可视化技术

自从辞职，一直在家休息看书，至今已三月有余。 这三个月来，我看了大量的技术书籍，发现自己的许多知识已经落伍，只能恶补。 人都是有惰性的，为了不至于让自己的热情消失，也为了能与朋友交流，上博客园申请了一个帐号，希望大家多沟通。 我感兴趣的内容： 1、工业通态组态软件； 2、C++编程，特别关注：模板编程、设计模式等； 3、可视化建模； 4、代码单元测试； 5、嵌入式软件开发，特别关注：wince、linux等； 6、跨平台软件开发； 7、人机界面； 8、软件开发项目管理； 来源： https://www.cnblogs.com/linkman/archive/2005/01/13/91450.html

随着科技的发展，网络逐步的成为了如今时代的主流，手机app、电脑客户端，这些都给我们的生活带来了极大的便捷，随之而来的，则是大量的数据产生，由此大数据方面如火山爆发式的崛起，风头一时无二，在进入4G时代没多久，随后又是5G时代的来临，这使得流量的限制越来越少，同时，物联网可视化行业，这一个摸着石头过河的行业，也随着互联网的推进而不断发展，在全国疫情爆发之后，网上的疫情地图可以说是实时牵动着我们的心，我们无不希望疫情能早日解决，全国人民纷纷伸出援手，可敬的白衣天使们也削去青丝，在面对危难的时候，中华儿女从不会轻易放弃，中华民族始终团结如一。 针对疫情，我们首要任务是听党和国家的安排，保护好自己，不成为病毒的传播者与携带者，而这个 疫情，却给我们的日常和工作带来了极大的困扰，学校推迟上课，工厂推迟复工，针对学生，老师们选择了网课的形式进行教导，而那些工厂却需要专门的人员去进行操作，即使是目前的全自动化工厂仍然需要工人在前线监测和检控，更不用说半自动化工厂了，那么如何让工厂能够跟老师通过网课教授学生一样，尽最大可能去减少损失呢？ 这时候，可视化这一行业算是从锦上添花的点缀物变成了雪中送炭的救心丸，虽然说即使拥有了可视化行业解决方案，也不能去给那些工厂、数据中心、智慧楼宇止损，但是在网络没有出现故障的情况下，它能够让你实时监控出对应区域的数据，将庞大的数据通过图表或者是对应产生的变化

安装记录： window10专业版 mongodb2.0.6 CentOS 8 MongoDB4.2.3 可视化工具： Robo 3T 1.3.1；MongoVUE；NoSQLBooster for MongoDB； 自然情况： Mongodb 3.0前后技术不同。Robo 3T 1.3.1暂时应用于MongoDB4.2.3；MongoVUE应用于mongodb2.0.6 来源： CSDN 作者： 呲牙猫 链接： https://blog.csdn.net/u014035314/article/details/104631449

最近和一家公司在谈一个项目合作,他们公司主要是做油田相关设备的，比如油罐车、压力车、泵车等。 我的印象中只要和石油相关的企业，就感觉和钱挨得好近，😄 。 他们老板看了我们公司的三维产品后，大为赞叹。 惊呼，我们油田的管理最好也能上一套这样的三维系统。 油田行业的三维可视化项目，我们之前没有做过相关的行业，但是在三维可视化方面，我们经验还是挺多的，比如数据中心、医院、学校等三维可视化项目，还包括智慧园区、智慧城市、智慧小镇的方向的等三维可视化。 下面先上几张三维可视化的图瞅瞅： 虽然我们没有直接做过油田的三维可视化，但是有了以上三维方案的技术积累，这事做起来就不会太难。 其实客户的需求，并不是就某个油田场景进行三维可视化的场景搭建。而是要做一个油田三维的布局工具，通过布局工具，可以自由搭建不同的油田场景。 这比直接搭建一个三维的场景要难许多。 所谓万事开头难，难在不开头。 天下事有难易乎，干就完了。 在商务人员和客户确立合同，正式立项后， 我们的设计小姐姐，开发小哥哥，都各司其职,下边就讲一下项目的大概内容。 搭建模型库 第一步要做的就是建模，设计组使用3D建模工具 3d max或者c4d 进行油田设备模型的建模。建模后，导出后缀为obj或者gltf格式文件，这两种格式是我们三维渲染引擎支持的最好的文件格式。 建模后的所有模型文件，最终会放到后端的模型库，模型库的管理目录如下图所示：

