Backbone使用总结

最新推荐文章于 2022-11-01 11:07:09 发布
原创 最新推荐文章于 2022-11-01 11:07:09 发布 · 953 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#backbone #源码 #url #前端

1. A "url" property or function must be specified

urlmodel.url() 
返回模型资源在服务器上位置的相对 URL 。 如果模型放在其它地方，可通过合理的逻辑重载该方法。 生成 URLs 的默认形式为："/[collection.url]/[id]"， 如果模型不是集合的一部分，你可以通过指定明确的urlRoot覆盖。

urlRootmodel.urlRoot or model.urlRoot() 
如果使用的集合外部的模型，通过指定 urlRoot 来设置生成基于模型 id 的 URLs 的默认url 函数。 "[urlRoot]/id"。通常情况下，你不会需要定义这一点。 需要注意的是urlRoot也可以是一个函数。


Backbone源码：

    url: function() {
      var base =
        _.result(this, 'urlRoot') ||
        _.result(this.collection, 'url') ||
        urlError();
      if (this.isNew()) return base;
      return base.replace(/([^\/])$/, '$1/') + encodeURIComponent(this.id);
    },

可以看出其是判断的顺序是urlRoot、url，都没有才报错。


所以：如果Model是属于Collection的，直接在Collection设置url就可以了；但是若直接创建一个Model并对其操作，就必须要设置urlRoot。最好的方式是Model中的urlRoot和Collection的url都设置一下

