yolo1以及yolo2转载

el/2024/5/23 2:35:26

物体检测论文-YOLO系列(转自: http://hellodfan.com/2017/10/11/%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B%E8%AE%BA%E6%96%87-YOLO%E7%B3%BB%E5%88%97/)

本次论文主要分为两个部分:YOLO和YOLO9000。
YOLO是Rgb大神在Object Detection上的新尝试,目的是在保持准确率的基础上提高检测速度,从而达到了实用要求。
YOLO9000是YOLO的改进版,使用了多种trick,并提供了一种使用多种训练集训练模型的方法。

YOLO

Rgb大神关于物体检测的新作YOLO,论文You Only Look Once: Unified, Real-Time Object Detection。

Introduction

对比人类的视觉系统,现存的物体检测模型:

  • 要不就是准确度不咋的(DPM速度还行,准确率很差,实用不现实)
  • 要不就是速度跟不上(Faster R-CNN 准确度还可以,3FPS的速度不能实时监测啊~)

mark

这一堆物体检测模型,无论在学术界还是工程界,都不算令人满意。为此需要注入新的血液(重新挖坑),那么从哪里开始扎针呢?

作者在论文内主要对比R-CNN系列,指出了R-CNN系列速度慢的原因是: 模型把物体检测任务分为了多个阶段,而这几个阶段需要分开训练,难以优化(虽然Faster R-CNN是一个整体的网络,但是训练的时候还是需要交替训练)。

为什么非要分为多个阶段? 
这是因为基于RPN(region proposal networks)在设计时已经把object detection问题分为多个pipeline,如果要改,就要把RPN方案砍掉。

YOLO在此基础上重建了整个模型框架,将原先的Region Proposal一套方案抛弃掉,将object detection作为回归问题来处理,模型能够接收原始像素直接输出object的bbox和类别categories,也就是end-to-end模型.

Detection System

YOLO工作的流程图如下:

mark

大致步骤为:

  • 整个图片resize到指定大小,得到图片InputrsInputrs
  • 将InputrsInputrs塞给CNN
  • 使用NMS(非极大值抑制)去除多余框,得到最后预测结果

总的步骤很简单,下面具体看看图片塞给CNN时是怎么整的。

分成单元格

首先会把原始图片resize到448×448448×448,放缩到这个尺寸是为了后面整除来的方便。再把整个图片分成S×S(例:7×7)S×S(例:7×7)个单元格,此后以每个单元格为单位进行预测分析。

mark

每个单元格需要做三件事:

  1. 如果一个object的中心落在某个单元格上,那么这个单元格负责预测这个物体(论文的思想是让每个单元格单独干活)。

  2. 每个单元格需要预测BB个bbox值(bbox值包括坐标和宽高),同时为每个bbox值预测一个置信度(confidence scores)。也就是每个单元格需要预测B×(4+1)B×(4+1)个值。

  3. 每个单元格需要预测CC(物体种类个数)个条件概率值.

注意到: 每个单元格只能预测一种物体,并且直接预测物体的概率值。但是每个单元格可以预测多个bbox值(包括置信度)。

单元格数据

我们细致的分析一下每个单元格预测的BB个(x,y,w,h,confidence)(x,y,w,h,confidence):

  • (x,y)(x,y)是bbox的中心相对于单元格的offset
  • (w,h)(w,h)是bbox相对于整个图片的比例
  • confidenceconfidence下面有详解

mark

如上图,图片分成S×S(7×7)S×S(7×7)个单元格。整张图片的长宽为hi,wihi,wi。

(x,y)(x,y)到底代表啥意思?

对于蓝色框的那个单元格(坐标为(xcol=1,yrow=4)(xcol=1,yrow=4)),假设它预测的是红色框的bbox(即object是愚蠢的阿拉斯加),我们设bbox的中心坐标为(xc,yc)(xc,yc),那么最终预测出来的(x,y)(x,y)是经过归一化处理的,表示的时中心相对于单元格的offset,计算公式如下:

 

x=xcwiS−xcol,y=ychiS−yrowx=xcwiS−xcol,y=ychiS−yrow

(w,h)(w,h)又是啥意思?

