啥也不是的py人
啥也不是的py人

pybullet平面抓取算法介绍以及GGCNN网络结构（二）

目录

基于深度学习的平面抓取算法

二指机械手抓取模型

平面抓取：

平面抓取第一种模型

平面抓取第二种模型

平面抓取检测与神经网络结构

端到端

先采样后评估

平面抓取检测数据集

经典平面抓取算法

GGCNN

概述

网络结构 

数据集构建

数据集训练的评判标准

DEX-Ne t2.0

基于深度学习的平面抓取算法

二指机械手抓取模型

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第1张图片 标红字体为任务场景

 

平面抓取：

使机械抓手在x和y轴的转角设置为已知的定值（其实就是设置为初始值）

即roll和pitch为定值

那么剩下的就是获取抓取点的x,y值

以及沿着z轴方向的值

这样就是完整的抓取位姿

也是神经网络实际输出的值

平面抓取第一种模型

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第2张图片

x，y，z是获取的抓取点位姿

\phi表示沿着z轴的转角

w表示机械手张开的角度

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第3张图片

这个就是一个完整的抓取位姿图

 z可以直接输出（抓取高度）

ggcnn实际上输入深度图输出此抓取位姿图

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第4张图片

 dex-net

实际上就是固定抓取宽度w

对深度图采样很多x，y，z，\phi

然后把采样结果输入网络

 网络输出很多个采样结果的预测

选取置信度最高的作为输出结果

平面抓取第二种模型

 x，y是像素里的坐标

\theta表示旋转角

n表示张开宽度

m表示抓取位置的集合或者是夹爪尺寸

 但是第二种抓取模型有很多问题

所以现在一般先进的方法都不用了

平面抓取检测与神经网络结构

端到端

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第5张图片

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第6张图片代表对应抓取位置的成功率

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第7张图片代表对应位置的抓取宽度

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第8张图片代表对应位置的绕z轴旋转角度

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第9张图片

 其实这个跟Fast—RCNN很像

因为也是输出很多框

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第10张图片tx，ty。。。都是框的要素，坐标长宽，旋转角度

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第11张图片graspable+ungraspable=1

 因为是端到端的，所以其实只需要填入数据，贴上标签，得到结果

先采样后评估

这是Dex-net的方案

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第12张图片

 先输入rgbd图像

在图像上采样出多个抓取位姿以及与其对应的图像块

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第13张图片i，j分别是横纵坐标还有\phi角度

抓取宽度是定值

裁剪出以（i，j）为中心点，\phi为旋转角度 的图像块

把图像块和采样出来的抓取深度pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第14张图片

 作为网络输入

因为抓取深度是在cpu里运算的所以比较慢

平面抓取检测数据集

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第15张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第16张图片

 在实验平台也就是白板上

用深度相机拍摄rgbd图像

然后通过rolabelimg（旋转图形框）等软件人工标注出抓取模型

但是人觉得机械臂可以抓起来但是其实不一定可以抓起来

而且由于人的主观性会漏掉抓取位置

cornell下载

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第17张图片clutter下载

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第18张图片

费时费力，效果不好 

 title：learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第19张图片

 

力螺旋理论及力封闭抓取的评价指标_DLUT_Hatim的博客-CSDN博客_力螺旋

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第20张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第21张图片

 首先选取几十个物体

用相机构建完整的三维模型

然后人工标注每个物体的6D位姿

然后开始实验

相机捕捉到一张俯视图

再根据之前的物体建模生成很多3D姿态

再将对应方法生成到对应场景中

经典平面抓取算法

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第22张图片

GGCNN

这是一种端到端的方法来进行抓取

以深度图作为输入

输出一种像素级的抓取位姿

概述

根据抓取的任务来确定网络的设计

根据抓取位姿来对数据集进行相关的标注

方便后续训练

网络结构 

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第23张图片

 针对输入图像上的每一个像素点

以该像素点作为抓取点

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第24张图片输入是300*300

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第25张图片Q，W，\phi也是输出的300*300

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第26张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第27张图片

 通过六个卷积

前三个卷积后面跟了池化来减小计算尺寸

后面三个是反卷积来增加尺寸

使得输出尺寸与输入尺寸相同

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第28张图片

Q实际上就是置信度

 sigmod输出成功概率Q（概率本来就是0-1）

0代表该像素点怎么抓都会失败

filter是一个高斯滤波

是输出更平滑

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第29张图片w是sigmod输出 乘上150

150是一个像素对应现实的长度 

但实际上现实中是有差别的

有很多瑕疵

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第30张图片

 不是通过回归的方式输出

因为如果输出

0-\pi

实际上对抓取来说0和\pi是完全一样的

但在训练中可能导致混乱

转换成三角函数值就能使0和\pi为一个值

避免了混乱

再通过简单的变换把旋转角输出成\pi/2-(-\pi/2)

