NULL; free(pImage); pImage = NULL; } /*----------------------------------------------------------------------------------------------*/ /*合成数据----------------------------------------------------*/ void SyntheszSaddle(int _row, int _col, float* pVectr) { int row = 400, col = 400, index = 0; float vec_x = 0.0f, vec_y = 0.0f, vcMag = 0.0f, scale = 0.0f; for(int i = 0; i < row; i++) { for(int j = 0; j < col; j++) { // 数据生成 index = i * col + j;// 中心矢量场 // index = (row - 1 - i) * col + j;// 马鞍矢量场 vec_x = -(float)i / row + 0.5f; vec_y = (float)j / col - 0.5f; // 数据规整 vcMag = float(sqrt(vec_x * vec_x + vec_y * vec_y)); scale = (vcMag < 0.001f) ? 0.0f : 1.0f / vcMag; vec_x *= scale; vec_y *= scale; pVectr[2*index] = vec_x; pVectr[2*index + 1] = vec_y; } } } /*------------------------------------------------------------*/ /*数据规整------------------------------------------------------------------------------------------------------------*/ void NormalizVectrs(int n_xres, int n_yres, float* pVectr) { for(int j = 0; j < n_yres; j++) { for(int i = 0; i< n_xres; i++) { int index = (j * n_xres + i) << 1; float vcMag = float( sqrt( double(pVectr[index] * pVectr[index] + pVectr[index + 1] * pVectr[index + 1]) ) ); float scale = (vcMag == 0.0f) ? 0.0f : 1.0f / vcMag; pVectr[index ] *= scale;//矢量分量的放大倍数，越大，速度越大，程序运行速度会减慢，但效果会更清晰 pVectr[index + 1] *= scale; }//for }//for } /*--------------------------------------------------------------------------------------------------------------------*/ /*生成白噪声----------------------------------------------------*/ void MakeWhiteNoise(int n_xres, int n_yres, unsigned char* pNoise) { for(int j = 0; j < n_yres; j++) { for(int i = 0; i< n_xres; i++) { int r = rand(); r = ( (r & 0xff) + ( (r & 0xff00) >> 8 ) ) & 0xff;// pNoise[j * n_xres + i] = (unsigned char) r; } } } /*--------------------------------------------------------------*/ /*卷积核LUTsiz = DISCRETE_FILTER_SIZE ----------------------*/ void GenBoxFiltrLUT(int LUTsiz, float* p_LUT0, float* p_LUT1) { for(int i = 0; i < LUTsiz; i++) { p_LUT0[i] = p_LUT1[i] = (float)i; } } /*----------------------------------------------------------*/ /*写文件----------------------------------------------------------------------*/ void WriteImage2PPM(int n_xres, int n_yres, unsigned char* pImage, char* f_name) { FILE* o_file; if( (o_file = fopen(f_name, "w") ) == NULL ) { printf("Can't open output file\n"); return; } fprintf(o_file, "P6\n%d %d\n255\n", n_xres, n_yres); for(int j = 0; j < n_yres; j++) { for(int i = 0; i< n_xres; i++) { unsigned char unchar = pImage[j * n_xres + i]; fprintf(o_file, "%c%c%c", unchar, unchar, unchar); } } fclose(o_file); o_file = NULL; } /*-----------------------------------------------------------------------------*/ /*计算像素点------------------------------------------------------------------------------------------------*/ void FlowImagingLIC(int n_xres, int n_yres, float* pVectr, unsigned char* pNoise, unsigned char* pImage, float* p_LUT0, float* p_LUT1, float krnlen) { int vec_id = 0; int advDir = 0; //方向 int advcts = 0; //追踪的步数 int ADVCTS = int(krnlen * 3);//追踪的最大步数 float vctr_x = 0; //速度x分量 float vctr_y = 0; //速度y分量 float clp0_x = 0; //当前点x坐标 float clp0_y = 0; //当前点y坐标 float clp1_x = 0; //下一点x坐标 float clp1_y = 0; //下一点y坐标 float samp_x = 0; //采样点x坐标 float samp_y = 0; //采样点y坐标 float tmpLen = 0; //临时长度 float segLen = 0; //每段长度 float curLen = 0; //当前的流线长度 float prvLen = 0; //上一条流线长度 float W_ACUM = 0; //计算权重之和 float texVal = 0; //纹理的灰度值 float smpWgt = 0; //当前采样点的权重值 float t_acum[2]; //输入纹理对应流线上的灰度值之和 float w_acum[2]; //权重之和 float* wgtLUT = NULL;//权重查找表 float len2ID = (DISCRETE_FILTER_SIZE - 1) / krnlen;//将曲线长度映射到卷积核的某一项 //krnlen等于LOWPASS_FILTR_LENGTH for(int j = 0; j < n_yres; j++) { for(int i = 0; i < n_xres; i++) { t_acum[0] = t_acum[1] = w_acum[0] = w_acum[1] = 0.0f; //追踪方向，正向流线与反向流线 for(advDir = 0; advDir < 2; advDir++) { //**初始化追踪步数、追踪长度、种子点位置 advcts = 0; curLen = 0.0f; clp0_x = i + 0.5f; clp0_y = j + 0.5f; //**获取相应的卷积核 wgtLUT = (advDir == 0) ? p_LUT0 : p_LUT1; //**循环终止条件：流线追踪的足够长或者到达了涡流的中心 while(curLen < krnlen && advcts < ADVCTS) { //**获得采样点的矢量数据 vec_id = ( int(clp0_y) * n_xres + int(clp0_x) ) << 1; vctr_x = pVectr[vec_id ]; vctr_y = pVectr[vec_id + 1]; //**若为关键点即一般情况下为涡流的中心时，跳出本次追踪 if( vctr_x == 0 && vctr_y == 0) { t_acum[advDir] = (advcts == 0) ? 0.0f : t_acum[advDir]; w_acum[advDir] = (advcts == 0) ? 1.0f : w_acum[advDir]; break; } //**正向追踪或反向追踪 vctr_x = (advDir == 0) ? vctr_x : -vctr_x; vctr_y = (advDir == 0) ? vctr_y : -vctr_y; segLen = LINE_SQUARE_CLIP_MAX; segLen = (vctr_x < -VECTOR_COMPONENT_MIN) ? ( int( clp0_x ) - clp0_x ) / vctr_x : segLen; segLen = (vctr_x > VECTOR_COMPONENT_MIN) ? ( int( int(clp0_x) + 1.5f ) - clp0_x ) / vctr_x : segLen; segLen = (vctr_y < -VECTOR_COMPONENT_MIN) ? ( ( (tmpLen = ( int( clp0_y ) - clp0_y ) / vctr_y) < segLen) ? tmpLen : segLen) : segLen; segLen = (vctr_y > VECTOR_COMPONENT_MIN) ? ( ( (tmpLen = ( int( int(clp0_y) + 1.5f ) - clp0_y ) / vctr_y) < segLen) ? tmpLen : segLen) : segLen; prvLen = curLen; curLen += segLen; segLen += 0.0004f;//如何不增加的话，还是会出现问题 //**判断长度 segLen = (curLen > krnlen) ? ( (curLen = krnlen) - prvLen ) : segLen; //**获取下一个追踪点位置 clp1_x = clp0_x + vctr_x * segLen; clp1_y = clp0_y + vctr_y * segLen; //**计算采样点位置 samp_x = (clp0_x + clp1_x) * 0.5f; samp_y = (clp0_y + clp1_y) * 0.5f; ///获取纹理采样点的灰度值->这里如果采用插值的话或者效果应该又是另一个样子 texVal = pNoise[ int(samp_y) * n_xres + int(samp_x) ]; W_ACUM = wgtLUT[ int(curLen * len2ID) ]; smpWgt = W_ACUM - w_acum[advDir]; w_acum[advDir] = W_ACUM; t_acum[advDir] += texVal * smpWgt; advcts ++; clp0_x = clp1_x; clp0_y = clp1_y; if( clp0_x < 0.0f || clp0_x >= n_xres || clp0_y < 0.0f || clp0_y >= n_yres) { break; } }//while }//for texVal = (t_acum[0] + t_acum[1]) / (w_acum[0] + w_acum[1]); texVal = (texVal < 0.0f) ? 0.0f : texVal; texVal = (texVal > 255.0f) ? 255.0f : texVal; pImage[j * n_xres + i] = (unsigned char)texVal; }//for }//for } /*----------------------------------------------------------------------------------------------------------*/

