【机器学习】机器学习重要方法——迁移学习:理论、方法与实践
文章目录
- 迁移学习:理论、方法与实践
- 引言
- 第一章 迁移学习的基本概念
- 1.1 什么是迁移学习
- 1.2 迁移学习的类型
- 1.3 迁移学习的优势
- 第二章 迁移学习的核心方法
- 2.1 特征重用(Feature Reuse)
- 2.2 微调(Fine-Tuning)
- 2.3 领域适应(Domain Adaptation)
- 第三章 迁移学习的应用实例
- 3.1 医疗影像分析
- 3.2 文本分类
- 3.3 工业故障检测
- 第四章 迁移学习的未来发展与挑战
- 4.1 领域差异与模型适应性
- 4.2 数据隐私与安全
- 4.3 跨领域迁移与多任务学习
- 结论
迁移学习:理论、方法与实践
引言
迁移学习(Transfer Learning)作为机器学习的一个重要分支,通过将一个领域或任务中学得的知识应用到另一个领域或任务中,可以在数据稀缺或训练资源有限的情况下显著提升模型性能。本文将深入探讨迁移学习的基本原理、核心方法及其在实际中的应用,并提供代码示例以帮助读者更好地理解和掌握这一技术。
第一章 迁移学习的基本概念
1.1 什么是迁移学习
迁移学习是一类机器学习方法,通过在源领域(source domain)或任务(source task)中学得的知识来帮助目标领域(target domain)或任务(target task)的学习。迁移学习的核心思想是利用已有的模型或知识,减少在目标任务中对大规模标注数据的依赖,提高学习效率和模型性能。
1.2 迁移学习的类型
迁移学习可以根据源任务和目标任务的关系进行分类,主要包括以下几种类型:
- 归纳迁移学习(Inductive Transfer Learning):源任务和目标任务不同,但源领域和目标领域可以相同或不同。
- 迁移学习(Transductive Transfer Learning):源领域和目标领域不同,但任务相同。
- 跨领域迁移学习(Cross-Domain Transfer Learning):源领域和目标领域不同,且任务也不同。
1.3 迁移学习的优势
迁移学习相比于传统机器学习方法具有以下优势:
- 减少标注数据需求:通过利用源任务中的知识,可以在目标任务中减少对大量标注数据的需求。
- 提高模型性能:在目标任务中数据稀缺或训练资源有限的情况下,迁移学习能够显著提升模型的泛化能力和预测准确性。
- 加快模型训练:通过迁移预训练模型的参数,可以减少模型训练时间和计算成本。
第二章 迁移学习的核心方法
2.1 特征重用(Feature Reuse)
特征重用是迁移学习的一种简单但有效的方法,通过直接使用源任务模型的特征提取层,将其应用到目标任务中进行特征提取,再在目标任务的数据上训练新的分类器或回归器。
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.applications import VGG16# 加载预训练的VGG16模型,不包括顶层分类器
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))# 冻结预训练模型的层
for layer in base_model.layers:layer.trainable = False# 构建新的分类器
model = models.Sequential([base_model,layers.Flatten(),layers.Dense(256, activation='relu'),layers.Dropout(0.5),layers.Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 加载并预处理CIFAR-10数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()
x_train = tf.image.resize(x_train, (224, 224)).numpy() / 255.0
x_test = tf.image.resize(x_test, (224, 224)).numpy() / 255.0
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test), batch_size=32)# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试准确率: {test_acc}')
2.2 微调(Fine-Tuning)
微调是迁移学习的一种常用方法,通过在目标任务的数据上继续训练预训练模型的部分或全部层,从而适应目标任务的特性。
# 解冻部分预训练模型的层
for layer in base_model.layers[-4:]:layer.trainable = True# 重新编译模型(使用较小的学习率)
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-5), loss='categorical_crossentropy', metrics=['accuracy'])# 继续训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), batch_size=32)# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'微调后的测试准确率: {test_acc}')
2.3 领域适应(Domain Adaptation)
领域适应是迁移学习中的一种方法,通过调整源领域模型使其能够更好地适应目标领域的数据分布,从而提高在目标领域的预测性能。常见的领域适应方法包括对抗训练(Adversarial Training)和子空间对齐(Subspace Alignment)等。
from tensorflow.keras.datasets import mnist, usps
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Input# 加载MNIST和USPS数据集
(mnist_train_images, mnist_train_labels), (mnist_test_images, mnist_test_labels) = mnist.load_data()
(usps_train_images, usps_train_labels), (usps_test_images, usps_test_labels) = usps.load_data()# 数据预处理
mnist_train_images = mnist_train_images.reshape(-1, 28*28).astype('float32') / 255
mnist_test_images = mnist_test_images.reshape(-1, 28*28).astype('float32') / 255
usps_train_images = usps_train_images.reshape(-1, 28*28).astype('float32') / 255
usps_test_images = usps_test_images.reshape(-1, 28*28).astype('float32') / 255mnist_train_labels = tf.keras.utils.to_categorical(mnist_train_labels, 10)
mnist_test_labels = tf.keras.utils.to_categorical(mnist_test_labels, 10)