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第31张图片

 还有一种方法是分类

比如说把180度分类

分成18个类

每个类别10°

然后通过神经网络分类输出是属于哪一类

再将类别输出映射成实际的角度

所以根据网络结构

我们对数据集的标注就应该是

置信度Q，抓取宽度w，抓取角度\phi

标注数据集中，置信度Q其实就是标注了就是1，没标注就是0

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第32张图片

数据集构建

作者实际上借鉴了康奈尔数据集

康纳尔数据集实际上就是矩形框标注

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第33张图片

矩形框中心的1/3的点是位于物体上的

其余区域不是物体上的

 GGCNN的作者就以1/3标注的抓取框中的点作为抓取点

然后直接把矩形框的抓取角设置为GGCNN的抓取角

然后宽度取相同的值

综上就获得了像素级抓取点

就不是离散的矩形框了

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第34张图片

 与像素点对应的抓取位置，抓取宽度，抓取角度

在数据集中对抓取宽度除以150即可

这样后面神经网络会把150乘回来

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第35张图片

 深度的输入

因为康奈尔数据集都是深度图构成的

是实际相机采集的

在训练的时候通过opencv的算法进行补全

减去均值进行归一化

归一化方法_百度百科https://baike.baidu.com/item/%E5%BD%92%E4%B8%80%E5%8C%96%E6%96%B9%E6%B3%95/10089118

数据集训练的评判标准

数据集是有一个评判标准的

这里采用的是iou的评判标准

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第36张图片

 因为要输出和输入深度图同尺寸预测 的抓取图

在输出图中选择置信度最高的点

再选取对应这个点的抓取宽度和抓取旋转角度来得到抓取配置

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第37张图片

真实的取自康奈尔数据集

如果预测的抓取角度和真值抓取的差值在30°以内

并且预测的抓取配置构成的矩形框与真实的差距在25%以内

认为是正确的

注意框的宽度不是网络预测输出的

而是直接用的康奈尔数据集，这也是GGCNN的瑕疵之一

 后来也是出了GGCNN2

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第38张图片

 对反卷积层进行了改进

GGCNN方法简单但效果不太好

DEX-Ne t2.0

Dex-Net是先采样后评估的方法

这个方法知名度很高

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第39张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第40张图片每一条线表示一个抓取位姿

线的端点就是两个夹爪的位置

夹爪的闭合方向就是沿线的方向

Dex-Net 1.0 是生成3D物体的6D抓取位姿

Dex-Net 2.0 实际上就是基于Dex-Net 1.0生成这物体的平面抓取位姿

再通过碰撞检测筛选掉碰撞

针对筛选后的位姿

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第41张图片

标注以位姿为中心的矩形框

把矩形框中的深度图像采点出来作为样本

所以样本量很大

因为对一个物体生成了很多平面抓取位姿

获取了很多图像框

把这些图像框作为图像块

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第42张图片

还有对应的抓取深度

 同时作为网络的输入

来预测给定抓取的置信度

方法的本质就是先采样再预测

所以它的速度很慢

采样过程需要耗费很长时间

Dex-Net 算是种先采样再预测做的最后的也是最好的一种方式了

这个方法精度很高

但是速度慢

并且只限于平面抓取

注：

因为数据集是基于仿真环境的，所以为了增加真实性，加了高斯噪声

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第43张图片

方法是先对原始的深度乘上一个系数

 来模拟实际深度值的可能的一个偏差

然后再加上\epsilon的一个高斯噪声

但实际上真实的深度相机获取的图像可能受光照相机参数等影响

所以高斯噪声不能很好的模拟

注：

所以如果能把仿真图象做得很好的话也是一个非常好的方向

你可能感兴趣的:(#,pybullet,平面)

