使用webservice做接口时通常要做鉴权，而为了不影响业务逻辑，鉴权信息经常是要放在soapheader中的。
通常java调java比较简单，而这次是.net系统调我们这边的J2EE系统，而我们的服务用的是xfire,这时候就有个问题了，xfire处理soapheader通常是使用inHandlers的拦截方式，对于对外公布的服务WSDL而言，是看不到的。而.net 如果引用这个WSDL，生成的客户端自然是不包含头信息的，google之，试了无数种方法，.net客户端发过去的信息都是不包含头信息的。
有3种办法：
1.使xfire发布出去的WSDL携带有soapheader信息
google之，无果，如有同学告诉一下方法，这里不胜感激。
2.修改WSDL
目前我采取的是这种方法，把xfire生成的WSDL直接改之，使之具有soapheader 信息，然后把WSDL发给.net那边的开发人员，直接引入就可以使用。
Java代码
1. uteFormDefault="qualified" elementFormDefault="qualified" targe tNamespace="https://www.doczj.com/doc/7a13986860.html,/services/xxService"> 2. 3. 4. 5. 6. 7. type="xsd:string" /> 8. 9. 10. 11.
12.
13....
14.
15.
16.
17.
18.
19....
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
https://www.doczj.com/doc/7a13986860.html,端在调用服务时，使用http方式，拼装soap报文，直接用xml交互
这个方法肯定是有效的，webservice的原理之一也就是用http传递soap报文，但是太麻烦，实在没办法了再用吧。
为了帮助对java编程感兴趣的同学更好、更快的提高编程技术，武汉北大青鸟光谷校区专业老师在此推荐几本学习编程非常有用的书籍，以供大家参考。 入门类 1.《java从入门到精通》（第3版） 【内容介绍】 本书从初学者角度出发，通过通俗易懂的语言、丰富多彩的实例，详细介绍了使用Java 语言进行程序开发应该掌握的各方面技术。全书共分28章，包括：初识Java，熟悉Eclipse 开发工具，Java 语言基础，流程控制，字符串，数组，类和对象，包装类，数字处理类，接口、继承与多态，类的高级特性，异常处理，Swing程序设计，集合类，I/O输入输出，反射，枚举类型与泛型，多线程，网络通信，数据库操作，Swing表格组件，Swing树组件，Swing其他高级组件，高级布局管理器，高级事件处理，AWT绘图与音频播放，打印技术和企业进销存管理系统等。所有知识都结合具体实例进行介绍，涉及的程序代码给出了详细的注释，可以使读者轻松领会Java程序开发的精髓，快速提高开发技能。 【推荐理由】 本书内容详尽，实例丰富，非常适合作为编程初学者的学习用书，也适合作为开发人员的查阅、参考资料。 2.《java核心技术卷一》 【内容介绍】 本书是Java技术经典参考书，多年畅销不衰，第7版在保留以前版本风格的基础上，涵盖Java2开发平台标准版J2SE5.0的基础知识，主要内容包括面各对象程序设计、反射与代理、接口与内部类、事件监听器模型、使用Swing UI工具箱进行图形用户界面设计，异常处理、流输入/输出和对象序列化、泛型程序设计等。本书内容翔实、深入浅出，附有大量程序实例，极具实用价值，是Java初学者和Java程序员的必备参考书。 【推荐理由】 本书出版以来，深受广大读者的喜爱，它全面介绍了Java SE的基础知识，不但具有使用价值，而且易于阅读，易理解，它必成为想进军Java和基础薄弱同学的不二之选。 3.《java编程语言》 【内容介绍】 本书以Java语言创建者的独特视角向读者展现了为什么以及如何使用Java语言，以便读者理解Java语言的基本设计目标以及它在现实世界中的应用。本书介绍的是Java语言的
SHANGHAI JIAO TONG UNIVERSITY 论文题目：基于卷积神经网络的自然图像分类技术研究 姓名: 高小宁 专业：控制科学与工程
基于卷积神经网络的自然图像分类技术研究 摘要：卷积神经网络已在图像分类领域取得了很好的效果，但其网络结构及参数的选择对图像分类的效果和效率有较大的影响。为改善卷积网络的图像分类性能，本文对卷积神经网络模型进行了详细的理论分析，并通过大量的对比实验，得出了影响卷积网络性能的因素。结合理论分析及对比实验，本文设计了一个卷积层数为8层的深度卷积网络，并结合Batch Normalization、dropout等方法，在CIFAR-10数据集上取得了88.1%的分类精度，有效地提高了卷积神经网络的分类效果。 