深度学习之用CelebA_Spoof数据集搭建一个活体检测-训练好的模型用MNN来推理

news2025/5/23 1:20:39

一、模型转换准备

首先确保已完成PyTorch到ONNX的转换：深度学习之用CelebA_Spoof数据集搭建活体检测系统：模型验证与测试。这里有将PyTorch到ONNX格式的模型转换。

二、ONNX转MNN

使用MNN转换工具进行格式转换：具体的编译过程可以参考MNN的官方代码。MNN是一个轻量级的深度神经网络引擎，支持深度学习的推理与训练。适用于服务器/个人电脑/手机/嵌入式各类设备。

./MNNConvert -f ONNX --modelFile live_spoof.onnx --MNNModel live_spoof.mnn

三、C++推理工程搭建

工程结构

mnn_inference/
├── CMakeLists.txt
├── include/
│   ├── InferenceInit.h
│   └── LiveSpoofDetector.h
├── src/
│   ├── InferenceInit.cpp
│   ├── LiveSpoofDetector.cpp
│   └── CMakeLists.txt
└── third_party/MNN/

根目录下的 CMakeLists.txt

cmake_minimum_required(VERSION 3.12)
project(MNNInference)

# 设置C++标准
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 查找OpenCV
find_package(OpenCV REQUIRED)

# 包含第三方库MNN
set(MNN_DIR ${CMAKE_SOURCE_DIR}/third_party/MNN)
include_directories(${MNN_DIR}/include)

# 添加子目录
add_subdirectory(src)

# 主可执行文件
add_executable(mnn_inference_main 
    src/main.cpp
)

# 链接库
target_link_libraries(mnn_inference_main
    PRIVATE
    inference_lib
    ${MNN_DIR}/lib/libMNN.so
    ${OpenCV_LIBS}
)

# 安装规则
install(TARGETS mnn_inference_main
    RUNTIME DESTINATION bin
)

src目录下的 CMakeLists.txt

# 添加库
add_library(inference_lib STATIC
    InferenceInit.cpp
    LiveSpoofDetector.cpp
)

# 包含目录
target_include_directories(inference_lib
    PUBLIC
    ${CMAKE_SOURCE_DIR}/include
    ${MNN_DIR}/include
    ${OpenCV_INCLUDE_DIRS}
)

# 编译选项
target_compile_options(inference_lib
    PRIVATE
    -Wall
    -O3
)

核心实现代码

将MNN读取导入模型和一些mnn_session进行预处理的公共部分抽取出来，以后可以更换不同的模型，只需要给出特定的预处理。

// InferenceInit.h
#ifndef MNN_CORE_MNN_HANDLER_H
#define MNN_CORE_MNN_HANDLER_H
#include "MNN/Interpreter.hpp"
#include "MNN/MNNDefine.h"
#include "MNN/Tensor.hpp"
#include "MNN/ImageProcess.hpp"

#include <iostream>
#include "opencv2/opencv.hpp"
#endif
#include "mylog.h"
#define LITEMNN_DEBUG
namespace mnncore
{
  class  BasicMNNHandler
  {
  protected:
    std::shared_ptr<MNN::Interpreter> mnn_interpreter;
    MNN::Session *mnn_session = nullptr;
    MNN::Tensor *input_tensor = nullptr; // assume single input.
    MNN::ScheduleConfig schedule_config;
    std::shared_ptr<MNN::CV::ImageProcess> pretreat; // init at subclass
    const char *log_id = nullptr;
    const char *mnn_path = nullptr;
    const char *mnn_model_data = nullptr;
    //int mnn_model_size = 0;

  protected:
    const int num_threads; // initialize at runtime.
    int input_batch;
    int input_channel;
    int input_height;
    int input_width;
    int dimension_type;
    int num_outputs = 1;

  protected:
    explicit BasicMNNHandler(const std::string &_mnn_path, int _num_threads = 1);
    int initialize_handler();
    std::string turnHeadDataToString(std::string headData);

    virtual ~BasicMNNHandler();

    // un-copyable
  protected:
    BasicMNNHandler(const BasicMNNHandler &) = delete; //
    BasicMNNHandler(BasicMNNHandler &&) = delete; //
    BasicMNNHandler &operator=(const BasicMNNHandler &) = delete; //
    BasicMNNHandler &operator=(BasicMNNHandler &&) = delete; //

  protected:
    virtual void transform(const cv::Mat &mat) = 0; // ? needed ?
  private:
    void print_debug_string();
  };
}

