精华内容
下载资源
问答
  • 金刚网纱窗的透气功能不好  人们在买门窗的时候,除了要考虑到门窗的安全之外,透气也是关键,这一点在窗子的选择上非常重要。这样的需求催生了窗纱的出现,它让室内和室外空气可以进行对流,保持室内空气的...

      金刚网纱窗的透气功能好不好

      人们在买门窗的时候,除了要考虑到门窗的安全性之外,透气性也是关键,这一点在窗子的选择上非常重要。这样的需求催生了窗纱的出现,它让室内和室外空气可以进行对流,保持室内空气的清新。可是,传统窗纱存在着使用寿命短,安全系数低等问题。金刚网纱窗出现了之后,很好的解决了这些问题。

      开窗透气对人们的健康有着至关重要的作用,很多人觉得,现在的家里都有空调、风扇等电器,就算是关着窗户也没关系。其实不然,高温可以有效的杀死室内的细菌和病毒,开窗透气可以让这些细菌和病毒散播到室外,保持着室内环境的健康。安装了金刚网纱窗之后,不需要刻意的去开合门窗,它采用的是不锈钢丝编织而成,有密实的网眼,既可以防蚊虫,也可以让室内的空气保持对流。

      从金刚网纱窗的制作方式可以看出,它透风透气的功能是非常强大的,有了它,室内空气会更加清新,人们在居住的时候也会感觉到更多的舒适和自如。

    转载于:https://my.oschina.net/u/3630332/blog/1492238

    展开全文
  • 支持性不好的问题  在chrome中的多个部分使用了position: fixed之后,都可以正常的布局,但是放在微信上却出现了不能正常显示的问题(第一个问题)。  并且使用了postion: fixed; 的一个种类名称栏在微信下下滑...

    解决ios、微信移动端的position: fixed; 支持性不好的问题

      在chrome中的多个部分使用了position: fixed之后,都可以正常的布局,但是放在微信上却出现了不能正常显示的问题(第一个问题)。 

      并且使用了postion: fixed; 的一个种类名称栏在微信下下滑不了,而body是可以的,确实让人很郁闷(第二个问题)

      对于第二个问题,我们可以采取的方式是使得微信不能下滑暴露出 powered by ... 的字样。 但是对于第一个问题,确实没有很好的解决方法。 所以就在网上找了相关的资料,希望可以借鉴成功。

      

    相关问题一Web移动端Fixed布局的解决方案

      这个问题中提到的问题是对于fixed布局的页面,如果同时又有input框获取焦点,本身没有问题,但是软键盘一旦起来,就会出现问题了。 

      解决办法:避免input和fixed的联合使用, 使用iscroll.js这种第三方库也可以可以解决的。 

     

    相关问题二(推荐):移动端web页面使用position:fixed问题总结

      解决了部分浏览器不支持fixed、focus出错等问题。 

     

    相关问题三: 关于苹果手机微信端 position: fixed定位top导航栏问题

      同样也是与input获取焦点的相关问题。

     

    相关问题四: fixed在微信下的BUG

      与-webkit-overflow-scrolling有关。

     

     

     

     

    禁用下拉暴露黑底的功能

      https://github.com/yuanzm/preventoverscrolljs

     

     

    ios的手机,如果对某些在顶部的手机设置了 position: fixed, 那么微信部分是不能下拉的。 而安卓机是可以正常使用的。  所以,我们可以选用posution: absolute来替代。  

     

      

      

      

     

    转载于:https://www.cnblogs.com/zhuzhenwei918/p/6941180.html

    展开全文
  • 功能性好理解,硬指标,开发过程中的里程碑,一定要啃下的山头,而非功能性需求更偏“软”,如App好不好用,速度快不快,设计是否反人类等。在我们的日常生活中,非核心、非会员,只要带了一个“非”字,往往都不是...
  • 我做了check,只能是已配货,已发货,已签收的才能退款,后来又在思考,这样写死,shib是不是没有扩展,虽然符合了最小功能设计了,但是有一天产品说,配货中的也能退货,是不是就是需求修改代码,扩展不好了...

