Slot Attention:从无监督对象发现到监督集合预测的通用架构设计

深入解析Slot Attention:无监督对象发现与属性预测的新范式 本文深入解析了Slot Attention这一无监督对象发现与属性预测的新范式。它通过生成一组可学习的“槽”向量,以迭代竞争注意力机制,让模型自动从图像中分离并绑定不同物体,无需任何监督标签。这种基于Object-Centric Learning的通用框架,为计算机视觉中的集合预测和场景理解任务提供了简洁而强大的解决方案。 阅读详情

1. Slot Attention:一个“万能”的注意力模块,它到底在做什么?

如果你玩过乐高,或者整理过一堆散乱的积木,你大概能理解“以对象为中心”这个概念。想象一下,你面前有一张复杂的乐高城市照片,里面有房子、小车、小人。传统的深度学习方法,比如一个普通的卷积神经网络(CNN),看到这张照片后,可能会把它变成一个长长的、混杂在一起的数字列表(特征向量)。这个列表包含了所有信息,但你很难从中清晰地指出“这是房子的信息,那是小人的信息”。它更像是一锅炖菜,所有食材的味道都混在了一起。

而Slot Attention 要做的,就是给你提供一套标准化的、可互换的“容器”。这些容器,论文里称之为“Slot”或“槽”。你可以把它们想象成一个个透明的、空的小盒子。Slot Attention 的工作流程,就是把这锅“特征炖菜”端上来,然后让这些小盒子通过一种竞争机制,各自去“认领”和“封装”炖菜里不同的食材(即图像中的不同对象)。

这个过程最妙的地方在于它的通用性和对称性。首先,这些“槽”是完全一样的,没有预先设定哪个槽必须装房子,哪个必须装小车。它们通过多轮迭代的注意力计算,动态地、竞争性地绑定到输入中的任何对象上。这就是所谓的置换等变性——你打乱输入槽的顺序,输出也会相应被打乱,但每个槽里装的内容(对象表示)本身是不变的。其次,这个模块设计得非常简洁,它不关心你最终要用这些封装好的“对象盒子”去做什么任务。你可以用它们来无监督地“发现”并重建图像中的物体(比如让AI自己学会把乐高城市拆解成单个零件),也可以用它们来有监督地预测每个物体的属性(比如预测每个乐高小人的颜色、姿势)。

所以,Slot Attention 本质上是一个桥梁,一个位于底层感知特征(如CNN提取的杂乱特征)和上层结构化对象表示(一组有序或无序的对象描述)之间的通用接口。它把“从像素中找物体”这个复杂问题,转化为了一个“动态分配与封装”的迭代注意力过程,而且这个过程的输出格式是统一的,为后续各种任务提供了极大的便利。

2. 核心机制拆解:Slot Attention 如何“分而治之”

要理解 Slot Attention 的魔力,我们不能只看结果,得钻进它的内部,看看那一轮轮的迭代注意力是怎么运作的。我会尽量避开复杂的公式,用“流程”和“竞争”这两个关键词来带你走一遍。

2.1 迭代注意力:一场多轮竞拍会

假设我们的输入是一张图片经过CNN后得到的一堆特征点(比如 N=32x32=1024 个点,每个点是一个 D=64 维的向量)。同时,我们初始化了 K=6 个空槽(Slot),每个槽也是一个随机生成的向量。

第一轮竞拍(迭代开始):

  1. 计算吸引力:每个槽(Slot)都会向所有输入特征点“喊话”:“看看我,谁跟我更像?” 这个“像不像”是通过点积注意力来计算的。具体来说,每个槽会生成一个查询向量(Query),每个输入特征点会生成一个键向量(Key),计算两者的相似度。
  2. 竞争与归一化:关键的一步来了!对于每一个输入特征点,所有槽对它的“吸引力”分数会进行 Softmax 归一化。这意味着,一个特征点分配给所有槽的注意力权重加起来等于1。这就像每个特征点手里有一张选票,它必须把这张票完整地投给某个槽。这强制了槽与槽之间必须竞争,不能所有槽都对同一个特征点“眉来眼去”。某个槽想多吸引一些特征点,就必须从其他槽那里“抢”。
  3. 汇总与更新:每个槽根据它吸引到的所有特征点的注意力权重,对这些特征点的值(Value)进行加权平均,汇总成一份“新信息”。然后,每个槽像一个小型记忆单元(通常使用GRU)一样,结合自己旧的状态和这份新信息,更新自己,成为一个“更有见识”的槽。