预测的bbox的宽高为wb,hbwb,hb,(w,b)(w,b)表示的是bbox的是相对于整张图片的占比,计算公式如下:

 

w=wbwi,h=hbhiw=wbwi,h=hbhi

ConfidenceConfidence

这个置信度有两个含义:一是格子内是否有目标,二是bbox的准确度。

我们定义置信度为Pr(Object)∗IOUtruthpredPr(Object)∗IOUpredtruth.

  • 如果格子内有物体,则Pr(Object)=1Pr(Object)=1,此时置信度等于IoU
  • 如果格子内没有物体,则Pr(Object)=0Pr(Object)=0,此时置信度为0

CC个种类的概率值

每个网格在输出bbox值的同时要给出给个网格存在object的类型。记为:

Pr(Classi|Object)Pr(Classi|Object)

这是条件概率。

需要注意的是:输出的种类概率值是针对网格的,不是针对bbox的。所以一个网格只会输出CC个种类信息。(这样就是默认为一个格子内只能预测一种类别的object了,简化了计算,但对于检测小object很不利)。

在检测目标时,我们把confidenceconfidence做处理:

 

Pr(Classi|Object)∗Pr(Object)∗IoUtruthpred=Pr(Classi)∗IoUtruthpredPr(Classi|Object)∗Pr(Object)∗IoUpredtruth=Pr(Classi)∗IoUpredtruth

这就是每个单元格的class-specific confidence scores,这即包含了预测的类别信息,也包含了对bbox值的准确度。 我们可以设置一个阈值,把低分的class-specific confidence scores滤掉,剩下的塞给非极大值抑制,得到最终的标定框。
对于这部分可以看deepsystem.ai的PPT,讲的很详细,需要翻墙。

单元格输出

每个网络一共会输出:B×(4+1)+CB×(4+1)+C个预测值.
故所有的单元格输出为:S×S×(B×5+C)S×S×(B×5+C)个预测值.

论文中每个单元格的输出如下图:
mark
YOLO论文中:S=7,B=2,C=20S=7,B=2,C=20

所有单元格输出为7×7×(2×5+20)7×7×(2×5+20),即最终的输出为7×7×307×7×30的张量。

YOLO检测物体的流程

mark

  • 分割成单元格
  • 预测bbox与类别信息,得到最终的specificconfidencespecificconfidence
  • 设置阈值,滤掉低分的bbox
  • 非极大值抑制得到最终的bbox

YOLO的架构

上面说了YOLO的检测过程,那么中间关键的预测bbox和confidenceconfidence该怎么实现?

当然是用CNN来整,整个网络框架如下:

mark

网络架构受GoogleNet启发,共24个卷积层,后面接了2个FC层。

预训练

使用上图的前20个卷积层+平均池化+FC层在ImageNet上跑了一圈。(在ImageNet上跑是用的224×224224×224输入)。

预训练完事后,也就是get到了想要的前20个卷积层权重,在此基础上添加4个卷积层和2个FC层,得到最终模型(也就是上图)。同时将网络的输入尺寸从224×224224×224改成了448×448448×448。

mark

YOLO的训练

整个YOLO在训练时,有很多处理的细节,我们主要讲一下网络损失函数的定义。

损失函数

这里我们把损失函数分为3个部分,每个部分都使用均方误差(为什么用均方,论文给出的原因是这样做简单啊):

先看一下整个损失函数:
mark

每个图片的每个单元格不一定都包含object,如果没有object,那么confidenceconfidence就会变成0,这样在优化模型的时候可能会让梯度跨越太大,模型不稳定跑飞了。为了平衡这一点,在损失函数中,设置两个参数λcorrdλcorrd和λnoobjλnoobj,其中λcorrdλcorrd控制bbox预测位置的损失,λnoobjλnoobj控制单个格内没有目标的损失。

对三个损失函数有细节上的调整:

