阅读英语短文回答问题The housekeeping department is the backbone of a h

Backbone是一个轻量级的前端MVC框架，用于结构化管理页面中的大量JS，建立与服务器、视图间的无缝连接，为构建复杂的应用提供基础框架。 下面我先简单地阐述下Backbone的主要特点及特性： 2.1 轻量级 　　Backbone的源码只有1000行左右（去注释和空行后），文件大小只有16KB，加上依赖库Underscore，也仅有29KB。 　　你只需要花一点时间，就能轻松了解Backbone内部实现；或编写少量代码，来重载Backbone的部分机制；如果你想在Backbone的基础上做二次开发，也并不是一件复杂的事情。 2.2 MVC结构化 　　Backbone可以轻松将页面中的数据、逻辑、视图解耦，依照Backbone进行代码结构组织，你可以将项目中的数据交互、业务逻辑、用户界面等工作，分配给多个同事同时开发，并能有序地组织到一起。同时，这对于大型和复杂项目的维护开发非常有帮助。 2.3 继承机制 　　在Backbone中，模块是可以被继承的，你可以通过面向对象的方式将应用中的数据模型、集合、视图有序地组织，让整个架构更加清晰；也可以方便地重载和扩展自定义方法。 2.4 建立与服务器的无缝连接 　　在Backbone中内置了一套与服务器数据的交互规则（如果你了解REST架构，就能够轻松地理解它们），而数据的同步工作会在Model中自动进行，前端开发人员只需对客户端数据的进行操作，Backbone会自动将操作的数据同步到服务器。 　　这是件非常有趣的事情，因为服务器数据接口对前端开发者来说是透明的，他们不需要再关心如何和服务器交互。 　　然而服务器提供的数据接口也需要兼容Backbone的规则，对于一个新的项目来说，我们可以尝试使用这套规则来构建接口。但如果你的项目中已经有一套稳定的接口，你可能会担心接口改造的风险。 　　没关系，我们可以通过重载Backbone.sync方法来适配现有的数据接口，针对不同的客户端环境，我们还可以实现不同的数据交互方式。例如：用户通过PC浏览器使用服务时，数据会实时同步到服务器；而用户通过移动终端使用服务时，考虑到网络环境问题，我们可以先将数据同步到本地数据库，在合适的时候再同步到服务器。而这些只需要你重载一个方法就可以实现。 2.5 界面事件管理 　　在MVC中，我们希望能将界面展现和业务逻辑完全分离，但对于用户产生的交互事件（如单击事件），我们却常常通过类似jQuery中的bind方法进行获取和绑定。

在正式学习Backbone之前，你需要准备一些东西：首先，你需要获取Backbone框架源文件：http://documentcloud.github.com/backbone/Backbone依赖于Underscore框架的基础方法，因此，你同时需要下载Underscore框架的源文件：http://documentcloud.github.com/underscore/在Backbone中，对DOM和事件的操作依赖于第三方库（如jQuery或Zepto），你只需要选择其中一个下载：jQuery：http://jquery.com/Zepto：http://zeptojs.com/看起来好像挺麻烦的样子，但Backbone的目的是在于使用简单的框架来构建复杂的应用，因此麻烦并不表示它很复杂。你可以新建一个HTML页面，并将这些框架引入进来，就像这样：?123 <script type="text/javascript" src="jquery/jquery-1.8.2.min.js"></script><script type="text/javascript" src="underscore/underscore-min.js"></script><script type="text/javascript" src="backbone/backbone-min.js"></script>

Backbone人体的骨干Keycadres干部骨干的骨干

骨干企业的关键

一般用一个公共的消息中心，不同的View通过这个消息中心相互通知，这样比较好。比如这个消息中心叫做vent App.vent = null; _.extend(App.vent, Backbone.Events);那么当你需要View1通知View2做一件事（比如这个事件叫“to:do:something”）的时候，你就可以在View2中通过App.vent侦听这个事件，在View1中触发这个事件就可以了View2通过vent侦听事件：App.View2 = Backbone.View.extend({... initialize: function() { ... App.vent.on("to:do:something", function( arg ) { ... }); ... }...});View1通过vent触发事件：App.View1 = Backbone.View.extend({... onClickOrSomeOtherTriggering: function() { ... App.vent.trigger("to:do:something", { arg: arg }); ... }...});如果你用Backbone Marionette的话，它本身就有一个Object叫做vent，直接用就行了。

maskrcnn简单解析 原创2022-07-08 10:25:19曙光_deeplove 码龄5年关注最近又开始看了一点detectron2框架中的maskrcnn，因此我这里回忆记录一下maskrcnn的基本原理。一、基础网络架构以上两个结构图就非常清晰地展示了maskrcnn网络模型的大致情况！一、backboneBackbone采用的是ResNet-50或者ResNet-101，作为特征提取器提取特征，我们将输入图像（大小为 H imes W ）通过ResNet后，会得到五层特征图，其尺寸大小依次为：( )我们知道，低层特征往往含有较多的细节信息（颜色、轮廓、纹理），但包含许多的噪声以及无关信息。而高层特征包含有充分的语义信息（类别、属性等），但空间分辨率却很小，从而导致高层特征上信息丢失较为严重。因此maskrcnn采用了FPN（特征金字塔网络）的结构，来进行特征的融合。FPN结构中包括自下而上，自上而下和横向连接三个部分。FPN可以同时利用低层特征图的空间信息和高层特征图的语义信息，它的原理很简单，就是把分辨率较小的高层特征首先通过1×1卷积降维（减少计算量），然后上采样至前一个特征图的相同尺寸，再进行逐元素相加，就能得到融合后的特征。注：1）自下而上：从下到上的路径，可以明显看出，其实就是简单的特征提取过程，和传统的没有区别。具体就是将ResNet作为骨架网络，根据feature map的大小分为5个stage。stage2，stage3，stage4和stage5各自最后一层输出conv2，conv3，conv4和conv5分别定义为C2,C3,C4,C5,他们相当于原始图片的stride是{4, 8, 16, 32}。需要注意的是，考虑到内存原因，stage1的conv1并没有使用。2）自上而下和横向连接：自上而下是从最高层开始进行上采样，这里的上采样直接使用的是最近邻上采样，而不是使用反卷积操作，一方面简单，另外一方面可以减少训练参数。横向连接则是将上采样的结果和自底向上生成的相同大小的feature map进行融合。具体就是对 C2,C3,C4,C5中的每一层经过一个conv 1x1操作（1x1卷积用于降低通道数），无激活函数操作，输出通道全部设置为相同的256通道，然后和上采样的feature map进行加和操作。在融合之后还会再采用3*3的卷积核对已经融合的特征进行处理，目的是消除上采样的混叠效应（aliasing effect）。 实际上，上图少绘制了一个分支：M5经过步长为2的max pooling下采样得到 P6，作者指出使用P6是想得到更大的anchor尺度512×512。但P6是只用在 RPN中用来得到region proposal的，并不会作为后续Fast RCNN的输入。总结一下，ResNet-FPN作为RPN输入的feature map是 ，而作为后续Fast RCNN的输入则是 。二、RPN在得到增强后的特征后，下面要讲的就是我们的RPN（Region Proposal Network）。首先我们得明白什么叫做RPN？顾名思义，RPN就是区域推荐的网络，用于帮助网络推荐感兴趣的区域。在说这个之前，我们得清楚什么叫做锚点？其实锚点也就是框，我们知道实例分割是要完成对物体的检测、分类、分割三个任务，而检测需要定位，也就是要得到目标的位置。Maskrcnn与fasterrcnn一样都是先生成一系列锚点，然后通过一定的规则来筛选。各个框的大小由scale和ratio这两个参数来确定的，比如scale =[64]，ratio=[0.5,1,1.5] ，则每个像素点可以产生3个不同大小的框。这个三个框是由保持框的面积不变，来通过ratio的值来改变其长宽比，从而产生不同大小的框。我们在前面通过backbone和fpn得到了增强后的特征，现在就需要在这个特征上来使用我们的RPN结构。这里需要说明一点，我们要在这几层特征图之间根据region proposal切出ROI进行后续的分类和回归预测。选择哪个feature map来切出这些ROI区域：我们会选择最合适的尺度的feature map来切ROI。具体来说，我们通过一个公式来决定宽w和高h的ROI到底要从哪个特征图来切：RPN其原理如下:注：为何是9个框呢？应该是3个ratio，那应该是3个框才对。后面我们讨论认为他这里面应该是scale给了3个，所以才会是九个注意：上面各层特征图（p2至p6）之间根据region proposal切出ROI进行后续的分类和回归预测。选择哪个feature map来切出这些ROI区域：我们会选择最合适的尺度的feature map来切ROI。具体来说，我们通过一个公式来决定宽w和高h的ROI到底要从哪个特征图来切。三、ROI AlignMask RCNN的构建很简单，只是在ROI pooling（实际上用到的是ROIAlign，后面会讲到）之后添加卷积层，进行mask预测的任务。通过ROI Align（或者说ROI Pooling）可以将输入的各个不同size的ROI进行fixed，官方是fixed大小为7x7。3.1 原始ROI Pooling的问题在Faster-RCNN中ROI Pooling的过程如下图所示：注意：可以看到上图有两次量化误差，第一次是从图像坐标系转到特征图坐标系：665/32=20.78，取整20的时候出现量化误差；第二次是从特征图坐标系转到特征图中的ROI坐标系：20/7=2.86，取整到2则出现量化误差。输入图片的大小为800x800，其中狗这个目标框的大小为665x665，经过VGG16网络之后获得的特征图尺寸为800/32 x 800/32 = 25 x 25,其中32代表VGG16中的5次下采样（步长为2）。同样地，对于狗这个目标我们将其对应到特征图上得到的结果是：665/32 imes 665/32 = 20.78 imes 20.78 = 20 imes 20，因为坐标要保留整数所以这里引入了第一个量化误差即舍弃了目标框在特征图上对应长宽的浮点数部分。然后我们需要将这个20 imes 20的ROI区域映射为7x7的ROI特征图，根据ROI Pooling的计算方式，其结果就是：20/7 imes 20/7 = 2.86 imes 2.86 = 2 imes 2即同样执行取整操作后ROI特征区域的尺寸为2x2，这里引入了第二次量化误差！注意：这里表达的“整操作后ROI特征区域的尺寸为2x2”可能很多人会误会最后经过roi pooling的特征图大小是2x2，其实这是误会的，最后经过roi pooling的特征图大小是7x7大小的。而这个2x2是我们的池化区域视野！即每次在这2x2区域大小进行池化，直至扫描完整个20x20的区域！从上面的分析可以看出，这两次量化误差会导致原始图像中的像素和特征图中的像素进行对应时出现偏差，例如上面将2.86量化为2的时候就引入了0.86的偏差，这个偏差映射回原图就是：0.86 imes 32 = 27.52，可以看到这个像素偏差是很大的！3.2 ROIAlign 引自：（链接）为了缓解ROI pooling的量化误差过大的问题，hekaiming等人提出了ROIAlign，ROIAligin没有使用量化操作，而是使用了双线性插值。它充分的利用原图中的虚拟像素值如27.52四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将27.52和类似的非整数坐标值像素对应的输出像素值估计出来。这一过程如下图所示：其中feat.map就是VGG16或者其他Backbone网络获得的特征图。黑色实线表示的是ROI划分方式，(最后输出的特征图大小为2 imes 2)，然后就使用双线性插值的方式来估计这些蓝色点的像素值，最后得到输出，然后再在橘红色的区域中执行Pooling操作最后得到2 imes 2的输出特征图。可以看到这个过程相对于ROI Pooling没有引入任何量化操作即原图中的像素和特征图中的像素是完全对齐的，没有偏差，这不仅会提高检测的精度，同时也会有利于实例分割。 详细地讲解ROI Align操作。虚线部分表示feature map，实线表示ROI，这里将ROI切分成2x2的单元格。如果采样点数是4，那我们首先将每个单元格子均分成四个小方格（如红色线所示），每个小方格中心就是采样点。这些采样点的坐标通常是浮点数，所以需要对采样点像素进行双线性插值（如四个箭头所示），就可以得到该像素点的值了。然后对每个单元格内的四个采样点进行maxpooling，就可以得到最终的ROIAlign的结果。在未引入RoIAlign前，网络中采用的是ROIPooling，采用它的目的是将不同尺寸的ROI特征图转换为相同尺寸的特征图，然后与后续的全连接层连接，但是这里因为使用了两次量化操作，因此会引入两次的量化误差，而RoIAlign是采用了双线性插值算法，因此不会引入量化误差，这样映射到原始图片中像素点对应的原始位置时就不会引入偏差。为了得到为了得到固定大小（7X7）的feature map，ROIAlign不使用量化操作，然后对于浮点数，采用“双线性插值”算法进行计算，这样可以规避量化误差。双线性插值是一种图像缩放算法，它充分的利用了原图中虚拟点（比如20.56这个浮点数，像素位置都是整数值，没有浮点值）四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将20.56这个虚拟的位置点对应的像素值估计出来。其中双线性插值的图示和公式如下。双线性插值计算（x1,y1），（x2,y2）两点间任意一点的公式，这里可以看做是R1的表达式：同理利用双线性插值计算出R1和R2这两个点的表达式：然后对于R1和R2两点又可以继续使用双线性插值计算它们中间P点的表达式：最终用双线性插值计算出的P点的表达公式如下，它是利用周边四个已知的坐标点值计算而来：双线性插值的物理意义如下图所示：由上图可知可以得到， 双线性插值本质上是目标像素所相邻的四个像素， 分别以像素对应的对角像素与目标像素的构成的矩形区域为权重，像素大小为值的加权和。四、网络结构引自：【从零开始学Mask RCNN】一，原理回顾&&项目文档翻译 - 知乎4.1 概述为了证明次网络的通用性，论文构造了多种不同结构的Mask R-CNN，具体为使用不同的Backbone网络以及是否将用于边框识别和Mask预测的上层网络分别应用于每个ROI。对于Backbone网络，Mask R-CNN基本使用了之前提出的架构，同时添加了一个全卷积的Mask(掩膜)预测分支。Figure3展示了两种典型的Mask R-CNN网络结构，左边的是采用ResNet或者ResNext做网络的backbone提取特征，右边的网络采用FPN网络做Backbone提取特征，最终作者发现使用ResNet-FPN作为特征提取的backbone具有更高的精度和更快的运行速度，所以实际工作时大多采用右图的完全并行的mask/分类回归。4.2 ResNet-FPN (Feature Pyramid Network )（1）FPNFPN结构中包括自下而上，自上而下和横向连接三个部分，如下图所示。这种结构可以将各个层级的特征进行融合，使其同时具有强语义信息和强空间信息。(2) ResNet-FPNFPN实际上是一种通用架构，可以结合各种骨架网络使用，比如VGG，ResNet等。（这里用的就是ResNet-FPN）1）自下而上：从下到上路径。可以明显看出，其实就是简单的特征提取过程，和传统的没有区别。具体就是将ResNet作为骨架网络，根据feature map的大小分为5个stage。stage2，stage3，stage4和stage5各自最后一层输出conv2，conv3，conv4和conv5分别定义为C2,C3,C4,C5,他们相对于原始图片的stride是{4,8,16,32}。需要注意的是，考虑到内存原因，stage1的conv1并没有使用。2）自上而下和横向连接：自上而下是从最高层开始进行上采样，这里的上采样直接使用的是最近邻上采样，而不是使用反卷积操作，一方面简单，另外一方面可以减少训练参数。横向连接则是将上采样的结果和自底向上生成的相同大小的feature map进行融合。具体就是对C2,C3,C4,C5中的每一层经过一个conv 1x1操作（1x1卷积用于降低通道数），无激活函数操作，输出通道全部设置为相同的256通道，然后和上采样的feature map进行加和操作。在融合之后还会再采用3*3的卷积核对已经融合的特征进行处理，目的是消除上采样的混叠效应（aliasing effect）。实际上，上图少绘制了一个分支：M5经过步长为2的max pooling下采样得到 P6，使用P6是想得到更大的anchor尺度512×512。但P6是只用在 RPN中用来得到region proposal的，并不会作为后续Fast RCNN的输入。总结一下，ResNet-FPN作为RPN输入的feature map是[P2,P3,P4,P5,P6]，而作为后续Fast RCNN的输入则是 [P2,P3,P4,P5] 。（3）ResNet-FPN+Fast RCNN将ResNet-FPN和Fast RCNN进行结合，实际上就是Faster RCNN的了，但与最初的Faster RCNN不同的是，FPN产生了特征金字塔[P2,P3,P4,P5,P6]，而并非只是一个feature map。金字塔经过RPN之后会产生很多region proposal。这些region proposal是分别由P2,P3,P4,P5,P6经过RPN产生的，但用于输入到Fast RCNN中的是[P2,P3,P4,P5]，也就是说要在[P2,P3,P4,P5]中根据region proposal切出ROI进行后续的分类和回归预测。选择哪个feature map来切出这些ROI区域：我们会选择最合适的尺度的feature map来切ROI。具体来说，我们通过一个公式来决定宽w和高h的ROI到底要从哪个Pk来切：这里224表示用于预训练的ImageNet图片的大小。k0 表示面积为w*h=224*224的ROI所应该在的层级。作者将 k0设置为4，也就是说w*h=224*224的ROI应该从 P4中切出来。假设ROI的scale小于224（比如说是112 * 112)，k=k0-1=4-1=3，就意味着要从更高分辨率的P3中产生。另外，k值会做取整处理，防止结果不是整数。（4）ResNet-FPN+Fast RCNN+mask （得到了最终的Mask RCNN）总结: (1).骨干网络ResNet-FPN，用于特征提取，另外，ResNet还可以是：ResNet-50,ResNet-101,ResNeXt-50,ResNeXt-101； (2).头部网络，包括边界框识别（分类和回归）+mask预测。头部结构见下图：Mask R-CNN中的改进：Faster R-CNN存在的问题是：特征图与原始图像是不对准的（mis-alignment），所以会影响检测精度。而Mask R-CNN提出了RoIAlign的方法来取代ROI pooling，RoIAlign可以保留大致的空间位置。五、损失函数Mask分支针对每个ROI区域产生一个K imes m imes m的输出特征图，即K imes m imes m的二值掩模图像，其中K代表目标种类数。Mask-RCNN在Faster-RCNN的基础上多了一个ROIAligin和Mask预测分支，因此Mask R-CNN的损失也是多任务损失，可以表示为如下公式：L = L_{cls} + L_{box} + L_{mask}其中L_{cls}表示预测框的分类损失，L_{box}表示预测框的回归损失，L_{mask}表示Mask部分的损失。对于预测的二值掩膜输出，论文对每一个像素点应用sigmoid函数，整体损失定义为平均二值交叉损失熵。引入预测K个输出的机制，允许每个类都生成独立的掩膜，避免类间竞争。这样做解耦了掩膜和种类预测。不像FCN的做法，在每个像素点上应用softmax函数，整体采用的多任务交叉熵，这样会导致类间竞争，最终导致分割效果差。下图更清晰的展示了Mask-RCNN的Mask预测部分的损失计算，来自知乎用户vision：六、训练在Faster-RCNN中，如果ROI区域和GT框的IOU>0.5，则ROI是正样本，否则为负样本。L_{mask}只在正样本上定义，而Mask的标签是ROI和它对应的Ground Truth Mask的交集。其他的一些训练细节如下：采用image-centric方式训练，将图片的长宽较小的一边缩放到800像素。每个GPU的mini-batch=2，每张图片有N个采样ROIs，其中正负样本比例为1:3。在8个gpu上进行训练，batch_size=2，迭代160k次，初始学习率0.02，在第120k次迭代时衰减10倍，weight_decay=0.0001,momentum=0.9。七、测试试阶段，采用的proposals的数量分别为300（Faster-RCNN）和1000（FPN）在这些proposals上，使用bbox预测分支配合后处理nms来预测box。然后使用Mask预测分支对最高score的100个检测框进行处理。可以看到这里和训练时Mask预测并行处理的方式不同，这里主要是为了加速推断效率。然后，Mask网络分支对每个ROI预测K个掩膜图像，但这里只需要使用其中类别概率最大的那个掩膜图像就可以了，并将这个掩膜图像resize回ROI大小，并以0.5的阈值进行二值化。参考：1、令人拍案称奇的Mask RCNN - 知乎2、MaskRCNN结构详解 - 知乎3、【从零开始学Mask RCNN】一，原理回顾&&项目文档翻译 - 知乎4、目标检测与分割之MaskRCNN代码结构流程全面梳理+总结 - 知乎5、实例分割算法（mask rcnn）总结 - 知乎6、Mask Rcnn 网络结构总结 | jiajie7、MaskRCNN网络结构 - 知乎8、实例分割算法（mask rcnn）总结 - 知乎 9、源码解读：Faster RCNN的细节（三） - 知乎 10、Mask R-CNN网络结构理解_画外人易朽的博客-CSDN博客_maskrcnn网络结构 11、MaskRCNN源码解析1：整体结构概述_业余狙击手19的博客-CSDN博客_maskrcnn源码详解12、目标检测与分割之MaskRCNN代码结构流程全面梳理+总结 - 知乎13、MaskRCNN源码解析2：特征图与anchors生成_业余狙击手19的博客-CSDN博客14、MaskRCNN源码解析1：整体结构概述_业余狙击手19的博客-CSDN博客_maskrcnn源码详解 15、锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成_是苍啊！的博客-CSDN博客_anchor box

