4 caffe 创建模型与编写配置文件 train_val.prototxt;solver.prototxt;deploy.proto.txt

一，train_val.prototxt

name: "CIFAR10_quick"
layer {
  name: "cifar"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    # mirror: true
    # mean_file: "examples/cifar10/mean.binaryproto"uu
    mean_file: "myself/00b/00bmean.binaryproto"
  }
  data_param {
    # source: "examples/cifar10/cifar10_train_lmdb"
    source: "myself/00b/00b_train_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "cifar"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    # mean_file: "examples/cifar10/mean.binaryproto"
    mean_file: "myself/00b/00bmean.binaryproto"
  }
  data_param {
    # source: "examples/cifar10/cifar10_test_lmdb"
    source: "myself/00b/00b_val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 32
    # pad: 1
    kernel_size: 4
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.0001
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "pool1"
  top: "pool1"
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 32
    # pad: 2
    kernel_size: 4
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: AVE
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "pool2"
  top: "conv3"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 32
    # pad: 2
    kernel_size: 4
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "pool3"
  type: "Pooling"
  bottom: "conv3"
  top: "pool3"
  pooling_param {
    pool: AVE
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "pool3"
  top: "conv4"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 32
    # pad: 2
    kernel_size: 4
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "pool4"
  type: "Pooling"
  bottom: "conv4"
  top: "pool4"
  pooling_param {
    pool: AVE
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool4"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 200
    weight_filler {
      type: "gaussian"
      std: 0.1
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 3
    weight_filler {
      type: "gaussian"
      std: 0.1
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

二，solver.prototxt

# reduce the learning rate after 8 epochs (4000 iters) by a factor of 10

# The train/test net protocol buffer definition
net: "myself/00b/train_val.prototxt"
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 10
# Carry out testing every 500 training iterations.
test_interval: 70
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
# The learning rate policy
lr_policy: "fixed"
# lr_policy: "step"
gamma: 0.1
stepsize: 100
# Display every 100 iterations
display: 10
# The maximum number of iterations
max_iter: 2000
# snapshot intermediate results
# snapshot: 3000
# snapshot_format: HDF5
 snapshot_prefix: "myself/00b/00b"
# solver mode: CPU or GPU
solver_mode: CPU

三，deploy.prototxt

name: "CIFAR10_quick"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 101 dim: 101 } }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 32
    kernel_size: 4
    stride: 1
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  convolution_param {
    num_output: 32
    kernel_size: 4
    stride: 1
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "pool2"
  top: "conv3"
  convolution_param {
    num_output: 32
    kernel_size: 4
    stride: 1
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "pool3"
  type: "Pooling"
  bottom: "conv3"
  top: "pool3"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "pool3"
  top: "conv4"
  convolution_param {
    num_output: 32
    kernel_size: 4
    stride: 1
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "pool4"
  type: "Pooling"
  bottom: "conv4"
  top: "pool4"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool4"
  top: "ip1"
  inner_product_param {
    num_output: 200
  }
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  inner_product_param {
    num_output: 3
  }
}
layer {
  #name: "loss"

  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"

  #top: "loss"
}

参考一：

模型就用程序自带的caffenet模型，位置在 models/bvlc_reference_caffenet/文件夹下, 将需要的两个配置文件，复制到myfile文件夹内

# sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
# sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

修改train_val.protxt，只需要修改两个阶段的data层就可以了，其它可以不用管。





name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "examples/myfile/mean.binaryproto"
  }
  data_param {
    source: "examples/myfile/img_train_lmdb"
    batch_size: 256
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "examples/myfile/mean.binaryproto"
  }
  data_param {
    source: "examples/myfile/img_test_lmdb"
    batch_size: 50
    backend: LMDB
  }
}



 


实际上就是修改两个data layer的mean_file和source这两个地方，其它都没有变化 。


修改其中的solver.prototxt


# sudo vi examples/myfile/solver.prototxt




net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU




100个测试数据，batch_size为50，因此test_iter设置为2，就能全cover了。在训练过程中，调整学习率，逐步变小。


参考二：


前面做好了lmdb和均值文件，下面以Googlenet为例修改网络并训练模型。


我们将caffe-master\models下的bvlc_googlenet文件夹复制到caffe-master\examples\imagenet下。（因为我们的lmdb和均值都在这里，放一起方便些）


打开train_val.txt，修改：


1.修改data层：


[plain] view plain copy print?


