- 综合排序
- 最热优先
- 最新优先
技术架构的核心目标
技术架构的核心问题与目标 技术架构的核心在于解决系统在物理层面的稳定性、性能和扩展性问题，确保业务功能在复杂环境下可靠运行。 核心组件：数据库、缓存、消息队列等中间件。 支撑系统：日志、配置、监控等运维工具，保障系统隐形运行。 技术架构的核心目标 高可用性 衡量标准：以“几个9”表示（如99.9%即全年宕机≤8.76小时）。 实现手段： 故障转移：主备切换、无状态设计。 流量控制：限流、熔断、降级（如大促时关闭非核心功能）。 高性能 目标：响应时间符合业务场景需求（如页面3秒内加载）。 优化方向： 常规流量：缓存（Redis）、异步处理（消息队列）。 总结 技术架构需在硬件限制、软件复杂性与业务需求间找到平衡，通过合理选型（如MySQL vs MongoDB）和设计模式（如微服务 vs 单体），实现高可用、高性能、低成本的核心目标。
21710编辑于 2025-12-18Java核心-核心类与API（2）
话接上回，继续核心类与API的学习，这次介绍StringBuffer/StringBuilder/StringJoiner类。 2、创建StringBuffer类对象 2.1 三种方式 1）StringBuffer() 构造一个空的字符串缓冲区，并初始化为 16 个字符的容量。 2）StringBuffer(int length) 创建一个空的字符串缓冲区，并初始化为指定长度 length 的容量。 2）StringBuilder(int length) 创建一个空的字符串缓冲区，并初始化为指定长度 length 的容量。 2）StringBuffer StringBuffer 就是为了解决大量拼接字符串时产生很多中间对象问题而提供的一个类。
38831编辑于 2024-02-24- 来自专栏AI算法札记
目标检测2: 目标检测20年综述之(二)
本文是目标检测方向的第二篇，也是综述的第二部分，第一篇见目标检测1: 目标检测20年综述之(一)。 这两篇的目的主要是让读者对目标检测任务有直观的认识，后续介绍细节时有一定的概念储备，无需关注细节。 5.1.1 Components, shapes and edges “依靠组件识别”作为一种重要的认知理论，长期以来一直是图像识别和目标检测的核心思想。 5.2.2 Detection with object proposals 目标proposa参考一组可能包含任何目标的与类别无关的候选框，它于2010年首次应用于目标检测。 每个预定义anchor box的损失包括两部分：1)用于分类的交叉熵损失和2)目标定位的L1/L2回归损失。 缺点 （1）得分最高的框可能不是最合适的 （2）它可能会抑制附近的物体 （3）它不抑制false positives 5.5.2 BB aggregation 边界框聚合是针对NMS的另一种技术，其思想是将多个重叠的边界框组合或聚类成一个最终的检测结果
76140编辑于 2022-08-02 - 来自专栏DevOps时代的专栏
DevOps 的前世今生：DevOps 的目标和核心
一文中，通过 Dev 和 Ops 的历史发展总结出了 Dev 和 Ops 矛盾的历史渊源，以及 Dev 和 Ops 的核心矛盾： Dev 和 Ops 的矛盾主要是面向适应性的敏捷软件交付和面向经验性的传统运维之间的矛盾 和 Paul Hammond 在 “10+ Deploys Per Day: Dev and Ops Cooperation at Flickr” 提出，并以“Cooperation”作为整个演讲的核心 Flicker 并没有屈服于压力，他们选择让问题向目标妥协，而不是目标向问题妥协。 而要实现这一目标，要通过一些手段。 2. 开发-运维反馈环（绿色箭头反馈环）： 技术方面： 系统管理员采用软件开发技术：使用代码仓库、持续集成、测试工具、设计模式来自动化的处理系统的初始化操作。
1.8K91发布于 2018-04-08 - 来自专栏肉眼品世界
数字化转型的目标、方向和核心因素
