• [经验分享] 【aamvkk】腾龙公司24小时在线开户上下分联系负责人
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [交流吐槽] 【aamvkk】腾龙公司开户上下分联系负责人人
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [交流吐槽] 【aamvkk】腾龙公司上下分负责人
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [课程学习] 【aamvkk】新盛公司上下分负责人
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [课程学习] 【aamvkk】新盛公司上下分联系负责人
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [经验分享] 【aamvkk】腾龙公司账号游戏网址
    楼主的问题比较宽泛,我按专属主机 DeH 这个标签,结合生产上常用的做法给一个可落地的思路。先说结论:DeH 的价值是独占物理主机、资源隔离和合规可控,配置优化的核心不是把规格买大,而是先把业务特征定下来,再按主机类型、实例分布、监控和成本四步走。一、先定业务特征,再选主机第一,看负载类型。计算密集就优先看 vCPU 和内存比,IO 密集要看本地盘和云硬盘的组合,数据库类还要看内存和磁盘延迟。先跑一周的基线监控,拿到 CPU、内存、磁盘 IOPS 和网络的峰值、均值再定规格,不要只凭感觉选。第二,看合规和隔离要求。如果是因为安全合规、许可证按物理核计费,或者不希望和其他租户共享物理机,才优先选专属主机;如果只是普通业务,共享型的弹性云服务器可能更划算。第三,看区域和可用区。生产至少跨可用区部署,同一台专属主机上的实例不要放全部副本,避免单台主机故障影响整个服务。二、主机和实例怎么配第一,主机类型和实例规格要匹配。先选好专属主机的类型,再在它上面按需创建云服务器,同一台主机上尽量放同类业务,避免 CPU 密集和内存密集的业务互相抢资源。第二,留出余量。不要把一台主机的 vCPU 和内存全部打满,生产建议留出百分之二十左右的余量,用于突发流量、版本发布和故障切换。第三,磁盘和网络分开看。系统盘和数据盘分开,数据盘按业务选云硬盘类型;弹性公网 IP 和带宽按实际出口流量选,避免带宽买大了长期闲置。三、生产优化的日常做法第一,用云监控看四项指标:CPU 使用率、内存使用率、磁盘使用率和 IOPS、网络出入流量。连续一周 CPU 峰值低于百分之二十,说明规格偏大,可以降配;内存经常超过百分之八十,要先看是业务增长还是内存泄漏,再决定扩容。第二,定期做容量复核。每月看一次主机利用率和账单明细,把长期闲置的实例、没有挂载的数据盘、没有使用的弹性公网 IP 清理掉。按量实例关机后计算资源会停,但云硬盘、弹性公网 IP、带宽和云备份还会继续计费,只关机不清理关联资源,账单还是会走。第三,做好备份和演练。重要数据先做云备份或者快照,再做变更;删除或者释放实例前,先确认数据盘里有没有要保留的数据,删除操作不可逆。四、如果要进一步求助,建议补齐的信息只说配置与优化,很难给到唯一的答案。建议楼主补充:业务类型和并发量、现在的专属主机类型和规格、上面跑了几台云服务器、遇到的具体问题是性能不够、成本太高,还是合规要求。有了这些信息,才能判断是换主机类型、调整实例分布,还是只做监控和清理。以上是通用做法,具体数值要以自己的监控数据和官方文档为准。
  • [热门活动] 开发者技术支持-基于onTouch与Scroll状态控制解决地图组件滑动冲突问题
    开发者技术支持-基于onTouch与Scroll状态控制解决地图组件滑动冲突问题1.1 问题说明在页面使用Scroll作为外层容器时,若在Scroll内嵌入MapComponent(地图组件),用户在地图区域进行上下拖拽时,容易被Scroll抢占手势,导致地图无法完成垂直方向的平移浏览(表现为:页面滚动或无响应)。1.2 原因分析1)Scroll与MapComponent 都需要消费垂直方向的触摸滑动事件。默认情况下,父组件Scroll会优先处理滑动,从而拦截了地图组件的拖拽手势链路。2)地图平移/缩放依赖连续手势(Down——Move——Up/Cancel)。当Down后父组件开始滚动,MapComponent 无法持续接收到Move事件,最终表现为地图无法垂直拖动。3)若只在部分触摸状态下切换Scroll状态(例如只处理Up,不处理Cancel),在手势被系统中断(来电、通知遮挡、手势冲突取消)时可能导致 Scroll 无法恢复滚动。1.3 解决思路· 在 MapComponent的onTouch 事件中识别触摸阶段:· 当触摸按下(TouchType.Down)且命中地图区域时,临时关闭父级Scroll的滚动能力(scrollable = ScrollDirection.None),让地图优先处理拖拽。