[转载]【引用】毛衣编织小技巧

[转载]【引用】毛衣编织小技巧
2012年01月18日
  小技巧----如何正确的控制针数
  我们在织毛衣时,常常因为不能正确控制针数而费了九牛二虎之力编织出来的毛衣成了“鸡肋”。
  以下为衣服常用比例的一些小技巧:
  1.一般情况下(特殊款式除外),一件毛衣的长度可以分为上、中、下三等分。上三分之一长度为从肩到腋窝的长度,下三分之二为从腋窝到下摆的长度。
  2.一般两肩和领口也分三等分。例如,前片如果是90针的话,两肩各为30针,领口为30针。(特殊款式也是在这个基础上来进行调节的)。
  3.领口为了能织的圆,那么它的收针方法也是三等分法。例如,30针的领口,前片先平收10针(30的三分之一),余下的再三等分,两边就各收3,3,2,1,1。
  4.袖壮线(就是我们常说的袖根宽)约等于肩宽。
  袖子起针和加针的规律
  我织袖子是从上往下。先起10针,织单片,然后第一行两边各加5针,第二行两边各加4针,第三行两边各加3针,然后每行两边各加2针,织的时候和袖笼比较,在最后8行左右的时候每行两边各加一针,最后一次加8到10针,圈起来织,和织袖笼时收针相吻合。织出来的袖子相当漂亮。
  袖子的织法
  (1)从袖山开始织起:一次性起上所有袖子的针数(衣服的总针数除以2再减去15-20针左右)
  (2)将总针数一分为三,袖山中间比要比两边各少几针,如她打的毛衣136针(136-20*3=中间38,两边各49针)胖人40,小孩20-25针
  (3)每织到中间时就挑2针过来一起编织(当毛线特粗时也可一针;就就和从上往下打毛衣的方法是一样的),依次类推,直到打好袖山。(一般为4.5-6寸)
  (4)在圈起来织时,平加8-10针,然后再像打毛裤时收三角一样把加的针收完(5)开始织袖身,一般每隔6-7行两边各收一针
  (6)从袖山头处起量,1.4-1.5尺时,可以织袖边了,织2寸左右收袖口.
  袖子的各种挑针方法
  收集的袖子的各种挑针方法
  一:
  [要挑得好看,得做到下面几点:
  1、袖口挑起的总针数=前片针数-20至30针(即:前片针数-30≤袖口挑起的总针数≤前片针数-20)
  2、先织袖山,首先挑起肩线两边各十几针,先挑起的针数=(袖口挑起的总针数-腋下平收的针数)÷3
  比如:前片150针,袖子要120针,腋下留了12针,则要先挑起(120-12)÷3=36针,即以肩线为中心,前后片各先挑出18针
  3.边织边挑,如
  第1行:以肩线为中心,前后片各挑出18针;(共36针)
  第2行:返回编织完36针,再挑出2针;(共38针)
  第3行:返回编织完38针,再挑出2针;(共40针)
  第4行:返回编织完40针,再挑出2针;(共42针)
  …………
  一直到袖山有2.5寸至2.7寸就整圈挑起圈织(小孩袖山不要超过2寸)
  二:
  不管是插肩袖还是一般袖,我都这样的:
  一般的袖子,前后片缝好后,袖拢不就是一个圈了吗,我数下针数,就是袖子的总针数了,例如是120针,就用它的三分之一针即40针好了,袖子的中缝两边各20针挑起来织,织到两边就各挑起来一针,最后的袖窝留的平收的几针一起挑起,就是120针了,很简单,很平整,还有弹性,不会因为缝的松拉,或都紧拉而不舒服。
  三:
  最笨的袖子织法(从上往袖口织)
