pytorch算力与有效性分析

news2024/11/18 6:25:22

pytorch

  • Windows中安装深度学习环境
    • 参考文档
    • 机器环境说明
      • 3080机器 Windows11
        • qt_env 满足遥感CS软件分割、目标检测、变化检测的需要
        • gtrs 主要是为了满足遥感监测管理平台（BS）系统使用的，无深度学习环境内容
        • swin_env 与 qt_env 基本一致
        • od 用于慧眼守土目标检测服务的，与qt_env基本一致，比其高0.0.1
      • 1080机器
      • 3060机器
    • 算力分析
    • 查看CUDA信息
    • CUDA/CUDA toolkit(pytorch)等区别和关系
    • Nvidia的CUDA和CUDNN下载地址
    • Nvidia的CUDA和CUDNN的安装及检测方法
    • 环境安装
    • 测试环境的准确性代码
  • stanet
  • Linux环境中安装深度学习环境
    • Linux 基础回顾
    • 有三种方法助你走进Ubuntu新世界。
    • 切换输入法
    • Ubuntu 下安装深度学习环境
      • 整体
      • CUDA 10.2
    • xmanager 连不上 是因为网络服务ssh没有开通
    • 在linux桌面上创建程序执行的图标
    • linux 运行SVN
    • 测试GPU是否可以用？
    • 启动深度学习模型训练
  • 特定的网络
    • STANET
      • visdom安装与可视化
  • Pytorch 知识点
    • BCWH
    • pytorch中文帮助文档
    • visdom安装与基本用法
    • pip install 安装包
    • conda 常用命令
      • 克隆/复制虚拟环境：想在之前环境基础上再填点其他东西，但有时候会发生一些情况改变以前的环境，建议再创建一个新的环境或者直接clone一份之前的环境（推荐）。
      • 虚拟环境删除
  • 添加清华镜像源
  • 搜索时显示地址
    • 虚拟环境拷贝后提示有致命错误
    • 常见报错
      • “OSError: [WinError 1455]页面文件太小，无法完成操作。”
    • mklink
  • 重要的参考库和URL

Windows中安装深度学习环境

参考文档

Windows端pytorch镜像快速安装
https://blog.csdn.net/Thebest_jack/article/details/123455215?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167150520516800215058539%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=167150520516800215058539&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~hot_rank-9-123455215-null-null.142v68pc_rank_34_queryrelevant25,201v4add_ask,213v2t3_control2&utm_term=windows%203080%20%20pytorch%20&spm=1018.2226.3001.4187

机器环境说明

3080机器 Windows11

CUDA cuda_11.1.0_456.43_win10
CUDNN cudnn-11.1-windows-x64-v8.0.5.39
Python3.9

多个虚拟环境

qt_env 满足遥感CS软件分割、目标检测、变化检测的需要
组件名称组件版本信息其他说明
torch1.8.0+CU111因为需要满足stanet的代码运行要求，所以不能超过1.8.0
torchvision0.9.0+CU111
visdim0.2.3
GDAL3…1.4
gtrs 主要是为了满足遥感监测管理平台（BS）系统使用的，无深度学习环境内容
swin_env 与 qt_env 基本一致

在swin_env 的基础上安装mmcv
https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html
./mmcv_full-1.6.1-cp39-cp39-win_amd64.whl

od 用于慧眼守土目标检测服务的，与qt_env基本一致，比其高0.0.1

1080机器

3060机器

算力分析

RTX 3080 12 GB显卡发布:8960个CUDA。
NVIDIA GeForce RTX 3080 with CUDA capability sm_86 is not compatible with the current PyTorch installation.
在这里插入图片描述
NVIDIA GeForce RTX 3080 Ti with CUDA capability sm_86意思是RTX 3080 Ti的算力是8.6，而当前安装好的pytorch最高只支持到7.5算力的显卡，也就是说显卡算力和pytorch版本不匹配。要测试显卡算力与当前pytorch是否匹配，可以进入python命令行，依次输入如下两行代码：

import torch
torch.zeros(1).cuda()

