本教程在前述教程（DashVector + ModelScope玩转多模态检索）的基础之上，基于DashScope上新推出的ONE-PEACE通用多模态表征模型结合向量检索服务DashVector来对多模态检索进行升级，接下来我们将展示更丰富的多模态检索能力。

DashVector + ModelScope 玩转多模态检索

行车记录仪

ONE-PEACE多模态模型

整体流程

主要分为两个阶段：

多模态数据Embedding入库。通过ONE-PEACE模型服务Embedding接口将多种模态的数据集数据转化为高维向量。

多模态Query检索。基于ONE-PEACE模型提供的多模态Embedding能力，我们可以自由组合不同模态的输入，例如单文本、文本+音频、音频+图片等多模态输入，获取Embedding向量后通过DashVector跨模态检索相似结果。

前提准备

1. API-KEY 准备

开通灵积模型服务，并获得API-KEY：开通DashScope并创建API-KEY

开通DashVector向量检索服务，并获得API-KEY：API-KEY管理

2. 环境准备

本教程使用的多模态推理模型服务是DashScope最新的ONE-PEACE模型。ONE-PEACE是一个图文音三模态通用表征模型，在语义分割、音文检索、音频分类和视觉定位几个任务都达到了新SOTA表现，在视频分类、图像分类图文检索、以及多模态经典benchmark也都取得了比较领先的结果。模型相关的环境依赖如下：

说明

需要提前安装Python3.7 及以上版本，请确保相应的python版本。

# 安装 dashscope 和 dashvector sdk

pip3 install dashscope dashvector

基本检索

1. 数据准备

说明

由于DashScope的ONE-PEACE模型服务当前只支持URL形式的图片、音频输入，因此需要将数据集提前上传到公共网络存储（例如 oss/s3），并获取对应图片、音频的url地址列表。

当前示例场景使用ImageNet-1k的validation数据集作为入库的图片数据集，将原始图片数据Embedding入库。检索时使用ESC-50数据集作为音频输入，文本和图片输入由用户自定义，用户也可对不同模态数据自由组合。

Dataset for ImageNet-1k

Dataset for ESC-50

2. 数据Embedding入库

说明

本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint，均需要替换为您自己的API-KAY及CLUSTER_ENDPOINT后，代码才能正常运行。

ImageNet-1k的validation数据集包含50000张标注好的图片数据，其中包含1000个类别，每个类别50张图片，这里我们基于ONE-PEACE模型提取原始图片的Embedding向量入库，另外为了方便后续的图片展示，我们也将原始图片的url一起入库。代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client, Doc, DashVectorException

dashscope.api_key = '{your-dashscope-api-key}'

# 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到

# 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。

# 该文件每行存储数据集单张图片的公共 url，与当前python脚本位于同目录下

IMAGENET1K_URLS_FILE_PATH = "imagenet1k-urls.txt"

def index_image():

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维

    rsp = client.create('imagenet1k_val_embedding', 1536)

    if not rsp:

        raise DashVectorException(rsp.code, reason=rsp.message)

    # 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector

    collection = client.get('imagenet1k_val_embedding')

    with open(IMAGENET1K_URLS_FILE_PATH, 'r') as file:

        for i, line in enumerate(file):

            url = line.strip('\n')

            input = [{'image': url}]

            result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                              input=input,

                                              auto_truncation=True)

            if result.status_code != 200:

                print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")

                continue

            embedding = result.output["embedding"]

            collection.insert(

                Doc(

                    id=str(i),

                    vector=embedding,

                    fields={'image_url': url}

                )

            )

            if (i + 1) % 100 == 0:

                print(f"---- Succeeded to insert {i + 1} image embeddings")

if __name__ == '__main__':

    index_image()

说明

上述代码需要访问DashScope的ONE-PEACE多模态Embedding模型，总体运行速度视用户开通该服务的qps有所不同。

因图片大小影响ONE-PEACE模型获取Embedding的成功与否，上述代码运行后最终入库数据可能小于50000条。

3. 模态检索

3.1. 文本检索

对于单文本模态检索，可以通过ONE-PEACE模型获取文本Embedding向量，再通过DashVector向量检索服务的检索接口，快速检索相似的底库图片。这里文本query是猫 “cat”，代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image(image_list):

    for img in image_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

def text_search(input_text):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('imagenet1k_val_embedding')

