子系统、框架与架构

子系统和框架出现的动机:分离关注点,或者叫封装变化点。

如何分离关注点?

1.       可以通过职责划分来分离。

2.       可以利用软件系统各部分通用性的不同来划分。

3.       可以先考虑大粒度的子系统,而暂时忽略子系统是如何通过更小粒度的模块和类组成。

架构的分离:

1.       按照职责划分,可以分为表现层、业务层和数据层。

2.       按照通用性划分,可以分为特定应用部分、领域应用部分和技术通用部分。

3.       按照分解合成划分,可以分为子系统、模块和类。

子系统和软件架构的关系

意义:

1.       有助于避免软件架构设计不足和高来高去的问题。

2.       有助于充分利用架构设计技能。来组合各种常见的模式,提高软件质量。

软件单元不同粒度的划分

类:粒度最小的单元。

模块:几个类机密协作

子系统:完成相对独立功能的多个模块。

系统:多个子系统相互配合才能满足一个完整应用的需求。

集成系统:一个大型企业往往使用多套系统,多套系统通过交互形成集成系统。

什么是系统?

系统是指由多个元素组成的逻辑实体,它完成一组特定的目标或者担负一定的职责,系统可以包括软件,也可以包含硬件,或者两者都有。

子系统有时也是需要进行架构设计的。

同一个系统内,不同的子系统可以采用不同的架构设计。

所有的系统都有子系统,所有的系统都是更大系统中的子系统。

软件的粒度是相对的。由于实践中处在的位置不同,同一个软件单元在不同的实践者眼中的粒度可能是不一样的。

什么是框架?

框架是可以通过某种回调机制进行扩展的软件系统或子系统的半成品。

软件重用中存在的一个内在的矛盾:‘重用概率’大小和‘重用带来的价值’之间的矛盾。软件单元的粒度越大,则重用带来的价值就越大,但重用概率越小;反之,粒度小的软件单元被重用的概率越大,带来的价值越小。

框架与架构的区别:框架是软件,架构不是。

框架是一种特殊的软件,它并不能提供完整的解决方案,而是为你构建解决方案提供良好的基础。框架中的服务可以被最终应用系统直接使用,而框架中的扩展点是供开发人员定制的‘可变化点’。

软件架构不是软件,而是关于软件如何设计的重要决策。涉及到如何将软件系统分解成不同的部分、各部分之间的静态结构关系和动态交互关系等。

框架和架构的关系

1.       为了尽早验证架构设计,或者出于支持产品线开发的目的,可以将关键的通用机制甚至整个架构以框架的方式进行实现。

2.       业界可能存在大量可供重用的框架,这些框架或者已经实现了软件架构所需的重要架构机制,或者为未来系统的某个子系统提供了可扩展的半成品,所以最终的软件架构可以借助这些框架来扩展。

框架也有架构。相对来说。

真实的软件是由组件递归组合而成的

1.       组件的粒度可以很小,也可以很大;任何粒度的组件都可以组合成粒度更大的整体。即所谓的粒度多样性。

2.       组件粒度的界定,必须在具体的实践上下文中才有意义;你的大粒度组件,对我来说可能是原子组件,即所谓的粒度的相对性。

框架按照不同的分类标准可以分为不同的类型:

1.    应用框架、中间件框架、基础设施框架

2.    技术框架(水平框架)、业务框架(垂直框架)

3.    白盒框架、黑盒框架、灰盒框架

框架的开发过程:迭代开发方式

分析       查找目标,确定范围

设计       识别框架通用点和扩展点

构造       实现

稳定       测试、文档、培训


参考文献:

《软件架构设计》 温昱

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
评论
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