// InferenceInit.cpp
#include "mnn/core/InferenceInit.h"
namespace mnncore
{
BasicMNNHandler::BasicMNNHandler(
    const std::string &_mnn_path, int _num_threads) :
    log_id(_mnn_path.data()), mnn_path(_mnn_path.data()),num_threads(_num_threads)
{
  //initialize_handler();
}

int BasicMNNHandler::initialize_handler()
{
   std::cout<<"load  Model from file: " << mnn_path << "\n";
   mnn_interpreter = std::shared_ptr<MNN::Interpreter>(MNN::Interpreter::createFromFile(mnn_path));
   myLog(ERROR_, "mnn_interpreter createFromFile done!");
  
  if (nullptr == mnn_interpreter) {
		std::cout << "load centerface failed." << std::endl;
		return -1;
	}
  // 2. init schedule_config
  schedule_config.numThread = (int) num_threads;
  MNN::BackendConfig backend_config;
  backend_config.precision = MNN::BackendConfig::Precision_Low; // default Precision_High
  backend_config.memory = MNN::BackendConfig::Memory_Low;
	backend_config.power = MNN::BackendConfig::Power_Low;
  
  schedule_config.backendConfig = &backend_config;


  // 3. create session
  myLog(ERROR_, "createSession...");
  mnn_session = mnn_interpreter->createSession(schedule_config);
  // 4. init input tensor
  myLog(ERROR_, "getSessionInput...");
  input_tensor = mnn_interpreter->getSessionInput(mnn_session, nullptr);
  // 5. init input dims
  input_batch = input_tensor->batch();
  input_channel = input_tensor->channel();
  input_height = input_tensor->height();
  input_width = input_tensor->width();
  dimension_type = input_tensor->getDimensionType();
  myLog(ERROR_, "input_batch: %d, input_channel: %d, input_height: %d, input_width: %d, dimension_type: %d", input_batch, input_channel, input_height, input_width, dimension_type);
  // 6. resize tensor & session needed ???
  if (dimension_type == MNN::Tensor::CAFFE)
  {
    // NCHW
    mnn_interpreter->resizeTensor(
        input_tensor, {input_batch, input_channel, input_height, input_width});
    mnn_interpreter->resizeSession(mnn_session);
  } // NHWC
  else if (dimension_type == MNN::Tensor::TENSORFLOW)
  {
    mnn_interpreter->resizeTensor(
        input_tensor, {input_batch, input_height, input_width, input_channel});
    mnn_interpreter->resizeSession(mnn_session);
  } // NC4HW4
  else if (dimension_type == MNN::Tensor::CAFFE_C4)
  {
#ifdef LITEMNN_DEBUG
    std::cout << "Dimension Type is CAFFE_C4, skip resizeTensor & resizeSession!\n";
#endif
  }
  // output count
  num_outputs = (int)mnn_interpreter->getSessionOutputAll(mnn_session).size();
#ifdef LITEMNN_DEBUG
  this->print_debug_string();
#endif
  return 0;
}

BasicMNNHandler::~BasicMNNHandler()
{
  mnn_interpreter->releaseModel();
  if (mnn_session)
    mnn_interpreter->releaseSession(mnn_session);
}
void BasicMNNHandler::print_debug_string()
{
  std::cout << "LITEMNN_DEBUG LogId: " << log_id << "\n";
  std::cout << "=============== Input-Dims ==============\n";
  if (input_tensor) input_tensor->printShape();
  if (dimension_type == MNN::Tensor::CAFFE)
    std::cout << "Dimension Type: (CAFFE/PyTorch/ONNX)NCHW" << "\n";
  else if (dimension_type == MNN::Tensor::TENSORFLOW)
    std::cout << "Dimension Type: (TENSORFLOW)NHWC" << "\n";
  else if (dimension_type == MNN::Tensor::CAFFE_C4)
    std::cout << "Dimension Type: (CAFFE_C4)NC4HW4" << "\n";
  std::cout << "=============== Output-Dims ==============\n";
  auto tmp_output_map = mnn_interpreter->getSessionOutputAll(mnn_session);
  std::cout << "getSessionOutputAll done!\n";
  for (auto it = tmp_output_map.cbegin(); it != tmp_output_map.cend(); ++it)
  {
    std::cout << "Output: " << it->first << ": ";
    it->second->printShape();
  }
  std::cout << "========================================\n";
}
} // namespace mnncore

