视频编解码学习之三：变换，量化与熵编码

第6章 变换编码

1. 变换编码

  • 变换编码的目的
    • 去除空间信号的相关性
    • 将空间信号的能力集中到频域的一小部分低频系数上
    • 能量小的系数可通过量化去除，而不会严重影响重构图像的质量
  • 块变换和全局变换
    • 块变换：离散余弦变换(Discrete Cosine Transform，DCT)，4x4，8x8，16x16
    • 全局变换：小波变换(Wavelet)
  • 变换的能量集中特性
    • DCT编码

视频编解码学习之三：变换，量化与熵编码

2. 变换类型

  • K-L变换
  • 傅里叶变换
  • 余弦变换
  • 小波变换

3. KL变换

  • 最优变换
  • 基函数根据具体图像而确定
  • 没有快速算法
  • 实际中很少使用
    • 复杂度极高

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

  • K-L变换非常复杂度很高，不实用
    • 需要计算协方差矩阵U
    • 需要计算特征向量
    • 需要发送 到解码器

4. 离散傅立叶变换

视频编解码学习之三：变换，量化与熵编码

5. 离散傅立叶变换性质

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

6. 离散余弦变换

  • 比K-L变换，傅里叶变换的复杂度更低
  • 变换性能仅次于K-L变换
  • 有快速算法可以加快变换速度
  • 可以用整数变换进一步降低复杂度

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

7. DCT与DFT的关系

视频编解码学习之三：变换，量化与熵编码

8. 离散余弦变换的重要性质

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

 

9. 快速DCT变换

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

下图是一个动态展示：

 

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

 

10. 整数离散余弦变换

  • 离散余弦变换为浮点操作
    • 需要64位精度
    • 浮点计算复杂度高
    • 变换精度高
  • 整数变换：离散余弦变换的整数近似
    • 需要更少的位宽
    • 整数计算复杂度低
    • 好的整数变换的变换精度接近浮点变换
  • 浮点近似方法

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

11. H.264的4x4整数变换

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

12. 小波变换

  • 新的变换方法
  • 避免由于块编码带来的块效应
  • 更适合视频空间可分级编码

 

第7章 量化

1. 量化Quantization

  • 用更小的集合表示更大的集合的过程
    • 对信号源的有限近似
    • 有损过程
    • 应用
      • A/D转换
      • 压缩
    • 量化方法
      • 标量(Scalar)量化
      • 矢量(Vector)量化

2. 量化的基本思想

  • 映射一个输入间隔到一个整数
  • 减少信源编码的bit
  • 一般情况重构值与输入值不同

视频编解码学习之三：变换，量化与熵编码

3. 量化模型

视频编解码学习之三：变换，量化与熵编码

4. 量化的率失真优化

  • 量化器设计问题
    • 量化水平的个数，即Bin的个数
    • 决策边界：Bin的边界
    • 重构水平
  • 量化器设计是对率失真的优化
    • 为了减少码率的大小，需要减少Bin的个数
    • Bin的个数减少导致重构的误差增大，失真也就随着增大

视频编解码学习之三：变换，量化与熵编码

5. 失真测量

视频编解码学习之三：变换，量化与熵编码

6. 量化器设计

  • 量化器设计的两个方面
    • 给定量化水平数目M，找到决策边界xi和重构水平 使MSE最小
    • 给定失真限制D，找到量化水平数目M，决策边界xi和重构水平yi使MSE<=D

7. 均匀量化（Uniform Quantization）

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

8. 量化与峰值信噪比

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

9. 中升量化器（Midrise Quantizer）

视频编解码学习之三：变换，量化与熵编码

10. 中平量化器（Midtread Quantizer）

视频编解码学习之三：变换，量化与熵编码

11. 死区量化器（Deadzone Quantizer）

视频编解码学习之三：变换，量化与熵编码

12．非均匀量化（Non-uniform Quantization）

  • 如果信源不是均匀分布的，采用均匀量化不是最优的
  • 对于非均匀量化，为了减少MSE，当概率密度函数fX(x)高时，使Bin的量化步长减小，当概率密度函数fX(x)低时， 使Bin的量化步长增加。

视频编解码学习之三：变换，量化与熵编码

13. 最优的标量量化

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

14. 量化编码

  • 定长编码量化水平
    • 使用等长的码字编码每个量化水平，码字长为：
  • 熵编码量化水平
    • 根据量化水平的概率分布情况，用变长的码字编码每个量化水平
    • 平均码字长
    • 比定长编码量化水平效率高
    • 广泛应用在图像和视频编码中

15. 矢量量化

  • 标量量化：对数据一个一个的进行量化，称为标量量化。
  • 矢量量化：将数据分组，每组K个数据构成K维矢量，再以矢量为处理单元进行量化。
    • 矢量量化是标量量化的多维扩展
    • 标量量化是矢量量化的特殊情况
  • 矢量量化工作过程

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

  • 二维矢量量化

视频编解码学习之三：变换，量化与熵编码

  • 矢量量化优点
    • 只传码字的下标，编码效率高
    • 在相同码率下，比标量量化失真小
    • 在相同失真下，比标量量化码率低
  • 矢量量化缺点：复杂度随着维数的增加呈指数增加