最近和一家公司在谈一个项目合作,他们公司主要是做油田相关设备的，比如油罐车、压力车、泵车等。 我的印象中只要和石油相关的企业，就感觉和钱挨得好近，😄 。 他们老板看了我们公司的三维产品后，大为赞叹。 惊呼，我们油田的管理最好也能上一套这样的三维系统。 油田行业的三维可视化项目，我们之前没有做过相关的行业，但是在三维可视化方面，我们经验还是挺多的，比如数据中心、医院、学校等三维可视化项目，还包括智慧园区、智慧城市、智慧小镇的方向的等三维可视化。 下面先上几张三维可视化的图瞅瞅： 虽然我们没有直接做过油田的三维可视化，但是有了以上三维方案的技术积累，这事做起来就不会太难。 其实客户的需求，并不是就某个油田场景进行三维可视化的场景搭建。而是要做一个油田三维的布局工具，通过布局工具，可以自由搭建不同的油田场景。 这比直接搭建一个三维的场景要难许多。 所谓万事开头难，难在不开头。 天下事有难易乎，干就完了。 在商务人员和客户确立合同，正式立项后， 我们的设计小姐姐，开发小哥哥，都各司其职,下边就讲一下项目的大概内容。 搭建模型库 第一步要做的就是建模，设计组使用3D建模工具 3d max或者c4d 进行油田设备模型的建模。建模后，导出后缀为obj或者gltf格式文件，这两种格式是我们三维渲染引擎支持的最好的文件格式。 建模后的所有模型文件，最终会放到后端的模型库，模型库的管理目录如下图所示：

cs231n的第18课理解起来很吃力，听后又查了一些资料才算是勉强弄懂，所以这里贴一篇博文（根据自己理解有所修改）和原论文的翻译加深加深理解，其中原论文翻译比博文更容易理解，但是太长，而博文是业者而非学者所著，看着也更舒服一点。 另，本文涉及了反向传播的backpropagation算法，知乎上有个回答很不错，备份到文章里了，为支持原作者，这里给出知乎 原文连接 可视化理解卷积神经网络 这张PPT是本节课的核心，下面我来说说这张图。 可视化神经网络的思想就是构建一个逆向的卷积神经网络，但是不包括训练过程，使用原网络各个层的feature map当作输入，逆向生成像素级图片（各个层对应的具体逆操作实现方法下面的文献中有介绍），目的是研究每一层中每一个神经元对应的（或者说学习到的）特征到底是什么样的。 我们首先获取某一层的feature map,然后将除了想要研究的那个神经元之外所有神经元置零，作为返卷积网络的输入（a图所示），经过逆向重构后，得到的图片就反映了这个神经元学习到的特征。 Relu层的逆处理得到了特殊关注，向前传播中，小于零的神经元直接置零（b1），如果按照计算梯度的反向传播算法（ backpropagation ）的话那么应该在向前传播时置零的位置仍然置零（b2），而原论文按照deconvent的方法，相当于把Relu对称化，直接对反向的特征图进行了标准的Relu

基于 研究论文 《Fault Analysis and Debugging of Microservice Systems: Industrial Survey, Benchmark System, and Empirical Study》 （作者： 周翔、彭鑫、谢涛、孙军、冀超、李文海、丁丹）形成本文。该论文由复旦大学计算机科学技术学院彭鑫教授领导的智能化软件开发 CodeWisdom 团队与北京大学谢涛教授、新加坡管理大学孙军副教授合作完成，并 被评选为软件工程领域的国际旗帜期刊、CCF A 类期刊《IEEE Transactions on Software Engineering》 2018 年唯一的最佳论文 。 该奖项由评选委员会从该期刊 2018 年录用的 109 篇论文中评选而出。 此奖项本次是第一次颁发，隶属于 IEEE 计算机学会 2019 年发起资助的最佳论文奖计划。 这个计划的目的在于表彰和奖励 IEEE 计算机学会旗下每个期刊杂志在上一年度发表的最佳论文。 论文链接： https://cspengxin.github.io/publications/tse19-msdebugging.pdf 相关研究数据： https://fudanselab.github.io/research/MSFaultEmpiricalStudy 微服务开源项目