usps_train_labels = tf.keras.utils.to_categorical(usps_train_labels, 10)
usps_test_labels = tf.keras.utils.to_categorical(usps_test_labels, 10)# 定义源领域模型
input_tensor = Input(shape=(28*28,))
x = Dense(256, activation='relu')(input_tensor)
x = Dense(256, activation='relu')(x)
output_tensor = Dense(10, activation='softmax')(x)source_model = Model(inputs=input_tensor, outputs=output_tensor)
source_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 在MNIST数据集上训练源领域模型
source_model.fit(mnist_train_images, mnist_train_labels, epochs=10, batch_size=128, validation_data=(mnist_test_images, mnist_test_labels))# 定义领域适应模型
feature_extractor = Model(inputs=source_model.input, outputs=source_model.layers[-2].output)
target_input = Input(shape=(28*28,))
target_features = feature_extractor(target_input)
target_output = Dense(10, activation='softmax')(target_features)
domain_adapt_model = Model(inputs=target_input, outputs=target_output)
domain_adapt_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 在USPS数据集上微调领域适应模型
domain_adapt_model.fit(usps_train_images, usps_train_labels, epochs=10, batch_size=128, validation_data=(usps_test_images, usps_test_labels))# 评估领域适应模型
test_loss, test_acc = domain_adapt_model.evaluate(usps_test_images, usps_test_labels)
print(f'领域适应模型在USPS测试集上的准确率: {test_acc}')
第三章 迁移学习的应用实例
3.1 医疗影像分析
在医疗影像分析任务中,迁移学习通过利用在大规模自然图像数据集上预训练的模型,可以显著提高在小规模医疗影像数据集上的分类或检测性能。以下是一个在胸部X光片数据集上使用迁移学习进行肺炎检测的示例。
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.applications import InceptionV3# 加载预训练的InceptionV3模型
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(224, 224, 3))# 冻结预训练模型的层
for layer in base_model.layers:layer.trainable = False# 构建新的分类器
model = models.Sequential([base_model,layers.GlobalAveragePooling2D(),layers.Dense(256, activation='relu'),layers.Dropout(0.5),layers.Dense(1, activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 数据预处理
train_datagen = ImageDataGenerator(rescale=0.5, validation_split=0.2)
train_generator = train_datagen.flow_from_directory('chest_xray/train',target_size=(224, 224),batch_size=32,class_mode='binary',subset='training'
)
validation_generator = train_datagen.flow_from_directory('chest_xray/train',target_size=(224, 224),batch_size=32,class_mode='binary',subset='validation'
)# 训练模型
model.fit(train_generator, epochs=10, validation_data=validation_generator)# 评估模型
test_datagen = ImageDataGenerator(rescale=0.5)
test_generator = test_datagen.flow_from_directory('chest_xray/test',target_size=(224, 224),batch_size=32,class_mode='binary'
)
test_loss, test_acc = model.evaluate(test_generator)
print(f'迁移学习模型在胸部X光片测试集上的准确率: {test_acc}')
3.2 文本分类
在文本分类任务中,迁移学习通过使用在大规模文本语料库上预训练的语言模型,可以显著提高在特定领域或任务上的分类性能。以下是一个使用BERT预训练模型进行IMDB情感分析的示例。
from transformers import BertTokenizer, TFBertForSequenceClassification
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import SparseCategoricalCrossentropy# 加载BERT预训练模型和分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)# 编译模型
model.compile(optimizer=Adam(learning_rate=3e-5), loss=SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])# 加载IMDB数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=10000)# 数据预处理
maxlen = 100
x_train = pad_sequences(x_train, maxlen=maxlen)
x_test = pad_sequences(x_test, maxlen=maxlen)# 将数据转换为BERT输入格式