我们将此策略概括为数字化转型的1-3-6-9： 1个目标，明确数字化转型为什么？ 3大领域，了解数字化转型是什么？ 6个核心要素，怎么布局数字化转型？ 9大价值链环节，数字化转型围绕哪些环节进行 一 一个目标 捕获增长，提升价值 数字化转型的长期目标是捕获增长，提升价值，所有数字化技术的应用和落实也应围绕这个目标展开。 工业物联网架构是支撑数字化业务用例试点和推广的“骨骼”，数据架构是确保“数据-信息-洞见-行动”能够付诸实现的“血液”，而整体架构的构建需要始终以数字化转型的终极目标为导向。 成功的组织转型是一场自上而下推动的变革，需要企业高层明确目标，构建绩效基础架构，成为指导转型行动方向的“大脑”；形成转型举措和财务指标的映射，成为反映转型业务影响的“眼睛”；树立全组织一致的变革管理理念和行为 四 总结 在了解了企业数字化转型的1个目标和3大转型领域后，我们将在下一篇文章中继续为您介绍数字化转型的6个核心要素，敬请期待。
47520发布于 2021-07-13 - 来自专栏简书专栏
目标检测第2步-数据准备
本文作者接触深度学习2个月后，开始进行目标检测实践。 image.png 解压完成后，桌面的目标检测文件夹中如下图所示： ? image.png 2.选择图片 在此数据集中，大部分图片都较为清晰，但是有极少数图片像素点少，不清晰。 在桌面的目标检测文件夹中新建代码文件xml_to_csv.ipynb，步骤与第2章中相同： 打开cmd——>运行jupyter notebook——>新建代码文件——>代码文件重命名 复制下面一段代码到代码文件 在桌面的目标检测文件夹中新建代码文件csv_to_tfrecord.ipynb，步骤与第2章中相同： 打开cmd——>运行jupyter notebook——>新建代码文件——>代码文件重命名 复制下面一段代码到代码文件 8.编写配置文件 在桌面文件夹目标检测的文件夹training中，创建配置文件ssdlite_mobilenet_v2_coco.config。 本文作者给读者提供2种方式获得正确的配置文件。
1.5K31发布于 2018-12-21 - 来自专栏程序员的时光
Struts2——核心知识
1，Struts2中get/set自动获取/设置数据 比如先在Action类里面添加一个name属性并加上get/set方法； package com.java.action; import com.opensymphony.xwork2 language="java" %> <html> <head> <title>$Title$</title> </head> <body> ${name} Struts2 2，ActionSupport类引入 我们可以继承自ActionSupport类，修改如下： package com.java.action; import com.opensymphony.xwork2 ActionSupport; public class UserAction2 extends ActionSupport { private UserService userService charset=UTF-8" language="java" %> <html> <head> <title>Title</title> </head> <body> <form action="user<em>2</em>"
37720发布于 2020-07-14 - 来自专栏捞月亮的小北
2-Vue核心技术
2. 常量都可以。 3. 只要是合法的javascript表达式，都可以。 4. 2. v-bind是单向数据绑定。 data ===> 视图 3. v-model是双向数据绑定。 , }, }); </script> </body> </html> 2. MVVM 分层思想 2.1 初始 MVVM 分层思想 一。 MVVM 是什么 M：Model（模型/数据） V：View（视图） VM：ViewModel（视图模型）：VM 是 MVVM 中的核心部分。（它起到一个核心的非常重要的作用。） 不分离，使用最原始的原生的 javascript 代码写项目：如果数据发生任意的改动，接下来我们需要编写大篇幅的操作 DOM 元素的 JS 代码 将 Model 和 View 分离之后，出现了一个 VM 核心
32510编辑于 2023-12-01 - 来自专栏wfaceboss
2.基础核心学习
(){ //这是 Base 的$ alert($('#box').ge(0)); //这是 Base 的$ alert($$('#box').width()); //这是 jQuery 的$$ }) 2.
