- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodeNone
每天5分钟-行为模式（四）
行为型模式到这篇就结束了，完了之后是结构型模式。 空对象模式 这个模式可以说用得比较少，至少在我真正学习之前是没有用过的，甚至没有听过的。在空对象模式中，一个空对象取代NULL对象实例的检查。
30130发布于 2021-08-12 - 来自专栏CodeNone
每天5分钟-行为型模式（三）
状态模式 状态模式的好处是将与特定状态相关的行为局部化，并且将不同状态的行为分割开来。 将特定相关的行为都放入一个对象中，由于所有与状态相关的代码都存在于某个ConcreteState 中，所以通过定义新的子类可以很容易地增加新的状态和转换。 这样我们就可以把组装作为一个行为模板给封装起来。 惊不惊喜-行为3 备忘录模式 在不破坏封装的前提下，捕获一个对象的内部状态，并在该对象之外保存这个状态，这样可以在以后将对象恢复到原先保存的状态。 到此为止-行为3 到这里的话，普通的备忘录模式就已经讲完了，下面要讲的都是基于普通模式进行的改进，可看可不看。
50320发布于 2021-08-12 - 来自专栏CodeNone
每天5分钟-行为型模式（二）
一听这名字就很熟悉，对于java程序员来说，遍历集合还是比较常见的操作。不用关心类型，就能够访问数据，用的就是迭代器模式。
34340发布于 2021-08-12 - 来自专栏CodeNone
每天5分钟-行为型模式（1）
首先，常用的设计模式分为3大类，创建型模式、行为型模式和结构型模式。前两篇所写的工厂模式和建造者模式就是属于创建型模式的内容。
39520发布于 2021-08-12 - 来自专栏燧机科技-视频AI智能分析
工厂人员违规行为识别 yolov5框架
工厂人员违规行为识别借助yolov5深度学习框架技术，YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度与精度都得到了极大的性能提升，具体包括：输入端的 Yolov5中添加了FPN+PAN结构，相当于目标检测网络的颈部，也是非常关键的。 FPN是自顶向下，将高层的强语义特征传递下来，对整个金字塔进行增强，不过只增强了语义信息，对定位信息没有传递。
69900编辑于 2022-12-18 - 来自专栏我和未来有约会
转向行为 - 寻找行为
寻找行为只是把机车移动到指定点。 现在给出寻找行为的一个例子： <UserControl xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x { //myStar.position = new Vector2D(100, 100); //myStar.velocity.length = 5; 仅仅是让场景上一个有转向行为的机车在每帧去寻找鼠标。试着改变机车的最大速率和最大力度，或者改变其质量(mass)来感受一 下这些因素对转向行为的影响。 myStar.seek(new Vector2D(mouseX, mouseY)); myStar.update(); 到此，应该已经见识了转向机车如何寻找鼠标或者另一辆机车，当对这些工作有了很好的理解后，我们进入下一个行为
1.5K70发布于 2018-01-16 - 来自专栏大数据和云计算技术
Cosmos DB的5种事物一致性
微软Build 2017发布的Cosmos数据库比较有意思，同时支持5个级别一致性。 ? 一致性指的是事务的执行必须使资料库从一个一致性状态迁移至另一个一致性状态，事务的一致性决定了一个系统设计和实现的复杂度。 最常见的两种模式是强制一致性（Strong consistency）与最终一致性（EventuallyConsistency），但Azure Cosmos DB额外提供了介于上述两者之间的 有边界一致性 会话一致性：保证客户端和服务器交互的会话过程中，读操作可以读到更新操作后的最新值。 单调一致性：如果一个进程已经读到一个值，那么后续不会读到更早的值。 最终一致性：是弱一致性的特例。 /spanner/）只有两种一致性模型：强一致性（strong consistency）和最终一致性（eventualconsistency）。
2.3K50发布于 2018-03-08 - 来自专栏我和未来有约会
转向行为 - 追捕行为
对于追捕行为，它非常类似寻找行为。其实追捕的最后一个动作就是调用寻找。追捕的本质是预测目标所要到达的位置并事先赶到。 那么，该如何预测目标的位置呢？ 而实际上，寻找行为就是一个预测时间为零的追捕行为。 一个策略是基于两机车间的距离来判断预测时间。如果目标太远，需要花一段时间才能赶上，就预测长一点，如果很接近，马上就能达到，就预测短一点。 一个是只顾移动的机车，其作为目标，另外两个转向机车，一个用寻找行为，一个用追捕行为。如果一切正常，追捕者靠着优越的算法会胜出。 RenderTransformOrigin="0.5,0.5"> <ed:RegularPolygon Fill="#FFFD00FF" Height="40" InnerRadius="1" PointCount="<em>5</em>" 接下来的行为是：躲避。
