vb.net向Access數(shù)據(jù)庫表中插入數(shù)據(jù)總是提示 INSERT INTO 語法錯誤

定義一個OleDbCommand,把OleDbCommandBuilder的insertCommand給他,在語句后面加個斷點(diǎn)就能看到

成都創(chuàng)新互聯(lián)公司專注于仙桃網(wǎng)站建設(shè)服務(wù)及定制，我們擁有豐富的企業(yè)做網(wǎng)站經(jīng)驗(yàn)。 熱誠為您提供仙桃營銷型網(wǎng)站建設(shè)，仙桃網(wǎng)站制作、仙桃網(wǎng)頁設(shè)計(jì)、仙桃網(wǎng)站官網(wǎng)定制、成都微信小程序服務(wù)，打造仙桃網(wǎng)絡(luò)公司原創(chuàng)品牌,更為您提供仙桃網(wǎng)站排名全網(wǎng)營銷落地服務(wù)。

Error (10028): Can't resolve multiple constant drivers for net

出現(xiàn)這個錯誤的原因在于，在不同的always邏輯塊中，對同一個reg變量進(jìn)行了賦值，在多個alwasy邏輯塊同時并行工作的時候，會出現(xiàn)沖突。

解決的辦法：對于一個變量，只在一個always塊中，進(jìn)行賦值，內(nèi)部分別對同一個變量進(jìn)行的賦值smp_cnt,txd_cnt,txd_state;

擴(kuò)展資料：

wire與reg類型的區(qū)別：

1.wire型數(shù)據(jù)常用來表示以assign關(guān)鍵字指定的組合邏輯信號。模塊的輸入輸出端口類型都默認(rèn)為wire型。默認(rèn)初始值是z。

2.reg型表示的寄存器類型。always模塊內(nèi)被賦值的信號，必須定義為reg型，代表觸發(fā)器，默認(rèn)初始值是x。

2.reg 類型不一定是寄存器變量，例如組合邏輯中reg類型變量。

3.reg相當(dāng)于存儲單元，wire相當(dāng)于物理連線。

4.Verilog 中變量的物理數(shù)據(jù)分為線型和寄存器型。這兩種類型的變量在定義時要設(shè)置位寬，缺省為1位。變量的每一位可以是0，1，X，Z。

請問網(wǎng)絡(luò)中Netstst命令的作用和用法是什么

Netstat用于顯示與IP、TCP、UDP和ICMP協(xié)議相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，一般用于檢驗(yàn)本機(jī)各端口的網(wǎng)絡(luò)連接情況。 有很多的參數(shù)，下面說一點(diǎn)常用的。如果你想做黑客的話，NETSTAT的所有參數(shù)用法都必須掌握哦~！

1、netstat 的一些常用選項(xiàng)

·netstat –s

本選項(xiàng)能夠按照各個協(xié)議分別顯示其統(tǒng)計(jì)數(shù)據(jù)。如果我們的應(yīng)用程序（如Web瀏覽器）運(yùn)行速度比較慢，或者不能顯示W(wǎng)eb頁之類的數(shù)據(jù)，那么我們就可以用本選項(xiàng)來查看一下所顯示的信息。我們需要仔細(xì)查看統(tǒng)計(jì)數(shù)據(jù)的各行，找到出錯的關(guān)鍵字，進(jìn)而確定問題所在。

·netstat –e

本選項(xiàng)用于顯示關(guān)于以太網(wǎng)的統(tǒng)計(jì)數(shù)據(jù)。它列出的項(xiàng)目包括傳送的數(shù)據(jù)報(bào)的總字節(jié)數(shù)、錯誤數(shù)、刪除數(shù)、數(shù)據(jù)報(bào)的數(shù)量和廣播的數(shù)量。這些統(tǒng)計(jì)數(shù)據(jù)既有發(fā)送的數(shù)據(jù)報(bào)數(shù)量，也有接收的數(shù)據(jù)報(bào)數(shù)量。這個選項(xiàng)可以用來統(tǒng)計(jì)一些基本的網(wǎng)絡(luò)流量）。

·netstat –r

本選項(xiàng)可以顯示關(guān)于路由表的信息，類似于后面所講使用route print命令時看到的 信息。除了顯示有效路由外，還顯示當(dāng)前有效的連接。