主要的推理处理代码：
头文件声明

//LiveSpoofDetector.h
#include "mnn/core/InferenceInit.h"
#include <iostream>
#include <fstream>
#include <sstream>
#include<iterator>
#include <algorithm>

#define RESIZE_LIVE_SPOOF_SIZE 112
using namespace mnncore;
namespace mnncv {
    class SqueezeNetLiveSpoof : public BasicMNNHandler
    {
    public:
        explicit SqueezeNetLiveSpoof(const std::string &model_path, int numThread = 1);
        ~SqueezeNetLiveSpoof() override = default;
        // 保留原有函数
        int Init(const char* model_path);
        float detect_handler(const unsigned char* pData, int width, int height, int nchannel,  int mod);
		cv::Mat m_image;
    private:
        void initialize_pretreat();
        void transform(const cv::Mat &mat) override;
        std::vector<cv::Point2f> coord5points;
		const float meanVals_[3] = { 103.94f, 116.78f, 123.68f};
		const float normVals_[3] = {0.017f, 0.017f, 0.017f};

    };
}

函数定义：

// LiveSpoofDetector.cpp
#include "include/mnn/cv/RGB/LiveSpoofDetector.h"
#include <opencv2/opencv.hpp>

using namespace mnncv;

SqueezeNetLiveSpoof::SqueezeNetLiveSpoof(const std::string &model_path, int numThread) 
    : BasicMNNHandler(model_path, numThread) {
    initialize_pretreat();
}

int SqueezeNetLiveSpoof::Init(const char* model_path) {
	std::string model_path_str = model_path;
	int FileLoadFlag = initialize_handler(model_path_str, 0);

	if (FileLoadFlag >= 0 )
	{
		return 0;
	}
	return FileLoadFlag;
}
template<typename T> std::vector<float> softmax(
	const T *logits, unsigned int _size, unsigned int &max_id)
{
	//types::__assert_type<T>();
	if (_size == 0 || logits == nullptr) return{};
	float max_prob = 0.f, total_exp = 0.f;
	std::vector<float> softmax_probs(_size);
	for (unsigned int i = 0; i < _size; ++i)
	{
		softmax_probs[i] = std::exp((float)logits[i]);
		total_exp += softmax_probs[i];
	}
	for (unsigned int i = 0; i < _size; ++i)
	{
		softmax_probs[i] = softmax_probs[i] / total_exp;
		if (softmax_probs[i] > max_prob)
		{
			max_id = i;
			max_prob = softmax_probs[i];
		}
	}
	return softmax_probs;
}
float SqueezeNetLiveSpoof::detect_handler(const unsigned char* pData, int width, int height, int nchannel, int mod)
{
    if (!pData || width <= 0 || height <= 0) return 0.0f;
    
    try {
        // 1. 将输入数据转换为OpenCV Mat
        cv::Mat input_mat(height, width, nchannel == 3 ? CV_8UC3 : CV_8UC1, (void*)pData);
        if (nchannel == 1) {
            cv::cvtColor(input_mat, input_mat, cv::COLOR_GRAY2BGR);
        }

        // 2. 预处理图像
        this->transform(input_mat);
        
        // 3. 运行推理
		mnn_interpreter->runSession(mnn_session);
        
        // 4. 获取输出
        auto output_tensor = mnn_interpreter->getSessionOutput(mnn_session, nullptr);
        MNN::Tensor host_tensor(output_tensor, output_tensor->getDimensionType());
        output_tensor->copyToHostTensor(&host_tensor);

		auto embedding_dims = host_tensor.shape(); // (1,128)
		const unsigned int hidden_dim = embedding_dims.at(1);
		const float* embedding_values = host_tensor.host<float>();
	
