基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(五)

本文主要是介绍基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(五),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

系列文章目录

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(一)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(二)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(三)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(四)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(五)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(六)


目录

  • 系列文章目录
  • 前言
  • 总体设计
    • 系统整体结构图
    • 系统流程图
  • 运行环境
  • 模块实现
    • 1. 数据预处理
    • 2. 数据增强
    • 3. 普通CNN模型
      • 1)模型结构
      • 2)模型优化
      • 3)模型训练
      • 4)模型保存
    • 4. 残差网络模型
      • 1)残差网络的介绍
      • 2)模型结构
      • 3)模型训练
      • 4)模型保存
    • 5. 模型生成
      • 1)搭建Django项目
      • 2)输入图片并预测
      • 3)链接数据库
      • 4)美化网页
  • 其他相关博客
  • 工程源代码下载
  • 其它资料下载


在这里插入图片描述

前言

本项目以卷积神经网络(CNN)模型为基础,对收集到的猫咪图像数据进行训练。通过采用数据增强技术和结合残差网络的方法,旨在提高模型的性能,以实现对不同猫的种类进行准确识别。

首先,项目利用CNN模型,这是一种专门用于图像识别任务的深度学习模型。该模型通过多个卷积和池化层,能够有效地捕捉图像中的特征,为猫的种类识别提供强大的学习能力。

其次,通过对收集到的数据进行训练,本项目致力于建立一个能够准确辨识猫的种类的模型。包括各种猫的图像,以确保模型能够泛化到不同的种类和场景。

为了进一步提高模型性能,采用了数据增强技术。数据增强通过对训练集中的图像进行旋转、翻转、缩放等操作,生成更多的变体,有助于模型更好地适应不同的视角和条件。

同时,引入残差网络的思想,有助于解决深层网络训练中的梯度消失问题,提高模型的训练效果。这种结合方法使得模型更具鲁棒性和准确性。

最终,通过本项目,实现了对猫的种类进行精准识别的目标。这对于宠物领域、动物学研究等方面都具有实际应用的潜力,为相关领域提供了一种高效而可靠的工具。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

在这里插入图片描述

系统流程图

系统流程如图所示。

在这里插入图片描述

运行环境

本部分包括计算型云服务器、Python环境、TensorFlow环境和MySQL环境。

详见博客。

模块实现

本项目包括5个模块:数据预处理、数据增强、普通CNN模型、残差网络模型、模型生成。下面分别给出各模块的功能介绍及相关代码。

1. 数据预处理

打开浏览器,分别搜索布偶猫、孟买猫、暹罗猫和英国短毛猫的图片。用批量下载器下载图片,筛选出特征明显的图片作为数据集。使用的图片包含101张布偶猫、97张孟买猫、101张逼罗猫以及85张英国短毛猫,共计384张图片。(其中在工程代码中/cat_kind_model/cat_data_100/cat_kind_model/cat_data_224也可下载)

详见博客。

2. 数据增强

所谓数据增强,是通过翻转、旋转、比例缩放、随机裁剪、移位、添加噪声等操作对现有数据集进行拓展。本项目中数据量较小,无法提取图片的深层特征,使用深层的残差网络时易造成模型过拟合。

详见博客。

3. 普通CNN模型

处理图片数据格式后,转换为数组作为模型的输入,并根据文件名提取标签,定义模型结构、优化器、损失函数和性能指标。本项目使用Keras提供类似VGG的卷积神经网络。

1)模型结构

详见博客。

2)模型优化

详见博客。

3)模型训练

详见博客。

4)模型保存

详见博客。

4. 残差网络模型

本部分包括残差网络的介绍、模型结构以及模型训练。

1)残差网络的介绍

详见博客。

2)模型结构

详见博客。

3)模型训练

详见博客。

4)模型保存

详见博客。

5. 模型生成

模型应用主要有3部分:一是从本地相册输入猫的图片;二是把输入的图片转换成数据,在输入训练好的模型中进行预测;三是根据预测结果输出数据库中预存的相关信息。

1)搭建Django项目

使用快捷键win+R,输入cmd后回车,打开命令行。

进入虚拟环境:

cd H: # anaconda的安装路径
cd ProgramData\Anaconda3\Scripts
activate tensorflow

创建Django项目:

django-admin startproject cat_kind_view

进入项目目录,创建一个名为cat的应用:

cd cat_kind_view
python manage.py startapp cat

用PyCharm打开创建的项目,如图所示。

在这里插入图片描述

cat_kind_view/cat/views.py文件中添加网页想要展示的内容,相关代码如下:

from django.shortcuts import render  #导入各种模块
from django.http import HttpResponse
from catclass import settings
from . import models
from .prediction import testcat
import json
#创建视图
def index(request):return render(request, 'index.html')
def catinfo(request):if request.method == "POST":f1 = request.FILES['pic1']#用于识别fname = '%s/pic/%s' % (settings.MEDIA_ROOT, f1.name)with open(fname, 'wb') as pic:for c in f1.chunks():pic.write(c)#用于显示fname1 = './static/img/%s' % f1.namewith open(fname1, 'wb') as pic:for c in f1.chunks():pic.write(c)num = testcat(f1.name)if(num == 0):num = 4#通过ID获取猫的信息name = models.Catinfo.objects.get(id = num)return render(request, 'info.html', {'nameinfo': name.nameinfo, 'feature': name.feature, 'livemethod': name.livemethod, 'feednn': name.feednn, 'feedmethod': name.feedmethod, 'picname': f1.name})else:return HttpResponse("上传失败!")
def appupload(request):if request.method == "POST":f1 = request.FILES['pic1']#用于识别fname = '%s/pic/%s' % (settings.MEDIA_ROOT, f1.name)with open(fname, 'wb') as pic:for c in f1.chunks():pic.write(c)#用于显示fname1 = './static/img/%s' % f1.namewith open(fname1, 'wb') as pic:for c in f1.chunks():pic.write(c)num = testcat(f1.name)if (num == 0):num = 4#通过ID获取猫的信息name = models.Catinfo.objects.get(id = num)return render(request, 'app.html', {'nameinfo': name.nameinfo, 'feature': name.feature, 'livemethod': name.livemethod, 'feednn': name.feednn, 'feedmethod': name.feedmethod, 'picname': f1.name})else:return HttpResponse("上传失败!")
#在cat_kind_view/cat目录下新建urls.py
from django.conf.urls import url
from . import views
urlpatterns = [url(r'^$', views.index),url(r'^info/', views.catinfo),url(r'^appupload/', views.appupload)
]
#在cat_kind_view/ cat_kind_view/urls.py文件中加上新建的urls
from django.conf.urls import include, url
from django.contrib import admin
urlpatterns = [url(r'^admin/', include(admin.site.urls)),url(r'^', include('cat.urls')),  #连接到cat/urls
]
#在cat_kind_view/cat_kind_view/settings.py中做如下改动
#定义应用
INSTALLED_APPS = ['django.contrib.admin','django.contrib.auth','django.contrib.contenttypes','django.contrib.sessions','django.contrib.messages','django.contrib.staticfiles','cat'  # 加上自己的APP
]
#LANGUAGE_CODE = 'en-us'
LANGUAGE_CODE = 'zh-Hans'    #修改语言为汉语
# TIME_ZONE = 'UTC'
TIME_ZONE = 'Asia/Shanghai'  #修改时区为上海