后续轮次(迭代深化): 更新后的槽再次参与下一轮竞拍。现在,每个槽都携带了上一轮获得的部分对象信息,因此它的“查询”会更精准,更能吸引与它当前所代表对象相关的特征点。经过 T=3 轮这样的迭代后,槽与输入特征点之间的绑定关系会趋于稳定,每个槽都专注于图像中某个特定的区域或对象。

我自己的体会是,这个过程很像 k-means 聚类,但更聪明。k-means 的聚类中心是固定的点,而 Slot Attention 的“槽”是带有学习能力的动态记忆体,并且通过注意力权重的归一化实现了真正的“竞争”,避免了多个槽收敛到同一个对象上的情况。

2.2 两大核心属性:为什么它是“通用”的基石

Slot Attention 的设计使其天生具备两个强大的数学属性,这正是它能成为通用架构的关键:

  1. 对输入的置换不变性:无论你以何种顺序排列那 N 个输入特征点(比如打乱图像像素的位置),只要它们的内容没变,Slot Attention 最终产出的那 K 个槽的集合内容是不变的(不考虑顺序)。这很好理解,因为注意力机制计算的是整体关系,不依赖局部顺序。
  2. 对槽的置换等变性:这是更精妙的一点。如果你在初始化后,故意打乱 K 个槽的输入顺序(比如把1号槽和3号槽的位置对调),那么输出时,原本1号槽的内容就会出现在3号槽的位置上。槽的身份(ID)没有意义,有意义的是槽里装的内容。这确保了“每个槽可以绑定到任何对象”的承诺。在训练和推理时,我们都可以随机初始化槽,系统会自动学习分配策略,而不会因为槽的初始顺序不同而导致不同的学习结果。

正是这两个属性,使得 Slot Attention 的输出是一个真正的“集合”(Set),而非“序列”(Sequence)。这为处理对象数量可变、位置任意的视觉任务铺平了道路。

3. 实战应用一:无监督对象发现——让AI自己学会“拆解”场景

无监督对象发现是个非常有趣的任务:不给模型任何物体标签或分割掩码,只给它看一堆图片,目标就是让它自己学会把图片分解成一个个独立的物体。这就像给一个从未见过乐高的人看一堆成品照片,然后希望他能自己总结出有哪些基本零件。

3.1 架构设计:编码、分槽、解码

基于 Slot Attention 的无监督对象发现架构非常直观,主要包含三个部分:

  • 编码器:一个标准的CNN主干网络,负责把输入图片(例如 128x128x3)压缩成一个特征图(例如 32x32xD)。这个特征图会被展平,并加上位置编码(让模型知道特征点的空间位置),然后送入 Slot Attention 模块。
  • Slot Attention 模块:这就是我们上一章介绍的核心。它接收 N 个特征点,输出 K 个对象槽。每个槽都编码了(我们希望是)一个物体的抽象信息。
  • 空间广播解码器:这是实现重建的关键。每个槽向量会被复制到一个2D空间网格上(比如 32x32),同样加上位置编码,然后通过一个共享权重的反卷积网络(CNN Decoder),独立地解码出两样东西:一个 RGB 图像(该槽认为它负责的物体长什么样)和一个 Alpha 遮罩(一个 32x32 的矩阵,值在0到1之间,表示每个像素属于这个物体的概率)。

最后,所有 K 个槽预测的 Alpha 遮罩会经过一个跨槽的 Softmax 归一化,确保每个像素点的所有权重之和为1。然后用这些归一化的遮罩作为权重,将 K 个 RGB 图像预测混合起来,得到最终的重建图像。损失函数就是简单的原始图像与重建图像之间的均方误差(MSE)。

3.2 效果与优势:不只是发现,更是高效

在 CLEVR、Multi-dSprites 等合成数据集上,Slot Attention 在无监督对象发现上的表现与当时最先进的 IODINE、MONet 等方法旗鼓相当,甚至更好。但它的优势远不止精度:

  • 惊人的效率提升:这是我当时复现实验时感受最深的一点。相比 IODINE 复杂的迭代变分推理,Slot Attention 只需要前向传播几次注意力迭代,训练速度快了一个数量级。论文中提到,在相同硬件上,训练时间从几天缩短到了几十小时。内存占用也大大减少,允许使用更大的批次大小。
  • 泛化能力:由于槽是通用且可互换的,模型在测试时展现出了良好的泛化能力。例如,在训练时只见过最多6个物体的场景(使用 K=7 个槽,多一个给背景),测试时面对包含10个物体的场景,只需简单地增加槽的数量(K=11),模型依然能较好地分解场景。更多的注意力迭代次数(T)也能在测试时直接提升效果,而无需重新训练。
  • 可解释的注意力图:我们可以直接可视化 Slot Attention 中间层的注意力权重,看到每个槽在每一轮迭代中关注图像的哪些部分。这为模型的黑箱提供了一扇窗,有助于调试和理解模型的行为。

踩过的一个小坑是,在像 Tetrominoes 这样极其简单的数据集上,模型偶尔会陷入一种“条纹状分割”的局部最优解,而不是按物体分割。这通常意味着学习率或初始化可能需要微调。不过,这种失败模式很容易从异常高的重建损失上看出来。

4. 实战应用二:监督集合预测——优雅地处理“一堆”答案

监督集合预测是另一个完美契合 Slot Attention 特性的任务。以 CLEVR 视觉推理数据集为例:输入是一张图片,输出是一组无序的物体属性列表,每个物体包含形状、颜色、材质、尺寸、坐标等属性。问题的关键在于,输出的物体集合没有固定的顺序。你不能要求模型第一个输出必须是大红球,第二个必须是蓝色方块。

4.1 架构设计:从图像到无序集合

这个架构比无监督发现更简洁:

  • 编码器:和之前一模一样,CNN + 位置编码 + Slot Attention,得到 K 个对象槽。
  • 分类器:一个轻量级的共享多层感知机(MLP)分别应用到每个槽上,预测该槽所绑定物体的各类属性(分类标签和坐标回归值)。同时,还会预测一个“物体存在置信度”。
  • 匈牙利匹配与损失计算:这是处理无序集合预测的标准操作。因为模型预测的 K 个物体是无序的,而标注的 M 个物体也是无序的,我们需要找到预测和标注之间的一个最优一一匹配。这里使用 匈牙利算法,根据预测属性和真实属性之间的差异计算匹配成本。匹配完成后,只对匹配上的预测计算分类和回归损失。对于“空槽”(预测为背景或无物体)或未匹配上的真实物体,也会有相应的损失项。

Slot Attention 在这里的作用是革命性的。它替代了之前 DSPN 等方法中需要内部梯度下降循环的复杂优化过程,直接通过前向传播的注意力机制,将图像特征一次性映射为一个无序的对象表示集合。这不仅使训练更稳定、更快,也减少了需要精心调参的超参数数量。

4.2 注意力作为隐式分割器

一个令人惊喜的副产品是,即使在完全没有使用任何分割掩码监督的情况下,仅仅为了完成属性预测任务,Slot Attention 学到的注意力图也自然地、高精度地聚焦在了各个物体上。这意味着,在训练一个物体属性分类模型的同时,我们“免费”获得了一个相当不错的无监督物体分割器。

这对于模型的可解释性和落地应用非常有价值。你可以清楚地看到模型在做决策时到底“看”的是图像的哪一部分,这增加了信任度。在工业质检中,你或许可以先训练一个预测零件缺陷类型的模型,然后其注意力图能自动帮你定位到缺陷区域,一举两得。

5. 超越论文:Slot Attention 的想象空间与工程启示

原论文主要展示了在合成数据上的两大应用,但 Slot Attention 的思想启发性远不止于此。这几年,基于它的扩展和改进层出不穷,这里分享一些我的观察和思考。

5.1 扩展到更复杂的场景与模态

  • 视频与动态场景:这是最自然的延伸。将 Slot Attention 应用于视频帧序列,让槽在时间维度上也进行迭代更新,可以学习跟踪和表征运动中的物体。后续的 SAVi 等工作正是朝这个方向探索,让模型能从视频流中无监督地学习到持续存在的物体概念。
  • 点云与3D数据:点云本质上是三维空间中的点集合。Slot Attention 的置换不变性天生适合处理点云。可以想象,用 PointNet 等网络提取点特征后,用 Slot Attention 将点聚类成不同的物体实例,用于3D实例分割。
  • 多模态学习:能否用一组槽同时绑定图像区域、文本短语和音频片段?让槽成为跨模态对齐的通用容器,这是一个非常前沿且有潜力的方向。