		unsigned int pred_live = 0;
		auto softmax_probs = softmax<float>(embedding_values, hidden_dim, pred_live);
		//std::cout << "softmax_probs: " << softmax_probs[0]<<"  "<<softmax_probs[1] << std::endl;
        float live_score = softmax_probs[0]; // 取真脸概率作为活体分数
		std::cout << "live_score: " << live_score<< "   spoof_score:"<< softmax_probs[1]<< std::endl;
        return live_score;
    } 
    catch (const std::exception& e) {
        std::cerr << "detect_handler exception: " << e.what() << std::endl;
        return 0.0f;
    }
}
void SqueezeNetLiveSpoof::initialize_pretreat() {
    // 初始化预处理参数
	MNN::CV::Matrix trans;
	trans.setScale(1.0f, 1.0f);
	MNN::CV::ImageProcess::Config img_config;
	img_config.filterType = MNN::CV::BICUBIC;
	::memcpy(img_config.mean, meanVals_, sizeof(meanVals_));
	::memcpy(img_config.normal, normVals_, sizeof(normVals_));
	img_config.sourceFormat = MNN::CV::BGR;
	img_config.destFormat = MNN::CV::RGB;
	pretreat = std::shared_ptr<MNN::CV::ImageProcess>(MNN::CV::ImageProcess::create(img_config));
	pretreat->setMatrix(trans);
}
void SqueezeNetLiveSpoof::transform(const cv::Mat &mat)
 {
    cv::Mat mat_rs;
	cv::resize(mat, mat_rs, cv::Size(input_width, input_height));
	pretreat->convert(mat_rs.data, input_width, input_height, mat_rs.step[0], input_tensor);
}

四、结果展示

在返回的分类结果中，我们用0.8作为阈值对活体分数进行过滤，得到的结果如下：
判断为非活体的图片结果
在这里插入图片描述

五、留下来的问题

一个从数据整理到最后的MNN推理的2D活体检测的工作简单的完结了，这个系列的内容主要目的是讲诉一个模型如何从设计到部署的全过程，过程中的有些描述和个人理解并不一定正确，如果有其他理解或者错处指出，请严重指出。
深度学习之用CelebA_Spoof数据集搭建一个活体检测-数据处理
深度学习之用CelebA_Spoof数据集搭建一个活体检测-模型搭建和训练
深度学习之用CelebA_Spoof数据集搭建一个活体检测-模型验证与测试
深度学习之用CelebA_Spoof数据集搭建一个活体检测-一些模型训练中的改动带来的改善
那么这个系列完结，留下什么问题：
1 2D活体检测有没有更好的方法？
2 训练的过程如何更好更快的调参以及收敛，以及如何寻找更好的特征？
3 在实际使用过程中，怎样提高功能的体验感，至于那些判断错误的，该如何进行处理？
4 如何在不同环境下，保证活体的准确率？
这都是在这个工作中需要重视的，而且这项工作并不会因为有了部署成功就能成功，而是需要不断改善。如果有好的方法和建议，烦请留言告知，我们一起讨论！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2383513.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

开源安全大模型Foundation-Sec-8B实操

开源安全大模型Foundation-Sec-8B实操

一、兴奋时刻 此时此刻，晚上22点55分，从今天早上6点左右开始折腾，花费了接近10刀的环境使用费，1天的休息时间，总算是把Foundation-Sec-8B模型跑起来了，中间有两次胜利就在眼前，但却总在远程端口转发环节出问题，让人难受。直到晚上远程Jupyter访问成功那一刻，眉开眼笑，…
阅读更多...
【JavaWeb】MySQL

【JavaWeb】MySQL

1 引言 1.1 为什么学&#xff1f; 在学习SpringBootWeb基础知识(IOC、DI等)时&#xff0c;在web开发中&#xff0c;为了应用程序职责单一&#xff0c;方便维护&#xff0c;一般将web应用程序分为三层&#xff0c;即&#xff1a;Controller、Service、Dao 。 之前的案例中&am…
阅读更多...
微信小游戏流量主广告自动化浏览功能案例5

微信小游戏流量主广告自动化浏览功能案例5

功能需求&#xff1a; 支持APP单行文本框输入1个小程序链接&#xff0c;在“文件传输助手”界面发送小程序链接并进入。 主要有“文章列表首页”和“文章内容”页面。每个页面支持点击弹窗广告、槽位广告、视频广告入口、视频广告内第三方广告。 弹窗广告、槽位广告、视频广…
阅读更多...
软件的技术架构、应用架构、业务架构、数据架构、部署架构