    

  1. layer {
    2. 

  2. name: "data"
    3. 

  3. type: "Data"
    4. 

  4. top: "data"
    5. 

  5. top: "label"
    6. 

  6. include {
    7. 

  7. phase: TRAIN
    8. 

  8. }
    9. 

  9. transform_param {
    10. 

  10. mirror: true
    11. 

  11. crop_size: 224
    12. 

  12. mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件
    13. 

  13. #mean_value: 104 #这些注释掉
    14. 

  14. #mean_value: 117
    15. 

  15. #mean_value: 123
    16. 

  16. }
    17. 

  17. data_param {
    18. 

  18. source: "examples/imagenet/mydata_train_lmdb" #训练集的lmdb
    19. 

  19. batch_size: 32 #根据GPU修改
    20. 

  20. backend: LMDB
    21. 

  21. }
    22. 

  22. }
    23. 





 


[plain] view plain copy print?


    

  1. layer {
    2. 

  2. name: "data"
    3. 

  3. type: "Data"
    4. 

  4. top: "data"
    5. 

  5. top: "label"
    6. 

  6. include {
    7. 

  7. phase: TEST
    8. 

  8. }
    9. 

  9. transform_param {
    10. 

  10. mirror: false
    11. 

  11. crop_size: 224
    12. 

  12. mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件
    13. 

  13. #mean_value: 104
    14. 

  14. #mean_value: 117
    15. 

  15. #mean_value: 123
    16. 

  16. }
    17. 

  17. data_param {
    18. 

  18. source: "examples/imagenet/mydata_val_lmdb" #验证集lmdb
    19. 

  19. batch_size: 50 #和solver中的test_iter相乘约等于验证集大小
    20. 

  20. backend: LMDB
    21. 

  21. }
    22. 

  22. }
    23. 





 


2.修改输出：


由于Googlenet有三个输出，所以改三个地方，其他网络一般只有一个输出，则改一个地方即可。


如果是微调，那么输出层的层名也要修改。（参数根据层名来初始化，由于输出改了，该层参数就不对应了，因此要改名）


[plain]




layer {
  name: "loss1/classifier"
  type: "InnerProduct"
  bottom: "loss1/fc"
  top: "loss1/classifier"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000 #改成你的数据集类别数
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}


[plain]


layer {
  name: "loss2/classifier"
  type: "InnerProduct"
  bottom: "loss2/fc"
  top: "loss2/classifier"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000 #改成你的数据集类别数
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}


[plain]


layer {
  name: "loss3/classifier"
  type: "InnerProduct"
  bottom: "pool5/7x7_s1"
  top: "loss3/classifier"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000 #改成你的数据集类别数
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}


3.打开deploy.prototxt，修改：


[plain]




layer {
  name: "loss3/classifier"
  type: "InnerProduct"
  bottom: "pool5/7x7_s1"
  top: "loss3/classifier"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000 #改成你的数据集类别数
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}


如果是微调，该层层名和train_val.prototxt修改一致。


接着，打开solver，修改：


[plain]




net: "examples/imagenet/bvlc_googlenet/train_val.prototxt" #路径不要错
test_iter: 1000 #前面已说明该值
test_interval: 4000 #迭代多少次测试一次
test_initialization: false
display: 40
average_loss: 40
base_lr: 0.01
lr_policy: "step"
stepsize: 320000 #迭代多少次改变一次学习率
gamma: 0.96
max_iter: 10000000 #迭代次数
momentum: 0.9
weight_decay: 0.0002
snapshot: 40000
snapshot_prefix: "examples/imagenet/bvlc_googlenet" #生成的caffemodel保存在imagenet下，形如bvlc_googlenet_iter_***.caffemodel
solver_mode: GPU



这时，我们回到caffe-master\examples\imagenet下，打开train_caffenet.sh，修改：


(如果是微调，在脚本里加入-weights **/**/**.caffemodel即可，即用来微调的caffemodel路径)


[plain]




#!/usr/bin/env sh

./build/tools/caffe train     -solver examples/imagenet/bvlc_googlenet/solver.prototxt -gpu 0