  • bbox
    对于预测的bbox框,大的bbox预测有点偏差可以接受,而小的bbox预测有点偏差就比较受影响了,如下图:
    mark
    对于这种情况,使用先平方根再求均方误差,尽可能的缩小小偏差下的影响
    bbox的损失记为:

     

    中心点损失:λcorrd∑i=0S2∑j=0BIobjij[(xi−xi^)2+(yi−yi^)2]中心点损失:λcorrd∑i=0S2∑j=0BIijobj[(xi−xi^)2+(yi−yi^)2]

     

    宽高损失:+λcorrd∑i=0S2∑j=0BIobjij[(wi−−√−wi^−−√)2+(hi−−√−hi^−−√)2]宽高损失:+λcorrd∑i=0S2∑j=0BIijobj[(wi−wi^)2+(hi−hi^)2]


    IobjijIijobj表示第i个单元格内预测的第j个bbox是否负责这个object:在计算损失过程中,bbox与ground truth的IoU值最大的负责object。
  • confidence
    对于置信度的损失,是按照是否含有object情况下分成两部分,对于不包含object的单元格,我们使用λnoobjλnoobj调整比例,防止这部分overpowering。

     

    ∑i=0S2∑j=0BIobjij(Ci−Ci^)2+λnoobj∑i=0S2∑j=0BIobjij(Ci−Ci^)2∑i=0S2∑j=0BIijobj(Ci−Ci^)2+λnoobj∑i=0S2∑j=0BIijobj(Ci−Ci^)2

  • categories
    对于种类预测,前面说了,这里设定每个单元格只负责一个object的预测,所以我们不用考虑多个bbox了。故损失函数为:

    ∑i=0S2Iobji(pi(c)−pi^(c))2∑i=0S2Iiobj(pi(c)−pi^(c))2

训练细节

  • 在激活函数上:
    最后一层使用的是标准的线性激活函数,其他的层都使用leaky rectified linear activation:

     

    ϕ(x)={ x, if x>00.1x , otherelseϕ(x)={ x, if x>00.1x , otherelse

  • 在学习率上:

    • 前75个epoch设置为10−210−2
    • 再30个epoch设置为10−310−3
    • 最后30个epoch设置为10−410−4
  • 其他的训练细节:

    • batch=64
    • 动量0.9,衰减为0.0005
    • 使用dropout,设置为0.5,接在第一个FC层后
    • 对样本做了数据增强

总结

缺点

论文给出了YOLO与Fast RCNN的对比图,YOLO的定位准确率相对于fast rcnn比较差。但是YOLO对背景的误判率比Fast RCNN的误判率低很多。这说明了YOLO中把物体检测的思路转成回归问题的思路有较好的准确率,但是bounding box的定位不是很好。

mark

优点

YOLO有如下特点:

  • 速度快。YOLO将物体检测作为回归问题进行求解,使用单个网络完成整个检测过程。
  • 召回率低,表现为背景误检率低。YOLO可以get到图像的整体信息,相比于region proposal等方法,有着更广阔的“视野”。
  • 泛化能力强,对其他类的东西,训练后效果也是挺好的。


YOLO2

YOLO2是YOLO的升级版本,在YOLO的基础上用到了很多trick,尤其是结合了anchor box。 论文:YOLO9000:Better, Faster, Stronger

我个人觉得YOLO2是在YOLO的基础上,把多种物体检测网络(例:Faster R-CNN)和分类网络(ResNet,GoogleNet)的优点揉入进去,并且很酷炫的使用例如ImageNet一样的分类数据集训练了最终物体分类部分,使用例如COCO一样的检测数据集训练检测定位部分,这种联合训练方式感觉很有搞头。

Introduction

论文主要工作有两部分:

  • 改进YOLO的多个部分,整出一个YOLOv2
  • 提出了一种层次性联合训练方法,可以使用ImageNet分类数据集和COCO检测数据集同时对模型训练,最终整出来个YOLO9000,可以识别9000多种物体.

