官方文档config详情：https://mmdetection.readthedocs.io/en/latest/tutorials/config.html
在config/_base_文件夹下面总共有4个基础的组件，它们分别是：dataset、model、schedule、default_runtime。
{
model}_[model setting]_{
backbone}_{
neck}_[norm setting]_[misc]_[gpu x batch_per_gpu]_{
schedule}_{
dataset}
{xxx}是必选项，[yyy]是可选项
{model}:模型的类型 ，例如faster_rcnn、mask_rcnn 等等.[model setting]: 给模型一些指定设置, 例如without_semantic for htc、moment for reppoints等等.{backbone}: backbone 的类型 r50 (ResNet-50), x101 (ResNeXt-101)。（相当于特征提取网络）{neck}: neck 的类型选择，例如fpn,pafpn, nasfpn,c4.[norm_setting]: 如果没有指定，那就默认为bn (Batch Normalization) , 还有其他可选的norm layer类型，比如 gn (Group Normalization)、syncbn (Synchronized Batch Normalization). gn-head/gn-neck表示 GN 仅仅被用在head/neck模块上, gn-all 表示 GN 被用在整个模型上, 例如：backbone, neck, head这些模块。[misc]: 一些比较杂的模型设置或者插件，例如 dconv, gcb, attention, albu, mstrain.[gpu x batch_per_gpu]: GPU的个数以及每块GPU上的batch size大小，默认为8*2(8块GPU，每块GPU上2个batch size，相当于batch size为16)。{schedule}: 训练的 schedule, 可选择的有1x, 2x, 20e等等. 1x 和 2x 分别表示 12 个epochs 和 24个epochs。 20e 被用在 cascade models中,它表示20个epochs. 对于1x/2x而言, 初始的学习率分别在第8/16个epeochs和第11/22个epochs以10的倍率递减。对于20e而言,初始的学习率在第16个epeochs和第19个epochs以10的倍率。{dataset}: 数据集有coco, cityscapes, voc_0712, wider_face这些选项。首先介绍一下这个配置文件所描述的框架，它是基于resnet50的backbone，有着5个fpn特征层的faster-RCNN目标检测网络，训练迭代次数为标准的24次epoch。
