Region 82 Avg IOU: -nan, Class: -nan, Obj: -nan, No Obj: 0.487322, .5R: -nan, .75R: -nan, count: 0

时间: 2024-05-24 11:15:21 浏览: 169
ZIP

FastFCN-master_FastFCN：_fast-rcnn_wet2cf_源码

star5星 · 资源好评率100%
这段话似乎是关于目标检测算法的输出结果。其中包含了一些指标，比如平均交并比（Avg IOU）、分类准确率（Class）、目标检测准确率（Obj）等等。但是，根据给出的信息，这些指标的数值都是无效的（-nan），只有“无目标”的比例（No Obj）是0.487322。同时，还给出了目标数量（count）为0。这可能意味着算法没有检测到任何目标，或者是输出结果的格式有误。需要进一步分析和调试，才能确定具体原因。
阅读全文

相关推荐

pdf

Inner-IoU: More Effective Intersection over UnionLoss with Auxil

然而，现有的IoU基于BBR仍然集中在通过添加新损失项来加速收敛，忽略了IoU损失项本身的局限性。尽管从理论上讲，IoU损失可以有效地描述边界框回归的状态，但在实际应用中，它无法根据不同的检测器和检测任务进行...
pdf

Shape-IoU: More Accurate Metric considering Bounding Box Shape a

Shape-IoU是一种针对目标检测任务中边界框回归的新颖损失函数，旨在更精确地考虑边界框形状和尺寸的影响。传统的边界框回归方法通常依赖于像IoU（Intersection over Union）、GIoU（Generalized IoU）或CIoU...

ppdet.engine INFO: Epoch: [582] [40/58] learning_rate: 0.000033 loss_xy: 0.371976 loss_wh: 0.256273 loss_iou: 1.260561 loss_iou_aware: 0.418214 loss_obj: 0.515011 loss_cls: 0.008819 loss: 2.905275 eta: 0:00:10 batch_cost: 0.5456 data_cost: 0.0002 ips: 21.9922 images/s

这段代码看起来像是使用PaddleDetection库进行目标检测训练的过程中，输出的训练日志信息。其中包括了当前训练轮次（Epoch）、当前批次的学习率（learning_rate）、不同类型的损失值（如loss_xy、loss_wh等）以及每...

# 打印当前epoch的损失和评估指标 print("-" * 70) print(f"Epoch [{epoch + 1}/{num_epochs}] ") print(f" Train Loss: {train_loss:.4f} Validation Loss: {val_loss:.4f} ") print(f" Accuracy: {avg_accuracy:.4f}",f" Recall: {avg_recall:.4f}", f" F1 Score: {avg_f1:.4f}", f" IoU: {avg_iou:.4f}") 让这个输出优雅点

print(f"Accuracy: {avg_accuracy:.4f}\tRecall: {avg_recall:.4f}\tF1 Score: {avg_f1:.4f}\tIoU: {avg_iou:.4f}") 这将在输出中使用制表符 \t 来对齐文本，使其更整齐和易读。你可以根据需要调整制表符的...
rar

Cisco-IOU-L2-L3.rar

标题中的"Cisco-IOU-L2-L3.rar"指的是一个包含Cisco IOU（IOS on Unix）文件的压缩包，主要用于在网络模拟环境中运行Cisco设备。IOU是Cisco提供的一种虚拟化解决方案，它允许用户在个人电脑或服务器上模拟Cisco硬件...

原文Boundary IoU: Improving Object-Centric Image Segmentation

CVPR2021的一篇论文《Boundary IoU: Improving Object-Centric Image Segmentation Evaluation》提出了一种新的评估方法——Boundary IoU，旨在解决这个问题。 Boundary IoU是一种专注于边界质量的分割评估度量标准...
001

iou-ccie-pod-v4.5A.zip.001

iou-ccie-pod-v4.5A.zip.001 三个都要下载
002

iou-ccie-pod-v4.5A.zip.002

iou-ccie-pod-v4.5A.zip.002 三个都要下载
003

iou-ccie-pod-v4.5A.zip.003

iou-ccie-pod-v4.5A.zip.003 三个都要下载
7z

GNS3-iou-l2-l3镜像.7z

GNS3-iou-l2-l3镜像.7z 是一个专门为网络模拟和学习设计的压缩包，其中包含了两种不同类型的Cisco IOS镜像，适用于GNS3（图形化网络模拟器3）平台。GNS3是一款强大的开源工具，它允许用户在虚拟环境中模拟网络设备，...

unet分割[epoch: 199] train_loss: 0.3214 lr: 0.000000 dice coefficient: 0.813 global correct: 95.2 average row correct: ['97.2', '81.5'] IoU: ['94.7', '68.6'] mean IoU: 81.6

