Vue学习——第五弹

Posted 2023-04-09 沃和莱特

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Vue学习——第五弹相关的知识，希望对你有一定的参考价值。

前言

上一篇文章 Vue学习——【第四弹】中学到了数据代理，这篇文章接着学习 Vue中的事件处理。

事件处理

我们在学习javascript时就经常接触事件处理，比如在进行表单、按钮、列表折叠等操作时，我们就经常用到 click（点击）事件。在JS中我们经常把事件处理看作一个DOM事件。
在Vue中，事件处理是控制数据变化的控制器，是连接视图与数据的桥梁。

事件处理的语法是：

v-on：事件名="处理事件的函数名"  或者是  @事件名="处理事件的函数名"
通常情况下，我们选择后者的写法

在这里，处理事件的函数名一定要写在 methods配置项中，以便让当前的组件实例访问。

工作机制

Vue先通过v-on指令将事件绑定到DOM元素上；
当触发事件时（如点击按钮、输入文本等），DOM元素会检测到，并向Vue实例传递事件对象；
Vue实例通过事件响应函数来处理这个事件对象，并执行相应的操作，如调用方法、更新数据等；
如果需要修改数据，Vue会自动重新渲染组件来更新DOM中的数据。

代码举例

比如我们给最常见的按钮绑定一个click事件，实现数据处理：

<body>
    <div id="demo1">
        <h3>message</h3>    
        <button v-on:click="show">了解更多</button> <!--给按钮添加点击事件，当点击按钮时就执行回调函数；下面是简写形式-->
        <!-- <button @click="show">了解更多</button>  -->
    </div>
</body>
<script type="text/javascript">
    new Vue(
        el:'#demo1',
        data:
            message:'hello Vue',
        ,
            // 使用一个配置项叫做 methods 将回调函数show添加到Vue实例中
        methods:  //将show函数作为一个方法放到 methods对象中         
               show()
                alert('欢迎学习Vue')
            
        
    )
</script>

运行效果：

Vue先通过v-on指令将click事件绑定到DOM元素 button上；
当点击按钮时，DOM元素会检测到事件被触发，开始向Vue实例传递事件对象；
而Vue实例就会通过事件响应函数来处理这个click事件，并开始调用show()函数。

另外我们可以看下在methods配置项中函数的this指向问题，我们在控制台打印出methods配置项中函数中的this：

    <script type="text/javascript">
        new Vue(
            el:"#demo1",
            data:
                message:"hello Vue"
            ,
            methods:
                show()
                console.log("这是show函数中的this",this)
            
        
        )
    </script>

我们通过控制台打印的结果看出，这里的this指向的是Vue实例对象
当然在配置项中我们写的是普通函数，如果是换成箭头函数，它的this还会指向Vue实例对象吗？

    <script type="text/javascript">
        new Vue(
            el:'#demo1',
            data:
                message:'hello Vue'
            ,
            methods:
                show:(event)=>
                    console.log("show函数改为箭头函数后的this",this)  //写成箭头函数后就不会有指向Vue实例的this，就会调用到全局的window；因此我们在Vue实例中写回调函数时最好写成普通函数
                
            
        )
    </script>

我们看到，如果是换成箭头函数，此时的this指向是全局window
因为箭头函数是没有自己的this值的，它继承的是父级作用域中的this值；因此如果把箭头函数写在methods配置项中，此时this指向的是Vue实例之外的对象，而一个普通函数的“this”则指的是当前的Vue实例。

也就是说，当我们在书写事件处理函数时，或者说methods配置项中的函数，要尽量写成普通函数，原因有如下几点：

1：使用箭头函数定义Vue的methods函数，this指向的是Window，而不是组件实例，需要用普通函数来定义methods函数，才能正确地访问组件实例的属性和方法。
2：如果在methods中包含了异步函数，那么箭头函数的“this”值将会是undefined，这会导致代码无法正常工作。