    最近遇到一个迷惑,产品的需求是已配货,已发货,已签收的订单可以售后退款,在实现接口的时候,我做了check,只能是已配货,已发货,已签收的才能退款,后来又在思考,这样写死,shib是不是没有扩展性,虽然符合了最小功能设计了,但是有一天产品说,配货中的也能退货,是不是就是需求修改代码,扩展性就不好了?是不是把这个可以退货的状态放在字典里面。

    找我们架构师说了这事,架构给出的是:这个变化的概率有多大,不要过度设计,加入真的出现这样的修改,确定这个概率增大,你下次再把它做到zidi字典表才是对的

    对于这种很明确的需求,在不确定修改的概率情况下,不需要过于考虑扩展性;对于不太确定的需求,比如:京东说大客户账户余额明细返回的416可以认为是退款成功,这个是外部系统的东西,可能会变化,可以做到字典表,方便京东业务tiao调整,我们及时跟上

    展开全文
  • 功能性好理解,硬指标,开发过程中的里程碑,一定要啃下的山头,而非功能性需求更偏“软”,如App好不好用,速度快不快,设计是否反人类等。在我们的日常生活中,非核心、非会员,只要带了一个“非”字,往往都不是...
  • 功能性模块:(7)检测性能评估模块 一、模块介绍 其实每个算法的好坏都是有对应的评估标准的,如果你和老板说检测算法好或者不好,哈哈哈,那必然就是悲剧了。好或者不好是一个定性的说法,对于实际算法来说,到底...

    功能性模块:(7)检测性能评估模块

    一、模块介绍

    其实每个算法的好坏都是有对应的评估标准的,如果你和老板说检测算法好或者不好,哈哈哈,那必然就是悲剧了。好或者不好是一个定性的说法,对于实际算法来说,到底怎么样算法算好?怎么样算法算不好?这些应该是有个定量的标准。对于检测来说,可能最常用的几个评价指标就是precision(查准率,就是你检测出来的目标有多少是真的目标),recall(查全率,就是实际的目标你的算法能检测出来多少),还有ap,map等。本篇博客其实就是让小伙伴们对自己的检测模型心里有一个底,换句话说这个模型你训练出来到底咋样?

    二、代码实现

    import numpy as np
    import os
    
    def voc_ap(rec, prec, use_07_metric=False):
        """Compute VOC AP given precision and recall. If use_07_metric is true, uses
        the VOC 07 11-point method (default:False).
        """
        if use_07_metric:
            # 11 point metric
            ap = 0.
            for t in np.arange(0., 1.1, 0.1):
                if np.sum(rec >= t) == 0:
                    p = 0
                else:
                    p = np.max(prec[rec >= t])
                ap = ap + p / 11.
        else:
            # correct AP calculation
            # first append sentinel values at the end
            mrec = np.concatenate(([0.], rec, [1.]))
            mpre = np.concatenate(([0.], prec, [0.]))
            # compute the precision envelope
            for i in range(mpre.size - 1, 0, -1):
                mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
            # to calculate area under PR curve, look for points
            # where X axis (recall) changes value
            i = np.where(mrec[1:] != mrec[:-1])[0]
            # and sum (\Delta recall) * prec
            ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
        return ap
    
    
    def ComputeMAP(gt_root, predict_root, OVTHRESH=0.5):
        """
    
        :param gt_root: 生成gt文件的根目录
        :param predict_root: 算法跑出的根目录
        :param overthresh: 设置的阈值
        :return:
        """
        # 获取所有的文件
        files_gt = os.listdir(gt_root)
        files_pred = os.listdir(predict_root)
        files_gt.sort()
        # 这个变量的目的是什么?保存gt中真正的框的数量
        npos = 0
        class_recs = {}
        # 遍历所有gt文件
        for file_gt in files_gt:
            img_name = os.path.splitext(os.path.basename(file_gt))[0]
            file_gt = os.path.join(gt_root, os.path.basename(file_gt))
            print("*" * 80)
            print("img name is: ", img_name)
            print("gt file is: ", file_gt)
            # 处理gt文件
            with open(file_gt, 'r') as f:
                lines = f.readlines()
            splitlines = [x.strip().split(' ') for x in lines]
            bbox = np.array([[float(z) for z in x[:]] for x in splitlines])
            print("bbox is: \n", bbox)
            det = [False] * len(bbox)
            npos = npos + len(bbox)
            class_recs[img_name] = {'bbox': bbox, 'det': det}
        print("*" * 80)
        print("Total npos is: ", npos)
    