————————————————
版权声明：本文为CSDN博主「zeeq_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44120025/article/details/121747212

查看CUDA信息

NVIDIA-smi
在这里插入图片描述
这个方法不对，这里的11.6 指的是可驱动的最高版本，下载CUDA的版本应低于11.6。

正确的方法应该是：
nvcc -V
在这里插入图片描述
前者可以查看到信息，而后者查看不到的原因是？
https://blog.csdn.net/baidu_30506559/article/details/121908428?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121908428-blog-125822005.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121908428-blog-125822005.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2

CUDA/CUDA toolkit(pytorch)等区别和关系

一、CUDA/cudnn/CUDA Toolkit/NVCC区别简介
参考 Pytorch 使用不同版本的 cuda

CUDA：为“GPU通用计算”构建的运算平台。
cudnn：为深度学习计算设计的软件库。
CUDA Toolkit (nvidia)： CUDA完整的工具安装包，其中提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。
CUDA Toolkit (Pytorch)： CUDA不完整的工具安装包，其主要包含在使用 CUDA 相关的功能时所依赖的动态链接库。不会安装驱动程序。
（NVCC 是CUDA的编译器，只是 CUDA Toolkit 中的一部分）
注：CUDA Toolkit 完整和不完整的区别：在安装了CUDA Toolkit (Pytorch)后，只要系统上存在与当前的 cudatoolkit 所兼容的 Nvidia 驱动，则已经编译好的 CUDA 相关的程序就可以直接运行，不需要重新进行编译过程。如需要为 Pytorch 框架添加 CUDA 相关的拓展时（Custom C++ and CUDA Extensions），需要对编写的 CUDA 相关的程序进行编译等操作，则需安装完整的 Nvidia 官方提供的 CUDA Toolkit。
————————————————
版权声明：本文为CSDN博主「健0000」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41094058/article/details/116207333

Nvidia的CUDA和CUDNN下载地址

  • CUDNN 下载：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse805-111
  • CUDA历史版本下载：https://developer.nvidia.com/cuda-toolkit-archive

Nvidia的CUDA和CUDNN的安装及检测方法

https://blog.csdn.net/yang4123/article/details/127188279

环境安装

第一步：历史的版本，在这边：https://pytorch.org/get-started/previous-versions/
第二步：找到对应的语句：
pip3 install torch1.8.1+cu111 torchvision0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
RTX3080需要用到CUDA11.1
第三步：然后去到网址下手工下载下来，然后pip手动安装；

测试环境的准确性代码

import torch
import time
import torchvision
torch.zeros(1).cuda()
# RTX 3080的算力是8.6，但是当前的PyTorch依赖的CUDA版本支持的算力只有3.7、5.0、6.0、6.1、7.0、7.5及3.7以下


# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')

# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')

print("test")

stanet

stanet 环境不能超pytorch1.8版本 CUDA 10.2 pythorch 1.8 torchversion 0.9 torchaudio 0.8
stanet报错 RuntimeError: The size of tensor a (64) must match the size of tensor b (3) at non-singleton dimension 1 图片格式的问题，必须是png
从这边去作查询：https://download.pytorch.org/whl/torch_stable.html
conda install pytorch1.8.1 torchvision0.9.1 torchaudio==0.8.1 cudatoolkit=11.3 -c pytorch -c conda-forge
运行 STANET
Gevent 是一个协作式多任务库。它的工作方式是您，程序员，将您的代码组织成称为 greenlets 的工作单元。当给定的 greenlet 正在运行时，它会单独运行。当它到达一个会阻塞的点时，也就是说，它必须等待一些外部信号，如文件、超时、我们的网络数据，greenlet 应该通过向 gevent 发送信号来进行合作，gevent 会安排其他一些 greenlet 运行。
————————————————
版权声明：本文为CSDN博主「不瘦8斤的妥球球饼」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43570470/article/details/124985575
@pytorch_wrap
image_numpy.transpose
Collection.OrderedDict
assert
修改可视化版本visdom=0.1.8.8；
scipy=1.1.0：因为1.2.0版本的scipy没有 imread,也会报错。
pip install scipy -i https://pypi.douban.com/simple/
visdom