  从上往袖口片织的:首先把身子织好,织的时候计算下尺寸(也就是看1寸有多少针),用尺子量腋下到肩的长度(一般织男式的衣服要6寸,女式的5.7寸,具体的要根据身高定),现在以6寸为例(10针1寸),那么60针就是6寸,用织身子相同的针起120针(是腋下到肩的长度的1倍也就是1尺2寸)在1根针上(如果手松的就少起几针),把这120针分成3份(A---B--C),其中B的针数和肩的针数相同(若肩留了40针,则B就是40针,剩下的80针平分给A和C各是40针。接下来就开始先织C(织到第40针的时候做个记号)和B,到A的时候只织前面2针(靠近B的),然后反回来织B,织到C的时候也是只织靠近B的2针,接着反回去织B(这时候B的针数就是40+2+2,而A和C都只有38针了),织完B(44针)后就再从A织2针,接着又返回去织B(46针),到C的时候再织2针又返回织,如此往返,直到A和C都只剩下10针(和腋下减的针数相同)。因为是先从A减起的,那么减到A和C都只剩10针的时候一定是在C那边,这时候返回去织B和A(还剩10针),接下来可以用4根针圈着织,也可以片织,每织6排减2针(片织的时候两边的第一针都挑下不织,每3个辫子在2边同时减一针),如果织的袖笼比较大的话前几针就减急一点(每2个辫子减2针),一般来说只要减16次(32针)左右就可以够长度了(手长的这个长度就不够了),接下来就可以织袖口了,用小一号的针圈织(如果希望袖口紧的就要减8针左右)罗纹针,如果是织空花就不用换针。织完袖子后先把袖子缝合(片织的),袖子和衣身缝合的时候要把B的中间一针(起针的第20针)和肩缝先缝合,按顺时针方向缝合到腋下的时候,把A和C各剩下的10针(共20针)与腋下两边各留下的10针(共20针)一一对应缝合好,再顺时针缝合到肩部,这样袖子就和衣身缝合好了。
  这样织出来的袖子一般都和织身子留出的袖笼大小相差不多,而且粗线和细线都实用,只需知道密度(1寸有几针)和长度(腋下到肩的长度)就可以一次把袖子需要的针起好,只是在织第2排(起针算1排)的时候稍微费点心把A--B--C的针数分好(可以用其他颜色的线做记号)就可以来回织,B的针数是每排加2针,A和C则相应的减少2针,比较有规律的;而A--B--C合起来织后的减针也是有规律的。
  
资源下载链接为: https://pan.quark.cn/s/7cc20f916fe3 Apache POI 是一个开源项目,专注于处理微软 Office 文档格式,涵盖 Excel、Word 和 PowerPoint。这个压缩包中包含了 POI 的多个关键版本,分别是 3.8、3.9、3.10 和 4.0.1,它们为 Java 开发者提供了强大的工具来处理 Excel 等文件。 功能改进:此版本首次引入了对 Excel 2007 的 XSSF 和 OOXML 格式支持,使开发者能够创建和编辑 .xlsx 文件。同时,对旧版 Excel(.xls)文件的支持也得到了改进,修复了部分已知问题,提升了稳定性。 API 丰富度:提供了更丰富的 API,让开发者可以更灵活地操作单元格样式、公式和图表等功能。 性能提升:显著增强了 Excel 工作簿的读写性能,尤其在处理大量数据时表现更佳。 功能扩展:更新了对 WordprocessingML 的支持,优化了对 .docx 文件的处理能力;新增了对 PowerPoint 幻灯片的动画和过渡效果处理功能。 内存优化:引入了内存管理优化,降低了内存消耗,尤其在处理大型文档时效果显著。 -Excel ** 功能强化**:加强了对 Excel 图表的支持,新增了更多图表类型和自定义设置;提高了处理 XML Spreadsheet 的效率,读写速度更快。 新特性支持:支持了 Excel 的条件格式化、数据验证和表格样式等新功能。 错误处理改进:引入了更完善的错误处理机制,在处理损坏或不合规文件时能提供更详细的错误信息。 技术升级:完全移除对 Java 6 的支持,转向 Java 8 作为最低要求,从而提升了性能和兼容性。 功能增强:对 Excel 的支持进一步拓展,新增了自定义函数、数组公式和透视表等功能;更新了 Word 和 PowerP
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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