事件处理中函数中的参数传递

在进行事件绑定时我们可以给调用的函数进行传递实参的，它的语法是

@事件名=“事件函数(实参1，实参2,…实参n)”

如果是不给调用的函数传递参数的话，它会默认传递event

    <div id="demo">
        message
        <button @click="show">了解更多</button> <!--没有给show函数传递实参-->
    </div>
    <script type="text/javascript">
        new Vue(
            el:"#demo",
            data:
                message:"hello Vue"
            ,
            methods:
                show(a)  //这里的show中传递的是形参
                    console.log("这是默认传递的参数",a)
                
            
        )
    </script>

运行结果：
这是在不给show函数传递实参的情况下，Vue会默认我们传递了一个参数，并且这个参数是一个事件对象。

如果我们给它传递一个实参会发生什么呢？

如图，我们给show函数传递了一个数值 1024，通过控制台运行的结果可以看出，当我们点击按钮时，就会调用show，并将传递的参数 1024打印出来，但是原来Vue给我们默认传递的event怎么没有显示出来呢？
在Vue中，如果我们需要在传递实参的同时也保留事件对象，此时可以用$event占位符来解决：

关于methods配置项

我们尝试将methods配置项中的方法放到data中，看会出现什么结果：

<body>
    <div id="demo1">
        message
        <button @click="show1($event,1024)">放进data中</button>
        <button @click="show2($event,1010)">在data外</button>
    </div>
    <script type="text/javascript">
        const vm = new Vue(
            el:"#demo1",
            data:
                message:"hello Vue",
                show1(event,number)
                    console.log(event,number)
                  //这里将show放到了data中，此时Vue会将show做一次数据代理，但是show本身是不需要进行数据代理的，这种做法会让Vue变得冗余
            ,
            methods:
                show2(event,number)
                    console.log(event,number)
                
            
        )
    </script>

在最后控制台的最下面我们看到show1的确是进行了数据代理，但是这对于show1来说是毫无意义的。

在Vue中，data用于存储组件的数据状态，而methods用于存储组件的函数方法。事件处理需要调用组件的函数方法来处理，而data只用于存储数据状态而不是函数方法。并且在Vue中有针对组件生命周期的函数调用，如果将函数写在methods中，可以很方便地调用这些函数来实现组件的生命周期。

小结

1：Vue中的事件处理的语法：
v-on：事件名=“处理事件的函数名”
简写形式为 @事件名=“处理事件的函数名”。
2：处理事件的函数名一定要写在 methods配置项中，以便让当前的组件实例访问。
3：当我们在书写事件处理函数时，或者说methods配置项中的函数，要尽量写成普通函数。
4：将事件处理的函数写在methods中是Vue的推荐做法，这也符合Vue的设计原则和响应式数据的特性。

第五弹：VGG

接下来讲一个目前经常被用到的模型，来自牛津大学的VGG，该网络目前还有很多改进版本，这里只讲一下最初的模型，分别从论文解析和模型理解两部分组成。

一、论文解析

一：摘要

……

从Alex-net发展而来的网络主要修改一下两个方面：

1，在第一个卷基层层使用更小的filter尺寸和间隔；

2，在整个图片和multi-scale上训练和测试图片。

二：网络配置

2.1配置

2.1.1 小的Filter尺寸为3*3

卷积的间隔s=1；3*3的卷基层有1个像素的填充。

1：3*3是最小的能够捕获上下左右和中心概念的尺寸。

2：两个3*3的卷基层的有限感受野是5*5；三个3*3的感受野是7*7，可以替代大的filter尺寸

3：多个3*3的卷基层比一个大尺寸filter卷基层有更多的非线性，使得判决函数更加具有判决性。

4：多个3*3的卷积层比一个大尺寸的filter有更少的参数，假设卷基层的输入和输出的特征图大小相同为C，那么三个3*3的卷积层参数个数3*（3*3*C*C）=27CC；一个7*7的卷积层参数为49CC；所以可以把三个3*3的filter看成是一个7*7filter的分解（中间层有非线性的分解）。