OSPF一些常用命令来简单描述一下常用的LSA类型代码 描述1 路由器lsa(本身接口ip,基本adv邻居接口状态)2 网络lsa(p2p.p2m没有此类型.由DR产生.公告网络topo结构.只在广播网络中使用) ; 以上2条可使用sh ip os data network 查看3 网络汇总lsa描述非backbone区域.由ABR产生4 ASBR汇总lsa 描述到达ASBR的路经. 由ABR产生以上2条可使用 sh ip os data summary 查看5 外部的lsa(非ospf的条目,如rip.eigrp.static.分发进来) 可使用 sh ip os data external 查看7 nssa外部lsa 可使用 sh ip os data nssa-external 查看11 opaque lsa(AS范围)表示tag用区 域 命 令Area area-id stub ABR和这个区域内的所有路由器都要被配置配置stub区域存在lsa 1 2 3backbone只向其通告缺省路由和域间路由Area area-id stub no-summary 只在ABR上配置,这个区域内的路由器仍然配置为stub配置一个完全的stub区域 存在lsa 1 2 以及一条OIA的缺省路由backbone只向其通告缺省路由Area area-id nssa ABR和这个区域内的所有路由器都要被配置配置一个nssa区域 存在lsa 1 2 3 7但由于这个区域中存在了ASBR.自然就产生了lsa5的外部路由.而stub区域本身不能存在这个类型的lsa. 于是nssa区域把本来stub中不允许存在的lsa5变为lsa7.所以nssa比stub多了一个lsa7.在这个lsa7到达nssa的ABR后,lsa7再变为lsa5向backbone进行通告Area area-id nssa no-summary 只在ABR上配置,这个区域内的路由器仍然配置为nssa配置一个完全的nssa区域存在lsa 1 2 7完全的nssa区域仍然把本身的N2(lsa7)条目在ABR上转为E2(lsa5)通告到backboneArea area-id nssa no-redistribution阻止redistribute的路由进入nssa区域本来你配置nssa是因为你的区域中有一个和eigrp网路相连接的路由器.这时候你ASBR又宣告了一个rip的网络.backbone可以学习到,但对于nssa区域来说就没有必要了.这时候你可以使用它来阻止重分发的rip进入你的nssa区域.仅用在ASBR上Area area-id nssa default-infromation-originate把一个缺省路由广播到nssa区域中和stub区域会通告一条到达backbone的缺省路由(O*IA)不.nssa则不会自动产生使用后不需要配置ip route .nssa就可以产生一条到达backbone的缺省路由(0*N2)仅在ABR或ASBR上使用Area area-id default-cost cost设置stub区域的缺省成本 默认为1在你的stub区域的某台路由器rack05R4上看到的O*IA的metric为65(64+1).然后你再ABR上设置cost为15.那么在返回rack05R4会看到metric为79(64+15).仅在stub区域ABR上工作汇聚内部路由 ( ABR 上使用 )Area area-id range ip-add maskArea area-id range ip-add mask advertise这2个命令用途是一致的这儿就放在一起说明比如你的area1中有156.26.32.0/28 156.26.32.16/28 156.26.32.32/28 156.26.32.48/284个网段.你可以用area 1 range 156.26.32.0 255.255.255.192汇聚他们这样在area0中看到的就是O IA 156.26.32.16/26一条路由而不是4条同样你也可以从backbone(area0)向非backbone(area1)区域汇总为了防止环路(通常在配置了缺省路由的情况下会发生)在某个被汇聚网段消失时,丢弃到这个网段的流量.建议使用ip route 156.26.32.0 255.255.255.192 null 0Area area-id range ip-add mask not-advertise抑制ABR广播的路由汇聚汇聚外部路由 (可在ASBR和ABR上使用,但在ABR上使用时只能汇聚外部ospf路由)Summary-address ip-add mask比如你redistribute connected sbunets156.26.32.0/28 156.26.32.16/28 156.26.32.32/28 156.26.32.48/284个网段.你可以用summary-address 156.26.32.0 255.255.255.192汇聚他们这样在ospf的backbone中看到的就是O E2 156.26.32.16/26一条路由而不是4条summary与range的区别summary汇聚的是rip. eigrp. static重分发的路由.Range汇聚的是ospf区域之间的路由Summary-address ip-add mask not-advertise阻止汇聚路由被ABR或ASBR广播 Summary-address ip-add mask tag value在使用标记的网络中,允许给予标记值得路由策略,并且可以代替基于IP地址的路由策略不说了,有点复杂,要配图和例子.我会做个试验说明的Auto-cost reference-bandwidth bandwidth全局性修改ospf各接口的成本ospf把接口带宽分为10^8莱计算接口成本.当接口带宽大于100Mbit/s,不推荐使用缺省值(因为ospf不能区分大于100Mbit/s的接口)这是个全局性的.对于个别接口可以在接口下使用ip os cost (但不推荐)接口类型 接口带宽 ospf成本loopback 8 000 000 000 1serial 56 000 1785T1 1 544 000 64Ethernet 10 000 000 10fast Ethernet 100 000 000 1Gigabit Ethernet 1 000 000 000 1OC48 2 500 000 000 1在同一区域中,所有的ospf路由器要配置相同的参考带宽(不同区域的参考带宽可以不同).loopback的成本始终为1产生缺省路由Default-information originate广播缺省路由到OSPF域内如果1个ospf区域area0中有3台路由器rack05r1~r3.而rack05r1成为了ASBR(比如连接到ISP)那么只有rack05r1知道如何到达isp而r2和r3是不知道的这时就需要在r1上使用Default-information originate来向r2和r3宣告如何到达并且在r1上配置ip route 0.0.0.0 0.0.0.0 next hop这样r2和r3会看到一条O*E2 0.0.0.0/0的缺省路由Default-information originate always无条件的广播缺省路由到OSPF域内引用上面的说明.在r1上不配置ip route 0.0.0.0 0.0.0.0 next hopr2和r3同样也会看到一条O*E2 0.0.0.0/0的缺省路由always就是强制产生的意思Default-information originate metric costDefault-information originate always metric cost如果不只一个OSPF路由器广播缺省路由.使用cost值可以用来选择最优路经.metric值越低(cost越低)越优先Default-information originate metric-type typeDefault-information originate always metric-type typetype的值有1和2两个等同于你在Default-information originate说明中R2和R3看到的是 O*E1 0.0.0.0/0还是O*E2 0.0.0.0/0默认的是O*E2它的metric为1 不计算内部成本 也就是说你在r2和r3看到的关于O*E2 0.0.0.0/0 [110/1] 的metric为1如果改为type1 那么你在r2和r3上看到的关于O*E1 0.0.0.0/0 [110/xxx] 那就不一定了.因为要计算内部路由的metricDefault-information originate route-map route-map-name使用route-map有条件的广播缺省路由如果使用了Default-information originate always 那么route-map将失效也不好解释,我已经做好了配置演示,可以在论坛的NA版找到[ospf试验]产生缺省路由Default-metric cost为再分布的协议设置缺省的度量比如在1个ospf域内有rack05r1和r2.r1现在成为ASBR连接并重分发了一个eigrp的网络.比如我们在r1上看到的eigrp的路由为D 3.3.3.3 [90/4046000]那么r2上会看到0 E2 3.3.3.3 [110/20]这时在r1上使用default-metric 55 之后r1上是不会有什么变化的但r2上会看到0 E2 3.3.3.3 [110/55]Distance administrative-distance调整管理距离来影响路由的选路1台路由器从2个以上的协议(ospf和rip)学习到同一个网络.这个时候AD就来选择最优路经.AD值低的优先选择常见的ADconnected 0static 1ebgp 20eigrp 90igrp 100ospf 110is-is 115rip 120ibgp 200例如1台路由器从eigrp和ospf都学到一条3.3.3.3的路由正常情况下sh ip route出来的是D 3.3.3.3 [90/xxx] (eigrp的AD为90<ospf的110)但在这台路由器的ospf的进程下使用distance 80那么再次sh ip router 则出来的是 O 3.3.3.3 [80/xxx] (现在ospf的110变为80<eigrp)Distance administrative-distance source-ip-add source-ip-mask 更改从IP地址/mask相匹配的的原地址学习到的路由的ADDistance administrative-distance source-ip-add source-ip-mask acl-num更改使用acl选定的从IP地址/mask相匹配的的原地址学习到的路由的ADDistance ospf external/inter-area/intra-area administrative-distance用分布列表过滤路由Distribute-list alc in阻止从ospf学到的路由被放置到ip路由选择表中在一个由rack05r1,r2和r3的路由器组成的ospf域中.r1宣告了1.1.1.1 2.2.2.2 3.3.3.3 三个网段在r2上定义1个aclacc 1 deny 2.2.2.2 0.0.0.255acc 1 deny 3.3.3.3 0.0.0.255acc 1 permit any然后在r2的ospf进程下使用 distribute-list 1 in这样r2只能看到1.1.1.1的路由.但是被过滤的路由条目仍然在r2的DB中存在 r3还是可以学习到所有的路由条目ospf只能做in方向的过滤.out方向的过滤是无效的Distribute-list acl in interface-type interface-number阻止通过ospf特定接口学到的路由被放置到ip路由选择表中Distribute-list alc outDistribute-list acl out interface-type interface-number以上2条命令对于DV协议如rip eigrp,阻止被acl选定的路由广播到邻居处ospf是LS协议,路由是通过LSA传播的,因此这2条命令和ospf一起使用是无效的Distribute-list acl out routing-process阻止在分布到ospf的路由被放置到ip路由选择表中在一个由rack05r1,r2和r3的路由器组成的ospf域中.r1是一个ASBR学习到由eigrp 100网络宣告的路由D 3.3.3.3 和D 4.4.4.4这样在r2和r3中会看到 O E2 3.3.3.3和 O E2 4.4.4.4那么在r1中定义acl acc 1 permit 4.4.4.0 0.0.0.255然后再ospf进程中使用 distribute-list out eigrp 100这样r2和r3中只能看到 O E2 4.4.4.4 同时他们的DB中也不存在3.3.3.3Distribute-list prefic prefix-list-name in阻止从ospf学到的路由被放置到ip路由选择表中其实就是用前缀列表代替acl. 引用Distribute-list alc in 的topo结构ip prefix-list filter-ospf seq deny 2.2.2.2/32ip prefix-list filter-ospf seq deny 3.3.3.3/32ip prefix-list filter-ospf seq deny permit 0.0.0.0/0在ospf进程中 distribute-list prefix filter-ospf in我们可以看到同样的效果Distribute-list prefic prefix-list-name in interface-type interface-number阻止通过ospf特定接口学到的路由被放置到ip路由选择表中Distribute-list prefic prefix-list-name outDistribute-list prefic prefix-list-name out interface-type interface-number以上2条命令对于DV协议如rip eigrp,阻止被acl选定的路由广播到邻居处ospf是LS协议,路由是通过LSA传播的,因此这2条命令和ospf一起使用同样是无效的Distribute-list prefic prefix-list-name out routing-process阻止在分布到ospf的路由被放置到ip路由选择表中引用Distribute-list acl out routing-process 的例子更改配置 ip prefix-list filter-eigrp seq 5 permit 4.4.4.0/24在ospf进程中 distri prefix filter-eigrp out eigrp 100效果是一样的记录OSPF邻居状态的改变Log-adjacency-changes 把ospf的邻居状态改变信息记录到控制台Log-adjacency-changes detail把ospf的邻居状态改变信息记录到内存中通过 show logging 显示缓冲区的内容最大路经配置Maximum-paths number-of-paths在负载均衡的情况下,允许使用几条链路.默认4条.可以配置为1-6条被动接口Passive-interface interface-name interface-number使用被动接口减少协议流量如果s0/0,s0/1和e0/0三个接口都被network包含了,而e0/0没有任何ospf邻居.就可以使用passive-interface e0/0 在指定接口阻止ospf包Passive-interface default如果你有100个接口被network包含,而只有s0/1一个接口有ospf邻接.那么这条命令用起来就很爽了passive-interface defaultno passive-interface s0/1其实我觉得network x.x.x.x 0.0.0.0 area x 更方便起码只用敲1行就好了路由的再次分布Redistribute routing-process process-id使用缺省类型和度量把主类路由再次分发到ospf中比如你的ASBR路由器分发了eigrp的5.5.5.5./8 145.5.5.5/16 205.5.5.5/24 classful6.5.5.5/12 146.5.5.5./18 206.5.5.5/28 classless那么你的ASBR只能往其他的ospf路由器宣告5.0.0.0/8 145.5.0.0/16 205.5.5.0/24Redistribute routing-process process-id subnets为了让上面所有的6个条目都能被正确宣告,加上subnets就ok了Redistribute routing-process process-id metric ospf-metric指定再分配的路由度量或成本默认BGP缺省度量为1 其他的协议为20 取值0~16 777 214Redistribute routing-process process-id metric-type ospf-metric指定再分配的路由类型缺省为2 取值1, 21 O*E1 计算内部成本2 O*E2 不计算内部成本Redistribute routing-process process-id tag tag-value指定再分配的路由标记附加到再分布路由的一个32位值.ospf本身没有使用路由标记,但可以在用于指定策略的route-map中引用(就是通过下面的命令实现),比如以tag为基础制定策略再次分布路由缺省值为0 取值范围0~4 294 967 295 以上参数可以组合使用以满足特定需求Redistribute routing-process process-id route-map route-map-name基于tag来控制路由的再分配比较繁琐,用法也比较多,配合上面的参数我会做个试验给大家看看的ospf的命令很多比较多.比如接口配置的命令.没有在这里列举出来的原因部分是要和其他的命名配合使用比如authentication. network. priority需和区域命令配合使用,再罗列出来会显得比较罗嗦.还有些特性命令 demand-circuit. database-filter all out. fold-reduction和特殊环境下使用的 mtu-ignore .等等,如果需要的话可以查阅 <Cisco OSPF Command and Configuration Handbook

