用一段非常难懂的语句,但是很简洁的实现了一个很实用的函数。

本文介绍了一种高效处理论坛列表页数据关联的方法,通过全局函数和用户类方法简化了多用户信息显示流程,避免频繁修改数据库和代码,提高了性能与灵活性。包括将字符串分割成数组、从数组中提取指定字段、以及数据关联处理等核心功能。

我又来写博客了~ 原因是用一段非常难懂的语句,但是很简洁的实现了一个很实用的函数。

这个函数的作用:
比如论坛的帖子列表吧,比如Discuz http://www.discuz.net/forum-21-1.html
就有帖子的作者和最后回复的人,
请输入图片描述

如果表里只存两个user_id,列表页要显示两个用户名 就必须去关联user表,而且要关联两次。
不过Discuz的方法是把两个用户名也存到表里。
但这是个极low的办法,至少我个人是这么认为的。

比如 列表页要显示用户性别的时候怎么办?
为此你得修改至少三个地方,1.数据库;2.发贴的代码;3:回复的代码
然后用户要修改用户名怎么办?那工作量简直不敢想像了……

那么关联用户呢?理论上最应该采用的应该是关联的办法,但现实是帖子表和用户表是论坛最重要的两个数据,也是最大的表,用join的话那性能可想而知。

所以最好的方法应该是:查询帖子表,再用帖子表的用户ID,去查询用户表。
虽然用了两次SQL查询,但这是介于追求灵活性和追求性能之间的最佳实践。

像论坛这种程序,它就这么一个列表页,也许不一定要独立出一个函数,
而我的工作是做那种类似OA,ERP之类的东西,就是有无数的列表,
于是有了以下几个函数:

// 将类似“1, 3, , 5”这种字符串分割成数组
function tmdExplode($str) {
    if (!$str) return array();
    return array_filter(array_map('trim', explode(',', $str)));
}

// 在一个数组集中取出一个或多个字段,组成的数组,多个字段以逗号分隔
// 比如:arrayColumn($all, 'post_uid, reply_uid')
// 返回数组如:array(1, 3, 5, 7, 9)
function arrayColumn(&$dat, $cols) {
    $arr = array();
    $cols = tmdExplode($cols);
    foreach ($cols as $col) {
        foreach($dat as $r) {
            if ($r[$col] and !in_array($r[$col], $arr)) {
                $arr[] = $r[$col];
            }
        }
    }
    return $arr;
}

以上两个是全局函数,以下是用户类里的一个方法,并不通用,你拿去用的话恐怕要改改:

function dataSetUser(&$data, $fields='uid', $appends='_user') {
    $uidArr = arrayColumn($data, $fields);
    $userArr = M('user')->where("id in (%s)", implode(',', $uidArr))
        ->getField("id, sex, username");
    $appends = tmdExplode($appends);
    foreach (tmdExplode($fields) as $i=>$field) {
        foreach($data as &$r) {
            $userTmp = $userArr[ $r[$field] ];
            $r[ $appends[$i] ] = $userTmp['username'].' '.$userTmp['sex'];
        }
    }
}

但这是一个牛逼的方法,也是本文最核心的代码,
没有注释是因为我实在无法用语言来形容它……
就让它自生自灭去吧~ Sorry~

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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