# 模型配置
model = dict(
# model类型
type='FasterRCNN',
# 预训练模型：resnet50
pretrained='torchvision://resnet50',
backbone=dict(
# backbone类型
type='ResNet',
# 网络层数
depth=50,
# resnet的stage数量
num_stages=4,
# 输出的stage的序号
out_indices=(0, 1, 2, 3),
# 冻结的stage数量，即该stage不更新参数，-1表示所有的stage都更新参数
frozen_stages=1,
# normalization layers的配置,type 为norm layer的类型, 通常是 BN or GN，requires_grad参数是否训练BN中的gamma和beta参数
norm_cfg=dict(type='BN', requires_grad=True),
# 是否冻结BN中的统计信息（相当于模型eval的过程，不进行统计数据）
norm_eval=True,
# 网络风格：如果设置pytorch，则stride为2的层是conv3x3的卷积层；如果设置caffe，则stride为2的层是第一个conv1x1的卷积层
style='pytorch'),
neck=dict(
# neck类型
type='FPN',
# 输入的各个stage的通道数
in_channels=[256, 512, 1024, 2048],
# 输出的特征层的通道数
out_channels=256,
# 输出的特征层的数量
num_outs=5),
rpn_head=dict(
# RPN网络类型
type='RPNHead',
# RPN网络的输入通道数
in_channels=256,
# 特征层的通道数
feat_channels=256,
# 生成anchor的配置
anchor_generator=dict(
# 绝大多数都是用AnchorGenerator, SSD 检测器(单阶段的目标检测算法)使用的是SSDAnchorGenerator
type='AnchorGenerator',
# anchor的生成个数, 特征图上每一个位置所生成的anchor个数为scale * base_sizes
scales=[8],
# anchor的宽高比率.
ratios=[0.5, 1.0, 2.0],
# 在每个特征层上的anchor的步长（对应于原图）
strides=[4, 8, 16, 32, 64]),
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
# 均值
target_means=[0.0, 0.0, 0.0, 0.0],
# 方差
target_stds=[1.0, 1.0, 1.0, 1.0]),
# 分类损失函数配置
loss_cls=dict(
# 也提供FocalLoss等损失函数
type='CrossEntropyLoss',
# 是否使用sigmoid来进行分类，如果False则使用softmax来分类
use_sigmoid=True,
# 分类分支所占权重
loss_weight=1.0),
# box回归分支的损失函数配置.
loss_bbox=dict(
type='L1Loss', loss_weight=1.0)),
# RoIHead 封装了二阶段检测器的第二阶段的模块
roi_head=dict(
# RoI head的类型
type='StandardRoIHead',
# RoI feature extractor 用于 bbox regression.
bbox_roi_extractor=dict(
# 类型，大部分默认
type='SingleRoIExtractor',
roi_layer=dict(
# 同时还支持DeformRoIPoolingPack 和 ModulatedDeformRoIPoolingPack这两种类型.
type='RoIAlign',
# feature maps的输出尺度，相当于输出7*7.
output_size=7,
# 提取ROI特征层时的样本比例，0表示自适应
sampling_ratio=0),
# 提取特征的输出通道数
out_channels=256,
# 多尺度特征图的步幅
featmap_strides=[4, 8, 16, 32]),
bbox_head=dict(
# 全连接层类型
type='Shared2FCBBoxHead',
# 输入通道数
in_channels=256,
# 全连接层输出通道数
fc_out_channels=1024,
# ROI特征层尺寸
roi_feat_size=7,
# 分类器数量，改自己数据集时修改
num_classes=1,
# 同上
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.1, 0.1, 0.2, 0.2]),
# 是否采用class_agnostic的方式来预测，class_agnostic表示输出bbox时只考虑其是否为前景，后续分类的时候再根据该bbox在网络中的类别得分来分类，也就是说一个框可以对应多个类别
reg_class_agnostic=False,
# 同上
loss_cls=dict(
type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
loss_bbox=dict(type='L1Loss', loss_weight=1.0))))
train_cfg = dict(
rpn=dict(
assigner=dict(
# RPN网络的正负样本划分
type='MaxIoUAssigner',
# 正样本的iou阈值
pos_iou_thr=0.7,
# 负样本的iou阈值
neg_iou_thr=0.3,
# 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
min_pos_iou=0.3,
# 是否匹配低质量anchor
match_low_quality=True,
# 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
ignore_iof_thr=-1),
sampler=dict(
# 正负样本提取器类型
type='RandomSampler',
# 需提取的正负样本数量
num=256,
# 正样本比例
pos_fraction=0.5,
# 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
neg_pos_ub=-1,
# 把ground truth加入proposal作为正样本
add_gt_as_proposals=False),
# 不允许允许在bbox周围外扩一定的像素，0表示允许
allowed_border=-1,