软件的技术架构、应用架构、业务架构、数据架构、部署架构

一、各架构定义 1. 技术架构&#xff08;Technical Architecture&#xff09; 定义&#xff1a;技术架构关注的是支撑系统运行的底层技术基础设施和软件平台&#xff0c;包括硬件、操作系统、中间件、编程语言、框架、数据库管理系统等技术组件的选择和组合方式。它描述了系统…
阅读更多...
CSS 文字样式全解析：从基础排版到视觉层次设计

CSS 文字样式全解析：从基础排版到视觉层次设计

CSS 文字样式目录 一、字体家族&#xff08;font-family&#xff09; 二、字体大小&#xff08;font-size&#xff09; 三、字体粗细&#xff08;font-weight&#xff09; 四、字体样式&#xff08;font-style&#xff09; 五、文本转换&#xff08;text-transform&#xf…
阅读更多...
【高德开放平台-注册安全分析报告】

【高德开放平台-注册安全分析报告】

前言 由于网站注册入口容易被黑客攻击&#xff0c;存在如下安全问题&#xff1a; 暴力破解密码&#xff0c;造成用户信息泄露短信盗刷的安全问题&#xff0c;影响业务及导致用户投诉带来经济损失&#xff0c;尤其是后付费客户&#xff0c;风险巨大&#xff0c;造成亏损无底洞…
阅读更多...
RabbitMQ的简介

RabbitMQ的简介

三个概念 生产者&#xff1a;生产消息的服务消息代理&#xff1a;消息中间件&#xff0c;如RabbitMQ消费者&#xff1a;获取使用消息的服务 消息队列到达消费者的两种形式 队列&#xff08;queue&#xff09;:点对点消息通信&#xff08;point-to-point&#xff09; 消息进入队…
阅读更多...
使用Gemini, LangChain, Gradio打造一个书籍推荐系统 （第一部分）

使用Gemini, LangChain, Gradio打造一个书籍推荐系统 （第一部分）

第一部分&#xff1a;数据处理 import kagglehub# Download latest version path kagglehub.dataset_download("dylanjcastillo/7k-books-with-metadata")print("Path to dataset files:", path)自动下载该数据集的 最新版本 并返回本地保存的路径 impo…
阅读更多...
大语言模型 16 - Manus 超强智能体 Prompt分析 原理分析 包含工具列表分析

大语言模型 16 - Manus 超强智能体 Prompt分析 原理分析 包含工具列表分析

写在前面 Manus 是由中国初创公司 Monica.im 于 2025 年 3 月推出的全球首款通用型 AI 智能体&#xff08;AI Agent&#xff09;&#xff0c;旨在实现“知行合一”&#xff0c;即不仅具备强大的语言理解和推理能力&#xff0c;还能自主执行复杂任务&#xff0c;直接交付完整成…
阅读更多...
以太联Intellinet带您深度解析PoE交换机的上行链路端口(Uplink Ports)

以太联Intellinet带您深度解析PoE交换机的上行链路端口(Uplink Ports)

在当今网络技术日新月异的时代&#xff0c;以太网供电(PoE)交换机已然成为现代网络连接解决方案中不可或缺的“利器”。它不仅能够出色地完成数据传输任务&#xff0c;还能为所连接的设备提供电力支持&#xff0c;彻底摆脱了单独电源适配器的束缚&#xff0c;让网络部署更加简洁…
阅读更多...
分类算法 Kmeans、KNN、Meanshift 实战

分类算法 Kmeans、KNN、Meanshift 实战

任务 1、采用 Kmeans 算法实现 2D 数据自动聚类&#xff0c;预测 V180,V260 数据类别&#xff1b; 2、计算预测准确率&#xff0c;完成结果矫正 3、采用 KNN、Meanshift 算法&#xff0c;重复步骤 1-2 代码工具&#xff1a;jupyter notebook 视频资料 无监督学习&#xff…
阅读更多...
网络安全之身份验证绕过漏洞

网络安全之身份验证绕过漏洞

漏洞简介 CrushFTP 是一款由 CrushFTP LLC 开发的强大文件传输服务器软件&#xff0c;支持FTP、SFTP、HTTP、WebDAV等多种协议&#xff0c;为企业和个人用户提供安全文件传输服务。近期&#xff0c;一个被编号为CVE-2025-2825的严重安全漏洞被发现&#xff0c;该漏洞影响版本1…
阅读更多...
MySQL 主从复制搭建全流程：基于 Docker 与 Harbor 仓库