  • 蓝桥杯——算法训练——共线 大柠丶 蓝桥杯蓝桥杯算法职场和发展
    问题描述给定2维平面上n个整点的坐标，一条直线最多能过几个点？输入格式第一行一个整数n表示点的个数以下n行，每行2个整数分别表示每个点的x,y坐标。输出格式输出一个整数表示答案。样例输入50011220323样例输出3数据规模和约定n<=1500，数据保证不会存在2个相同的点。点坐标在int范围内importjava.util.Scanner;/***@authorsjn*@date2022-2-
  • PCL基础：pcl::SACSegmentation＜PointXYZRGBN＞函数全面说明，一遍文章精通平面分割算法 多宝Kim #PCL点云库使用笔记c++算法windowsvisualstudio
    创作不易，如果本篇文章能够给你提供帮助，请点赞鼓励+收藏备查+关注获取最新技术动态，支持作者输出高质量干货！（一般在周末更新技术干货）`pcl::SACSegmentation`是PointCloudLibrary(PCL)中用于进行随机抽样一致性（RandomSampleConsensus，RANSAC）平面分割的类模板，模板参数`PointXYZRGBN`表示点云中点的类型，该类型包含三维坐标
  • k8s集群版本升级 少陽君 K8Skubernetes容器云原生
    Kubernetes集群版本升级是为了获得最新的功能、增强的安全性和性能改进。然而，升级过程需要谨慎进行，特别是在生产环境中。通常，Kubernetes集群的版本升级应遵循逐步升级的策略，不建议直接跳过多个版本。Kubernetes版本升级的常见流程：升级顺序：先升级控制平面节点（MasterNodes），然后升级工作节点（WorkerNodes）。遵循版本兼容性：Kubernetes支持小版本的
  • 分析K8S中Node状态为`NotReady`问题 网络飞鸥 Kuberneteskubernetes容器云原生
    在Kubernetes（k8s）集群中，Node状态为NotReady通常意味着节点上存在某些问题，下面为你分析正常情况下节点应运行的容器以及解决NotReady状态的方法。正常情况下Node节点应运行的容器1.kubeletkubelet是节点上的核心组件，它负责与控制平面通信，管理节点上的容器生命周期。它通常作为系统服务运行，而不是以容器形式存在，但也有使用容器化部署的情况。2.kube-pr
  • 【HDOJ】2050 - 2059 _17_ 杭电OJ考研
    引言：两年没写博客了，两年来经历了很多的事情，太多太多，无法说清(；′⌒`)。无论如何生活还要继续，当前计划从杭电OJ开始记录我的痕迹(ง•_•)ง。(如有错误，欢迎指正o(￣▽￣)ブ)目录2050(折线分割平面)2051(Bitset)2052(Picture)2053(SwitchGame)2054(A==B?)2055(Aneasyproblem)2056(Rectangles)2057(A
  • istio 介绍-01-一个用于连接、管理和保护微服务的开放平台 概览 后端java
    istioistio一个用于连接、管理和保护微服务的开放平台。介绍Istio是一个开放平台，用于提供统一的方式来集成微服务、管理跨微服务的流量、执行策略和聚合遥测数据。Istio的控制平面在底层集群管理平台（例如Kubernetes）上提供了一个抽象层。Istio由以下组件组成：Envoy-每个微服务的Sidecar代理，用于处理集群中服务之间以及从服务到外部服务的入口/出口流量。这些代理形成了一
  • [NOIP2011 提高组] 铺地毯 Nerous_ 刷题之路算法c++数据结构
    题目描述为了准备一个独特的颁奖典礼，组织者在会场的一片矩形区域（可看做是平面直角坐标系的第一象限）铺上一些矩形地毯。一共有nnn张地毯，编号从111到nnn。现在将这些地毯按照编号从小到大的顺序平行于坐标轴先后铺设，后铺的地毯覆盖在前面已经铺好的地毯之上。地毯铺设完成后，组织者想知道覆盖地面某个点的最上面的那张地毯的编号。注意：在矩形地毯边界和四个顶点上的点也算被地毯覆盖。输入格式输入共n+2n+
  • 关于误差平面小记 文弱_书生 乱七八糟平面算法神经网络机器学习
    四维曲面的二维切片：误差平面详解在深度学习优化过程中，我们通常研究损失函数（LossFunction）的变化，试图找到权重的最优配置。由于神经网络的参数空间通常是高维的，我们需要使用低维可视化的方法来理解优化过程和误差平面（ErrorSurface）。在这里，我们讨论一个四维曲面的二维切片，其中：三个维度是网络的权重（w1,w2,w3w_1,w_2,w_3w1,w2,w3）。第四个维度是误差（损失
  • 关于重投影误差小记 文弱_书生 乱七八糟数码相机算法
    重投影误差（ReprojectionError）讲解1.什么是重投影误差？在三维重建或相机标定过程中，我们希望将一个世界坐标系中的三维点投影到相机的图像平面上。理想情况下，该点的投影位置应该与实际图像中的观测点（如特征点）完全匹配，但由于噪声、相机模型的不准确性或优化算法的误差，这两个点可能会有偏差。重投影误差就是这个偏差的度量，即：e=∥pobserved−preprojected∥e=\|p_
  • UnityShader实现水渲染 源 unityshader