# 正样本权重，-1表示不改变原始的权重
pos_weight=-1,
# debug模式
debug=False),
# 在训练过程中生成proposals的配置
rpn_proposal=dict(
# 在所有的fpn层内做nms
nms_across_levels=False,
# 在NMS之前的box个数
nms_pre=2000,
# NMS处理后保留的box个数
nms_post=1000,
# NMS处理之后所使用的box个数
max_num=1000,
# NMS过程所使用的阈值
nms_thr=0.7,
# 允许的最小的box尺寸
min_bbox_size=0),
rcnn=dict(
assigner=dict(
# RCNN网络正负样本划分
type='MaxIoUAssigner',
# 正样本的iou阈值
pos_iou_thr=0.5,
# 负样本的iou阈值
neg_iou_thr=0.5,
# 正样本的iou最小值。如果assign给ground truth的anchors中最大的IOU低于0.3，则忽略所有的anchors，否则保留最大IOU的anchor
min_pos_iou=0.5,
match_low_quality=False,
# 忽略bbox的阈值，当ground truth中包含需要忽略的bbox时使用，-1表示不忽略
ignore_iof_thr=-1),
sampler=dict(
# 正负样本提取器类型
type='RandomSampler',
# 需提取的正负样本数量
num=512,
# 正样本比例
pos_fraction=0.25,
# 最大负样本比例，大于该比例的负样本忽略，-1表示不忽略
neg_pos_ub=-1,
# 把ground truth加入proposal作为正样本
add_gt_as_proposals=True),
# 正样本权重，-1表示不改变原始的权重
pos_weight=-1,
# debug模式
debug=False))
test_cfg = dict(
# 推断时的RPN参数
rpn=dict(
nms_across_levels=False,
# 在nms之前保留的的得分最高的proposal数量
nms_pre=1000,
# 在nms之后保留的的得分最高的proposal数量
nms_post=1000,
# 在后处理完成之后保留的proposal数量
max_num=1000,
# nms阈值
nms_thr=0.7,
# 最小bbox尺寸
min_bbox_size=0),
rcnn=dict(
score_thr=0.05,
# soft-nms is also supported for rcnn testing
nms=dict(type='nms', iou_threshold=0.5),
max_per_img=100))
# 数据集类型
dataset_type = 'CocoDataset'
# 数据集根目录
data_root = '/home/shawn/MyDataset/'
# 输入图像初始化，减去均值mean并处以方差std，to_rgb表示将bgr转为rgb
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
# Datasets配置
# 训练的pipeline，数据增强
train_pipeline = [
# 从文件读取图像
dict(type='LoadImageFromFile'),
# 用于给图像导入对于的标签，并使用bounding box标签数据
dict(type='LoadAnnotations', with_bbox=True),
# Resize图片并保持比例
dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
# 图像反转以及比率
dict(type='RandomFlip', flip_ratio=0.5),
# 标准化
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
# 图像Padding 的配置，填充数目应该可以被整除
dict(type='Pad', size_divisor=32),
dict(type='DefaultFormatBundle'),
# 决定数据中哪些key可以被传入pipeline中
dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels'])
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(
type='MultiScaleFlipAug',
img_scale=(1333, 800),
# 是否在test过程flip images
flip=False,
transforms=[
dict(type='Resize', keep_ratio=True),
# 由于flip=False这个RandomFlio将不会被使用。
dict(type='RandomFlip'),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
# 将图片转化为tensor
dict(type='ImageToTensor', keys=['img']),
# 收集在test过程中必要的key
dict(type='Collect', keys=['img'])
])
]
data = dict(
# 每个gpu计算的图像数量
samples_per_gpu=2,
# 每个gpu分配的线程数
workers_per_gpu=2,
train=dict(
type='CocoDataset',
ann_file= data_root + 'annotations/train.json',
img_prefix= data_root + 'images/train/',
# 类型，如果就一个类型需要加逗号
classes=('polyp', ),
pipeline=train_pipeline),
val=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/test.json',
img_prefix=data_root + 'images/test/',
classes=('polyp', ),
pipeline=test_pipeline),
test=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/test.json',
img_prefix=data_root + 'images/test/',
classes=('polyp', ),
pipeline=test_pipeline))
evaluation = dict(interval=1, metric='bbox')