2.1.2 1*1 filter:

作用是在不影响输入输出维数的情况下，对输入线进行线性形变，然后通过Relu进行非线性处理，增加网络的非线性表达能力。

Pooling：2*2，间隔s=2；

2.2 结构

技术分享

和之前流行的三阶段网络不通的是，本文是有5个max-pooling层，所以是5阶段卷积特征提取。每层的卷积个数从首阶段的64个开始，每个阶段增长一倍，直到达到最高的512个，然后保持。

基本结构A：

Input（224,224,3）→64F（3,3,3,1）→max-p(2,2)→128F（3,3,64,1）→max-p(2,2) →256F（3,3,128,1）→256F（3,3,256,1）→max-p(2,2)→512F（3,3,256,1）→512F（3,3,512,1）→max-p(2,2)→512F（3,3,256,1）→512F（3,3,512,1）→max-p(2,2)→4096fc→4096fc→1000softmax

8个卷基层，3个全连接层，共计11层；作者只说明了使用3*3filter的原因，至于层数，阶段数，特征数为什么这么设计，作者并没有说明。

参数个数：网络E和OverFeat模型参数差不多

技术分享

B：在A的stage2 和stage3分别增加一个3*3的卷基层，10个卷积层，总计13层

C：在B的基础上，stage3，stage4，stage5分别增加1*1的卷积层，13个卷基层，总计16层

D：在C的基础上，stage3，stage4，stage5分别增加3*3的卷积层，13个卷基层，总计16层

E：在D的基础上，stage3，stage4，stage5分别增加3*3的卷积层，16个卷基层，总计19层

三，分类框架

3.1训练参数设置

Minibatch=256，其它的都一样。

作者发现，尽管VGG比Alex-net有更多的参数，更深的层次；但是VGG需要很少的迭代次数就开始收敛。这是因为

1，深度和小的filter尺寸起到了隐式的规则化的作用

2，一些层的pre-initialisation

pre-initialisation：网络A的权值W~（0,0.01）的高斯分布，bias为0；由于存在大量的ReLU函数，不好的权值初始值对于网络训练影响较大。为了绕开这个问题，作者现在通过随机的方式训练最浅的网络A；然后在训练其他网络时，把A的前4个卷基层（感觉是每个阶段的以第一卷积层）和最后全连接层的权值当做其他网络的初始值，未赋值的中间层通过随机初始化。

Multi-scale 训练

把原始 image缩放到最小边S>224；然后在full image上提取224*224片段，进行训练。

方法1：在S=256，和S=384上训练两个模型，然后求平均

方法2：类似OverFeat测试时使用的方法，在[Smin,Smax]scale上，随机选取一个scale，然后提取224*224的图片，训练一个网络。这种方法类似图片尺寸上的数据增益。

3.2 测试

测试阶段的方法和OverFeat测试方法相同，首先选定一个scale：Q，然后在这个图片上应用卷积网络，在最后一个卷积阶段产生unpooled FM，然后利用sliding window方法，每个pooling window产生一个分类输出，然后融合各个pooling window的结果，得到最终分类。这样比10-view更加高效，只需计算一次卷积过程。

3.3 部署细节

利用C++ Caffe toolbox，在4个Titan Gpu上并行计算，比单独GPU快3.75倍，每个网络差不多2-3周。

四，分类实验

4.1 测试阶段single-scale对比

技术分享

A vs A-LRN：A-LRN结果没有A好，说明LRN作用不大。

A vs B,C,D,E：越深越好

A vs C：增加1*1filter，即增加额外的非线性确实提升效果

C vs D：3*3的filter比1*1filter要好，使用较大的filter能够捕捉更大的空间特征。

训练方法：在scale区间[256;512]通过scale增益来训练网络，比在固定的两个S=256和S=512，结果明显提升。Multi-scale训练确实很有用，因为ZF论文中，卷积网络对于缩放有一定的不变性，通过multi-scale训练可以增加这种不变性的能力。