2)输入图片并预测

创建保存输入图片的文件夹在cat_kind_view/cat目录下添加prediction.py。此文件的功能是处理输入的图片,并用训练好的模型进行预测。

import os  #导入各种模块
from PIL import Image
import numpy as np
import keras
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Flatten
from keras.optimizers import SGD
from keras.layers import Conv2D, MaxPooling2D
def prepicture(picname):  #定义预处理img = Image.open('./media/pic/' + picname)new_img = img.resize((100, 100), Image.BILINEAR)new_img.save(os.path.join('./media/pic/', os.path.basename(picname)))
def read_image2(filename):img = Image.open('./media/pic/' + filename).convert('RGB')return np.array(img)
def testcat(picname):#预处理图片变成100*100prepicture(picname)x_test = []x_test.append(read_image2(picname))x_test = np.array(x_test)x_test = x_test.astype('float32')x_test /= 255keras.backend.clear_session()model = Sequential()#输入为三通道的100*100图像#应用32个卷积滤波器,每个大小为3*3model.add(Conv2D(32,(3,3),activation='relu',input_shape=(100,100,3)))model.add(Conv2D(32, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(4, activation='softmax'))sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])model.load_weights('./cat/cat_weight.h5')    #使用训练好的模型预测classes = model.predict_classes(x_test)[0]#target = ['布偶猫', '孟买猫', '暹罗猫', '英国短毛猫']#print(target[classes])return classes

3)链接数据库

本部分相关代码如下:

#在cat_kind_view/cat_kind_view/settings.py
DATABASES = {'default': {'ENGINE': 'django.db.backends.mysql','NAME': 'catkind',     #数据库名'USER': 'root',         #用户名'PASSWORD': 'root',    #密码'HOST': '127.0.0.1','PORT': '3306',}
}
#在cat_kind_view/cat /__init__.py中引入数据库
import pymysql
pymysql.version_info = (1, 3, 13, "final", 0)
pymysql.install_as_MySQLdb()
#在cat_kind_view/cat /__init__.py中写入数据库中的名称和格式
from django.db import models
#创建模型
class Catinfo(models.Model):name = models.CharField(max_length=10)nameinfo = models.CharField(max_length=1000)feature = models.CharField(max_length=1000)livemethod = models.CharField(max_length=1000)feednn = models.CharField(max_length=1000)feedmethod = models.CharField(max_length=1000)

在命令行终端输入以下命令,生成迁移文件0001_initial.py

python manage.py makemigrations

在命令行终端输入以下命令执行迁移,在数据库中生成对应表。

python manage.py migrate

Navicat for MySQL中打开数据库,发现由Django生成一些列表,如图所示,cat_catinfo是在应用cat中由catinfo类生成的表。

在这里插入图片描述

cat_catinfo表中添加不同种类猫的相关信息,如图所示。

在这里插入图片描述

这些信息根据预测结果(标签)与主键ID一一对应,把表中的信息显示在网页上。

4)美化网页

本部分相关代码如下:

#在cat_kind_view/cat_kind_view/settings.py 
TEMPLATES = [{'BACKEND': 'django.template.backends.django.DjangoTemplates','DIRS': [os.path.join(BASE_DIR, 'templates')],  #加入模板路径'APP_DIRS': True,'OPTIONS': {'context_processors': ['django.template.context_processors.debug','django.template.context_processors.request','django.contrib.auth.context_processors.auth','django.contrib.messages.context_processors.messages',],},},
]
#静态文件(CSS, JavaScript, Images)
#参考https://docs.djangoproject.com/en/3.0/howto/static-files/
STATIC_URL = '/static/'
STATICFILES_DIRS = [os.path.join(BASE_DIR, 'static')  #加上static路径,界面美化
]
MEDIA_ROOT = os.path.join(BASE_DIR, "./media") #加上media路径,界面美化