    今天分享一下如何使用Shader实现水体渲染和波浪扰动效果我们一般可以使用Plane去模拟水平面，创建好Plane后,结合自己项目的风格去搞一个水体贴图，可以在网上下载，我这里直接用这张1准备工作完毕，直接上代码​Shader"Custom/WaterShader"{Properties{_BaseColor("BaseColor",Color)=(0,0.5,1,1)//水的基色_NormalM
  • 自动驾驶AVM环视算法--鱼眼相机的畸变矫正原理和实测（图片和视频测试） 金书世界 手撸AVM全景代码数码相机
    参考：金书世界测试工程和视频：链接：https://pan.baidu.com/s/11GNLuIxcONGCeobp0MbXFQ?pwd=0z6l提取码：0z6l1、平面相机的成像和坐标系如下所示说明1、f（ud，vd）就是以图像中心为原点坐标(和p(x，y)坐标相对，就是坐表原点不同)。2、p（x，y）就是在图像坐标系下的坐标点，坐标点的为图像的左上角点，这个和世界图像的保存数据的坐标一直。3
  • 2020年第十一届蓝桥杯python组省赛 Ruoki~ 蓝桥杯python真题蓝桥杯职场和发展
    前言：python最简单的一套题了，适合小白入门练手目录填空题门牌制作寻找2020跑步锻炼蛇形填数排序编程大题成绩统计单词分析数字三角形平面切分装饰珠填空题门牌制作题目：小蓝要为一条街的住户制作门牌号。这条街一共有2020位住户，门牌号从1到2020编号。小蓝制作门牌的方法是先制作0到9这几个数字字符，最后根据需要将字符粘贴到门牌上，例如门牌1017需要依次粘贴字符1、0、1、7，即需要1个字符0
  • halcon里3d平面度检测程序_激光三角测量法在工业视觉检测上的应用 jiago 王佳东fr
    点击上方“3D视觉工坊”，选择“星标”干货第一时间送达激光三角测量法，是工业视觉领域较为常用也是比较容易理解的一种3D检测算法。本文主要从应用层次来阐述，包括相机和激光选型、搭接方式的优劣点分析、软件开发过程中的注意事项等。1.原理及演示将一条单线细激光光线投射到物体表面，由于物体表面高度发生变化，使得激光线发生了弯曲，根据这个线的变形，可以计算出精确的物体表面三维轮廓。如下图所示，基本组成结构有
  • 蓝桥杯pythonB组备赛 暴力执码 蓝桥杯职场和发展
    P1003[NOIP2011提高组]铺地毯题目描述为了准备一个独特的颁奖典礼，组织者在会场的一片矩形区域（可看做是平面直角坐标系的第一象限）铺上一些矩形地毯。一共有n张地毯，编号从1到n。现在将这些地毯按照编号从小到大的顺序平行于坐标轴先后铺设，后铺的地毯覆盖在前面已经铺好的地毯之上。地毯铺设完成后，组织者想知道覆盖地面某个点的最上面的那张地毯的编号。注意：在矩形地毯边界和四个顶点上的点也算被地毯
  • 基于 KubeSphere v4 的 Kubernetes 生产环境部署架构设计及成本分析 KubeSphere 云原生 kubernetes容器云原生
    本文作者：运维有术。今天分享的主题是：如何规划设计一个高可用、可扩展的中小规模生产级K8s集群？通过本文的指导，您将掌握以下设计生产级K8s集群的必备技能：集群规划能力合理规划节点规模和资源配置设计高可用的控制平面、计算平面、存储平面架构规划网络拓扑和安全策略制定存储解决方案组件选型能力选择适合的容器运行时(ContainerRuntime)评估和选择网络插件(CNIPlugin)规划监控、日志等
  • SQL*LOADER错误总结 春风剑客 Oracle
    SQL*LOADER错误总结2015-12-0922:51by潇湘隐者,4900阅读,0评论,收藏,编辑在使用SQL*LOADER装载数据时，由于平面文件的多样化和数据格式问题总会遇到形形色色的一些小问题，下面是工作中累积、整理记录的遇到的一些形形色色错误。希望能对大家有些用处。（今天突然看到自己以前整理的这些资料，于是稍稍整理、归纳成这篇博客，后面如果碰到其他案例，会陆陆续续补充在此篇文章。）E
  • 【sklearn 03】逻辑回归、决策树、支持向量机 @金色海岸 sklearn逻辑回归决策树
    逻辑回归、决策树、支持向量机-逻辑回归logisticsregression（逻辑回归）算法是经典的分类算法，基本思想是构造一个概率的拟合函数。决策树决策树的基本思想是根据样例去推断其背后的树形知识表征支持向量机支持向量机SVM(supportvectormachine)的基本思想是寻找最大的间隔的分割超平面。离分割超平面最近的这些样本点称为支持向量机
  • 迪威 3D 模型发布系统：制造业产品展示革新利器 3D小将 联讯软件迪威模型3d3d模型发布系统建站系统制造业
    在竞争激烈的制造业领域，如何将产品全方位、直观地呈现给客户，成为企业脱颖而出的关键。传统的产品展示方式往往受限于平面资料或有限的实物展示，难以让客户深入了解产品的复杂结构与精妙细节。迪威3D模型发布系统的问世，为制造业企业带来了革命性的产品展示解决方案，开启了高效、立体的产品推广新篇章。一、沉浸式3D模型展示，让产品细节纤毫毕现制造业产品通常具有复杂的构造与精密的工艺，这些关键信息在传统展示中极易
  • 托盘四向车与子母车对比 骞途 笔记人工智能经验分享
    在同等仓库面积和建筑高度的条件下，托盘四向穿梭车与托盘子母车在存储托盘数量、作业效率、性价比等方面存在显著差异。以下从多个维度进行对比分析：1.存储托盘数量四向穿梭车：四向穿梭车可在货架平面内任意方向行驶（前后、左右、换轨），无需额外转弯空间，货架布局更紧凑，存储密度更高。其支持交叉轨道设计，且可灵活到达任意货位，空间利用率可达80%-90%。例如，在多层货架系统中，通过提升机配合，四向车可覆盖全