·netstat –a

本選項(xiàng)顯示一個所有的有效連接信息列表，包括已建立的連接（ESTABLISHED），也包括監(jiān)聽連接請求（LISTENING）的那些連接。

·netstat –n

顯示所有已建立的有效連接。

下面是 netstat 的輸出示例：

C:\netstat -e

Interface Statistics

Received　Sent

Bytes　399583794047224622

Unicast packets120099131015

Non-unicast packets7579544　 3823

Discards　 0 0

Errors 0 0

Unknown protocols　363054211

C:\netstat -a

Active Connections

Proto Local Address　Foreign Address　 State

TCP　CORP1:1572　 172.16.48.10:nbsession　 ESTABLISHED

TCP　CORP1:1589　 172.16.48.10:nbsession　 ESTABLISHED

TCP　CORP1:1606　 172.16.105.245:nbsession ESTABLISHED

TCP　CORP1:1632　 172.16.48.213:nbsession　ESTABLISHED

TCP　CORP1:1659　 172.16.48.169:nbsession　ESTABLISHED

TCP　CORP1:1714　 172.16.48.203:nbsession　ESTABLISHED

TCP　CORP1:1719　 172.16.48.36:nbsession　 ESTABLISHED

TCP　CORP1:1241　 172.16.48.101:nbsession　ESTABLISHED

UDP　CORP1:1025　 *:*

UDP　CORP1:snmp　 *:*

UDP　CORP1:nbname *:*

UDP　CORP1:nbdatagram *:*

UDP　CORP1:nbname *:*

UDP　CORP1:nbdatagram *:*

C:\netstat -s

IP Statistics

Packets Received = 5378528

Received Header Errors　 = 738854

Received Address Errors　= 23150

Datagrams Forwarded　= 0

Unknown Protocols Received　 = 0

Received Packets Discarded　 = 0

Received Packets Delivered　 = 4616524

Output Requests　= 132702

Routing Discards = 157

Discarded Output Packets = 0

Output Packet No Route　 = 0

Reassembly Required　= 0

Reassembly Successful = 0

Reassembly Failures　 =

Datagrams Successfully Fragmented = 0

Datagrams Failing Fragmentation　 = 0

Fragments Created = 0

ICMP Statistics

Received　Sent

Messages 693　 4

Errors　 0 0

Destination Unreachable　685　 0

Time Exceeded0 0

Parameter Problems　 0 0

Source Quenches　0 0

Redirects0 0

Echoes　 4 0

Echo Replies 0 4

Timestamps　 0 0

Timestamp Replies0 0

Address Masks0 0

Address Mask Replies 0 0

TCP Statistics

Active Opens = 597

Passive Opens= 135

Failed Connection Attempts　 = 107

Reset Connections= 91

Current Connections　= 8

Segments Received= 106770

Segments Sent= 118431

Segments Retransmitted　 = 461

UDP Statistics

Datagrams Received　 = 4157136

No Ports = 351928

Receive　Errors　 = 2

Datagrams Sent　 = 13809

2、Netstat的妙用

經(jīng)常上網(wǎng)的人一般都使用ICQ的，不知道我們有沒有被一些討厭的人騷擾，想投訴卻又不知從和下手？其實(shí)，我們只要知道對方的IP，就可以向他所屬的ISP投訴了。但怎樣才能通過ICQ知道對方的IP呢？如果對方在設(shè)置ICQ時選擇了不顯示IP地址，那我們是無法在信息欄中看到的。其實(shí)，我們只需要通過Netstat就可以很方便的做到這一點(diǎn)：當(dāng)他通過ICQ或其他的工具與我們相連時（例如我們給他發(fā)一條ICQ信息或他給我們發(fā)一條信息），我們立刻在DOS 命令提示符下輸入netstat -n或netstat -a就可以看到對方上網(wǎng)時所用的IP或ISP域名了，甚至連所用Port都完全暴露了。

檢測論文綜述（一） : 從RCNN到Mask-RCNN

對于目標(biāo)檢測方向并不是特別熟悉，本文記錄一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN這4篇有關(guān)目標(biāo)檢測的論文筆記和學(xué)習(xí)心得。

R-CNN的意思就是Region based，主要思路就是根據(jù)一張圖像，提取多個region，再將每個Region輸入CNN來進(jìn)行特征的提取。因此RCNN就可以分為 Region proposals , Feature extraction 兩個主要部分，提取的特征就可以輸入任意一個分類器來進(jìn)行分類。

模型的流程圖如下：

在訓(xùn)練的時候，首先使用的是已經(jīng)訓(xùn)練好的CNN網(wǎng)絡(luò)作為特征提取器，但是由于預(yù)訓(xùn)練是在分類數(shù)據(jù)集上，因此在應(yīng)用到檢測之前要做finetune。也就是說，為了將用ImageNet數(shù)據(jù)集訓(xùn)練的網(wǎng)絡(luò)應(yīng)用到新的任務(wù)（檢測），新的數(shù)據(jù)集（region）上，作者將原來的CNN最后的1000類的fc層，更改為了 層， 代表待檢測的物體的類別數(shù)。然后，對于所有的region，如果它和ground truth的重疊率大于0.5，就認(rèn)為是正類。