Linux环境中安装深度学习环境

Linux 基础回顾

1.Linux的特点：免费，开源，高性能；
2.1999年RedHat得到IBM的合作，意味着大公司承认他了；之后Oracle，sun 等大公司都支持
3.为了节约成本，会有大量的window程序迁移到Linux。
4.Linux最小需要4M，而win98 64M，XP128M
5.学东西很多东西可以看一看，但是不能什么都研，有一门就可以了。
第十讲：
1.网络邻居可以解决两个win操作系统的网络文件共享；而 win和Linux两台机器的文件共享 怎么办 ，通过Samba服务安装后，使得linux文件可以共享
2.什么是shell 所有命令都会被系统重新解析成linux内核可以识别的工具，就是shell 用户输入命令只是shell使用的一个方面 里面还有代码开发，使用shell编程相当于dos的批处理文件 。在一个linux 中装了几种shell

大陆一般用的是 /bin/sh 欧洲常用 /bin/ksh
如何修改shell
a 查看目前使用的是哪种shell env (该命令用于查看环境变量 ) 用于查看明确操作系统的情况呢
b 修改 使用的 shell chsh -s /bin/csh
3.命令补全功能 ：非常有用，

Linux挂载
1.首先将window 文件制作成为 iso文件 ；
2.挂载iso 文件；
3.启动Linux系统；
4. 在Root用户下，运行： mount -o loop /dev/cdrom /mnt
之后ls /mnt

6.安装tgz文件，tar -zxvf 文件名

有三种方法助你走进Ubuntu新世界。

虚拟机安装 原料：Ubuntu Kylin的ISO、VMware或VirtualBox 优点：一条龙服务，安全简单 缺点：用户体验差，隔靴搔痒
Wubi安装 原料：Ubuntu Kylin的ISO、wubi.exe 优点：即点即用，默认Windows开机引导 缺点：易死机，待机和网络易出问题
U盘安装 原料：Ubuntu Kylin的ISO、UltraISO、EasyBCD、U盘(>=2G) 优点：简单安全，正牌双系统 缺点：默认Ubuntu开机引导；

http://www.manongjc.com/detail/51-eaztavmgwijzwka.html

切换输入法

Ubuntu中切换中/英文输入法是：win键+空格键
安装输出法
https://blog.csdn.net/weiguang102/article/details/122522271
全局变量的设置方法
https://blog.csdn.net/weixin_42306148/article/details/122149712
sudo gedit ~/.bashrc
export PATH=“/home/name/anaconda3/bin:$PATH”

Ubuntu 下安装深度学习环境

整体

CSDN 上高查看率的文档：https://blog.csdn.net/wuzhiwuweisun/article/details/82753403?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166608764016782391841005%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=166608764016782391841005&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~hot_rank-1-82753403-null-null.142v58control_1,201v3control&utm_term=ubuntu18.04%20%20gtx1080ti%20pytorch&spm=1018.2226.3001.4187
python3.8:
下图发现Ubuntu18.04自带Python3.6与2.7版本。要再安装一个3.8的版本 参考https://blog.csdn.net/m0_55986434/article/details/123410860 可以切换优先级 数字越大优先级越高；
anaconda
主要参考了：https://blog.csdn.net/KIK9973/article/details/118772450 使用的版本是2021-5的，不要用太老的， 此外是从清华的源上面下载的https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
安装的地质：gtis/home/anaconda3下，安装的过程实际上是解压包的过程；
需要添加环境变量
https://www.csdn.net/tags/Mtjagg2sMjA4ODQtYmxvZwO0O0OO0O0O.html
显卡驱动470 11.4 这个实际是无效的，要用nvcc -V来查看实际的cuda的版本信息；
自动走系统更新的；
CUDA10.2
主要参考：https://blog.csdn.net/hongyiWeng/article/details/121233439，采用的安装方式是wget；
会出现s段错误的问题
https://blog.csdn.net/weixin_54787250/article/details/125648992
每次到99%的时候就自动报错了，这是一个非常尴尬的事情；
https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
安装的时候需要把dirver给去除掉，不然会报错的； https://blog.csdn.net/hongyiWeng/article/details/121233439
cudnn 8.2.2
主要参考：https://blog.csdn.net/mao_hui_fei/article/details/121140152
注册的用户名和密码 zhouxinxin@njupt.edu.cn zxxGtis@123
安装deb的方法
https://javaforall.cn/143820.html