关键词：卷积神经网络，图像分类，Batch Normalization，Dropout Research on Natural Image Classification Based on Convolution Neural Network Abstract: Convolution neural network has achieved very good results in image classification, but its network structure and the choice of parameters have a greater impact on image classification efficiency and efficiency. In order to improve the image classification performance of the convolution network, a convolutional neural network model is analyzed in detail, and a large number of contrastive experiments are conducted to get the factors that influence the performance of the convolution network. Combining the theory analysis and contrast experiment, a convolution layer depth convolution network with 8 layers is designed. Combined with Batch Normalization and dropout, 88.1% classification accuracy is achieved on CIFAR-10 dataset. Which improves the classification effect of convolution neural network. Key Words:Convolution neural network(CNN), image classification, Batch Normalization,Dropout
最近开发开始学习Web Service，如果你是大神，请路过！谢谢！遵循前辈大神们的教导~~~，内事不决问度娘，外事不决问谷歌（现在谷歌已经不能用了），只能问度娘了！上网一百度，套用周董的一句歌词，霍，霍，霍，霍，这么多的套路(axis,axis2,XFire,CXF等)，我到底选择哪一个？因为要和Spring进行对接，看了一下，CXF与Spring的耦合度最好，于是就选择了CXF。上官网下jar包，下了最新的apache-cxf-3.1.4.zip包。解压出来，看看里面的最简单的实例，apache-cxf-3.1.4\samples\java_first_jaxws，本着你快乐所以我快乐加上不要脸的原则，我抄抄抄，改了一下名字，开发环境jdk1.6, jdk1.5没试过，上眼呐！ 新建工程mywbs，导入jar包 cxf-core-3.1.4.jar jetty-continuation-9.2.11.v20150529.jar jetty-http-9.2.11.v20150529.jar jetty-io-9.2.11.v20150529.jar jetty-server-9.2.11.v20150529.jar jetty-util-9.2.11.v20150529.jar wsdl4j-1.6.3.jar xmlschema-core-2.2.1.jar 一、接口类IHelloWorld.java package com.ws.hello; import java.util.List; import javax.jws.WebService; import https://www.doczj.com/doc/7a13986860.html,ers; @WebService public interface IHelloWorld { public String sayHello(String name); public String getUserName(Users user); public List
Going deeper with convolutions Christian Szegedy Google Inc. Wei Liu University of North Carolina,Chapel Hill Yangqing Jia Google Inc.Pierre Sermanet Google Inc. Scott Reed University of Michigan Dragomir Anguelov Google Inc. Dumitru Erhan Google Inc. Vincent Vanhoucke Google Inc. Andrew Rabinovich Google Inc. Abstract We propose a deep convolutional neural network architecture codenamed Incep-tion,which was responsible for setting the new state of the art for classi?cation and detection in the ImageNet Large-Scale Visual Recognition Challenge 2014(ILSVRC14).The main hallmark of this architecture is the improved utilization of the computing resources inside the network.This was achieved by a carefully crafted design that allows for increasing the depth and width of the network while keeping the computational budget constant.To optimize quality,the architectural decisions were based on the Hebbian principle and the intuition of multi-scale processing.One particular incarnation used in our submission for ILSVRC14is called GoogLeNet,a 22layers deep network,the quality of which is assessed in the context of classi?cation and detection. 