正如标题一样,论文从Better,Faster,Stronger三个方面介绍了对YOLO的改进,我们也就从这三个方面总结YOLO2。

Better

Batch Normalization

Batch Normalization来自论文Batch Normalization: Accelerating Deep Network Training b
y Reducing Internal Covariate Shift。使用BN的好处对数据分布做了修正,这样网络可以更快更好的学习。
在网络的每个卷积层后增加Batch Norm,同时弃用了dropout,网络的上升了2%mAP.

High Resolution Classifier

原本的所有的state-of-the-art检测模型都是使用ImageNet预训练的模型,比方说AlexNet训练时输入小于256×256256×256,原本的YOLO是在224×224224×224上预训练,在后面训练时候提升到448×448448×448,这样模型需要去适应新的分辨率。

YOLO2是直接使用448×448448×448的输入,在ImageNet上跑了10个epochs.让模型时间去适应更高分辨率的输入。这使得模型提高了4%的mAP.

Convolutional With Anchor Boxes

Anchor Boxes在Faster R-CNN里面已经介绍了,Faster R-CNN里anchor。

我们简单对比一下这个网络的特性:

对比项YOLOFaster RCNNYOLO2
结构上预测bbox值是使用FC层来整的,gird cell负责预测种类,同一个grid cell下bbox没得选。在feature map的基础上,使用不同形状的anchor boxes,然后计算出Proposal。去掉YOLO的FC层,同时去掉YOLO的最后一个pool层,增加feature map的分辨率,修改网络的输入,保证feature map有一个中心点,这样可提高效率。并且是以每个anchor box来预测物体种类的
预测框将图片分成7×77×7个grid cell,每个grid cell预测2个bbox,一共也就98个。对于物体数量多且密集的图片很无力啊在M×NM×Nfeature map上每个位置使用9种anchor boxes,一共得到9MN9MN个高级的特征将网络的输入调整到416×416416×416,保证为多次卷积后,下采样factor为32,得到13×1313×13的feature map。在这上面使用9种anchor boxes,得到13×13×9=152113×13×9=1521个,这比YOLO大多了。
指标69.5mAP
recall:81%
我速度慢,不凑热闹了69.2mAP
recall:88%
精度下降一点点,召回率上了7%,还是很有效果的

Dimension Clusters

在Faster R-CNN里我们介绍过,9种不同的anchor boxes是三种面积和三种不同的长宽比组合而成的,为什么要选这样的anchor?
这是人工选择出来的,如果我们能用一个先验条件,找出大部分bbox的形状,设置anchor也为如此,那么模型学习起来会容易很多。

所以在YOLO2中,使用了K-means聚类对数据集的ground truth聚类。一般的聚类是使用欧式距离,这会导致ground truth大的比ground truth小的更受误差的影响,而且我们在实际的评价中是使用IoU的,很自然的想到用IoU来做聚类尺度。实际的度量尺度:

 

d(box,centroid)=1−IOU(box,centriod)d(box,centroid)=1−IOU(box,centriod)

对数据集的聚类结果如下:

mark

左图是聚类数目与Avg IoU的关系,论文选择是k=5k=5,在模型复杂度与召回率之间取一个折中值。右图是k=5k=5下的anchor boxes的形状。
同时,论文简单的比较了一下不同方法选出来的anchor的Avg IoU对比:

mark
无论是k=5k=5,还是k=9k=9,使用聚类选出来的anchor在Avg IoU指标上都要要比手动的好。使用聚类来算anchor好处还是很明显的。

Direct location prediction

在YOLO上使用anchor boxes会遇到一个问题:模型不稳定。尤其是在早期迭代中。论文认为模型不稳定的原因来自于预测bbox的(x,y)(x,y)。如下:

 

x=(tx∗wa)−xax=(tx∗wa)−xa

y=(ty∗ha)−yay=(ty∗ha)−ya

在Faster R-CNN的inference时,偏移因子tx,tytx,ty是没有限制的,模型预测的是offset,我们想让每个模型预测它附近的一个部分,在不加限制的情况下,收敛会比较慢。故论文对采用了和YOLO一样的方法,直接预测中心点,并使用Sigmoid函数将偏移量限制在0-1(这里的尺度是针对grid cell)。计算公式如下:

 

bx=σ(tx)+cxbx=σ(tx)+cx

by=σ(ty)+cyby=σ(ty)+cy

bw=pwetwbw=pwetw

bh=phethbh=pheth

Pr(object)∗IOU(b,object)=σ(to)Pr(object)∗IOU(b,object)=σ(to)

bx,by,bw,bhbx,by,bw,bh是预测的bbox的中心点坐标和宽高,中心点坐标的尺度是相对于grid cell。如下图:

mark

经过Dimension Clusters 和Direct location prediction操作,在原有的anchor boxes版本上又提升了5%的mAP。

Fine-Grained Features

网络最后的feature map尺寸为13×1313×13,对于检测大尺寸的目标是够的了。如果是要检测小尺寸细粒度的东西,感觉上有点勉强了。那该怎么办?

  • 论文琢磨着Faster R-CNN和SSD的想法,在不同层次的特征图上获取不同分辨率的Proposal。
  • 在ResNet上,是通过一个identity mapping,直接把上一层传到下一层。

论文整出一个passthrough layer,就是把上面层的(前面26×2626×26)高分辨率的feature map直接连到13×1313×13的feature map上。论文中把26×26×51226×26×512转为13×13×204813×13×2048,这样就能接到一起了。这么整让整体性能提升1%。

Multi-Scale Training

和GoogleNet训练时一样,为了提高模型的robust,使用多尺度的输入训练。因为网络的卷积层降采样因子是32,故输入尺寸选择32的倍数320,352,…,608320,352,…,608。论文给出了实验数据:

mark

当网络在小尺度输入时,速度能达到90FPS,mAP也能达到Faster R-CNN的水平。使用大尺寸输入时,速度降到了40FPS,mAP上升到了78.6%.达到了state-of-the-art的水准。

mark
各个模型之间性能的对比图。

Faster

DarkNet-19

大多数detection的框架是建立在VGG-16上的,VGG-16在ImageNet上能达到90%的top-5,但是单张图片需要30.69 billion 浮点运算,YOLO2是依赖于DarkNet-19的结构,这个模型在ImageNet上能达到91%的top-5,并且单张图片只需要5.58 billion 浮点运算。DarkNet的结构图如下:

mark

可以看到DarkNet也是大量使用了3×33×3和1×11×1的小卷积核,YOLO2在DarkNet的基础上添加了Batch Norm保证模型稳定,加速了模型收敛。

Training for classification

论文以Darknet-19为模型在ImageNet上用SGD跑了160epochs。

参数数值
learning rate0.1
polynomial rate decay4
weight decay0.00005
momentum0.9
  
data augmentation数据增强random crops, rotations等tricks

跑完了160 epochs后,把输入尺寸从224×224224×224上调为448×448448×448,这时候lr调到0.001,再跑了10 epochs,这时候DarkNet达到了top-1准确率76.5%,top-5准确率93.3%。

Training for dectection

在上面训练好的DarkNet-19的基础上,把分类网络改成detect网络,去掉原先网络的最后一个卷积层,取而代之的是使用3个3×3x10243×3x1024的卷积层,并且每个新增的卷积层后面接1×11×1的卷积层,数量是我们要detection的数量。

定义新的detectin模型,该训练了:

参数数值
训练次数160 epochs
learning rate起始0.001,在60和90 epochs时衰减10倍
weight decay0.0005
momentum0.9
data augmentationrandom crops,color shifting,etc

Stronger

论文提出了一种联合训练的机制:使用detection数据集训练模型detection相关parts,使用classification数据集训练模型classification相关parts。

这样训练会有一些问题:detection datasets的标签更为“上层”,例如狗,船啊啥的。而对应的classification datasets的标签就“下层”了很多,比如狗就有很多种,例如“Norfolk terrier”, “Yorkshire terrier”, and “Bedlington terrier”等等。

