CentOS 7安装MinDoc文档系统

MinDoc 是一款使用Go语言开发的文档系统,支持Markdown排版,可用于个人Wiki知识库或接口文档管理,部署过程也比较简单,在此分享并记录一下。

下载
访问https://github.com/lifei6671/mindoc/releases下载最新版本并解压,以下命令供参考,请根据实际情况调整。

#创建一个目录

mkdir mindoc && cd mindoc

#下载二进制包
wget https://github.com/lifei6671/mindoc/releases/download/v0.9/mindoc_linux_amd64.zip
#解压

unzip mindoc_linux_amd64.zip

配置数据库
MinDoc支持Mysql或Sqlite3数据库,xiaoz是个人使用,需求量不大,Sqlite3完全胜任要求,如果是团队使用可以考虑使用Mysql。修改conf/app.conf配置文件,将以下Mysql信息注释。

db_adapter=mysql
db_host=127.0.0.1
db_port=3306
db_database=mindoc_db
db_username=root
db_password=123456
并取消Sqlite3的注释

adb_adapter=sqlite3
db_database=./database/mindoc.db

安装
输入命令./mindoc_linux_amd64 install初始化数据库,当看到“Install Successfully!”说明安装成功,如果报错,请根据报错提示进行排查。
在这里插入图片描述
如果访问不了,注意防火墙/安全组等放行8181端口,Firewalld放行命令如下:

firewall-cmd --zone=public --add-port=8181/tcp --permanent
firewall-cmd --reload

访问http://IP:8181 可以打开了,默认用户名为admin,密码123456,请登录后修改。
如果您希望Mindoc在后台常驻运行,请输入nohup ./mindoc_linux_amd64 >nohup.out 2>&1 &
来替代上面的启动命令。

设置域名访问
通过http://IP:8181这样的方式访问显然不太友好也不便于记忆,可以使用Nginx反向代理绑定域名访问,以下Nginx配置供参考:


server {
  listen 80;
  server_name doc.xiaoz.me;
  access_log /data/wwwlogs/doc.xiaoz.me_nginx.log combined;
  charset utf-8;

location / {
        try_files /_not_exists_ @backend;
    }

location @backend {
        proxy_set_header X-Forwarded-For $remote_addr;
        proxy_set_header Host            $http_host;
        proxy_set_header   X-Forwarded-Proto $scheme;

        #此处配置 MinDoc 程序的地址和端口号
        proxy_pass http://127.0.0.1:8181;
    }

}

总结
MinDoc支持Memcache、Redis缓存来提高速度,具体可参考官方文档配置。如果觉得麻烦的,还有Gitbook/看云等现成的文档工具可选择。

转载

https://www.xiaoz.me/archives/10007

### 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