· 当触摸抬起/取消(TouchType.Up / TouchType.Cancel)时,恢复Scroll的垂直滚动(scrollable = ScrollDirection.Vertical),保证页面其余区域仍可正常滚动。· 通过@State状态变量驱动scrollable属性,确保UI状态与手势状态一致。1.4 解决方案状态变量:作为“开关”控制父Scroll是否可滚动 这一行的作用是提供一个“手势仲裁开关”:到底是Scroll响应垂直滑动,还是MapComponent响应拖拽。用 @State的意义是:scrollable 变化会触发UI刷新,使.scrollable(this.scrollable) 立即生效。默认Vertical:页面正常可上下滚动,只有在“触摸到地图”时才临时切换。地图区域命中:用onTouch在关键时刻切换开关  这段的核心是“地图交互开始 → 禁用Scroll;地图交互结束 → 恢复Scroll”。Down → None:按下就立刻让Scroll“退让”,避免Scroll抢走后续的Move事件(否则地图会出现拖不动/拖不顺)。Up/Cancel → Vertical:交互结束要恢复页面滚动,尤其Cancel覆盖系统中断/冲突取消等情况,防止页面“突然滚不动”。这里把onTouch放在MapComponent上是对的:只在“命中地图区域”时才禁用Scroll,不影响其他区域滚动。父Scroll绑定开关:真正决定谁能控制滑动scrollable只是状态,.scrollable(this.scrollable) 才是把状态作用到Scroll的地方。当它是 Vertical:Scroll会消费垂直滑动 → 页面滚动优先。当它是None:Scroll不消费滑动 → 事件更容易下发给MapComponent → 地图拖拽/缩放更稳定。所以整个方案其实是:onTouch 改状态 →Scroll根据状态决定是否抢手势。日志辅助验证:判断Scroll是否仍在抢手势 如果在地图上按住拖动时频繁看到onScrollStart,说明Scroll仍在抢(通常是地图没被命中、或上层有透明组件拦截触摸)。如果在地图区域拖动时几乎不触发onScrollStart,说明Down → None的仲裁生效了。这能快速定位问题是“仲裁逻辑没生效”还是“布局层级/命中问题”。1.5 总结1) 问题与痛点:Scroll与MapComponent都需要消费垂直滑动事件,默认父容器Scroll更容易抢占手势,导致地图无法连续接收Move,表现为地图垂直拖拽失效;若未处理Cancel,可能造成页面滚动状态无法恢复。2)技术要点:通过MapComponent的onTouch识别Down / Up / Cancel,在Down时将Scroll.scrollable切为None让Scroll退让,在Up/Cancel时恢复Vertical;用@State驱动状态变化,保证仲裁切换即时生效。3)实现效果:地图区域可稳定进行拖拽浏览(含垂直方向),离开地图区域后页面仍可正常滚动;在系统中断/手势取消情况下也能可靠恢复滚动,交互更自然、冲突更少。4)适用场景:详情页/列表页嵌入地图、POI浏览、门店/路线展示等“页面可滚动 + 地图可交互”的鸿蒙原生界面;同类强交互组件(图表/画布/大图)也可复用该仲裁写法。 
  • [公告] 中国根域名服务器:现状根镜像服务器:( “雪人计划”与IPv6根服务器:网络安全与治理)
    全球根域名服务器分为IPv4和IPv6两种。在IPv4体系中,全球共有13台根服务器,其中1个主根服务器位于美国,其余12个为辅根服务器,分布在美国、欧洲和日本1。在IPv6体系中,全球有25台根服务器,中国写阶段部署了其中的4台,包括1台主根和3台辅根服务器12。中国根域名服务器现状根镜像服务器:中国部署了数十个根镜像服务器,遍布各大骨干网,承担了大量域名解析请求,提高了国内网络访问速度和稳定性34。“雪人计划”与IPv6根服务器:中国积极参与并推动了“雪人计划”,在全球16个国家完成25台IPv6根服务器的架设,其中中国部署了4台,包括1台主根和3台辅根服务器,增强了中国互联网的自主性和安全性25。网络安全与治理:中国建立了根区异常监测系统,实时感知国际根区解析状态,并能在必要时启动快速重路由策略,由国内调度体系接管流量,确保网络稳定运行3。综上所述,中国通过根镜像服务器和IPv6根服务器的布局,构建起了一道坚实的网络安全防线,增强了网络自主性和安全性。
  • [问题求助] AICC24.200 openeye H5 webdemo
    【问题来源】【必填】    民生银行         【问题简要】希望得到AICC 24.200匹配的openeye webdom【问题类别】【必填】       Openeye H5 SDK【AICC解决方案版本】【必填】      AICC 24.200    【期望解决时间】尽快【问题现象描述】 当前论坛中的openeye webmo最高版本位23.300, 其内容与24.200产品中描述的开发接口中的demo code具体有区别现在23,200, 23.300的demo中的代码截图如下:配套24.200的webdemo是否能提供一下?
