多层感知机（MLP）示例

news2024/11/25 12:57:54

通过5个条件判定一件事情是否会发生，5个条件对这件事情是否发生的影响力不同，计算每个条件对这件事情发生的影响力多大，写一个多层感知机模型pytorch程序,最后打印5个条件分别的影响力。

一

在多层感知机（MLP）模型中，输入特征（本例中的5个条件）通过多个全连接层进行非线性变换，最终产生输出。与线性模型不同，MLP能够学习特征之间的复杂交互，并且通过隐藏层的激活函数引入非线性。

影响力或特征重要性的概念在MLP中并不像在线性模型中那样直接。不过，我们可以通过查看训练后模型的权重来尝试理解每个输入特征对输出的相对贡献。然而，必须注意，单个权重的解释性有限，因为它们在多层网络中与其他权重和激活函数共同作用。

以下是一个使用PyTorch实现的简单多层感知机模型，该模型通过5个条件来预测一件事情是否会发生，并在训练结束后打印出第一层全连接层的权重，作为每个条件对输出的相对重要性的近似。

import torch 
import torch.nn as nn 
import torch.optim as optim 
import numpy as np 

# 假设有5个条件作为输入特征 
num_conditions = 5 
# 隐藏层的大小 
hidden_size = 10 
# 输出层的大小（二分类问题，所以输出为1） 
num_classes = 1 
# 使用sigmoid激活函数将输出限制在0和1之间 

# 生成一些模拟数据 
np.random.seed(0) 
X = np.random.randn(100, num_conditions) # 100个样本，每个样本有5个条件 
y = (np.random.randn(100, num_classes) > 0).astype(float) # 100个样本的随机二分类标签 

# 转换为PyTorch张量 
X_tensor = torch.tensor(X, dtype=torch.float32) 
y_tensor = torch.tensor(y, dtype=torch.float32) 

# 定义多层感知机模型 
class MLP(nn.Module): 
  def __init__(self, input_size, hidden_size, output_size): 
    super(MLP, self).__init__() 
    self.fc1 = nn.Linear(input_size, hidden_size) 
    self.relu = nn.ReLU() 
    self.fc2 = nn.Linear(hidden_size, output_size) 
    self.sigmoid = nn.Sigmoid() 
    
  def forward(self, x): 
    out = self.fc1(x) 
    out = self.relu(out) 
    out = self.fc2(out) 
    out = self.sigmoid(out) 
    return out 

# 实例化模型 
model = MLP(num_conditions, hidden_size, num_classes) 

# 定义损失函数和优化器 
criterion = nn.BCELoss() # 二元交叉熵损失 
optimizer = optim.SGD(model.parameters(), lr=0.01) 

# 训练模型 
num_epochs = 1000 
for epoch in range(num_epochs): 
  # 前向传播 
  outputs = model(X_tensor) 
  loss = criterion(outputs, y_tensor) 
  
  # 反向传播和优化 
  optimizer.zero_grad() 
  loss.backward() 
  optimizer.step() 
  
  if (epoch+1) % 100 == 0: 
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}') 

# 打印第一层全连接层的权重，作为每个条件对输出的相对重要性的近似 
print("Approximate influence of each condition (based on first layer weights):") 
for i, weight in enumerate(model.fc1.weight.data.mean(dim=0)): 
  print(f"Condition {i+1}: {weight.item()}")

在这个例子中，我们训练了一个简单的MLP模型，并在训练结束后打印了第一层全连接层的权重平均值。这个平均值可以作为每个条件对最终输出重要性的一个粗略估计，但必须注意这种方法有很多局限性，并不能提供准确的影响力计算。

实际上，理解神经网络中特征的重要性是一个活跃的研究领域，涉及更复杂的技术，如梯度解释（Gradient-based explanation）、置换特征重要性（Permutation Feature Importance）或部分依赖图（Partial Dependency Plots）等。这些方法可以提供更准确的特征重要性估计，但通常需要额外的计算和分析步骤。

