张大胖和CAP定理

计算机界有很多高大上又难于理解的术语,CAP就是其中之一, 什么一致性(Consistency), 可用性(Availability), 分区容错性(Partition tolerance) 就很难理解了, 再加上CAP定理更是让人云里雾里, 今天咱们试图通俗的演绎一下。

  张大胖在公司奋发图强,经过多年的努力,终于做到了架构师的位置。

  架构师的椅子还没坐热,很快就来了一个项目要做架构设计。

  老板把大胖叫来,谆谆教导说: 大胖啊, 数据是我们的宝贵资产,你设计的系统可千万要保证数据不能丢失啊!

  大胖说老板放心, 这方面我有经验, 一般来讲我们要做数据的冗余处理, 简单的来讲就是给数据做多个副本来保存。 我会设计一个分布式系统, 把数据备份到多个机器节点去。

  几天后, 大胖给发了一张图, 展示了这个分布式系统是怎么工作的:

  

  数据副本在不同的机器上做冗余, 中间有数据的复制, 保证数据的同步。

  虽然只是两台机器, 但是也构成了一个简单的分布式环境。

  老板虽然不懂技术, 但是看到数据在不同的机器之间有备份,也就放心了。

  经过几个月的开发和测试,系统顺利上线, 但是大家很快就发现: 分布式系统不像单机系统那么简单, 由于网络的原因, 或者某个机器的原因很容易导致通讯失败,或者节点不可用。

  有一天, 用户先访问了左边的机器A , 写入了一条数据, 然后机器A很不幸, 网线被悲催的网管给踢掉了, 这直接导致了两个严重的后果:

  1. 负载均衡找不着机器A,认为它死翘翘了, 就要把用户的下一次访问转到机器B去。

  2. 数据复制也找不着机器A , 只好罢工。 用户刚写入的数据没法复制到机器B,机器B上还是老数据

  怎么办? 虽然这是一次偶然, 把网管臭骂一顿, 插上网线就可以了, 但是谁能保证以后两个机器的通信是一致畅通的呢?

  组里的小王说: 我们的机器B 还活着呢, 还能提供服务, 数据复制不到机器B, 不就是少看几条数据嘛, 无伤大雅,不影响大局, 勉强可用, 插上网线后数据复制就会工作, 一切就会恢复正常。

  小王无意中选择了系统的可用性(Availability,简称A), 系统能提供服务就好, 数据不一致可以忍受。

  张大胖说: 不行, 老板说了,我们系统的数据极为重要, 数据如果不一致会带来严重后果,所以机器B上的和这些关键数据相关的功能也必须停掉, 必须等到机器A插上网线,数据同步以后才能开工

  很明显, 张大胖遵循老板指示, 把一致性(Consistency, 简称C )放到了首位。

  所以问题就很明显了, 在网络节点之间无法通信的情况下, 和数据复制相关的功能, 要么选择可用性(A) , 要么选择一致性(C), 不能同时选择两者。

  大胖仔细思考了一下, 其实这两种选择的背后其实隐藏着另外一个事实, 那就是网络节点之间无法通信的情况下, 节点被隔离,产生了网络分区, 整个系统仍然是可以工作的, 大胖给它起了个名: 分区容错性(Partition tolerance, 简称P)

  如果选择了可用性(A) + 分区容错性(P) , 就要放弃一致性(C)。

  如果选在一致性(C) + 分区容错性(P) , 就得放弃可用性(A) , 对了, 这种情况下,虽然系统的有些功能是不能使用的, 因为需要等待数据的同步, 但是那些和数据同步无关的功能还是可以访问的 , 相当于系统做了功能的降级。

  既然有AP和CP, 会不会出现仅仅是CA(一致性+可用性)这种组合呢? 就是没有分区容错性, 只保留可用性和一致性? 仔细想想, 这种情况其实就退化成了单机应用, 没有意义了。

  大胖觉得自己似乎发现了一个规律: 在一个分布式计算机系统中,一致性(C),可用性(A)和分区容错性(P) 这三种保证无法同时得到满足,最多满足两个。

  他决定把找个规律叫做CAP定理, 听起来比较高大上, 显得自己高深莫测。

  如果你实在是搞不懂这CAP, 张大胖会告诉你一个更容易理解的版本: 在一个分布式系统中, 在出现节点之间无法通信(网络分区产生), 你只能选择 可用性 或者 一致性, 没法同时选择他们。

### 使用OpenMV实现嘴巴张开状态检测 为了使用 OpenMV 实现对人嘴张开状态的检测,可以借鉴 adaboost 算法与 Haar-like 特征相结合的方法来构建模型[^1]。具体来说: #### 1. 准备工作 确保安装并配置好 OpenMV IDE 硬件设备。 #### 2. 数据收集 采集大量不同状态下的人脸图像作为训练集,特别是关注嘴唇区域的变化情况。这些图片应该覆盖各种光照条件以及不同的个体差异。 #### 3. 训练分类器 利用 adaboost 算法加上 Haar-like 特征描述子,在已标注的数据上训练一个能够区分“张口”“闭口”的二元分类器。此阶段可能需要用到机器学习库如 scikit-learn 或者直接调用 OpenCV 中的相关函数来进行特征提取与模型训练。 #### 4. 部署到 OpenMV 设备 将训练好的模型导出并在 OpenMV 上加载运行。编写 Python 脚本控制相机捕捉实时视频流并对每一帧执行预测操作。 下面是一个简单的代码框架用于说明上述流程: ```python import sensor, image, time from pyb import UART # 初始化传感器参数设置 sensor.reset() sensor.set_pixformat(sensor.GRAYSCALE) sensor.set_framesize(sensor.QVGA) clock = time.clock() while(True): clock.tick() img = sensor.snapshot() # 获取当前画面 mouth_rectangles = [] # 存储找到的所有嘴巴位置矩形框列表 for r in img.find_features(cascade="frontalface", threshold=0.75, scale_factor=1.2): roi_img = img.copy(roi=r) # 提取感兴趣区(ROI) mouths = roi_img.find_features(cascade="mouth") # 应用了预先训练好的Haar级联分类器寻找嘴巴 if len(mouths)>0: largest_mouth = max(mouths,key=lambda rect:rect[2]*rect[3]) # 找到最大的那个可能是真正的嘴巴 (x,y,w,h)=largest_mouth center_x=x+w//2;center_y=y+h//2 # 判断大小是否超过一定阈值认为是大开口动作 if w*h > THRESHOLD_SIZE: uart.write("MOUTH_OPEN\n") else: uart.write("CLOSED_OR_SMALL_MOUTH\n") mouth_rectangles.append((center_x,center_y,w,h)) draw_results(img,mouth_rectangles) # 可视化结果显示在屏幕上 ``` 这段程序会持续不断地读入新帧,并尝试从中定位人脸及其内部结构——尤其是嘴巴部分;一旦发现符合条件的大尺寸目标,则通过串行通信接口发送信号通知外部系统该事件的发生。
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