pytorch 的相关安装
https://pytorch.org/get-started/previous-versions/

CUDA 10.2

conda install pytorch1.12.0 torchvision0.13.0 torchaudio==0.12.0 cudatoolkit=10.2 -c pytorch
系统：Ubuntu18.04 桌面版
显卡：GTX1080 Ti

这个方案太高了；
pytorch 直接在线安装会下载高版本的，用不了，需要用低版本的；

pip install torch1.8.1+cu111 torchvision0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

xmanager 连不上 是因为网络服务ssh没有开通

Failed to start sshd.service: Unit sshd.service not found.
https://blog.csdn.net/TanCairo/article/details/104363915
主要是因为防火墙没有关闭

在linux桌面上创建程序执行的图标

https://blog.csdn.net/hgq522/article/details/121326710?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121326710-blog-126240505.pc_relevant_3mothn_strategy_and_data_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121326710-blog-126240505.pc_relevant_3mothn_strategy_and_data_recovery&utm_relevant_index=1

linux 运行SVN

https://blog.csdn.net/sinolover/article/details/121244587
svn checkout https://218.94.2.162:6001/svn/jsfzzx/技术发展中心科研组/63-GeoAI2022/02GeoAI_Sub_Projects/Model_Baseline
zxx
zhouxinxin
gtis

测试GPU是否可以用？

https://jamesbobo.blog.csdn.net/article/details/103116903?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-103116903-blog-122089421.pc_relevant_multi_platform_whitelistv3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-103116903-blog-122089421.pc_relevant_multi_platform_whitelistv3&utm_relevant_index=2
代码已经写了，位置在：
/home/gtis/002project/001linux_learn/test_cuda.py

启动深度学习模型训练

会出现电脑自动重启的情况，此时需要设置降低GPU 的功率
https://blog.csdn.net/weixin_43587572/article/details/116201354

特定的网络

STANET

visdom安装与可视化

https://blog.csdn.net/weixin_44751294/article/details/115329162

Pytorch 知识点

BCWH

[batch_size，channels，width，hight]

pytorch中文帮助文档

https://pytorch-cn.readthedocs.io/zh/latest/package_references/functional/#distance-functions

visdom安装与基本用法

https://blog.csdn.net/weixin_44751294/article/details/115329162
python -m visdom.server
http://localhost:8097

pip install 安装包

pip install -U scikit-learn -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
pip install scipy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

conda 常用命令

克隆/复制虚拟环境：想在之前环境基础上再填点其他东西，但有时候会发生一些情况改变以前的环境，建议再创建一个新的环境或者直接clone一份之前的环境（推荐）。

conda create -n new_env --clone exist_env
new_env 是自己新创建的虚拟环境名称
exist_env 是被复制的已经存在的环境名称
一定要看清楚，new_env 在克隆之前 是不存在的。 exist_env虚拟环境在克隆之前是存在的。
————————————————
版权声明：本文为CSDN博主「Vertira」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Vertira/article/details/128089206

虚拟环境删除

conda remove -n 虚拟环境名称 --all

查看源信息
conda config --show-sources

恢复源的出厂设置
conda config --remove-key channels

添加新的源地址

添加清华镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

搜索时显示地址

conda config --set show_channel_urls yes

设置源ssl验证为false
conda config --set ssl_verify false

创建指定python版本的虚拟环境
conda create -n orclconn34 python=3.4

1.问题描述
window10环境下，使用Anaconda安装相关依赖包时，报错：Caused by SSLError("Can’t connect to HTTPS URL because the SSL module is not available)
2.解决办法
原因是anaconda没有安装好，环境变量没有配置成功，需要添加三条环境变量；
E:\anaconda;
E:\anaconda\Scripts;
E:\anaconda\Library\bin

