我的编程空间，编程开发者的网络收藏夹
学习永远不晚
位置：首页-资讯-后端开发

详解YOLOV7 网络结构

2023-10-08 18:12

短信预约 -IT技能 免费直播动态提醒
省份

北京

  • 北京
  • 上海
  • 天津
  • 重庆
  • 河北
  • 山东
  • 辽宁
  • 黑龙江
  • 吉林
  • 甘肃
  • 青海
  • 河南
  • 江苏
  • 湖北
  • 湖南
  • 江西
  • 浙江
  • 广东
  • 云南
  • 福建
  • 海南
  • 山西
  • 四川
  • 陕西
  • 贵州
  • 安徽
  • 广西
  • 内蒙
  • 西藏
  • 新疆
  • 宁夏
  • 兵团
手机号
获取短信验证
立即预约

请填写图片验证码后获取短信验证码

看不清楚，换张图片

免费获取短信验证码

详解YOLOV7 网络结构

YOLOv7 网络结构图详解

yolo.py 输出结构

输出的 arguments 和yaml文件的区别就是 多了第一列Conv输入的通道数

YOLOR  v0.1-112-g55b90e1 torch 1.7.0 CUDA:0 (Quadro RTX 4000, 8191.6875MB)                 from  n    params  module      arguments                       0                -1  1       928  models.common.Conv                      [3, 32, 3, 1]                   1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]                  2                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                  3                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]                 4                -1  1      8320  models.common.Conv                      [128, 64, 1, 1]                 5                -2  1      8320  models.common.Conv                      [128, 64, 1, 1]                 6                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                  7                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                  8                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                  9                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                 10  [-1, -3, -5, -6]  1         0  models.common.Concat                    [1]11                -1  1     66048  models.common.Conv                      [256, 256, 1, 1]               12                -1  1         0  models.common.MP                        [] 13                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]               14                -3  1     33024  models.common.Conv                      [256, 128, 1, 1]               15                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]               16          [-1, -3]  1         0  models.common.Concat                    [1]17                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]               18                -2  1     33024  models.common.Conv                      [256, 128, 1, 1]               19                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               20                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               21                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               22                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               23  [-1, -3, -5, -6]  1         0  models.common.Concat                    [1]24                -1  1    263168  models.common.Conv                      [512, 512, 1, 1]               25                -1  1         0  models.common.MP                        [] 26                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]               27                -3  1    131584  models.common.Conv                      [512, 256, 1, 1]               28                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]               29          [-1, -3]  1         0  models.common.Concat                    [1]30                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]               31                -2  1    131584  models.common.Conv                      [512, 256, 1, 1]               32                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               33                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               34                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               35                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               36  [-1, -3, -5, -6]  1         0  models.common.Concat                    [1]37                -1  1   1050624  models.common.Conv                      [1024, 1024, 1, 1]             38                -1  1         0  models.common.MP                        [] 39                -1  1    525312  models.common.Conv                      [1024, 512, 1, 1]              40                -3  1    525312  models.common.Conv                      [1024, 512, 1, 1]              41                -1  1   2360320  models.common.Conv                      [512, 512, 3, 2]               42          [-1, -3]  1         0  models.common.Concat                    [1]43                -1  1    262656  models.common.Conv                      [1024, 256, 1, 1]              44                -2  1    262656  models.common.Conv                      [1024, 256, 1, 1]              45                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               46                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               47                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               48                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               49  [-1, -3, -5, -6]  1         0  models.common.Concat                    [1]50                -1  1   1050624  models.common.Conv                      [1024, 1024, 1, 1]             51                -1  1   7609344  models.common.SPPCSPC                   [1024, 512, 1]                 52                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]               53                