5.2 对架构设计的启发:追求简洁与通用

Slot Attention 给我的最大启发是:在深度学习架构设计中,应当极力追求组件的简洁性和通用性。与其为每个新任务设计一个复杂的专用网络,不如设计像 Slot Attention 这样具备良好数学性质(置换不变/等变)的通用模块,然后通过不同的损失函数和少量适配层来应对不同任务。

这种思路能极大降低工程复杂性和维护成本。在实际项目中,我曾尝试用 Slot Attention 的思想来设计一个处理多个无序检测目标的头部网络,替代原来需要复杂后处理(如NMS)和固定顺序输出的设计,确实在应对目标数量剧烈波动的场景时更加鲁棒。

当然,它也有局限。在真实世界复杂、纹理丰富的自然图像上,纯靠重建损失的无监督对象发现仍然挑战巨大。Slot Attention 需要与更强的感知特征提取器(如 Vision Transformer)、更巧妙的损失函数(如对比学习)结合,才能释放更大潜力。但无论如何,它为我们提供了一套清晰、有力、可扩展的“对象思维”编程范式,让机器能以更接近人类的方式理解和结构化视觉世界。

【论文阅读笔记】——注意力综述阅读笔记 注意力阅读综述 阅读详情

相关推荐

从零到可运行:Slot Attention网络搭建保姆级避坑指南(解决维度不匹配、广播机制、GRU输入输出)

本文提供了一份详细的Slot Attention网络搭建指南,重点解决了维度不匹配、广播机制和GRU输入输出等常见问题。通过代码示例和调试技巧,帮助开发者高效实现Slot Attention模型,避免常见陷阱,提升模型性能。

weixin_28267011的博客 184

Slot attention 理解

Slot Attention 的设计目的就是通过竞争性注意力机制和迭代更新策略,使每个 slot 更加专注于不同的输入特征。这种机制使得 slots 不会同时绑定多个不同特征,而是会在多轮迭代中逐渐找到自己最擅长解释的对象,最终实现对输入数据的有效分离。因此,Slot Attention 模块的工作方式本质上就是通过强制 slots 之间竞争,使它们各自找到不同的特征进行绑定,从而避免了一个 slot 同时绑定多个特征的情况。

buyaotutou的博客 3456

论文解读《Object-Centric Learning with Slot Attention》

在有监督的场景中,Slot Attention可以用于对象属性的预测。在此任务中,Slot Attention自动聚焦输入中的不同对象,实现属性的逐一预测。通过多次注意力机制的迭代,每个Slot能够逐渐与特定的对象相关联,进而提升模型对复杂场景的理解和推理能力。Slot可以被看作是对象文件,每个Slot描述输入中的一个对象或实体。这些限制为未来研究提供了改进的方向,例如探索更高效的初始化方法,以及处理更大规模场景的能力。环境下,从低级的感知输入(如图像或视频)中学习对象中心化的表示仍然是一个挑战。

buyaotutou的博客 2061

NeurIPS2020《Object-Centric Learning with Slot Attention》&RNN、LSTM、GRU

Slot Attention要做的事是:从 CNN 的 feature map 中聚类/抽象出 set of slots。对slot的理解是"each slot can store (and bind to) any object in the input"。

Iron_lyk Blog 3306

《Object-Centric Learning with Slot Attention》中文校对版

学习复杂场景的以对象为中心的表示是实现从低级感知特征进行高效抽象推理的一个有前途的步骤。然而,大多数深度学习方法学习的分布式表示并不能捕捉自然场景的组成属性。在本文中,我们提出了时隙注意模块,它是一个与感知表示(如卷积神经网络的输出)接口的架构组件,并产生一组与任务相关的抽象表示,我们称之为时隙。这些槽是可交换的,并且可以通过在多轮注意力的竞争过程中进行专门化来绑定到输入中的任何对象。实验结果表明,在无监督的目标发现和有监督的属性预测任务中,时隙注意能够提取以目标为中心的表征,从而能够泛化到不可见的组合。

buyaotutou的博客 1880

Slot Attention:从理论到实践,解锁计算机视觉中的对象表征新范式

本文深入探讨了Slot Attention在计算机视觉中的革命性应用,详细解析了其通过动态槽机制实现对象表征的理论基础和实践方法。从无监督对象发现到监督集合预测,Slot Attention展现了强大的场景分解和对象理解能力,为计算机视觉领域带来了新的研究范式。

weixin_26824299的博客 439

计算机视觉应用 Slot Attention

slot attention 是计算机视觉应用领域的算法,我们知道计算视觉应用是在模仿人类的视觉识别过程。像胶囊神经网络关注结构性学习,对以对象为中心的表征学习很困难,而这也是我们人类的视觉识别模式。为了让人工智能视觉识别更加接近人类,提出slot attention 这个学习组件插槽算法,以对象为中心的表征学习,来捕捉自然场景中的自然属性。