（如果有多个GPU，可自行选择） 然后，在caffe-master下执行改脚本即可开始训练:$caffe-master ./examples/imagenet/train_caffenet.sh


训练得到的caffemodel就可以用来做图像分类了，此时，需要（1）得到的labels.txt，（2）得到的mydata_mean.binaryproto，（3）得到的caffemodel以及已经修改过的deploy.prototxt，共四个文件，具体过程看：http://blog.csdn.net/sinat_30071459/article/details/50974695


参考三：


*_train_test.prototxt,*_deploy.prototxt,*_slover.prototxt文件编写时注意


1、*_train_test.prototxt文件


这是训练与测试网络配置文件


（1）在数据层中 参数include{


phase：TRAIN/TEST


}


TRAIN与TEST不能有“...”否则会报错，还好提示信息里，会提示哪一行出现了问题，如下图：




数字8就代表配置文件的第8行出现了错误


（2）卷积层和全连接层相似：卷积层（Convolution），全连接层（InnerProduct，容易翻译成内积层）相似处有两个【1】：都有两个param{lr_mult：1


decay_mult：1


}


param{lr_mult： 2


decay_mult: 0


}


【2】：convolution_param{}与inner_product_param{}里面的参数相似，甚至相同


今天有事，明天再续！


续上！


（3）平均值文件*_mean.binaryproto要放在transform_param{}里，训练与测试数据集放在data_param{}里


2.*_deploy.prototxt文件


【1】*_deploy.prototxt文件的构造和*_train_test.prototxt文件的构造稍有不同首先没有test网络中的test模块，只有训练模块


【2】数据层的写法和原来也有不同，更加简洁：


input: "data" input_dim: 1 input_dim: 3 input_dim: 32 input_dim: 32


注意红色部分，那是数据层的名字，没有这个的话，第一卷积层无法找到数据，我一开始没有加这句就报错。下面的四个参数有点类似batch_size（1,3,32,32）里四个参数


【3】卷积层和全连接层中weight_filler{}与bias_filler{}两个参数不用再填写，应为这两个参数的值，由已经训练好的模型*.caffemodel文件提供


【4】输出层的变化（1）没有了test模块测试精度（2）输出层


*_train_test.prototxt文件：


layer{   name: "loss"   type: "SoftmaxWithLoss"#注意此处与下面的不同   bottom: "ip2"   bottom: "label"#注意标签项在下面没有了，因为下面的预测属于哪个标签，因此不能提供标签   top: "loss" }


*_deploy.prototxt文件：


layer {   name: "prob"   type: "Softmax"   bottom: "ip2"   top: "prob" }


***注意在两个文件中输出层的类型都发生了变化一个是SoftmaxWithLoss，另一个是Softmax。另外为了方便区分训练与应用输出，训练是输出时是loss，应用时是prob。


3、*_slover.prototxt


net: "test.prototxt" #训练网络的配置文件 test_iter: 100 #test_iter 指明在测试阶段有多上个前向过程（也就是有多少图片）被执行。 在MNIST例子里，在网络配置文件里已经设置test网络的batch size=100，这里test_iter 设置为100，那在测试阶段共有100*100=10000 图片被处理 test_interval: 500 #每500次训练迭代后，执行一次test base_lr: 0.01 #学习率初始化为0.01 momentum：0.9 #u=0.9 weight_decay:0.0005 # lr_policy: "inv" gamma: 0.0001 power: 0.75 #以上三个参数都和降低学习率有关，详细的学习策略和计算公式见下面 // The learning rate decay policy. The currently implemented learning rate


// policies are as follows:


//    - fixed: always return base_lr.


//    - step: return base_lr * gamma ^ (floor(iter / step))


//    - exp: return base_lr * gamma ^ iter


//    - inv: return base_lr * (1 + gamma * iter) ^ (- power)


//    - multistep: similar to step but it allows non uniform steps defined by


//      stepvalue


//    - poly: the effective learning rate follows a polynomial decay, to be


//      zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)


//    - sigmoid: the effective learning rate follows a sigmod decay


//      return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))


// where base_lr, max_iter, gamma, step, stepvalue and power are defined


// in the solver parameter protocol buffer, and iter is the current iteration. display:100 #每100次迭代，显示结果 snapshot: 5000 #每5000次迭代，保存一次快照 snapshot_prefix: "path_prefix" #快照保存前缀：更准确的说是快照保存路径+前缀，应为文件名后的名字是固定的 solver_mode:GPU #选择解算器是用cpu还是gpu


批处理文件编写：


F:/caffe/caffe-windows-master/bin/caffe.exe train --solver=C:/Users/Administrator/Desktop/caffe_test/cifar-10/cifar10_slover_prototxt --gpu=all pause


参考四：


06


原


将train_val.prototxt 转换成deploy.prototxt


分类：caffe


（282）                              （0）


1.删除输入数据（如：type:data...inckude{phase: TRAIN}），然后添加一个数据维度描述。


[plain] view plain copy print?