1Introduction In the last three years,mainly due to the advances of deep learning,more concretely convolutional networks [10],the quality of image recognition and object detection has been progressing at a dra-matic pace.One encouraging news is that most of this progress is not just the result of more powerful hardware,larger datasets and bigger models,but mainly a consequence of new ideas,algorithms and improved network architectures.No new data sources were used,for example,by the top entries in the ILSVRC 2014competition besides the classi?cation dataset of the same competition for detec-tion purposes.Our GoogLeNet submission to ILSVRC 2014actually uses 12×fewer parameters than the winning architecture of Krizhevsky et al [9]from two years ago,while being signi?cantly more accurate.The biggest gains in object-detection have not come from the utilization of deep networks alone or bigger models,but from the synergy of deep architectures and classical computer vision,like the R-CNN algorithm by Girshick et al [6]. Another notable factor is that with the ongoing traction of mobile and embedded computing,the ef?ciency of our algorithms –especially their power and memory use –gains importance.It is noteworthy that the considerations leading to the design of the deep architecture presented in this paper included this factor rather than having a sheer ?xation on accuracy numbers.For most of the experiments,the models were designed to keep a computational budget of 1.5billion multiply-adds at inference time,so that the they do not end up to be a purely academic curiosity,but could be put to real world use,even on large datasets,at a reasonable cost. a r X i v :1409.4842v 1 [c s .C V ] 17 S e p 2014
E-M e s s a g e服务器安 装手册 https://www.doczj.com/doc/7a13986860.html,work Information Technology Company.2020YEAR
E-Message服务器安装手册
版权说明 本手册以及相关的计算机软件程序仅用于为泛微协同管理平台最终用户提供信息，上海泛微软件有限公司有权。本手册是上海泛微软件有限公司的专有信息，并受中华人民共和国版权法和国际公约的保护。 未得到上海泛微软件有限公司明确的书面许可，不得为任何目的、以任何形式或手段辅助或传播本手册的任何部分内容。 本手册内容若有变动，恕不另行通知。本手册中例子中所引用的公司、人名和数据若非特殊说明，均属虚构。 本手册以及本手册所提及的任何产品的使用均受适应的最终用户许可协议限制。本手册由上海泛微软件有限公司制作。本手册中提及的所有商标、商标名称、服务标志及徽标均归其各自公司所有。