 

第8章 熵编码

1. 熵编码

  • 熵（Entropy）：信源的平均信息量，更精确的描述为表示信源所有符号包含信息的平均比特数
    • 信源编码要尽可能的减少信源的冗余，使之接近熵
    • 用更少的比特传递更多的信源信息
  • 熵编码：数据压缩中根据信源消息的概率模型使消息的熵最小化
    • 无损压缩
    • 变长编码

2. 熵

  • 信息量：

单位：比特

  • 熵：

单位：比特/符号

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

3. 定长编码

视频编解码学习之三：变换，量化与熵编码

4. 变长编码

  • 变长编码：用不同的比特数表示每一个符号
    • 为频繁发生的符号分配短码字
    • 为很少发生的符号分配长码字
    • 比定长编码有更高的效率
  • 常用的变长编码
    • Huffman编码
    • 算术编码

5. Huffman编码

  • 前缀码：任何码字不是其它码字的前缀
    • 如果011为一个有效码字，则0，1，01，11必不是有效码字
    • 不会引起解码歧义
  • Huffman：
    • 二叉树
    • 树节点:表示符号或符号组合
    • 分支:两个分支一个表示"0"，另一个表示"1"

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

  • Huffman的不唯一性
    • 每次分支有两种选择：0，1

      视频编解码学习之三：变换，量化与熵编码

    • 相同的概率产生不同的组合

      视频编解码学习之三：变换，量化与熵编码

  • 缺点：
    • 数据的概率变化难于实时统计
    • Huffman树需要编码传输给解码器
    • 只有在p(xi)=1/2ki 时是最优编码
    • 最小码字长度为1比特/符号
  • 如果有二值信源，其两个符号的概率相差很大
    • 例如：p(1)=0.0625，p(0)=0.9375则H=0.3373比特/符号，Huffman编码平均码长=1比特/符号
    • 两个符号联合编码有更高效率

6. 扩展Huffman编码

视频编解码学习之三：变换，量化与熵编码

7. 范式Huffman编码

  • 范式Huffman树的建立规则
    • 节点左支设为0，右支设为1
    • 树的深度从左至右增加
    • 每个符号被放在最先满足的叶子节点

视频编解码学习之三：变换，量化与熵编码

  • 特性
    • 第一个码字是一串0
    • 相同长度的码字的值是连续的
    • 如果所有的码字通过在低位补0的方式，使所有码字的长度相同则有 0000<0100<1000<1010<1100<1110<1111
    • 从码字长度n到n+1有如下关系
      • C(n+1,1)=(C(n,last)+1)<<1
    • 从码字长度n到n+2有如下关系
      • C(n+2,1)=(C(n,last)+1)<<2

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

8. 一元码

  • 编码一个非负整数n为n个1和一个0
  • 不需要存储码表
  • 可以用Huffman树表示

    视频编解码学习之三：变换，量化与熵编码

  • 码长增长太快：n=100，码长101

视频编解码学习之三：变换，量化与熵编码

9. 哥伦布编码

  • 将信源符号等分成几组，每组有相应的编号
  • 编号小的分配码字短，编号大分配码字长
  • 同组的符号有等长的码字，比一元码的码字长度增长慢

  • 码字分配

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

 

10. 指数哥伦布编码

  • 哥伦布码对信源符号的分组大小相同
  • 指数哥伦布码对信源符号的分组大小按照指数增长
  • 指数哥伦布码依然是一元码加定长码的形式
  • 指数哥伦布码的指数k=0，1，2，…

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

11. CAVLC（ Context-Based Adaptive Variable Length Code）

  • 当前块的系数分布和其邻块的系数分布情况相关
    • N X为块X的非零系数个数，当前块C的第一个系数的编码码表由N C决定， N C=( N A+ N B )/2

  • 当前待编码系数和前面编码系数有相关性
    • 当前块C的其它系数的编码码表由前一个系数的幅值决定cofN-1=>GolombTab_x，用GolombTab_x编码cofN

视频编解码学习之三：变换，量化与熵编码

12. 算术编码

  • 信息量=>符号编码比特数
  • Huffman编码为每个符号分配一个码字，这说明Huffman编码的压缩上限是1比特/符号
  • 算术编码若干个符号可编码成1bit
  • 算术编码是把信源表示为实数轴上[0,1]区间，信源中每个符号都用来缩短这个区间
    • 输出[0,1]区间的一个实数表示一串编码符号
    • 比Huffman编码更有效
  • 编码思想
    • 编码器用熵编码算法编码一串符号产生一个[0,1]区间的实数，将实数的一个二进制表示传给解码器
    • 解码器用熵解码算法解码得到一串符号
  • 小数的二进制表示

  • 信源符号概率分布

    视频编解码学习之三：变换，量化与熵编码

  • 字符串：X2 X2 X3 X3 X6 X5 X7
  • Huffman编码，01 01 100 100 00 11 1011，18bit

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

  • 算术编码更接近熵
  • 有限精度算术编码是次优（Near-optimal）编码，发送整数比特给解码端
  • 算术编码到最后一个字符编码结束才输出码字
  • 编码复杂度也比较高