ARPAnet主要是用于军事研究目的。 ARPAnet在技术上的另一个重大贡献是TCP/IP协议簇的开发和利用。ARPANET另一项好处是，资讯高速公路使得全世界的hackers能聚在一起 . 是在美国的一个广域网路之主干线 (backbone)，它是属於民间的网路组织，和美国国防部 (U.S.Defense Department) 的ARPANet相互对应，后者因为某些机密性的原因，无法公开供一般大众使用。

这篇文章的出发点包含两方面： 1. ViT是纯transformer的结构，剔除了CNN中具有的一些归纳偏置，使其必须依赖较大规模的数据集去学习这种偏置，从而对于中心规模scratch训练得到的模型性能远低于CNN结构。 2. 在ViT方法，以及基于ViT的系列方法中，都引入了一个class token，利用encoder输出的class token的特征进行分类，但忽略了每个patch token所包含的语义信息 所以本文的主要工作就是针对前述两方面分别设计了两个模块。如图1所示， 其核心的bockbone和ViT相同。在 ‘A small, hierarchical module" 中其实是一个简化的CNN backbone； 在 "second-order, cross covariance pooling"中其本质就是一种特征池化的方式，我们在CCT Escaping the big data paradigm with compact transformers 那篇文章也接触到类似的池化方法，那里提出的一种seqpooling的方法本质是一种加权平均的思想。 [图片上传失败...(image-27f07a-1619591409974)] 类似与T2T的方式，为了更好的从scratch处理中小规模的数据，同样的引入了inductive bias，但该偏置的引入又不影响backbone，即ViT的结构，于是只能在输入上进行操作。T2T使用的是多层的T2T module， 这里其实本质上就是简化的cnn backbone。其最基础的结构为: [图片上传失败...(image-8f6163-1619591409974)] 当然中间的stage本部分可以使用不同的经典cnn结构，比如dense net和resnet net， inception net等等， 最终获得的特征图尺寸为原始图像的8倍下采样，最后一层1x1的卷积层将特征维度映射为backbone的输入尺寸，可以发现这里backbone丝毫没改变。 ViT仅利用class token的特征进行最后的分类，而研究认为在最后输出的patch token （visual token）中同样含有利于分类的语义信息，因此可以将class token与patch token结合用于分类。最直接的想法是将patch token特征平均池化和class token融合。而本文使用的是second-order pooling，又称为bilinear pooling。 second-order pooling的主要思想是利用不同机制获得的特征之间的相关性来刻画图像。具体而言，同一个样本以不同方式获得的特征分别为 , , 于是特征之间的相关性其实就是X，Y之间的协方差矩阵 , 于是 就是其二阶池化的结果。 在ViT中每个样本划分成不同的patch token，每个patch token都对应一个特征，于是通过两个线性变换 , 就能分别获得 。 [图片上传失败...(image-4c4af7-1619591409973)] 实验部分相对而言还是比较充分的。 [图片上传失败...(image-c3053c-1619591409973)] [图片上传失败...(image-fb94eb-1619591409973)] [图片上传失败...(image-6c2bee-1619591409973)] [图片上传失败...(image-3d0b1-1619591409973)] 参考文献 https://openaccess.thecvf.com/content_cvpr_2018/papers/Koniusz_A_Deeper_Look_CVPR_2018_paper.pdf

rib bone--肋骨； 脊骨--backbone猪筒骨应该是pork bone吧希望可以帮到你

以下是 为大家整理的关于《英语短语大全：backbone的中文释义》文章，供大家学习参考！ 词形变化：形容词：backboned。 同义词：back，rachis，spinal column，spine，vertebral column；spine；grit，gumption，guts，moxie，sand；keystone，anchor，linchpin，lynchpin，mainstay。 单词分析：这些名词都可表示“勇气、胆量”之意。 courage：普通用词。指面对危险或困难时无所畏惧的精神和敢于奋斗的进取心。 bravery：指在危险中表现出的无所畏惧精神或在逆境中仍能坚持下去的毅力。 backbone：指性格倔强，意志坚定，有骨气，有顽强的决心去做某事。 nerve：侧重指面临危险或在冒险的情况下具有冷静、清醒的头脑和坚定无畏的勇气。 backbone的英语解释： the series of vertebrae forming the axis of the skeleton and protecting the spinal cord the part of a book"s cover that encloses the inner side of the book"s pages and that faces outward when the book is shelved fortitude and determination a central cohesive source of support and stability the part of a network that connects other networks together 相关短语： backbone chain 主链 backbone element 【法】 中坚分子 backbone frame 脊梁架 backbone motion 主链运动 backbone network 中框网络 backbone road 干道 backbone routing 【计】 基干路径选择 backbone的例句： The spinal column,ie the backbone 脊柱(脊骨) They are the backbone of the party. 他们是政党的骨干。 He has no backbone. 他缺少毅力。 A backboned creature 脊椎动物 These men are the backbone of the country. 这些人是国家的中坚力量。 The backbone is an articulate structure. 脊椎骨是一种关节相连的结构。 The backbone is an articulate structure 脊椎骨是一种关节相连的结构。 They are the backbone of the scientific and technological contingents. 他们是科技队伍的骨干力量。 Your especial fear is that it will be your backbone 你特别害怕这是你的脊梁骨。 displayed grit and backbone in facing adversity. 面对逆境和苦难时显示出刚毅和勇气