def encode_data(texts, labels):input_ids = []attention_masks = []for text in texts:encoded = tokenizer.encode_plus(text,add_special_tokens=True,max_length=maxlen,pad_to_max_length=True,return_attention_mask=True,return_tensors='tf')input_ids.append(encoded['input_ids'])attention_masks.append(encoded['attention_mask'])return {'input_ids': tf.concat(input_ids, axis=0),'attention_mask': tf.concat(attention_masks, axis=0)}, tf.convert_to_tensor(labels)train_data, train_labels = encode_data(x_train, y_train)
test_data, test_labels = encode_data(x_test, y_test)# 训练模型
model.fit(train_data, train_labels, epochs=3, batch_size=32, validation_data=(test_data, test_labels))# 评估模型
test_loss, test_acc = model.evaluate(test_data, test_labels)
print(f'迁移学习模型在IMDB测试集上的准确率: {test_acc}')
3.3 工业故障检测
在工业故障检测任务中,迁移学习通过利用在大规模工业数据上预训练的模型,可以显著提高在特定设备或场景下的故障检测性能。以下是一个使用迁移学习进行工业设备故障检测的示例。
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import load_model# 加载预训练的故障检测模型
base_model = load_model('pretrained_fault_detection_model.h5')# 冻结预训练模型的层
for layer in base_model.layers[:-2]:layer.trainable = False# 构建新的分类器
model = models.Sequential([base_model,layers.Dense(64, activation='relu'),layers.Dropout(0.5),layers.Dense(1, activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 加载并预处理工业设备数据集
data = pd.read_csv('industrial_equipment_data.csv')
X = data.drop(columns=['fault'])
y = data['fault']
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'迁移学习模型在工业设备故障检测测试集上的准确率: {test_acc}')
第四章 迁移学习的未来发展与挑战
4.1 领域差异与模型适应性
迁移学习的一个主要挑战是源领域和目标领域之间的差异。研究如何设计更加灵活和适应性的模型,使其能够在不同领域间有效迁移,是一个重要的研究方向。
4.2 数据隐私与安全
在迁移学习中,源领域数据的隐私和安全问题需要特别关注。研究如何在保证数据隐私和安全的前提下进行有效的迁移学习,是一个关键的研究课题。
4.3 跨领域迁移与多任务学习
跨领域迁移学习和多任务学习是迁移学习的两个重要方向。研究如何在多个任务和领域间共享知识,提升模型的泛化能力和适应性,是迁移学习的一个重要研究方向。
结论
迁移学习作为一种有效的机器学习方法,通过将已学得的知识从一个任务或领域应用到另一个任务或领域,在数据稀缺或训练资源有限的情况下尤其有效。本文详细介绍了迁移学习的基本概念、核心方法及其在实际中的应用,并提供了具体的代码示例,帮助读者深入理解和掌握这一技术。希望本文能够为您进一步探索和应用迁移学习提供有价值的参考。
相关文章:
![](https://img-blog.csdnimg.cn/direct/69f72b3091fa4f2e899ae8a369a36d9b.png)
【机器学习】机器学习重要方法——迁移学习:理论、方法与实践
文章目录 迁移学习:理论、方法与实践引言第一章 迁移学习的基本概念1.1 什么是迁移学习1.2 迁移学习的类型1.3 迁移学习的优势 第二章 迁移学习的核心方法2.1 特征重用(Feature Reuse)2.2 微调(Fine-Tuning)2.3 领域适…...
![](https://i-blog.csdnimg.cn/direct/c1e1641675824b858c1a64a5b583fbca.png#pic_center)
uniapp, [TypeError] “Failed to fetch dynamically imported module“ 报错解决思路
文章目录 1. 背景2. 报错3. 解决思路4. 思考参考1. 背景 最近基于uniapp开发一款设备参数调试的APP软件,在使用第三方插件的过程中,出现下面的报错。 2. 报错 [plugin:vite:import-analysis] Cannot find module ‘D:/leaning/uniapp/demo/jk-uts-udp示例/uni_modules/uts-…...
![](https://img-blog.csdnimg.cn/direct/aa925ef1f91d44dbacfdeb1857918446.jpeg)
四川省高等职业学校大数据技术专业建设暨专业质量监测研讨活动顺利开展
6月21日,省教育评估院在四川邮电职业技术学院组织开展全省高等职业学校大数据技术专业建设暨专业质量监测研讨活动。省教育评估院副院长赖长春,四川邮电职业技术学院党委副书记、校长冯远洪,四川邮电职业技术学院党委委员、副校长程德杰等出席…...
![](https://www.ngui.cc/images/no-images.jpg)
深入解析三大跨平台开发框架:Flutter、React Native 和 uniapp
深入解析三大跨平台开发框架:Flutter、React Native 和 uniapp 在移动开发中,跨平台开发框架已经成为开发者的首选工具。本篇将深入解析三大主流跨平台开发框架:Flutter、React Native 和 uniapp。下面将详细探讨它们的原理、优势和劣势。 …...
![](https://img-blog.csdnimg.cn/direct/f2225757c942492c90d3c52792113093.png)
【吊打面试官系列-MyBatis面试题】#{}和${}的区别是什么?
大家好,我是锋哥。今天分享关于 【#{}和${}的区别是什么?】面试题,希望对大家有帮助; #{}和${}的区别是什么? #{} 是预编译处理,${}是字符串替换。 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网…...
![](https://www.ngui.cc/images/no-images.jpg)
解决HTTP 400 Bad Request错误的方法
解决HTTP 400 Bad Request错误的方法 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿! 在进行网络通信时,HTTP 400 Bad Request错误是相对常见的问题…...