CNN backbone 总结笔记
Francis Liu
12-20 4378
算是一篇梳理backbone的总结笔记，前面部分不少内容都是照搬 reference 2 的，稍微总结了一下里面的内容，后面增加了其中遗漏的以及今年新出的网络（FPN，Hourglass，ResNeXt，DCN，DPN，SENet，MobileNet v3），用了很多网图，联系侵删； Reference: 1.https://arxiv.org/pdf/1908.03673.pdf，19年...
目标检测和分割中Backbone技术总结
iizhuzhu的博客
11-22 3852
目标检测和分割中Backbone技术总结VGG (2014)ResNet系列ResNet (2015)ResNeXtResNeStInception系列Inception v1Inception v2Inception v3Inception V4总结SENet系列SENetSKNet (Selective Kernel Networks)U-NetFeature Pyramid Network (FPN)introductionFPNFaster R-CNN with FPNDCNDCN v1Deform
初探Backbone
weixin_34209851的博客
07-27 396
前言 终于到周末了，几经转折老夫工作终于落实，干起了移动前端，于是真正进入了HTML5的开发时代。 这周一开始入职，进来后发现真的像农村的来到了城市，很多东西不懂的，又要落实租房的问题，生活工作拧到了一坨。 由于上次去河南折腾了一番，经济也在亮红灯，于是第一周有点浑浑噩噩的感觉，还没做什么就结束了。 新的团队的人感觉都有点生猛，老同事完全没压力，另一个新同事适应的很快，居然都能进入框架开发...
BackBone介绍及使用
04-22
NULL 博文链接：https://elicer.iteye.com/blog/1935040
使用Backbone的正确姿势
weixin_34270606的博客
03-15 350
首发我的博客，两边同时更新。 2012年来到点乐之后，我开始投身Web应用开发。当时我选择Backbone作为主力框架，刚开始做难免会带着各种旧习惯，只有一边使用一边摸索。最近我终于搞明白使用Backbone的正确姿势，记叙于此，希望能让后来者少走些弯路。 使用框架时，我的原则是：既然使用了这个框架，就应该按照这个框架的思路解...
Backbonejs之view的基本用法
qq_39368007的博客
08-15 293
注：style:'color:red;' 是没有效果的 要将其放在attributes里面去才可以 或者是像下面这种也是可以的： 很奇怪的是：在自己的项目环境中，这个显示不出来。 <script> var ToDoItem = Backbone.Model.extend({ }) var toDoItem = new ToDoItem({ ...
深度学习中的经典基础网络结构（backbone）总结
热门推荐
生命在于折腾！
10-28 3万+
深度学习中的经典基础网络结构总结 1. 深度学习发展历史回顾 在开始正式内容之前，首先回顾下深度学习发展史，这将使整体内容更为连贯。 上图主要展示了深度学习的 “史前文明”（这里仅仅是开玩笑的说法）。从图中可以看到整个历史始于1943年，有三个发展繁荣期和两个低谷。 1943年，心理学家麦卡洛克和数学逻辑学家皮兹发表论文《神经活动中内在思想的逻辑演算》，提出了MP模型。 1960年，...
sample_backbone:使用 Backbone 的真正普通示例
06-06
总结起来，"sample_backbone"是一个实践Backbone.js基本概念的实例，它通过模型、视图和集合展示了数据和用户界面的交互，以及如何通过路由实现导航。通过研究这个项目，你可以更好地理解和应用Backbone.js在实际...
Backbone 的使用 （二）—— Mode 篇
嗝~
10-12 516
我们将通过一个一个小实例来逐步学习Mode 首先定义一下整体的页面结构 <!DOCTYPE html> <html> <head> <title></title> </head> <body> </body> <script type="text/javascript" ...
backbone.baseview:一个简单的用于骨干网的BaseView
05-08
骨干基础视图 一个简单的用于骨干网的BaseView。 import _ from 'underscore' ; import Backbone from 'backbone' ; import BaseView from 'backbone.baseview' ; const MyView = BaseView . extend ( { tagName : 'ul' , template : _ . template ( ` <% _.each(collection, function(model) { %> <li><%- model.value %></li> <% }); %> ` ) } ) ; const collection = new Backbone . Collection ( [ { value : 'One' } ,
backbonebase:骨干网扩展
06-01
BackboneBase “您的所有基础都属于我们”一套与框架无关的免费 Backbone.View、Backbone.Model、Backbone.Collection 和 Fetch 扩展集，提供灵活方便的习惯用法和实用程序。 除非绝对必要，BackboneBase 尝试不覆盖 Backbone 方法； 构造函数/初始化钩子和/或核心 Backbone 源的鼓励。 这个库是一个基于来自一个非常大的 Backbone 部署的观察的概念集合； 1,200 个视图、260 个模型、120 个集合和 50 个具有 150,000 个 LOC（未优化）的路由器。 BackboneBase.View Backbone.View 的扩展。 用于模板化（编译、缓存等）、内省、分层视图和一致的类名派生的功能。 构造函数/初始化new View([options]) 有几个特殊选项，如果通过，将直
数据备份软件,BackBone,NetVault,网络存储备份,系统集成
weixin_34032792的博客
06-08 263
BakBone公司的旗帜产品 NetVault自动备份恢复软件是真正可升级的、真正模块化的高性能备份与恢复存储管理软件，可在众多UNIX,Linux, NT，Windows2000和SCOUnix等平台下使用NetVault独特的模块化架构可灵活地按您的信息存储需求的不断扩大和变化进行扩充和升级。NetVault可轻松地支持SAN和NAS备份。使用简单易用的图谓缑?/SPAN...