二

在多层感知机（MLP）模型中，输入特征（在本例中是5个条件）通过一系列全连接的隐藏层进行变换，最终产生一个输出。与线性模型不同，MLP能够学习特征之间的非线性关系。然而，直接解释MLP中每个输入特征对输出的影响力是困难的，因为特征在隐藏层中被非线性地组合和变换。

尽管如此，我们可以通过查看训练后的模型权重来尝试理解每个输入特征的重要性。一种常见的方法是计算每个特征的权重绝对值之和，这可以作为该特征在模型中总体影响力的粗略估计。但是，这种方法并不完美，因为它忽略了不同层之间的权重交互和非线性激活函数的影响。

下面是一个使用PyTorch实现的简单MLP模型，该模型通过5个条件来预测一件事情是否会发生，并在训练结束后打印出每个条件的影响力估计。

import torch 
import torch.nn as nn 
import torch.nn.functional as F 
import torch.optim as optim 

# 假设5个条件作为输入特征 
num_input_features = 5 
# 隐藏层大小 
hidden_size = 10 
# 输出层大小（二分类问题，使用单个输出单元和sigmoid激活函数） 
num_output_features = 1 

# 生成一些模拟数据 
# 注意：这里我们使用随机数据，但在实际应用中应该使用真实数据 
num_samples = 100 
X = torch.randn(num_samples, num_input_features) 
y = torch.randint(0, 2, (num_samples, num_output_features)).float() 

# 定义MLP模型 
class MLP(nn.Module): 
  def __init__(self, input_size, hidden_size, output_size): 
    super(MLP, self).__init__() 
    self.fc1 = nn.Linear(input_size, hidden_size) 
    self.fc2 = nn.Linear(hidden_size, output_size) 

  def forward(self, x): 
    x = F.relu(self.fc1(x)) 
    x = torch.sigmoid(self.fc2(x)) 
    return x 

# 实例化模型 
model = MLP(num_input_features, hidden_size, num_output_features) 

# 定义损失函数和优化器 
criterion = nn.BCELoss() # 二元交叉熵损失 
optimizer = optim.SGD(model.parameters(), lr=0.01) 

# 训练模型 
num_epochs = 100 
for epoch in range(num_epochs): 
  # 前向传播 
  outputs = model(X) 
  loss = criterion(outputs, y) 
  
  # 反向传播和优化 
  optimizer.zero_grad() 
  loss.backward() 
  optimizer.step() 
  
  if (epoch+1) % 10 == 0: 
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}') 

# 估计每个条件的影响力 
# 通过计算每个输入特征对应权重的绝对值之和 
influences = [] 
for i in range(num_input_features): 
  # 考虑到第一层权重和第二层权重的组合效应是很难的， 
  # 这里我们只计算第一层权重的影响力作为简化示例 
  influence = torch.sum(torch.abs(model.fc1.weight.data[i])) 
  influences.append(influence.item()) 

# 打印每个条件的影响力估计 
print("Estimated influence of each condition:") 
for i, influence in enumerate(influences): 
  print(f"Condition {i+1}: {influence}")

请注意，这个程序使用了一个非常简化的方法来估计每个输入条件的影响力，即通过计算第一层权重中每个输入特征对应权重的绝对值之和。这种方法忽略了网络中后续层的权重和激活函数的影响，因此只能作为影响力的粗略估计。

在实际应用中，可能需要使用更复杂的方法来解释MLP模型中的特征重要性，例如通过梯度解释方法（如Integrated Gradients或Gradient * Input）或模型无关的解释方法（如LIME或SHAP）。这些方法可以提供更准确的特征重要性估计，但它们通常需要额外的计算和分析步骤。

三

要计算每个条件对一件事情是否发生的影响力，我们可以使用多层感知机（MLP）模型。在训练完模型后，我们可以通过查看输入层到第一隐藏层的权重来近似估计每个条件的影响力。这些权重表示了网络如何根据输入条件来调整其内部的表示，并进而影响最终的输出。