    # 获取文本 query 的 Embedding 向量

    input = [{'text': input_text}]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    text_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(text_vector, topk=3)

    image_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img = Image.open(urlopen(img_url))

        image_list.append(img)

    return image_list

if __name__ == '__main__':

    """文本检索"""

    # 猫

    text_query = "cat"

    show_image(text_search(text_query))

运行上述代码，检索结果如下：

3.2. 音频检索

单音频模态检索与文本检索类似，这里音频query取自ESC-50的“猫叫声”片段，代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image(image_list):

    for img in image_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

def audio_search(input_audio):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('imagenet1k_val_embedding')

    # 获取音频 query 的 Embedding 向量

    input = [{'audio': input_audio}]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    audio_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(audio_vector, topk=3)

    image_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img = Image.open(urlopen(img_url))

        image_list.append(img)

    return image_list

if __name__ == '__main__':

    """音频检索"""

    # 猫叫声

    audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav"

    show_image(audio_search(audio_url))

运行上述代码，检索结果如下：

3.3. 文本+音频检索

接下来，我们尝试“文本+音频”联合模态检索，同上，首先通过ONE-PEACE模型获取“文本+音频”输入的Embedding向量，再通过DashVector向量检索服务检索结果。这里的文本query选取的是草地“grass”，音频query依然选择的是ESC-50的“猫叫声”片段。代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image(image_list):

    for img in image_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

def text_audio_search(input_text, input_audio):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('imagenet1k_val_embedding')

    # 获取文本+音频 query 的 Embedding 向量

    input = [

        {'text': input_text},

        {'audio': input_audio},

    ]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    text_audio_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(text_audio_vector, topk=3)

    image_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img = Image.open(urlopen(img_url))

        image_list.append(img)

    return image_list

if __name__ == '__main__':

    """文本+音频检索"""

    # 草地

    text_query = "grass"

    # 猫叫声

    audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav"

    show_image(text_audio_search(text_query, audio_url))

运行上述代码，检索结果如下：

3.4. 图片+音频检索

我们再尝试下“图片+音频”联合模态检索，与前述“文本+音频”检索类似，这里的图片选取的是草地图像（需先上传到公共网络存储并获取 url），音频query依然选择的是ESC-50的“猫叫声”片段。代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image(image_list):

    for img in image_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

def image_audio_search(input_image, input_audio):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('imagenet1k_val_embedding')

    # 获取图片+音频 query 的 Embedding 向量

    # 注意，这里音频 audio 模态输入的权重参数 factor 为 2（默认为1）

    # 目的是为了增大音频输入（猫叫声）对检索结果的影响

    input = [

        {'factor': 1, 'image': input_image},

        {'factor': 2, 'audio': input_audio},

    ]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    image_audio_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(image_audio_vector, topk=3)

    image_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img = Image.open(urlopen(img_url))

        image_list.append(img)

    return image_list

if __name__ == '__main__':

    """图片+音频检索"""

    # 草地

    image_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/image-dataset/grass-field.jpeg"

    # 猫叫声

    audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-47819-A-5.wav"

    show_image(image_audio_search(image_url, audio_url))

输入示意图如下：

运行代码，检索结果如下：

进阶使用

上述场景里作为检索底库数据的是单模态的图片数据，这里我们也可以将多种模态的数据同时通过ONE-PEACE模型获取Embedding向量，将Embedding向量作为检索库数据入库检索，观察检索效果。

1. 数据准备

本示例场景使用微软COCO在Captioning场景下的validation数据集，将图片以及对应的图片描述caption文本两种模态数据一起Embedding入库。对于检索时输入的图片、音频与文本等多模态数据，用户可以自定义，也可以使用公共数据集的数据。

Dataset for MSCOCO

2. 数据Embedding入库

说明

本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint，均需要替换为您自己的API-KAY及CLUSTER_ENDPOINT后，代码才能正常运行。

微软COCO的Captioning validation验证集包含5000张标注良好的图片及对应的说明文本，这里我们需要通过 DashScope的ONE-PEACE模型提取数据集的“图片+文本”的Embedding向量入库，另外为了方便后续的图片展示，我们也将原始图片url和对应caption文本一起入库。代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client, Doc, DashVectorException

dashscope.api_key = '{your-dashscope-api-key}'

