- 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 2025-12-18- 来自专栏云深之无迹
Julia机器核心编程.7
可以说，无论是R（data.frame）还是Python（Pandas）中的表格都是统计计算中最重要和最常用的数据类型。这是因为真实世界中的数据大多是表格式的，不能用简单的DataArray来表示。
74020发布于 2020-08-26 - 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 二、重新定义Ops的工作目标 在一个组织中，如果相关利益者的利益不一致，在既定流程的进行中一定会碰到诸多阻力。 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。
1.8K91发布于 2018-04-08 - 来自专栏贾志刚-OpenCV学堂
源码 | OpenCV DNN + YOLOv7目标检测
点击上方蓝字关注我们 作者：王博，极视角科技算法研究员 微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 简单说明 分别使用OpenCV、ONNXRuntime部署YOLOV7目标检测 YOLOV7的训练源码是： https://github.com/WongKinYiu/yolov7 跟YOLOR是同一个作者的。 /yolov7-tiny_384x640.onnx", "models/yolov7_480x640.onnx", "models/yolov7_384x640.onnx", "models/yolov7 -tiny_256x480.onnx", "models/yolov7-tiny_256x320.onnx", "models/yolov7_256x320.onnx", "models/yolov7- 二值图象分析之Blob分析找圆 OpenCV4.5.x DNN + YOLOv5 C++推理 OpenCV4.5.4 直接支持YOLOv5 6.1版本模型推理 OpenVINO2021.4+YOLOX目标检测模型部署测试
4.4K40编辑于 2022-07-19 - 来自专栏EdisonTalk
MySQL核心知识学习之路（7）
上一篇：MySQL核心知识学习之路（6） 1 关于幻读 我们都知道MySQL的默认隔离级别是可重复读（点此复习MySQL的事务隔离），它仍然存在一个问题：幻读。 ? 啥是幻读？ 比如下图所示的某张表t，在该表主键索引（id）上插入了6个记录（0,5,10,15,20,25），因此产生了7个间隙。
45720发布于 2021-04-09 - 来自专栏云原生拾遗
ESXi 7 开启 Intel 核心显卡直通
但是，ESXi 默认不支持 Intel 核心显卡的直通功能，虚拟机无法直接使用物理机上的核心显卡，导致性能和兼容性的损失。 本文将为您介绍如何通过修改 ESXi 的配置文件，开启 Intel 核心显卡的直通功能，让虚拟机享受更好的图形处理能力和体验。
14.1K20编辑于 2023-08-25 - 来自专栏Golang开发
Go语言核心编程(7)——语言陷阱
注：本文是《Go语言核心编程》（李文塔/著）个人读书笔记 多指赋值 规则 1 相同类型变量可在末尾带上类型 2 如果不带类型，则进行类型推断 3 多值赋值语句每个变量后面不能带上类型 格式 右边可是一个返回函数表达式
1.3K40发布于 2019-05-29 - 来自专栏李昂君
ElasticSearch 7.x.x核心概念
阅读量: 54 核心概念大纲 索引（index） 字段类型（mapping） 文档（documents） 分片（Lucene倒排索引） ---- 在本站点的前文中,笔者已经阐述了es是什么，同时也把es
64410编辑于 2021-12-24 - 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 - 来自专栏往期博文
【目标检测】YOLOv7理论简介+实践测试
然而，近年来，如果以目标检测为例，研究者经常利用网络预测输出的质量和分布，然后结合GT考虑，使用一些计算和优化方法来生成可靠的软标签。例如，YOLO使用边界框回归预测和GT的IoU作为客观性的软标签。 由于YOLOv7是基于YOLOv5代码进行修改的，因此训过YOLOv5模型的人都可以很容易得跑起来。 这里具体的流程就不再重复了，因为和【目标检测】YOLOv5跑通VisDrone数据集里面的一模一样。 可以看到，yolov7的效果在我自己的数据集上，效果还不如yolov5，这可能是由于我的数据集目标较大，较稀疏，检测难度不高。 pwd=8888 包含yolov7.pt，yolov7-e6e.pt两个预训练模型
2K31编辑于 2022-09-19 - 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。 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： ? 最后通过选择不同的图像块，训练了7个分类器进行集成。 DeepID2+在DeepID2的基础上增加了4个特征提取层的隐藏层数量，特征通道数量由20、40、60、80变为128、128、128、128。
1.3K20发布于 2020-08-11 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（7）
2. conv4_3 和 conv7_fc 在接预测层之前分别接 RFB-s 和RFB结构。 8.3.9 M2Det M2Det有哪些创新点 1. 下面介绍有关M2Det中三个核心模块和网络配置的更多详细信息。 FFMs FFM融合了M2Det中不同层次的特征，这对于构建最终的多级特征金字塔至关重要。
33710编辑于 2024-05-05 - 来自专栏和蔼的张星的图像处理专栏
7.SSD目标检测之一：运行SSD模型