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']           54                37  1    262656  models.common.Conv                      [1024, 256, 1, 1]              55          [-1, -2]  1         0  models.common.Concat                    [1]56                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]               57                -2  1    131584  models.common.Conv                      [512, 256, 1, 1]               58                -1  1    295168  models.common.Conv                      [256, 128, 3, 1]               59                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               60                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               61                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               62[-1, -2, -3, -4, -5, -6]  1         0  models.common.Concat                    [1]63                -1  1    262656  models.common.Conv                      [1024, 256, 1, 1]              64                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]               65                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']           66                24  1     65792  models.common.Conv                      [512, 128, 1, 1]               67          [-1, -2]  1         0  models.common.Concat                    [1]68                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]               69                -2  1     33024  models.common.Conv                      [256, 128, 1, 1]               70                -1  1     73856  models.common.Conv                      [128, 64, 3, 1]                71                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                 72                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                 73                -1  1     36992  models.common.Conv                      [64, 64, 3, 1]                 74[-1, -2, -3, -4, -5, -6]  1         0  models.common.Concat                    [1]75                -1  1     65792  models.common.Conv                      [512, 128, 1, 1]               76                -1  1         0  models.common.MP                        [] 77                -1  1     16640  models.common.Conv                      [128, 128, 1, 1]               78                -3  1     16640  models.common.Conv                      [128, 128, 1, 1]               79                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]               80      [-1, -3, 63]  1         0  models.common.Concat                    [1]81                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]               82                -2  1    131584  models.common.Conv                      [512, 256, 1, 1]               83                -1  1    295168  models.common.Conv                      [256, 128, 3, 1]               84                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               85                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               86                -1  1    147712  models.common.Conv                      [128, 128, 3, 1]               87[-1, -2, -3, -4, -5, -6]  1         0  models.common.Concat                    [1]88                -1  1    262656  models.common.Conv                      [1024, 256, 1, 1]              89                -1  1         0  models.common.MP                        [] 90                -1  1     66048  models.common.Conv                      [256, 256, 1, 1]               91                -3  1     66048  models.common.Conv                      [256, 256, 1, 1]               92                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]               93      [-1, -3, 51]  1         0  models.common.Concat                    [1]94                -1  1    525312  models.common.Conv                      [1024, 512, 1, 1]              95                -2  1    525312  models.common.Conv                      [1024, 512, 1, 1]              96                -1  1   1180160  models.common.Conv                      [512, 256, 3, 1]               97                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               98                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]               99                -1  1    590336  models.common.Conv                      [256, 256, 3, 1]              100[-1, -2, -3, -4, -5, -6]  1         0  models.common.Concat                    [1]                           101                -1  1   1049600  models.common.Conv                      [2048, 512, 1, 1]             102                75  1    328704  models.common.RepConv                   [128, 256, 3, 1]              103                88  1   1312768  models.common.RepConv                   [256, 512, 3, 1]              104               101  1   5246976  models.common.RepConv                   [512, 1024, 3, 1]             105   [102, 103, 104]  1     39550  IDetect     [2, [[12, 16, 19, 36, 40, 28], [36, 75, 76, 55, 72, 146], [142, 110, 192, 243, 459, 401]], [256, 512, 1024]]Model Summary: 415 layers, 37201950 parameters, 37201950 gradients, 105.1 GFLOPS

整体图

整体图如下所示，这个有有yaml层数，下一张有具体输出，第三张b导的简洁一些，结合3张图起来看配合yaml文件，基本就很好理解了。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

yolov7.yaml

[-1, 1, Conv, [32, 3, 1] 其中的[32, 3, 1] 表示输出通道数为32 ，卷积核为3*3，步长为2
边看整体网络结构图，边看yaml文件，对着看。
注意：
backbone 和 head中的模块MP-1和MP-2区别，backbone中尺寸减半通道数不变，head中尺寸减半通道数变成两倍
backbone 和 head中的模块ELAN-1和ELAN-2的区别，banbone中通道数变成两倍，head中减半

