MMDetection训练引擎深度剖析:Runner与Hook的协同工作流

chrome-win64-159.0.8145.0(Canary).zip 内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。 立即下载

1. 从“总指挥”到“插件化”:Runner与Hook的协同哲学

如果你用过PyTorch的原生训练循环,肯定写过类似的代码:一个for循环套着另一个for循环,里面是前向传播、计算损失、反向传播、参数更新。代码写起来简单直接,但当你想要加入学习率调整、模型保存、日志记录、验证集评估这些功能时,代码就会迅速膨胀,变得又长又乱,各种逻辑耦合在一起,改起来心惊胆战。

MMDetection(或者说其底层的MMCV)的Runner和Hook机制,就是为了解决这个痛点而生的。你可以把Runner想象成训练流程的“总指挥”或“交响乐团的指挥家”。它手里有一份标准的乐谱(训练流程),知道什么时候该开始一个乐章(epoch),什么时候该进入一个小节(iteration)。但是,光有指挥不行,乐团还需要各种乐器(功能模块)来演奏。Hook就是这些乐器,它们不是乐谱本身,而是在乐谱的特定节拍点(比如每个小节开始前、结束后)插入自己的演奏。

这种设计带来的最大好处就是解耦和灵活。Runner只负责按部就班地推进训练的生命周期,它定义好了“before_run”、“after_train_iter”、“after_val_epoch”等一系列关键的时间节点(我们称之为“钩子点”)。而具体的功能,比如保存模型、记录日志、调整学习率,都被封装成一个个独立的Hook。你需要什么功能,就把对应的Hook“挂”到Runner上。Runner在运行到每个钩子点时,就会大喊一声:“喂,挂在这个点上的所有Hook,该你们上场表演了!” 然后所有注册到这个点的Hook就会按照优先级依次执行自己的逻辑。

我刚开始接触时觉得有点绕,但用多了才发现真香。这意味着你的训练主流程(Runner)代码可以保持极其简洁和稳定,而所有定制化、实验性的功能,都可以通过编写或配置Hook来实现,彼此之间互不干扰。你想试试新的学习率策略?写一个LrHook。想每100个iteration可视化一下特征图?写一个VisualizationHook。完全不用去动Runner的核心循环代码。这种“事件驱动”的编程模型,让整个训练框架变得像乐高积木一样,可拼插、可扩展。

2. 深入Runner:训练生命周期的“总导演”

Runner不是一个玄乎的概念,在MMCV中,它就是一个实实在在的Python类。最常用的是 EpochBasedRunner 和 IterBasedRunner,顾名思义,一个按epoch来管理训练轮次,另一个按iteration(迭代次数)来管理。对于目标检测这类任务,我们通常使用 EpochBasedRunner。

2.1 Runner的四大核心职责

Runner的构造函数就像是一个项目的启动会,它需要接收并整合所有必要的资源:

# 一个简化的Runner初始化场景
runner = Runner(
    model=your_detection_model,       # 你的模型,比如Faster R-CNN
    optimizer=dict(type='AdamW', lr=0.0001), # 优化器配置
    work_dir='./work_dirs/exp1',      # 工作目录,存放日志和模型
    logger=logger,                    # 日志记录器
    meta=dict(seed=42, exp_name='my_exp') # 一些元信息
)

初始化之后,Runner就准备好了舞台。它的核心工作流程,主要体现在四个关键方法上:run(), train(), val(), save_checkpoint()。其中,run() 是最高层的调度入口。

2.2 run() 方法:工作流的调度器

run() 方法是整个训练脚本的引擎。它接收两个关键参数:data_loaders(数据加载器列表)和 workflow(工作流定义)。workflow 这个参数的设计非常巧妙,它让你能用一种声明式的方式定义复杂的训练-验证交替策略。

举个例子,这是最常见的配置:

# 训练12个epoch
runner.run(data_loaders=[train_loader, val_loader],
           workflow=[('train', 12)], # 只训练,不中途验证
           max_epochs=12)

但如果你想每训练2个epoch就验证1次,可以这样:

# 总epoch数为12,但以 [训练2epoch -> 验证1epoch] 为一个循环,执行4次。
runner.run(data_loaders=[train_loader, val_loader],
           workflow=[('train', 2), ('val', 1)], # 先训练2轮,再验证1轮
           max_epochs=12)

run() 方法内部就是一个大循环,它会根据 workflow 的描述,反复调用 train() 或 val() 方法。IterBasedRunner 的逻辑类似,只是把 epoch 换成了 iter。这种设计把训练流程的宏观节奏控制权完全交给了配置,非常清晰。

2.3 train() 与 val():一个epoch的微观循环

当 run() 决定要执行一个训练epoch时,就会调用 train() 方法。我们深入看一下 train() 的简化版核心逻辑:

def train(self, data_loader, **kwargs):
    self.model.train()  # 切换到训练模式
    self.mode = 'train'
    self.data_loader = data_loader
    # 调用钩子:一个epoch开始啦!
    self.call_hook('before_train_epoch')

    for i, data_batch in enumerate(data_loader):
        self._inner_iter = i
        # 调用钩子:一个iteration开始啦!
        self.call_hook('before_train_iter')

        # 核心三步曲:前向、损失、反向传播(在model.train_step中完成)
        outputs = self.model.train_step(data_batch, self.optimizer, **kwargs)

        # 调用钩子:一个iteration结束啦!
        self.call_hook('after_train_iter')
        self._iter += 1

    # 调用钩子:一个epoch结束啦!
    self.call_hook('after_train_epoch')
    self._epoch += 1

看,这就是Runner作为“总导演”的剧本。它严格定义了在一个epoch内,事情发生的顺序:epoch开始 -> 循环每个batch -> batch开始 -> 执行模型更新 -> batch结束 -> epoch结束。在每个箭头所指的关键时刻,它都留出了一个“插口”,这就是 call_hook(fn_name)。val() 方法的流程几乎镜像,只是调用了 model.val_step() 且不计算梯度。

2.4 save_checkpoint():状态的快照师

这个方法相对独立,但至关重要。它负责将训练过程中的完整状态保存下来,形成一个“.pth”或“.ckpt”文件。一个完整的checkpoint通常包括:

  • meta: 环境信息,如当前的epoch数、iter数、配置信息等。
  • state_dict: 模型的所有可学习参数。
  • optimizer: 优化器的状态(对于Adam等有动量的优化器,恢复训练必须要有这个)。
  • 其他:有时还会保存如学习率调度器的状态。

Runner通常不直接调用这个方法,而是由一个专门的 CheckpointHook 来负责在合适的时机(比如每隔N个epoch后)调用它。这再次体现了单一职责原则:Runner负责流程,Hook负责具体功能。

3. 剖析Hook:事件驱动的“插件模块”

如果说Runner是骨骼,那Hook就是肌肉和神经。Hook机制的精髓在于事件驱动。Runner在生命周期中抛出各种事件,而Hook则监听自己关心的事件,并在事件发生时执行代码。

3.1 Hook的基类与生命周期

所有Hook的起点都是 mmcv.runner.Hook 这个基类。它极其简单,只定义了几个空方法,对应着Runner生命周期中的各个事件点:

class Hook:
    def before_run(self, runner): pass      # 整个训练开始前
    def after_run(self, runner): pass       # 整个训练结束后
    def before_train_epoch(self, runner): pass # 每个训练epoch开始前
    def after_train_epoch(self, runner): pass  # 每个训练epoch结束后
    def before_train_iter(self, runner): pass  # 每个训练iteration开始前
    def after_train_iter(self, runner): pass   # 每个训练iteration结束后
    # 还有对应的 before/after_val_epoch, before/after_val_iter

你想创建一个自定义Hook?很简单,继承这个类,然后重写你感兴趣的方法。比如,你想在每个iteration后打印一下当前损失,就重写 after_train_iter 方法。

3.2 Hook的优先级与执行顺序

一个关键问题是:如果有多个Hook都注册到了同一个事件点(比如 after_train_iter),谁先执行?答案是:按优先级(Priority)执行。MMCV内置的Hook有默认的优先级,数值越小优先级越高(越先执行)。

Hook类型优先级 (Priority)典型作用
LrUpdaterHookVERY_HIGH (10)更新学习率,必须在优化器更新前执行
MomentumUpdaterHookHIGH (30)更新动量(如SGD with momentum)
OptimizerHookABOVE_NORMAL (40)执行 loss.backward() 和 optimizer.step()
CheckpointHookNORMAL (50)保存模型检查点
IterTimerHookLOW (70)记录每个iteration耗时
LoggerHookVERY_LOW (90)记录日志到文件或控制台