虚拟环境拷贝后提示有致命错误

https://blog.csdn.net/PSpiritV/article/details/122993602?ydreferer=aHR0cHM6Ly93d3cuYmFpZHUuY29tL2xpbms%2FdXJsPWhvb0FhNW1UQTRKd3NpbGw2ZDRTTXA5ckdtLWFIVjBvT2d4VGVhU2dJeVB1eERucTZSRnd1WksxX0ZNVW83a1R5ODJUZUhTeXNQeFpwZ1doXzh3anh5OV9CSWszRElMaXNnWlVFZHNjdFVlJndkPSZlcWlkPWI2NGY1ZWY3MDAwOTJkYmEwMDAwMDAwNDY0MmFhNDBm
在新地址中激活虚拟环境，然后使用命令【python -m pip install --upgrade --force-reinstall pip】

常见报错

“OSError: [WinError 1455]页面文件太小，无法完成操作。”

https://blog.csdn.net/weixin_46133643/article/details/125042903

mklink

link（生成的文件夹链接） target(原来的文件夹）
mklink /J “D:\test1” “E:\test1”
mklink /J “E:\002code_running\01GeoAI_Main_Project\01Code\universal_platform\ai_detection\model” “E:\003AI_models\地理智能引擎2.0模型\model”

重要的参考库和URL

  • 影像变化检测awesome: https://github.com/wenhwu/awesome-remote-sensing-change-detection
  • 影像分割awesome: https://github.com/Tramac/awesome-semantic-segmentation-pytorch 这个代码值得一试；
  • 影像分割：https://gitee.com/chinawindofmay/awesome-semantic-segmentation#datasets
  • 商汤MMSegmentation：https://github.com/open-mmlab/mmsegmentation
  • 百度paddle rs: https://github.com/PaddlePaddle/PaddleRS
  • 百度paddle seg:https://github.com/PaddlePaddle/PaddleSeg
  • 遥感的各种数据集
    https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/data/dataset_summary.md
  • 变化检测数据集
    主要资源可以从sigma网站获取；http://sigma.whu.edu.cn/resource.php
    https://zhuanlan.zhihu.com/p/391557545?ivk_sa=1024320u
  • 传统变化检测方法 https://github.com/abhijeet3922/Change-Detection-in-Satellite-Imagery
  • 变化检测高分值网站：https://github.com/dgtlmoon/changedetection.io
  • swintransformer的微软项目地址：https://github.com/microsoft/Swin-Transformer
  • imagenet数据集的地址： http://image-net.org/
  • mini imagenet数据集下载地址：https://lyy.mpi-inf.mpg.de/mtl/download/Lmzjm9tX.html

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/1065250.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

力扣第100题 相同的数 c++ 二叉 简单易懂+注释

力扣第100题 相同的数 c++ 二叉 简单易懂+注释

题目 100. 相同的树 简单 给你两棵二叉树的根节点 p 和 q ，编写一个函数来检验这两棵树是否相同。 如果两个树在结构上相同，并且节点具有相同的值，则认为它们是相同的。 示例 1： 输入：p [1,2,3], q [1,2,3] 输出…
阅读更多...
代码随想录算法训练营第五十九天 | 动态规划 part 17 | 647. 回文子串、516.最长回文子序列

代码随想录算法训练营第五十九天 | 动态规划 part 17 | 647. 回文子串、516.最长回文子序列

目录 647. 回文子串思路思路2 双指针代码 516.最长回文子序列思路代码 647. 回文子串 Leetcode 思路 dp[i][j]：表示区间范围[i,j] （注意是左闭右闭）的子串是否是回文子串，如果是dp[i][j]为true，否则为false。递推公式…
阅读更多...
python和go相互调用的两种方法

python和go相互调用的两种方法

前言 Python 和 Go 语言是两种不同的编程语言，它们分别有自己的优势和适用场景。在一些项目中，由于团队内已有的技术栈或者某一部分业务的需求，可能需要 Python 和 Go 相互调用,以此来提升效率和性能。 性能优势 Go 通常比 Python 更高效&…
阅读更多...
什么是DOM（Document Object Model）？如何使用JavaScript操作DOM元素？