而我们一般在模型中分类使用的是softmax,softmax计算所有种类的最终的概率分布。softmax会假设所有种类之间是互斥的,但是,实际过程中,“上层”和“下层”之间是有对应的关系的。(例如中华田园犬,博美都属于狗),照着这样的思路,论文整出了一个层次性的标签结构。

Hierarchical classification

引用晓雷笔记。

ImageNet的标签的来源是WordNet(一个语言数据库)。WordNet是由directed struct组成,但是directed struct较为复杂,这里采用另一个方式表示WordTree

WordTree是一种多层级的Tree结构,数据来源于WordNet。在ImageNet中一个类别的标签在WordNet中到根节点的路径,如果存在多条则选择最短的一条。遍历将所有的类别标签都提取,最终得到WordTree,使用链式法则计算任意节点的概率值。

创建层次树的步骤是:

  • 遍历ImageNet的所有视觉名词
  • 对每一个名词,在WordNet上找到从它所在位置到根节点(“physical object”)的路径。 许多同义词集只有一条路径。所以先把这些路径加入层次树结构。
  • 然后迭代检查剩下的名词,得到路径,逐个加入到层次树。路径选择办法是:如果一个名词有两条路径到根节点,其中一条需要添加3个边到层次树,另一条仅需添加一条边,那么就选择添加边数少的那条路径。

最终结果是一颗 WordTree (视觉名词组成的层次结构模型)。用WordTree执行分类时,预测每个节点的条件概率。例如: 在“terrier”节点会预测:

 

Pr(Norfolkterrier|terrier)Pr(Yorkshireterrier|terrier)Pr(Bedlingtonterrier|terrier)…Pr(Norfolkterrier|terrier)Pr(Yorkshireterrier|terrier)Pr(Bedlingtonterrier|terrier)…

分类时假设图片包含物体:Pr(physical object) = 1.

为了验证这种方法作者在WordTree(用1000类别的ImageNet创建)上训练了Darknet-19模型。为了创建WordTree1k作者添加了很多中间节点,把标签由1000扩展到1369。

训练过程中ground truth标签要顺着向根节点的路径传播。例如:如果一张图片被标记为“Norfolk terrier”它也被标记为“dog” 和“mammal”等。为了计算条件概率,模型预测了一个包含1369个元素的向量,并基于所有“同义词集”计算softmax,其中“同义词集”是同一概念的下位词。

mark

使用相同的训练参数,层次式Darknet-19获得71.9%的top-1精度和90.4%top-5精度。尽管添加了369个额外概念,且让网络去预测树形结构,精度只有略微降低。按照这种方式执行分类有一些好处,当遇到新的或未知物体类别 这种方法的好处是在对未知或者新的物体进行分类时,性能降低的很优雅(gracefully)。例如:如果网络看到一张狗的图片,但是不确定狗的类别,网络预测为狗的置信度依然很高,但是,狗的下位词(哈士奇/金毛)的置信度就比较低。

有了这种映射机制,WordTree就可以将不同的数据集结合起来,由于WordTree本身变化多端,所以可以将大多数的数据集结合起来。

mark

Joint classification and detection

细节方法
样本使用WordTree混合了COCO与ImageNet数据集后,混合数据集对应的WordTree包含9418类。由于ImageNet数据集跟COCO比太大了,产生了样本倾斜的问题,因此作者将COCO过采样,使得COCO与ImageNet的比例为1: 4。
anchor boxYOLO9000的训练基于YOLO v2的架构。anchor box数量由5调整为3用以限制输出大小。
训练时遇到检测数据集样本正常地反方向传播
训练时遇到分类数据集样本在该类别对应的所有bounding box中找到一个置信度最高的(作为预测坐标),同样只反向传播该类及其路径以上对应节点的类别损失。反向传播objectness损失基于如下假设:预测box与ground truth box的重叠度至少0.3 IOU。