以下是一个使用PyTorch实现的多层感知机模型的示例程序。这个程序将训练一个MLP来对5个条件进行建模，并在训练结束后打印出输入层到第一隐藏层的权重，作为每个条件影响力的近似。

import torch 
import torch.nn as nn 
import torch.optim as optim 
import numpy as np 

# 假设我们有5个条件作为输入特征 
num_conditions = 5 
# 隐藏层的大小 
hidden_size = 10 
# 输出层的大小（二分类问题，所以输出为1） 
output_size = 1 

# 生成一些模拟数据 
np.random.seed(0) 
X = np.random.randn(1000, num_conditions) # 1000个样本，每个样本有5个条件 
y = np.random.randint(2, size=(1000, output_size)) # 1000个样本的随机二分类标签 

# 转换为PyTorch张量，并将标签转换为float类型以计算损失 
X_tensor = torch.tensor(X, dtype=torch.float32) 
y_tensor = torch.tensor(y, dtype=torch.float32) 

# 定义多层感知机模型 
class MLP(nn.Module): 
  def __init__(self, input_size, hidden_size, output_size): 
    super(MLP, self).__init__() 
    self.fc1 = nn.Linear(input_size, hidden_size) 
    self.relu = nn.ReLU() 
    self.fc2 = nn.Linear(hidden_size, output_size) 
    self.sigmoid = nn.Sigmoid() 
    
  def forward(self, x): 
    out = self.fc1(x) 
    out = self.relu(out) 
    out = self.fc2(out) 
    out = self.sigmoid(out) 
    return out 

# 实例化模型 
model = MLP(num_conditions, hidden_size, output_size) 

# 定义损失函数和优化器 
criterion = nn.BCELoss() # 使用二元交叉熵损失 
optimizer = optim.Adam(model.parameters(), lr=0.001) 

# 训练模型 
num_epochs = 100 
for epoch in range(num_epochs): 
  # 前向传播 
  outputs = model(X_tensor) 
  loss = criterion(outputs, y_tensor) 
  
  # 反向传播和优化 
  optimizer.zero_grad() 
  loss.backward() 
  optimizer.step() 
  
  if (epoch+1) % 10 == 0: 
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}') 

# 打印输入层到第一隐藏层的权重，作为每个条件影响力的近似 
print("Approximate influence of each condition (based on input layer weights):") 
for i, weight in enumerate(model.fc1.weight.data): 
  print(f"Condition {i+1}: {weight.mean().item()}") # 取权重的平均值作为影响力的近似 

# 注意：这里取权重的平均值只是一种简化的表示方法，实际上每个隐藏节点都可能对不同的条件有不同的敏感性。  
# 更精确的影响力分析可能需要更复杂的技术，如梯度解释或置换特征重要性。

请注意，这个程序使用了模拟数据，并且输出的影响力只是基于权重的简单近似。在实际应用中，你可能需要使用真实的数据集，并且可能需要更复杂的方法来准确地量化每个条件的影响力，例如通过计算每个条件对模型输出的梯度。此外，由于神经网络的非线性性质，输入层到第一隐藏层的权重只能提供有限的洞察力，因为后续层可能会以复杂的方式组合和转换这些输入。

四

多层感知机（MLP）是一个基础的神经网络模型，它可以学习输入特征的非线性组合以进行预测。在MLP中，输入层与隐藏层之间以及隐藏层与输出层之间的权重可以被解释为特征的重要性，但要注意这种解释是间接的，因为神经网络的权重是高度交互的。

要评估每个条件对输出的影响力，一种方法是计算每个输入特征的梯度，这表示了当该特征发生微小变化时输出将如何变化。这种方法通常用于解释神经网络决策的依据，称为敏感性分析或梯度解释。