![](https://img-blog.csdnimg.cn/direct/81ca8266e4ce4a1b943bb3e0167aab56.png)
Html的表单标签。(Java程序员需要掌握的前端)
表单标签 2.5.1 表单 2.5.1.1 介绍 那表单呢,在我们日常的上网的过程中,基本上每天都会遇到。比如,我们经常在访问网站时,出现的登录页面、注册页面、个人信息提交页面,其实都是一个一个的表单 。 当我们在这些表单中录入数据之后…...
![](https://www.ngui.cc/images/no-images.jpg)
Arduino (esp ) 下String的内存释放
在个人的开源项目 GitHub - StarCompute/tftziku: 这是一个通过单片机在各种屏幕上显示中文的解决方案 中为了方便快速检索使用了string,于是这个string在esp8266中占了40多k,原本以为当string设置为""的时候这个40k就可以回收,结果发觉不行…...
![](https://img-blog.csdnimg.cn/direct/74b7db6f6cff47fcb67d545481848576.png)
图灵虚拟机配置
导入虚拟机 点击新建,选择虚拟硬盘文件 环境机器.vmdk 配置网络...
![](https://www.ngui.cc/images/no-images.jpg)
【SQL常用日期函数(一)】
SQL 常用日期函数-基于impala 引擎 当前日期(YYYY-MM-DD) SELECT CURRENT_DATE(); -- 2024-06-30昨天 SELECT CURRENT_DATE(); -- 2024-06-30 SELECT CAST( DAYS_ADD(TO_DATE( CURRENT_DATE() ), -1 ) AS VARCHAR(10) ); -- 2024-06-29 SELECT CAST( …...
![](https://img-blog.csdnimg.cn/img_convert/3df0e263f901d875e1c9e7dbc5c2eb32.png)
C++操作系列(二):VSCode安装和配置C++开发环境
1. VSCode下载 进入VSCode的官网网页:Download Visual Studio Code - Mac, Linux, Windows 下载相应的版本: 2. 安装VSCode 安装到指定位置: 一路下一步,直至安装完成: 3. 安装C插件 3.1. 安装C/C 点击扩展图标&…...
![](https://www.ngui.cc/images/no-images.jpg)
【java12】java12新特性之File的mismatch方法
Java12引入了一个新的方法 mismatch,它属于java.nio.file.Files类。此方法用于比较两个文件的内容,并返回第一个不匹配字节的位置。如果两个文件完全相同,则返回-1。 Files.mismatch 方法声明 public static long mismatch(Path path1, Pat…...
![](https://img-blog.csdnimg.cn/direct/35e00a11226a43acb273eb61a99ef85f.png)
uni-app (通过HBuilderX 和 VS Code 开发)详细连接过程教学。
使用 HBuilderX 创建 uni-app 项目 并编译到微信开发者工具。 uni-app 支持两种方式创建项目: 通过 HBuilderX 创建 通过命令行创建 首先我们需要先下载HBuilderX 下载链接地址:DCloud - HBuilder、HBuilderX、uni-app、uniapp、5、5plus、mui、wap2…...
![](https://img-blog.csdnimg.cn/direct/48f8ac35edf04684b0f49a3aa7b17050.png)
安宝特方案 | AR术者培养:AR眼镜如何帮助医生从“看”到“做”?
每一种新药品的上市都需要通过大量的临床试验,而每一种新的手术工具在普及使用之前也需要经过反复的实践和验证。医疗器械公司都面临着这样的挑战:如何促使保守谨慎的医生从仅仅观察新工具在手术中的应用,转变为在实际手术中实操这项工具。安…...
![](https://i-blog.csdnimg.cn/direct/1a6813bce4cb40199da8ebc9cf21e920.png)
20240628每日前端---------解决vue项目滥用watch
主题 滥用watch。 名字解释 watch 例子 先看一个代码例子: <template>{{ dataList }} </template><script setup lang"ts"> import { ref, watch } from "vue";const dataList ref([]); const props defineProps([&q…...
![](https://img-blog.csdnimg.cn/direct/1ef04bc488784940932841d4d3897b9c.png)
【LLM 评估】GLUE benchmark:NLU 的多任务 benchmark
论文:GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding ⭐⭐⭐⭐ arXiv:1804.07461, ICLR 2019 Site: https://gluebenchmark.com/ 文章目录 一、论文速读二、GLUE 任务列表2.1 CoLA(Corpus of Linguistic Accep…...
![](https://img-blog.csdnimg.cn/direct/d5c01bd8930745b1b865a16951493f48.png)
Go线程调度器
基本结构 字段gcwaiting、stopwait和stopnoted都是串行运行时任务执行前后的辅助协调手段 gcwaiting字段的值用于表示是否需要停止调度 在停止调度前,该值会被设置为1在恢复调度之前,该值会被设置为0这样做的作用是,一些调度任务在执行时只…...