    

  1. input: "data"
    2. 

  2. input_dim: 1
    3. 

  3. input_dim: 3
    4. 

  4. input_dim: 224
    5. 

  5. input_dim: 224
    6. 

  6. force_backward: true
    7. 





input: "data"
input_dim: 1
input_dim: 3
input_dim: 224
input_dim: 224
force_backward: true




2.移除最后的“loss” 和“accuracy” 层，加入“prob”层。


[plain] view plain copy print?


    

  1. layers {
    2. 

  2. name: "prob"
    3. 

  3. type: SOFTMAX
    4. 

  4. bottom: "fc8"
    5. 

  5. top: "prob"
    6. 

  6. }
    7. 





layers {
  name: "prob"
  type: SOFTMAX
  bottom: "fc8"
  top: "prob"
}


如果train_val文件中还有其他的预处理层，就稍微复杂点。如下，在‘data‘层，在‘data’层和‘conv1’层(with bottom:”data”  / top:”conv1″). 插入一个层来计算输入数据的均值。


[plain] view plain copy print?


    

  1. layer {
    2. 

  2. name: “mean”
    3. 

  3. type: “Convolution”
    4. 

  4. <strong>bottom: “data”
    5. 

  5. top: “data”</strong>
    6. 

  6. param {
    7. 

  7. lr_mult: 0
    8. 

  8. decay_mult: 0
    9. 

  9. }
    10. 

  10. …}
    11. 





在deploy.prototxt文件中，“mean” 层必须保留，只是容器改变，相应的‘conv1’也要改变 ( bottom:”mean”/ top:”conv1″ )。


[plain]


    

  1. layer {
    2. 

  2. name: “mean”
    3. 

  3. type: “Convolution”
    4. 

  4. <strong>bottom: “data”
    5. 

  5. top: “mean“</strong>
    6. 

  6. param {
    7. 

  7. lr_mult: 0
    8. 

  8. decay_mult: 0
    9. 

  9. }
    10. 

  10. …}
    11. 

				


				
时间： 2024-12-29 07:06:11 

		


		


	

	
	

		


		
4 caffe 创建模型与编写配置文件 train_val.prototxt;solver.prototxt;deploy.proto.txt的相关文章


								

		

			

                caffe imagenet模型理解
			

		

		

									

				example下imagenet文件夹下的train_caffenet.sh里面的配置文件为models/bvlc_reference_caffenet/solver.prototxt,找到了solver.prototxt,里面对应的模型为,models/bvlc_reference_caffenet/train_val.prototxt,所以本博文,主要描述的是models/bvlc_reference_caffenet/train_val.prototxt.而且从model文件夹里面可以看到			

		

	

				

		

			

                Django笔记：4.创建模型
			

		

		

									

				创建模型 现在,你的开发环境 —— 一个“项目” —— 已经建立起来,你将开始在上面做一些东西. 你编写的每个Django应用都是遵循特定约定且包含一个Python包. Django自带一个工具,它可以自动生成应用的基本目录结构,这样你就能专心于书写代码而不是创建目录. 项目 vs. 应用 项目和应用之间有什么不同? 应用是一个Web应用程序,它完成具体的事项 —— 比如一个博客系统.一个存储公共档案的数据库或者一个简单的投票应用. 项目是一个特定网站中相关配置和应用的集合.一个项目可以包含多个			

		

	

				

		

			

                0015 DRF框架开发（02 创建模型）
			

		

		

									