  • [问题求助] GSL申请会场资源失败原因
    【问题来源】【必填】北京【问题简要】【必填】您好,我们在申请会场资源,启动会场录音时,申请会场资源失败,想定位一下失败原因;目前trace日志报错截图如下,麻烦分析一下,需要查看什么日志或其他文件请告知。【问题类别】【必填】【AICC IVR】【AICC解决方案版本】【必填】【AICC可选择版本:AICC 8.13.0 CC-CMS】【期望解决时间】【选填】尽快【问题现象描述】【必填】在申请会场资源,启动会场录音时,申请会场资源失败,请帮忙定位一下失败原因;【截图信息】
  • [问题求助] 登录失败,错误码:50331748
     下面是 方法void onEvtLoginFailed(int userId, TsdkServiceAccountType serviceAccountType, TsdkLoginFailedInfo loginFailedInfo);中TsdkLoginFailedInfo的信息。TsdkLoginFailedInfo{reasonCode=50331748, reasonDescription='[TSDK_E_CALL_ERR_REASON_CODE_PAYMENTREQUIRED]:Indicates 402 payment required', lockInterval=0, residualRetryTimes=0}出现的场景是有多个账号,在华为的HW CouldLink登录了一个,我的二开软件登录另一个账号就报这个错误
  • [分享交流] 狂野少女
    A river of misty water shines in the clear haze, and people on both sides of the river connect the painted eaves to protect the lotus cluster from a period of light in autumn
  • [互动交流] 视洞U30家用摄像如何解绑旧手机号?
    视洞U30家用摄像头原来注册的手机号不用了,如何解绑旧手机号(旧手机号无法使用)?
  • [热门活动] 【DTSE Tech Talk】年度收官直播,分享建议和主题送华为定制T恤!
    直播介绍嘉宾简介徐毅 华为云DTSE技术布道师程泽 华为云DTSE技术布道师覃元元 华为云PaaS DTSE技术布道师许炳尘 华为云PaaS DTSE技术布道师董鑫武 华为云PaaS DTSE技术布道师金云飞 华为云媒体 DTSE技术布道师刘坤鹏 华为云EI DTSE技术布道师杜奇 华为云EI DTSE技术布道师直播简介《DTSE Tech Talk》直播2022年度收官盛典火热来袭,华为云大咖专家团云上齐聚,畅谈华为云黑科技,共话2023年度内容新方向,助力开发者云上成长!参与直播互动,更有华为Freelace Pro无线耳机等好礼享不停~直播链接cid:link_1直播时间2022年12月28日 15:00-17:30直播福利活动时间:即日起——2022年12月28日活动介绍:在本论坛帖提出对《DTSE Tech Talk》直播的建议或明年期望讲解的课程主题,评论热度TOP5(评论点赞量≥10起评)送华为定制T恤。参与更多活动赢华为Freelace Pro无线耳机、几米智能床头灯等好礼!请戳》》【注意事项】1、为保证您顺利领取活动奖品,请您在活动公示奖项后1个工作日内提前填写问卷反馈奖品收货信息,如您没有填写,视为自动放弃奖励。2、活动奖项公示时间截止2022年12月29日,如未填写视为弃奖。本次活动奖品将于奖项公示后30个工作日内统一发出,如遇节假日或疫情原因即往后延期,请您耐心等待。3、活动期间同类子活动每个ID(同一姓名/电话/收货地址)只能获奖一次,若重复则中奖资格顺延至下一位合格开发者,仅一次顺延。4、如活动奖品出现没有库存的情况,华为云工作人员将会替换等价值的奖品,获奖者不同意此规则视为放弃奖品。5、其他事宜请参考【华为云社区常规活动规则】。
  • [技术干货] YOLOX改进之损失函数修改(上)-转载
     文章内容:如何在YOLOX官网代码中修改–置信度预测损失  环境:pytorch1.8  损失函数修改内容:  (1)置信度预测损失更换:二元交叉熵损失替换为FocalLoss或者VariFocalLoss  (2)定位损失更换:IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列  提示:使用之前可以先了解YOLOX及上述损失函数原理  参考链接:  YOLOX官网链接:https://github.com/Megvii-BaseDetection/YOLOX  YOLOX原理解析(Bubbliiiing大佬版):https://blog.csdn.net/weixin_44791964/article/details/120476949  FocalLoss损失解析:https://cyqhn.blog.csdn.net/article/details/87343004  VariFocalLoss损失解析:https://blog.csdn.net/weixin_42096202/article/details/108567189  GIOU、CIOU、EIOU等:https://blog.csdn.net/neil3611244/article/details/113794197  a-IOU:https://blog.csdn.net/wjytbest/article/details/121513560  使用方法:直接替换即可  代码修改过程:  1、置信度预测损失更换之FocalLoss(不需要创建新的py文件)  使用:直接在YOLOX-main/yolox/models/yolo_head.py的YOLOXHead类中创建focal_loss方法  (1)首先找到置信度预测损失计算位置loss_obj,并进行替换(位置在386-405行左右)  # loss_iou:定位损失;loss_obj:置信度预测损失;loss_cls:预测损失         loss_iou = (             self.iou_loss(bbox_preds.view(-1, 4)[fg_masks], reg_targets)         ).sum() / num_fg         #loss_obj = (           #    self.bcewithlog_loss(obj_preds.view(-1, 1), obj_targets)         #).sum() / num_fg         loss_obj = (             self.focal_loss(obj_preds.sigmoid().view(-1, 1), obj_targets)         ).sum() / num_fg         loss_cls = (             self.bcewithlog_loss(                 cls_preds.view(-1, self.num_classes)[fg_masks], cls_targets             )         ).sum() / num_fg (2)创建focal_loss方法,放到def get_l1_target(…)之前即可,代码如下:  def focal_loss(self, pred, gt):         pos_inds = gt.eq(1).float()         neg_inds = gt.eq(0).float()         pos_loss = torch.log(pred+1e-5) * torch.pow(1 - pred, 2) * pos_inds * 0.75         neg_loss = torch.log(1 - pred+1e-5) * torch.pow(pred, 2) * neg_inds * 0.25         loss = -(pos_loss + neg_loss)         return loss 2、置信度预测损失更换之VariFocalLoss(代码较多,所以额外创建新的py文件)  步骤一:YOLOX-main/yolox/models文件夹下创建varifocalloss.py文件,内容如下:  import torch.nn as nn import torch.nn.functional as F   def reduce_loss(loss, reduction):     """Reduce loss as specified.     