- 训练损失 (train_loss): 0.3214 - 学习率 (lr): 0.000000 - Dice 系数 (dice coefficient): 0.813 - 全局准确率 (global correct): 95.2 - 平均行准确率 (average row correct): ['97.2', '81.5'] - IoU ...

test.py: error: unrecognized arguments: --eval mAP

例如，ap={'iou_thr': 0.5} 表示计算 mAP@0.5，ap={'iou_thr': 0.75} 表示计算 mAP@0.75。 然后，在运行 test.py 时，不需要添加 --eval mAP 参数，只需要指定配置文件和权重文件即可，例如： python ...

[yolo] params: iou loss: mse (2), iou_norm: 0.75, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.00 Total BFLOPS 65.879 avg_outputs = 532444 Loading weights from yolov3.weights... seen 64, trained: 32013 K-images (500 Kilo-batches_64) Done! Loaded 107 layers from weights-file Cannot load image image_path Detection layer: 82 - type = 28 Detection layer: 94 - type = 28 Detection layer: 106 - type = 28 image_path: Predicted in 1971.707000 milli-seconds.

根据你提供的信息，出现图片无法加载的问题可能是由于以下原因之一： 1. 图片路径错误：请确保你提供给Yolov3的图片路径是正确的，并且能够在系统中找到该图片。你可以再次检查图片路径是否正确，并确保图片文件...

----------- AP11 Results ------------ Pedestrian AP11@0.50, 0.50, 0.50: bbox AP11:0.5897, 0.4874, 0.5217 bev AP11:0.1280, 0.1280, 0.1280 3d AP11:0.1280, 0.1280, 0.1280 aos AP11:0.29, 0.25, 0.25 Pedestrian AP11@0.50, 0.25, 0.25: bbox AP11:0.5897, 0.4874, 0.5217 bev AP11:1.0101, 1.0101, 1.0101 3d AP11:1.0101, 1.0101, 1.0101 aos AP11:0.29, 0.25, 0.25 Cyclist AP11@0.50, 0.50, 0.50: bbox AP11:0.0343, 0.0407, 0.0407 bev AP11:0.0000, 0.0000, 0.0000 3d AP11:0.0000, 0.0000, 0.0000 aos AP11:0.00, 0.01, 0.01 Cyclist AP11@0.50, 0.25, 0.25: bbox AP11:0.0343, 0.0407, 0.0407 bev AP11:0.0125, 0.0145, 0.0145 3d AP11:0.0125, 0.0145, 0.0145 aos AP11:0.00, 0.01, 0.01 Car AP11@0.70, 0.70, 0.70: bbox AP11:0.2165, 4.5455, 4.5455 bev AP11:0.0364, 0.0417, 0.0573 3d AP11:0.0429, 0.0364, 0.0403 aos AP11:0.08, 0.13, 0.17 Car AP11@0.70, 0.50, 0.50: bbox AP11:0.2165, 4.5455, 4.5455 bev AP11:0.7576, 4.5455, 4.5455 3d AP11:0.7576, 4.5455, 4.5455 aos AP11:0.08, 0.13, 0.17 Overall AP11@easy, moderate, hard: bbox AP11:0.2801, 1.6912, 1.7026 bev AP11:0.0548, 0.0566, 0.0618 3d AP11:0.0570, 0.0548, 0.0561 aos AP11:0.12, 0.13, 0.14 ----------- AP40 Results ------------ Pedestrian AP40@0.50, 0.50, 0.50: bbox AP40:0.3140, 0.2965, 0.3301 bev AP40:0.0157, 0.0166, 0.0179 3d AP40:0.0135, 0.0137, 0.0137 aos AP40:0.15, 0.15, 0.16 Pedestrian AP40@0.50, 0.25, 0.25: bbox AP40:0.3140, 0.2965, 0.3301 bev AP40:0.2281, 0.2747, 0.1830 3d AP40:0.2163, 0.2377, 0.1660 aos AP40:0.15, 0.15, 0.16 Cyclist AP40@0.50, 0.50, 0.50: bbox AP40:0.0089, 0.0112, 0.0112 bev AP40:0.0000, 0.0000, 0.0000 3d AP40:0.0000, 0.0000, 0.0000 aos AP40:0.00, 0.00, 0.00 Cyclist AP40@0.50, 0.25, 0.25: bbox AP40:0.0089, 0.0112, 0.0112 bev AP40:0.0034, 0.0040, 0.0040 3d AP40:0.0034, 0.0040, 0.0040 aos AP40:0.00, 0.00, 0.00 Car AP40@0.70, 0.70, 0.70: bbox AP40:0.1004, 0.0867, 0.1244 bev AP40:0.0093, 0.0115, 0.0158 3d AP40:0.0118, 0.0079, 0.0111 aos AP40:0.06, 0.05, 0.07 Car AP40@0.70, 0.50, 0.50: bbox AP40:0.1004, 0.0867, 0.1244 bev AP40:0.1653, 0.1130, 0.1428 3d AP40:0.1344, 0.0911, 0.1118 aos AP40:0.06, 0.05, 0.07 Overall AP40@easy, moderate, hard: bbox AP40:0.1411, 0.1315, 0.1552 bev AP40:0.0083, 0.0094, 0.0112 3d AP40:0.0084, 0.0072, 0.0083 aos AP40:0.07, 0.07, 0.给我解释一下这些参数