下面是一个使用PyTorch实现的多层感知机模型的示例程序，该程序通过5个条件来预测一件事情是否会发生，并在训练结束后计算并打印每个条件的影响力（通过计算梯度得到）。

import torch 
import torch.nn as nn 
import torch.nn.functional as F 
import torch.optim as optim 

# 假设我们有5个条件作为输入特征 
num_features = 5 
# 假设输出是一个二分类问题（事情发生/不发生） 
num_classes = 1 

# 生成一些模拟数据 
# 这里我们使用随机数据，但在实际应用中应该使用真实数据 
X = torch.randn(100, num_features) # 100个样本，每个样本有5个条件 
y = torch.randint(0, 2, (100, num_classes)).float() # 100个样本的随机二分类标签 

# 定义多层感知机模型 
class MLP(nn.Module): 
  def __init__(self, input_size, hidden_size, num_classes): 
    super(MLP, self).__init__() 
    self.fc1 = nn.Linear(input_size, hidden_size) 
    self.relu = nn.ReLU() 
    self.fc2 = nn.Linear(hidden_size, num_classes) 
    self.sigmoid = nn.Sigmoid() 

  def forward(self, x): 
    out = self.fc1(x) 
    out = self.relu(out) 
    out = self.fc2(out) 
    out = self.sigmoid(out) 
    return out 

# 实例化模型、损失函数和优化器 
model = MLP(num_features, 10, num_classes) 
criterion = nn.BCELoss() # 使用二元交叉熵损失 
optimizer = optim.Adam(model.parameters(), lr=0.01) 

# 训练模型 
num_epochs = 100 
for epoch in range(num_epochs): 
  optimizer.zero_grad() 
  outputs = model(X) 
  loss = criterion(outputs, y) 
  loss.backward() 
  optimizer.step() 

# 将模型设置为评估模式（关闭dropout等） 
model.eval() 

# 选择一个样本来计算条件的影响力 
sample = X[0].unsqueeze(0) 
sample.requires_grad_(True) # 启用梯度计算 

# 获取模型预测 
output = model(sample) 

# 进行反向传播前确认梯度清零。但在这里，由于是新的变量，可以不进行清零操作。
# 如果存在旧的梯度，先清零。
if sample.grad is not None:
    sample.grad.zero_()

# 计算输出关于输入的梯度 
output.backward(torch.ones_like(output)) 

# 打印每个条件的影响力（通过梯度） 
print("Influence of each condition (based on gradients):") 
for i, grad in enumerate(sample.grad.data.flatten()): 
  print(f"Condition {i+1}: {grad.item()}")

请注意，梯度的大小和方向可以解释为条件对输出的影响力。在这个例子中，我们计算了模型输出关于输入条件的梯度，并将其作为每个条件对输出发生概率的影响力。这种方法提供了一种局部的解释，即在给定样本附近，每个条件是如何影响模型预测的。

然而，这种方法有一些局限性：

梯度的大小和方向可能会随着输入样本的变化而变化。
由于神经网络的高度非线性，梯度可能只提供了局部的解释。
梯度可能会受到饱和区域（例如，sigmoid激活函数的极端值）的影响，导致梯度消失或爆炸。
因此，当使用梯度来解释神经网络决策时，应该谨慎，并结合其他解释性技术一起使用。

五

多层感知机（MLP）是一个由多个全连接层组成的神经网络，它可以学习输入特征的非线性组合以进行预测。在MLP中，每个输入特征（在本例中是5个条件）通过隐藏层被非线性地变换，并且每一层的权重表示了特征或变换后的特征在下一层中的重要性。然而，直接解释MLP中单个输入特征对输出的影响力是复杂的，因为特征在隐藏层中被组合和变换。

尽管如此，一种近似的方法是通过查看训练好的MLP模型中第一层的权重来估计每个输入条件的影响力。这些权重可以被视为网络如何初始地结合条件来形成后续层输入的表示。但请注意，这只是影响力的一个非常粗糙的估计，因为它不考虑后续层中的复杂交互和非线性变换。