以下是 为大家整理的关于《计算机英语单词：Backbone的意思》文章，供大家学习参考！ 词形变化：形容词：backboned。 同义词：back，backbone，rachis，spinal column，spine，vertebral column；backbone，spine；grit，gumption，guts，backbone，moxie，sand；keystone，anchor，backbone，linchpin，lynchpin，mainstay。 单词分析：这些名词都可表示“勇气、胆量”之意。 courage：普通用词。指面对危险或困难时无所畏惧的精神和敢于奋斗的进取心。 bravery：指在危险中表现出的无所畏惧精神或在逆境中仍能坚持下去的毅力。 backbone：指性格倔强，意志坚定，有骨气，有顽强的决心去做某事。 nerve：侧重指面临危险或在冒险的情况下具有冷静、清醒的头脑和坚定无畏的勇气。 Backbone的英语解释： the series of vertebrae forming the axis of the skeleton and protecting the spinal cord the part of a book"s cover that encloses the inner side of the book"s pages and that faces outward when the book is shelved fortitude and determination a central cohesive source of support and stability the part of a network that connects other networks together Backbone的例句： The spinal column,ie the backbone 脊柱(脊骨) The Champs Elysees forms the backbone of Paris"s cultural and commercial hub. 香榭丽舍大道是巴黎的商业和文化中心。 They are the backbone of the party. 他们是政党的骨干。 He has no backbone. 他缺少毅力。 A backboned creature 脊椎动物 These men are the backbone of the country. 这些人是国家的中坚力量。 The backbone is an articulate structure. 脊椎骨是一种关节相连的结构。 The backbone is an articulate structure 脊椎骨是一种关节相连的结构。 They are the backbone of the scientific and technological contingents. 他们是科技队伍的骨干力量。 Your especial fear is that it will be your backbone 你特别害怕这是你的脊梁骨。

　　Backbone是一个轻量级的前端MVC框架，用于结构化管理页面中的大量JS，建立与服务器、视图间的无缝连接，为构建复杂的应用提供基础框架。

一、获取：1）Backbone的save方法产生了一个post请求，把参数封装为json格式的字符串；2）通过http body传递，获取这个json字符串，需要从request流中读取，然后手动解析为对象。二、backbone是帮助开发重量级的javascript应用的框架。主要提供了3个东西：1、models(模型) 2、collections(集合) 3、views(视图)三、1）Backbone.Model表示应用中所有数据，models中的数据可以创建、校验、销毁和保存到服务端。当models中值被改变时自动触发一个"change"事件、所有用于展示models数据的views都会侦听到这个事件，然后进行重新渲染。2）Backbone.Collection和我们平时接触的JAVA集合类相似，具有增加元素，删除元素，获取长度，排序，比较等一系列工具方法，说白了就是一个保存models的集合类。3）Backbone.View中可以绑定dom el和客户端事件。页面中的html就是通过views的render方法渲染出来的，当新建一个view的时候通过要传进一个model作为数据，例如：var view = new EmployeeView({model:employee}); 也就是说model就是以这种方式和view进行关联的。

heavy atoms 重原子？无法理解backbone 是骨架，也就是蛋白质的主链，那就是主链原子吧heavy atoms 难道是侧链原子？

看我有魅力吗

“业务熟练，成为公司的骨干和精英”He has profound knowledge and experience in his profession.He is a great asset of the company

will

Level-2路由器。ISIS（Intermediate System to Intermediate System）由于其快速收敛、处理能力强等特点，被广泛应用于运营商和数据中心网络中。在ISIS协议中，网络被分为骨干区域（Backbone）和非骨干区域（Non-Backbone）两个层次，骨干区域中的所有路由器都必须互相连接，承担网络的核心传输任务，在骨干区域中，所有路由器都必须使用同一优先级，因此只有“Level-2路由器”才能部署在骨干区域中，负责与其他骨干区域的路由器之间的转发和链接。ISIS（Intermediate System to Intermediate System）是一种第二层链路状态协议（Link State Protocol），用于在大规模IP网络中进行路由选择和状态传递。

back有很多意思，要看是什么词性啊backaward，behind都可以吧。。。

　　Q=cmt,Q表示吸入或释放的热量，单位为焦耳。c表示为比热容，表示的是某物质每一千克，每升1摄氏度所吸收或释放的热量，单位为焦耳/kg摄氏度。m表示物体的质量，单位为kg。.t表示物体温度的变化量，单位为摄氏度。希望可以帮到你。。

1 简介 针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行，目标尺度变化较大，这样给模型的优化也带来了很大的负担。此外，在无人机进行高速低空飞行时，也会带来密集目标的运动模糊问题。 图1 小目标与密集问题 为了解决上述2个问题，本文提出了 TPH-YOLOv5 。 TPH-YOLOv5 在YOLOv5的基础上增加了一个prediction heads 来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了Transformer Prediction Heads(TPH)代替原来的prediction heads。同时作者还集成了卷积块Attention模型(CBAM)来寻找密集场景下的注意力区域。 为了进一步改进 TPH-YOLOv5 ，作者还提供了大量有用的策略，如数据增强、多尺度测试、多模型集成和使用额外的分类器。 在VisDrone2021数据集上的大量实验表明，TPH-YOLOv5在无人机捕获场景上具有良好的性能和可解释性。在DET-test-challenge数据集上，TPH-YOLOv5的AP结果为39.18%，比之前的SOTA方法(DPNetV3)提高了1.81%。在VisDrone Challenge 2021中，TPH-YOLOv5与YOLOv5相比提高了约7%。 本文的贡献如下: 2 前人工作总结 2.1 Data Augmentation 数据增强的意义主要是扩展数据集，使模型对不同环境下获得的图像具有较高的鲁棒性。 Photometric和geometric被研究人员广泛使用。对于Photometric主要是对图像的色相、饱和度和值进行了调整。在处理geometric时主要是添加随机缩放、裁剪、平移、剪切和旋转。 除了上述的全局像素增强方法外，还有一些比较独特的数据增强方法。一些研究者提出了将多幅图像结合在一起进行数据增强的方法，如MixUp、CutMix和Mosaic。 MixUp从训练图像中随机选取2个样本进行随机加权求和，样本的标签也对应于加权求和。不同于通常使用零像素mask遮挡图像的遮挡工作，CutMix使用另一个图像的区域覆盖被遮挡的区域。Mosaic是CutMix的改进版。拼接4幅图像，极大地丰富了被检测物体的背景。此外，batch normalization计算每层上4张不同图像的激活统计量。 在TPH-YOLOv5的工作中主要是结合了MixUp、Mosaic以及传统方法进行的数据增强。 2.2 Multi-Model Ensemble Method 我们都知道深度学习模型是一种非线性方法。它们提供了更大的灵活性，并可以根据训练数据量的比例进行扩展。这种灵活性的一个缺点是，它们通过随机训练算法进行学习，这意味着它们对训练数据的细节非常敏感，每次训练时可能会得到一组不同的权重，从而导致不同的预测。 这给模型带来了一个高方差 。 减少模型方差的一个成功方法是训练多个模型而不是单一模型，并结合这些模型的预测。 针对不同的目标检测模型，有3种不同的ensemble boxes方法:非最大抑制(NMS)、Soft-NMS、Weighted Boxes Fusion(WBF)。 在NMS方法中，如果boxes的overlap, Intersection Over Union(IoU)大于某个阈值，则认为它们属于同一个对象。对于每个目标NMS只留下一个置信度最高的box删除其他box。因此，box过滤过程依赖于这个单一IoU阈值的选择，这对模型性能有很大的影响。 Soft-NMS是对NMS进行轻微的修改，使得Soft-NMS在标准基准数据集(如PASCAL VOC和MS COCO)上比传统NMS有了明显的改进。它根据IoU值对相邻边界box的置信度设置衰减函数，而不是完全将其置信度评分设为0并将其删除。 WBF的工作原理与NMS不同。NMS和Soft-NMS都排除了一些框，而WBF将所有框合并形成最终结果。因此，它可以解决模型中所有不准确的预测。本文使用WBF对最终模型进行集成，其性能明显优于NMS。 2.3 Object Detection 基于CNN的物体检测器可分为多种类型: 一些检测器是专门为无人机捕获的图像设计的，如RRNet、PENet、CenterNet等。但从组件的角度来看，它们通常由2部分组成，一是基于CNN的主干，用于图像特征提取，另一部分是检测头，用于预测目标的类和Box。 此外，近年来发展起来的目标检测器往往在backbone和head之间插入一些层，人们通常称这部分为检测器的Neck。接下来分别对这3种结构进行详细介绍： Backbone 常用的Backbone包括VGG、ResNet、DenseNet、MobileNet、EfficientNet、CSPDarknet53、Swin-Transformer等，均不是自己设计的网络。因为这些网络已经证明它们在分类和其他问题上有很强的特征提取能力。但研究人员也将微调Backbone，使其更适合特定的垂直任务。 Neck Neck的设计是为了更好地利用Backbone提取的特征。对Backbone提取的特征图进行不同阶段的再处理和合理使用。通常，一个Neck由几个自底向上的路径和几个自顶向下的路径组成。Neck是目标检测框架中的关键环节。最早的Neck是使用上下取样块。该方法的特点是没有特征层聚合操作，如SSD，直接跟随头部后的多层次特征图。 常用的Neck聚合块有：FPN、PANet、NAS-FPN、BiFPN、ASFF、SAM。这些方法的共性是反复使用各种上下采样、拼接、点和或点积来设计聚合策略。Neck也有一些额外的块，如SPP, ASPP, RFB, CBAM。 Head 作为一个分类网络，Backbone无法完成定位任务，Head负责通过Backbone提取的特征图检测目标的位置和类别。 Head一般分为2种：One-Stage检测器和Two-Stage检测器。 两级检测器一直是目标检测领域的主导方法，其中最具代表性的是RCNN系列。与Two-Stage检测器相比One-Stage检测器同时预测box和目标的类别。One-Stage检测器的速度优势明显，但精度较低。对于One-Stage检测器，最具代表性的型号是YOLO系列、SSD和RetaNet。 3TPH-YOLOv53.1 Overview of YOLOv5 YOLOv5有4种不同的配置，包括YOLOv5s，YOLOv5m, YOLOv5l和YOLOv5x。一般情况下，YOLOv5分别使用CSPDarknet53+SPP为Backbone，PANet为Neck, YOLO检测Head。为了进一步优化整个架构。由于它是最显著和最方便的One-Stage检测器，作者选择它作为Baseline。 图2 THP-YOLOv5整体架构 当使用VisDrone2021数据集训练模型时，使用数据增强策略(Mosaic和MixUp)发现YOLOv5x的结果远远好于YOLOv5s、YOLOv5m和YOLOv5l, AP值的差距大于1.5%。虽然YOLOv5x模型的训练计算成本比其他3种模型都要高，但仍然选择使用YOLOv5x来追求最好的检测性能。此外，根据无人机捕获图像的特点，对常用的photometric和geometric参数进行了调整。 3.2 TPH-YOLOv5 TPH-YOLOv5的框架如图3所示。修改了原来的YOLOv5，使其专一于VisDrone2021数据集： 图3 TPH-YOLOv5模型结构 微小物体的预测头 作者统计了VisDrone2021数据集，发现它包含了很多非常小的目标，所以增加了一个用于微小物体检测的预测头。结合其他3个预测头，4头结构可以缓解剧烈的目标尺度变化带来的负面影响。如图3所示，添加的预测头(Head 1)是由low-level、高分辨率的feature map生成的，对微小物体更加敏感。增加检测头后，虽然增加了计算和存储成本，但对微小物体的检测性能得到了很大的提高。 Transformer encoder block 图4 Transformer Block 用Transformer encoder块替换了YOLOv5原版中的一些卷积块和CSP bottleneck blocks。其结构如图4所示。与CSPDarknet53中原有的bottleneck blocks相比，作者认为Transformer encoder block可以捕获全局信息和丰富的上下文信息。 每个Transformer encoder block包含2个子层。第1子层为multi-head attention layer，第2子层(MLP)为全连接层。每个子层之间使用残差连接。Transformer encoder block增加了捕获不同局部信息的能力。它还可以利用自注意力机制来挖掘特征表征潜能。在VisDrone2021数据集中，Transformer encoder block在高密度闭塞对象上有更好的性能。 基于YOLOv5，作者只在头部部分应用Transformer encoder block形成transformer Prediction head(TPH)和backbone端。因为网络末端的特征图分辨率较低。将TPH应用于低分辨率特征图可以降低计算和存储成本。此外，当放大输入图像的分辨率时可选择去除早期层的一些TPH块，以使训练过程可用。 Convolutional block attention module (CBAM) CBAM是一个简单但有效的注意力模块。它是一个轻量级模块，可以即插即用到CNN架构中，并且可以以端到端方式进行训练。给定一个特征映射，CBAM将沿着通道和空间两个独立维度依次推断出注意力映射，然后将注意力映射与输入特征映射相乘，以执行自适应特征细化。 图5 CBAM注意力机制 CBAM模块的结构如图5所示。通过本文的实验，在不同的分类和检测数据集上将CBAM集成到不同的模型中，模型的性能得到了很大的提高，证明了该模块的有效性。 在无人机捕获的图像中，大覆盖区域总是包含令人困惑的地理元素。使用CBAM可以提取注意区域，以帮助TPH-YOLOv5抵制令人困惑的信息，并关注有用的目标对象。 Self-trained classifier 用TPH-YOLOv5对VisDrone2021数据集进行训练后，对test-dev数据集进行测试，然后通过可视化失败案例分析结果，得出TPH-YOLOv5定位能力较好，分类能力较差的结论。作者进一步探索如图6所示的混淆矩阵，观察到一些硬类别，如三轮车和遮阳三轮车的精度非常低。 图6 检测混淆矩阵 因此，作者提出了一个Self-trained classifier。首先，通过裁剪ground-truth边界框并将每个图像patch的大小调整为64 64来构建训练集。然后选择ResNet18作为分类器网络。实验结果表明，在这个Self-trained classifier的帮助下，所提方法对AP值提高了约0.8%~1.0%。 4实验与结论 最终在test-set-challenge上取得了39.18的好成绩，远远高于VisDrone2020的最高成绩37.37。 图9 检测结果图