其中，AP11和AP40代表了不同IoU阈值下的平均精度（Average Precision），分别对应0.50和0.75的阈值。bbox、bev、3d和aos则代表了不同的评估指标，分别为2D边框精度、鸟瞰图精度、3D边框精度和方向精度。而最后的easy...

std::vector<std::vector<double>> personPosition; std::vector<std::vector<double>> personPositionIOU; res = image.clone(); const int num_point = 17; std::string subpath = path.substr(0, path.length() - 3); std::string txtPath = subpath + "txt"; int personNum = 0; for (auto& obj : objs) { /* cv::rectangle( res, obj.rect, { 0, 0, 255 }, 2 );*/ float recHeight = obj.rect.height; float recWidth = obj.rect.width; float recLeft = obj.rect.x;// -obj.rect.width / 2; float recTop = obj.rect.y;// -obj.rect.height / 2;

：定义了两个二维向量，用于保存人物的位置信息和人物位置的IOU（Intersection over Union）信息。 - res = image.clone();：将输入图像 image 克隆到 res 变量中，以便进行可视化操作。 - const int num_...

usage: test.py [-h] [--weights WEIGHTS] [--img-size IMG_SIZE [IMG_SIZE ...]] [--conf-thres CONF_THRES] [--iou-thres IOU_THRES] [--device DEVICE] [--half] [--view-img] [--save-txt] [--classes CLASSES [CLASSES ...]] source test.py: error: the following arguments are required: source这是什么错误，如何解决

这个错误提示意味着你在执行 test.py 脚本时缺少了必要的 source 参数，因为在脚本中已经使用了 parser.add_argument('source', type=str, help='source') 来定义了 source 参数。 为了解决这个问题，你...

parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)') parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold') parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS') parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--view-img', action='store_true', help='display results') parser.add_argument('--save-txt', action='store_true', help='save results to *.txt') parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels') parser.add_argument('--nosave', action='store_true', help='do not save images/videos') parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3') parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS') parser.add_argument('--augment', action='store_true', help='augmented inference') parser.add_argument('--update', action='store_true', help='update all models') parser.add_argument('--project', default='runs/detect', help='save results to project/name') parser.add_argument('--name', default='exp', help='save results to project/name') parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') opt = parser.parse_args()

- --iou-thres：非极大值抑制 (NMS) 的 IOU 阈值 - --device：设备类型，可以是 'cpu' 或者指定的 CUDA 设备号 - --view-img：是否显示检测结果图像 - --save-txt：是否保存检测结果到文本文件 - --save-...

iou = d2l.box_iou(boxes[i,:].reshape(-1,4), boxes[B[1:],:].reshape(-1,4)).reshape(-1)

这行代码涉及到目标检测中的 Intersection over Union (IoU) 计算。具体来说，它计算了一个框（boxes[i,:]）与多个其他框（boxes[B[1:],:]）之间的 IoU 值。 其中，boxes 是一个大小为 (N, 4) 的张量，表示 N 个...

解释代码： def detect_cma(self): # pass model = self.model output_size = self.output_size # source = self.img2predict # file/dir/URL/glob, 0 for webcam imgsz = [640, 640] # inference size (pixels) conf_thres = 0.25 # confidence threshold iou_thres = 0.45 # NMS IOU threshold max_det = 1000 # maximum detections per image # device = self.device # cuda device, i.e. 0 or 0,1,2,3 or cpu view_img = False # show results save_txt = False # save results to *.txt save_conf = False # save confidences in --save-txt labels save_crop = False # save cropped prediction boxes nosave = False # do not save images/videos classes = None # filter by class: --class 0, or --class 0 2 3 agnostic_nms = False # class-agnostic NMS augment = False # ugmented inference visualize = False # visualize features line_thickness = 3 # bounding box thickness (pixels) hide_labels = False # hide labels hide_conf = False # hide confidences half = False # use FP16 half-precision inference dnn = False # use OpenCV DNN for ONNX inference source = str(self.vid_source) device = select_device(self.device) stride, names, pt, jit, onnx = model.stride, model.names, model.pt, model.jit, model.onnx imgsz = check_img_size(imgsz, s=stride) # check image size save_img = not nosave and not source.endswith('.txt') # save inference images