13. 二值算术编码

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

13. 自适应二值算术编码

  • 由于信源0和1出现的概率是在不断变化的，因此0和1的概率区间也应该不断改变
  • 自适应二值算术编码每编码一个0或1都重新统计0和1的概率并重新划分[0,1)区间
  • 编解码端的概率统计模型一致，能够得到同样的[0,1)区间划分

视频编解码学习之三：变换，量化与熵编码视频编解码学习之三：变换，量化与熵编码

 

14. CABAC（Context-Based Adaptive Binary Arithmetic Coding）

视频编解码学习之三：变换，量化与熵编码

  • 当前块的语法元素概率分布和其邻块的语法元素概率分布情况相关
    • 当前块C的邻块A和B的语法元素SA与SB可以为编码C块的语法元素SC选择概率模型
  • 二值化
    • 将语法元素值转换成二进制值串
  • 概率模型更新
    • 根据已经编码的比特，重新估计二进制值串的概率并更新概率模型，用新的概率模型编码下一个比特

视频编解码学习之三：变换，量化与熵编码

15. Run Length 编码

  • 利用信源字符的重复性来编码的技术
  • 对有很长，很多重复字符的信源编码非常有效
  • 重复字符称为run，重复的字符个数称为run length
  • Run-length编码能够和其它熵编码一起来压缩数据

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

16. 字典编码

  • 字典编码：根据信源符号（消息）的组合特点，建立包含各种符号组合的字典，编码这些符号组合的索引
    • LZ78=>Winzip
    • LZW=> GIF
  • 适合一般意义上的数据压缩，去除数据的统计冗余

17. LZW

  • 将信源输出的字符串中，每个第一次出现的字符或者字符串用索引来表示，并将字符或字符串对应的索引编码到码流中
  • 解码端根据从码流中解码的字符，在线的建立和编码器完全一样的字典，并恢复出信源输出的字符串
  • 适用于字符串中有大量的子字符串多次重复出现，重复次数越多，压缩效果越好
  • 单个符号被分配为0-255之间的值
  • 初始码表，使其包含值为0-255的256个符号，值大于255的符号为空
  • 编码器将根据编码的符号情况确定字符组合为从 256 到 4095 之间的值
  • 编码时，编码器识别新的字符组合，并将他们增加到码表中
  • 编码器用码表中的符号组合所对应的值编码

视频编解码学习之三：变换，量化与熵编码

  • 解压时LZW解码器能够产生和编码器完全一样的码表
  • 和编码器一样先初始化所有的单字符，将0-255之间的值分配给它们
  • 除了解码第一个字符外，解码其它字符时都要更新码表
  • 通过读码字并根据码表中的值将它们解码为对应的字符或字符组合

视频编解码学习之三：变换，量化与熵编码

18. LZ78

视频编解码学习之三：变换，量化与熵编码

视频编解码学习之三：变换，量化与熵编码

参考资料：

你可能感兴趣的:(编码)