# 由于 ONE-PEACE 模型服务当前只支持 url 形式的图片、音频输入，因此用户需要将数据集提前上传到

# 公共网络存储（例如 oss/s3），并获取对应图片、音频的 url 列表。

# 该文件每行存储数据集单张图片的公共 url 和对应的 caption 文本，以`;`分割

COCO_CAPTIONING_URLS_FILE_PATH = "cocoval5k-urls-captions.txt"

def index_image_text():

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 创建集合：指定集合名称和向量维度, ONE-PEACE 模型产生的向量统一为 1536 维

    rsp = client.create('coco_val_embedding', 1536)

    if not rsp:

        raise DashVectorException(rsp.code, reason=rsp.message)

    # 调用 dashscope ONE-PEACE 模型生成图片 Embedding，并插入 dashvector

    collection = client.get('coco_val_embedding')

    with open(COCO_CAPTIONING_URLS_FILE_PATH, 'r') as file:

        for i, line in enumerate(file):

            url, caption = line.strip('\n').split(";")

            input = [

                {'text': caption},

                {'image': url},

            ]

            result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                              input=input,

                                              auto_truncation=True)

            if result.status_code != 200:

                print(f"ONE-PEACE failed to generate embedding of {url}, result: {result}")

                continue

            embedding = result.output["embedding"]

            collection.insert(

                Doc(

                    id=str(i),

                    vector=embedding,

                    fields={'image_url': url, 'image_caption': caption}

                )

            )

            if (i + 1) % 20 == 0:

                print(f"---- Succeeded to insert {i + 1} image embeddings")

if __name__ == '__main__':

    index_image_text()

说明

上述代码需要访问DashScope的ONE-PEACE多模态Embedding模型，总体运行速度视用户开通该服务的qps有所不同。

3. 模态检索

3.1. 文本检索

首先我们尝试单文本模态检索。代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image_text(image_text_list):

    for img, cap in image_text_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

        print(cap)

def text_search(input_text):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('coco_val_embedding')

    # 获取文本 query 的 Embedding 向量

    input = [{'text': input_text}]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    text_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(text_vector, topk=3)

    image_text_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img_cap = doc.fields['image_caption']

        img = Image.open(urlopen(img_url))

        image_text_list.append((img, img_cap))

    return image_text_list

if __name__ == '__main__':

    """文本检索"""

    # 狗

    text_query = "dog"

    show_image_text(text_search(text_query))

运行上述代码，检索结果如下：

3.2. 音频检索

我们再尝试单音频模态检索。我们使用ESC-50数据集的“狗叫声片段”作为音频输入，代码示例如下：

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image_text(image_text_list):

    for img, cap in image_text_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

        print(cap)

def audio_search(input_audio):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('coco_val_embedding')

    # 获取音频 query 的 Embedding 向量

    input = [{'audio': input_audio}]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    audio_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(audio_vector, topk=3)

    image_text_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img_cap = doc.fields['image_caption']

        img = Image.open(urlopen(img_url))

        image_text_list.append((img, img_cap))

    return image_text_list

if __name__ == '__main__':

    """"音频检索"""

    # dog bark

    audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-100032-A-0.wav"

    show_image_text(audio_search(audio_url))

运行上述代码，检索结果如下：

3.3. 文本+音频检索

进一步的，我们尝试使用“文本+音频”进行双模态检索。这里使用ESC-50数据集的“狗叫声片段”作为音频输入，另外使用“beach”作为文本输入，代码示例如下：

``

点击查看代码 
import dashscope

from dashscope import MultiModalEmbedding

from dashvector import Client

from urllib.request import urlopen

from PIL import Image

dashscope.api_key = '{your-dashscope-api-key}'

def show_image_text(image_text_list):

    for img, cap in image_text_list:

        # 注意：show() 函数在 Linux 服务器上可能需要安装必要的图像浏览器组件才生效

        # 建议在支持 jupyter notebook 的服务器上运行该代码

        img.show()

        print(cap)

def text_audio_search(input_text, input_audio):

    # 初始化 dashvector client

    client = Client(

      api_key='{your-dashvector-api-key}',

      endpoint='{your-dashvector-cluster-endpoint}'

    )

    # 获取上述入库的集合

    collection = client.get('coco_val_embedding')

    # 获取文本+音频 query 的 Embedding 向量

    input = [

        {'text': input_text},

        {'audio': input_audio},

    ]

    result = MultiModalEmbedding.call(model=MultiModalEmbedding.Models.multimodal_embedding_one_peace_v1,