ELAN在backbone中扩张我估计是为了更好的提取特征，而MP-1通道数减半，可以把它理解为改进版本的下采样。

# parametersnc: 2  # number of classesdepth_multiple: 1.0  # model depth multiplewidth_multiple: 1.0  # layer channel multiple# anchorsanchors:  - [12,16, 19,36, 40,28]  # P3/8  - [36,75, 76,55, 72,146]  # P4/16  - [142,110, 192,243, 459,401]  # P5/32# yolov7 backbonebackbone:  # [from, number, module, args]             640*640*3  [[-1, 1, Conv, [32, 3, 1]],  # 0           640*640*32     [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      320*320*64   [-1, 1, Conv, [64, 3, 1]],  #             320*320*64      [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4     160*160*128   # ELAN1   [-1, 1, Conv, [64, 1, 1]],   [-2, 1, Conv, [64, 1, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [[-1, -3, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [256, 1, 1]],  # 11         160*160*256   # MPConv   [-1, 1, MP, []],   [-1, 1, Conv, [128, 1, 1]],   [-3, 1, Conv, [128, 1, 1]],   [-1, 1, Conv, [128, 3, 2]],   [[-1, -3], 1, Concat, [1]],  # 16-P3/8    80*80*256   # ELAN1   [-1, 1, Conv, [128, 1, 1]],   [-2, 1, Conv, [128, 1, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [[-1, -3, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [512, 1, 1]],  # 24         80*80*512   # MPConv   [-1, 1, MP, []],   [-1, 1, Conv, [256, 1, 1]],   [-3, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [256, 3, 2]],   [[-1, -3], 1, Concat, [1]],  # 29-P4/16   40*40*512   # ELAN1   [-1, 1, Conv, [256, 1, 1]],   [-2, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [[-1, -3, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [1024, 1, 1]],  # 37        40*40*1024   # MPConv   [-1, 1, MP, []],   [-1, 1, Conv, [512, 1, 1]],   [-3, 1, Conv, [512, 1, 1]],   [-1, 1, Conv, [512, 3, 2]],   [[-1, -3], 1, Concat, [1]],  # 42-P5/32    20*20*1024   # ELAN1   [-1, 1, Conv, [256, 1, 1]],   [-2, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [[-1, -3, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [1024, 1, 1]],  # 50         20*20*1024  ]# yolov7 headhead:  [[-1, 1, SPPCSPC, [512]], # 51                        20*20*512     [-1, 1, Conv, [256, 1, 1]],#                         20*20*256   [-1, 1, nn.Upsample, [None, 2, 'nearest']],   [37, 1, Conv, [256, 1, 1]], # route backbone P4      40*40*1024->40*40*256   [[-1, -2], 1, Concat, [1]], #                        40*40*512   # ELAN2  注意：Head和Backbone的ELAN不一样   [-1, 1, Conv, [256, 1, 1]],   [-2, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [256, 1, 1]], # 63                      40*40*256   [-1, 1, Conv, [128, 1, 1]], #                         80*80*128   [-1, 1, nn.Upsample, [None, 2, 'nearest']],   [24, 1, Conv, [128, 1, 1]], # route backbone P3       80*80*512->80*80*128   [[-1, -2], 1, Concat, [1]],#                          80*80*256   # ELAN2   [-1, 1, Conv, [128, 1, 1]],   [-2, 1, Conv, [128, 1, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [128, 1, 1]], # 75                      80*80*128   # MPConv Channel × 2   [-1, 1, MP, []],   [-1, 1, Conv, [128, 1, 1]],   [-3, 1, Conv, [128, 1, 1]],   [-1, 1, Conv, [128, 3, 2]],   [[-1, -3, 63], 1, Concat, [1]],#                       40*40*256   # ELAN2   [-1, 1, Conv, [256, 1, 1]],   [-2, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [256, 1, 1]], # 88                        40*40*256    # MPConv Channel × 2   [-1, 1, MP, []],   [-1, 1, Conv, [256, 1, 1]],   [-3, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [256, 3, 2]],   [[-1, -3, 51], 1, Concat, [1]],#                         40*40*512   # ELAN2   [-1, 1, Conv, [512, 1, 1]],   [-2, 1, Conv, [512, 1, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [-1, 1, Conv, [256, 3, 1]],   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [512, 1, 1]], # 101                         20*20*512      [75, 1, RepConv, [256, 3, 1]],#102                           80*80*256   [88, 1, RepConv, [512, 3, 1]],#103                           40*40*512   [101, 1, RepConv, [1024, 3, 1]],#104                         20*20*1024   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)  ]