  • 支持向量机 (SVM) 算法详解 sssugarr 机器学习算法详解pythonsvm支持向量机算法sklearn
    支持向量机(SVM)算法详解支持向量机（SupportVectorMachine,SVM）是一种监督学习模型，广泛应用于分类和回归分析。SVM特别适合高维数据，并且在处理复杂非线性数据时表现出色。本文将详细讲解SVM的原理、数学公式、应用场景及其在Python中的实现。什么是支持向量机？支持向量机的目标是找到一个最佳的决策边界（或称超平面）来最大限度地分隔不同类别的数据点。对于线性可分的数据，SV
  • 人工智能之数学基础:线性代数中矩阵的初印象 每天五分钟玩转人工智能 机器学习深度学习之数学基础线性代数人工智能矩阵机器学习深度学习
    本文重点从本篇文章开始，我们将开始学习矩阵的概念，矩阵，作为线性代数的核心概念之一，就像是一个个精心编织的网格，将复杂的数据和关系以一种简洁而直观的方式呈现出来。矩阵矩阵的初印象想象一下，你手里有一张空白的表格，上面布满了等待填充的格子。这些格子按照行和列整齐排列，形成了一个二维的平面结构。如果我们把数字、符号或者更复杂的元素填入这些格子中，那么这个表格就变成了一个“矩阵”。简单来说，矩阵就是一个
  • Python Turtle 海龟画图 官方文档 Leleprogrammer python开发语言后端turtle
    turtle---海龟绘图源码：Lib/turtle.py概述海龟绘图很适合用来引导孩子学习编程。最初来自于WallyFeurzeig,SeymourPapert和CynthiaSolomon于1967年所创造的Logo编程语言。请想象绘图区有一只机器海龟，起始位置在x-y平面的(0,0)点。先执行importturtle，再执行turtle.forward(15)，它将(在屏幕上)朝所面对的x轴
  • 蓝桥杯-刷题(铺地毯,多项式输出,玩具谜题,乒乓球,数字统计,明明的随机数) 一个人在码代码的章鱼 刷题蓝桥杯算法职场和发展
    铺地毯题目描述为了准备一个独特的颁奖典礼，组织者在会场的一片矩形区域（可看做是平面直角坐标系的第一象限）铺上一些矩形地毯。一共有n张地毯，编号从1到n。现在将这些地毯按照编号从小到大的顺序平行于坐标轴先后铺设，后铺的地毯覆盖在前面已经铺好的地毯之上。地毯铺设完成后，组织者想知道覆盖地面某个点的最上面的那张地毯的编号。注意：在矩形地毯边界和四个顶点上的点也算被地毯覆盖。输入格式输入共n+2行。第一行
  • SDN技术解码：架构革新与数字化转型实践指南 ——从控制平面到AI融合的网络进化论 不想加班的码小牛 架构平面人工智能网络协议
    一、引言：SDN如何重塑网络价值体系？在数字化浪潮下，传统网络架构的僵化性已成为制约业务创新的瓶颈。SDN（软件定义网络）通过解耦控制与转发平面，将网络从“黑盒设备”转变为“可编程服务”，为云计算、物联网等领域提供动态、智能的网络底座。例如，某金融企业通过SDN实现跨地域数据中心流量智能调度，业务故障恢复时间缩短至分钟级。二、SDN核心架构与技术原理1.三层架构：控制-转发-应用的协同生态•控制层
  • SDN架构解密：控制面如何“指挥”万亿级网络？ ——基于“大脑-四肢”模型的三层架构深度解析 不想加班的码小牛 网络架构人工智能ai
    摘要本文以“大脑-四肢”类比SDN三层架构，揭示控制器如何通过全局视图管理、南向接口标准化（如OpenFlow）与北向API开放能力，实现对万亿级网络的集中化控制。文中包含OpenFlow协议代码示例、网络拓扑公式及架构图，力求呈现技术细节与实战价值。一、SDN架构的“大脑-四肢”隐喻SDN通过控制平面-数据平面-应用平面的三层架构，构建了网络控制的“中枢神经系统”：控制层（大脑）：集中式控制器掌
  • DPU的架构：模块化与可扩展性 绿算技术 DPU架构介绍架构科技缓存算法
    DPU的架构设计注重模块化和可扩展性，以下是其典型架构：1.网络接口模块支持高速网络接口，例如100GbE、200GbE，甚至更高带宽的接口。2.处理核心模块包括多个ARM核心和专用加速核心，用于处理控制平面和数据平面任务。3.硬件加速模块包括网络加速引擎、存储加速引擎、加密引擎等，用于加速特定任务。4.内存与缓存集成高速内存和缓存，用于存储临时数据和指令。5.PCIe接口模块提供与主机CPU的高
  • k8s基础架构介绍 忍界英雄 dockerkubernetes容器云原生
    k8s基础架构介绍k8s是对容器进行编排的一种工具。通过k8s可以实现对容器的编排、部署、更新等学习k8s之前，先了解相关的一些使用和配置k8s的一些工具。k8s的常用工具在kubernetes中，主要有三个日常使用的工具，这些工具使用kube前缀命名，这三个工具如下：kubeadm用来初始化集群的指令，能够创建集群,并且添加新的节点。可用其它部署工具替代。具体功能有:初始化集群：在控制平面节点（
  • 第十三届蓝桥杯研究生组C++省赛 格格巫ZYX 算法c语言c++蓝桥杯
    有一根围绕原点O顺时针旋转的棒OA，初始时指向正上方（Y轴正向）。在平面中有若干物件，第i个物件的坐标为(xi,yi)，价值为zi。当棒扫到某个物件时，棒的长度会瞬间增长zi，且物件瞬间消失（棒的顶端恰好碰到物件也视为扫到），如果此时增长完的棒又额外碰到了其他物件，也按上述方式消去（它和上述那个点视为同时消失）。如果将物件按照消失的时间排序，则每个物件有一个排名，同时消失的物件排名相同，请输出每个