Args:         loss (Tensor): Elementwise loss tensor.         reduction (str): Options are "none", "mean" and "sum".     Return:         Tensor: Reduced loss tensor.     """     reduction_enum = F._Reduction.get_enum(reduction)     # none: 0, elementwise_mean:1, sum: 2     if reduction_enum == 0:         return loss     elif reduction_enum == 1:         return loss.mean()     elif reduction_enum == 2:         return loss.sum()          def weight_reduce_loss(loss, weight=None, reduction='mean', avg_factor=None):     """Apply element-wise weight and reduce loss.     Args:         loss (Tensor): Element-wise loss.         weight (Tensor): Element-wise weights.         reduction (str): Same as built-in losses of PyTorch.         avg_factor (float): Avarage factor when computing the mean of losses.     Returns:         Tensor: Processed loss values.     """     # if weight is specified, apply element-wise weight     if weight is not None:         loss = loss * weight      # if avg_factor is not specified, just reduce the loss     if avg_factor is None:         loss = reduce_loss(loss, reduction)     else:         # if reduction is mean, then average the loss by avg_factor         if reduction == 'mean':             loss = loss.sum() / avg_factor         # if reduction is 'none', then do nothing, otherwise raise an error         elif reduction != 'none':             raise ValueError('avg_factor can not be used with reduction="sum"')     return loss  def varifocal_loss(pred,                    target,                    weight=None,                    alpha=0.75,                    gamma=2.0,                    iou_weighted=True,                    reduction='mean',                    avg_factor=None):     """`Varifocal Loss `_     Args:         pred (torch.Tensor): The prediction with shape (N, C), C is the             number of classes         target (torch.Tensor): The learning target of the iou-aware             classification score with shape (N, C), C is the number of classes.         weight (torch.Tensor, optional): The weight of loss for each             prediction. Defaults to None.         alpha (float, optional): A balance factor for the negative part of             Varifocal Loss, which is different from the alpha of Focal Loss.             Defaults to 0.75.         gamma (float, optional): The gamma for calculating the modulating             factor. Defaults to 2.0.         iou_weighted (bool, optional): Whether to weight the loss of the             positive example with the iou target. Defaults to True.         reduction (str, optional): The method used to reduce the loss into             a scalar. Defaults to 'mean'. Options are "none", "mean" and             "sum".         avg_factor (int, optional): Average factor that is used to average             the loss. Defaults to None.     """     # pred and target should be of the same size     assert pred.size() == target.size()     pred_sigmoid = pred.sigmoid()     target = target.type_as(pred)     if iou_weighted:         focal_weight = target * (target > 0.0).float() + \             alpha * (pred_sigmoid - target).abs().pow(gamma) * \             (target <= 0.0).float()     else:         focal_weight = (target > 0.0).float() + \             alpha * (pred_sigmoid - target).abs().pow(gamma) * \             (target <= 0.0).float()     loss = F.binary_cross_entropy_with_logits(         pred, target, reduction='none') * focal_weight     loss = weight_reduce_loss(loss, weight, reduction, avg_factor)     return loss     class VarifocalLoss(nn.Module):       def __init__(self,                  use_sigmoid=True,                  alpha=0.75,                  gamma=2.0,                  iou_weighted=True,                  reduction='mean',                  loss_weight=1.0):         """`Varifocal Loss `_         Args:             use_sigmoid (bool, optional): Whether the prediction is                 used for sigmoid or softmax. Defaults to True.             alpha (float, optional): A balance factor for the negative part of                 Varifocal Loss, which is different from the alpha of Focal                 Loss. Defaults to 0.75.             