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. 深入了解图片Base64编码

    title: 深入了解图片Base64编码 date: 2024/4/8 10:03:22 updated: 2024/4/8 10:03:22 tags: Base64编码 图片转换 HTTP请求 ...

  2. R语言学习3：数据框处理(1)

    本系列是一个新的系列,在此系列中,我将和大家共同学习R语言.由于我对R语言的了解也甚少,所以本系列更多以一个学习者的视角来完成. 参考教材:<R语言实战>第二版(Robert I.Kaba ...

  3. 知识图谱在RAG中的应用探讨

    在这篇文章中,我们来详细探讨知识图谱(KG)在RAG流程中的具体应用场景. 缘起 关于知识图谱在现在的RAG中能发挥出什么样的作用,之前看了360 刘焕勇的一个分享,简单的提了使用知识图谱增强大模型的 ...

  4. Kubernetes 的 NameSpace 无法删除应该怎么办？

    概述 有时候我们操作不规范,或者删除的先后顺序有问题,或者某项关键服务没有启动,导致 Kubernetes 经常会出现无法删除 NameSpace 的情况.这种情况下我们应该怎么办? 规范删除流程 其 ...

  5. HarmonyOS如何使用异步并发能力进行开发

      一.并发概述 并发是指在同一时间段内,能够处理多个任务的能力.为了提升应用的响应速度与帧率,以及防止耗时任务对主线程的干扰,HarmonyOS系统提供了异步并发和多线程并发两种处理策略. ● 异步 ...

  6. CentOS6.5安装与配置JDK-7

    系统环境:centos-6.5 安装方式:rpm安装 软件:jdk-7-linux-i586.rpm 下载地址:http://www.oracle.com/technetwork/java/javas ...

  7. c# semaphoreSlim限制线程数

    前言 我们在使用线程的时候,如果多个线程数去访问一个资源的时候,那么是非常影响程序的运行的,因为如果有写的操作,那么需要写锁,那么线程都会堵在同一个地方,那么我们可以限制一下访问一个资源的线程数. 正 ...

  8. mmcls 多标签模型部署在torch serve

    GitHub仓库:gy-7/mmcls_multi_label_torchserve (github.com) 各个文件说明: cls_requests_demo:分类模型请求api服务的demo d ...

  9. 【Oracle】Oracle常用分析函数（排名）

    Oracle常用分析函数(排名) 一般来说,遇到需要对数据进行排序的时候,可以使用分析函数,一般常用的有三个,rank,dense_rank,row_number --Oracle常用分析函数(排名) ...

  10. 力扣628(java)-三个数的最大乘积（简单）

    题目: 给你一个整型数组 nums ,在数组中找出由三个数组成的最大乘积,并输出这个乘积. 示例 1: 输入:nums = [1,2,3]输出:6示例 2: 输入:nums = [1,2,3,4]输出 ...