四川兔兔的博客 1480

【信息科学与工程学】【数据科学】数据科学领域 第六篇 算法设计 101 负载均衡/资源分配/并行算法/流算法/在线算法 /Qos算法/计算机图形图像算法

编号类型领域问题问题的数学分析及算法详细设计及数学表达式及方程式及多项式数学特征参数列表及参数的数值设计(含矩阵、队列、栈、树 、表、图、向量、其他)设计/制造/工艺/工程/工作流程完整实现步骤典型应用场景列表及优点与局限与瓶颈及依赖条件关联知识点连接点1负载均衡网络/分布式系统请求分发、会话保持、健康检查​加权轮询 (Weighted Round Robin):; 。权重为,总权重。每个服务器被选中的概率为。 最小连接数 (Least Connections):选择当前活跃连接数最少的服务器

weixin_49199313的博客 765

基于对象的学习与槽注意力(论文解读)

这篇摘要介绍了Google Brain、苏黎世联邦理工学院和马克斯·普朗克研究所的研究人员Francesco Locotello、Thomas Kipp等人发表的论文“Slot Attention”。该论文提出了一种新的注意力机制,名为“Slot Attention”,用于从单个像素识别场景中的物体。 论文主要关注两个任务: 无监督物体识别(物体发现): 识别场景中存在的物体,并对它们进行分割。...

YannicKilcher的博客 570

【信息科学与工程学】计算机科学与自动化——第三十五篇 调度理论和调度算法01——资源调度算法

算法逻辑

weixin_49199313的博客 690

【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法 ——飞行(1)

航空航天控制的高级主题,包括先进飞行控制、航天器高级控制、无人机集群、航空发动机控制和飞行管理。

weixin_49199313的博客 1913

STICA:对象中心世界模型如何提升强化学习决策与泛化

在强化学习与机器人控制中,世界模型常将整帧画面压缩为全局特征向量,导致模型分不清关键物体与噪声干扰。对象中心表示(Object-centric Representation)通过把场景拆解为独立的物体槽,让世界模型学会分别建模每个物体的动态,再由任务条件选择器聚焦少数关键物体,从而打破“全局混合”的瓶颈。这套架构能显著提升样本效率、跨场景泛化能力和决策可解释性,特别适合物体数量中等且运动差异明显的自动驾驶、具身智能与仿真环境任务。从场景分解到选择聚焦,STICA提供了一套可公式化复现的建模范式,为可解释的决

weixin_29031161的博客 225

slot-attention:GoogleAI实现广告位关注

插槽注意 实施从纸“对象为中心的学习与插槽警示”中Pytorch。这是一段介绍此网络功能的。 更新:官方存储库已在发布 安装 $ pip install slot_attention 用法 import torch from slot_attention import SlotAttention slot_attn = SlotAttention ( num_slots = 5 , dim = 512 , iters = 3 # iterations of attention, defaults to 3 ) inputs = torch . randn ( 2 , 1024 , 512 ) slot_attn ( inputs ) # (2, 5, 512) 训练后,据报道该网络能够推广到稍有不同数量的插槽(群集)。您可以向前覆盖num_slots关键字使用的

[论文阅读笔记32] Object-Centric Multiple Object Tracking (ICCV2023)

无监督的object-centric learning(OCL)可以将场景划分为多个object,而无需进行先验的定位(例如pretrain的detector)。这正好可以解决MOT标注信息繁多、困难的问题。空间上,OCL没有正确认识整个物体的语义信息,导致物体往往被划分成了很多parts时间上,OCL也无法准确地维护帧间连续性。

wjpwjpwjp0831的博客 2085

Zynq 【SDK裸机开发之PS】——DDR的内存分配使用详解

Zynq如果跑操作系统的话,内存管理的工作都会交给系统来操作,但是如果是裸机的话,则需要自己对DDR3的内存进行管理。

shizhibuyi1234的博客 7381

AP发票批量付款程序(WEB ADI)