目录 第1章配置及启动服务 (6) 一、升级E-cology (6) 二、E-message服务端安装 (7) 1.2.1解压安装包 (7) 1.2.2安装服务 (7) 1.2.3配置云存储 (7) 第2章引导安装 (9) 第3章管理控制台设置 (15) 一、概述 (15) 二、服务器 (15) 3.2.1服务器管理 (15) 3.2.2服务器设置 (18) 3.2.3服务器授权信息 (19) 三、用户 (20) 3.3.1用户摘要 (20) 3.3.2用户搜索 (21) 四、会话 (22) 五、客户端 (22)
3.5.1客户端管理 (22) 3.5.2客户端快捷图标 (23) 3.5.3其它设置 (26)
背书品牌的基本架构 背书品牌是指在不同的类别环境使用不同的主品牌，但同时也使用另外一个品牌对其进行担保。背书品牌不仅明朗了品牌的来源以及品牌之间的关系，而且保证了品牌战略的灵活性：被背书品牌既不独立于背书者之外，它被背书品牌确保能够实现所承诺的价值主张和功能优势；同时也有足够的自由来发展自己的识别性资产，被背书品牌拥有不同于背书者的品牌联想和品牌个性。 背书品牌是广义品牌关系谱中品牌之间分离程度较高的一种定位，在背书品牌架构的品牌组合中，品牌之间存在着相当大的独立性，诸被背书品牌在各自的领域都发挥着基本的驱动者作用，尽管背书品牌也有一定程度的驱动力但并不扮演主角，其对被背书品牌的认知影响也仅仅是提供信誉和保障（当然在某些情况下也会附带一些实质性的支持内容）。 万豪公司的品牌组合就是背书品牌架构的典型，marriott开发了一系列新的被背书品牌如courtyard、fairfield inn、residence inn、towneplace suites、springhill suites来运营不同的旅客市场，这些被背书品牌凭借着自己独特的主权身份和品牌体验吸引着各自的顾客，但做为背书者的marriott也提供了识别支持（marriott的核心识别“和谐亲切的服务”能延伸病作用于各个市场）、信誉担保（旅客、加盟商、社区由此明白是marriott在背后支持而大表欢迎）和常客计划（跨品牌的积分和优待活动）。 背书品牌包括三个次级架构：象征背书、关联名称和强势背书。 象征背书的次级架构 背书品牌的次级架构之一是象征背书，象征背书是指被背书品牌在各自领域的舞台都是需要特写大写的主角，而背书品牌则不占据中心位置安居幕后。在象征背书架构的品牌组合中，各业务背景在共用一个背书品牌的基础上都拥有自己的主权品牌，被背书品牌拥有主权化的品牌资产和品牌识别并发挥着主要的驱动作用，背书品牌只是起到辅助驱动的作用，其资产价值和品牌识别对受托品牌影响不大仅限于提供信誉和保证，品牌体验活动以被背书品牌为中心展开，主要的管理资源和预算也集中使用于被背书品牌。 联合利华是采取象征背书架构的典型，联合利华是堪与宝洁媲美的全球日化巨头，但在竞争中由于缺少全球领导品牌而出现了持续的业绩下滑和竞争力衰退：2004年在联合利华和宝洁的收入都接近520亿美元的基础上，宝洁的利润是64亿美元同比增长13%，而联合利华的利润只有24.2亿美元同比下降32%，
语音搜索、图像识别等领域，涵盖几十项产品。今天，用户在百度平台上的几乎每个服务请求，都被深度学习系统所处理。 人工智能的特征之一是学习的能力，即系统的性能是否会随 着经验数据的积累而不断提升。所以，大数据时代的到来给人工智能的发展提供前所未有的机遇。在这个时代背景下，深度学习在包括图像识别等方面所取得的突破性进展并非偶然。 在百度的实践中，我们认识到深度学习主要在以下三个方面具有巨大优势： 1.从统计和计算的角度 看，深度学习特别适合处理大 数据。在很多问题上，深度学习 是目前我们能找到的最好方法。它集中体现了当前机器学习算法的三个大趋势：用较为复杂的模型降低模型偏差(model bias)，用大数据提升统计估计的准确度，用可扩展(scalable)的梯度下降 算法求解大规模优化问题。 2.深度学习不是一个黑箱 系统。它像概率模型一样，提供 一套丰富的、基于联接主义的建 模语言（建模框架）。利用这套语言系统，我们可以表达数据内在的丰富关系和结构，比如用卷积处理图像中的二维空间结构，用递归神经网络(Recurrent Neu-ral Network, RNN)处理自然语言等数据中的时序结构。 3.深度学习几乎是唯一的 端到端机器学习系统。它直接 作用于原始数据，自动逐层进行特征学习，整个过程直接优化某个目标函数。而传统机器学习往往被分解为几个不连贯的数据预处理步骤，比如人工抽取特征，这些步骤并非一致地优化某个整 体的目标函数。 让计算机识别和理解图像，是人工智能最重要的目标之一。尤其是在移动互联网时代，智能手机上的摄像头将人们日常看到 的世界捕捉下来，图像和视频数据暴增，造就了图像大数据时代。 概述：深度学习和图像识别 近年来在人工智能领域最受关注的，非深度学习莫属。自2006年吉奥夫雷·辛顿(Geoffery Hinton)等在《科学》(Science )杂 志发表那篇著名的论文[1]开始，深度学习的热潮从学术界席卷到了工业界。2012年6月，《纽约时报》披露“谷歌大脑(Google Brain)”项目，由著名的斯坦福大学机器学习教授吴恩达(Andrew Ng)和大规模计算机系统世界顶级专家杰夫·迪恩(Jeff Dean)共同主导，用1.6万个CPU 核的并行计算平台训练深度神经网络(Deep Neural Networks, DNN)的机器学习模型，在语音和图像识别等领域获得巨大成功。 国内方面，2013年1月，百度成立深度学习研究院，公司CEO 李彦宏担任院长。短短两年时间，深度学习技术被应用到百 度的凤巢广告系统、网页搜索、基于深度学习的图像识别进展：百度的若干实践 关键词：深度学习 图像分类 物体检测 都大龙 余轶南 罗 恒 等 百度公司