  • 基于 python+Django的xxx(仓库、物料、零件等)管理系统毕业论文实践 wz12138 pythondjango开发语言
    项目简介这是一个基于Django开发的仓库管理系统，提供产品库存管理、出入库操作、库存预警等功能。系统采用直观的界面设计，支持条形码扫描和手动操作，适合中小型仓库的日常库存管理需求和普通毕业生毕业论文实践课题。功能特性产品管理产品基础信息维护（编码、名称、描述）库存预警阈值设置产品条形码自动生成库存操作扫码出入库支持手动输入和下拉选择库存变动记录追踪操作人员记录库存监控实时库存查看库存预警提醒库存
  • 直男炮轰氛围感编程 彭铖洋 javascriptreactjs
    上上周二半夜1点，我正忙着修一个很重要的AI工具故障。当我一层层检查代码时，突然发现：和现在年轻程序员不一样，我特别庆幸自己能真正搞懂自己写的代码。那一刻，我开始认真琢磨Karpathy最近说的“氛围编码”那番话。可能有人不知道，AndrejKarpathy最近分享了他对"氛围编码"的看法，其实就是把理解代码的活儿全交给AI，然后听天由命。他原话是这么说的："我现在总是直接'全盘接受'，连代码差异
  • 数字麦克风PDM信号采集与STM32 I2S接口应用（一） XIAOYOUDUODUO
    数字麦克风采用MEMS技术，将声波信号转换为数字采样信号，由单芯片实现采样量化编码，一般而言数字麦克风的输出有PDM麦克风和PCM麦克风，由于PDM麦克风结构、工艺简单而大量应用，在使用中要注意这二者的区别，尤其是STM32MCU的文档在I2S接口章节，对此区别含糊不清，比如采样率配置，WS管脚的用法，单声道双声道的配置，很多地方无法从文档中得到准确信息，需要一边摸索一边研究文档。本文就是对这些问
  • 数据科学福音！VSCode 1.99版本Copilot全面升级，Jupyter Notebook支持堪比Google Colab 听吉米讲故事 vscodecopilotjupyter
    引言VisualStudioCode（简称VSCode）于2025年3月发布了1.99版本，带来了一系列令人兴奋的更新和改进。本文将重点介绍此次更新中与GitHubCopilot相关的主要功能增强，包括Agent模式的正式发布、代码编辑功能的改进、聊天功能的增强以及JupyterNotebook编辑的智能化。这些更新不仅提升了开发效率，还为开发者提供了更加智能和个性化的编码体验。核心亮点：VSCo
  • Python字符串的编码与解码 霍格沃兹测试开发学社 Python语法基础python功能测试单元测试
    前言作为一名测试工程师，了解Python字符串的编码与解码对于处理不同字符集的数据、网络通信和文件操作至关重要。本文将详细介绍Python中字符串的编码与解码方法，包括常见编码格式、编码与解码的基本操作以及在实际应用中的注意事项。编码与解码的基本概念什么是编码编码是将字符串转换为字节序列的过程。计算机在底层存储和处理数据时，使用的是二进制数据（字节），而不是字符。因此，字符串需要被编码为字节序列，
  • 告别硬编码！LambdaQueryWrapper 让你的 MyBatis-Plus 查询更安全、更优雅 人工智能
    本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！魔都架构师|全网30W技术追随者大厂分布式系统/数据中台实战专家主导交易系统百万级流量调优&车联网平台架构AIGC应用开发先行者|区块链落地实践者以技术驱动创新，我们的征途是改变世界！实战干货：编程严选网LambdaQueryWrapper和QueryWrapper都是MyBatis-Plus中用于构建查询条件的封装器，它们的主要
  • 网络安全 | DevSecOps：将安全融入DevOps开发生命周期 xcLeigh 网络安全知识安全web安全devops
    网络安全|DevSecOps：将安全融入DevOps开发生命周期一、前言二、DevSecOps的概念与原则2.1DevSecOps的概念2.2DevSecOps的原则三、DevSecOps的关键实践3.1安全需求分析与管理3.2安全设计与架构3.3安全编码实践3.4安全测试策略3.5安全部署与运维四、DevSecOps实施面临的挑战与应对策略4.1文化变革挑战4.2技术集成挑战4.3人员技能挑战五
  • 具身智能零碎知识点（三）：深入解析 “1D UNet”：结构、原理与实战 墨绿色的摆渡人 具身智能零碎知识点pytorch人工智能pythontransformer具身智能
    深入解析“1DUNet”：结构、原理与实战【深度学习入门】1DUNet详解：结构、原理与实战指南一、1DUNet是什么？二、核心结构与功能1.整体架构2.编码器（Encoder）3.解码器（Decoder）4.跳跃连接（SkipConnection）5.瓶颈层（Bottleneck）三、数学原理与数值示例1.1D卷积运算2.编码-解码流程四、PyTorch代码实现1.完整模型代码2.使用示例五、实
  • Visual Studio使用技巧 熙尛 visualstudio
    VisualStudio是一个功能强大的集成开发环境（IDE），适用于多种编程语言和开发平台。以下是一些提高使用效率的技巧：使用快捷键：熟悉并使用快捷键可以显著提高编码速度。例如，Ctrl+.（或Ctrl+.）可以快速访问重构选项，F12可以跳转到定义。代码片段：利用代码片段快速插入常用的代码模板。多文档界面（MDI）：通过Window>NewVerticalTabGroup或NewHorizon
  • c#通过ffmpeg实现视频转码 乐黍 c#ffmpeg
    在做一个项目时，需要前端显示单机版上传的视频信息，对于摄像头抓取的视频，最开始是使用VideoFileWriter直接转换文件格式和定义视频流，但时候在后期的测试中发现，浏览器端无法显示该视频文件，只能显示h264编码的视频流。经过一系列调查之后选用了ffmpeg来实现该视频转码，如下是具体的实现步骤：1.下载ffmpeg文件链接2.具体转码代码如下：//////测试/////////privat
  • php视频转码hls,GitHub - wanglimeng/ffmpeg-demo: 使用 ffmpeg 实现视频转码。 安夫 php视频转码hls
    视频转码示例该demo的主要目的是为了学习如何使用ffmpeg实现视频转码。视频转码程序transcode.php文件具备以下功能：获取视频信息；提取字幕；将视频转码成不同清晰度的MP4文件(视频编码H.264，音频编码AAC)；提高视频音量；转换成HLS格式即M3U8+TS的播放列表；生成缩略图和预览图；生成剧照；项目结构.├──movie│├──0││├──example.mp4#测试视频1│