You"re a man without a backbone你这个没脊梁骨的男人I see you"re looking for a window我看见你在寻出路You really think you"re something special你真以为自己很特殊吗And think you"re hot but acting so cold觉得自己特性感还装酷酷That rock "n rock don"t really move my soul你那种摇滚的范我真不感兴趣You"re a budget Elvis Costello你就像个廉价的假猫王Baby, you deserve a medalbaby 你真赞For being number one asshole因为你是最混的一个Stop wasting my time别再浪费我的时间了Even on the cover of GQ即使你上了GQ封面I am never going home with you我也不会和你回家A leather jacket don"t impress me皮夹克并不能给我留什么印象I"m not a fool我又不是个傻子I"m kinda different to the girl-next-door我和隔壁的傻白甜还是不一样的I"m looking for something more我找的不只是这些You"re barking up the wrong tree你的绳子挂错树了Girl please, rescue me小傻子，救救我吧You"re the legend of your lunch hour你也就在你的地盘风光Over me you bear no power在我这你什么都不是You"ll never get a smidge from me你休想从我这里得到什么Acting like a chief on me装得像回事一样I bet you"d like to see me on my knees你大概还在YY我屈服你淫威下的样子This ain"t reality MTV这又不是真人秀Another reject from the city你已经不在我的视野内了I only listen out of pity听你说话只是出于怜悯Stop wasting my time别再浪费我的时间Even on the cover of GQ即使你上了GQ封面I am never going home with you我也不会和你回家A leather jacket don"t impress me皮夹克并不能给我留什么印象I"m not a fool我又不是个傻子I"m kinda different to the girl-next-door我和隔壁的傻白甜还是不一样的I"m looking for something more我找的不只是这些You"re barking up the wrong tree你的绳子挂错树了Girl please, rescue me小傻子，救救我吧Stop wasting my time别再浪费我的时间Even on the cover of GQ即使你上了GQ封面I am never going home with you我也不会和你回家A leather jacket don"t impress me皮夹克并不能给我留什么印象I"m not a fool我又不是个傻子I"m kinda different to the girl-next-door我和隔壁的傻白甜还是不一样的I"m looking for something more我找的不只是这些You"re barking up the wrong tree你的绳子挂错树了Girl please, rescue me小傻子，救救我吧

写了这么多AngularJS代码，可以说我对AngularJS了解比较深入了。Backbone也是一个很热门的JS框架，我通读了一下它的API文档，大概了解了他的运行机制。Backbone很精巧，很强大。但对比AngularJS，我说说我看到的Backbone的缺点，由于接触时间短，可能会存在误解，见谅。Backbone的Model把服务器端的数据模型映射到浏览器端，绑定数据验证机制，并与相应的REST操作绑定，这样每个数据模型都变成了独立体，方便REST操作，却限制REST的灵活性。比如我要将10个todo批量标记成已完成，它会发出10个REST请求。Backbone的Model没有与UI视图数据绑定，而是需要在View中自行操作DOM来更新或读取UI数据，这点很奇怪。AngularJS与此相反，Model直接与UI视图绑定，Model与UI视图的关系，通过directive封装，AngularJS内置的通用directive，就能实现大部分操作了，也就是说，基本不必关心Model与UI视图的关系，直接操作Model就行了，UI视图自动更新。而Model数据验证、与服务器端的数据交互都是非常简单而自由的。