以下是一个使用PyTorch实现的多层感知机模型的示例，该模型接受5个条件作为输入，并输出一个预测值，表示事情发生的可能性。在训练结束后，我们将打印出第一层的权重作为每个条件影响力的近似。

python

import torch 
import torch.nn as nn 
import torch.nn.functional as F 
import torch.optim as optim 
import numpy as np 

# 假设我们有5个条件作为输入特征 
num_conditions = 5 
# 隐藏层的大小 
hidden_size = 10 
# 输出层的大小（二分类问题，所以输出为1） 
output_size = 1 

# 生成一些模拟数据 
np.random.seed(0) 
X = np.random.randn(100, num_conditions) # 100个样本，每个样本有5个条件 
y = np.random.randint(2, size=(100, output_size)) # 100个样本的随机二分类标签 
# 将numpy数组转换为PyTorch张量 
X_tensor = torch.tensor(X, dtype=torch.float32) 
y_tensor = torch.tensor(y, dtype=torch.float32).view(-1, 1) 

# 定义多层感知机模型 
class MLP(nn.Module): 
  def __init__(self, input_size, hidden_size, output_size): 
    super(MLP, self).__init__() 
    self.fc1 = nn.Linear(input_size, hidden_size) # 第一层全连接 
    self.fc2 = nn.Linear(hidden_size, output_size) # 第二层全连接 

  def forward(self, x): 
    x = F.relu(self.fc1(x)) # 第一层后使用ReLU激活函数 
    x = torch.sigmoid(self.fc2(x)) # 输出层使用sigmoid激活函数，将输出限制在0和1之间 
    return x 

# 实例化模型 
model = MLP(num_conditions, hidden_size, output_size) 

# 定义损失函数和优化器 
criterion = nn.BCELoss() # 使用二元交叉熵作为损失函数 
optimizer = optim.Adam(model.parameters(), lr=0.01) 

# 训练模型 
num_epochs = 1000 
for epoch in range(num_epochs): 
  # 前向传播 
  outputs = model(X_tensor) 
  loss = criterion(outputs, y_tensor) 
  
  # 反向传播和优化 
  optimizer.zero_grad() 
  loss.backward() 
  optimizer.step() 
  
  if (epoch+1) % 100 == 0: 
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}') 

# 训练完成后，打印第一层的权重作为每个条件影响力的近似 
print("Approximate influence of each condition (based on first layer weights):") 
for i, weight in enumerate(model.fc1.weight.data.mean(dim=0)): 
  print(f"Condition {i+1}: {weight.item()}")

请注意，这个例子中的“影响力”是通过取第一层权重矩阵每一列的平均值来计算的。这只是一种启发式方法，并不准确反映每个条件对最终输出的实际影响力，因为它忽略了网络中后续层的复杂性和非线性。在实际应用中，可能需要使用更复杂的方法来分析神经网络中的特征重要性，如集成梯度（Integrated Gradients）或排列特征重要性（Permutation Feature Importance）。

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/1660305.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

RabbitMQ部署指南.md

RabbitMQ部署指南.md

RabbitMQ部署指南 1.单机部署 我们在Centos7虚拟机中使用Docker来安装。 1.1.下载镜像 方式一：在线拉取 docker pull rabbitmq:3.8-management方式二：从本地加载 在课前资料已经提供了镜像包： 上传到虚拟机中后，使用命令加载…
阅读更多...
超详细的胎教级Stable Diffusion使用教程（一）

超详细的胎教级Stable Diffusion使用教程（一）

这套课程分为五节课，会系统性的介绍sd的全部功能和实操案例，让你打下坚实牢靠的基础 一、为什么要学Stable Diffusion，它究竟有多强大？ 二、三分钟教你装好Stable Diffusion 三、小白快速上手Stable Diffusion 四、Stable dif…
阅读更多...
【网络安全入门】新手如何参加护网行动？一篇带你零基础入门到精通

