hustoj快速配置教程(基于Docker一键配置)

前言


✨✨✨ 如果您对这篇文章感兴趣,可以点击【导航页 - 访客必读】一文囊括主页所有优质博客 查看更多优质内容,希望可以帮您解决更多问题~。 ✨✨✨


本文旨在简单配置hustoj,适合个人练习使用(非Python选手)。

Web端、数据库、判题机全部被打包在了同一个镜像,所以拓展性比较差,不建议用于大规模的生产环境,可能会有未知的魔法问题。

注意:若采用Docker安装,则Python判题会出错。 因为Python判题需要在judged内部调用docker,目前不支持docker in docker的方式运行。

对于不同的系统,本文使用到的对应命令可能不同,需要大家结合具体的系统来进行操作,博客有任何错误或者大家有任何问题,都可以直接在评论区留言~
本篇文章以Ubuntu22.04为例,采用Docker一键配置的方式,如果您需要其他系统或者其他配置方式的教程,可以私信留言,我将尽可能为您更新相应教程!

如果我的博客成功解决了您的问题,烦请一件三连 (*^▽^*),不胜感激!

详细步骤

1.配置Docker(如已配置请忽略)

Ubuntu系统请参考此教程

CentOS系统请参考此教程

其他系统请综合参考上述两个教程。

2.Docker换源(如可以正常拉取镜像请忽略)

目前由于政策的加强,大部分常见的镜像源已经无法使用。

如果没办法正常拉取镜像的话,请参考此教程进行换源。

3.配置hustoj

sudo docker run -d           \
    --name hustoj       \
    -p [容器对外开放端口]:80          \
    -v ~/volume:/volume \
    registry.gitlab.com/mgdream/hustoj
  • 通过访问 http://127.0.0.1:[容器对外开放端口]/ 来访问hustoj前端,将[容器对外开放端口]设置为80 即可实现通过访问服务器ip直接访问到hustoj前端。
    即上述第3行修改为:-p 80:80 \

若容器尚未开启,可以采取下列命令开启容器:

sudo docker start hustoj

4. 测试

  1. 更改语言

在这里插入图片描述

  1. 注册账号

与其他OJ不同,hustoj没有给出初始的管理员账号,需要我们自己注册。

在这里插入图片描述
默认第一个注册的用户获得管理员权限。

  1. 导入题目测试

在这里插入图片描述
进入管理后台,选择 问题-导入,导入好测试题目

在这里插入图片描述

  1. 编译测试

根据常见问答里第1000题的的各种语言代码进行测试即可。

在这里插入图片描述
查看是否有编译错误,如下图:
在这里插入图片描述

再次强调一遍,若采用Docker安装,则Python判题会出错。

  1. 修改配置以查看判题详情(可选)

如果出现如下图,则需要修改配置以查看判题详情
在这里插入图片描述
修改db_info.inc.php文件,设置 $OJ_SHOW_DIFF=true

打开文件reinfo.php 在27行和60行有两处详细注释,根据注释进行调整。

  • 进入容器
sudo docker exec -it hustoj bash
  • 修改db_info.inc.php文件

如果不清楚某个文件的路径,可以通过 find -name xxx来查找。

nano ./volume/web/include/db_info.inc.php

如果没有nano编辑器,可以通过apt install安装。

设置 $OJ_SHOW_DIFF=true

  • 修改reinfo.php文件
nano ./volume/web/reinfo.php

根据自己的需求和第27行和60行的注意进行修改即可。

如果打开发现中文为乱码,可以参考此教程进行修改。

  • 退出容器
exit
  • 重启容器
sudo docker restart hustoj

常见问题及对应解决方案

目前还没遇到过问题…

欢迎大家将自己遇到的问题回复在评论区中,我会积极解答并将其补充到博客中,大家共同进步!

补充

1.Python判题为什么会失败?

详情可以看开发者的回答

2.各种各样的定制化需求

可以参考官方常见问答

### 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