什么是DOM（Document Object Model）？如何使用JavaScript操作DOM元素？

聚沙成塔每天进步一点点 ⭐ 专栏简介⭐ 什么是DOM？⭐ 如何使用JavaScript操作DOM元素？1. 获取DOM元素2. 修改元素内容3. 修改元素属性4. 添加和移除元素5. 添加和移除事件监听器 ⭐ 写在最后 ⭐ 专栏简介 前端入门之旅：探索Web开发的奇妙世界…
阅读更多...
【开发篇】十七、消息：模拟订单短信通知

【开发篇】十七、消息：模拟订单短信通知

文章目录 1、消息2、JMS3、AMQP4、案例：模拟订单短信通知 相关文章： 【同步通讯与异步通讯】 1、消息 消息的发送方，即生产者。消息的接收方，即消费者。同步通信就行打视频，等着对方接电话才能继续往下，而…
阅读更多...
JDBC 【SQL注入】

JDBC 【SQL注入】

一、SQL注入🍓 (一)、SQL注入问题🥝 1.向jdbc_user表中 插入两条数据 # 插入2条数据 INSERT INTO jdbc_user VALUES(NULL,jack,123456,2020/2/24); INSERT INTO jdbc_user VALUES(NULL,tom,123456,2020/2/24);2.SQL注入演示 # SQL注入演示 -- 填写…
阅读更多...
泊车功能专题介绍 ———— AVP系统基础数据交互内容

泊车功能专题介绍 ———— AVP系统基础数据交互内容

文章目录 系统架构系统功能描述云端子系统车辆子系统场端子系统用户APP 工作流程基础数据交互内容AVP 系统基础数据交互服务车/用户 - 云基础数据交互内容车位查询工作流程技术要求数据交互要求 车位预约工作流程技术要求数据交互要求 取消预约工作流程技术要求数据交互要求 泊…
阅读更多...
利用C++开发一个迷你的英文单词录入和测试小程序-升级版本

利用C++开发一个迷你的英文单词录入和测试小程序-升级版本

我们现在有了一个本地sqlite3的迷你英文单词小测试工具，需求就跟工作当中一样是不断变更的。这里虚构两个场景，并且一步一步的完成最终升级后的小demo。 场景：数据不依赖本地sqlite3，需要支持远程访问，用目前的restfu…
阅读更多...
深入探究C++编程中的资源泄漏问题

深入探究C++编程中的资源泄漏问题

目录 1、GDI对象泄漏 1.1、何为GDI资源泄漏？ 1.2、使用GDIView工具排查GDI对象泄漏 1.3、有时可能需要结合其他方法去排查 1.4、如何保证没有GDI对象泄漏？ 2、进程句柄泄漏 2.1、何为进程句柄泄漏？ 2.2、创建线程时的线程句柄泄漏 …
阅读更多...
Dijkstra 邻接表表示算法 | 贪心算法实现--附C++/JAVA实现源码

Dijkstra 邻接表表示算法 | 贪心算法实现--附C++/JAVA实现源码

以下是详细步骤。 创建大小为 V 的最小堆，其中 V 是给定图中的顶点数。最小堆的每个节点包含顶点编号和顶点的距离值。 以源顶点为根初始化最小堆（分配给源顶点的距离值为0）。分配给所有其他顶点的距离值为 INF（无限）。 当最小堆不为空时，执行以下操作： 从最小堆中提取…
阅读更多...
JVM技术文档--JVM诊断调优工具Arthas--阿里巴巴开源工具--一文搞懂Arthas--快速上手--国庆开卷！！

JVM技术文档--JVM诊断调优工具Arthas--阿里巴巴开源工具--一文搞懂Arthas--快速上手--国庆开卷！！

​ Arthas首页 简介 | arthas Arthas官网文档 Arthas首页、文档和下载 - 开源 Java 诊断工具 - OSCHINA - 中文开源技术交流社区 阿丹： 之前聊过了一些关于JMV中的分区等等，但是有同学还是在后台问我，还有私信问我，学了这些…
阅读更多...
人工智能驱动的古彝文识别：保护和传承古彝文文化