【网络安全入门】新手如何参加护网行动？一篇带你零基础入门到精通

前言 “没有网络安全就没有国家安全”。 当前，网络安全已被提升到国家战略的高度，成为影响国家安全、社会稳定至关重要的因素之一。 一、网络安全行业特点 行业发展空间大，岗位非常多 网络安全行业产业以来，随即新增加了几十个…
阅读更多...
Django 管理员登录安全 OTP双因素认证

Django 管理员登录安全 OTP双因素认证

目前安全双因素 最基本的，django管理员 默认直接登录的。 本项目环境:Django 2.0.13django-otp 0.9.3 1 安装pip3 install django-otp0.9.3 2 配置文件 vim api_statistics/settings.py INSTALLED_APPS里增加django_otp,django_otp.plugins.otp_totp,MIDDLEWARE…
阅读更多...
出海企业必备神器：海外云手机的秘密你了解多少？

出海企业必备神器：海外云手机的秘密你了解多少？

在全球化日益加速的今天，出海企业面临着前所未有的机遇与挑战。如何才能以一个较低的成本打入海外市场，实现业务的高速增长？答案就是——海外云手机！ 一、为何海外云手机成为出海企业的必备神器？ 突破地域限制&#xf…
阅读更多...
videosapi、强大的微信管理api

videosapi、强大的微信管理api

接口地址：videosapi.com 同步个人收藏夹 {"appId": "{{appid}}","syncKey": "" } 出参 {"ret": 200,"msg": "操作成功","data": {"syncKey": "CAESCAgBEJyi9e4…
阅读更多...
Python扫描发送邮件

Python扫描发送邮件

一、具体要求 编写 python 代码，扫描指定的目录下的所有文件，将这些扫描的文本内容邮 件发送到指定邮箱( 自己的 qq 邮箱 ) 示例如下： 使用QQ邮箱SMTP服务器需要获取QQ邮箱授权码，获取方式可参考以下链接： 电子邮件 二…
阅读更多...
【千帆平台】使用AppBuilder零代码创建应用，然后通过OpenAPI方式调用应用

【千帆平台】使用AppBuilder零代码创建应用，然后通过OpenAPI方式调用应用

欢迎来到《小5讲堂》 这是《千帆平台》系列文章，每篇文章将以博主理解的角度展开讲解。 温馨提示：博主能力有限，理解水平有限，若有不对之处望指正！ 目录 前言创建API密钥调用文档调用说明API服务域名通信协议字符编码公…
阅读更多...
企业短信群发被拦截的原因

企业短信群发被拦截的原因

企业短信群发作为一种高效的营销手段，被越来越多的企业所采用。也经常会面临被拦截的问题，这给企业带来了沉重的损失。本文将探讨企业群发被拦截的原因，并寻找解决办法。 频率过高 频率过高是导致企业群发被拦截的常见原因之一。当企业的频率…
阅读更多...
淘宝扭蛋机小程序开发：探索未知，扭出惊喜

淘宝扭蛋机小程序开发：探索未知，扭出惊喜

一、引领潮流，创新体验 在淘宝这片购物海洋中，我们总是寻求为您带来不一样的惊喜和乐趣。今天，我们正式推出淘宝扭蛋机小程序，将传统扭蛋的趣味与电商购物的便捷完美结合，为您带来前所未有的购物新体验。 二、扭蛋机…
阅读更多...
摩菲Murphy显示器显示表 总线编程器维修PV780B

摩菲Murphy显示器显示表 总线编程器维修PV780B

Murphy仪器维修包括：摩菲数字显示器；摩菲监视仪表；摩菲CAN总线控制器等维修 维修故障包括：黑屏、指示灯无显示，触摸屏上电无反应， 上电蓝屏、白屏，通电几分钟后屏幕变为蓝屏，主板故…
阅读更多...
vue2后台管理项目

vue2后台管理项目

一:项目准备 1)拉取模板代码 远程仓库复制到本地仓库. 2)安装后的项目 路径 code 文件夹 会打开vscode的文件夹. 3)安装vetur和eslint插件可以保存时自动修改不规范的地方. 4)App内有一级路由,路由组件导入如果是layout架子,会导入的是文件夹下的index.js没有则导入index.v…
阅读更多...
副业兼职没那么难，视频号带货，1天稳定500，适合新手操作