46320发布于 2019-04-08 - 来自专栏漫漫架构路
RocketMQ详解(2)——RocketMQ核心概念
RocketMQ详解(2)——RocketMQ核心概念 一. RocketMQ专业术语 Producer 消息生产者，负责产生消息，一般由业务系统负责产生消息。 在JMS规范中，类似于P2P模型，但是RocketMQ的集群消费功能大于等于JMS的P2P消费。 因为集群消费模式下，RocketMQ单个Consumer Group内的消费类似于P2P，但是一个Topic/Queue可以被多个Consumer Group消费。
1.5K20发布于 2020-09-03 - 来自专栏捞月亮的小北
2-Vue核心技术
2. 常量都可以。 3. 只要是合法的javascript表达式，都可以。 4. 2. v-bind是单向数据绑定。 data ===> 视图 3. v-model是双向数据绑定。 , }, }); </script> </body> </html> 2. MVVM 分层思想 2.1 初始 MVVM 分层思想 一。 MVVM 是什么 M：Model（模型/数据） V：View（视图） VM：ViewModel（视图模型）：VM 是 MVVM 中的核心部分。（它起到一个核心的非常重要的作用。） 不分离，使用最原始的原生的 javascript 代码写项目：如果数据发生任意的改动，接下来我们需要编写大篇幅的操作 DOM 元素的 JS 代码 将 Model 和 View 分离之后，出现了一个 VM 核心
34010编辑于 2023-12-01 - 来自专栏我爱计算机视觉
深度学习人脸识别核心技术—框架和优化目标
注：本文选自人脸图像资深工程师言有三出版的新书《深度学习之人脸图像处理：核心算法与案例实战》（机械工业出版社出版）的6.2节，略有改动。经授权刊登于此。 人脸识别本质上是一个人脸验证和匹配问题，其中最重要的就是框架和优化目标，本节集中讨论这两个主要问题。 输入3个样本可以是一个正例+两个负例，或者一个负例+两个正例，Triplet loss的目标是要让属于同一个人的人脸在特征空间中尽可能地“近”，而与其他人脸尽可能地“远”。 优化目标等于： ? 在理想情况下，令margin=1，如果网络训练得特别好，满足下式： ? 3．Center loss Center Loss[7]与Siamese、Triplet网络优化的目标不同，它只关注类内分布的均匀性，即希望每一个类绕类内中心均匀分布，从而最小化类内距离，公式如下： ?
1.3K20发布于 2020-08-11 - 来自专栏李才哥
Vue2核心知识
Vue2核心知识Vue实例new Vue(options)el 指定Vue实例挂载的元素，可以是一个CSS选择器字符串，或一个DOM元素。 data 定义数据 • 1. • 2. data中尽量不要用箭头函数。 • 3. data中后续动态添加的新属性，Vue将无法监听这些属性的变化（不是响应式的），可以使用$set()解决该问题。 仅接收 • 2. 例如：{{1+2}}，{{a}}，{{str.toUpperCase()}}，但不能写语句。指令语法v-model 基本使用 • 用于输入类DOM元素，实现双向数据绑定。 在特定时刻自动执行的函数，(又称周期函数、钩子函数)整体流程1. beforeCreate 在初始化之前执行的函数 2.
62510编辑于 2023-06-27 - 来自专栏OY_学习记录
Vue 核心基础（2.X）
双大括号表达式</h2>
{{msg}}
{{msg.toUpperCase()}}
<h2>2. @click="test3('abc',$event)">test3</button> <h2>2. 实例效果： 20201227155958.gif 20201227160110.png 十一、过渡&动画 1、vue 动画的理解 操作 css 的 trasition 或 animation vue 会给目标元素添加 基本过渡动画的编码 在目标元素外包裹 <transition name=”xxx”> 定义 class 样式 指定过渡样式：transition 指定隐藏时的样式： opacity/其他 3、编码示例 -- 需求: 自定义2个指令 1. 功能类型于v-text, 但转换为全大写 2.2K20编辑于 2022-03-18 - 来自专栏Java帮帮-微信公众号-技术文章全总结
Maven 核心原理解析（2）
modules> </project> 通过在一个打包方式为pom的Maven项目中声明任意数量的module以实现模块聚合: packaging: pom, 否则无法聚合构建. modules: 实现聚合的核心 pluginManagement: 与dependencyManagement类似, 配置的插件不会造成实际插件的调用行为, 只有当子POM中配置了相关plugin元素, 才会影响实际的插件行为. 2.