Java WebService框架之XFire使用说明 声明：此文档只为做学习交流用，如果你有任何异议或更好的想法，欢迎你在群里讨论或者与我讨论！希望能够帮到你！ WebService这个字眼，或许大家听起来，并不陌生，一般做过几年开发经验的程序员，几乎都跟它打过交道，首先，我要说明的是，WebService并不是java的特权，也就是说，并不是java只有WebService，.net有，C#有。。。等等 不罗嗦，首先我得让大家知道，WebService是干嘛用的，从字面意思理解就是web服务，其实，说白了，Web Services就是发布的、完成其特定需求的、在线应用服务。其他公司或应用软件能够通过Internet来访问并使用这项在线服务。WebService的主要目标是跨平台的可互操作性。他独立于平台、独立于软件供应商的标准，是创建可互操作的、分布式应用程序的新平台。（相关详细解释，大家可以百度的文库） 我举个例子，或许大家就明白了，我举个它的应用， 比如说，现在有这么一个需求： WebService应用案例一：张三传递给李四某个城市的名字比如说北京，李四反馈给张三北京的天气预报为：晴，王五传递给李四的城市名字济南，李四反馈给王五济南的天气预报为：阴；赵六传递给李四武汉。。。。。。。。等等。。。。但是，无论是谁想给李四传递城市的名字，必须遵循李四开放出来的一个发送地址，要不然你找不到李四，李四也收不到你的请求城市。 那么，在该示例中，无非就是想实现的一个功能就是，任何人传递给李四一个城市的相关名字，李四反馈给请求者该城市的天气情况，前提是，按照李四公布给大家的发送地址，那么，所有向李四发送请求城市的人，都会收到李四反馈的请求的城市的天气情况，那么这就是一个典型的webservice的调用，它与平台无关，跟每一个系统都无关，是独立的在线服务，那么，在此例中，每一个向李四发送请求的人，都是客户端，而李四所实现的接受城市，反馈回天气预报的功能，就是webservice的服务断，而李四提供的发送地址，就是大名鼎鼎的访问Webservice得到WSDL地址 再给大家举一个例子： WebService应用案例二：有两套系统，A系统为用。Net语言开发的，B系统用java语言开发的，现在有一个需求，就是要实现A系统跟B系统之间的信息交互，那么此时，A系统，可以写一个。Net的webService，之后，公布给B系统webservice的访问地址，那么B系统就可以访问A系统，而A系统如果想访问B系统的数据，那么B系统可以写一个java 的webService，把地址告知给A系统，A系统就可以访问B系统的数据。 可能有的人会有疑问，貌似。。当前不同系统间交互数据都用XML么？如果你能想到这，恭喜你，你已经跟设计webservice的人的想法一样了，呵呵。。因为它的描述WSDL就是xml 其实一般说到webservice，就是开发它的服务端，客户端，基本上没什么技术含量，按照某种格式调用就OK。
精品文档考试教学资料施工组织设计方案 1、写出你知道的排序算法名称及其复杂度（至少三种） 答：1）冒泡排序（简单） 2）插入排序（最复杂） 3）选择排序（较复杂） 2、给出TCP，IP，HTTP，FTP之间的层次关系（参照网络七层协议划分）答：百度“网络七层协议” 3、设有下列数据表 如何将该数据表的对应关系规范化到第三范式 答：车间编号车间名称车间主任名称 职工号姓名职工工资所属车间编号 4、设有学生表A和考试成绩表B，结构如下： A A表主键（a） B B表主键（a，b，c）
a）写一个sql语句，列出”200411”号课程考试成绩不及格的学生的学号、姓名、年龄Select a,b,d from A where a in(select a from B where b=’200411’ and d<60) b）写一个sql语句，列出考试成绩不及格的课程门数大于6门的学生的学号、姓名、年龄 Select a,b,d from A where a in(Select a from b where d<60 group by a having count(*)>6) c）写一个sql语句，列出考试成绩尚未及格的课程门数大于6门的女生的学号、姓名、年龄 Select a,b,d from A where a in(Select a from b where d<60 group by a having count(*)>6) and c=1 第三部分：实际开发经验 一、程序设计部分（5,6题任选一题即可） [使用任意一种语言均可] 5、编写一个表达式，计算月收入为x元时的个人所得税，假定x<=5000。所得累进 税率为5%，累进点为1000元，1500元和3000元 如： x=1200时，税为(1200-1000)*5% x=2000时，税为(2000-1000)*5%+(2000-1500)*5% x=5000时，税为(5000-1000)*5%+(5000-1500)*5%+(5000-3000)*5% 特别注意：要求写的是一句的表达式，而不是一段程序，其中不得有分行符，尽量短 x>3000? (x-1000)*5%+(x-1500)*5%+(x-3000)*5%:x>1500? (x-1000)*5%+(x-1500)*5%:(x-1000)*5% 6、编写字符串查找函数 函数有三个参数，一个是源字符串，一个是目标子串，一个是查找方向（自右向左或自左向右），函数实现按照查找方向在源字符串中查找目标子串，并返回查找到的位置。查不到返回-1