参考：SSD目标检测 SSD的原理介绍可以参见：SSD原理介绍 2.环境准备。 tf.train.Saver() saver.restore(isess, ckpt_filename) # 在网络模型结构中，提取搜索网格的位置 # 根据模型超参数，得到每个特征层（这里用了6个特征层，分别是4，7， ，并且他们的box坐标会有些许不同，这里并没有去掉重复的目标，而是在下文 中专门用了一个函数来去重 """ # 检测有没有超出检测边缘 rbboxes = rclasses, rscores, rbboxes = np_methods.bboxes_sort(rclasses, rscores, rbboxes, top_k=400) # 去重，将重复检测到的目标去掉 colors_plasma, thickness=8) return img else: return rclasses, rscores, rbboxes # 做目标定位
4.1K30发布于 2018-11-09 - 来自专栏顾宇的研习笔记
DevOps 的目标和核心前言
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 Allspaw 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 这个演讲中： 重新定义Ops的工作目标 在一个组织中，如果相关利益者的利益不一致，在既定流程的进行中一定会碰到诸多阻力。 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。
51120发布于 2018-08-17 - 来自专栏OpenCV与AI深度学习
干货 | YOLOv7目标检测论文解读与推理演示
导读 本文主要介绍简化的YOLOv7论文解读和推理测试以及YOLOv7与 YOLO系列的其他目标检测器的比较。 （公众号：OpenCV与AI深度学习） 背景介绍 YOLOv7是YOLO系列中最先进的新型目标检测器。 本文主要介绍简化的YOLOv7论文解读和推理测试以及YOLOv7与 YOLO系列的其他目标检测器的比较。 YOLOv7通过将性能提升一个档次建立了重要的基准。 上述实验结果表明，YOLOv7 模型在速度和准确度上确实优于目标检测器。 YOLOv7目标检测推理 现在，让我们进入博文中令人兴奋的部分，即使用 YOLOv7 对视频进行推理。 YOLOv7 中的重新参数化 粗为辅助，细为Lead Loss 如何使用 YOLOv7 GitHub 存储库运行目标检测推理。 YOLOv7 在速度和准确度上超过了所有实时目标检测器。
6.2K30编辑于 2022-09-26 - 来自专栏计算机视觉战队
“YoloV7”？目标检测算法终结篇：正式开源
它的目的是让YOLO全面开花，不仅仅只是做目标检测。 计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。 Neck进行优化提升最终精度 深度学习目标检测在实际场景中的应用（附源代码） Label,Verify,Correct：一种简单的Few Shot 目标检测方法 SPARSE DETR：具有可学习稀疏性的高效端到端目标检测 （源代码下载） 自适应特征融合用于Single-Shot目标检测（附源代码下载） 目标检测：SmartDet、Miti-DETR和Few-Shot Object Detection RestoreDet ：低分辨率图像中目标检测 Yolo-Z：改进的YOLOv5用于小目标检测（附原论文下载）
1.3K40编辑于 2022-05-23 解读文件防勒索软件的7大核心能力
白名单进程”伪装，堂而皇之地访问敏感数据l 备份缺失：很多企业备份机制不完善，被加密后连恢复的机会都没有l 管理滞后：攻击发生后才发现，缺乏实时预警和集中管控能力安得卫士文件防勒索：为你的数据穿上“智能铠甲”核心防护能力详解 7.灵活高效的部署与管理支持作为独立模块快速部署于单一终端，也支持通过网络统一下发安全策略至全网终端，实现集中管控、统一运维，极大减轻了IT管理负担。
16010编辑于 2025-12-05- 来自专栏冰河技术
《MySQL核心知识》第7章：插入、更新、删除
大家好，我是冰河~~ 今天是《MySQL核心知识》专栏的第7章，今天为大家系统的讲讲MySQL中的插入、更新、删除语句，希望通过本章节的学习，小伙伴们能够举一反三，彻底掌握MySQL中的各种插入、更新、
1.2K30编辑于 2022-09-22 构建可靠AI模型的7大核心技术
国际标准化组织将AI稳健性定义为“AI系统在任何情况下保持性能水平的能力”。在稳健模型中，训练错误率、测试错误率和操作错误率几乎相同。当遇到意外数据或在非理想条件下运行时，稳健的AI工具仍能提供准确输出。
30200编辑于 2025-08-30- 来自专栏机器之心
7 papers | 周志华深度森林新论文；谷歌目标检测新SOTA
通 SAG-Mask 分支嵌入到 FCOS 目标检测器中，它可以利用空间注意力地图来每个框上预测分割掩码，从而有助于分割掩码。 在本文中，研究者系统地研究了用于目标检测的各种神经网络架构设计选择，并提出了一些关键的优化措施来提升效率。 具体而言，在没有附属条件的情况下，EfficientDet-D7 在 52M 参数和 326B FLOPS1 的 COCO 数据集上实现了 51.0 mAP 的 SOTA 水平，体积缩小了 4 倍，使用的 论文 7：α^α-Rank: Practically Scaling α-Rank through Stochastic Optimisation 作者：Yaodong Yang、Rasul Tutunov Haitham Bou Ammar 论文链接：https://arxiv.org/abs/1909.11628 摘要：作为 DeepMind「阿尔法」家族的一名新成员，α-Rank 有关强化学习，并于今年 7
56110发布于 2019-12-06
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