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
lr_config = dict(
# 优化策略
policy='step',
# 初始的学习率增加的策略，linear为线性增加，# warmup的策略, 还支持 `exp` 和 `constant`.
warmup='linear',
# 在初始的500次迭代中学习率逐渐增加
warmup_iters=500,
# 起始的学习率
warmup_ratio=0.001,
# 在第16和22个epoch时降低学习率
step=[16,22])
# 最大epoch数
total_epochs = 24
# 每隔几个epoch保存一下checkpoint
checkpoint_config = dict(interval=12)
#log_config = dict(interval=5, hooks=[dict(type='TextLoggerHook')])
log_config = dict(
# 每隔多少个epoch输出一个log文件
interval=6,
hooks=[
dict(type='TextLoggerHook'),
# Tensorboard logger
dict(type='TensorboardLoggerHook')
])
# 设置分布式训练的参数，也可以设置端口
dist_params = dict(backend='nccl')
# 日志等级
log_level = 'INFO'
# 加载模型的路径，None表示从预训练模型加载
load_from = None
# 恢复训练模型的路径
resume_from = None
workflow = [('train', 1)]
# 保存模型的文件夹路径（checkpoints和log文件都会保存在其中）。
work_dir = 'work_dir/faster_rcnn_r50_2x/'
cascade-RCNN是cvpr2018的文章，相比于faster-RCNN的改进主要在于其RCNN有三个stage，这三个stage逐级refine检测的结果，使得结果达到更高的精度。
model = dict(
type='CascadeRCNN',
pretrained='torchvision://resnet50',
backbone=dict(
type='ResNet',
depth=50,
num_stages=4,
out_indices=(0, 1, 2, 3),
frozen_stages=1,
norm_cfg=dict(type='BN', requires_grad=True),
norm_eval=True,
style='pytorch'),
neck=dict(
type='FPN',
in_channels=[256, 512, 1024, 2048],
out_channels=256,
num_outs=5),
rpn_head=dict(
type='RPNHead',
in_channels=256,
feat_channels=256,
anchor_generator=dict(
type='AnchorGenerator',
scales=[8],
ratios=[0.5, 1.0, 2.0],
strides=[4, 8, 16, 32, 64]),
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[1.0, 1.0, 1.0, 1.0]),
loss_cls=dict(
type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0),
loss_bbox=dict(
type='SmoothL1Loss', beta=0.1111111111111111, loss_weight=1.0)),
roi_head=dict(
type='CascadeRoIHead',
# RCNN网络的stage数量，在faster-RCNN中为1
num_stages=3,
# 3个RCNN的stage的loss权重
stage_loss_weights=[1, 0.5, 0.25],
bbox_roi_extractor=dict(
type='SingleRoIExtractor',
roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=0),
out_channels=256,
featmap_strides=[4, 8, 16, 32]),
bbox_head=[
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.1, 0.1, 0.2, 0.2]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
loss_weight=1.0)),
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.05, 0.05, 0.1, 0.1]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0,
loss_weight=1.0)),
dict(
type='Shared2FCBBoxHead',
in_channels=256,
fc_out_channels=1024,
roi_feat_size=7,
num_classes=1,
bbox_coder=dict(
type='DeltaXYWHBBoxCoder',
target_means=[0.0, 0.0, 0.0, 0.0],
target_stds=[0.033, 0.033, 0.067, 0.067]),
reg_class_agnostic=True,
loss_cls=dict(
type='CrossEntropyLoss',
use_sigmoid=False,
loss_weight=1.0),
loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0))
]))
train_cfg = dict(
rpn=dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.7,
neg_iou_thr=0.3,
min_pos_iou=0.3,
match_low_quality=True,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=256,
pos_fraction=0.5,
neg_pos_ub=-1,
add_gt_as_proposals=False),
allowed_border=0,
pos_weight=-1,
debug=False),
rpn_proposal=dict(
nms_across_levels=False,