4.2 Multi-scale训练

方法1：single-scale训练 S，multi-scale测试 {S-32,S,S+32}

方法2：multi-scale训练[Smin;Smax]，multi-scale测试{Smin，middle，Smax}

结果：此处结果为B’

技术分享

1 B vs B’, C vs C’,……:single-scale训练，利用multi-scale测试，有0.2%的top-5提升。

2 B-256 vs B-384 ……：single-scale在256和348上训练，无论用什么测试方法，结果基本上差不多。说明网络在单个scale上提取能力有限。

3 multi-scale训练，multi-scale测试，对于网络提升明显，D’和E’的top-5分类达到了7.5%。

4.3 模型融合

通过结果求平均，融合上面不同网络的结果。

技术分享

模型融合结果如上图，比较有意思的是，模型D和E两个顶尖模型融合的结果比融合7个模型的结果还要好。这个比较有意思，模型融合个数多，反而没有两个网络的好。这个是为什么？没有想明白。

4.4和其他网络比较

本文的结果和博文9中的结果有一些差距，感觉可能是训练平台和方法的原因，不同的训练平台和方法对于结果也有影响。

技术分享

五，定位

5.1 定位网络

和OverFeat的方法类似，使用模型D（参数最少，表现最好）通过回归函数来替换分类器，两种分类方法：SCR(single-classregression)，用一个回归函数来学习预测所有类别的bounding box；PCR（per-class regression）每个类别有自己单独的一个回归函数。

训练：分别在S=256和S=384上训练两个模型，网络反馈学习时，探究了两种情况1，fine tuning整个网络；2，只调整全连接层。

测试：

第一种测试框架：定位网络只应用在图像的裁剪中心，用于比较不同的网络修改下性能。

技术分享

1，发现fine-tuning整个网络的定位性能，比值调整全连接层权值的定位结果要好。

2，PCR比SCR结果好，这个和OverFeat的结果相反。

所以最好的定位方法是采用PCR，fine-tuning整个网络。

第二种测试框架：利用OverFeat的贪婪融合过程（不使用offset pooling），在整个图像上密集应用定位网络；首先根据softmax分类结果给定bounding box的置信得分，然后融合空间相似的bounding box，最后选取最大置信得分的bounding box。

在不同scale下，定位结果。

技术分享

1，适当的scale对于定位结果有影响S=384好于S=256。

2，multi-scale比single-scale好。

3，multi-model fusion会更好。

和其它state-of-the-art方法比较：

技术分享

在使用较少的scale下，在不使用offset pooling情况下，本文的结果比OverFeat提高很多；曹成这种提高的原因主要在于网络结构上的不同，好网络，好分类，好定位，估计还有好检测。

六，结论

深度是获得好结果的关键。

一些理解和困惑

感觉本文在网络探讨阶段和博文9中探索最优网络比较类似；都是首先提出一个结果不错的基础网络A，然后在网络A上进行一些列的修改，一步一步地提高网络性能，进而探索好的网络设计应该是什么样的；博文9平衡网络各个因素探讨的方式比本文比计较复杂度情况下增加深度，更加精细。而且两篇文章的关于深度的结论相同，深度可以提升结果，但是深度会饱和。

这里最大的疑问就是他们的网络A是怎么提来的。

博文9中的A结构：

Input（224,224,3）→64F(7,7,3,s=2) →max-p(3,3,3)→128F(5,5,64) →max-p(2,2,2) →256F(3,3,128)→256F(3,3,256)→256F(3,3,256)→spp(6*6,3*3,2*2,1*1)→4096fc→4096fc→softmax