        # 遍历所有的检测结果
        img_ids = []
        confidence = []
        BB = []
        for file_pred in files_pred:
            img_name = os.path.splitext(os.path.basename(file_pred))[0]
            file_pred = os.path.join(pred_root, os.path.basename(file_pred))
            print("*" * 80)
            print("img_name is: ", img_name)
            print("pred file is: ", file_pred)
            with open(file_pred, 'r') as f:
                lines = f.readlines()
            splitlines = [x.strip().split(" ") for x in lines]
            confidence_p = [float(x[0]) for x in splitlines]
            bbox_p = [[float(z) for z in x[1:]] for x in splitlines]
            # 根据confidence_p的长度,复制对应的img_name的str,生成对应长度的list
            # ['20160220082030T28_H', '20160220082030T28_H', '20160220082030T28_H', '20160220082030T28_H']
            img_ids.extend([img_name] * len(confidence_p))
            confidence.extend(confidence_p)
            BB.extend(bbox_p)
            print(img_ids)
            print(confidence)
            print(BB)
    
        confidence = np.array(confidence)
        BB = np.array(BB)
        print("*" * 80)
        print("All files loaded!")
    
        # 按照confidence的降序进行排列
        sorted_idx = np.argsort(-confidence)
        print("sorted idx is: ", sorted_idx)
        BB = BB[sorted_idx, :]
        img_ids = [img_ids[x] for x in sorted_idx]
    
        # 计算对应的TPs 和 FPs
        nd = len(img_ids)
        tp = np.zeros(nd)
        fp = np.zeros(nd)
        wrong_count = 0
        for d in range(nd):
            print("We are now test: ", img_ids[d])
            # 取出对应图像的gt
            R = class_recs[img_ids[d]]
            # 检测的结果
            bb = BB[d, :].astype(float)
            # 假设重叠面积初始为-inf
            ovmax = -np.inf
            BBGT = R['bbox'].astype(float)
            print("bb: \n ", bb)
            print("BBGT: \n", BBGT)
            print("BBGT size is: ", BBGT.size)
    
            if BBGT.size > 0:
                # 计算覆盖的部分
                ixmin = np.maximum(BBGT[:, 0], bb[0])
                iymin = np.maximum(BBGT[:, 1], bb[1])
                ixmax = np.minimum(BBGT[:, 2], bb[2])
                iymax = np.minimum(BBGT[:, 3], bb[3])
    
                iw = np.maximum(ixmax - ixmin + 1., 0.)
                ih = np.maximum(iymax - iymin + 1., 0.)
                # 计算交叉的面积
                inters = iw * ih
    
                # 计算iou吧
                uni = ((bb[2] - bb[0] + 1.) * (bb[3] - bb[1] + 1.)
                       + (BBGT[:, 2] - BBGT[:, 0] + 1.0) * (BBGT[:, 3] - BBGT[:, 1] + 1.0)
                       - inters)
    
                overlaps = inters / uni
                ovmax = np.max(overlaps)
                jmax = np.argmax(overlaps)
                print("overlaps is: ", overlaps)
                print("ovmax is: ", ovmax)
                print("jmax is: ", jmax)
    
            if ovmax > OVTHRESH:
                # 如果检测的这个标记还没有激活,默认是False
                if not R['det'][jmax]:
                    tp[d] = 1.
                    R['det'][jmax] = 1
                else:
                    fp[d] = 1.
                    wrong_count += 1
            else:
                fp[d] = 1.
                wrong_count += 1
        np.set_printoptions(threshold=np.inf)
        # 计算 precision 和 recall
        fp = np.cumsum(fp)
        tp = np.cumsum(tp)
        print("fp is: ", fp)
        print("tp is: ", tp)
        # 召回率(查全率)
        rec = tp / float(npos)
        # 精确率(查准率)
        prec = tp / np.maximum(tp + fp, np.finfo(np.float).eps)
    
        ap = voc_ap(rec, prec, False)
        print("ap is: ", ap)
        print("*" * 80)
        print("RESULTS: \n")
        print("Total %d images, %d objects" % (len(files_gt), npos))
        print("Detected Correct: %d, Wrong: %d, Miss: %d under IOU: %f"
              % (nd - wrong_count, wrong_count, npos - (nd - wrong_count), OVTHRESH))
        print("Accuracy %f, Recall %f, Average Precision %f"
              % (float(nd - wrong_count) / (nd), float(nd - wrong_count) / (npos), ap))
    