吕字的拼音怎么打 吕字的拼音打LV。

2021年了，竟然还有人写关于Faster R-CNN的文章？我的原因主要有两点： 我们先从全局上了解Faster R-CNN-FPN，然后再关注其中涉及的细节。下面是Faster R-CNN-FPN的网络框架图（或称为tensor流动图）。 众所周知，Faster R-CNN-FPN（主要是Faster R-CNN）是个两阶段的对象检测方法，主要由两部分网络组成，RPN和Fast R-CNN。 RPN的作用是以bouding box（后简称为box）的方式预测出图片中对象可能的位置，并过滤掉图片中绝大部分的背景区域，目标是达到尽量召回图像中感兴趣的对象，预测box尽量能够与实际对象的box贴合，并且保证一定的预测精度（Precision）。另外，RPN并不需要指出预测的box中对象具体的类别，RPN预测的box称为RoI（Region of Interest），由于是以box的方式输出，所以后面我们统一将其称为proposal box。 Fast R-CNN则是在FPN预测的proposal box基础上进一步预测box中对象具体的类别，并对proposal box进行微调，使得最终预测的box尽量贴合目标对象。大致的做法是根据RPN预测的proposal box，从原图backbone的feature map上通过RoIPooling或RoIAlign（Faster R-CNN-FPN使用RoIAlign）提取每个proposal box对应区域的feature map，在这些区域feature map上进一步预测box的类别和相对proposal box的偏移量（微调）。另外，RPN和Fast R-CNN共用同一个backbone网络提取图像的feature map，大大减少了推理耗时。 从上面的介绍可以看出，RPN和Fast R-CNN的配合作用其实可以理解为一种注意力机制，先大致确定目标在视野中的位置，然后再锁定目标仔细观察，确定目标的类别和更加精确的位置，简单来说就是look twice，相比单阶段的look once，当然是比较耗时的，但也换来了更好的效果（虽然很多单阶段方法号称已经获得相当或好于两阶段的效果）。 下面以Faster R-CNN-FPN发展顺序的汇总介绍每个改进的核心思想。 在R-CNN中，CNN只被用来作为特征抽取，后接SVM和线性回归模型分别用于分类和box修正回归。在此基础上，Fast R-CNN直接对原输入图进行特征抽取，然后在整张图片的特征图上分别对每个RoI使用RoIPooling提取（后面会介绍RoIPooling的原理）特定长度的特征向量（论文中空降尺寸为7*7），去掉SVM和线性回归模型，在特征向量上直接使用若干FC层进行回归，然后分别使用两个FC分支预测RoI相关的类别和box，从而显著提升速度和预测效果。 整体框架图如下： 在Fast RCNN的基础上进一步优化，用CNN网络代替Fast R-CNN中的region proposal模块（使用传统Selective Search方法），从而实现了全神经网络的检测方法，在召回和速度上都超过了传统的Selective Search。作者将提供proposal region的网络称为RPN（Region Proposal Network），与检测网络Fast RCNN共享同一backbone，大大缩减了推理速度。 RPN在backbone产生的feature map（图中的conv feature map）之上执行 的滑窗操作，每个滑窗范围内的feature map会被映射为多个proposal box（图中的reg layer分支）以及每个box对应是否存在对象的类别信息（图中的cls layer分支）。由于CNN天然就是滑窗操作，所以RPN使用CNN作为窗口内特征的提取器（对应图中的intermediate layer，后面简称为“新增CNN层”），窗口大小 ，将feature map映射为较低维的feature map以节省计算量（论文中为256）。虽然只使用了 的卷积，但是在原图上的有效的感受野还是很大的，感受野大小不等于网络的降采样率，对于VGG网络，降采样率为16，但是感受野为228像素。类似于Fast-RCNN，为了分别得到box和box对应的类别（此处类别只是表示有没有目标，不识别具体类别），CNN操作之后会分为两个子网络，它们的输入都是新增CNN层输出的feature map，一个子网络负责box回归，一个负责类别回归。由于新增CNN层产生的feature map的每个空间位置的特征（包括通道方向，shape为 ）都被用来预测映射前窗口对应位置是否存在对象（类别）和对象的box，那么使用 的CNN进行计算正合适（等效于FC层），这便是RPN的做法。综上所述，所有滑窗位置共享一个新增CNN层和后续的分类和box回归分支网络。下图是RPN在一个窗口位置上执行计算的原理示意。 由于滑窗操作是通过正方形的CNN卷积实现的，为了训练网络适应不同长宽比和尺寸的对象，RPN引入了anchor box的概念。每个滑窗位置会预置k个anchor box，每个anchor box的位置便是滑窗的中心点，k个anchor box的长宽比和尺寸不同，作者使用了9种，分别是长宽比为 、 和 ，尺寸为 , 和 的9种不同组合。分类分支和box回归分支会将新增CNN层输出的feature map的每个空间位置的tensor（shape为 ）映射为k个box和与之对应的类别，假设每个位置的anchor box数量为k（如前所述， ）,则分类分支输出的特征向量为2k(两个类别)，box回归分支输出为4k（4为box信息，box中心点x坐标、box中心点y坐标、box宽w和box高h）。box分支预测的位置（x,y,w,h）都是相对anchor box的偏移量。从功能上来看，anchor box的作用有点类似于提供给Fast RCNN的propsal box的作用，也表示目标可能出现的位置box，但是anchor box是均匀采样的，而proposal box是通过特征抽取（或包含训练）回归得到的。由此可以看出，anchor box与预测的box是一一对应的。从后文将会了解到，通过anchor box与gt box的IoU的关系，可以确定每个预测box的正负样本类别。通过监督的方式让特定的box负责特定位置、特定尺寸和特定长宽比的对象，模型就学会了拟合不同尺寸和大小的对象。另外，由于预测的box是相对anchor box的偏移量，而anchor box是均匀分布在feature map上的，只有距离和尺寸与gt box接近（IoU较大）的anchor box对应的预测box才会与gt box计算损失，这大大简化了训练，不然会有大量的预测box与gt box计算损失，尤其是在训练初始阶段，当一切都是瞎猜的时候。 在Faster RCNN基础上，将backbone替换为ResNet50或ResNet101，涉及部分细节的改动，我们放在本文的细节部分进行描述。 在Faster RCNN-ResNet基础上，引入FPN（特征金字塔网络）模块，利用CNN网络天然的特征金字塔特点，模拟图像金字塔功能，使得RPN和Fast RCNN可以在多个尺度级别（scale level）的feature map上分别预测不同尺寸的对象，大大提高了Faster RCNN的检测能力。相比图像金字塔大大节省了推理时间。原理如下图所示： 从上图中可以看出，FPN并不是简单地使用backbone的多个CNN层输出的feature map进行box回归和分类，而是将不同层的feature map进行了top-down和lateral connection形式的融合后使用。这样便将CNN网络前向传播（bottom-up）产生的深层语义低分辨率特征与浅层的浅语义高分辨率的特征进行融合，从而弥补低层特征语义抽象不足的问题，类似增加上下文信息。其中，top-down过程只是简单地使用最近邻插值将低分辨率的feature map上采样到即将与之融合的下层feature map相同的尺寸（尺寸上采样到2倍），lateral connection则是先将低层的feature map使用 的卷积缩放为即将与之融合的上层feature map相同的通道数（减少计算量），然后执行像素级相加。融合后的feature map不仅会用于预测，还会继续沿着top-down方向向下传播用于下层的特征融合，直到最后一层。 mask R-CNN提出的RoI Align缓解了RoIPooling的缺陷，能够显著提升小目标物体的检测能力。网上介绍RoIPooling和RoIAlign的文章很多，此处不再赘述，推荐阅读个人觉得比较好的两篇博客： RoIPooling 和 RoIAlign 。 此处稍微啰嗦下个人对RoIPooling的思考： 为什么RoIPooling不使用自适应的池化操作，即根据输入的feature map的尺寸和希望输出的feature map尺寸，自动调整池化窗口的大小和步长以计算想要尺寸的feature map，类似于自适应池化操作，而不是将输入的feature map划分成均匀的小区域（bins，论文中划分为 个bins），然后每个小区域中分别计算MaxPooling。不管计算上是否高效，至少这种做法在输入的feature map尺寸（比如 ）小于期望的输出feature map尺寸（比如 ）时会失效，因为在3*3的feature map上如果不使用padding的话是无法得到 的特征的，而使用padding又是很低效的操作，因为要扩展局部feature map的尺寸，而使用划分bins的方法，即使输出的feature map尺寸远小于要输出的feature map尺寸，也仅仅是在同一位置采样多次而已。 本人之前介绍YOLOv3的 文章 也介绍过anchor box的作用，再加上本文1.1.2节中的介绍应该比较全面了，不再赘述。 此处的绝大部分细节来自论文，论文中未提及的部分，主要参考了mmdetection中的 实现 。 整个模型的网络结构可以划分为四个部分，分别为backbone、FPN、RPN head和Fast RCNN head。 1.backbone： 原图短边被resize到800像素，这里值得注意的是，如此resize后一个batch内的每张图片的大小很有可能并不一致，所以还无法合并为一个输入矩阵，普遍的做法是将batch内的每张图片的左上角对齐，然后计算resize后batch内所有图片的最大宽和高，最后按照最大宽或高分别对每张图片的宽或高进行0值padding；输出为4个不同尺寸的feature map（C2、C3、C4、C5）。 2.FPN: ResNet backbone产生的4个不同尺寸的feature map（C2、C3、C4、C5）作为输入，输出5个不同尺寸的feature map（P2、P3、P4、P5、P6），P6是对P5进行2倍降采样得到，每个feature map的通道数为固定的256；使用P6的原因是为了预测更大尺寸的对象。 3.RPN：输入为FPN产生的feature map（P2、P3、P4、P5、P6）；由于RPN是在5个输入feature map上进行独立的预测，则每个feature map都会输出 proposal box，因此不可能将所有的proposal box都提供给Fast R-CNN，这里的做法是对每个feature map上产生的proposal box按类别概率进行排序（每个feature map上的proposal box独立进行），然后选择前k个proposal box， 5个feature map一共会 产生 个proposal box，训练时 ，推理时 。最后，将所有的 个proposal box合并后统一进行NMS（IoU threshold=0.7）去掉冗余的box，最后选择前m个输出给Fast R-CNN，训练和测试时m都取1000。 训练时将gt box通过下面的公式转换为相对anchor box的偏移值，与网络的预测计算loss，至于将每个gt与具体的哪个anchor box计算偏移，则需要根据2.3.1节中的正负样本方法来确定。测试时将预测的box通过该公式中的逆运算计算出当前box相对原图的位置和大小， ， , ， 指相对全图的box中心点坐标以及宽和高， ， , ， 指每个anchor相对全图的box中心点坐标以及宽和高。由此可以看出，box回归分支直接预测的便是相对anchor的偏移值，即公式中的 、 、 和 。 以上提到的2000和1000是作为Fast R-CNN的输入proposal box，在训练时参与RPN loss计算的anchor boxs数量为256个，正负样本数量为 ，正样本不足128的用负样本补足。这里的256是从所有feature map中的anchor box中选择的，并非每个feature map都独立取得256个正负样本。这也是合理的，因为每个gt box由于尺寸的原因，几乎不可能与所有feature map上的anchor box的IoU都大于一定的阈值（原因参考2.3.1节）。注意选择前并未进行NMS处理，而是直接根据2.3.1节中确定正负样本的方式确定每个预测box正负类别，然后分别在正样本中随机选择128个正样本，在负样本中随机选择128个负样本。 4.Fast R-CNN：输入为FPN产生的前4个feature map和RPN输出的proposal box，4个feature map为P2、P3、P4、P5，与backbone对应，不使用P6。那么，如何确定在哪个feature map上执行每个proposal box对应的RoIAlign操作并得到 大大小的feature map呢？论文中的做法是通过下面的公式将特定尺寸的proposal box与FPN产生的4个feature map中尺寸最适合的对应起来，即让感受野更接近对象尺寸的feature map预测该对象 ，其中224为backbone在ImageNet上预训练的尺寸，w和h为proposal box的长和宽，k表示适合尺寸为w和h的propsal box的feature map的位置，即4个feature map为P2、P3、P4、P5的下标，k_0为proposal box大致为224*224时对应feature map位置值（ ），表示proposal box大致为 时在P4上执行RoIAlign，小于 时，在P2或P3上执行，大于则在P5上。 网络都会针对每个RoI会输出一个类别概率分布（包括背景类别）和一个相对RoI box的长度为4的box偏移向量。概率分支由softmax激活函数得到。与RPN的类似，训练时，如2.4.2节loss计算中所述，会将gt box通过下面的公式转换为相对proposal box（前提是该RoI是正样本）的偏移量，然后使用loss计算公式直接与预测的相对偏移量进行loss计算；测试时，会通过下列公式的逆运算将偏移值换算回相对原图的位置box，然后使用NMS去掉冗余的box，最终输出。 训练时，通过2.3.2中的方式确定每个proposal box属于正样本或负样本后，随机选择512个样本，其中正负比例为1:3进行loss计算，正样本不足的由负样本补足。 在RPN中，由于每个feature map的每个滑窗位置上的张量（ 维张量，C为feature map的通道数）会被用来预测k个box和每个box对应的类别概率，那么具体哪个box才能参与gt box的损失计算（包括类别和box回归损失）？这便需要在所有预测的box中确定正负样本，因为一个anchor对应一个预测的box和类别，那么确定预测的box是正例还是负例等价于确定anchor box的是正例还是反例。为了便于训练，RPN中使用双IoU阈值的方式确定正负样本，与gt box的IoU为最大或者大于0.7的anchor box被设置为正样本，这会导致一个gt box与多个预测box计算损失，即允许多个box预测同一对象，与gt box的IoU小于0.3的anchor box被设置为负样本，其余的忽略掉，即不参与loss计算。在此基础上，如2.2节中所述，会对正负样本进行随机采样，总数为256，其他不参与损失函数计算。 与gt box的IoU大于0.5的proposal box作为正样本，注意，是将proposal box与gt box计算IoU，Fast-RCNN中的proposal box的作用与anchor box有些类似，即确定正负样本和预测的box 都是针对它们的偏移值 ，其余IoU在 之间的作为负样本，低于0.1的作为难例挖掘时的启发式样本（mmdetection中的做法是单阈值方式，与gt box的IoU大于0.5的proposal box作为正样本，小于的都是负样本）。 Faster R-CNN中是以分步的方式联合训练RPN和Fast R-CNN，大致的过程为： 但在mmdetection中，已经将RPN和Fast R-CNN的loss进行权重加和，从而进行联合训练，训练流程简化很多，且能够达到相同的效果。 确定了每个预测box或anchor box的正负类别后，便可以计算损失函数了，类似于Fast RCNN的做法，只有正样本的box才会参与box损失计算，损失函数如下： 为类别损失为类别损失函数，使用交叉熵损失， 为box回归损失，使用smooth L1损失，论文中平衡因子lambda为10。 表示第i个anchor box对应的gt 类别（背景为0，对象为1）， 为gt box相对anchor box的偏移量（如果该anchor box被确定为正样本），通过下面的公式计算得到， 即表示只有 ，即为正样本时才会计算box的损失。 Fast R-CNN的loss类似于RPN，只有proposal box为非背景类别（正样本）时才计算box损失， 为类别损失， 为box损失， 表示proposal box的 ， 时表示背景（通过2.3.2的方式确定proposal box的类别）。 为平衡因子，作者所有实验中 。为了防止box回归的L2 loss放大噪声（异常loss）从而影响训练，作者将L2 loss修改为 loss，当box尺寸的差异较大时使用L1 loss，抑制异常值对梯度的贡献。 其中v是通过下面的公式将gt box（ , , , ）转换得到，其中，（ , , , ）为proposal box的在原图中的中心点坐标和宽与高。 在Faster R-CNN和Faster R-CNN-ResNet中，由于RPN只是在单尺寸的feature map上进行滑窗，为了缓解多尺寸的问题，每个滑窗位置会设计多个尺寸的anchor，但是在Faster R-CNN-FPN中使用了FPN，则天然就具有了适应对象多尺寸的问题，因此不用再为每个滑窗设计多个尺寸的anchor。即在Faster RCNN-FPN中，为每种尺寸feature map上的滑窗只设计了单一尺寸多种长宽比的anchor，长宽比有 、 和 ，不同feature map上anchor的尺寸为： , , , 和 ，依次对应P2、P3、P4、P5和P6。 COCO上的训练细节：RPN的weight decay为0.0001，SGD的 ，初始学习率为0.002，学习率调整使用step decay方式。

gasrunner是WBG队的。WBG战队精彩锦集：WORLDBESTGAMING队员有Gorany、gasrunner、Bom1n、ISCO、Aqua5，所以gasrunner是WBG队的。

我没办法明确回答您的这个问题，因为您的问题阐述的不太清楚

您好！首先建议您检查下您的无线网络是否打开了，如果已经打开，再检查是否已经设置好了，不清楚的地方，直接联系当地电信局解决即可。

给出的相关地址如下：_诮换皇酵缰校换换参ひ徽_AC地址表，并根据MAC地址，将数据发送至目的计算机。_裁匆蠖_AC与IP 地址：IP地址的修改非常容易，而MAC地址存储在网卡的EEPROM中，而且网卡的MAC地址是唯一确定的。因此，为了防止内部人员进行非法IP盗用 （例如盗用权限更高人员的IP地址，以获得权限外的信息），可以将内部网络的IP地址与MAC地址绑定，盗用者即使修改了IP地址，也因MAC地址不匹配而盗用失败：而且由于网卡MAC地址的唯一确定性，可以根据MAC地址查出使用该MAC地址的网卡，进而查出非法盗用者。_壳埃芏嗟ノ坏哪诓客纾疾捎昧_AC地址与IP地址的绑定技术。下面我们就针对Cisco的交换机介绍一下IP和MAC绑定的设置方案。__isco中有以下三种方案可供选择，方案1和方案2实现的功能是一样的，即在具体的交换机端口上绑定特定的主机的MAC地址（网卡硬件地址），方案3是在具体的交换机端口上同时绑定特定的主机的MAC地址（网卡硬件地址）和IP地址。?1.方案1——基于端口的MAC地址绑定_伎?2950交换机为例，登录进入交换机，输入管理口令进入配置模式，敲入命令：?_witch#config terminal_＝肱渲媚J?_witch(config)# Interface fastethernet 0/1_＝刖咛宥丝谂渲媚J?_witch(config-if)#Switchport port-secruity_E渲枚丝诎踩J?_witch(config-if )switchport port-security mac-address MAC(主机的MAC地址)_E渲酶枚丝谝蠖ǖ闹骰_AC地址_witch(config-if )no switchport port-security mac-address MAC(主机的MAC地址)_I境蠖ㄖ骰_AC地址?_⒁猓?_陨厦钌柚媒换换夏掣龆丝诎蠖ㄒ桓鼍咛宓_AC地址，这样只有这个主机可以使用网络，如果对该主机的网卡进行了更换或者其他PC机想通过这个端口使用网络都不可用，除非删除或修改该端口上绑定的MAC地址，才能正常使用。_⒁猓?_陨瞎δ苁视糜谒伎?2950、3550、4500、6500系列交换机?2.方案2——基于MAC地址的扩展访问列表?_witch(config)Mac access-list extended MAC10_6ㄒ逡桓_AC地址访问控制列表并且命名该列表名为MAC10 （转载注明出处n et130）_witch(config)permit host 0009.6bc4.d4bf any_6ㄒ_AC地址为0009.6bc4.d4bf的主机可以访问任意主机_witch(config)permit any host 0009.6bc4.d4bf_6ㄒ逅兄骰梢苑梦_AC地址为0009.6bc4.d4bf的主机_witch(config-if )interface Fa0/20?#进入配置具体端口的模式_witch(config-if )mac access-group MAC10 in_T诟枚丝谏嫌τ妹_AC10的访问列表（即前面我们定义的访问策略）_witch(config)no mac access-list extended MAC10_G宄_AC10的访问列表?_斯δ苡胗τ靡淮筇逑嗤腔诙丝谧龅_AC地址访问控制列表限制，可以限定特定源MAC地址与目的地址范围。_⒁猓?_陨瞎δ茉谒伎?2950、3550、4500、6500系列交换机上可以实现，但是需要注意的是2950、3550需要交换机运行增强的软件镜像（Enhanced Image）。?3.方案3——IP地址的MAC地址绑定_荒芙τ?1或2与基于IP的访问控制列表组合来使用才能达到IP-MAC 绑定功能。?_witch(config)Mac access-list extended MAC10_6ㄒ逡桓_AC地址访问控制列表并且命名该列表名为MAC10_witch(config)permit host 0009.6bc4.d4bf any_6ㄒ_AC地址为0009.6bc4.d4bf的主机可以访问任意主机_witch(config)permit any host 0009.6bc4.d4bf_6ㄒ逅兄骰梢苑梦_AC地址为0009.6bc4.d4bf的主机_witch(config)Ip access-list extended IP10_6ㄒ逡桓_P地址访问控制列表并且命名该列表名为IP10_witch(config)Permit 192.168.0.1 0.0.0.0 any_6ㄒ_P地址为192.168.0.1的主机可以访问任意主机_ermit any 192.168.0.1 0.0.0.0_6ㄒ逅兄骰梢苑梦_P地址为192.168.0.1的主机_witch(config-if )interface Fa0/20?#进入配置具体端口的模式_witch(config-if )mac access-group MAC10 in_T诟枚丝谏嫌τ妹_AC10的访问列表（即前面我们定义的访问策略）_witch(config-if )Ip access-group IP10 in_T诟枚丝谏嫌τ妹_P10的访问列表（即前面我们定义的访问策略）_witch(config)no mac access-list extended MAC10_G宄_AC10的访问列表_witch(config)no Ip access-group IP10 in_G宄_P10的访问列表?_鲜鏊岬降挠τ?1是基于主机MAC地址与交换机端口的绑定，方案2是基于MAC地址的访问控制列表，前两种方案所能实现的功能大体一样。如果要做到IP 与MAC地址的绑定只能按照方案3来实现，可根据需求将方案1或方案2与IP访问控制列表结合起来使用以达到自己想要的效果。_⒁猓阂陨瞎δ茉谒伎?2950、3550、4500、6500系列交换机上可以实现，但是需要注意的是2950、3550需要交换机运行增强的软件镜像（Enhanced Image）。