  • 已解决：AttributeError: ‘str‘ object has no attribute ‘decode‘ 几何心凉 bug集合android
    已解决：AttributeError:‘str’objecthasnoattribute‘decode’文章目录写在前面问题描述报错原因分析解决思路解决办法1.确保只对`bytes`对象调用`decode()`2.将Python2的旧代码迁移到Python33.检查数据来源4.处理编码不一致的问题5.使用`six`库兼容Python2和3总结写在前面在Python3中，字符串处理发生了一些显著变化
  • bert-base-chinese模型使用教程 raoxiaoya 人工智能
    向量编码和向量相似度展示importtorchfromtransformersimportBertTokenizer,BertModelimportnumpyasnpmodel_name="C:/Users/Administrator.DESKTOP-TPJL4TC/.cache/modelscope/hub/tiansz/bert-base-chinese"sentences=['春眠不觉晓',
  • 当算力遇上音乐创作：AI作曲家的算力交响曲 AI算力那些事儿 当算力遇上人工智能
    目录一、AI作曲的“燃料库”二、AI作曲的“破壁行动”三、谁将主宰音乐的未来？2025年1月，伦敦皇家阿尔伯特音乐厅的一场音乐会震惊全球——由AI自主创作的交响乐《数字交响曲》首演，45分钟的旋律跌宕起伏，评论家称其“情感表达令人惊叹”。而在我国，北京交响乐团的《交响编码》让观众与AI机器人实时互动生成音乐片段，科技与艺术的边界被彻底打破。这些事件背后，是算力的爆炸式增长与音乐创作的深度碰撞。AI
  • 多模态大模型：技术原理与实战 全球多模态大模型介绍 AI天才研究院 计算DeepSeekR1&大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    多模态大模型：技术原理与实战全球多模态大模型介绍文章目录多模态大模型：技术原理与实战全球多模态大模型介绍多模态大模型：技术原理与实战全球多模态大模型介绍1.背景介绍2.核心概念与联系2.1多模态学习2.2跨模态表示学习2.3注意力机制2.4预训练与微调2.5生成模型2.6模态融合2.7零样本学习3.核心算法原理&具体操作步骤3.1算法原理概述3.2算法步骤详解3.2.1统一编码器-解码器架构3.2
  • Redis数据结构和内部编码--字符串 大道化简 缓存分布式缓存-redisredis数据库database
    Redis数据结构和内部编码--字符串一.概念字符串类型是redis的基础数据类型。首先，键都是字符串类型。字符串类型的值可以是字符串（简单字符串或者JSON/XML）、数值（整数和浮点数），二进制(图片，音频和视频)，但是最大不能超过512MB。二.命令2.1设置值（1）setkeyvalue[exseconds][pxmillisecons][nx|xx]EXseconds–设置过期时间，单位
  • 哈夫曼树的建立以及编码 蒟蒻小袁 二叉树数据结构栈stl
    哈夫曼树的原理结论带权路径长度WPL最小的二叉树（WPL：从根到某点的长度与该点的权值相乘的所有点的和）哈夫曼树的节点数=2*叶子数-1（叶子数就是你输入的点数）哈夫曼树的构造方式从叶子选择权值最小的两个点组成一个节点将组合的这两个节点的父亲节点指向你组成的这个节点将你组成的节点的左右儿子节点指向这两个点（小的在左大的在右）将该节点的权值加入叶子中重复1哈夫曼编码从根节点开始到该点的距离就代表你编
  • Python生成requirements.txt的两种方法 Code_Geo python开发语言
    Python生成requirements.txt的两种方法方法一：导出当前环境的依赖包使用pipreqs--encoding=utf8为使用utf8编码，避免编码报错--force强制执行覆盖生成目录下的requirements.txt#安装python3-mpipinstallpipreqs#在当前目录生成pipreqs.--encoding=utf8--force执行以上命令，会生成requi
  • 吴恩达深度学习（17）独热编码|回归树简介 wgc2k #深度学习深度学习回归人工智能
    独热编码（One-HotEncoding）简介在之前看到的示例中，每个特征只能取一个或两个可能的值，比如耳朵形状只有尖或，胡须只有有或无。但如果特征可以有两个以上的取值该需要特殊处理。以宠物收养中心应用程序的新训练集为例，除了耳朵形状特征外，其他数据都相同。此时耳朵形状不再只有尖和松软两种，还可以是椭圆形，即耳朵形状（ESHI）特征仍是分类值特征，但从有两个可能值变为有三个可能值。当基于这个特征进
  • Qt资料大全 yangzheng0515 Qtqt
    版权声明：进步始于交流，收获源于分享！纯正开源之美，有趣、好玩、靠谱。。。作者：一去丶二三里博客地址：http://blog.csdn.net/liang19890820发福利了、发福利了、发福利了，重要的事情说三遍。。。为了方便更多Qter了解、学习Qt，现将相关资源进行整理，主要内容包括：Qt官网、编码风格、GitHub&Third-Party、社区论坛、博客、书籍等。满满的都是干货，独乐乐不
  • 【转】 Qt 学习资料 相关论坛网站 chuifeipan6467 python移动开发设计模式
    简述发福利了、发福利了、发福利了，重要的事情说三遍。。。为了方便更多Qter了解、学习Qt，现将相关资源进行整理，主要内容包括：Qt官网、编码风格、GitHub&Third-Party、社区论坛、博客、书籍等。满满的都是干货，独乐乐不如众乐乐。。。简述Qt官网编码风格GitHubThird-Party社区论坛博客书籍更多版权所有：一去丶二三里，转载请注明出处：http://blog.csdn.ne
  • Qt学习资料 嵌入梦想 闲来无事QtQt学习资料图形界面
    版权声明：进步始于交流，收获源于分享！纯正开源之美，有趣、好玩、靠谱。。。作者：一去丶二三里博客地址：http://blog.csdn.net/liang19890820目录(?)[+]简述发福利了、发福利了、发福利了，重要的事情说三遍。。。为了方便更多Qter了解、学习Qt，现将相关资源进行整理，主要内容包括：Qt官网、编码风格、GitHub&Third-Party、社区论坛、博客、书籍等。满满
  • Python中的Transformer算法详解 闲人编程 进阶算法案例1024程序员节pythontransformer编码器解码器注意力机制人工智能