對于分類器的訓(xùn)練，作者發(fā)現(xiàn)選擇多大的IoU來區(qū)分正類和負(fù)類非常關(guān)鍵。并且，對于每一類，都會訓(xùn)練一個分類器。

框的回歸非常重要，在對每一個region proposal使用分類器進(jìn)行打分評價之后，作者使用一個回歸器來預(yù)測一個新的框作為結(jié)果。這個回歸器使用的特征是從CNN中提取的特征?；貧w器的訓(xùn)練中，輸入是 region proposal 的 和ground truth的 ，目標(biāo)是學(xué)習(xí)一種變換，使得region proposal通過該變換能夠接近ground truth。同時，希望這種變換擁有尺度不變性，也就是說尺度變化的話，變換不會改變。

如下圖所示，每一個regressor會學(xué)習(xí)一組參數(shù)，特征輸入是pool 5的特征輸出，擬合的目標(biāo)是 。

Fast-RCNN 主要解決的問題是在RCNN中對于每一個region proposal都進(jìn)行特征提取，會產(chǎn)生非常多的冗余計(jì)算，因此可以先對一張圖像進(jìn)行特征提取，再根據(jù)region proposal在相應(yīng)的特征上進(jìn)行劃分得到對應(yīng)region的特征（映射關(guān)系）。

這樣便可以實(shí)現(xiàn)共享計(jì)算提高速度，但是與SPPnets不同，SPPnets在一副圖像得到對應(yīng)的特征后，從這張圖像的特征上proposal對應(yīng)的部分，采用空間金字塔池化，如下圖：

RoI pooling的方法很簡單，類似于空間金字塔pooling，它將proposal部分對應(yīng)卷積層輸出的特征（稱之為RoI，因?yàn)橛糜谧鰌ooling的特征是 region of interest，也就是我們感興趣的區(qū)域）劃分成 塊，然后對每一塊求最大值，最終得到了一個 的特征圖?？梢钥闯觯皇强臻g金字塔pooling的一部分。

但是SPP-nets的空間金字塔也是可以求導(dǎo)的，那么它到底不好在哪里呢？因?yàn)楫?dāng)每一個RoI都可能來源于不同的圖像的時候（R-CNN和SPPnets的訓(xùn)練策略是從一個batch的不同圖像中，分別挑選一個proposal region），SPPNets的訓(xùn)練非常地低效，這種低效來源于在SPPnets的訓(xùn)練中，每個RoI的感受野都非常地大，很可能對應(yīng)了原圖的整個圖像，因此，得到的特征也幾乎對應(yīng)了整張圖像，所以輸入的圖像也就很大。

為了提高效率，F(xiàn)ast-RCNN首先選取 個圖像，再從每個圖像上選擇 個RoI，這樣的效率就比從每個圖像提取一個RoI提高了 倍。

為了將分類和框回歸結(jié)合起來，作者采用了多任務(wù)的loss，來進(jìn)行聯(lián)合的訓(xùn)練。具體來說就是將分類的loss和框回歸的loss結(jié)合起來。網(wǎng)絡(luò)的設(shè)計(jì)上非常直接，就是將RoI得到的特征接幾個FC層后，分別接不同的輸出層。對應(yīng)于分類部分，特征會接一個softmax輸出，用于分類，對于框回歸部分，會接一個輸出4維特征的輸出層，然后分別計(jì)算loss，用于反向傳播。loss的公式如下：

回歸的target可以參考前面的R-CNN部分。

notes

為什么比fast還fast呢？主要原因是在這篇論文中提出了一個新的層：RPN（region proposal networks）用于替代之前的selective search。這個層還可以在GPU上運(yùn)算來提高速度。

RPN的目的：

為了能夠進(jìn)行region proposal，作者使用了一個小的網(wǎng)絡(luò)，在基礎(chǔ)的卷積層輸出的特征上進(jìn)行滑動，這個網(wǎng)絡(luò)輸入大小為 ，輸入后會映射（用 的卷積）為一個固定長度的特征向量，然后接兩個并聯(lián)的fc層（用 的卷積層代替），這兩個fc層，一個為box-regressoin，一個為box-classification。如下圖：