四大备份利器的精彩实测（Symantec、HP、Backbone Netvault、Avamar）
DSG顾利斌-Oracle数据库实时同步复制、容灾备份、存储归档与迁移技术
07-25 1万+
【IT168 专稿】[编者按]因为需要应对各种不同的操作系统和硬盘文件系统以及安全参数,企业备份恢复产品越来越复杂了。我们在各大论坛上看见大家对于主流备份软件厂商和产品还存在诸多疑问，为给大家在备份软件选型时给予有说服力的建议，我们从国外网站上编译部分备份软件的评测报告。     这些评测报告一共包括了9家厂商的备份软件产品。我们针对国内市场上应用较为普遍的四款产品，对这四款产品的优劣势进行了
backbone java_backbone简介_动力节点Java学院整理
weixin_32126033的博客
02-13 253
简介Web 应用程序越来越关注于前端，使用客户端脚本与 Ajax 进行交互。由于 JavaScript 应用程序越来越复杂，如果没有合适的工具和模式，那么 JavaScript 代码的高效编写、非重复性和可维护性方面会面临挑战。模型-视图-控制器 (MVC) 是一个常见模式，可用于服务器端开发以生成有组织以及易维护的代码。MVC 支持将数据(比如通常用于 Ajax 交互的 JavaScript O...
【DETR源码解析】二、Backbone模块
qq_38253797的博客
11-01 6347
detr
从DETR backbone 的NestedTensor 到DataLoader, Sampler,collate_fn，再到DETR transformer
qq_35831906的博客
05-01 6017
从DETR backbone 的NestedTensor 到DataLoader, Sampler,collate_fn，再到DETR transformer
Backbone入门讲解
weixin_34318272的博客
01-07 496
Backbone是一个实现了web前端mvc模式的js框架。 一种解决问题的通用方法，我们叫做模式。 设计模式：工厂模式，适配器模式，观察者模式等，推荐js设计模式这本书。设计模式是一种思想。 框架模式：MVC，MVP，MVVM等。框架模式是开发项目的一种方案。 MVC指的是什么？M：model（模型），V：view（视图），C：controller（控制器） MVC模式的思想，把模型和...
如何使用deepseek作为backbone
最新发布
02-26
<think>好的，我现在需要帮助用户了解如何将DeepSeek作为Backbone来使用。用户之前已经询问过如何基于DeepSeek开发实例分割模型，现在更具体地关注如何将DeepSeek作为Backbone。我需要先回顾之前的对话，确保回答的一致性和递进性。 首先，用户可能对DeepSeek的技术定位不太清楚，特别是在视觉任务中的应用。之前的回复提到，如果DeepSeek专注于NLP或多模态，可能需要结合视觉框架。所以，我需要确认DeepSeek是否提供视觉相关的预训练模型，比如CNN或ViT结构。如果用户假设DeepSeek有ViT模型，可能需要引导他们查看官方文档，确认可用的模型类型。 接下来，用户可能想知道如何将DeepSeek集成到现有的模型中。例如，替换ResNet等传统Backbone。这里需要分步骤说明，包括加载预训练权重、调整输出通道、连接特征金字塔网络（FPN）等。可能需要提到具体的代码示例，比如修改Mask R-CNN的Backbone。 另外，用户可能关心迁移学习的策略，比如冻结部分层、调整学习率等。需要解释如何利用预训练权重进行初始化，以及训练时的注意事项，例如学习率设置和解冻策略。 同时，用户可能遇到兼容性问题，比如Backbone的输出维度与检测头不匹配。需要提醒他们在替换Backbone时检查通道数，可能需要添加额外的卷积层来调整维度。 还要考虑到DeepSeek作为多模态模型的可能性，如果它支持文本和图像输入，可能需要介绍如何提取视觉特征，或者进行跨模态融合，但当前用户的问题更集中在作为视觉Backbone，所以这部分可以简要提及，作为扩展应用。 最后，需要给出具体的代码示例，帮助他们快速上手。例如，使用PyTorch加载DeepSeek的ViT模型，替换到Mask R-CNN中，并设置相应的参数。同时，提醒资源管理和部署的注意事项，比如显存需求和量化加速。 总结下来，回答的结构应该包括：技术确认、模型集成步骤、迁移学习策略、多模态扩展、代码示例和注意事项。需要确保语言清晰，步骤详细，并针对用户可能的困惑点进行解释，比如如何调整通道数、处理特征图等实际问题。</think>以下是使用 **DeepSeek 作为 Backbone** 的详细指南，涵盖从模型加载到实际集成的关键步骤： --- ### **1. 确认 DeepSeek 的视觉支持** - **模型类型**： 若 DeepSeek 提供视觉预训练模型（如 ViT、CNN 架构），可直接作为 Backbone；若无，需通过多模态接口提取视觉特征（例如通过其图像编码器）。 - **文档参考**： 查阅 DeepSeek 官方文档，确认支持的视觉 Backbone 名称（如 `deepseek-vit-base`、`deepseek-resnet50`）。 --- ### **2. 加载 DeepSeek Backbone** #### **2.1 直接加载预训练模型** ```python # 假设 DeepSeek 提供类似 HuggingFace 的接口 from deepseek import DeepSeekVisionModel backbone = DeepSeekVisionModel.from_pretrained("deepseek-vit-base") ``` #### **2.2 自定义视觉 Backbone** 若需适配任务，可修改模型结构（如调整输出层）： ```python class CustomDeepSeekBackbone(torch.nn.Module): def __init__(self, pretrained=True): super().__init__() self.model = DeepSeekVisionModel.from_pretrained("deepseek-vit-base") # 移除分类头，保留特征提取层 self.model.head = torch.nn.Identity() def forward(self, x): features = self.model(x) # 输出可能是 [batch, seq_len, dim] # 转换为 CNN 特征图格式 [batch, dim, H, W]（若需要） features = features[:, 1:] # 去除 ViT 的 CLS Token h = w = int(features.shape[1]**0.5) features = features.permute(0, 2, 1).view(-1, dim, h, w) return features ``` --- ### **3. 