1.6K100发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 到达行为
到达行为在很多场合都可以被当作是寻找行为。实际上，它们之间的算法和处理方式都一样。唯一不同的是，在到达模式中，一辆机车在到达目标的某一距离时，会变成一种精确模式慢慢地靠近目标点。 为了了解到达行为的必要性，可以先运行一下SeekTest类，然后移动鼠标到某处让机车过来“抓住”它。会看到机车快速的越过了鼠标，接着它发现过头了，又返回来，还是过头了....于是会一直循环下去。 到达行为通过减速接近目标，解决了这个问题： public void arrive(Vector2D target) { Vector2D desiredVelocity 最终速度会趋向于0（假设只有一个行为作用于该机车）。 如果愿意可以再试着玩玩增加多辆机车，或者现在就进入下一个行为：追捕。
1.5K60发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 躲避行为
躲避就是追捕的反行为。就像追捕类似于寻找，躲避类似于避开。 本质上讲，是预测出机车将要去到的位置并远离它。在这里所有的原则都和追捕相同。 RenderTransformOrigin="0.5,0.5"> <ed:RegularPolygon Fill="#FFFD00FF" Height="40" InnerRadius="1" PointCount="<em>5</em>"
1.4K80发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 避开行为
避开行为与寻找行为彻底相反。实际上，除了代码最后一行用相减代替了相加以外，其它都一样。 Vector2D(100, 100); myStar.edgeBehavior = Vehicle.BOUNCE; myStar.velocity.length = 5; 现在我们有了一对正反行为，接下来要做的是为这对行为创建一对机车来看看情况。 我们还可以把两个行为同时用于一辆机车上。下面的例子中，机车A同时寻找和避开机车B，机车B同时寻找和避开机车C，机车C同时的寻找和避开机车A。这三辆机车会因为追捕各自的目标而形成一个圆。 如果这些都没问题了，那就开始探索下一个行为：到达。
1.3K70发布于 2018-01-16 - 来自专栏民工哥技术之路
审计 Linux 系统的操作行为的 5 种方案对比
不过过剩的记录也会为分析带来不少麻烦， 尤其是将很多主机的记录行为发送到固定的远程主机中，数据越多，分析的成本便越大。 实际上，绝大多数的系统行为都是重复多余的，比如 cron 任务计划，我们信任的程序等, 这些都会产生大量的记录，但很少用于审计分析。 等）产生的记录； 忽略频繁产生日志的操作行为； 第二点为可选项，在以明文方式传输到远程日志服务器的时候，我们建议忽略记录。 ，即在打印日志的时候判断是否满足过滤规则，并非事前行为。 comm="mysql" exe="/usr/bin/mysq l" key="command" type=EXECVE msg=audit(1603800704.305:5304075): argc=5
2K20发布于 2021-01-12 - 来自专栏我和未来有约会
转向行为 - 漫游行为
漫游行为就像它的名字一样，角色在场景中毫无目的的移动。这通常用来模拟巡视和觅食，也有纯粹是为了漫游而漫游的。 漫游行为在实现上不像听起来那么容易。 wanderAngle = 0; private double _wanderDistance = 10; private double _wanderRadius = 5;
1.5K80发布于 2018-01-16 - 来自专栏燧机科技-视频AI智能分析
看守所视频AI行为分析系统 YOLOv5
看守所视频AI行为分析系统利用yolov5网络架构模型可以分析如非法闯入、倒地事件、明火烟雾、摄像头视频画面异常、睡岗检测、离床检测、聚众、离岗检测、攀高检测等。 YOLOv5是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。 Yolov5中添加了FPN+PAN结构，相当于目标检测网络的颈部，也是非常关键的。
84060编辑于 2022-12-19 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 视频中人体行为识别主要分为两个子方向。 参考文献 行为识别的综述博客： https://blog.csdn.net/neu_chenguangq/article/details/79504214 给出了行为识别的一些概述及资源合集（文章、代码 共有5个大类的动作：1)人-物交互；2)肢体运动；3)人-人交互；4)弹奏乐器；5)运动。 HMDB51:来源为YouTube视频，共计51类动作，约7000段视频。 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务
3.5K20编辑于 2022-06-24 - 来自专栏Java技术栈