采用这种联合训练,YOLO9000从COCO检测数据集中学习如何在图片中寻找物体,从ImageNet数据集中学习更广泛的物体分类。

总结

YOLO2在YOLO的基础上提出了许多改进,比如Convolutional With Anchor Boxes, Dimension Clusters, Direct location prediction等等。YOLOv2/YOLO9000是现目标检测领域的state-of-the-art。


http://www.ngui.cc/el/5179149.html

相关文章

从零起步构建自己的快速语义搜索模型

雷锋网按:本文为 AI研习社 编译的技术博客,原标题 The unreasonable effectiveness of Deep Learning Representations,作者为 Emmanuel Ameisen 。 翻译 | 付腾 王飞 汪鹏 校对 | 余杭 整理 | MY 训练电脑以人类的方式去看图…

(转)零次学习(Zero-Shot Learning)入门

零次学习(Zero-Shot Learning)入门 小栗子 转自:https://zhuanlan.zhihu.com/p/34656727?spm5176.9876270.0.0.399ce44aXsg7cN 谢谢作者 事物的本质反映世界构成的规律 408 人赞了该文章 很久没有更文章了,主要是没有找到…

1x1卷积核如何降低参数量

本文介绍1*1的卷积核与googlenet里面的Inception。正式介绍之前,首先回顾卷积网络的基本概念。 1. 卷积核:可以看作对某个局部的加权求和;它是对应局部感知,它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体…

Hadoop-集群网络配置(转)

转自&#xff1a; 虚拟机中Centos设置静态IP地址方法 (一)虚拟机设置 首先要修改一下虚拟机,<选择虚拟网络编辑器> 对照着上面的图一个一个解释吧. 首先要选择NAT模式,这里我选择的是VMnet8,也可以点击添加网络再添加一个; 然后就是下面的两个对勾✔一定要选上(DHCP…

centos中的防火墙问题

centos从7开始默认用的是firewalld&#xff0c;这个是基于iptables的&#xff0c;虽然有iptables的核心&#xff0c;但是iptables的服务是没安装的。所以你只要停止firewalld服务即可&#xff1a; sudo systemctl stop firewalld.service && sudo systemctl disable fi…

hadoop中运行map-reduce程序时,java.net.connectionException

about云开发 标题: mapreduce报错 java.net.ConnectException: Connection refused [打印本页] 作者: Wyy_Ck 时间: 2016-10-31 15:13标题: mapreduce报错 java.net.ConnectException: Connection refused弄了半天&#xff0c;系统是centos 7&#xff0c;本想执行一个测试下…

负数的二进制

负数的二进制转换&#xff0c; 其实&#xff0c; 容易&#xff0c; 容易理解。 https://jingyan.baidu.com/article/29697b9106eb52ab21de3c7a.html 方法/步骤 首先&#xff0c;来个-5&#xff0c; 实践出真知嘛。 把5转化为二进制字节形式。 得到101&#xff0c; 然后补零…

中序遍历查找下一个节点

给定一个二叉树和其中的一个结点&#xff0c;请找出中序遍历顺序的下一个结点并且返回。注意&#xff0c;树中的结点不仅包含左右子结点&#xff0c;同时包含指向父结点的指针。 思路&#xff1a;就是只考虑当前节点的右边&#xff0c;父亲部分。 public class TreeLinkNode {…

打印从 1 到最大的 n 位数

题目描述 输入数字 n&#xff0c;按顺序打印出从 1 到最大的 n 位十进制数。比如输入 3&#xff0c;则打印出 1、2、3 一直到最大的 3 位数即 999。 解题思路 由于 n 可能会非常大&#xff0c;因此不能直接用 int 表示数字&#xff0c;而是用 char 数组进行存储。 使用回溯…

在 O(1) 时间内删除链表节点

解题思路 ① 如果该节点不是尾节点&#xff0c;那么可以直接将下一个节点的值赋给该节点&#xff0c;然后令该节点指向下下个节点&#xff0c;再删除下一个节点&#xff0c;时间复杂度为 O(1)。② 如果链表只有一个节点&#xff0c;那么直接② 否则&#xff0c;就需要先遍历链表…