        # 记录漏检的文件
        f = open('./lost.txt', 'w')
        for k, v in class_recs.items():
            if False in v['det']:
                f.write(str(k) + '.jpg' + '\n')
        f.close()
    
    
    if __name__ == "__main__":
        gt_root = './mini_test/gt/'
        pred_root = './mini_test/res/'
        ComputeMAP(gt_root, pred_root)
    
    

    LZ就不详细讲代码了,注释已经很详细了,主要是你的gt应该是什么样子的呢?

    • 命名标准:img_name.txt
    • gt格式:
    # x1 y1 x2 y2
    965 209 1040 329 
    
    • res格式:
    # score x1 y1 x2 y2
    0.9999481 962 222 1043 331
    0.9999091 635 251 747 412
    0.9783503 1795 340 1836 402
    0.57386667 1730 305 1748 337
    

    这个是结果展示,代码中LZ为了清晰加了非常多的打印,谁让云存储不稳定呢,动不动图片就被损坏了,哭唧唧。。。

    在这里插入图片描述
    ps:最近疫情反弹的厉害,谁能想到新冠肺炎居然坚持了一年,国外疫情也是指数性增长,这算是人类的灾难,也许多年后在看现在,又会有不一样的体会。珍惜当下,爱惜生命!

    展开全文
  • 网站的稳定所受影响因素很多,一个具有好的稳定的网站,能够为网站中带来最直接的就是用户体验以及网站中在互联网的表现。 网站中的稳定通常表现为我们浏览网站时在网站中的... 网站中稳定性不好通常会表现...
  • 为什么一些板子抗干扰性不好,主要是放在了煞位上......芯片在五行里属木,板子高压区属火,距离近就是木生火,会泄气的。铺地属水,水环绕芯片,水生木,那芯片就运行健康。为什么有些板子卖的很好,有些板子功能...
  • http通信,以xml或者json为载体,相互通信数据。 ...其中我自己用的比较多的而是httpclient这个接口,因为它的功能更为丰富很有效。 同时http通信也分为post方式和get的方式,两个相比较的话,post传送的数据量比较
  • 不能开发说不稳定,我们就不管了,我们要去尝试找到产生这个不稳定的原因, 首先看看开发环境是否也会有这个问题,如果开发环境没有,测试环境有, 那就比较两个环境的差异(配置、系统、软硬件的差异),排除...
  • 以xml或者json为载体。相互通信数据。 ...当中我自己用的比較多的而是httpclient这个接口,由于它的功能更为丰富非常有效。 同一时候http通信也分为post方式和get的方式,两个相比較的话。pos...
  • 对索引字段做函数操作,可能会破坏索引值的有序,因此优化器就决定放弃走树搜索功能。 二、隐式类型转换 在MySQL中,字符串和数字做比较的话,是将字符串转换成数字。反之,则不会有类型转换,也就不会全表扫描...
  • Django框架好不好?

    2020-10-20 19:27:53
    Django框架是什么? 实话说,Django这个词可真拗口,不好发音不好写,我用...当然了,Django本身在web方面已经做得很不错的,它采用MVC架构,设计优美,也一样注重了组件的重用,具备了开发web应用的一切功能。 Djang.
  • 智能电视的路不好

    千次阅读 2013-10-18 23:13:59
    摘要:Google TV或更名为Android TV,Chromecast的试水成功挽回了谷歌在智能电视业的面子,而智能电视是继手机的第二战场还存在很多的问题:功能的重叠、受制于人机交互发展、成熟盈利模式未形成等。谷歌在3年前...
  • 改掉不好的化妆习惯 许多人生活在“习惯”和“传统”里,但科学证明,一些习惯无益甚至有害人的健康。以下错误的美容“习惯”,你要尽快抛弃,不能大意。 全家共用:共用化妆品的现象普遍存在。比如母女共用、夫妻...
  • js日历功能对象