XML Web services 基础结构 若要在 Web 的多样性世界里取得成功，在涉及到操作系统、对象模型和编程语言的选择时，XML Web services 不能有任何倾向性。同样，若要使 XML Web services 像其他基于 Web 的技术一样被广泛采用，则它们必须是： ?松耦合的：如果对两个系统的唯一要求是要理解前面提到的自我描述的基于文本的消息，那么这两个系统就被认为是松耦合的。另一方面，紧耦合系统要求大量自定义系统开销来进行通信，并要求系统之间有更多的了解。 ?常见的通信：大概不会有人会在现在或不远的将来生成一个无法连接到 Internet 的操作系统，因此，需要提供常见的通信信道。同样，能够将几乎所有系统或设备连接到 Internet 的能力将确保这样的系统和设备能够为连接到Internet 的所有其他系统或设备所使用。 ?通用数据格式：通过用现有的开放式标准而不是专用的封闭通信方法，任何支持同样的开放式标准的系统都能够理解 XML Web services。在采用自我描述的基于文本的消息时，XML Web services 及其客户端无须知道每个基础系统的构成即可共享该消息，这使得自治系统和完全不同的系统之间能够进行通信。XML Web services 使用 XML 实现此功能。 XML Web services 采用一种基础结构，该基础结构提供下列内容：定位 XML Web services 的发现机制、定义如何使用这些服务的服务说明以及通信时使用的标准连网形式。下图显示了此基础结构的一个示例。 XML Web services 基础结构
1、写出你知道的排序算法名称及其复杂度（至少三种） 答：1）冒泡排序（简单） 2）插入排序（最复杂） 3）选择排序（较复杂） 2、给出TCP，IP，HTTP，FTP之间的层次关系（参照网络七层协议划分）答：百度“网络七层协议” 3、设有下列数据表 如何将该数据表的对应关系规范化到第三范式 答：车间编号车间名称车间主任名称 职工号姓名职工工资所属车间编号 4、设有学生表A和考试成绩表B，结构如下： A A表主键（a） B B表主键（a，b，c）
a）写一个sql语句，列出”200411”号课程考试成绩不及格的学生的学号、姓名、年龄Select a,b,d from A where a in(select a from B where b=’200411’ and d<60) b）写一个sql语句，列出考试成绩不及格的课程门数大于6门的学生的学号、姓名、年龄 Select a,b,d from A where a in(Select a from b where d<60 group by a having count(*)>6) c）写一个sql语句，列出考试成绩尚未及格的课程门数大于6门的女生的学号、姓名、年龄 Select a,b,d from A where a in(Select a from b where d<60 group by a having count(*)>6) and c=1 第三部分：实际开发经验 一、程序设计部分（5,6题任选一题即可） [使用任意一种语言均可] 5、编写一个表达式，计算月收入为x元时的个人所得税，假定x<=5000。所得累进 税率为5%，累进点为1000元，1500元和3000元 如： x=1200时，税为(1200-1000)*5% x=2000时，税为(2000-1000)*5%+(2000-1500)*5% x=5000时，税为(5000-1000)*5%+(5000-1500)*5%+(5000-3000)*5% 特别注意：要求写的是一句的表达式，而不是一段程序，其中不得有分行符，尽量短 x>3000? (x-1000)*5%+(x-1500)*5%+(x-3000)*5%:x>1500? (x-1000)*5%+(x-1500)*5%:(x-1000)*5% 6、编写字符串查找函数 函数有三个参数，一个是源字符串，一个是目标子串，一个是查找方向（自右向左或自左向右），函数实现按照查找方向在源字符串中查找目标子串，并返回查找到的位置。查不到返回-1 答：public int findStr(String source,String target,int type){ int position=-1; if(type==0){ //自左向右 position=source.indexOf(target);
Eclipse下使用Xfire创建WebService入门示例（上） 关键字: Eclipse Xfire Java WebService Web Service概述 什么是Web Service Web Service是能够基于网络，尤其是基于万维网（World Wide Web）直接调用的能够处理离散任务或连续任务的软件模型。目前较为流行的应用是，由一家公司对其专有数据进行封装，提供Web Service，然后其它公司就可以通过Internet来动态使用这些在线服务。这为未来全球的电子商务发展提供了新的标准和架构。 Web Service架构 Web Service是独立的、模块化的应用，能够通过因特网来描述、发布、定位以及调用。在Web Service的体系架构中包括三个角色：服务提供者(Service Provider)、服务请求者(Service Requestor)、服务注册器(Service Registry)。角色间主要有三个操作：发布(Publish)、查找(Find)、绑定(Bind)。 下图清楚的描述了三种角色，以及角色之间的作用关系。 图示一： 图示二： 这个流程图显示了Web Services中的核心技术是如何工作的。 这里，Provider是提供服务的应用程序组件，Requester是使用服务的客户端程序。很多其他技术也会参与到交互中，但是这个图只显示了在Web Services环境中必需的核心技术组件。 Web Service协议标准 简单对象访问协议（SOAP） SOAP是Simple Object Access Protocol的缩写，是一种基于XML的不依赖传输协议的表示层协议，用来在分散或分布式的应用程序之间方便地以对象的形式交换数据。在SOAP的下层，可以是HTTP/HTTP，也可以是SMTP/POP3，还可以是为一些应用而专门设计的特殊的通信协议。 SOAP包括三个主要部分： 2 SOAP封装结构：定义了一个整体框架，以表示消息中包含什么内容，谁来处理这些内容以及这些内容是可选的或是必需的。 2 SOAP编码规则：定义了用以交换应用程序定义的数据类型的实例的一系列机制。 2 SOAP RPC表示：定义了一个用来表示远程过程调用和应答的协定。 Web Service描述语言（WSDL）