![](https://img-blog.csdnimg.cn/direct/038da0e46bf34d63b26c234d8cb82003.png)
使用 fvm 管理 Flutter 版本
文章目录 Github官网fvm 安装Mac/Linux 环境Windows 环境 fvm 环境变量fvm 基本命令 Github https://github.com/leoafarias/fvmhttps://github.com/flutter/flutter 官网 https://fvm.app/ fvm 安装 Mac/Linux 环境 Install.sh curl -fsSL https://fvm.app/install.sh …...
![](https://img-blog.csdnimg.cn/direct/e6bc34873b804d32885c7850329ef8ba.png)
若依-前后端分离项目学习
★★★★★省流 直接看第一集和最后一集★★★★★ 第一天(6.24) 具体参考视频 b站 楠哥教你学Java 【【开源项目学习】若依前后端分离版,通俗易懂,快速上手】 https://www.bilibili.com/video/BV1HT4y1d7oA/?shar…...
![](https://www.ngui.cc/images/no-images.jpg)
使用adb shell getprop命令获取Android设备的属性
常用属性获取: adb shell getprop ro.build.version.emui —查询EMUI版本 adb shell getprop ro.product.brand —查询手机品牌 adb shell getprop ro.product.name --查询设备名称 adb shell getprop ro.serialno —查询设备序列号 获取手机系统信息( CPU,厂商…...
![](https://www.ngui.cc/images/no-images.jpg)
LNMP环境部署指南
本文档将指导您在CentOS 6.5上部署LNMP(Linux、Nginx、MySQL、PHP)环境。 系统环境 系统平台:CentOS release 6.5 安装前准备 在安装LNMP之前,您需要安装一些编译器和依赖包。 必备编译器和工具 #安装gcc、gcc-c编译器&#…...
![](https://img-blog.csdnimg.cn/direct/1fbb295a14724239a1cb80129cb99756.jpeg)
[stm32]温湿度采集与OLED显示
一、I2C总线协议 I2C(Inter-integrated circuit )是一种允许从不同的芯片或电路与不同的主芯片通信的协议。它仅用于短距离通信,是一种用于两个或多个设备之间进行数据传输的串行总线技术,它可以让你在微处理器、传感器、存储器、…...
![](https://img-blog.csdnimg.cn/direct/479334992b814e05b0ab82a74cb059fc.jpeg)
大模型知识库的使用
大模型知识库的使用通常涉及以下几个方面,使用大模型知识库可以提高信息检索的准确性和效率,促进知识的传播和应用。同时,也需要关注知识库的质量和更新,以确保提供的知识是准确和可靠的。北京木奇移动技术有限公司,专…...
![](https://img-blog.csdnimg.cn/direct/57c8fdabca9448d28057bc09ae90b313.png)
Docker - Oracle Database 23ai Free
博文目录 文章目录 说明命令NavicatSYSTEMPDBADMIN 扩展公共用户本地用户 说明 Oracle 官方镜像仓库 Database 23ai Free | Oracle Docker 官方没有提供 Oracle Database 相关镜像, 但是 Oracle 官方镜像仓库有提供, 打开上面的链接, 选择 Database, 选择合适的版本, 如 enter…...
![](https://www.ngui.cc/images/no-images.jpg)
spring常用方法
1. 读取配置文件信息 方式一: // 获取文件路径 String fileName "application.yaml"; String filePath this.getClass().getClassLoader().getResource(fileName).getPath();BufferedReader bufferedReader new BufferedReader(new FileReader(path)…...
![](https://img-blog.csdnimg.cn/direct/8bace4fcf1404f7db8c4fd8cde0c2ed3.png)
虚拟机能装在移动硬盘里吗安全吗 PD虚拟机迁移到移动硬盘的方法
虚拟机技术的迅速发展为用户提供了更为灵活的跨系统办公方案。许多用户希望在不同的电脑设备上运行相同的虚拟机,同时带来的也有一个问题:虚拟机能否装在移动硬盘里?针对用户的疑问,接下来给大家介绍虚拟机能装在移动硬盘里吗&…...
![](https://www.ngui.cc/images/no-images.jpg)
刷算法Leetcode---7(二叉树篇)(前中后序遍历)
前言 本文是跟着代码随想录的栈与队列顺序进行刷题并编写的 代码随想录 好久没刷算法了,最近又开始继续刷,果然还是要坚持。 二叉树的题目比之前多了好多,就多分几次写啦~ 这是力扣刷算法的其他文章链接:刷算法Leetcode文章汇总 …...
![](https://img-blog.csdnimg.cn/direct/6d378825c17f4129b97cbe48bed95589.png)
AliyunOS安装Node.js
方法1:dnf软件包安装工具自动安装 最方便的安装方式是通过系统的dnf工具,我测试使用的AliyunOS的版本是Alibaba Cloud Linux 3.2104,具体流程如下: dnf module list nodejs #列出服务器中可以使用的所有nodejs版本确定下来希望安…...