    2021-01-19 19:16:59
    需求产生问题:本来想在网上找个js代码,可是发现要么太复杂,要么不好控制,要么兼容性不好…… 问题分析: 发现不是优秀的就是最好的…. 适合自己的就是最好的。 问题解决: 决定自己写一个日历 功能。 代码呈现:...
  • MQ 功能

    2019-09-02 15:37:04
    消息队列作为高并发系统的核心组件之一,能够帮助业务系统解构提升开发效率和系统稳定。主要具有以下优势: 削峰填谷(主要解决瞬时写压力大于应用服务能力导致消息丢失、系统奔溃等问题) 系统解耦(解决不同重要...
  • C#动态编译,实现按钮功能动态配置

    千次阅读 2013-01-09 23:36:24
    现在对做的系统要求要越来越灵活,功能配置越来越方便,牺牲一小部分的效率,而换取系统的灵活,对于维护、功能扩展升级等工作提供了很大的方便。 前两天,一个项目要求界面上的按钮都是可以配置的,位置和...
  • 单据复制功能

    2020-04-03 14:28:10
    为了避免用户在短时间内重复建单的操作繁琐,随即就衍生出了一个单据复制的功能,一件复制单据能够有效的提升用户的体验,也避免了在使用报销系统时需要重复填写信息而造成时间上的浪费,用户体验不好。 二、...
  • java定时功能分析

    2017-02-23 15:35:00
    1.Timer、TimerTask,缺点并发支持不好,无定时规则功能 2.ThreadPoolExecutor,将任务产生和执行分离 3.Spring TaskExecutor,增强兼容和使用便捷 4.Quartz,增强功能 转载于:...
  • Java好不好学这个问题其实是因人而异的,正常大型项目中的所有功能,都是需要通过编写大量复杂逻辑的代码实现,这就需要开发人员具备良好思维能力和较强的逻辑。 因此,自身逻辑思维能力比较强的话,学习Java会有...
  • 阳气不足,运气不好

    千次阅读 2017-03-08 10:50:51
    按中医的说法,阳气来源有二:一为先天的,来自于父亲和母亲,二为后天,主要从食物中吸收的水谷精气转化而来。而人的正常机体运转、工作、运动、生活、情绪波动、适应气温变化、修复创伤等各项活动都是需要消耗...
  • 众所周知,微信小程序多种多样,有休闲娱乐游戏类的,也有实用家居购物类的,还有各种阅读类的,但是对它的功能性大家褒贬不一,那么,到底微信小程序好不好用,值不值的用呢? 对于大众用户来说,分为以下这么两类...
  • Android内部没有控件来直接显示文档,跳转WPS或其他第三方文档App体验性不好,使用腾讯X5内核能很好的解决的这一问题这篇文章主要介绍了Android集成腾讯X5实现文档浏览功能,需要的朋友可以参考下
  • 有人觉得集成灶与传统的烟机灶具相比价格偏高,但是我认为,集成灶无论是实用功能性还是美观都要比传统的烟机灶具好。新家装修我选择一步到位,安装了森歌i8ZK智能蒸烤集成灶。 集成灶好不好?今天就借家里这...
  • Java的坏功能是什么

    2020-05-24 17:45:39
    当您第一次学习开发时,您会看到关于不同功能的过分笼统的陈述,对于设计,性能,清晰度,可维护来说,都是不好的,感觉就像是黑客,或者他们只是不喜欢。 这可能会得到现实世界经验的支持,在实际经验中,删除...
  • js 日历 功能对象

    2012-01-11 17:20:00
    需求产生问题:本来想在网上找个js代码,可是发现要么太复杂,要么不好控制,要么兼容性不好...... 问题分析: 发现不是优秀的就是最好的.... 适合自己的就是最好的。 问题解决: 决定自己写一个日历 功能。 代码...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,888
精华内容 755
关键字:

性功能不好