连接下游任务模型** #### **3.1 目标检测/分割（如 Mask R-CNN）** ```python from torchvision.models.detection import MaskRCNN from torchvision.ops import FeaturePyramidNetwork # 加载 DeepSeek Backbone backbone = CustomDeepSeekBackbone(pretrained=True) backbone.out_channels = 256 # 设置输出通道数（需与下游模型匹配） # 添加特征金字塔网络（FPN） fpn = FeaturePyramidNetwork( in_channels_list=[256, 512, 1024], # 根据 Backbone 实际输出调整 out_channels=256 ) # 构建 Mask R-CNN model = MaskRCNN( backbone=backbone, num_classes=91, # COCO 类别数 fpn=fpn, # 可选 min_size=800, max_size=1333 ) ``` #### **3.2 分类任务（简化示例）** ```python from torch import nn class DeepSeekClassifier(nn.Module): def __init__(self, num_classes): super().__init__() self.backbone = DeepSeekVisionModel.from_pretrained("deepseek-vit-base") self.classifier = nn.Linear(self.backbone.config.hidden_size, num_classes) def forward(self, x): features = self.backbone(x).last_hidden_state[:, 0] # 取 CLS Token return self.classifier(features) ``` --- ### **4. 迁移学习策略** #### **4.1 参数冻结与解冻** ```python # 初始阶段冻结 Backbone for param in backbone.parameters(): param.requires_grad = False # 后期解冻部分层（如最后3层） for layer in list(backbone.model.encoder.layer[-3:]): for param in layer.parameters(): param.requires_grad = True ``` #### **4.2 学习率分层设置** ```python optimizer = torch.optim.AdamW([ {'params': backbone.parameters(), 'lr': 1e-5}, # Backbone 低学习率 {'params': model.fpn.parameters(), 'lr': 1e-4}, {'params': model.roi_heads.parameters(), 'lr': 1e-3} ]) ``` --- ### **5. 特征维度适配** #### **5.1 处理 ViT 的序列输出** 若 Backbone 是 Vision Transformer，需将 `[B, N+1, D]` 序列转换为特征图： ```python def vit_to_feature_map(x_vit): batch_size, seq_len, dim = x_vit.shape h = w = int((seq_len - 1)**0.5) # 假设去掉 CLS Token 后是平方数 patches = x_vit[:, 1:] # 去除 CLS Token features = patches.permute(0, 2, 1).view(batch_size, dim, h, w) return features # [B, D, H, W] ``` #### **5.2 调整通道数** 若 Backbone 输出通道与下游不匹配，可添加 1x1 卷积： ```python adjust_conv = nn.Conv2d(in_channels=backbone.out_channels, out_channels=256, kernel_size=1) ``` --- ### **6. 多模态扩展（可选）** 若 DeepSeek 支持多模态输入（文本+图像），可联合训练： ```python # 假设 DeepSeek 支持多模态输入 text_input = tokenizer("描述图片内容", return_tensors="pt") image_input = preprocess(image) # 提取多模态特征 outputs = deepseek_multimodal_model( text_input_ids=text_input.input_ids, pixel_values=image_input ) # 提取视觉特征用于分割任务 visual_features = outputs.vision_outputs.last_hidden_state ``` --- ### **7. 注意事项** - **特征分辨率**：ViT 类 Backbone 的特征图分辨率较低（如 14x14），可能影响密集预测任务（分割/检测），需通过 FPN 或上采样增强。 - **显存占用**：ViT 的显存需求较高，建议使用混合精度训练（`AMP`）。 - **领域适配**：若目标领域与预训练数据差异大（如医学影像），需在中间层添加适配器（Adapter）。 --- ### **代码调试建议** 1. **验证 Backbone 输出**： 单独运行 Backbone，检查输出张量的形状（如 `[B, C, H, W]`）。 2. **梯度检查**： 训练初期冻结 Backbone，观察下游层梯度是否正常更新。 3. **特征可视化**： 使用 Grad-CAM 等工具分析 Backbone 是否关注关键区域。 通过上述步骤，可灵活将 DeepSeek 作为 Backbone 集成到各类视觉任务中。若需进一步优化，可结合模型蒸馏或量化压缩技术。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值