    目录Python中的Transformer算法详解引言一、Transformer的基本原理1.1什么是Transformer？1.2Transformer的架构1.3自注意力机制二、Transformer的Python实现2.1导入必要的库2.2创建Transformer模型2.3编码器和解码器的实现2.3.1编码器实现2.3.2解码器实现2.4编码器和解码器层的实现2.4.1编码器层2.4.2解
  • 25-1 SQL 注入攻击 - cookie base64编码注入 技术探索 Web安全攻防全解析sql数据库
    环境准备：构建完善的安全渗透测试环境：推荐工具、资源和下载链接_渗透测试靶机下载-CSDN博客一、Base64编码介绍原理Base64编码的原理是将三个字节的二进制数据（共24位）转换成四个ASCII字符。由于每个ASCII字符可以表示64种状态（2^6），刚好可以用来表示24位二进制数据。这种编码方式通过将二进制数据划分为每组6位，然后将这6位的值转换为对应的Base64字符，从而实现编码过程。
  • qDebug() 输出中文乱码 科学的发展-只不过是读大自然写的代码 QT编码qt
    在使用Qt开发时，如果在使用qDebug()输出中文时遇到乱码问题，这通常是因为编码设置不正确或者控制台不支持中文显示。以下是一些解决此问题的步骤：确保源代码文件编码正确：确保你的源代码文件是以UTF-8编码保存的。这可以在你的文本编辑器或IDE中设置。设置Qt应用程序的编码：在你的Qt应用程序中，确保设置了正确的编码。可以通过以下代码设置UTF-8编码：#includeintmain(intar
  • ESP32CAM向本地服务器传输图片使用base64编码进行传输 Pluto__________ 服务器base64ESP32cam
    首先是ESP32CAM有WiFi模块，通过WiFi与本机连接同一个ip地址完成拍摄图片后上传本地服务器并保存ESP32CAM在VSCODE使用platformio开发项目具体步骤为1ESP32CAM的代码烧录2本地服务器的启动3重启ESP32CAM完成与本地服务器连接，在串口工具可以查看连接状态由于在ESP32CAM上进行了开闪光灯的操作，如不需要请自行注释ESP32CAM#include#inc
  • 大语言模型应用指南：图像生成 AI智能涌现深度研究 DeepSeekR1&大数据AI人工智能Python入门实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    大语言模型应用指南：图像生成关键词：大语言模型，图像生成，文本到图像，生成对抗网络，变分自编码器，扩散模型1.背景介绍1.1问题的由来图像生成作为计算机视觉和人工智能领域的一个重要分支，一直是众多学者和工程师关注的焦点。近年来，随着深度学习技术的快速发展，基于大语言模型（LargeLanguageModel，LLM）的图像生成技术取得了突破性的进展。这些技术能够根据自然语言描述生成高质量的图像，为
  • Python学习之文件操作 小鑫仔_x Pythonpython学习java
    文件的操作今天来学习Python读写文件，首先看一下文件操作的基本概念文件类型二进制文件文本文件文件操作步骤打开文件读写数据关闭文件打开文件open()函数语法，open(file,mode=‘r’,encoding=“utf-8”)file：文件路径/文件名mode，文件打开模式（r只读，w写入）encoding，文件的编码文件打开模式模式描述r默认，只读w写入，覆盖文件a追加，文件末尾写入x创
  • 21天Python计划：零障碍学语法（更新完毕） 互联网搬砖工老肖 python
    目录序号标题链接day1Python下载和开发工具介绍https://blog.csdn.net/XiaoRungen/article/details/146583769?spm=1001.2014.3001.5501day2数据类型、字符编码、文件处理https://blog.csdn.net/XiaoRungen/article/details/146603325?spm=1011.2415.
  • ASF-YOLO：提升YOLOv8分割与目标检测性能的特征融合优化策略 向哆哆 YOLO目标检测目标跟踪yolov8
    文章目录ASF-YOLO：提升YOLOv8分割与目标检测性能的特征融合优化策略一、引言二、ASF-YOLO的框架原理2.1尺度序列特征融合（SSFF）模块2.2三重特征编码器（TFE）模块2.3通道和位置注意力机制（CPAM）三、集成ASF-YOLO到YOLOv8四、实验结果五、总结ASF-YOLO：提升YOLOv8分割与目标检测性能的特征融合优化策略一、引言YOLOv8作为目标检测领域的佼佼者，
  • tomcat基础与部署发布 暗黑小菠萝 Tomcat java web
    从51cto搬家了，以后会更新在这里方便自己查看。 做项目一直用tomcat，都是配置到eclipse中使用，这几天有时间整理一下使用心得，有一些自己配置遇到的细节问题。 Tomcat：一个Servlets和JSP页面的容器，以提供网站服务。 一、Tomcat安装     安装方式：①运行.exe安装包      &n
  • 网站架构发展的过程 ayaoxinchao 数据库应用服务器网站架构
    1.初始阶段网站架构：应用程序、数据库、文件等资源在同一个服务器上 2.应用服务和数据服务分离：应用服务器、数据库服务器、文件服务器 3.使用缓存改善网站性能：为应用服务器提供本地缓存，但受限于应用服务器的内存容量，可以使用专门的缓存服务器，提供分布式缓存服务器架构 4.使用应用服务器集群改善网站的并发处理能力：使用负载均衡调度服务器，将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
  • [信息与安全]数据库的备份问题 comsci 数据库
          如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题   如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?    是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?  &n
  • 使用maven tomcat plugin插件debug关联源代码 商人shang mavendebug查看源码tomcat-plugin
    *首先需要配置好'''maven-tomcat7-plugin'''，参见[[Maven开发Web项目]]的'''Tomcat'''部分。 *配置好后，在[[Eclipse]]中打开'''Debug Configurations'''界面，在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