有时候我们会遇到这样的需求，公司不大，但是信息化程度也蛮高，公司的员工素质也很高，管理也很规范，甚至还有外地分公司，直接上一个OA系统吧，往往也无法符合公司的灵活管理需求，往往受制于商品化OA的功能限制，商业限制。直接定制一个OA系统也不大愿意承受几十万的开发费用，同时也不知道都提什么需求比较好，也不想去惹麻烦， 也没精力去整理需求。 这里不得不提到现在流行的快速开发平台，价格不高，可扩展强。平台可以搭建OA、ERP、CRM多种企业系统。 快速开发平台，简单的理解就是：开发人员以某种编程语言或者某几种编程语言（比如：目前流行的多种web技术，包括springboot， JPA，Druid， Activiti，Lombok，swagger，poi，WebSocket，Jquery，BootStrap， maven，Jenkins 等等 ）为基础，将各种需要的功能封装在不同的层中，具大家调用而开发出来的一个软件。 这个软件其实不是一个最终的软件产品，它是一个二次开发软件框架，用户可以在这个产品上进行各种各样的软件产品的开发，并且在这个产品上进行开发的时候，不需要像以往的编程方式那样编写大量的代码，而是只需要进行一些简单的配置，或者是写极少量的代码便可以完成一个业务系统的开发工作——XJR快速开发平台。 这款 XJR快速开发平台 不需要懂代码也可以轻松开发出企业管理系统中需要的表单

这几天看了这篇论文，学习记录一下。有问题的地方请指正~ 论文作者：Matthew D. Zeiler, Rob Fergus （美国纽约大学） 论文会议：ECCV2014 论文链接： https://arxiv.org/pdf/1311.2901v3.pdf 摘要： 论文的背景是在2012年AlexNet (Krizhevsky) 在ImageNet竞赛上展现了突出的图像分类能力后，对于该网络为什么能够表现得如此突出、以及如何对网络做进一步提升的认识却很少。论文提出了一种全新的可视化技术，能够看到卷积神经网络中间层的特征。可以利用该可视化技术，寻找更优的网络模型。同时论文还研究了模型在其他数据集上的泛化性。 1.引入 从2012年AlexNet出世到现在，有很多科学家研发了许多在图像处理问题上表现杰出的网络模型，但是对模型的内部操作和表现的探究却很少，例如，为什么网络模型能表现得这么好？从科学的角度说，这是令人不满意的，科学的研究需要能对技术的内部工作原理做出解释。 因此，文章提出了一种可视化技术——多层反卷积神经网络(deconvnet)，该反卷积技术能够展示模型每一层中的由输入激发的特征图，同时能够观测在训练过程中特征的变迁（evolution，这个词用的很有灵魂），并诊断模型的潜在问题。此外，文章还通过遮盖部分输入图像，然后对分类器的输出进行敏感性分析

泉州信息工程学院 软件学院 课程设计报告书 课 程 名 : Python 课程设计项目名称： 数据分析与可视化 团队成员： 吴清岚 吴梦云 一、项目简介 本项目采用 Numpy 、 Pandas 、 Matplotlib 等数据库，调用 bar() 方法对课程成绩表进行每个班级的总体平均成绩来绘制柱状图，调用 plot() 方法对大学学术排名表其中五个大学进行折线图的绘制，调用 p ie() 方法对课程成绩表绘制 饼图，运用 for 语句实现循环体对大学学术排名表中的美国籍 2018 年的大学进行排序，粗略的完成对课程成绩和大学学术排名的部分数据分析与可视化，让人们对 16 、 17 和 18 级网络班级课程成绩和世界大学学术排名有更加直观、深入的理解。在数据处理的过程中，使用图表、图形将数据的趋势差别相关性等关系展示出来，有助于人们对数据的理解与分析，特别对于一些高维度、高复杂度的数据，创建可视化图表对分析过程非常有益。此外，在展示数据结论时，清晰准确的图表或图形将是一种非常恰当的表达手段，“好的图表胜于千万的文字描述”。 1.1 项目博客地址 https://www.cnblogs.com/wql4024/ 1.2 项目完成的功能与特色 功能： 导入 Numpy 、 Pandas 、 Matplotlib 数据 库，调用 bar() 方法、调 用 plot() 方法、调用