人工智能驱动的古彝文识别：保护和传承古彝文文化

🤵‍♂️ 个人主页：艾派森的个人主页 ✍🏻作者简介：Python学习者 🐋 希望大家多多支持，我们一起进步！😄 如果文章对你有帮助的话， 欢迎评论 💬点赞&#x1f4…
阅读更多...
从零开始 Spring Cloud 13：分布式事务

从零开始 Spring Cloud 13：分布式事务

从零开始 Spring Cloud 13：分布式事务 1.分布式事务问题 用一个示例项目演示在分布式系统中使用事务会产生的问题。 示例项目的 SQL：seata_demo.sql 示例项目代码：seata-demo.zip 这个示例项目中的微服务的互相调用依赖于 Nacos&#xf…
阅读更多...
低代码平台如何借助Nginx实现网关服务

低代码平台如何借助Nginx实现网关服务

摘要：本文由葡萄城技术团队于CSDN原创并首发。转载请注明出处：葡萄城官网，葡萄城为开发者提供专业的开发工具、解决方案和服务，赋能开发者。 前言 在典型的系统部署架构中，应用服务器是一种软件或硬件系统&#xff0c…
阅读更多...
解决Ubuntu18.04安装好搜狗输入法后无法打出中文的问题

解决Ubuntu18.04安装好搜狗输入法后无法打出中文的问题

首先下载安装 搜狗拼音输入法 ，下载选择： x86_64 在ubuntu中设置 fcitx 最后发现安装好了，图标有了 ，但是使用时不能输入中文，使用下面的命令解决： sudo apt install libqt5qml5 libqt5quick5 libqt5qu…
阅读更多...
PyTorch深度学习实战（20）——从零开始实现R-CNN目标检测

PyTorch深度学习实战（20）——从零开始实现R-CNN目标检测

PyTorch深度学习实战（20）——从零开始实现R-CNN目标检测 0. 前言1. R-CNN 目标检测模型1.1 核心思想1.2 算法流程 2. 实现 R-CNN 目标检测2.1 数据集准备2.2 获取区域提议和偏移量2.3 创建训练数据2.4 构建 R-CNN 架构 3. R-CNN目标检测模型测试小结系列…
阅读更多...
【JUC系列-09】深入理解ReentrantReadWriteLock的底层实现

【JUC系列-09】深入理解ReentrantReadWriteLock的底层实现

JUC系列整体栏目 内容链接地址【一】深入理解JMM内存模型的底层实现原理https://zhenghuisheng.blog.csdn.net/article/details/132400429【二】深入理解CAS底层原理和基本使用https://blog.csdn.net/zhenghuishengq/article/details/132478786【三】熟练掌握Atomic原子系列基本…
阅读更多...
浅谈智能安全配电装置在老年人建筑中的应用

浅谈智能安全配电装置在老年人建筑中的应用

摘要：我国每年因触电伤亡人数非常多，大多数事故是发生在用电设备和配电装置。在电气事故中，无法预料和不可抗拒的事故是比较少的，大量用电事故可采取切实可行措施来预防。本文通过结合老年人建筑的特点和智能安全配电装置的功能&a…
阅读更多...
教你三步搞定VsCode调试C++

教你三步搞定VsCode调试C++

目录 1 配置编译任务2 配置调试任务3 进行调试 1 配置编译任务 使用VsCode进行C开发时，除了在机器上安装必要的编译工具（例如，gcc、g、cmake等）之外，还需要在VsCode配置编译任务，从而可以通过点击或者快捷…
阅读更多...
【MySql】mysql之进阶查询语句

【MySql】mysql之进阶查询语句

目录 一、常用查询 1、order by按关键字排序❤ 1.1 升序排序 1.2 降序排序 1.3 结合where进项条件过滤再排序 1.4 多字段排序 2、and和or判断 2.1 and和or的使用 2.2 嵌套、多条件使用 3、distinct 查询不重复记录 4、group by 对结果进行分组 5、limit限制结果…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023