组件结构

CBS 模块

yaml 文件中的Conv表示卷积归一化激活

对于CBS模块，我们可以看从图中可以看出它是由一个Conv层，也就是卷积层，一个BN层，也就是Batch normalization层，还有一个Silu层，这是一个激活函数。silu激活函数是swish激活函数的变体。

class Conv(nn.Module):    # Standard convolution    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups        super(Conv, self).__init__()        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)        self.bn = nn.BatchNorm2d(c2)        self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())    def forward(self, x):        return self.act(self.bn(self.conv(x)))    def fuseforward(self, x):        return self.act(self.conv(x))

ELAN1

利用Conv构件围城的模块，在backbone中通道数扩张两倍

   #[-1, 1, Conv, [128, 3, 2]],  # 3-P2/4     160*160*128   # ELAN1   [-1, 1, Conv, [64, 1, 1]],   [-2, 1, Conv, [64, 1, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [-1, 1, Conv, [64, 3, 1]],   [[-1, -3, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [256, 1, 1]],  # 11         160*160*256

在这里插入图片描述

ELAN2

利用Conv构件围城的模块，在head中通道数减半
在这里插入图片描述

   # [[-1, -2], 1, Concat, [1]], #55                    40*40*512   # ELAN2  注意：Head和Backbone的ELAN不一样   [-1, 1, Conv, [256, 1, 1]],   [-2, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [-1, 1, Conv, [128, 3, 1]],   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],   [-1, 1, Conv, [256, 1, 1]], # 63                      40*40*256

MP1&2

MP1

[-1, 1, Conv, [128, 3, 2]], 表述输出128，

   #[-1, 1, Conv, [256, 1, 1]],  # 11         160*160*256   # MPConv-1 backbone 下采样 通道数不变   [-1, 1, MP, []],   [-1, 1, Conv, [128, 1, 1]],   [-3, 1, Conv, [128, 1, 1]],   [-1, 1, Conv, [128, 3, 2]],   [[-1, -3], 1, Concat, [1]],  # 16-P3/8    80*80*256
MP2

head部分，尺寸减半，通道数扩张为两倍

  # [-1, 1, Conv, [256, 1, 1]], # 88                        40*40*256    # MPConv Channel × 2   [-1, 1, MP, []],   [-1, 1, Conv, [256, 1, 1]],   [-3, 1, Conv, [256, 1, 1]],   [-1, 1, Conv, [256, 3, 2]],   [[-1, -3, 51], 1, Concat, [1]],#                         40*40*512

在这里插入图片描述

SPPCSPC

类似于yolov5中的SPPF，不同的是，使用了5×5、9×9、13×13最大池化。
在这里插入图片描述

class SPPCSPC(nn.Module):    # CSP https://github.com/WongKinYiu/CrossStagePartialNetworks    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=(5, 9, 13)):        super(SPPCSPC, self).__init__()        c_ = int(2 * c2 * e)  # hidden channels        self.cv1 = Conv(c1, c_, 1, 1)        self.cv2 = Conv(c1, c_, 1, 1)        self.cv3 = Conv(c_, c_, 3, 1)        self.cv4 = Conv(c_, c_, 1, 1)        self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])        self.cv5 = Conv(4 * c_, c_, 1, 1)        self.cv6 = Conv(c_, c_, 3, 1)        self.cv7 = Conv(2 * c_, c2, 1, 1)    def forward(self, x):        x1 = self.cv4(self.cv3(self.cv1(x)))        y1 = self.cv6(self.cv5(torch.cat([x1] + [m(x1) for m in self.m], 1)))        y2 = self.cv2(x)        return self.cv7(torch.cat((y1, y2), dim=1))