然后设置了一些参数，如推理尺寸、置信度阈值、NMS IOU 阈值等。接着根据设备类型选择使用 CPU 还是 GPU 进行推理。最后，它检查图像的大小是否符合模型要求，设置是否保存推理结果图片，然后返回检测结果。

最新推荐

recommend-type

python:目标检测模型预测准确度计算方式(基于IoU)

IoU的取值范围在0到1之间，值越接近1表示两个边界框的重合度越高，模型的预测准确性也就越好。 为了评估模型的性能，通常会设定多个阈值，例如0、0.3、0.5、0.7等。当预测的IoU值大于某个阈值时，我们才认为这个...
recommend-type

精细金属掩模板(FMM)行业研究报告 显示技术核心部件FMM材料产业分析与市场应用

精细金属掩模板（FMM）作为OLED蒸镀工艺中的核心消耗部件，负责沉积RGB有机物质形成像素。材料由Frame、Cover等五部分组成，需满足特定热膨胀性能。制作工艺包括蚀刻、电铸等，影响FMM性能。适用于显示技术研究人员、产业分析师，旨在提供FMM材料技术发展、市场规模及产业链结构的深入解析。
recommend-type

【创新未发表】斑马算法ZOA-Kmean-Transformer-LSTM负荷预测Matlab源码 9515期.zip

CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2024b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Kmean-Transformer-LSTM负荷预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Kmean-Transformer-LSTM负荷预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Kmean-Transformer-LSTM负荷预测 4.4.3 灰狼算法GWO/狼群算法WPA优化Kmean-Transformer-LSTM负荷预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Kmean-Transformer-LSTM负荷预测 4.4.5 萤火虫算法FA/差分算法DE优化Kmean-Transformer-LSTM负荷预测 4.4.6 其他优化算法优化Kmean-Transformer-LSTM负荷预测
recommend-type

Angular实现MarcHayek简历展示应用教程

资源摘要信息:"MarcHayek-CV:我的简历的Angular应用" Angular 应用是一个基于Angular框架开发的前端应用程序。Angular是一个由谷歌（Google）维护和开发的开源前端框架，它使用TypeScript作为主要编程语言，并且是单页面应用程序（SPA）的优秀解决方案。该应用不仅展示了Marc Hayek的个人简历，而且还介绍了如何在本地环境中设置和配置该Angular项目。 知识点详细说明： 1. Angular 应用程序设置： - Angular 应用程序通常依赖于Node.js运行环境，因此首先需要全局安装Node.js包管理器npm。 - 在本案例中，通过npm安装了两个开发工具：bower和gulp。bower是一个前端包管理器，用于管理项目依赖，而gulp则是一个自动化构建工具，用于处理如压缩、编译、单元测试等任务。 2. 本地环境安装步骤： - 安装命令`npm install -g bower`和`npm install --global gulp`用来全局安装这两个工具。 - 使用git命令克隆远程仓库到本地服务器。支持使用SSH方式（`***:marc-hayek/MarcHayek-CV.git`）和HTTPS方式（需要替换为具体用户名，如`git clone ***`）。 3. 配置流程： - 在server文件夹中的config.json文件里，需要添加用户的电子邮件和密码，以便该应用能够通过内置的联系功能发送信息给Marc Hayek。 - 如果想要在本地服务器上运行该应用程序，则需要根据不同的环境配置（开发环境或生产环境）修改config.json文件中的“baseURL”选项。具体而言，开发环境下通常设置为“../build”，生产环境下设置为“../bin”。 4. 使用的技术栈： - JavaScript：虽然没有直接提到，但是由于Angular框架主要是用JavaScript来编写的，因此这是必须理解的核心技术之一。 - TypeScript：Angular使用TypeScript作为开发语言，它是JavaScript的一个超集，添加了静态类型检查等功能。 - Node.js和npm：用于运行JavaScript代码以及管理JavaScript项目的依赖。 - Git：版本控制系统，用于代码的版本管理及协作开发。 5. 关于项目结构： - 该应用的项目文件夹结构可能遵循Angular CLI的典型结构，包含了如下目录：app（存放应用组件）、assets（存放静态资源如图片、样式表等）、environments（存放环境配置文件）、server（存放服务器配置文件如上文的config.json）等。 6. 开发和构建流程： - 开发时，可能会使用Angular CLI来快速生成组件、服务等，并利用热重载等特性进行实时开发。 - 构建应用时，通过gulp等构建工具可以进行代码压缩、ES6转译、单元测试等自动化任务，以确保代码的质量和性能优化。 7. 部署： - 项目最终需要部署到服务器上，配置文件中的“baseURL”选项指明了服务器上的资源基础路径。 8. 关于Git仓库： - 压缩包子文件的名称为MarcHayek-CV-master，表明这是一个使用Git版本控制的仓库，且存在一个名为master的分支，这通常是项目的主分支。 以上知识点围绕Angular应用“MarcHayek-CV:我的简历”的创建、配置、开发、构建及部署流程进行了详细说明，涉及了前端开发中常见的工具、技术及工作流。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