                                      input=input,

                                      auto_truncation=True)

    if result.status_code != 200:

        raise Exception(f"ONE-PEACE failed to generate embedding of {input}, result: {result}")

    text_audio_vector = result.output["embedding"]

    # DashVector 向量检索

    rsp = collection.query(text_audio_vector, topk=3)

    image_text_list = list()

    for doc in rsp:

        img_url = doc.fields['image_url']

        img_cap = doc.fields['image_caption']

        img = Image.open(urlopen(img_url))

        image_text_list.append((img, img_cap))

    return image_text_list

if __name__ == '__main__':

    """文本+音频检索"""

    text_query = "beach"

    # 狗叫声

    audio_url = "http://proxima-internal.oss-cn-zhangjiakou.aliyuncs.com/audio-dataset/esc-50/1-100032-A-0.wav"

    show_image_text(text_audio_search(text_query, audio_url))

运行上述代码，检索结果如下：

观察上述检索结果，发现后两张图的重点更多的是在展示 “beach” 文本输入对应的沙滩，而 “狗叫声片段”音频输入指示的狗的图片形象则不明显，其中第二张图需要放大后才可以看到图片中站立在水中的狗，第三张图中基本没有狗的形象。

对于上述情况，我们可以通过调整不同输入的权重来设置mbedding向量中哪种模态占更大的比重，从而在检索中突出重点。例如对于上述代码，我们可以给予“狗叫声片段”更大的权重，重点突出检索结果里狗的形象。

点击查看代码 
# 其他代码一致

# 通过 `factor` 参数来调整不同模态输入的权重，默认为 1，这里设置 audio 为 2

input = [

    {'factor': 1, 'text': input_text},

    {'factor': 2, 'audio': input_audio},

]

替换 后，运行上述代码，结果如下：input

写在最后

本文结合DashScope的ONE-PEACE模型的和DashVector向量检索服务向大家展示了丰富多样的多模态检索示例，得益于ONE-PEACE模型优秀的多模态Embedding能力和DashVector强大的向量检索能力，我们能初步看到AI多模态检索令人惊喜的效果。

本文的范例中，我们的向量检索服务，模型服务以及数据均可以公开获取，我们提供的示例也只是有限的展示了多模态检索的效果，非常欢迎大家来体验，自由发掘多模态检索的潜力。

免费体验阿里云高性能向量检索服务：https://www.aliyun.com/product/ai/dashvector

DashVector + DashScope升级多模态检索的更多相关文章

  1. 多模态检索之CCA算法

    多模态检索主要是实现不同模态下的数据能相互检索,例如文本模态数据,和图像模态数据.要能实现他们之间的相互检索,首先要是它们相互关联起来.CCA·算法用于多模态检索步骤:      1)首先提取文本,图 ...

  2. 国内外php主流开源cms、SNS、DIGG、RSS、Wiki汇总

    今年国内PHP开源CMS内容管理系统从程序框架,模版加载到程序功能上都有很大的进步,大部分都采用了自定义模块,自定义模型的方式,同时提供各个CMS都提供不同的特色功能,CMS内容管理系统一直影响着互联 ...

  3. 国内外主要的PHP开源CMS系统分析

    国内PHP开源CMS内容管理系统从程序框架,模版加载到程序功能上都有很大的进步,大部分都采用了自定义模块,自定义模型的方式,同时提供各个CMS都提供不同的特色功能,CMS内容管理系统一直影响着互联网的 ...

  4. ASP.NET Core 1.1 Preview 1 简介(包含.NETCore 1.1升级公告)

    ASP.NET Core 1.1 Preview 1于2016年10月25日发布.这个版本包括许多伟大的新功能以及许多错误修复和一般的增强. 要将现有项目更新到ASP.NET Core 1.1 Pre ...

  5. 从ASP.NET 升级到ASP.NET5(RC1) - 翻译

    前言 ASP.NET 5 是一次令人惊叹的对于ASP.NET的创新革命. 他将构建目标瞄准了 .NET Core CLR, 同时ASP.NET又是对于云服务进行优化,并且是跨平台的框架.很多文章已经称 ...