基于卷积神经网络的图像检索系统，至少要用几层网络

想要完成基于卷及神经网络的图像检索系统，至少要用几层神经网络？？？

卷积的C++实现的代码问题

在matlab中碰到了conv这个卷积函数，可是却要求用c++来做，有谁知道该怎么用c++写实现卷积的代码吗

卷积神经网络的嵌入式问题

本人现在有基于tensorflow和keras训练好的卷积神经网络模型H5文件，我想把它搞到嵌入式开发板中间去，然后外接摄像头实时获取图片然后输入到CNN模型进行识别输出，只是为了毕业，请问有什么好用的开发板推荐码？ 或者树莓派4和jeston nano哪个对于新手来说好搞啊？ 求指点

Java学习的正确打开方式

在博主认为，对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结，前三者博主将淋漓尽致地挥毫于这篇博客文章中，至于总结在于个人，实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍，博客次之，这又是一个层次了，这里暂时不提后面再谈。博主将为各位入门java保驾护航，各位只管冲鸭！！！上天是公平的，只要不辜负时间，时间自然不会辜负你。 何谓学习？博主所理解的学习，它是一个过程，是一个不断累积、不断沉淀、不断总结、善于传达自己的个人见解以及乐于分享的过程。

程序员必须掌握的核心算法有哪些？

由于我之前一直强调数据结构以及算法学习的重要性，所以就有一些读者经常问我，数据结构与算法应该要学习到哪个程度呢？，说实话，这个问题我不知道要怎么回答你，主要取决于你想学习到哪些程度，不过针对这个问题，我稍微总结一下我学过的算法知识点，以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的，并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构，当然，我也会整理一些看过...

大学四年自学走来，这些私藏的实用工具/学习网站我贡献出来了

大学四年，看课本是不可能一直看课本的了，对于学习，特别是自学，善于搜索网上的一些资源来辅助，还是非常有必要的，下面我就把这几年私藏的各种资源，网站贡献出来给你们。主要有：电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意：文中提到的所有资源，文末我都给你整理好了，你们只管拿去，如果觉得不错，转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...

linux系列之常用运维命令整理笔录

本博客记录工作中需要的linux运维命令，大学时候开始接触linux，会一些基本操作，可是都没有整理起来，加上是做开发，不做运维，有些命令忘记了，所以现在整理成博客，当然vi，文件操作等就不介绍了，慢慢积累一些其它拓展的命令，博客不定时更新 free -m 其中：m表示兆，也可以用g，注意都要小写 Men：表示物理内存统计 total：表示物理内存总数(total=used+free) use...

比特币原理详解

一、什么是比特币 比特币是一种电子货币，是一种基于密码学的货币，在2008年11月1日由中本聪发表比特币白皮书，文中提出了一种去中心化的电子记账系统，我们平时的电子现金是银行来记账，因为银行的背后是国家信用。去中心化电子记账系统是参与者共同记账。比特币可以防止主权危机、信用风险。其好处不多做赘述，这一层面介绍的文章很多，本文主要从更深层的技术原理角度进行介绍。 二、问题引入 假设现有4个人...

程序员接私活怎样防止做完了不给钱？

首先跟大家说明一点，我们做 IT 类的外包开发，是非标品开发，所以很有可能在开发过程中会有这样那样的需求修改，而这种需求修改很容易造成扯皮，进而影响到费用支付，甚至出现做完了项目收不到钱的情况。 那么，怎么保证自己的薪酬安全呢？ 我们在开工前，一定要做好一些证据方面的准备（也就是“讨薪”的理论依据），这其中最重要的就是需求文档和验收标准。一定要让需求方提供这两个文档资料作为开发的基础。之后开发...

网页实现一个简单的音乐播放器（大佬别看。(⊙﹏⊙)）

今天闲着无事，就想写点东西。然后听了下歌，就打算写个播放器。 于是乎用h5 audio的加上js简单的播放器完工了。 演示地点演示 html代码如下` music 这个年纪 七月的风 音乐 ` 然后就是css`*{ margin: 0; padding: 0; text-decoration: none; list-...

Python十大装B语法

Python 是一种代表简单思想的语言，其语法相对简单，很容易上手。不过，如果就此小视 Python 语法的精妙和深邃，那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点，并附上详细的实例代码。如能在实战中融会贯通、灵活使用，必将使代码更为精炼、高效，同时也会极大提升代码B格，使之看上去更老练，读起来更优雅。

数据库优化 - SQL优化

以实际SQL入手，带你一步一步走上SQL优化之路！

2019年11月中国大陆编程语言排行榜

2019年11月2日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.62% 2 cpp 16.42% 3 c_sharp 12.82% 4 javascript 12.31% 5 python 7.93% 6 go 7.25% 7 p...