深入剖析：内存溢出背后的原因、预防及应急策略（专家版）

![深入剖析：内存溢出背后的原因、预防及应急策略（专家版）](https://d8it4huxumps7.cloudfront.net/uploads/images/65e82a01a4196_dangling_pointer_in_c_2.jpg?d=2000x2000) 参考资源链接：[Net 内存溢出（System.OutOfMemoryException）的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. 内存溢出的概念及影响 内存溢出，又称
recommend-type

Java中如何对年月日时分秒的日期字符串作如下处理：如何日期分钟介于两个相连的半点之间，就将分钟数调整为前半点

在Java中，你可以使用`java.time`包中的类来处理日期和时间，包括格式化和调整。下面是一个示例，展示了如何根据给定的日期字符串（假设格式为"yyyy-MM-dd HH:mm:ss"）进行这样的处理： ```java import java.text.SimpleDateFormat; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; public class Main { public static void main(String[] args
recommend-type

Crossbow Spot最新更新 - 获取Chrome扩展新闻

资源摘要信息:"Crossbow Spot - Latest News Update-crx插件" 该信息是关于一款特定的Google Chrome浏览器扩展程序，名为"Crossbow Spot - Latest News Update"。此插件的目的是帮助用户第一时间获取最新的Crossbow Spot相关信息，它作为一个RSS阅读器，自动聚合并展示Crossbow Spot的最新新闻内容。 从描述中可以提取以下关键知识点： 1. 功能概述： - 扩展程序能让用户领先一步了解Crossbow Spot的最新消息，提供实时更新。 - 它支持自动更新功能，用户不必手动点击即可刷新获取最新资讯。 - 用户界面设计灵活，具有美观的新闻小部件，使得信息的展现既实用又吸引人。 2. 用户体验： - 桌面通知功能，通过Chrome的新通知中心托盘进行实时推送，确保用户不会错过任何重要新闻。 - 提供一个便捷的方式来保持与Crossbow Spot最新动态的同步。 3. 语言支持： - 该插件目前仅支持英语，但开发者已经计划在未来的版本中添加对其他语言的支持。 4. 技术实现： - 此扩展程序是基于RSS Feed实现的，即从Crossbow Spot的RSS源中提取最新新闻。 - 扩展程序利用了Chrome的通知API，以及RSS Feed处理机制来实现新闻的即时推送和展示。 5. 版权与免责声明： - 所有的新闻内容都是通过RSS Feed聚合而来，扩展程序本身不提供原创内容。 - 用户在使用插件时应遵守相关的版权和隐私政策。 6. 安装与使用： - 用户需要从Chrome网上应用店下载.crx格式的插件文件，即Crossbow_Spot_-_Latest_News_Update.crx。 - 安装后，插件会自动运行，并且用户可以对其进行配置以满足个人偏好。 从以上信息可以看出，该扩展程序为那些对Crossbow Spot感兴趣或需要密切跟进其更新的用户提供了一个便捷的解决方案，通过集成RSS源和Chrome通知机制，使得信息获取变得更加高效和及时。这对于需要实时更新信息的用户而言，具有一定的实用价值。同时，插件的未来发展计划中包括了多语言支持，这将使得更多的用户能够使用并从中受益。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

【Java内存管理终极指南】：一次性解决内存溢出、泄漏和性能瓶颈

![【Java内存管理终极指南】：一次性解决内存溢出、泄漏和性能瓶颈](https://community.cloudera.com/t5/image/serverpage/image-id/31614iEBC942A7C6D4A6A1/image-size/large?v=v2&px=999) 参考资源链接：[Net 内存溢出（System.OutOfMemoryException）的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. Java内存模型