1.3K70发布于 2018-03-16 - 来自专栏Golang开发
Go语言核心编程(2)——函数
注：本文是《Go语言核心编程》（李文塔/著）个人读书笔记 函数定义 首字母大小写决定函数在其他包的可见性，大写时其他包可见，小写时只有相同的包可以访问。
1K20发布于 2019-05-29 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
显著性检测是发现显著目标具有非常大的尺度变化，故而针对多尺度特征的提取和学习成为了显著性目标检测模型中被探讨最为频繁的内容。 ，从而获得显著目标的精细边界。 Wu等［56］提出的DCN模型将整个网络分为2个阶段，其中分解网络迭代地利用跨任务聚合和跨层聚合模块同时进行显著性、边缘和骨架图的预测，而在合成网络中，使用边缘和骨架信息学习分别定位显著目标的边界和内部 多尺度特征学习技术赋予神经网络检测多尺度目标的能力，以此处理真实世界中尺度变化多样的显著性目标；注意力机制则能够迫使网络建模语义信息、细节信息等特征相关性，从而保证目标分割的完整性和准确性；多信息辅助路线引入除显著性真值图外其他有效的边缘 参考 [1].基于深度学习的显著性目标检测综述
96721编辑于 2023-05-15 - 来自专栏CSDN社区搬运
【FCOS】2D目标检测算法
概述 FCOS提出了一个全卷积的单阶段目标检测器，以逐像素预测的方式解决目标检测，类似于语义分割。 网络输出 对应于训练目标，FCOS网络的最后一层预测分类标签得80D向量p（此时是COCO数据集，总共有90类）和4D边界框坐标向量t=(l,t,r,b)。 此外，由于回归目标总是正的，FCOS网络使用exp(x)将任何实数映射到回归分支顶部的（0，＋∞）。 求和是在特征图FiFi上的所有位置上计算1{ci∗>0}1{ci∗>0}是指标函数，如果ci∗>0ci∗>0则为1，否则为0 核心逻辑 返回特征图上每个像素点对应的bbox def prepare_targets self, points, targets): object_sizes_of_interest = [ [-1, 64], # 不同的FPN层每层需要规定检测目标的大小
39310编辑于 2024-11-28 - 来自专栏GiantPandaCV
目标检测算法之YOLOv2
今天我们将来分析一下YOLO目标检测算法系列的YOLOv2和YOLO9000。 YOLOv2 原理 YOLOv1作为One-Stage目标检测算法的开山之作，速度快是它最大的优势。 高分辨率 当前大多数目标检测网络都喜欢使用主流分类网络如VGG,ResNet来做Backbone，而这些网络大多是在ImageNet上训练的，而分辨率的大小必然会影响到模型在测试集上的表现。 聚类的结果中多是高瘦的box，而矮胖的box数量较少，这也比较符合数据集中目标的视觉效果。 ? 采用YOLOv2，模型的mAP值没有显著提升，但计算量减少了。 ? 在这里插入图片描述 直接位置预测 YOLOv2在引入Anchor的时候碰到第2个问题：模型不稳定，尤其是训练刚开始阶段。 总结 YOLOv2借鉴了很多其它目标检测方法的一些技巧，如Faster R-CNN的anchor boxes, SSD中的多尺度检测。
71220发布于 2019-12-04 - 来自专栏大数据智能实战
tensorflow MobileNetV2的目标检测测试
谷歌近期又推出了下一代移动视觉应用 MobileNetV2 ，它在 MobileNetV1 的基础上获得了显著的提升，并推动了移动视觉识别技术的有效发展，包括分类、目标检测和语义分割。 MobileNetV2 作为 TensorFlow-Slim 图像分类库的一部分而推出，同时也已经集成到目标检测的包中，同时重要的是提供了预训练模型。 2、模型实验 由于分类的实验本质上包含在目标检测中，此处只对检测进行分析： （1）object_detection包中自带的测试图片，其检测结果如下，可见还是有一些未检测出来的。 ? （2）与上次mobilenetv1实验进行对比，见博客：tensorflow model中目标对象检测包的编译和测试 其中照片位置：https://worldtravelholics.files.wordpress.com 可见mobilenetv2的检测效果比v1版本来得好！
1.7K10发布于 2019-05-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号