通俗易懂地给女朋友讲：线程池的内部原理

餐盘在灯光的照耀下格外晶莹洁白，女朋友拿起红酒杯轻轻地抿了一小口，对我说：“经常听你说线程池，到底线程池到底是个什么原理？”

《奇巧淫技》系列-python！！每天早上八点自动发送天气预报邮件到QQ邮箱

将代码部署服务器，每日早上定时获取到天气数据，并发送到邮箱。 也可以说是一个小型人工智障。 知识可以运用在不同地方，不一定非是天气预报。

经典算法（5）杨辉三角

杨辉三角 是经典算法，这篇博客对它的算法思想进行了讲解，并有完整的代码实现。

英特尔不为人知的 B 面

从 PC 时代至今，众人只知在 CPU、GPU、XPU、制程、工艺等战场中，英特尔在与同行硬件芯片制造商们的竞争中杀出重围，且在不断的成长进化中，成为全球知名的半导体公司。殊不知，在「刚硬」的背后，英特尔「柔性」的软件早已经做到了全方位的支持与支撑，并持续发挥独特的生态价值，推动产业合作共赢。 而对于这一不知人知的 B 面，很多人将其称之为英特尔隐形的翅膀，虽低调，但是影响力却不容小觑。 那么，在...

腾讯算法面试题：64匹马8个跑道需要多少轮才能选出最快的四匹？

昨天，有网友私信我，说去阿里面试，彻底的被打击到了。问了为什么网上大量使用ThreadLocal的源码都会加上private static？他被难住了，因为他从来都没有考虑过这个问题。无独有偶，今天笔者又发现有网友吐槽了一道腾讯的面试题，我们一起来看看。 腾讯算法面试题：64匹马8个跑道需要多少轮才能选出最快的四匹？ 在互联网职场论坛，一名程序员发帖求助到。二面腾讯，其中一个算法题：64匹...

面试官：你连RESTful都不知道我怎么敢要你？

干货，2019 RESTful最贱实践

刷了几千道算法题，这些我私藏的刷题网站都在这里了！

遥想当年，机缘巧合入了 ACM 的坑，周边巨擘林立，从此过上了"天天被虐似死狗"的生活… 然而我是谁，我可是死狗中的战斗鸡，智力不够那刷题来凑，开始了夜以继日哼哧哼哧刷题的日子，从此"读题与提交齐飞， AC 与 WA 一色 "，我惊喜的发现被题虐既刺激又有快感，那一刻我泪流满面。这么好的事儿作为一个正直的人绝不能自己独享，经过激烈的颅内斗争，我决定把我私藏的十几个 T 的，阿不，十几个刷题网...

为啥国人偏爱Mybatis，而老外喜欢Hibernate/JPA呢？

关于SQL和ORM的争论，永远都不会终止，我也一直在思考这个问题。昨天又跟群里的小伙伴进行了一番讨论，感触还是有一些，于是就有了今天这篇文。 声明：本文不会下关于Mybatis和JPA两个持久层框架哪个更好这样的结论。只是摆事实，讲道理，所以，请各位看官勿喷。 一、事件起因 关于Mybatis和JPA孰优孰劣的问题，争论已经很多年了。一直也没有结论，毕竟每个人的喜好和习惯是大不相同的。我也看...

白话阿里巴巴Java开发手册高级篇

不久前，阿里巴巴发布了《阿里巴巴Java开发手册》，总结了阿里巴巴内部实际项目开发过程中开发人员应该遵守的研发流程规范，这些流程规范在一定程度上能够保证最终的项目交付质量，通过在时间中总结模式，并推广给广大开发人员，来避免研发人员在实践中容易犯的错误，确保最终在大规模协作的项目中达成既定目标。 无独有偶，笔者去年在公司里负责升级和制定研发流程、设计模板、设计标准、代码标准等规范，并在实际工作中进行...

SQL-小白最佳入门sql查询一

不要偷偷的查询我的个人资料，即使你再喜欢我，也不要这样，真的不好；

项目中的if else太多了，该怎么重构？

介绍 最近跟着公司的大佬开发了一款IM系统，类似QQ和微信哈，就是聊天软件。我们有一部分业务逻辑是这样的 if (msgType = "文本") { // dosomething } else if(msgType = "图片") { // doshomething } else if(msgType = "视频") { // doshomething } else { // doshom...