5分钟带你理解一致性Hash算法。
一致性Hash算法背景 一致性哈希算法在1997年由麻省理工学院的Karger等人在解决分布式Cache中提出的，设计目标是为了解决因特网中的热点(Hot spot)问题，初衷和CARP十分类似。 但现在一致性hash算法在分布式系统中也得到了广泛应用，研究过memcached缓存数据库的人都知道，memcached服务器端本身不提供分布式cache的一致性，而是由客户端来提供，具体在计算一致性hash ），由于hash值已经改变，所以很可能找不到保存该对象的服务器节点），因此一致性hash就显得至关重要，良好的分布式cahce系统中的一致性hash算法应该满足以下几个方面： 平衡性(Balance) 根据一致性哈希算法，数据A会被定为到Node A上，B被定为到Node B上，C被定为到Node C上，D被定为到Node D上。 下面分析一致性哈希算法的容错性和可扩展性。 综上所述，一致性哈希算法对于节点的增减都只需重定位环空间中的一小部分数据，具有较好的容错性和可扩展性。 另外，一致性哈希算法在服务节点太少时，容易因为节点分部不均匀而造成数据倾斜问题。
82480发布于 2018-03-30 - 来自专栏YOLO大作战
基于YOLOv5的摄像头吸烟行为检测系统（pytoch）
AI工具如何改变生活，本文主要通过YOLOv5技术阐述生活中对摄像头进行监控，并对吸烟危险行为进行识别，详细阐述了如何提升吸烟行为的检测精度。 1.吸烟数据集介绍 通过摄像头采集吸烟行为，共采集1812张图片 进行标注，按照8:1:1进行训练集、验证集、测试集随机区分。 大物体是指大于96*96）； 2）在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 2.基于Yolov5的吸烟行为检测性能提升 原始yolov5结果 2.1采用多尺度提升小目标检测精度 原理介绍：为了实现上述微小目标同样可以达到较好的检测效果, YOLOv5模型上通过P2层特征引出了新的检测头.
1.7K10编辑于 2023-11-30 - 来自专栏全栈程序员必看
行为树
行为树常被用来实现游戏中的AI。每次执行AI ，都会从根节点遍历整个树，父节点执行子节点，子节点执行完后将结果返回父节点。 关于更多关于行为树概念上的东西，大家很容易找到相关的资料，这里不再最赘述，主要是通过一个实际的例子来看行为树在AI上的应用。 下面是用行为树表达的方式： 上面的图让我们能很容易指导我们的代码编写，我们需要完成所有的叶子节点，然后将他们按照图示，放到相应的组合节点中去，然后不停的遍历整个行为树。 我使用AS3完成了下面的demo，去实现上图中的行为树AI（如无法观看请下载最新的FlashPlayer）。 行为树很适合做AI编辑器，我们定义好一些条件和动作，策划人员通过简单的拖拽和设置即可实现复杂的游戏AI。
1.5K10编辑于 2022-09-19 - 来自专栏前端开发
利用 Chrome 条件断点精准调试 SAP UI5 应用异常行为
在复杂的 SAP UI5 项目里，事件处理器、异步 OData 回调和第三方脚本往往交织运行；如果简单地在同一行打断点，浏览器会在每一次循环或每一笔网络往返时暂停，开发者很快被卷入“噪声”洪流。 过滤无关脚本：黑箱与 Ignore List当断点位于自有控制器文件，却频繁跳进 UI5 框架或第三方库，阅读调用栈会徒增认知负担。 调试 SAP UI5 组件库时，常把 Logpoint 插在 onAfterRendering 里记下渲染次数，再用条件断点观察某次渲染前后数据模型状态差异。 一次性中断：(++hits === 5) 让循环跑到第 5 次才停，减小首轮进入栈深。此模式在排查频繁触发的 onLiveChange 事件时尤为有用。 不论是 UI5 控制器里的输入值边界、OData 失败分支，还是 Fiori Elements 扩展点中的规则冲突，都能用一行表达式把问题从庞杂调用链里剥离出来。
68100编辑于 2025-05-24 - 来自专栏体验主义
如何使用“行为模型”做用户行为养成
但如果探究背后的原因是有行为心理学依据的，这就是大家也许熟知的“福格行为模型”。最新的福格行为模型做了什么改动？如何利用行为模型帮用户养成（好的）习惯？ 新“福格行为模型” 旧版福格行为模型 （Fogg's Behavior Model）表述为B=MAT。 其中，让行为变得微小不是放弃行为，而是降低门槛，循序渐进。通过寻找行为的入门步骤或者缩小行为的规模，开始尝试建立信心，逐步达到理想的行为结果和习惯状态是福格行为模型所推崇的方式。 在已有的行为习惯中，寻找合适的“锚点”，与预期希望的行为建立连接，这样的行为习惯养成更加有效，而不是过分依赖人物和情境的外部提醒。 所以，当用户具备一定的动机和能力时，想让用户做出行为，从提示入手进行行为设计是最容易取得效果的。 使用福格行为模型做用户行为养成 首先我们要明确在我们各自的产品中，行动具体指什么。
2.3K10编辑于 2022-01-21
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