![](https://img-blog.csdnimg.cn/direct/52f311b400c04a83997b190b7080bc2e.png#pic_center)
three.js - MeshPhongMaterial材质(实现玻璃水晶球效果)
1、概念 phong网格材质:Mesh - Phong - Material 一种用于具有镜面高光的光泽表面的材质。 它可以模拟,具有镜面高光的光泽表面,提供镜面反射效果。 MeshPhongMaterial: MeshPhongMaterial是一种基于Phong光照模型的材质&#…...
![](https://img-blog.csdnimg.cn/img_convert/8c78bed6beeb00ae1fee132669d0926a.png)
笔记本电脑安装CentOS
正文共:1234 字 24 图,预估阅读时间:2 分钟 前面我们对VPP进行了多次介绍(羡慕!大佬的VPP能达到180G性能,而我的却只有13.5G),可以发现他的很多优点,但是我们也可以发现它…...
![](https://www.ngui.cc/images/no-images.jpg)
ssh转发功能入门
端口转发概述 端口转发,能够将其他TCP端口的网络数据通过SSH链路转发,并且提供了ssh的加密和解密的服务。 ssh端口转发有如下这些优点: 提供了ssh的加密传输,利于安全能够突破防火墙限制 目前ssh端口转发有如下几种方式&#x…...
![](https://img-blog.csdnimg.cn/direct/c2cb3f4d793a420ea6ceabfa74325dfb.png#pic_center)
Listary(Windows 文件搜索工具)专业版值得购买吗?
说到经典的国货软件,有一款 Win 软件是一定绕不过去的。它就是知名的本地文件搜索工具 Listary! 便捷的文件搜索窗口;快捷操作的体验;与系统更匹配的外观设计;更智能的排序和更可靠的索引。 便捷的文件搜索窗口 紧凑…...
![](https://www.ngui.cc/images/no-images.jpg)
面试突击指南:Java基础面试题2
面向对象和集合 1. 面向对象和面向过程的区别 面向过程:面向过程的编程方式是分析解决问题的步骤,然后用函数把这些步骤一步一步地实现,并在使用的时候逐个调用。这种方式性能较高,因此在单片机和嵌入式开发中经常采用面向过程开发。 面向对象:面向对象的编程方式是把问…...
![](https://www.ngui.cc/images/no-images.jpg)
MySQL快速安装(mysql8.0.30区别之前yum安装)
目录 一.初始化环境并解压 二.创建程序用户管理 三.修改mysql目录和配置文件的权限 四.修改配置文件 五.设置环境变量,申明/宣告mysql命令便于系统识别 六.初始化数据库 七.设置系统识别,进行操作 八.初始化数据库密码 九.用户并设置密码 十.赋…...
![](https://www.ngui.cc/images/no-images.jpg)
俄罗斯防空系统
俄罗斯的S系列防空系统是一系列先进的地对空导弹系统,旨在防御各类空中威胁,包括飞机、无人机、巡航导弹和弹道导弹。以下是几种主要的S系列防空系统: 1. **S-300系统**: - **S-300P**:最早期的版本,用…...
![](https://img-blog.csdnimg.cn/direct/becbf6a4900d4fa3a379f76f20a5f85e.png)
文件上传漏洞---Pyload
文章目录 前言一、pandas是什么?二、使用步骤 1.引入库2.读入数据总结 前言 本文重点从靶场案例分析文件上传漏洞常见的Pylod,本文演示靶场upload-labs 一.文件类型---Pyload 不同的文件对应不同的文件类型,后端代码通过限制特定的文件类型…...
![](https://img-blog.csdnimg.cn/direct/b8b3771a093641429aefa8e173261ffb.png)
应用案例 | 如何监测高价值货物在物流运输过程中受到的振动和冲击?全面保障货物安全
一、货物运输 不同种类的货物对运输的要求不同,钢铁、煤炭、矿石等大宗物资通常对运输要求较低,而电子产品、IT 产品、家电等高价值敏感类货物则更强调运输的安全性和时效性,往往希望能尽可能安全和快速送达这类货物,使之尽快进入…...
![](https://img-blog.csdnimg.cn/direct/7c2479705897426291b75c21009e9ba7.png)
VMware17安装Ubuntu20版本-保姆级别
首先需要安装好VMware和Ubuntu20的镜像,在网上搜索Ubuntu镜像下载即可,最后选择国内镜像站下载,这样更快点,然后打开VMware。 1.创建虚拟机: 2.选择自定义: 3.默认,继续下一步: 4.选…...
![](https://www.ngui.cc/images/no-images.jpg)
初探Xcode工具
初探Xcode工具 Xcode是苹果公司为Mac OS X和iOS平台开发软件的集成开发环境(IDE)。作为苹果开发者的首选工具,Xcode提供了一系列强大的功能,帮助开发者设计、编写、调试和发布应用程序。本文将对Xcode进行初步探索,介…...