  • 大访问量高并发 oloz 大访问量高并发
    大访问量高并发的网站主要压力还是在于数据库的操作上，尽量避免频繁的请求数据库。下面简 要列出几点解决方案： 01、优化你的代码和查询语句，合理使用索引 02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中 03、采用服务器集群、负载均衡分担大访问量高并发压力 04、数据读写分离 05、合理选用框架，合理架构(推荐分布式架构)。
  • cache 服务器 小猪猪08 cache
    Cache   即高速缓存.那么cache是怎么样提高系统性能与运行速度呢？是不是在任何情况下用cache都能提高性能？是不是cache用的越多就越好呢？我在近期开发的项目中有所体会，写下来当作总结也希望能跟大家一起探讨探讨，有错误的地方希望大家批评指正。 　　1.Cache   是怎么样工作的? 　　Cache   是分配在服务器上
  • mysql存储过程 香水浓 mysql
    Description:插入大量测试数据 use xmpl; drop procedure if exists mockup_test_data_sp; create procedure mockup_test_data_sp( in number_of_records int ) begin declare cnt int; declare name varch
  • CSS的class、id、css文件名的常用命名规则 agevs JavaScriptUI框架Ajaxcss
      CSS的class、id、css文件名的常用命名规则     (一)常用的CSS命名规则 　　头：header 　　内容：content/container 　　尾：footer 　　导航：nav 　　侧栏：sidebar 　　栏目：column 　　页面外围控制整体布局宽度：wrapper 　　左右中：left right
  • 全局数据源 AILIKES javatomcatmysqljdbcJNDI
    实验目的：为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象，还是创建了两个数据源对象。 1：将diuid和mysql驱动包（druid-1.0.2.jar和mysql-connector-java-5.1.15.jar）copy至%TOMCAT_HOME%/lib下；2：配置数据源，将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下：&l
  • MYSQL的随机查询的实现方法 baalwolf mysql
    MYSQL的随机抽取实现方法。举个例子，要从tablename表中随机提取一条记录，大家一般的写法就是：SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是，后来我查了一下MYSQL的官方手册，里面针对RAND()的提示大概意思就是，在ORDER BY从句里面不能使用RAND()函数，因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中，
  • JAVA的getBytes()方法 bijian1013 javaeclipseunixOS
        在Java中，String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下，返回的东西不一样！      String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如： byte[] b_gbk = "
  • AngularJS中操作Cookies bijian1013 JavaScriptAngularJSCookies
            如果你的应用足够大、足够复杂，那么你很快就会遇到这样一咱种情况：你需要在客户端存储一些状态信息，这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。         幸运的是，这种方式已经一去不复返了，在所有现代浏览器中几乎
  • [Maven学习笔记五]Maven聚合和继承特性 bit1129 maven
    Maven聚合   在实际的项目中，一个项目通常会划分为多个模块，为了说明问题，以用户登陆这个小web应用为例。通常一个web应用分为三个模块： 1. 模型和数据持久化层user-core, 2. 业务逻辑层user-service以 3. web展现层user-web， user-service依赖于user-core user-web依赖于user-core和use
  • 【JVM七】JVM知识点总结 bit1129 jvm
      1. JVM运行模式 1.1 JVM运行时分为-server和-client两种模式，在32位机器上只有client模式的JVM。通常，64位的JVM默认都是使用server模式，因为server模式的JVM虽然启动慢点，但是，在运行过程，JVM会尽可能的进行优化 1.2 JVM分为三种字节码解释执行方式：mixed mode, interpret mode以及compiler
  • linux下查看nginx、apache、mysql、php的编译参数 ronin47
    在linux平台下的应用，最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用，在手工编译完以后，在其他一些情况下（如：新增模块），往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。 1、nginx [root@361way ~]# /App/nginx/sbin/nginx -V nginx: nginx version: nginx/
  • unity中运用Resources.Load的方法？ brotherlamp unity视频unity资料unity自学unityunity教程
    问：unity中运用Resources.Load的方法？ 答：Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置 1、unity实时替换的物体即是依据环境条件
  • 线段树-入门 bylijinnan java算法线段树