a r X i v :1507.02159v 1 [c s .C V ] 8 J u l 2015 Towards Good Practices for Very Deep Two-Stream ConvNets Limin Wang 1 Yuanjun Xiong 1Zhe Wang 2Yu Qiao 2 1 Department of Information Engineering,The Chinese University of Hong Kong,Hong Kong 2 Shenzhen key lab of Comp.Vis.&Pat.Rec.,Shenzhen Institutes of Advanced Technology,CAS,China {07wanglimin,bitxiong,buptwangzhe2012}@https://www.doczj.com/doc/7a13986860.html,,yu.qiao@https://www.doczj.com/doc/7a13986860.html, Abstract Deep convolutional networks have achieved great suc-cess for object recognition in still images.However,for ac-tion recognition in videos,the improvement of deep convo-lutional networks is not so evident.We argue that there are two reasons that could probably explain this result.First the current network architectures (e.g.Two-stream ConvNets [12])are relatively shallow compared with those very deep models in image domain (e.g.VGGNet [13],GoogLeNet [15]),and therefore their modeling capacity is constrained by their depth.Second,probably more importantly,the training dataset of action recognition is extremely small compared with the ImageNet dataset,and thus it will be easy to over-?t on the training dataset. To address these issues,this report presents very deep two-stream ConvNets for action recognition,by adapting recent very deep architectures into video domain.How-ever,this extension is not easy as the size of action recog-nition is quite small.We design several good practices for the training of very deep two-stream ConvNets,namely (i)pre-training for both spatial and temporal nets,(ii)smaller learning rates,(iii)more data augmentation techniques,(iv)high drop out ratio.Meanwhile,we extend the Caffe tool-box into Multi-GPU implementation with high computa-tional ef?ciency and low memory consumption.We verify the performance of very deep two-stream ConvNets on the dataset of UCF101and it achieves the recognition accuracy of 91.4%. 