![](https://img-blog.csdnimg.cn/direct/977fed0a32fb4bfc8c80334484abf905.png)
小迪安全v2023笔记 1-18
小迪安全v2023笔记 1-18 棱角社区 文章目录 1. 基础入门1. 正向shell与反向shell2. web应用3. 抓包,封包,协议,app,小程序,pc应用,web应用 2. 信息打点1. 常见信息获取2. 文件泄露3. 常见阻碍4. CDN绕过&a…...
![](https://img-blog.csdnimg.cn/direct/cea1024404f94476b8fddf0edb91ce7f.png)
RabbitMQ WEB管理端介绍
页面功能概览 Overview(概述)Connections(连接)Channels(通道)Exchanges(交换器)Queues(队列)Admin(用户管理)。 1. Overview(概述) 主要分为三部分 1.1 Queued messages(所有队列的消息情况) Ready:待消费的消息总数Unacked:待应…...
![](https://www.ngui.cc/images/no-images.jpg)
三阶魔方公式详解及快速解法方法介绍
三阶魔方公式详解及快速解法方法介绍 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天我们来深入探讨三阶魔方的公式及其快速解法方法。无论是初学者还是已经…...
![](https://www.ngui.cc/images/no-images.jpg)
前端的拖拽和缩放(缩放以鼠标为中心)
效果: 拖拽和缩放(缩放以鼠标为中心) 代码具体实现如下: 但是有几个注意点 (1)为什么需要设置 transform-origin: 0 0; 缩放时以鼠标为中心进行缩放。这意味着需要手动计算缩放过程中元素的位移&#…...
![](https://img-blog.csdnimg.cn/direct/cc022792bfed43b89a4a66fc7d87b705.jpeg)
【Vue】单向和双向数据绑定
在 Vue.js 中,数据绑定可以分为单向数据绑定和双向数据绑定两种类型。 单向数据绑定 单向数据绑定是指数据从模型流向视图,即数据的变化会自动反映到视图中,但视图中的变化不会自动反映回模型。Vue.js 中的单向数据绑定主要通过以下方式实现…...
![](https://img-blog.csdnimg.cn/img_convert/cbe34b102ec8c2dc8efcc1794af0767d.png)
HDFS学习
3.5 HDFS存储原理 3.5.1 冗余数据保存 作为一个分布式文件系统,为了保证系统的容错性和可用性,HDFS采用了多副本方式对数据进行冗余存储,通常一个数据块的多个副本会被分布到不同的数据节点上。 如图所示,数据块1被分别存放到…...
![](https://img-blog.csdnimg.cn/direct/e398bee0007e42a5a6fc339900d3f10e.png)
Winform使用HttpClient调用WebApi的基本用法
Winform程序调用WebApi的方式有很多,本文学习并记录采用HttpClient调用基于GET、POST请求的WebApi的基本方式。WebApi使用之前编写的检索环境检测数据的接口,如下图所示。 调用基于GET请求的无参数WebApi 创建HttpClient实例后调用GetStringAsync函数获…...
![](https://img-blog.csdnimg.cn/direct/9c5c658b0ff04758a2316e9c6c592084.png)
python–基础篇–正则表达式–是什么
文章目录 定义一:正则表达式就是记录文本规则的代码定义一:正则表达式是一个特殊的字符序列,用于判断一个字符串是否与我们所设定的字符序列是否匹配,也就是说检查一个字符串是否与某种模式匹配。初识 Python 正则表达式 定义一&a…...
![](https://img-blog.csdnimg.cn/direct/7716418ca85d46349f4dae8d99e7e2dc.png)
15 个适用于企业的生成式 AI 用例
作者:来自 Elastic Jennifer Klinger 关于生成式人工智能及其能做什么(和不能做什么)有很多讨论。生成式人工智能(例如大型语言模型 - LLMs)利用从大量训练数据中学习到的模式和结构来创建原创内容,而无需存…...
![](https://img-blog.csdnimg.cn/direct/0839bc2389b8429c85c760537f8820b9.png)
若依框架中组件使用教程
...
![](https://www.ngui.cc/images/no-images.jpg)
秋招力扣刷题——数据流的中位数
一、题目要求 中位数是有序整数列表中的中间值。如果列表的大小是偶数,则没有中间值,中位数是两个中间值的平均值。 例如 arr [2,3,4] 的中位数是 3 。 例如 arr [2,3] 的中位数是 (2 3) / 2 2.5 。 实现 MedianFinder 类: MedianFinder() 初始化 …...
