Apr 5 2020 - What I reviewed

本文涵盖了计算机系统的关键组件,如程序、状态和通用寄存器的功能,以及数据校验的基本原则。深入探讨了软件工程领域,包括木马程序的工作原理、sniffer的用途、防火墙的安全级别和效率,以及项目风险管理。此外,还介绍了多媒体分类、结构化开发方法、Gantt图的应用、项目风险分类、程序语言特性、操作系统设计目的、进程管理和逻辑地址的概念。最后,涉及了统一过程模型、软件容错技术、软件测试策略、面向对象绑定、设计模式应用、SQL查询优化、数据结构操作和动态地址分配。
  1. 【计算机系统】
    程序寄存器:存放指令的地址
    状态寄存器:记录运算中产生的标志信息
    通用寄存器:暂存操作数或地址
    累加寄存器:暂存运算结果
  2. 【数据校验】数据位是n位,校验位是k位,关系:2^k-1>=n+k
  3. 【木马程序】木马程序=服务器端(在目标机上)+客户端(在攻击者的机器上)
    sniffer是基于被动侦听原理的网络分析软件。
  4. 【防火墙】工作层越低,安全性越低,工作效率越高。
    包过滤防火墙采用过滤技术对应用和用户是透明的。
  5. 【多媒体】
    感觉媒体:感官
    表示媒体:编码
    表现媒体:输入输出的硬件
    存储媒体:存储的物理介质
    传输媒体:传输的物理介质
  6. 【结构化开发方法】
    传入模块:获取、输入
    传出模块:输出
    变换模块:转换成其他形式
    协调模式:调用、协调,不加工
  7. 【Gantt】描述每个任务开始结束的时间,任务的进展情况以及任务之间的并行关系。不能反应任务之间的依赖关系,难确定整个项目的关键所在。
  8. 【项目风险】
    项目风险:预算、人员、进度…
    技术风险:设计、实现、对接,维护问题
    业务风险:产品没人要、没预算…
    商业风险:市场、策略、预算风险
  9. 【程序语言】PHP产生动态网页。
  10. 【程序语言】引用调用=传址
  11. 【程序语言】符号表的作用是记录源程序中各个符号的必要信息
  12. 【操作系统】操作系统设计的目的是管理计算机系统中的软硬件资源,为用户与计算机之间提供方便的接口。(见java笔记)
  13. 【进程管理】
    S>=:某资源的可用数
    S<0:绝对值表示阻塞队列中等待该资源的进程数
  14. 【逻辑地址】第一位表示页号
  15. 【操作系统】
    绝对路径:从根目录开始(上一级)
    相对路径:从当前工作目录开始
  16. 【统一过程(UP)模型】五个阶段,用例+风险,每个迭代有五个核心工作流
  17. 【软件容错技术】冗余附加技术:冗余备份程序的存储和调用;实现错误检测和错误恢复的程序;实现容错软件所需的固化程序
  18. 【软件测试】路径覆盖:覆盖进程中所有可能的路径
  19. 【面向对象】绑定是一个把过程调用和响应调用所需要执行的代码加以结合的过程。绑定是在编译时进行的,称静态绑定。
  20. 【设计模式】适配器既是类结构模式也是对象结构模式。适配器模式和桥接模式具有类似的特性(间接性,转发请求)。
  21. 【程序语言】解释程序=解释器=翻译
  22. 【SQL】在GROUP BY后加HAVING:对元组加限制
  23. 【数据结构】线性表插入删除都在表尾,不需移动其他元素
  24. 动态地址分配方案=自动获得IP地址
  25. 【设计模式】Facade(外观)的特点:有高层接口,有分支
### YOLOv5 Implementation with RF-gnConv Improvements In the realm of object detection, integrating advanced convolution techniques can significantly enhance model performance. One such improvement involves incorporating RF-gnConv into YOLOv5 architecture. #### Understanding RF-gnConv Integration RF-gnConv introduces a novel approach by combining receptive field (RF) adjustments with group normalization (GN). This combination allows for better feature extraction while maintaining computational efficiency[^1]. The integration process requires modifying specific layers within YOLOv5's backbone network: ```python from yolov5.models.common import Conv import torch.nn as nn class RFGNConv(Conv): def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): super().__init__(c1, c2, k, s, p, g, act) self.norm = nn.GroupNorm(num_groups=g, num_channels=c2) def forward(self, x): return self.act(self.norm(self.conv(x))) ``` This code snippet demonstrates how to subclass `Conv` from YOLOv5’s common module and introduce Group Normalization alongside adjusting the receptive fields dynamically based on input characteristics. #### Model Training Adjustments When training models that incorporate these changes, it is crucial to adjust hyperparameters accordingly. Specifically, learning rate schedules may need recalibration due to altered gradient flows introduced by GN operations. Additionally, data augmentation strategies should be reviewed to ensure they complement rather than hinder the new layer configurations: ```yaml # Example configuration file adjustment for yolov5.yaml hyp: lr0: 0.01 # Initial Learning Rate lrf: 0.1 # Final Learning Rate factor augmentations: mosaic: true mixup: false ``` #### Deployment Considerations For deploying applications built using this enhanced version of YOLOv5, cloud platforms like Alibaba Cloud offer robust solutions ensuring high availability, fault tolerance, and load balancing through services designed specifically for web apps deployment[^2]. Leveraging such infrastructure ensures optimal performance even under varying workloads or traffic conditions.
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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