这个是 你浏览网页的提示吧?字面意思,浏览器的版本太低了,要让你升级,不过通常来说 你用的是主流浏览器,有自动更新,...

第一种方法：1、找到Hotspot Shield安装目录，系统默认在“C:Program FilesHotspot Shield”2、进入“config”文件夹，记事本打开“config.hvpn” 在第二行添加如下内容“dhcp-option DNS dns地址” 保存配置后，重新连接即可。第二种方法：1、右击我的电脑——管理——服务和应用程序——服务2、找到Hotspot Shield Launch 查看它依存关系中的依赖的系统组件3、将其依存关系中的组件解禁——启动就可以了（一般是因为屏蔽了 DHCP client）

英国是世界上最古老的教育中心之一，拥有许多著名的大学。这些大学不仅在学术研究方面有着卓越的表现，而且建筑风格也非常吸引人。伦敦大学（University of London）是英国历史最悠久、规模最大的大学之一。成立于1836年，它拥有众多分校和研究机构，包括伦敦政治经济学院和伦敦大学学院等。这些机构在全球范围内都享有盛誉。剑桥大学（University of Cambridge）成立于1209年，是世界上最古老的大学之一。它是英国最著名的大学之一，也是全球排名前十的大学之一。剑桥大学在科研领域非常强劲，在数理、生命科学和社会科学等领域具有世界领先水平。牛津大学（University of Oxford）同样是英国最著名的大学之一，成立于1096年。它也是全球排名前十的大学之一，其教育和研究质量都备受认可。牛津大学在人文、社会科学和自然科学等领域都非常出色。爱丁堡大学（University of Edinburgh）是苏格兰最著名的大学之一，创立于1583年。它在英国和全球范围内都享有很高的声誉，尤其在医学和生命科学领域颇具实力。除了以上几所大学外，还有许多其他著名的英国大学，如曼彻斯特大学、布里斯托尔大学、格拉斯哥大学等。这些大学在不同领域都有卓越表现，都值得一提。英国拥有许多古老又著名的大学，它们是英国教育的重要组成部分，也是世界上最优秀的高等教育机构之一。如果你正考虑留学英国，这些大学可能会成为你的理想选择。

我换了个版本的HotSpot里面可以设置了 但是存在很多问题 设置后一下子就出现好多的电脑在使用这个网出去 没办法限制

有的呢，我有你想要的，你可以看有的。看个人介绍试试，里面都是的英格兰运河水边的秘密

很正常，出现这个原因是高负载时你那套配置发热量还是比较大的，也许是堆积的热量还没来得及散出去，导致温度升高影响的

英语 具体说的什么楼上给的很不错 赞一个

职业分类八大类职业分类，是指按一定的规则、标准及方法，按照职业的性质和特点，把一般特征和本质特征相同或相似的社会职业，分成并统一归纳到一定类别系统中去的过程职业分类职业分类，是指按一定的规则、标准及方法，按照职业的性质和特点，把一般特征和本质特征相同或相似的社会职业，分成并统一归纳到一定类别系统中去的过程。基本信息中文名 职业分类外文名 Occupational classification拼音 zhi ye fen lei概述世界上经济发达国家都非常重视职业分类问题的研究，这不仅是形成产业结构概念和进行产业结构、产业组织及产业政策研究的前提，同时也是对劳动者及其劳动进行分类管理、分级管理及系统管理的需要。意义1、同一性质的工作，往往具有共同的特点和规律。把性质相同的职业归为一类，有助于国家对职工队伍进行分类管理，根据不同的职业特点和工作要求，采取相应的录用、调配、考核、培训、奖惩等管理方法，使管理更具针对性。2、职业分类给各个职业分别确定了工作责任以及履行职责及完成工作所需要的职业素质，这就为岗位责任制提供了依据。3、职业分类有助于建立合理的职业结构和职工配制体系。4、职业分类是对职工进行考核和智力开发的重要依据。考核就是要考查职工能否胜任他所承担的职业工作，考查他是否完成了他应完成的工作任务。这就需要制定出考查标准，对各个职业岗位工作任务的质量、数量提出要求，而这些都是在职业分类的基础上才能加以规定的。职业分类中规定的各个职业岗位的责任和工作人员的从业条件，不仅是考核的基础，同时也是进行培训的重要依据。职业分类职业分类，是指按一定的规则、标准及方法，按照职业的性质和特点，把一般特征和本质特征相同或相似的社会职业，分成并统一归纳到一定类别系统中去的过程。基本信息中文名 职业分类外文名 Occupational classification拼音 zhi ye fen lei概述世界上经济发达国家都非常重视职业分类问题的研究，这不仅是形成产业结构概念和进行产业结构、产业组织及产业政策研究的前提，同时也是对劳动者及其劳动进行分类管理、分级管理及系统管理的需要。意义1、同一性质的工作，往往具有共同的特点和规律。把性质相同的职业归为一类，有助于国家对职工队伍进行分类管理，根据不同的职业特点和工作要求，采取相应的录用、调配、考核、培训、奖惩等管理方法，使管理更具针对性。2、职业分类给各个职业分别确定了工作责任以及履行职责及完成工作所需要的职业素质，这就为岗位责任制提供了依据。3、职业分类有助于建立合理的职业结构和职工配制体系。4、职业分类是对职工进行考核和智力开发的重要依据。考核就是要考查职工能否胜任他所承担的职业工作，考查他是否完成了他应完成的工作任务。这就需要制定出考查标准，对各个职业岗位工作任务的质量、数量提出要求，而这些都是在职业分类的基础上才能加以规定的。职业分类中规定的各个职业岗位的责任和工作人员的从业条件，不仅是考核的基础，同时也是进行培训的重要依据。基本要素产业性特征一个国家，一个社会，就大的方面可以分为三类产业。第一产业包括农业、林业、牧业和渔业等；第二产业是工业和建筑业，工业中包括采掘业、制造业等等；第三产业是流通和服务业。在传统农业社会，农业人口比重最大；在工业化社会，工业领域中的职业数量和就业人口显著增加；在科学技术高度发达和经济发展迅速的社会，第三产业职业数量和就业人口显著增加。行业性特征行业是根据生产工作单位所生产的物品或提供服务的不同而划分的，行业主要是按企业、事业单位，机关团体和个体从业人员所从事的生产或其他社会经济活动的性质的同一性来分类的。可以说行业表示了人们所在的工作单位的性质。职位性特征所谓职位是一定的职权和相应的责任的集合体。职权和责任的统一形成职位的功能，职权和责任是组成职位的两个基本要素；职权相同，责任一致，就是同一职位。在职业分类中的每一种职业都含有职位的特性。比如大学教师这种职业包含有助教、讲师、副教授、教授等职位。再如国家机关公务员包括科级、处级、厅（局）级、省（部）级等职位系列。组群性特征无论以何种依据来划分职业都带有组群特点。如科学研究人员中包含哲学、社会学、经济学、理学、工学、医学等，再如咨询服务事业包括科技咨询工作者、心理咨询工作者、职业咨询工作者等。时空性特征随着社会的发展和进步，职业变化迅速，除了弃旧更新外，还有同一种职业的活动内容和方式也发生变化，所以职业的划分带有明显的时代性。从大的方面来说，在职业数量较少的时期，职业与行业是同义语，但现在职业与行业是既有联系又有区别的两个概念，在职业划分中，行业一般作为职业的门类。在空间上职业种类分布有区域、城乡、行业之间或者国别上的差别。职业分类《职业分类与代码》参照国际标准和方法，1986年，我国国家统计局和国家标准局首次颁布了中华人民共和国国家标准《职业分类与代码》（GB6565-86），并启动了编制国家统一职业分类标准的宏大工程。这次颁布的《职业分类与代码》将全国职业分为8个大类、63个中类、303个小类。1992年，原国家劳动部会同国务院各行业部委组织编制了《中华人民共和国工种分类目录》，这个目录根据管理工作的需要，按照生产劳动的性质和工艺技术的特点，将当时我国近万个工种归并为分属46个大类的4700多个工种，初步建立起行业齐全、层次分明、内容比较完整、结构比较合理的工种分类体系，为进一步做好职业分类工作奠定了坚实基础。《中华人民共和国职业分类大典》职业分类20世纪90年代中期，随着社会主义市场经济体制的逐步建立和科学技术的迅猛发展，我国的社会经济领域发生了重大变革，这对人力资源管理提出了新的要求。为此，国家提出要制定各种职业的资格标准和录用标准，实行学历文凭和职业资格两种证书制度。《中华人民共和国劳动法》中明确规定：“国家确定职业分类，对规定的职业制定职业技能标准，实行职业资格证书制度。”根据社会经济发展的需要，1995年2月，劳动和社会保障部、国家统计局和国家质量技术监督局联合中央各部委共同成立了国家职业分类大典和职业资格工作委员会，组织社会各界上千名专家，经过四年的艰苦努力，于1998年12月编制完成了《中华人民共和国职业分类大典》，并于1999年5月正式颁布实施。《中华人民共和国职业分类大典》是我国第一部对职业进行科学分类的权威性文献。由于它的编制与国家标准《职业分类与代码》（GB6565-86）的修订同步进行，相互完全兼容，因此，它本身也就代表了国家标准。《中华人民共和国职业分类大典》的重要贡献在于，它在广泛借鉴国际先进经验（特别是《国际标准职业分类》ISCO-88）和深入分析我国社会职业构成的基础上，突破了过去以行业管理机构为主体，以归口部门、单位甚至用工形式来划分职业的传统模式，采用了以从业人员工作性质的同一性作为职业划分标准的新原则，并对各个职业的定义、工作活动的内容和形式、以及工作活动的范围等作了具体描述，体现了职业活动本身固有的社会性、目的性、规范性、稳定性和群体性的特征。《大典》科学地、客观地、全面地反映了当前我国社会的职业构成，填补了我国长期以来在国家统一职业分类领域存在的空白，具有深远的意义和广泛的应用领域。《中华人民共和国职业分类大典》把我国职业划分为由大到小、由粗到细的四个层次：大类（8个）、中类（66个）、小类（413个）、细类（1838个）。细类为最小类别，亦即职业。8个大类分别是：第一大类：机关、组织、企业、事业单位负责人，其中包括5个中类，16个小类，25个细类；第二大类：专业技术人员，其中包括14个中类，115个小类，379个细类；第三大类：办事人员和有关人员，其中包括4个中类，12个小类，45个细类；第四大类：商业、服务业人员，其中包括8个中类，43个小类，147个细类；第五大类：农、林、牧、渔、水利业生产人员，其中包括6个中类，30个小类，121个细类；第六大类：生产、运输设备操作人员及有关人员，其中包括27个中类，195个小类，1119个细类；第七大类：人，其中包括1个中类，1个小类，1个细类；第八大类：不便分类的其他从业人员，其中包括1个中类，1个小类，1个细类。

　　无线热点的关闭方法：　　1、在电脑的【开始】——》【控制面板】　　2、然后把控制面板的查看类型设置为【大图标】　　3、然后我们再打开【网络和共享中心】在电脑的【开始】——》【控制面板】　　4、找到左边的【更改适配器设置】——》【更改适配器设置】　　5、然后我们右击【本地连接】——》【属性】；　　6、在共享选项中我们只要把【允许其他网络....】选中状态取消即可。　　无线热点即Hotspot，是指在公共场所提供无线局域网（WLAN）接入Internet服务的地点。这类地点多数是咖啡馆、机场、车站、商务酒店、高等院校、大型展览会馆等。