    /** * 线段树入门 * 问题：已知线段[2,5] [4,6] [0,7]；求点2,4,7分别出现了多少次 * 以下代码建立的线段树用链表来保存，且树的叶子结点类似[i,i] * * 参考链接：http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18 * @author lijinna
  • 全选与反选 chicony 全选
      <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html> <head> <title>全选与反选</title>
  • vim一些简单记录 chenchao051 vim
    mac在/usr/share/vim/vimrc linux在/etc/vimrc   1、问：后退键不能删除数据，不能往后退怎么办？       答：在vimrc中加入set backspace=2   2、问：如何控制tab键的缩进？       答：在vimrc中加入set tabstop=4 (任何
  • Sublime Text 快捷键 daizj 快捷键sublime
    [size=large][/size]Sublime Text快捷键：Ctrl+Shift+P：打开命令面板Ctrl+P：搜索项目中的文件Ctrl+G：跳转到第几行Ctrl+W：关闭当前打开文件Ctrl+Shift+W：关闭所有打开文件Ctrl+Shift+V：粘贴并格式化Ctrl+D：选择单词，重复可增加选择下一个相同的单词Ctrl+L：选择行，重复可依次增加选择下一行Ctrl+Shift+L：
  • php 引用(&)详解 dcj3sjt126com PHP
    在PHP 中引用的意思是：不同的名字访问同一个变量内容. 与Ｃ语言中的指针是有差别的．Ｃ语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容  复制代码代码如下: <?  $a="ABC";  $b =&$a;  echo
  • SVN中trunk,branches,tags用法详解 dcj3sjt126com SVN
    Subversion有一个很标准的目录结构，是这样的。比如项目是proj，svn地址为svn://proj/，那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局，trunk为主开发目录，branches为分支开发目录，tags为tag存档目录（不允许修改）。但是具体这几个目录应该如何使用，svn并没有明确的规范，更多的还是用户自己的习惯。
  • 对软件设计的思考 e200702084 设计模式数据结构算法ssh活动
    软件设计的宏观与微观    软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发，也要从微观上把握软件之间的开发。宏观上，可以应用面向对象设计，采用流行的SSH架构，采用web层，业务逻辑层，持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上，对于一个类，甚至方法的调用，从计算机的角度模拟程序的运行情况。了解内存分配，参数传
  • 同步、异步、阻塞、非阻塞 geeksun 非阻塞
    同步、异步、阻塞、非阻塞这几个概念有时有点混淆，在此文试图解释一下。   同步：发出方法调用后，当没有返回结果，当前线程会一直在等待（阻塞）状态。 场景：打电话，营业厅窗口办业务、B/S架构的http请求-响应模式。   异步：方法调用后不立即返回结果，调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后，当前线程不会阻塞，会继续执行其他任务。 实现：
  • Reverse SSH Tunnel 反向打洞實錄 hongtoushizi ssh
    實際的操作步驟： # 首先，在客戶那理的機器下指令連回我們自己的 Server，並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port ssh -NfR 12345:localhost:22 fred@myhost.com # 然後在 myhost 的機器上連自己的 12345 port，就可以連回在客戶那的機器 ssh localhost -p 1
  • Hibernate中的缓存 Josh_Persistence 一级缓存Hiberante缓存查询缓存二级缓存
    Hibernate中的缓存   一、Hiberante中常见的三大缓存：一级缓存，二级缓存和查询缓存。 Hibernate中提供了两级Cache，第一级别的缓存是Session级别的缓存，它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的，一般情况下无需进行干预；第二级别的缓存是SessionFactory级别的缓存，它是属于进程范围或群集范围的缓存。这一级别的缓存
  • 对象关系行为模式之延迟加载 home198979 PHP架构延迟加载
    形象化设计模式实战     HELLO!架构   一、概念 Lazy Load：一个对象，它虽然不包含所需要的所有数据，但是知道怎么获取这些数据。 延迟加载貌似很简单，就是在数据需要时再从数据库获取，减少数据库的消耗。但这其中还是有不少技巧的。     二、实现延迟加载 实现Lazy Load主要有四种方法：延迟初始化、虚
  • xml 验证 pengfeicao521 xmlxml解析
    有些字符，xml不能识别，用jdom或者dom4j解析的时候就报错 public static void testPattern() { // 含有非法字符的串 String str =       "Jamey&#52828;&#01;&#02;&#209;&#1282
  • div设置半透明效果 spjich css半透明
    为div设置如下样式：   div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}        说明： 1、filter：对win IE设置半透明滤镜效果，filter:alpha(Opacity=80)代表该对象80%半透明，火狐浏览器不认2、-moz-opaci
  • 你真的了解单例模式么？ w574240966 java单例设计模式jvm
        单例模式，很多初学者认为单例模式很简单，并且认为自己已经掌握了这种设计模式。但事实上，你真的了解单例模式了么。   一，单例模式的5中写法。（回字的四种写法，哈哈。）     1，懒汉式           （1）线程不安全的懒汉式 public cla
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他