这个顺序是精心设计的。例如,LrUpdaterHook 必须在 OptimizerHook 之前运行,因为优化器step时需要用到最新的学习率。LoggerHook 通常在最后,因为它要收集本轮迭代的所有信息(包括损失、学习率、时间等)进行记录。

当你注册自定义Hook时,可以指定它的优先级。默认是 NORMAL (50)。如果和内置Hook优先级相同,则自定义Hook在内置Hook之后执行。

3.3 内置Hook详解:开箱即用的强大工具

MMDetection/MMCV提供了一系列内置Hook,覆盖了训练中的常见需求。通过配置文件,你可以轻松启用和配置它们,无需写一行代码。

CheckpointHook:你的模型存档员 这是最常用的Hook之一。配置示例:

checkpoint_config = dict(
    interval=1,  # 每1个epoch保存一次
    save_optimizer=True, # 同时保存优化器状态,便于恢复训练
    out_dir='work_dirs', # 保存路径
    max_keep_ckpts=3, # 只保留最新的3个检查点,自动删除旧的
    save_last=True, # 额外保存一份名为 `last.pth` 的最新检查点
    by_epoch=True # 按epoch间隔保存。如果为False,则按iteration间隔
)

它主要监听 after_train_epoch 和 after_train_iter 事件(取决于 by_epoch),在满足间隔条件时调用Runner的 save_checkpoint() 方法。

LogConfig 与 LoggerHook:训练过程的记录者 日志配置稍微复杂一点,因为它可能包含多个后端(比如同时输出到终端和TensorBoard)。

log_config = dict(
    interval=50,  # 每50个iteration打印一次日志
    hooks=[
        dict(type='TextLoggerHook'),  # 文本日志,输出到控制台和文件
        dict(type='TensorboardLoggerHook', log_dir='./tf_logs'), # TensorBoard
        # dict(type='WandbLoggerHook', init_kwargs=dict(project='mmdet')), # WandB
    ]
)

LoggerHook 的优先级很低(VERY_LOW),因为它需要在所有其他Hook(特别是计算损失的Hook)执行完毕后,才能收集到完整的数据进行记录。

LrConfig 与 LrUpdaterHook:学习率的指挥家 学习率调度是训练的关键。MMDetection支持多种策略,如固定步长衰减、余弦退火、多项式衰减等。

lr_config = dict(
    policy='step',  # 策略类型
    warmup='linear', # 使用线性学习率预热
    warmup_iters=500, # 预热持续500个iteration
    warmup_ratio=0.001, # 起始学习率 = base_lr * warmup_ratio
    step=[8, 11]  # 在第8和第11个epoch时,将学习率乘以gamma(默认0.1)
)

LrUpdaterHook 会在 before_train_iter 这个高优先级事件中,根据当前的epoch或iter数,计算出最新的学习率,并通过 runner.optimizer.param_groups 更新给优化器。

4. 协同工作流全景:一个iteration的完整旅程

现在,让我们把Runner和Hook放到一起,看看在一个完整的训练iteration中,它们是如何像精密钟表一样协同工作的。假设我们配置了上述所有常见的Hook。

  1. before_run:训练大幕拉开。CheckpointHook 可能会打印一句“Checkpoints will be saved to...”。LoggerHook 初始化日志文件。所有Hook做最后的准备工作。

  2. 进入一个训练epoch:

    • before_train_epoch:LrUpdaterHook 可能会在epoch开始时检查是否需要调整学习率(对于某些策略)。LoggerHook 记录epoch开始的标记。
  3. 进入一个训练iteration:

    • before_train_iter:这是最繁忙的钩子点之一。
      • IterTimerHook 启动计时器,记录这个iteration的开始时间。
      • LrUpdaterHook (优先级10) 计算并更新当前iteration的学习率。
      • MomentumUpdaterHook (优先级30) 如果需要,更新动量参数。
    • 核心计算:Runner调用 model.train_step()。模型进行前向传播,计算损失,执行 loss.backward()。注意,梯度计算在这里发生,但参数更新(optimizer.step())是由 OptimizerHook 控制的。
    • after_train_iter:另一个繁忙的钩子点。
      • OptimizerHook (优先级40) 执行 optimizer.step() 更新模型参数,然后 optimizer.zero_grad() 清空梯度。
      • CheckpointHook (优先级50) 检查是否达到了保存间隔(如果按iter保存),如果是,则保存模型。
      • IterTimerHook (优先级70) 停止计时器,计算本iteration耗时。
      • LoggerHook (优先级90) 收集本iteration的损失、学习率、耗时等信息。如果达到了日志打印间隔(如每50个iter),就将信息格式化输出到控制台和日志文件。同时,如果配置了Tensorboard,也会将标量数据写入事件文件。
  4. 结束一个训练epoch:

    • after_train_epoch:CheckpointHook 检查是否达到了按epoch保存的间隔,如果是,则保存模型。LoggerHook 可能会记录一些epoch级别的统计信息。
  5. (如果workflow中有验证)进入验证阶段:流程类似,但会调用 before_val_epoch, before_val_iter, model.val_step(), after_val_iter, after_val_epoch 等钩子。注意,验证阶段没有 OptimizerHook 和 LrUpdaterHook。

  6. after_run:训练全部结束。LoggerHook 关闭文件,CheckpointHook 可能执行最终清理,所有Hook进行收尾工作。

整个过程就像一条精心设计的流水线,Runner是传送带,控制着节奏和顺序,而每个Hook是流水线上的工人,在固定的工位(钩子点)完成自己特定的任务。这种设计使得增加、移除或替换一个“工人”(Hook)变得非常容易,而完全不影响整条“生产线”(Runner)的运转。

5. 实战:编写一个自定义Hook

理解了原理,最好的巩固方式就是动手写一个。假设我们想在训练过程中,每隔一定周期,将模型在验证集上的某几个样本的预测结果可视化并保存下来,用于定性分析模型的学习进展。

我们可以创建一个 VisualizationHook。

第一步:定义Hook类 我们在项目的某个目录下(比如 tools/custom_hooks/)新建一个文件 visualization_hook.py。

import os
import torch
from mmcv.runner import HOOKS, Hook
from mmdet.apis import inference_detector, show_result_pyplot

@HOOKS.register_module() # 关键!使用装饰器注册到HOOKS注册器
class VisualizationHook(Hook):
    def __init__(self,
                 interval,           # 可视化的间隔(单位:epoch)
                 val_dataset,        # 验证集对象
                 img_indices=[0, 5, 10], # 选择验证集中哪些图片进行可视化
                 show=False,         # 是否弹出窗口显示
                 out_dir='./vis_results'): # 可视化结果保存目录
        self.interval = interval
        self.val_dataset = val_dataset
        self.img_indices = img_indices
        self.show = show
        self.out_dir = out_dir
        if not os.path.exists(self.out_dir):
            os.makedirs(self.out_dir)

    def after_train_epoch(self, runner):
        """在每个训练epoch结束后判断是否需要执行可视化"""
        # 如果当前epoch不是间隔的整数倍,则不执行
        if not self.every_n_epochs(runner, self.interval):
            return

        epoch = runner.epoch
        print(f'Visualizing at epoch {epoch}...')

        # 1. 将模型设置为评估模式
        runner.model.eval()
        with torch.no_grad():
            for idx in self.img_indices:
                # 2. 获取验证集中的一张图片和其信息
                data_info = self.val_dataset[idx]
                img_path = data_info['filename']
                # 假设数据集返回的是路径,需要读取图片
                # 实际中可能需要根据数据集类做调整
                img = mmcv.imread(img_path)

                # 3. 进行推理
                result = inference_detector(runner.model, img)

                # 4. 可视化并保存结果
                out_file = os.path.join(self.out_dir, f'epoch_{epoch}_idx_{idx}.jpg')
                show_result_pyplot(img,
                                   result,
                                   self.val_dataset.CLASSES, # 类别名称
                                   show=self.show,
                                   out_file=out_file)
        # 5. 恢复模型为训练模式
        runner.model.train()

第二步:在配置文件中导入并使用 首先,需要确保Python能找到你的Hook。一种简单的方法是在配置文件中通过 custom_imports 导入。

custom_imports = dict(imports=['tools.custom_hooks.visualization_hook'], allow_failed_imports=False)