1.Introduction Human action recognition has become an important problem in computer vision and received a lot of research interests in this community [12,16,19].The problem of action recognition is challenging due to the large intra-class variations,low video resolution,high dimension of video data,and so on. The past several years have witnessed great progress on action recognition from short clips [8,9,12,16,17,18,19]. These research works can be roughly categorized into two types.The ?rst type of algorithm focuses on the hand-crafted local features and Bag of Visual Words (BoVWs)representation.The most successful example is to extract improved trajectory features [16]and employ Fisher vector representation [11].The second type of algorithm utilizes deep convolutional networks (ConvNets)to learn video rep-resentation from raw data (e.g.RGB images or optical ?ow ?elds)and train recognition system in an end-to-end man-ner.The most competitive deep model is the two-stream ConvNets [12]. However,unlike image classi?cation [7],deep ConvNets did not yield signi?cant improvement over these traditional methods.We argue that there are two possible reasons to explain this phenomenon.First,the concept of action is more complex than object and it is relevant to other high-level vision concepts,such as interacting object,scene con-text,human pose.Intuitively,the more complicated prob-lem will need the model of higher complexity.However,the current two-stream ConvNets are relatively shallow (5convolutional layers and 3fully-connected layers)com-pared with those successful models in image classi?cation [13,15].Second,the dataset of action recognition is ex-tremely small compared the ImageNet dataset [1].For ex-ample,the UCF101dataset [14]only contains 13,320clips.However,these deep ConvNets always require a huge num-ber of training samples to tune the network weights.In order to address these issues,this report presents very deep two-stream ConvNets for action recognition.Very deep two-stream ConvNets contain high modeling capacity and are capable of handling the large complexity of action classes.However,due to the second problem above,train-ing very deep models in such a small dataset is much chal-lenging due to the over-?tting problem.We propose several good practices to make the training of very deep two-stream ConvNets stable and reduce the effect of over-?tting.By carefully training our proposed very deep ConvNets on the action dataset,we are able to achieve the state-of-the-art performance on the dataset of UCF101.Meanwhile,we ex-tend the Caffe toolbox [4]into multi-GPU implementation 1