参考

【YOLOv7_0.1】网络结构与源码解析
https://blog.csdn.net/weixin_43799388/article/details/126164288
YOLOV7详细解读（一）网络架构解读
https://blog.csdn.net/qq128252/article/details/126673493
睿智的目标检测61——Pytorch搭建YoloV7目标检测平台
https://blog.csdn.net/weixin_44791964/article/details/125827160

来源地址：https://blog.csdn.net/qq_41398619/article/details/129738783

免责声明：

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

YOLOpython深度学习
阅读原文内容投诉

详解YOLOV7 网络结构

下载Word文档到电脑，方便收藏和打印～

下载Word文档

相关文章

猜你喜欢

详解YOLOV7 网络结构

2023-10-08

卷积神经网络Inception V3网络结构图

2024-04-02

1. 确定网络拓扑结构

在配置云服务器路由器网络之前，首先需要确定网络拓扑结构。这包括确定云服务器的位置、子网的划分以及与其他网络设备的连接方式。1.1云服务器位置确定云服务器的位置是非常重要的，因为它将决定云服务器的网络连接方式。云服务器可以位于公有云或私有云中，也可以是一个独立的物理服务器。1.2子网划分在确定云服务器位置后，需要划分子网
2023-10-27

SHELLEXECUTEINFO 结构详解

SHELLEXECUTEINFO 结构是 Windows API 中的一种结构类型，用于传递给 ShellExecuteEx 函数的参数。该结构包含了一组成员变量，用于指定要执行的操作的详细信息。SHELLEXECUTEINFO 结构的成员
2023-09-12

pytorch如何打印网络结构

要打印PyTorch网络结构，可以使用print函数或者torchsummary库来实现。使用print函数来打印网络结构示例如下：import torchimport torch.nn as nnclass Net(nn.Modul
pytorch如何打印网络结构
2024-04-08

YOLOv5网络模型的结构原理讲解（全）

2023-09-07

C++结构体详解

2024-04-02

RustStruct结构体详解

结构体，是一种自定义数据类型，允许程序员将不同类型的数据结合起来，形成相关联的整体。Rust的结构体还提供方法和关联函数，可以指定那些与结构体数据相关的行为
2022-11-13

alexnet网络结构指的是什么

小编给大家分享一下alexnet网络结构指的是什么，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！第一层卷积层1，卷积核的数量为96；第二层卷积层2，卷积的个数为2
2023-06-20

JS数据结构之队列结构详解

这篇文章主要为大家详细介绍了JavaScript数据结构与算法中的队列结构，文中通过简单的示例介绍了队列结构的原理与实现，需要的可以参考一下
2022-11-13

网络工程师以太网帧结构考点

　　网络工程师以太网帧结构考点有哪些?为了方便考生及时有效的备考，编程学习网小编为大家精心整理了软考中级网络工程师以太网帧结构考试知识点，供大家参考和学习。如想获取更多计算机软件水平考试的模拟题及备考资料，请关注编程学习网网站的更新。　　以太网帧的格式如图所示，包含的字段有前同步码、帧开始界定符、目的地址、源地址、数据类型、数
网络工程师以太网帧结构考点
2024-04-18

Windows网络体系结构和OSI模型

Windows网络体系结构是指Windows操作系统中的网络功能和组件的架构。Windows网络体系结构包括四个主要组件：网络驱动程序，网络协议栈，网络服务和应用程序接口。网络驱动程序是Windows操作系统与硬件设备之间的接口，用于控制和
2023-09-14

tensorflow卷积神经Inception V3网络结构代码解析

2024-04-02

亚马逊的网络服务器结构

以下是亚马逊网络服务器的主要组成部分：计算服务：亚马逊网络服务(AWS)提供各种计算服务，包括计算、数据库、存储、网络和安全等。这些服务通常由AWS提供商维护和管理，以确保它们可以在最佳状态下运行。存储服务：AWS提供了多种存储服务，包括AmazonS3、AmazonEBS、AmazonS3Drive、AmazonGlacier和AmazonGlacierPrimaryStorage等。这些服务可以在AWS上运行，以存储和备份数据。网络服务：AWS提供了...
2023-10-27