CREATE OR REPLACE PACKAGE MEW_AP_BATCH_PAYMENTS_PKG IS   PROCEDURE MAIN(P_BATCH_ID          NUMBER                 ,P_ORG_ID            NUMBER                 ,P_BANK_ACCOUNT_NAME VARCHAR2

储藏室 5052

前沿论文创新点集合

据论文作者所知,可训练类别标记的概念是在预训练的VL模型中首次提出的。(2)为了实现针对预训练的视觉语言模型的提示工程的自动化,我们提出了一种基于连续提示学习的简单方法,并提供了两种可以处理不同识别任务的实现。(3)我们首次证明了所提出的基于即时学习的方法在大型视觉语言模型的下游迁移学习性能和域转移下的鲁棒性方面优于手工制作的提示和线性探测模型。(1)我们提出了一项关于在下游应用中调整最近提出的视觉语言模型的及时研究,并确定了与部署效率相关的一个关键问题,即,提示工程。上,表现出显著的提升。

buyaotutou的博客 1002

OCTA-500:用于光学相干断层扫描血管造影研究的视网膜数据集|文献速递-基于生成模型的数据增强与疾病监测应用

数据集提供了丰富的图像和注释,包括两种模态(OCT/OCTA体积)、六种投影类型、四种文本标签(年龄/性别/眼别/疾病)以及七种分割标签(大血管/毛细血管/动脉/静脉/2D FAZ/3D FAZ/视网膜层)。我们介绍了新的 OCTA-500 数据集,该数据集包含来自 500 名受试者的 OCTA 成像,并提供了丰富的图像和标注集。(C) OCTA-500 切片的人工标注示例。图 4. OCTA-500 数据集中文本标签的统计直方图:(a) 性别,(b) 眼别,(c) 年龄,(d) 疾病。

weixin_38594676的博客 1439

ViT:An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

尽管 Transformer 架构已成为自然语言处理任务事实上的标准,但其在计算机视觉中的应用仍然有限。在视觉领域,注意力机制要么与卷积网络结合应用,要么用于替代卷积网络的某些组件,同时保留其整体结构。我们表明,这种对 CNN 的依赖并非必要,直接应用于图像块序列的纯 Transformer 在图像分类任务上也能表现出色。

u013250861的博客 81

AxMath行间公式转化为office公式求和符号以及编号显示问题

AxMath行间公式转化为office公式求和符号以及编号显示问题问题描述解决方法 问题描述 首先打出axmath公式,如下: 转换后的OfficeMath公式: 字体先不说,word公式字体默认cambria math且无法编辑。比较难受的一点是求和符号与后面的 ai+bi2a_i+b_i^2ai​+bi2​比例不匹配啊!正常的比例应该是: (虽然也不太正常,将就下) 解决方法 点击变换后的office公式右侧,选择更改为"显示" 可以看到,多了一些软回车符号(⬇),如果你想删除它,不要直接选中

weixin_43543177的博客 4673

Swin Transformer注意力计算复杂度为何比全局注意力少那么多?

本文对比分析了Vision Transformer(ViT)和Swin Transformer的计算复杂度。ViT采用全局注意力机制,计算复杂度为4[hwc^2]+2[(hw)^2C],当图像尺寸较大时计算量显著增加。而Swin Transformer采用窗口注意力机制,将图像划分为M×M的窗口(如7×7),计算复杂度降为4[hwc^2]+2[(hw)(M*M)*C]。以224×224图像为例,Swin Transformer的计算量比ViT减少约900倍,大幅节省了计算资源。文章通过矩阵乘法运算详细推导了

人工智能研究所的博客 64

人工智能导论期末复习

│ │ 知识图谱构建流程 │ Strings │。│ 章节 │ 核心概念 │ 必考关键词 │。│ 搜索 │ BFS用队列、DFS用栈 │ A*的f(n)=g(n)+h(n)、可采纳性 │。

2301_80984097的博客 247

dolphinscheduler服务注册中心源码解析(一)服务注册与发现整体设计

下一篇文章我们开始讲解dolphinscheduler基于Zookeeper实现注册中心的源码解析。

最爱嫣夜来 376
上一篇: SSH连接优化实战:MobaXterm高效配置CentOS9的完整指南
下一篇: 【OpenModelica】3 交互式探索OpenModelica-OMShell实战
code8
博客等级 码龄17年 65粉丝 1720原创
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  | 博主筛选后可见
 
 条评论被折叠 查看
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