				上一节介绍了DRF开发的基本流程,共五个步骤: 1 创建模型 2 创建序列化器 3 编写视图 4 配置URL 5 运行测试 本节主要讲解创建模型. 构建学校,教师,学生三个模型,这三个模型之间的关系是:学校和教师是一对多的关系,教师和学生是多对多的关系.为了更直观的体现多对多的关系,把一个多对多,转化为两个一对多.需要另外创建一个教师学生模型,用于标注教师和学生的对应关系. 因此,本节主要构建四个模型.全部存在Applications/Examples/models.py文件中. 在Django			

		

	

				

		

			

                activiti自定义流程之整合（三）：整合自定义表单创建模型
			

		

		

									

				本来在创建了表单之后应该是表单列表和预览功能,但是我看了看整合的代码,和之前没有用angularjs的基本没有什么变化,一些极小的变动也只是基于angularjs的语法,因此完全可以参考之前说些的表单列表展示相关的内容,这里也就直接进入到下一个步骤,创建流程模型了. 在之前的创建流程模型一节里,我讲代码比较多,实际上在这里还有很重要的一个环节没有细说,那就是自定义流程图,画流程图的过程也是有不少需要注意的事项的,在这一节我会适当的以截图加解释进行说明. 而在创建流程模型的过程中,因为之前也是用j			

		

	

				

		

			

                Entity Framework 6.x - 创建模型来自于现有数据库
			

		

		

									

				Creating a Model from an Existing Database 一.创建数据库 Chapter2 USE master GO CREATE DATABASE Chapter2 GO USE Chapter2 GO CREATE TABLE [Meter] ( [MeterId] [int] NOT NULL IDENTITY(1, 1), [MeterName] [varchar] (30) COLLATE Chinese_PRC_CI_AS NOT NULL ) ON [			

		

	

				

		

			

                《Entity Framework 6 Recipes》翻译系列 (4) -----第二章 实体数据建模基础之从已存在的数据库创建模型 （转）
			

		

		

									

				不知道对EF感兴趣的并不多,还是我翻译有问题(如果是,恳请你指正),通过前几篇的反馈,阅读这个系列的人不多.不要这事到最后成了吃不讨好的事就麻烦了,废话就到这里,直奔主题. 2-2 从已存在的数据库创建模型 问题 有一个存在的数据库,它拥有表.也许还有视图.外键.你想通过它来创建一个模型. 解决方案 让我们设想,你拥有一个描述诗人(Poet)以及他们的诗(Poem),还有他们之间关系的数据库.如图2-7所示. 图2-7 一个关于诗人及他们的诗的简单数据库 从上图可以看出,一个诗人可能是一首或多首			

		

	

				

		

			

                创建模型，设置id
			

		

		

									

				1 /** 2 * 创建模型,设置id 3 */ 4 Ext.onReady(function(){ 5 Ext.define('Person',{ 6 extend:'Ext.data.Model', 7 idProperty:'personId', 8 fields:[ 9 {name:'name',type:'string'}, 10 {name:'age',type:'int'} 11 ] 12 }); 13 var person1 = new Person({ 14 personId:			

		

	

				

		

			

                activiti自己定义流程之整合（三）：整合自己定义表单创建模型
			

		

		

									

				本来在创建了表单之后应该是表单列表和预览功能.可是我看了看整合的代码,和之前没实用angularjs的基本没有什么变化,一些极小的变动也仅仅是基于angularjs的语法,因此全然能够參考之前说些的表单列表展示相关的内容,这里也就直接进入到下一个步骤,创建流程模型了. 在之前的创建流程模型一节里,我讲代码比較多,实际上在这里还有非常重要的一个环节没有细说,那就是自己定义流程图,画流程图的过程也是有不少须要注意的事项的,在这一节我会适当的以截图加解释进行说明. 而在创建流程模型的过程中,由于之前也			

		

	

				

		

			

                使用mybatis、Struts等框架编写配置文件时添加离线DTD验证
			

		

		

									

				在使用mybatis.Struts等框架编写配置文件时,因配置文件是XML文件并且默认是用在线DTD验证的:若当前系统未联网,并且开发工具中并未集成所需DTD的验证文件时,就需手动设置本地DTD文件验证了. 以下以在mybatis中配置为例: 1.  打开配置文件如图: 复制:http://mybatis.org/dtd/mybatis-3-mapper.dtd 2.  获得DTD验证文件,直接在联网电脑浏览器上输入上步复制的网址:如http://mybatis.org/dtd/mybatis-