计算机网络-计算机网络体系结构-物理层

2023-10-07

Python 循环结构详解

2024-04-02

Python循环结构详解

2024-04-02

Python 分支结构详解

2024-04-02

C#类和结构详解

2024-04-02

Zookeeper 数据结构详解

Zookeeperhttps://zookeeper.apache.org/doc/current/zookeeperOver.htmlZooKeeper is a distributed, open-source coordination service f
Zookeeper 数据结构详解
2016-10-29

热门标签

Linux(148)PHP(127)Java(102)正则表达式(101)JavaScript(69)最佳实践(67)jQuery(44)MySQL(39)Docker(37)C语言(36)性能优化(34)Python(34)XML(28)string(27)第三方库(23)回调函数(23)ZIP(22)数组(22)可扩展性(22)字符串比较(21)find(20)RPM(20)Go(20)grep(19)ASP.NETCore(19)XML解析器(19)事件(19)事件处理程序(19)StringBuilder(18)Nginx(18)

编程热搜

  • Python 学习之路 - Python
    一、安装Python34Windows在Python官网（https://www.python.org/downloads/）下载安装包并安装。Python的默认安装路径是：C:\Python34配置环境变量：【右键计算机】--》【属性】-
    Python 学习之路 - Python
  • chatgpt的中文全称是什么
    chatgpt的中文全称是生成型预训练变换模型。ChatGPT是什么ChatGPT是美国人工智能研究实验室OpenAI开发的一种全新聊天机器人模型，它能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，并协助人类完成一系列
    chatgpt的中文全称是什么
  • C/C++中extern函数使用详解
    C/C++中extern函数使用详解
  • C/C++可变参数的使用
    可变参数的使用方法远远不止以下几种，不过在C,C++中使用可变参数时要小心，在使用printf()等函数时传入的参数个数一定不能比前面的格式化字符串中的’%’符号个数少，否则会产生访问越界，运气不好的话还会导致程序崩溃
    C/C++可变参数的使用
  • css样式文件该放在哪里
    css样式文件该放在哪里
  • php中数组下标必须是连续的吗
    php中数组下标必须是连续的吗
  • Python 3 教程
    Python 3 教程 Python 的 3.0 版本，常被称为 Python 3000，或简称 Py3k。相对于 Python 的早期版本，这是一个较大的升级。为了不带入过多的累赘，Python 3.0 在设计的时候没有考虑向下兼容。 Python
    Python 3 教程
  • Python pip包管理
    一、前言    在Python中， 安装第三方模块是通过 setuptools 这个工具完成的。 Python有两个封装了 setuptools的包管理工具： easy_install  和  pip ， 目前官方推荐使用 pip。    
    Python pip包管理
  • ubuntu如何重新编译内核
    ubuntu如何重新编译内核
  • 改善Java代码之慎用java动态编译
    改善Java代码之慎用java动态编译
查看更多

编程资源站

  • 资料下载
  • 历年试题
2021年下半年软考高级信息系统项目管理师高频考点精选资料
2021下半年软考高级信息系统技术知识点记忆口诀精选资料
2021下半年软考《信息系统项目管理师》考试真题及答案精选资料
2021下半年软考高级考试备考攻略精选资料
2021年软考高级《信息系统项目管理师》巩固练习题汇总精选资料
2021下半年软考高级信息系统项目管理师30个易考知识点汇总精选资料
2021下半年软考高级知识点这样记，还担心记不住吗精选资料
2021年下半年软考高级考试重点汇总精选资料
2021下半年软考高级信息系统项目管理师计算公式汇总精选资料
2021年下半年软考高级《信息系统项目管理师》模拟试题精选资料
查看更多
信息系统项目管理师选择题每日一练（2024）历年试题
2023年下半年信息系统项目管理师综合知识真题演练历年试题
查看更多

目录

本网页已闲置超过3分钟，按键盘任意键或点击空白处，即可回到网页
最新资讯更多
    友情链接编程网

    反馈

    我要
    反馈