![](https://img-blog.csdnimg.cn/direct/7b033468caf34188bc1bc9d0a8a6f891.png)
python 实现docx指定语言翻译(不丢失格式)
我这边有个需求需要把一份docx翻译成指定语言的文档并且保存,研究了下,记录。 首先先安装依赖 pip install python-docx1.1.2 googletrans4.0.0rc1 python-docx是用来读取docx的,googletrans使用来翻译的。 googletrans PyPI 这个是官方文…...
![](https://www.ngui.cc/images/no-images.jpg)
字节跳动 AML 前端 一面
时长55mins 1. 自我介绍 1. 怎么接触的前端?学了多久? 1. 问项目 1. 为什么要做组件库? 1. 问到我的组件库和AntD之类的有什么区别,我说区别可能就是我的功能更少?hhhh 1. 设计一个组件的思路&#x…...
![](https://img-blog.csdnimg.cn/direct/cb20071fefea4837bc778686530597f6.png#pic_center)
2.3.2 主程序和外部IO交互 (文件映射方式)----IO Client实现
2.3.2 主程序和外部IO交互 (文件映射方式)----IO Client C实现 和IOServer主要差别: 1 使用Open_Client 连接 2 一定要先打开IOServer,再打开IO_Client 效果显示 1 C 代码实现 1.1 shareddataClient.h 头文件中引用 和sharedd…...
![](https://www.ngui.cc/images/no-images.jpg)
代码随想录算法训练营第3天|LeetCode
203.移除链表元素 题目链接:203. 移除链表元素 - 力扣(LeetCode) 文档链接:代码随想录 (programmercarl.com) 视频链接:手把手带你学会操作链表 | LeetCode:203.移除链表元素_哔哩哔哩_bilibili 第一想法 …...
![](https://i-blog.csdnimg.cn/direct/d9b3639480864cb2b5f8a8a176a36ba8.png)
联合概率密度函数
目录 1. 什么是概率密度由联合概率密度求概率参考链接 1. 什么是概率密度 概率密度到底在表达什么? 外卖在20-40分钟内送达的概率 随机变量落在[20,40]之间的概率。下图中,对总面积做规范化处理,令总面积1, f ( x ) f(x) f(x)则成…...
![](https://www.ngui.cc/images/no-images.jpg)
linux 下载依赖慢和访问github代码慢
1 pip install 下载依赖慢,添加清华镜像源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 2 git 出现错误 Could not resolve host: github.com 原来是因为github.com没有被主机给解析, 第一步 先 ping 看一下主机地址 …...
![](https://www.ngui.cc/images/no-images.jpg)
对比探界者Plus、探岳、CR-V,该如何选?
对于多数以家庭为购车出发点的消费者来说,一台15-20万级的合资SUV,基本能够满足品牌、空间、配置、品质方面的多重购车需求。因此这个价位的车型往往有着巨大的体量和需求,同时也意味着竞争的激烈程度非比寻常。以往大家做选择时,可能会将注意力放在德系和日系合资车型上,…...
沃尔沃S90:从设计到实践的安全标杆
“网上没赢过,实战没输过”,沃尔沃用每一次安全事故生动诠释了这句话。虽然包括沃尔沃品牌本身和车主在内,平时都比较低调,是“车圈逐渐粉圈化”大环境下的一股清流,但真正遇到交通事故的时候,你才知道,沃尔沃是真能保命啊。这不,最近就有位沃尔沃S90车主在高速上以100…...
![](https://www.ngui.cc/images/no-images.jpg)
MFC CList<CRect, CRect> m_listRect;的用法
CList<CRect, CRect&> 是 MFC(Microsoft Foundation Classes)中定义的一个双向链表模板类,用于存储 CRect 对象。在使用 CList 时,你可以执行多种操作,比如添加、移除、查找和遍历元素。以下是一些常见的用法…...
![](https://www.ngui.cc/images/no-images.jpg)
LeetCode 每日一题 数学篇 2651.计算列车到站时间
给你一个正整数 arrivalTime 表示列车正点到站的时间(单位:小时),另给你一个正整数 delayedTime 表示列车延误的小时数。 返回列车实际到站的时间。 注意,该问题中的时间采用 24 小时制。 int findDelayedArrivalTi…...
![](https://img-blog.csdnimg.cn/direct/ffee9f03d93a4f0bad04224d1fa99143.gif)
flutter 实现旋转星球
先看效果 planet_widget.dart import dart:math; import package:flutter/material.dart; import package:vector_math/vector_math_64.dart show Vector3; import package:flutter/gestures.dart; import package:flutter/physics.dart;class PlanetWidget extends StatefulW…...
![](https://www.ngui.cc/images/no-images.jpg)
js 如何封装一个iframe通讯的sdk
在JavaScript中,封装一个用于iframe间通信的SDK,可以利用postMessage和message事件监听来实现跨域通信。以下是一个简单的示例,展示如何封装这样一个SDK: 步骤 1: 创建SDK文件 首先,创建一个名为IframeCommunicator.…...