nms_pre=2000,
nms_post=2000,
max_num=2000,
nms_thr=0.7,
min_bbox_size=0),
# 注意，这里有3个RCNN的模块,对应开头的那个RCNN的stage数量
rcnn=[
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.5,
neg_iou_thr=0.5,
min_pos_iou=0.5,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False),
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.6,
neg_iou_thr=0.6,
min_pos_iou=0.6,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False),
dict(
assigner=dict(
type='MaxIoUAssigner',
pos_iou_thr=0.7,
neg_iou_thr=0.7,
min_pos_iou=0.7,
match_low_quality=False,
ignore_iof_thr=-1),
sampler=dict(
type='RandomSampler',
num=512,
pos_fraction=0.25,
neg_pos_ub=-1,
add_gt_as_proposals=True),
pos_weight=-1,
debug=False)
])
test_cfg = dict(
rpn=dict(
nms_across_levels=False,
nms_pre=1000,
nms_post=1000,
max_num=1000,
nms_thr=0.7,
min_bbox_size=0),
rcnn=dict(
score_thr=0.05,
nms=dict(type='nms', iou_threshold=0.5),
max_per_img=100))
img_norm_cfg = dict(
mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
dataset_type = 'CocoDataset'
# 数据集根目录
data_root = '/home/shawn/MyDataset/'
train_pipeline = [
dict(type='LoadImageFromFile'),
dict(type='LoadAnnotations', with_bbox=True),
dict(type='Resize', img_scale=(1333, 800), keep_ratio=True),
dict(type='RandomFlip', flip_ratio=0.5),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
dict(type='DefaultFormatBundle'),
dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels'])
]
test_pipeline = [
dict(type='LoadImageFromFile'),
dict(
type='MultiScaleFlipAug',
img_scale=(1333, 800),
flip=False,
transforms=[
dict(type='Resize', keep_ratio=True),
dict(type='RandomFlip'),
dict(
type='Normalize',
mean=[123.675, 116.28, 103.53],
std=[58.395, 57.12, 57.375],
to_rgb=True),
dict(type='Pad', size_divisor=32),
dict(type='ImageToTensor', keys=['img']),
dict(type='Collect', keys=['img'])
])
]
data = dict(
samples_per_gpu=2,
workers_per_gpu=2,
train=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=train_pipeline),
val=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=test_pipeline),
test=dict(
type='CocoDataset',
ann_file=data_root + 'annotations/train.json',
img_prefix=data_root + 'images/train/',
classes=('polyp', ),
pipeline=test_pipeline))
evaluation = dict(interval=1, metric='bbox')
optimizer = dict(type='SGD', lr=0.02, momentum=0.9, weight_decay=0.0001)
optimizer_config = dict(grad_clip=None)
lr_config = dict(
policy='step',
warmup='linear',
warmup_iters=500,
warmup_ratio=0.001,
step=[16, 22])
total_epochs = 24
checkpoint_config = dict(interval=12)
log_config = dict(
interval=5,
hooks=[
dict(type='TextLoggerHook'),
dict(type='TensorboardLoggerHook')
])
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1)]
work_dir = 'work_dir/cascade_rcnn_r50_fpn_2x.py'
参数修改
#训练自己的COCO数据集，需要自己修改的地方有num_classes、data_root、classes（全部都要）
#若显存较小可修改img_scale=(1333, 800)为img_scale=(800, 500)
#如果要设置不同epoch,修改lr_config下的step以及total_epochs
#特征提取层model下的pretrained以及depth
服务器运行（举例）
#服务器运行命令，--gpu-ids哪块GPU运行，运行前nvidia-smi查看哪块gpu空闲
python tools/train.py configs/cascade_rcnn_r50_fpn_2x.py --gpu-ids 1
#后台运行cascade_r101.txt是日志输出文件