# 然后在配置文件的 `custom_hooks` 部分添加
custom_hooks = [
    dict(type='VisualizationHook',
         interval=5, # 每5个epoch可视化一次
         val_dataset=val_dataset, # 这里需要传入实际的验证集对象,通常在配置文件中通过数据管道构建
         img_indices=[0, 2, 4],
         show=False,
         out_dir='work_dirs/vis')
]

注意:这里有一个技术细节,val_dataset 通常是在运行时构建的,直接写在静态配置里可能不行。更稳健的做法是在Hook的 before_run 方法中,通过 runner.data_loader 来获取验证集数据。这里为了示例清晰做了简化。

第三步:理解执行时机 这个Hook注册到了 after_train_epoch 事件点。这意味着在每个训练epoch结束后,Runner都会调用它。Hook内部的 every_n_epochs 方法(继承自基类Hook)会检查当前epoch是否符合间隔条件,符合则执行可视化逻辑。

通过这个例子,你可以看到,自定义Hook让你能够以非侵入式的方式,将任何你想要的监控、调试、辅助功能插入到训练流程中,极大地增强了实验的灵活性和可观察性。这正是Runner+Hook这套协同工作流最强大的地方。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。 立即下载

相关推荐

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-mac-arm64-159.0.8154.2(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8154.2 mac-arm64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Apple Silicon 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

【M波段2D双树(希尔伯特)小波多分量图像去噪】基于定向M波段双树(希尔伯特)小波对多分量彩色图像进行降噪研究(Matlab代码实现)

内容概要:本文系统研究了基于定向M波段双树(希尔伯特)小波的多分量彩色图像去噪方法,通过引入M波段双树结构的小波变换,增强了传统小波在方向选择性和冗余性方面的表现,有效克服了图像去噪中边缘模糊与纹理丢失的问题。该方法充分利用小波变换的多分辨率分析能力,结合阈值处理策略,在去除高斯噪声、椒盐噪声等多种噪声的同时,显著保留了图像的细节特征与色彩信息。文章详细阐述了算法的数学原理、实现步骤及关键参数设计,并提供了完整的Matlab代码实现,便于读者复现与进一步优化。 适合人群:具备数字图像处理基础知识,熟悉Matlab编程语言,从事图像去噪、计算机视觉、遥感图像处理或医学影像分析等相关领域的研究生、科研人员及工程技术人员。 使用场景及目标:①应用于彩色图像、遥感影像、医学图像等多通道图像的高质量去噪处理;②服务于后续高级视觉任务(如目标检测、图像分割)前的预处理环节,提升整体系统性能;③为需要高保真图像恢复的应用场景提供技术支持。 阅读建议:建议读者结合提供的Matlab代码逐模块理解算法实现流程,重点关注小波分解与重构、方向滤波器组设计、阈值选择与收缩策略等核心环节,同时可通过调整噪声类型与参数设置进行对比实验,深入掌握算法性能边界与优化方向。

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

华为智简园区医疗物联网解决方案.pptx

华为智简园区医疗物联网解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

极简架构MES系统解决方案介绍.pptx

极简架构MES系统解决方案介绍.pptx

应广单片机 按键点灯 PMS171B GPIO LED

我也是第一次使用这款单片机,参考网友的资料,写个最近简单的demo 测试用例 #include "extern.h" /*端口定义*/ BIT KEY : PA.0; BIT SW : PA.4; /*相应于main函数*/ void FPPA0 (void) { /*单片机内部RC震动时钟为 IHRC默认为16M,因此,IHRC/2=8M,系统时钟为8M*/ .ADJUST_IC...

大江的专栏 1004

自绘CListCtrl时发现ON_WM_MEASUREITEM_REFLECT和DrawItem(LPDRAWITEMSTRUCT lpMeasureItemStruct) 无响应

自绘CListCtrl时发现ON_WM_MEASUREITEM_REFLECT和DrawItem(LPDRAWITEMSTRUCT lpMeasureItemStruct) 无响应 一般情况下,我们都是在 dialog 里面 放一个 list 控件,然后 用自己的类绑定自己的自绘对象,如同下面: 1.  在 dialog 里面 加一个 list 列表 2. 然后 绑定这个列表 哈哈...

mfreesky的专栏 2174
上一篇: 从ATM到移动支付:PIN的演变史与技术实现详解
下一篇: Elsevier期刊投稿全流程解析:以Computers & Graphics为例
五行擒拿术
博客等级 码龄26年 54粉丝 1361原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址