  • CCF CSP 第30次（2023.09）（1_坐标变换_C++）（先输入再计算；边输入边计算） Dream it possible！ CCFCSP认证c++算法CSP
    CCFCSP第30次（2023.09）（1_坐标变换_C++）题目描述：输入格式：输出格式：样例输入：样例输出：样例解释：子任务：解题思路：思路一（先输入再计算）：思路二（边输入边计算）：代码实现代码实现（思路一（先输入再计算））：代码实现（思路一（边输入边计算））：时间限制：1.0秒空间限制：512MiB题目描述：对于平面直角坐标系上的坐标(x,y)，小P定义了一个包含n个操作的序列T=(t1,
  • 30.代码随想录算法训练营第三十天|452. 用最少数量的箭引爆气球,435. 无重叠区间,763. 划分字母区间 白鹭鸣鸣！ 算法java
    30.代码随想录算法训练营第三十天|452.用最少数量的箭引爆气球,435.无重叠区间,763.划分字母区间452.用最少数量的箭引爆气球-力扣（LeetCode）有一些球形气球贴在一堵用XY平面表示的墙面上。墙面上的气球记录在整数数组points，其中points[i]=[xstart,xend]表示水平直径在xstart和xend之间的气球。你不知道气球的确切y坐标。一支弓箭可以沿着x轴从不同
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIPHPandroidlinux
    ╔-----------------------------------╗┆                           
  • 各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 bozch .net.net mvc
    在.net mvc5中，在执行某一操作的时候，出现了如下错误：       各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 经查询当前的操作与错误内容无关，经过对错误信息的排查发现，事故出现在数据库迁移上。 回想过去： 在迁移之前已经对数据库进行了添加字段操作，再次进行迁移插入XXX字段的时候，就会提示如上错误。  &
  • Java 对象大小的计算 e200702084 java
                              Java对象的大小 如何计算一个对象的大小呢？    
  • Mybatis Spring 171815164 mybatis
    ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); CustomerService userService = (CustomerService) ac.getBean("customerService"); Customer cust
  • JVM 不稳定参数 g21121 jvm
            -XX 参数被称为不稳定参数，之所以这么叫是因为此类参数的设置很容易引起JVM 性能上的差异，使JVM 存在极大的不稳定性。当然这是在非合理设置的前提下，如果此类参数设置合理讲大大提高JVM 的性能及稳定性。        可以说“不稳定参数”
  • 用户自动登录网站 永夜-极光 用户
    1.目标:实现用户登录后,再次登录就自动登录,无需用户名和密码 2.思路:将用户的信息保存为cookie            每次用户访问网站,通过filter拦截所有请求,在filter中读取所有的cookie,如果找到了保存登录信息的cookie,那么在cookie中读取登录信息,然后直接
  • centos7 安装后失去win7的引导记录 程序员是怎么炼成的 操作系统
    1.使用root身份(必须)打开 /boot/grub2/grub.cfg 2.找到 ### BEGIN /etc/grub.d/30_os-prober ###   在后面添加    menuentry "Windows 7 (loader) (on /dev/sda1)" { 
  • Oracle 10g 官方中文安装帮助文档以及Oracle官方中文教程文档下载 aijuans oracle
    Oracle 10g 官方中文安装帮助文档下载：http://download.csdn.net/tag/Oracle%E4%B8%AD%E6%96%87API%EF%BC%8COracle%E4%B8%AD%E6%96%87%E6%96%87%E6%A1%A3%EF%BC%8Coracle%E5%AD%A6%E4%B9%A0%E6%96%87%E6%A1%A3 Oracle 10g 官方中文教程
  • JavaEE开源快速开发平台G4Studio_V3.2发布了 無為子 AOPoraclemysqljavaeeG4Studio
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V3.2版本已经正式发布。大家可以通过如下地址下载。   访问G4Studio网站 http://www.g4it.org   G4Studio_V3.2版本变更日志 功能新增 (1).新增了系统右下角滑出提示窗口功能。 (2).新增了文件资源的Zip压缩和解压缩