  6. 用任务计划管理计划任务对付任务计划-禁止WPS提示升级

    作为一名至今还在坚守着64位XP的XP用到死星人,因为准备升级电脑,所以准备移民外星,开始使用Windows7.其实我新电脑买来一年了,为了坚守XP,扔在一边没有装(华硕Z9PE-D8 WS主板,双E ...

  7. （1-1）文件结构的升级（Area和Filter知识总结） - ASP.NET从MVC5升级到MVC6

    ASP.NET从MVC5升级到MVC6 总目录 MVC5项目结构 带有Areas和Filter的项目结构 一般来说,小的MVC项目是不考虑领域的,但是,如果是稍微复杂一点的项目,往往是需要领域这个概念 ...

  8. 安装升级npm依赖

    npm-check 能够自动检索npm包版本,并且提供交互操作界面: 有以下功能: 1.告诉你那些依赖已经过时: 2.在你决定升级时,给你提供依赖包的文档: 3.提示某个依赖没有被你使用: 4.支持全 ...

  9. sqlite升级--浅谈Android数据库版本升级及数据的迁移

    Android开发涉及到的数据库采用的是轻量级的SQLite3,而在实际开发中,在存储一些简单的数据,使用SharedPreferences就足够了,只有在存储数据结构稍微复杂的时候,才会使用数据库来 ...

  10. 自动升级系统OAUS的设计与实现（续） （附最新源码）

    (最新OAUS版本请参见:自动升级系统的设计与实现(续2) -- 增加断点续传功能) 一.缘起 自从 自动升级系统的设计与实现(源码) 发布以后,收到了很多使用者的反馈,其中最多的要求就是希望OAUS ...

随机推荐

  1. Prometheus之grafana(No data to show)

    一.问题现象 1.grafana添加数据源后获取不到监控数据(No data to show) 2.prometheus以下报错 二.问题原因 服务器与浏览器时间不同步的原因,服务器端配置NTP服务和 ...

  2. ASP.NET 部署常见问题及解决方案

    ASP.NET 部署部署过程中常见问题及解决方案 Could not load file or assembly 'XXXXX' or one of its dependencies. Access ...

  3. 重新点亮linux 命令树————网络管理和网络配置文件[十一六]

    前言 简单整理一下网络管理和网络配置文件. 正文 网络服务程序分为两种:分别是SysV和systemd service network start|stop|restart chkconfig --l ...

  4. mysql 重新整理——索引优化explain字段介绍一 [九]

    前言 在七种介绍了explain这东西,那么具体来看下它是如何来运行的吧. 正文 id 来看一条语句:EXPLAIN select * from departments,dept_emp,employ ...

  5. 构建RAG应用-day01: 词向量和向量数据库 文档预处理

    词向量和向量数据库 词向量(Embeddings)是一种将非结构化数据,如单词.句子或者整个文档,转化为实数向量的技术. 词向量搜索和关键词搜索的比较 优势1:词向量可以语义搜索 比如百度搜索,使用的 ...

  6. css3新单位vw、vh、vmin、vmax的使用详解

    1,vw.vh.vmin.vmax 的含义 (1) vw. vh. vmin. vmax 是一种视窗单位,也是相对单位.它相对的不是父节点或者页面的根节点.而是由视窗( Viewport)大小来决定的 ...

  7. log4j2 lookup漏洞修复方法

    2021.12.10凌晨,Apache Log4j远程代码执行漏洞细节被公开,参考链接:https://unit42.paloaltonetworks.com/apache-log4j-vulnera ...

  8. HarmonyOS NEXT 实战开发—Grid和List内拖拽交换子组件位置

    介绍 本示例分别通过onItemDrop()和onDrop()回调,实现子组件在Grid和List中的子组件位置交换. 效果图预览 使用说明: 拖拽Grid中子组件,到目标Grid子组件位置,进行两者 ...

  9. [FAQ] VsCode 同时多行编辑

      [多光标自定义编辑] 按住 alt 键,鼠标左键点击,出现多个光标. [批量选中匹配编辑] 鼠标选中字符,按快捷键 ctrl + shift + L,字符的右侧都出现光标,可同时编辑. Tool: ...

  10. [Gin] gin-jwt 业务逻辑中使用实例化的 middleware 的方式

    依然需要按文档所示实例化一个 authMiddleware. 在路由组中使用的方式是 authMiddleware.MiddlewareFunc(). 通过追踪 MiddlewareFunc 可以知道 ...