在每一個滑動窗口（可以參考 ），為了考慮到盡可能多的框的情況，作者設(shè)計(jì)了anchors來作為region proposal。anchors就是對于每一個滑動窗口的中心位置，在該位置對應(yīng)的原圖位置的基礎(chǔ)上，按照不同的尺度，長寬比例框出 個不同的區(qū)域。然后根據(jù)這些anchors對應(yīng)的原始圖像位置以及區(qū)域，和ground truth，就可以給每一個滑動窗口的每一個anchor進(jìn)行標(biāo)記，也就是賦予label，滿足一定條件標(biāo)記為正類（比如和ground truth重疊大于一個值），一定條件為負(fù)類。對于正類，就可以根據(jù)ground truth和該anchor對應(yīng)的原圖的區(qū)域之間的變換關(guān)系（參考前面的R-CNN的框回歸），得到回歸器中的目標(biāo)，用于訓(xùn)練。也就是論文中的loss function部分：

自然地，也就要求RPN的兩個并聯(lián)的FC層一個輸出2k個值用于表示這k個anchor對應(yīng)的區(qū)域的正類，負(fù)類的概率，另一個輸出4k個值，用于表示框回歸的變換的預(yù)測值。

對于整個網(wǎng)絡(luò)的訓(xùn)練，作者采用了一種叫做 4-step Alternating Training 的方法。具體可以參考論文。

與之前的檢測任務(wù)稍有不同，mask r-cnn的任務(wù)是做instance segmentation。因此，它需要對每一個像素點(diǎn)進(jìn)行分類。

與Faster R-CNN不同，F(xiàn)aster R-CNN對每一個候選框產(chǎn)生兩個輸出，一個是類別，一個是bounding box的offset。Mask R-CNN新增加了一個輸出，作為物體的mask。這個mask類似于ps中的蒙版。

與Faster R-CNN類似的是，Mask R-CNN同樣采用RPN來進(jìn)行Region Proposal。但是在之后，對于每一個RoI，mask r-cnn還輸出了一個二值化的mask。

不像類別，框回歸，輸出都可以是一個向量，mask必須保持一定的空間信息。因此，作者采用FCN來從每個RoI中預(yù)測一個 的mask。

由于屬于像素級別的預(yù)測問題，就需要RoI能夠在進(jìn)行特征提取的時候保持住空間信息，至少在像素級別上能夠?qū)?yīng)起來。因此，傳統(tǒng)的取最大值的方法就顯得不合適。

RoI Pooling，經(jīng)歷了兩個量化的過程：

第一個：從roi proposal到feature map的映射過程。

第二個：從feature map劃分成7*7的bin，每個bin使用max pooling。

為此，作者使用了RoIAlign。如下圖

為了避免上面提到的量化過程

可以參考

作者使用ResNet作為基礎(chǔ)的特征提取的網(wǎng)絡(luò)。

對于預(yù)測類別，回歸框，mask的網(wǎng)絡(luò)使用如下圖結(jié)構(gòu)：

整體看完這幾篇大佬的論文，雖說沒有弄清楚每一個實(shí)現(xiàn)細(xì)節(jié)，但是大體上了解了算法的思路。可以看出，出發(fā)點(diǎn)都源于深度神經(jīng)網(wǎng)絡(luò)在特征提取上的卓越能力，因此一眾大神試圖將這種能力應(yīng)用在檢測問題中。從R-CNN中簡單地用于特征提取，到為了提高速度減少計(jì)算的Fast R-CNN，再到為了將region proposal集成進(jìn)入整個模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到為了應(yīng)用于instance segmentation任務(wù)中，設(shè)計(jì)的RoIAlign和mask。包括bounding box regression，pooling層的設(shè)計(jì)，訓(xùn)練方法的選擇，loss的設(shè)計(jì)等等細(xì)節(jié)，無一不體現(xiàn)了大師們的思考和創(chuàng)造力。

可能在我們這些“拿來”者的眼中，這些方法都顯得“理所應(yīng)當(dāng)”和巧妙，好用，但是，它們背后隱藏的選擇和這些選擇的思考卻更值得我們學(xué)習(xí)。

以及，對待每一個問題，如何設(shè)計(jì)出合理的解決方案，以及方案的效率，通用性，更是應(yīng)該我們努力的方向。

分享標(biāo)題：vb.netsr232,vbtps235
轉(zhuǎn)載來于：http://jinyejixie.com/article38/dssdjpp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供企業(yè)網(wǎng)站制作、網(wǎng)頁設(shè)計(jì)公司、響應(yīng)式網(wǎng)站、企業(yè)建站、域名注冊、服務(wù)器托管

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)