  • Oracle常用的单行函数应用技巧总结 百合不是茶 日期函数转换函数(核心)数字函数通用函数(核心)字符函数
    单行函数;   字符函数,数字函数,日期函数,转换函数(核心),通用函数(核心) 一:字符函数: .UPPER(字符串) 将字符串转为大写 .LOWER (字符串) 将字符串转为小写 .INITCAP(字符串) 将首字母大写 .LENGTH (字符串) 字符串的长度 .REPLACE(字符串,'A','_') 将字符串字符A转换成_
  • Mockito异常测试实例 bijian1013 java单元测试mockito
    Mockito异常测试实例： package com.bijian.study; import static org.mockito.Mockito.mock; import static org.mockito.Mockito.when; import org.junit.Assert; import org.junit.Test; import org.mockito.
  • GA与量子恒道统计 Bill_chen JavaScript浏览器百度Google防火墙
    前一阵子，统计**网址时，Google Analytics（GA） 和量子恒道统计（也称量子统计），数据有较大的偏差，仔细找相关资料研究了下，总结如下：   为何GA和量子网站统计（量子统计前身为雅虎统计）结果不同？ 首先：没有一种网站统计工具能保证百分之百的准确出现该问题可能有以下几个原因：（1）不同的统计分析系统的算法机制不同；（2）统计代码放置的位置和前后
  • 【Linux命令三】Top命令 bit1129 linux命令
    Linux的Top命令类似于Windows的任务管理器，可以查看当前系统的运行情况，包括CPU、内存的使用情况等。如下是一个Top命令的执行结果：     top - 21:22:04 up 1 day, 23:49, 1 user, load average: 1.10, 1.66, 1.99 Tasks: 202 total, 4 running, 198 sl
  • spring四种依赖注入方式 白糖_ spring
      平常的java开发中，程序员在某个类中需要依赖其它类的方法，则通常是new一个依赖类再调用类实例的方法，这种开发存在的问题是new的类实例不好统一管理，spring提出了依赖注入的思想，即依赖类不由程序员实例化，而是通过spring容器帮我们new指定实例并且将实例注入到需要该对象的类中。依赖注入的另一种说法是“控制反转”，通俗的理解是：平常我们new一个实例，这个实例的控制权是我
  • angular.injector boyitech AngularJSAngularJS API
    angular.injector   描述: 创建一个injector对象, 调用injector对象的方法可以获得angular的service, 或者用来做依赖注入.   使用方法: angular.injector(modules, [strictDi])   参数详解: Param Type Details mod
  • java-同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待 bylijinnan Integer
    public class PC { /** * 题目：生产者-消费者。 * 同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待。 */ private static final Integer[] val=new Integer[10]; private static
  • 使用Struts2.2.1配置 Chen.H apachespringWebxmlstruts
    Struts2.2.1 需要如下 jar包: commons-fileupload-1.2.1.jar commons-io-1.3.2.jar commons-logging-1.0.4.jar freemarker-2.3.16.jar javassist-3.7.ga.jar ognl-3.0.jar spring.jar struts2-core-2.2.1.jar struts2-sp
  • [职业与教育]青春之歌 comsci 教育
           每个人都有自己的青春之歌............但是我要说的却不是青春...        大家如果在自己的职业生涯没有给自己以后创业留一点点机会,仅仅凭学历和人脉关系,是难以在竞争激烈的市场中生存下去的....   &nbs
  • oracle连接(join)中使用using关键字 daizj JOINoraclesqlusing
    在oracle连接(join)中使用using关键字 34. View the Exhibit and examine the structure of the ORDERS and ORDER_ITEMS tables. Evaluate the following SQL statement: SELECT oi.order_id, product_id, order_date FRO
  • NIO示例 daysinsun nio