gamma (float, optional): The gamma for calculating the modulating                 factor. Defaults to 2.0.             iou_weighted (bool, optional): Whether to weight the loss of the                 positive examples with the iou target. Defaults to True.             reduction (str, optional): The method used to reduce the loss into                 a scalar. Defaults to 'mean'. Options are "none", "mean" and                 "sum".             loss_weight (float, optional): Weight of loss. Defaults to 1.0.         """         super(VarifocalLoss, self).__init__()         assert use_sigmoid is True, \             'Only sigmoid varifocal loss supported now.'         assert alpha >= 0.0         self.use_sigmoid = use_sigmoid         self.alpha = alpha         self.gamma = gamma         self.iou_weighted = iou_weighted         self.reduction = reduction         self.loss_weight = loss_weight       def forward(self,                 pred,                 target,                 weight=None,                 avg_factor=None,                 reduction_override=None):         """Forward function.         Args:             pred (torch.Tensor): The prediction.             target (torch.Tensor): The learning target of the prediction.             weight (torch.Tensor, optional): The weight of loss for each                 prediction. Defaults to None.             avg_factor (int, optional): Average factor that is used to average                 the loss. Defaults to None.             reduction_override (str, optional): The reduction method used to                 override the original reduction method of the loss.                 Options are "none", "mean" and "sum".         Returns:             torch.Tensor: The calculated loss         """         assert reduction_override in (None, 'none', 'mean', 'sum')         reduction = (             reduction_override if reduction_override else self.reduction)         if self.use_sigmoid:             loss_cls = self.loss_weight * varifocal_loss(                 pred,                 target,                 weight,                 alpha=self.alpha,                 gamma=self.gamma,                 iou_weighted=self.iou_weighted,                 reduction=reduction,                 avg_factor=avg_factor)         else:             raise NotImplementedError         return loss_cls 步骤二:在YOLOX-main/yolox/models/yolo_head.py中调用VarifocalLoss  (1)导入  from .varifocalloss import VarifocalLoss (2)在init中实例化  self.varifocal = VarifocalLoss(reduction='none') (3)替换原有的置信度预测损失loss_obj  # loss_iou:定位损失;loss_obj:置信度预测损失;loss_cls:预测损失         loss_iou = (             self.iou_loss(bbox_preds.view(-1, 4)[fg_masks], reg_targets)         ).sum() / num_fg         #loss_obj = (           #    self.bcewithlog_loss(obj_preds.view(-1, 1), obj_targets)         #).sum() / num_fg         loss_obj = (self.varifocal(obj_preds.view(-1, 1), obj_targets)         ).sum() / num_fg         loss_cls = (             self.bcewithlog_loss(                 cls_preds.view(-1, self.num_classes)[fg_masks], cls_targets)         ).sum() / num_fg 效果:根据个人数据集而定。FocalLoss与VariFocalLoss在我的数据集上均能提升,模型越大效果越明显。(但是在yolox-tiny上FocalLoss效果AP50会低于原来)  以上代码链接: 链接:https://pan.baidu.com/s/1ee1sQ9Eulz_mUdHTOnBe7w 提取码:8v8r ———————————————— 版权声明:本文为CSDN博主「你的陈某某」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。 原文链接:https://blog.csdn.net/weixin_45679938/article/details/122343945 
总条数:55 到第 页
上滑加载中