副业兼职没那么难，视频号带货，1天稳定500，适合新手操作

向大家推荐一个项目：视频号书单号带货玩法。我已经实践了一段时间，并成功售出了1200多单，赚取了2万多元。这个项目表现相当出色，强烈推荐给大家！ 周周近财：让网络小白少花冤枉钱，赚取第一桶金 …
阅读更多...
使用Three.js开发一个3D案例Demo

使用Three.js开发一个3D案例Demo

使用Three.js开发一个3D案例 最近在找工作，发现好多招聘要求都需要会Three.js，以前接触比较多的是2D开发，也就是平面开发，用到的做多的技术就是d3.js，现在3D开发已经成为了大势所趋，所以就学习下Three.js。…
阅读更多...
我国结肠镜市场规模逐渐扩大 国产化率有所增长

我国结肠镜市场规模逐渐扩大 国产化率有所增长

我国结肠镜市场规模逐渐扩大 国产化率有所增长 结肠镜是专用于检查结肠内部的医疗器械，属于内窥镜的细分品类之一。结肠镜具有特殊的设计，可以检查结肠壁的状态、寻找肠道中的异常病变和息肉等，在筛查结肠癌、检测炎症性肠病等方面发挥着十分…
阅读更多...
【深度学习Labelme】使用Segment Anything Model (SAM)快速打标，labelme多边形转yolo txt框看看对不对

【深度学习Labelme】使用Segment Anything Model (SAM)快速打标，labelme多边形转yolo txt框看看对不对

文章目录 windows安装环境打开labelme自动保存勾选上，保存图片数据不要勾选选SAM精准模型，然后打开图片路径，然后点击创建AI多边形：鼠标点击确认物体控制点，确认完成后，双击鼠标完成选取，并给上…
阅读更多...
各种数据获取stream流的方式

各种数据获取stream流的方式

1.单列集合&#xff08;直接调用&#xff09; ArrayList<Integer> list new ArrayList<>();list.stream(); 2.双列集合 HashMap<String, Integer> map new HashMap<>();map.put("aaa",111);map.put("bbb",222);map.put("c…
阅读更多...
101_Linux文件挂载系统相关

101_Linux文件挂载系统相关

一、文件系统简介 传统的磁盘与文件系统应用中,一个分区就只能够被格式化成为一个文件系统,所以我们可以说一个文件系统就是一个硬盘分区。 随着新技术的出现如LMM与软件磁盘阵列software raid),这些技术可以将一个分区格式化为多个文件系统(例如LWM),也能够将多个分区合成一…
阅读更多...
[图解]分层架构是DDD提出的吗

[图解]分层架构是DDD提出的吗

1 00:00:00,040 --> 00:00:02,640 今天我们来说一下分层架构 2 00:00:04,310 --> 00:00:06,730 我经常看到一些文章 3 00:00:06,740 --> 00:00:10,390 或者是在开发团队里面看到 4 00:00:10,400 --> 00:00:12,940 有开发人员说&#xff0c;分层架构 5 00:00:12…
阅读更多...
centos7下fastdfs分布式部署

centos7下fastdfs分布式部署

需要先在159及120服务器上安装fastdfs服务 可参考&#xff1a;centos7部署FastDFS服务_centos fastdfs 增加到服务中-CSDN博客 1、整体架构&#xff0c;使用3个服务器节点&#xff0c;其中两台为跟踪器节点及存储节点&#xff0c;一台服务器搭建nginx做统一入口进行负载均衡 …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023