第一种方法： 1、找到Hotspot Shield安装目录，系统默认在“C:Program FilesHotspot Shield” 2、进入“config”文件夹，记事本打开“config.hvpn” 在第二行添加如下内容“dhcp-option DNS dns地址” 保存配置后，重新连接即可。 第二种方法： 1、右击我的电脑——管理——服务和应用程序——服务 2、找到Hotspot Shield Launch 查看它依存关系中的依赖的系统组件 3、将其依存关系中的组件解禁——启动就可以了 （一般是因为屏蔽了 DHCP client）

镜头的微反差过渡自然连续，加上恰当的光线，反映在图片上就油润。焦外柔和与镜头的光学结构与镜片多少有关，过多地采用非球面镜片、镜片过多的镜头的焦外较硬不够柔和。所谓成像肉就是反差小、球差大，通过PS后期拉曲线加锐能有所改善。所谓焦外如奶油般化开往往是大光圈镜头近拍时或者微距镜头在很近距离的拍摄，都有这种效果。

双杀-double kill 三杀-triple kill 四杀-ultra kill 五杀以上-rampage 连杀的判定据说是11.5秒 first blood传说中的一血 Killing Spree 大杀特杀 三个 Dominating 主宰比赛 四个 MegaKill 杀人如麻 五个 Unstoppable 无人能挡 六个 WhickedSick 变态杀戮 七个 Monster Kill 妖怪般的杀戮 八个 God Like 杀成神了 九个 Holy Shit 超越神! 十个及十个以上 向胜利迈进是ownage，需要近卫或天灾一方连杀五人，楼上的那个不对注意是ownage哦！ 还有所有的kill都没有s 记得给我最佳答案哦

现在是1.57版本的啦，首次装要装最新版本的才能连接到代理服务器，而且安装过程遇到有软件拦劫要选择放行通过，别禁止了。不知你问题解决了没用，我现在用的就是最新版本的。

HS已用不了了，试试这个吧，见私信。

1.第一滴血 firstblood[MP=100,50] [/mp]2.大杀特杀 （杀三人）Killing_Spree[MP=100,50] [/mp]3.主宰比赛 （杀四人）Dominating[MP=100,50] [/mp]4.杀人如麻（杀五人）MegaKill[MP=100,50] [/mp]5.无人能挡（杀六人）Unstoppable[MP=100,50] [/mp]6.杀得变 态了（杀七人）WhickedSick[MP=100,50] [/mp]7.如同妖怪了！（杀八人）MonsterKill[MP=100,50] [/mp]8.如同神一般了！（杀九人）GodLike[MP=100,50] [/mp]9.已经超越神了！拜托谁去杀了他吧！（杀十人或以上）Holy sh it[MP=100,50] [/mp]10.啊。。新鲜的肉。。（屠夫的大的声音）ah...fresh meat[MP=100,50] [/mp]11.双杀（短时间内杀两人）Double_Kill.[MP=100,50] [/mp]12.三杀（短时间内杀三人或以上）triple_kill[MP=100,50] [/mp]13.XX军团正向胜利迈进 Ownage[MP=100,50] [/mp]

发现无法处理的连接都是pcc_conn2，NAT做没做？

双杀-double kill 三杀-triple kill 四杀-ultra kill 五杀以上-rampage 连杀的判定据说是11.5秒first blood传说中的一血 Killing Spree 大杀特杀 三个Dominating 主宰比赛 四个MegaKill 杀人如麻 五个Unstoppable 无人能挡 六个WhickedSick 变态杀戮 七个Monster Kill 妖怪般的杀戮 八个God Like 杀成神了 九个Holy Shit 超越神! 十个及十个以上向胜利迈进是ownage，需要近卫或天灾一方连杀五人，楼上的那个不对注意是ownage哦！ 还有所有的kill都没有s记得给我最佳答案哦

我是意大利语专业的,别听上面那几个乱来.IRE结尾,要看IRE前面是原音+辅音还是辅音+辅音.原音+辅音——IRE变isco,isci,isce.辅音+辅音——o,i,e.以上只是规则变位. 希望对你有用!

一.德头的体系 我们所说的德头，并不是现存的西德生产的镜头，包含的内容其实是很多的。 如果从国籍上说，包含有历史上的民主德国（东德），联邦德国（西德），主要是这两个国家生产的镜头。 但期间还有其它国家代工镜头，比如瑞士罗马尼亚等国家，一般也打上Carl Zeiss的标牌，所以也算是德头系列。 此外，西蔡的禄莱系列后来主要生产基地转移到新加坡，所以新加坡也算是一个。 而东德的潘太康的变焦镜头日本韩国也曾代工，这样两个国家的标志为Carl Zeiss或Pentacon的镜头也不能不算是德头。 康泰时一直是西蔡的正宗，但康泰时就分为本国产与日本产两类，其标志是G或J，例如MMG，AEG就是德国原产的，而MMJ与AEJ就是日产的。 当然德国的镜头制作技术也曾流传到前苏联去，但俄头毕竟与日头不同，但也德头的区别也相当大，所以对于俄头似乎还不适宜归到德头这个大类中来。 这样，我们就有了一个明晰的概念了。 二.德头的品牌 我们所知道的德国镜头的品牌有哪些？ 1.Pentacon（潘太康），这是最物美价廉的德头，东德品牌。 2.Carl Zeiss Jena（简称“CZJ”），是现在保有量最大，但已经不再生产，将来最容易升值，且价格合理，能出一流照片的镜头，东德品牌。 3.Meyer（梅耶），是出片特别细腻，高光层次保留得最好，色彩清淡，很接近西德风格的一类镜头。 东德早期名品，后来被Pentacon收购，早已停产，现在已经在涨价。 4.Contax（康泰时，或被译作康泰克斯），被人们认为最纯正的蔡司头，其实应该说是最纯正的西蔡头。 镜头上打印着Carl Zeiss T*的标志，确实是西蔡正统，出片锐度高，色彩纯正且有着很高的饱和度，焦外过渡自然，用料足，加工精，远胜日系镜头的产品。 西德名品，日本也有制造，且量还很大。 5.Shneider（施耐德），带有传奇色彩的镜头。 常常被人们誉为“真水无香”，锐度相当高，最多的产品为M42口的，此外还加工QBM口与莱卡M口，色调偏于真实还原一路，有着不可言说的妙味，但初学未必能真切体会得出。 在做工上，只能超出康泰时而绝对不会在康泰时之下，是目前超值而日后升值可能最高的镜头。 6.Rollei（禄莱），原产德国，本来是相机品牌，但相机得有镜头，禄莱自己不生产镜头，由蔡司加工，蔡司为其设计出后来名赞天下的HFT镀膜（高保真镀膜），所以其品质更在康泰时之上，以生产双反相机为最有名，也生产单反相机。 后来在新加坡建厂，因为德国本土的真空镀膜炉发生大爆炸，所以后来的HFT镀膜镜头一般都为新加坡产。 7.Voigtlander（福伦达），产地最为复杂。 本来是西德名镜，因为市场策略失误，后来收归禄莱麾下，早期多为雷丁娜卡口，最近对焦距离变态地远，所以不太实用，但其成像品质一流，不在禄莱之下。 禄莱在新加坡建厂后，此镜头也常常见到新加坡出产的，现在日本玛米亚与确善能多有代工或仿造。 其镀膜为红色字的Color（真彩镀膜），但我怀疑其实就是HFT镀膜，其产品与禄莱几乎一样，镜片组设计，机构结构与外型都不变，只是品牌不同而已，但相对于禄莱价格要低，是用家的首选。 8.Leica（莱卡，或徕卡），顶机相机，顶机镜头，西德产品，世界顶级的标志。 9.ENNA，西德镜头，产量不多，不太了解。 10.ISCO，西德镜头，据说是施耐德分厂，不知真假，镜头产量不多，不太了解。 11.ZF、ZA，是日本确善能打上了Carl Zeiss T*标志而专门为尼康与索尼相机加工的蔡司镜头。 镜片结构与镀膜工艺不差，层次也好，但比照着康泰时还是差的是味道，且价格不低，当然还是远超纯日本产的尼康佳能一类的镜头的（人人观点）。 12.斯坦海尔：一种怪异的品牌，但据说里面大量使用非环保的稀土元素加工镜片，因此出片的味道有相当特别的味道，但此头的镜片多数都有脱膜现象，不影响正常使用。 能弄到好品相的可为收藏品，应该是一种毒物。 市场保有量很小。 德味，德国相机镜头的味道。 学术上讲是用德系相机拍得的照片在红色和蓝色上显得比较浓郁，焦外色彩过渡自然。 这种味道其实是很淡很淡的，因为色彩最主要取决于用光和后期调整。 于是德味慢慢演变为一个说法。 油润指的是色彩饱和度高，镜头解像力拍摄出的画面色彩还原性高犹如油画般油润饱和。

法国FAMAS突击步枪诞生历史——FAMAS(法文全名：Fusil d"Assaut de laManufacture d"Armes de St-Etienne,为“由圣艾蒂安生产的轻型自动步枪”)是法国地面武器工业集团(GAT)生产的一款无托式突击步枪。FAMAS突击步枪的设计开始于1967年法国武器设计师特里耶和库拜开始研制低脉冲突击步枪。1970年8月，他们最终决定使用5.56毫米低脉冲子弹，主要是M193型5.56×45毫米雷明顿子弹。1971年，G引AT旗下的圣艾蒂安武器制造厂(MAS)研制出10支突击步枪样品进行试验，代号A1,使用结构上与M193子弹类似的5.56毫米子弹。1973~1976年，法国对这种新武器进行了全面试验，确认其适合用于军事用途，但是A5型步枪批量生产计刘却被推迟，其主要原因之一是个别部件发现问题，特别是击发装置需要修正，加装3发短梭连续射击自动限动器。此后，该枪继续进行了一系列的改进，并于1978年开始服役，到1984年初法国陆军所有前线部队都已换装5.56毫米F1步枪。FAMAS最早的型号为F1,该枪采用25发直弹匣，单位造价约为1500欧元，一共生产了约40万支。虽然F1在乍得、黎巴嫩战事以及1991年伊拉克“沙漠风暴”行动中暴露出系列缺陷，都是Bul-pup(无托式)设计枪械所特有的，大部分与枪托上的部件配置有关。从整体上讲，F1步枪仍是一种相当可靠、高效的突击武器。其后G引AT又在F1的基础上改进形成了G1型，G1步枪取消了连发限制器的弹簧按钮而保留了弹簧，扳机调整系统也进行了简化，并对机匣上的护木固定系统进行了改进，原来更换一个护木需要30分钟，而现在仅需要3分钟。尽管有些人推崇取消刺刀，然而G1还是保留了刺刀。与F1的刺刀相比，G1仅保留了刀身部分，把手和固定系统则都进行了改进。1994年，G引AT又推出了新的FAMAS G2,G2步枪最大的改变是下塑胶盒，使用大尺寸扳机，结构上与澳大利亚AUG步枪类似。法国海军于1995年装备了20000支G2型，但陆军及外籍兵团则仍然继续使用F1型。衍生型号——FAMAS G2：G1的改进型，使用30发北约标准STANAG弹匣，基本内部设计与G1相同，已独立衍生出一个枪族。包括G2标准型（488毫米枪管)、G2狙击型（620毫米枪管)、G2突击型（450毫米枪管)和G2冲锋型（320毫米枪管)。该枪主要用于出口，不过法国海军也有装备。FAMAS F1：最早期设计的型号，配25发直弹匣和两脚架，有缩短型和半自动型。已停产，被FAMAS G1及G2取代，但在当时法军中仍有服役。FAMAS G1：F1的改进型，移除枪榴弹发射装置，并提高最高射速。此外，该枪还从F1的约200个零部件改进到只有约150个，从而降低成本。已停产，在当时被G2取代。FAMAS Felin：法军的未来单兵战斗系统的改进版本，在当时已装备部队。主体结构——FAMAS突击步枪采用无托式设计，具有短小精悍的特点，弹匣置于扳机的后方，机匣覆盖有塑料。该枪有全自动、单发及安全三种保险模式，选择钮在弹匣后方。此外，还有一些FAMAS加入了三发点射模式，所有的FAMAS突击步枪都配有两脚架，以提高射击精度。握把中还可以存放装润滑液的塑料瓶，可通过握把底部的活门放入或拿出。FAMAS的外形非常有特色，自带的两脚架，长长的整体式瞄具提把，枪机置于枪托内，抛壳方向可以左右两边变换。该枪无须安装附件即可发射枪榴弹，包括反坦克弹、人员杀伤弹、反器材弹、烟雾弹或催泪弹。而且GIAT为其研究了有俘弹器的枪榴弹，因此不需要专门换空包弹就可以直接用实弹发射。在供弹系统方面，FAMAS F1型和G1型采用法国制25发5.56×45毫米NATO直弹匣。而G2型则更换为30发STANAG弹匣，以增强国际市场竞争力。