感觉博文9的结构借鉴了Alex-net，ZF-net和本文的VGG，例如这种三段式结构是从瘦身版的Alex-net和ZF-net中来的，第一个卷积层有64个filter而不是96个，感觉是借鉴了本文第一卷积层的结构；还有就是可能依据本文或OverFeat中剔除了LRN。

但是本文的结构就找不到关系了， 5阶段，filter的个数尺寸，网络结构等64-128-256-512-512；使用3*3小filter作者已经解释了原因，但是这个关键的网络结构作者并没有给出具体的设计依据，而是直接给出了结果；感觉一个是凭借经验，再有就是凭借实验；结合博文9中的观点，感觉VGG网络还可以利用其中层析替换思想来提高分类结果。

里一个困惑，就是“PCR比SCR结果好，这个和OverFeat的结果相反”；OverFeat中在三scale下 SCR-vs-PCR为31.3-vs-44.1;SCR要明显好于PCR，OverFeat作者的解释是PCR顶层有更多的回归函数，继而有更多的参数，而每个类别的训练样本有限，导致每个类别的回归函数不能够很好的训练；但是本文作者的网络中PCR明显好于SCR，训练样本并没有增多，现在感觉OverFeat这种每类训练样本少的解释合理性有待商榷；此外网络结构不同感觉是两个结果区别的关键，除卷积提取阶段不同外；全连接层的结构也不同OverFeat网络是4096-1024-regression；本文的网络是4096-4096-regression；从对比来看造成这种差距的原因估计是网络结果上的问题；但是这个可以解释为什么本文的结果比OverFeat的结果好，如果用网络结构来解释PCR比SCR好，感觉有些牵强。所以感觉PCR和SCR两种预测bounding box方法的影响因素，还是有些不明白。“还有一个不同的地方就是在上面的测试中，本文给出了图片真正的分类，然后更具真是的类比，预测bounding box；而不是采用先预测分类，在预测bounding box的方法” 。

二、模型分析

可知，VGG是在AlexNet上所改进的，两者的比较如下：

相同点

1.最后三层FC层(Fully Connected全连接层）结构相同。
2.都分成五层（组）。
3.每层和每层之间用pooling层分开。

不同点

1.AlexNet每层仅仅含有一个Convolution层，filter的大小7x7（很大）；而VGG每层含有多个(2~4)个Convolution层，filter的大小是3x3（最小）。很明显，VGG是在模仿Alex的结构，然而它通过降低filter的大小，增加层数来达到同样的效果。我提出我的一个对这种模仿的一种我自己的理解。因为不是论文中讲到，仅仅是我自己的理解，仅供大家参考。

作者在论文中说了一句
"This can be seen as imposing a regularisation on the 7 × 7 conv. filters, forcing them to have a decomposition through the 3 × 3 filters"
他说7x7 filter可以被分解成若干个3x3的filter的叠加。

类比一下n维空间的向量x，x的正交分解
x = x1(1, 0, 0, ....) + x2(0, 1, 0, ...) + x3(0, 0, 1,...) + ... + xn(0, 0, 0, ..., 1)

每一组的每一层的filter被类比成n维欧几里得空间的基底。
若VGG的一组含有3层3x3的filter，则我们则假设一个7x7的filter可以被分解成3种“正交”的3x3的filter。

作者原文：First, we incorporate three non-linearrectification layers instead of a single one, which makes the decision function more discriminative.Second, we decrease the number of parameters: assuming that both the input and the output of athree-layer 3 × 3 convolution stack has C channels, the stack is parametrised by 3 32C^2 = 27C^2weights; at the same time, a single 7 × 7 conv. layer would require 72C^2 = 49C^2

2.AlexNet的Channel明显小于VGG。猜测VGG的之所以能够达到更高的精准性，源自于更多的Channel数。而由于filter size的减小，channel可以大幅度增加，更多的信息可以被提取。

VGG真的创新点太少，他只是通过实验告诉我们网络深度对性能有举足轻重的影响，然后就是卷积核大小的理解。