    NIO服务端代码： public class NIOServer { private Selector selector; public void startServer(int port) throws IOException { ServerSocketChannel serverChannel = ServerSocketChannel.open(
  • C语言学习homework1 dcj3sjt126com chomework
    0、 课堂练习做完 1、使用sizeof计算出你所知道的所有的类型占用的空间。 int x; sizeof(x);   sizeof(int);   # include <stdio.h> int main(void) { int x1; char x2; double x3; float x4; printf(&quo
  • select in order by , mysql排序 dcj3sjt126com mysql
    If i select like this: SELECT id FROM users WHERE id IN(3,4,8,1); This by default will select users in this order 1,3,4,8, I would like to select them in the same order that i put IN() values so:
  • 页面校验-新建项目 fanxiaolong 页面校验
    $(document).ready( function() { var flag = true; $('#changeform').submit(function() { var projectScValNull = true; var s =""; var parent_id = $("#parent_id").v
  • Ehcache（02）——ehcache.xml简介 234390216 ehcacheehcache.xml简介
    ehcache.xml简介          ehcache.xml文件是用来定义Ehcache的配置信息的，更准确的来说它是定义CacheManager的配置信息的。根据之前我们在《Ehcache简介》一文中对CacheManager的介绍我们知道一切Ehcache的应用都是从CacheManager开始的。在不指定配置信
  • junit 4.11中三个新功能 jackyrong java
    junit 4.11中两个新增的功能，首先是注解中可以参数化，比如 import static org.junit.Assert.assertEquals; import java.util.Arrays; import org.junit.Test; import org.junit.runner.RunWith; import org.junit.runn
  • 国外程序员爱用苹果Mac电脑的10大理由 php教程分享 windowsPHPunixMicrosoftperl
    Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。那么为什么专业人士也对 Mac 情有独钟呢？从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的 这一点太重要了，尤其是对开发人员，至少对于我来说很重要，这意味着Unix 下一堆好用的工具都可以随手捡到。如果你是个 wi
  • 位运算、异或的实际应用 wenjinglian 位运算
    一． 位操作基础，用一张表描述位操作符的应用规则并详细解释。       二． 常用位操作小技巧，有判断奇偶、交换两数、变换符号、求绝对值。       三． 位操作与空间压缩，针对筛素数进行空间压缩。    &n
  • weblogic部署项目出现的一些问题（持续补充中……） Everyday都不同 weblogic部署失败
    好吧，weblogic的问题确实……   问题一： org.springframework.beans.factory.BeanDefinitionStoreException: Failed to read candidate component class: URL [zip:E:/weblogic/user_projects/domains/base_domain/serve
  • tomcat7性能调优（01） toknowme tomcat7
        Tomcat优化： 1、最大连接数最大线程等设置 <Connector port="8082" protocol="HTTP/1.1"                useBodyEncodingForURI="t
  • PO VO DAO DTO BO TO概念与区别 xp9802 javaDAO设计模式bean领域模型
    O/R Mapping 是 Object Relational Mapping（对象关系映射）的缩写。通俗点讲，就是将对象与关系数据库绑定，用对象来表示关系数据。在O/R Mapping的世界里，有两个基本的也是重要的东东需要了解，即VO，PO。 它们的关系应该是相互独立的，一个VO可以只是PO的部分，也可以是多个PO构成，同样也可以等同于一个PO（指的是他们的属性）。这样，PO独立出来，数据持
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他