小程序-接口概率性接收不到参数

在小程序上调用一个接口,传入筛选条件,但返回结果却没有进行筛选,概率性出现这种情况,频率较低。

然后在postman调用该接口,调用很多很多次,发现也出现这种问题,看了代码,接口的传参是个类,本来字段里面有@NotNull相关的注解,去掉后,但没有去掉@Valid注解,就会出现接收不到参数的问题,但是调用很多次才会出现。

然后去掉了@Valid注解,发现postman调用是没有问题了,但是小程序依然会偶尔出现接收不到参数的情况。

本来接口传参是类,将里面的字段都提取出来,使用@RequestParam这个注解,发现还是概率性出现接收不到参数的情况,返回错误Required request parameter ‘参数’ for method parameter type String is not present.

明显就是小程序的问题,然后换成了post请求,使用@RequestBody注解,发现不会出现接收不到参数的情况了。

所以,小程序的接口要使用post请求,传入json格式的body。

### CNN卷积核的空间不变性 卷积神经网络(CNN)中的卷积操作具备空间不变性的特性,这意味着无论特征出现在输入数据的哪个位置,只要该模式存在,模型都能识别出来[^1]。具体来说,在卷积过程中使用的滤波器(即卷积核)在整个图像上滑动并执行相同的操作,这使得同一组权重能够检测到不同位置上的相似图案或边缘。 这种机制允许CNN自动学习如何捕捉平移不变性——即使目标物体在图片的不同区域移动,仍然能被正确分类。例如,如果一张照片里有一只猫位于画面左侧还是右侧并不影响最终判断其为“猫”。因此,通过共享权值的方式实现了高效而强大的表示能力。 ### 卷积核的冗余性及其影响 关于卷积核中存在的潜在冗余现象,研究表明并非所有的通道都对特定任务有用;某些过滤器可能携带重复的信息或者贡献较小。当多个卷积核捕获几乎相同的视觉模式时就会形成所谓的“冗余”。 一方面,过多不必要的参数不仅增加了计算成本还可能导致过拟合问题的发生。另一方面,适当减少这些无意义连接有助于简化架构设计、加速训练过程以及提高泛化性能。为了应对这种情况,研究者们提出了诸如剪枝(pruning)[^2]等技术来消除不重要的连接从而构建更紧凑有效的模型。 ```python import torch.nn as nn class PrunedCNN(nn.Module): def __init__(self, num_classes=10): super(PrunedCNN, self).__init__() # 假设这里已经应用了一些方法去除了部分冗余卷积核 self.conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3) def forward(self, x): x = F.relu(self.conv1(x)) return x ```
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