美化网页部分代码目录如图所示。

在这里插入图片描述

static/css/style.css设置首页格式,如背景、字体、各部件的类型、颜色等。

body,ul,li,dl,dt,dd,p,ol,h1,h2,h3,h4,h5,h6,form,img,table,fieldset,legend {margin: 0;padding: 0;
}
html,body {height: 100%;width: 100%;
}
ul,li,ol {list-style: none;
}
img,fieldset {border: 0;
}
img {display: block;
}
a {text-decoration: none;color: #333;
}
h1,h2,h3,h4,h5,h6 {font-weight: 100;
}
body {font-size: 12px;font-family: "微软雅黑";
}
input,a {outline: none;
}
* {box-sizing: border-box;
}
.bc {background: url(../img/image001.jpg) no-repeat;background-size: 100% 100%;
}
.main1 {width: 100%;height: 100%;padding-top: 100px;padding-left: 100px;
}
.main {width: 600px;height: 500px;background-color: rgba(255,255,255,0.3);box-shadow: 0px 0px 5px 5px #888888;
}
.title {width: 100%;height: 55px;padding-top: 20px;
}
.title p {font-size: 30px;text-align: center;
}
.select {width: 100%;height: 200px;
}
.xfile {width: 200px;height: 100px;display: none;border: 0px;
}
.xxfile,.xxsub {width: 300px;height: 60px;background-color: rgba(0,0,0,0.5);margin-top: 50px;margin-left: 150px;font-size: 25px;border-radius: 10px;border: 0px;color: white;font-family: "微软雅黑";transition: linear 0.2s;
}
.xxfile:hover,.xxsub:hover {color: black;background-color: rgba(255,255,255,0.5);
}
.select .xxsub {margin-top: 30px;
}
.foot {width: 100%;height: 245px;padding-top: 30px;
}
.foot ul {display: flex;justify-content: space-around;
}
.foot dl {height: 30px;font-size: 16px;line-height: 30px;
}
.foot dd {height: 40px;font-size: 26px;line-height: 40px;
}

static/css/info.css设置信息页格式,如背景、字体、各部件的类型、颜色等。

body,ul,li,dl,dt,dd,p,ol,h1,h2,h3,h4,h5,h6,form,img,table,fieldset,legend {margin: 0;padding: 0;
}
ul,li,ol {list-style: none;
}
img,fieldset {border: 0;
}
img {display: block;
}
a {text-decoration: none;color: #333;
}
h1,h2,h3,h4,h5,h6 {font-weight: 100;
}
body {font-size: 12px;font-family: "微软雅黑";color: black;
}
input,a {outline: none;
}
* {box-sizing: border-box;
}
body {background: url(../img/lianzhengaijiujiu003.jpg) no-repeat;background-size: cover;
}
.top {width: 1000px;height: 40px;background-color: cornflowerblue;margin: 0 auto;line-height: 40px;font-size: 24px;color: white;padding-left: 20px;
}
.m1 {width: 1000px;height: 210px;margin: 0 auto;margin-top: 20px;display: flex;justify-content: space-between;
}
.catlogo {width: 210px;height: 210px;padding: 4px;border: 1px solid gray;
}
.catlogo img {width: 200px;height: 200px;
}
.catname {width: 770px;font-size: 18px;padding: 10px;text-align: justify;background: rgba(255,255,255,0.7);border-radius: 10px;
}
.m2,.m3 {width: 1000px;height: 400px;display: flex;justify-content: space-between;margin: 0 auto;margin-top: 10px;
}
.feature {width: 400px;height: 400px;text-align: justify;background: rgba(255,255,255,0.7);border-radius: 10px;
}
.live {width: 560px;height: 400px;text-align: justify;background: rgba(255,255,255,0.7);border-radius: 10px;
}
.featt,.maintitle,.methodtitle {width: 100%;height: 40px;line-height: 40px;font-size: 24px;color: white;padding-left: 20px;background: cornflowerblue;
}
.nn {font-size: 18px;margin: 8px;
}
.m3 {height: 450px;
}
.feedmethod {width: 510px;height: 440px;text-align: justify;background: rgba(255,255,255,0.7);border-radius: 10px;
}
.feedmain {width: 450px;height: 440px;text-align: justify;background: rgba(255,255,255,0.7);border-radius: 10px;
}
.footcat {position: fixed;right: 0;bottom: 0;width: 200px;height: 300px;
}

static/templates/index.html首页显示的内容:

<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" />
<link rel="stylesheet" href="/static/css/style.css" />
<script type="text/javascript" src="/static/js/cat.js" ></script>
<title>猫的种类识别</title>
</head>
<body class="bc">
<div class="main1">
<div class="main"><div class="title"><p>The&nbsp;&nbsp;&nbsp;Kinds&nbsp;&nbsp;&nbsp;Of&nbsp;&nbsp;&nbsp;Cats&nbsp;&nbsp;&nbsp;Identification</p></div><div class="select"><form action="/info/" method="post" enctype="multipart/form-data">{% csrf_token %}<input type="file" class="xfile" id="btn_file" name="pic1"/><button type="button" onclick="F_Open_dialog()" class="xxfile">选择图片</button><br /><input type="submit" class="xxsub" value="种类识别"/></form></div><div class="foot"><ul><li><ol><dd>识别的种类</dd><dl>布偶猫</dl><dl>孟买猫</dl><dl>暹罗猫</dl><dl>英国短毛猫</dl></ol></li><li><ol><dd>应用说明</dd><dl>上传图片均为jpg</dl><dl>识别精度大约90%以上</dl></ol></li></ul></div>
</div>
</div>
</body>
</html>

static/templates/app.html信息页显示的内容:

<!DOCTYPE html>
<html lang="en">
<head>
<meta name="viewport" content="width=device-width,initial-scale=1,minimum-scale=1,maximum-scale=1,user-scalable=no" />
<title></title>
<script src="/static/js/mui.min.js"></script>
<link href="/static/css/mui.min.css" rel="stylesheet"/>
<link rel="stylesheet" type="text/css" href="/static/css/appinfo.css"/>
</head>
<body>
<header class="mui-bar mui-bar-nav ihead"><a class="mui-action-back mui-icon mui-icon-left-nav mui-pull-left iha"></a><h1 class="mui-title">识别结果</h1>
</header>
<div class="mui-scroll-wrapper">
<div class="mui-scroll">
<div class="ifhead ihh">种类</div>
<div class="ipic"><img src="/static/img/{{ picname }}" /><div class="iname"><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;{{ nameinfo }}</p></div>
</div>
<div class="ifhead">外形特征</div>
<div class="ifeature"><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;{{ feature }}</p>
</div>
<div class="ifhead">生活习性</div>
<div class="ifeature"><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;{{ livemethod }}</p>
</div>
<div class="ifhead">饲养须知</div>
<div class="ifeature"><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;{{ feednn }}</p>
</div>
<div class="ifhead">饲养方法</div>
<div class="ifeature"><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;{{ feedmethod }}</p>
</div>
</div>
</div>
<script type="text/javascript" charset="utf-8">
mui.init();
mui('.mui-scroll-wrapper').scroll({deceleration: 0.0005 //flick 减速系数,系数越大,滚动速度越慢,滚动距离越小,默认值0.0006
});
</script>
</body>
</html>

其他相关博客

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(一)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(二)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(三)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(四)

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(六)

工程源代码下载

详见本人博客资源下载页


其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系,欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线,所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台,AI技术平台以及相关领域专家:Datawhale,ApacheCN,AI有道和黄海广博士等约有近100G相关资料,希望能帮助到所有小伙伴们。

这篇关于基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型(五)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/516232

相关文章

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Linux系统配置NAT网络模式的详细步骤(附图文)

《Linux系统配置NAT网络模式的详细步骤(附图文)》本文详细指导如何在VMware环境下配置NAT网络模式,包括设置主机和虚拟机的IP地址、网关,以及针对Linux和Windows系统的具体步骤,... 目录一、配置NAT网络模式二、设置虚拟机交换机网关2.1 打开虚拟机2.2 管理员授权2.3 设置子

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分