nohup python tools/train.py configs/cascade_rcnn_r101_fpn_2x.py --gpu-ids 1 > cascade_r101.txt 2>&1 &
tensorboard可视化
#服务器在根目录运行
tensorboard --logdir=work_dir
#windows cmd运行
ssh -L 16006:127.0.0.1:6006 {
xx@ip地址}
#本地运行
http://localhost:16006/
文章浏览阅读176次。上篇博文介绍了在rtems下实现和网卡lan8710的通信，接下来就是实现网卡的标准化注册和初始化。在这里本人参考了rtems m68k中gen68360的网络驱动文件和《tcp/ip详解卷二》：首先是驱动的attach函数：The driver attach function is responsible for configuring the driv..._bmsr_anegcomplete
文章浏览阅读640次。问题在ionic4 APP 中，获取后台数据返回error，错误信息如下后来经过排查，发现是安卓九及以上禁止http请求，需要使用https，发现问题后使用了这位大神的方法，这篇文章用介绍了三种方法，我才用的是第二种，将targetSdkVersion降到27以下解决方法打开build.gradle文件，路径如下myApp\platforms\android\build.gradle..._ionic app 允许http请求
文章浏览阅读411次。单点应用下,并发场景相对还比较好控制,可以借助java.util下的并发包工具能够解决大部分问题。但是在多节点分布式场景下，java.util.locks.ReentrantLock可能就并不能发挥多大作用了,此时我们需要借助分布式锁来控制并发。解决思路分布式场景下之所以不能够使用并发包下的锁解决并发问题，那是因为多节点是每个应用都有相互独立的进程,他们没有共享内存资源内存因此很难控制并发..._lmb机制
文章浏览阅读4k次。Windows下，VS2013/MinGW编译FFMPEG3.3.1_mingw ffmpeg 配置vs2013编译器编译
文章浏览阅读867次。常见的填充方式PKCS5Padding，PKCS5Padding表示当数据位数不足的时候要采用的数据补齐方式，也可以叫做数据填充方式。： 为8个字节共64位，Des算法规定，其中第8、16、24、......64位是奇偶校验位，不参与Des运算，所以常说Des的密钥为56位。ECB模式指的是电子密码本模式，是一种最古老,最简单的模式，将加密的数据分成若干组，每组的大小跟加密密钥长度相同；在工作中遇到的Des解密问题，第三方发来的数据需要我们进行des解密，但是解密的结果前几位始终是乱码。_des加解密c语言实现
文章浏览阅读2.1k次。通过研究v1.2.50和v1.2.68的绕过方式，主要是在ObjectDeserializer接口的子类JavaBeanDeserializer中存在expectClass非空的checkAutoType调用，这也是绕过的关键。这就是Fastjson中引入AutoType的原因，但是也正因为这个特性，因为功能设计之初在安全方面考虑不周，给后续的Fastjson使用者带来了无尽的痛苦。但是，Fastjson在序列化及反序列化的过程中，没有使用Java自带的序列化机制，而是自定义了一套机制。_fastjson1.2.80漏洞
文章浏览阅读5.7k次。最近在看网上的SpringBoot教程试着写一些Demo，在单元测试Mapper(ORM用的Mybatis)的时候遇到了这个问题，困扰了好长时间，最后发现原因的时候也是想抽自己。application.properties配置如下： 可以明显得看出不同，但是我就是没看出来，所以一直报错。解决方法如下： 还没有配置多数据源，所以把MySQl注释掉了。_springboot java.sql.sqlexception: ora-01017: invalid username/password; logo
文章浏览阅读4.5k次。一、ETL简介ETL（Extract-Transform-Load 的缩写，即数据抽取、转换、装载的过程），对于企业或行业应用来说，我们经常会遇到各种数据的处理，转换，迁移，所以了解并掌握一种 ETL 工具的使用，必不可少。市面上常用的 ETL 工具有很多，比如 Sqoop， DataX， Kettle， Talend 等，作为一个大数据工程师，我们最好要掌握其中的两到三种。二、KettleKettle 是一款国外开源的 ETL 工具， 纯 java 编写，可以在 Window、 ._etl kettle
文章浏览阅读617次。应用 Window 层级范围是 1~99，子 Window 层级范围是 1000~1999，系统 Window 层级范围是 2000~2999，这些层级范围对应着 WindowManager.LayoutParams 的 type 参数，如果想要 Window 位于所有 Window 的最顶层，那么采用较大的层级即可，很显然系统 Window 的层级是最大的，当我们采用系统层级时，需要声明权限。WindowManager是整个窗口管理机制里面的枢纽，也是这边重点要讲的。WindowManager实现了_windowmanager层级应用下面
文章浏览阅读5.2k次。python中的import语句是用来导入模块的，在python模块库中有着大量的模块可供使用，要想使用这些文件需要用import语句把指定模块导入到当前程序中。import语句作用import语句作用就是用来导入模块的，它可以出现在程序中的任何位置。import语句语法使用import语句导入模块，import语句语法如下：import module关键字 模块名使用方法例如：import ma..._在python模块库中有大量模块可供使用,要想使用这些文件,就需要用( )语句把指定模
文章浏览阅读448次。从postgres中导出数据到csv中1 用postgres用户（root）登录postgresql2 建一个csv文件，并 chmod 7773 在原数据中修改----title中的;改成:(有;的标题在导出到csv中时会被拆分成两列)update article_article set title = 'China’s Copycats: Online vs. Offline...._将 postgresql 文件变成 mysql
文章浏览阅读1.6k次。优势最终是渲染成Native的View,不存在效率问题跨平台 AndroidiOS动态更新 (比较了Weex，最终还是选择了React Native)地址https://github.com/facebook/react-nativeStar:49427 成功案例京东，QQ，手机百度，Facebook，Instagramhttps://faceb_reactnative ios-deploy