MySQL 主从复制搭建全流程：基于 Docker 与 Harbor 仓库

一、引言 在数据库管理中&#xff0c;MySQL 主从复制是一种非常重要的技术&#xff0c;它可以实现数据的备份、读写分离&#xff0c;减轻主数据库的压力。本文将详细介绍如何使用 Docker 和 Harbor 仓库来搭建 MySQL 主从复制环境&#xff0c;适合刚接触数据库和 Docker 的新手…
阅读更多...
Django框架的前端部分使用Ajax请求一

Django框架的前端部分使用Ajax请求一

Ajax请求 目录 1.ajax请求使用 2.增加任务列表功能(只有查看和新增) 3.代码展示集合 这篇文章, 要开始讲关于ajax请求的内容了。这个和以前文章中写道的Vue框架里面的axios请求, 很相似。后端代码, 会有一些细节点, 跟前几节文章写的有些区别。 一、ajax请求使用 我们先…
阅读更多...
cmd如何从C盘默认路径切换到D盘某指定目录

cmd如何从C盘默认路径切换到D盘某指定目录

以从C盘cmd打开后的默认目录切换到目录"D:\Program Files\MySQL\MySQL Server 8.0\bin\mysqld"为例 打开cmd 首先点击开始键&#xff0c;搜索cms&#xff0c;右键以管理员身份运行打开管理员端的命令行提示符 1、首先要先切换到D盘 直接输入D:然后回车就可以&…
阅读更多...
每日Prompt：实物与手绘涂鸦创意广告

每日Prompt：实物与手绘涂鸦创意广告

提示词 一则简约且富有创意的广告&#xff0c;设置在纯白背景上。 一个真实的 [真实物体] 与手绘黑色墨水涂鸦相结合&#xff0c;线条松散而俏皮。涂鸦描绘了&#xff1a;[涂鸦概念及交互&#xff1a;以巧妙、富有想象力的方式与物体互动]。在顶部或中部加入粗体黑色 [广告文案…
阅读更多...
学习笔记：黑马程序员JavaWeb开发教程(2025.4.8)

学习笔记：黑马程序员JavaWeb开发教程(2025.4.8)

12.11 登录校验-Filter-详解&#xff08;过滤器链&#xff09; 过滤器链及其执行顺序&#xff0c;一个Filter一个过滤器链&#xff0c;类名排名越靠前&#xff08;按照ABC这样的顺序&#xff09;&#xff0c;就先执行谁 12.12 登录校验-Filter-登录校验过滤器 获取请求参数&…
阅读更多...
Ubuntu部署私有Gitlab

Ubuntu部署私有Gitlab

这个东西安装其实挺简单的&#xff0c;但是因为我这边迁移了数据目录和使用自己安装的 nginx 代理还是踩了几个坑&#xff0c;所以大家可以注意下 先看下安装 # 先安装必要组件 sudo apt update sudo apt install -y curl openssh-server ca-certificates tzdata perl# 添加gi…
阅读更多...
genicamtl_lmi_gocator_objectmodel3d

genicamtl_lmi_gocator_objectmodel3d

目录 一、在halcon中找不到genicamtl_lmi_gocator_objectmodel3d例程二、在halcon中运行genicamtl_lmi_gocator_objectmodel3d，该如何配置三、代码分段详解（一）传感器连接四、代码分段详解（二）采集图像并显示五、代码分段详解（三）坐标变换六、常见问题一、在halcon中找不…
阅读更多...
[LevelDB]LevelDB版本管理的黑魔法-为什么能在不锁表的情况下管理数据？

[LevelDB]LevelDB版本管理的黑魔法-为什么能在不锁表的情况下管理数据？

文章摘要 LevelDB的日志管理系统是怎么通过双链表来进行数据管理为什么LevelDB能够在不锁表的情况下进行日志新增 适用人群: 对版本管理机制有开发诉求&#xff0c;并且希望参考LevelDB的版本开发机制。数据库相关从业者的专业人士。计算机狂热爱好者&#xff0c;对计算机的…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023