Nginx 原理和架构

Nginx 是一个免费的，开源的，高性能的 HTTP 服务器和反向代理，以及 IMAP / POP3 代理服务器。Nginx 以其高性能，稳定性，丰富的功能，简单的配置和低资源消耗而闻名。 Nginx 的整体架构 Nginx 里有一个 master 进程和多个 worker 进程。master 进程并不处理网络请求，主要负责调度工作进程：加载配置、启动工作进程及非停升级。worker 进程负责处...

【图解经典算法题】如何用一行代码解决约瑟夫环问题

约瑟夫环问题算是很经典的题了，估计大家都听说过，然后我就在一次笔试中遇到了，下面我就用 3 种方法来详细讲解一下这道题，最后一种方法学了之后保证让你可以让你装逼。 问题描述：编号为 1-N 的 N 个士兵围坐在一起形成一个圆圈，从编号为 1 的士兵开始依次报数（1，2，3…这样依次报），数到 m 的 士兵会被杀死出列，之后的士兵再从 1 开始报数。直到最后剩下一士兵，求这个士兵的编号。 1、方...

吐血推荐珍藏的Visual Studio Code插件

作为一名Java工程师，由于工作需要，最近一个月一直在写NodeJS，这种经历可以说是一部辛酸史了。好在有神器Visual Studio Code陪伴，让我的这段经历没有更加困难。眼看这段经历要告一段落了，今天就来给大家分享一下我常用的一些VSC的插件。 VSC的插件安装方法很简单，只需要点击左侧最下方的插件栏选项，然后就可以搜索你想要的插件了。 下面我们进入正题 Material Theme ...

如何防止抄袭PCB电路板

目录 1、抄板是什么 2、抄板是否属于侵权 3、如何防止抄板 1、抄板是什么 抄板也叫克隆或仿制，是对设计出来的PCB板进行反向技术研究；目前全新的定义：从狭义上来说，抄板仅指对电子产品电路板PCB文件的提取还原和利用文件进行电路板克隆的过程；从广义上来说，抄板不仅包括对电路板文件提取、电路板克隆、电路板仿制等技术过程，而且包括对电路板文件进行修改（即改板）、对电子产品外形模具进行三维...

“狗屁不通文章生成器”登顶GitHub热榜，分分钟写出万字形式主义大作

一、垃圾文字生成器介绍 最近在浏览GitHub的时候，发现了这样一个骨骼清奇的雷人项目，而且热度还特别高。 项目中文名：狗屁不通文章生成器 项目英文名：BullshitGenerator 根据作者的介绍，他是偶尔需要一些中文文字用于GUI开发时测试文本渲染，因此开发了这个废话生成器。但由于生成的废话实在是太过富于哲理，所以最近已经被小伙伴们给玩坏了。 他的文风可能是这样的： 你发现，...

程序员：我终于知道post和get的区别

是一个老生常谈的话题，然而随着不断的学习，对于以前的认识有很多误区，所以还是需要不断地总结的，学而时习之，不亦说乎

《程序人生》系列-这个程序员只用了20行代码就拿了冠军

你知道的越多，你不知道的越多 点赞再看，养成习惯GitHub上已经开源https://github.com/JavaFamily，有一线大厂面试点脑图，欢迎Star和完善 前言 这一期不算《吊打面试官》系列的，所有没前言我直接开始。 絮叨 本来应该是没有这期的，看过我上期的小伙伴应该是知道的嘛，双十一比较忙嘛，要值班又要去帮忙拍摄年会的视频素材，还得搞个程序员一天的Vlog，还要写BU...

加快推动区块链技术和产业创新发展，2019可信区块链峰会在京召开

11月8日，由中国信息通信研究院、中国通信标准化协会、中国互联网协会、可信区块链推进计划联合主办，科技行者协办的2019可信区块链峰会将在北京悠唐皇冠假日酒店开幕。 　　区块链技术被认为是继蒸汽机、电力、互联网之后，下一代颠覆性的核心技术。如果说蒸汽机释放了人类的生产力，电力解决了人类基本的生活需求，互联网彻底改变了信息传递的方式，区块链作为构造信任的技术有重要的价值。 　　1...

Python 植物大战僵尸代码实现(2):植物卡片选择和种植

这篇文章要介绍的是： - 上方植物卡片栏的实现。 - 点击植物卡片，鼠标切换为植物图片。 - 鼠标移动时，判断当前在哪个方格中，并显示半透明的植物作为提示。

相关热词 c# 二进制截断字符串 c#实现窗体设计器 c#检测是否为微信 c# plc s1200 c#里氏转换原则 c# 主界面 c# do loop c#存为组套 模板 c# 停掉协程 c# rgb 读取图片