pytorch——猫狗识别

news2024/11/24 4:51:25

猫狗识别

  • 训练模型
    • 导入需要的包
    • 数据加载
    • 数据预处理
    • 加载数据集并返回对应的图像和标签
    • 提取标签信息
    • 创建训练和测试的数据加载器
    • 图像分类
      • CNN的卷积神经网络模型
      • MYVGG的卷积神经网络模型
      • AlexNet的卷积神经网络模型
    • 训练过程
    • 测试过程
    • 定义了一个主函数
  • 测试模型
    • 导入需要的库
    • 加载之前训练好的模型
    • 加载新的测试图片并进行预处理
    • 对图片进行预处理
    • 对新图片进行预处理转换,并添加一个batch维度
    • 使用训练好的模型进行推理
    • 显示新的测试图片
    • 运行结果:

训练模型

导入需要的包

import torch:导入PyTorch深度学习框架。 from torch import optim:从torch模块中导入optim优化器,用于模型的优化。 import torch.nn as nn:导入torch.nn模块,其中包含了神经网络的相关函数和类。 from torch.autograd import Variable:从torch.autograd模块导入Variable类,用于封装张量并支持自动求导。 from torchvision import transforms:从torchvision模块导入transforms,用于数据的预处理和增强。
from torch.utils.data import Dataset, DataLoader:从torch.utils.data模块导入Dataset和DataLoader类,用于自定义数据集和数据加载。
from PIL import Image:从PIL库中导入Image模块,用于处理图像数据。 import torch.nn.functional as F:导入torch.nn.functional模块并给其命名为F,其中包含了一些常用的函数,如激活函数、损失函数等。

import torch
from torch import optim
import torch.nn as nn
from torch.autograd import Variable
from torchvision import transforms
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import torch.nn.functional as F

数据加载

接收一个路径 path,使用PIL库中的 Image.open 方法打开指定路径的图像文件,然后通过
convert('RGB') 方法将图像转换为RGB格式。最后将转换后的图像返回。

def Myloader(path):
return Image.open(path).convert('RGB')

数据预处理

得到一个包含路径与标签的列表 该函数用于初始化数据并生成包含路径和标签的列表。函数会调用 find_label(path) 函数来获取路径
path 对应的标签。然后通过循环从 lens[0] 到 lens[1],依次生成包含路径和标签的列表项,将其添加到 data 列表中。

def init_process(path, lens):
    data = []
    name = find_label(path)
    for i in range(lens[0], lens[1]):
        data.append([path % i, name])

    return data

加载数据集并返回对应的图像和标签

init 方法:类的初始化方法,接收三个参数 data、transform、loader,分别表示数据集、数据转换操作、数据加载器。在初始化过程中,将这三个参数保存在类的成员变量中。

getitem 方法:用于获取数据集中指定索引 item 的数据。首先从 self.data 中根据索引 item 获取图像路径 img 和标签 label。然后通过 self.loader 加载图像,并通过 self.transform
进行图像的转换操作。最后返回经过加载和转换后的图像 img 和对应的标签 label。

len 方法:返回数据集的长度,即数据集中样本的数量。

class MyDataset(Dataset):

    def __init__(self, data, transform, loder):
        self.data = data
        self.transform = transform
        self.loader = loder

    def __getitem__(self, item):
        img, label = self.data[item]
        img = self.loader(img)
        img = self.transform(img)
        return img, label

    def __len__(self):
        return len(self.data)

提取标签信息

函数首先定义了两个变量first和last,分别用于记录标签字符串的起始位置和结束位置,并初始化为0。
然后通过循环遍历给定的路径字符串str,从末尾向前查找符号’%‘和’.‘,以及字符’c’或’d’和’/‘进行位置的提取。
最后根据提取的起始和结束位置,截取标签字符串name。 如果截取的标签字符串为’dog’,则返回标签值1;否则返回标签值0。

def find_label(str):
    first, last = 0, 0
    for i in range(len(str) - 1, -1, -1):
        if str[i] == '%' and str[i - 1] == '.':
            last = i - 1
        if (str[i] == 'c' or str[i] == 'd') and str[i - 1] == '/':
            first = i
            break

    name = str[first:last]
    if name == 'dog':
        return 1
    else:
        return 0

创建训练和测试的数据加载器

首先创建了一个图像转换操作transform,包括随机水平翻转、随机垂直翻转、调整大小为(256, 256)、转换为张量以及标准化的操作。

然后定义了四个路径变量path1、path2、path3、path4,分别表示训练集中猫的图像路径模板、训练集中狗的图像路径模板、测试集中猫的图像路径模板、测试集中狗的图像路径模板。

对每个路径使用init_process函数初始化数据,数据范围为[0, 500]和[1000,
1200],并将数据存储在相应的data1、data2、data3、data4列表中。

组合一部分训练数据和标签数据,创建训练数据集train实例,剩余数据用于测试数据集test实例。
使用DataLoader类分别创建训练数据加载器train_data和测试数据加载器test_data,设置批量大小、是否打乱数据和工作进程数。

最后返回训练数据加载器train_data和测试数据加载器test_data。

def load_data():
    transform = transforms.Compose([
        transforms.RandomHorizontalFlip(p=0.3),
        transforms.RandomVerticalFlip(p=0.3),
        transforms.Resize((256, 256)),
        transforms.ToTensor(),
        transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))])
    path1 = 'D:/probject/pythonProject1/pytorch/data/training_data/cats/cat.%d.jpg'
    data1 = init_process(path1, [0, 500])
    path2 = 'D:/probject/pythonProject1/pytorch/data/training_data/dogs/dog.%d.jpg'
    data2 = init_process(path2, [0, 500])
    path3 = 'D:/probject/pythonProject1/pytorch/data/testing_data/cats/cat.%d.jpg'
    data3 = init_process(path3, [1000, 1200])
    path4 = 'D:/probject/pythonProject1/pytorch/data/testing_data/dogs/dog.%d.jpg'
    data4 = init_process(path4, [1000, 1200])
    # 1300个训练
    train_data = data1 + data2 + data3[0: 150] + data4[0: 150]

    train = MyDataset(train_data, transform=transform, loder=Myloader)
    # 100个测试
    test_data = data3[150: 200] + data4[150: 200]
    test = MyDataset(test_data, transform=transform, loder=Myloader)

    train_data = DataLoader(dataset=train, 
                            batch_size=10, shuffle=True, num_workers=0)
    test_data = DataLoader(dataset=test, 
                           batch_size=1, shuffle=True, num_workers=0)

    return train_data, test_data

图像分类

CNN的卷积神经网络模型

这段代码定义了一个名为CNN的卷积神经网络模型,用于图像分类任务,并定义了其前向传播方法forward。
在__init__方法中,定义了卷积层conv1和conv2,池化层pool,以及全连接层output和dp1(Dropout层)。

在forward方法中,对输入数据x进行前向传播计算,首先通过第一个卷积层conv1和池化层进行特征提取和下采样,然后经过第二个卷积层conv2和池化层继续提取特征和下采样。

接着将特征张量展平为一维向量,通过dp1(Dropout)进行正则化处理,最后通过全连接层output生成最终输出,其中output的输出维度是二分类(2个类别)。

# 三种网络择优选择其中一种即可
class CNN(nn.Module):
    def __init__(self, num_classes=2):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1) 
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 16, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.output = nn.Linear(16 * 64 * 64, 2)  
        self.dp1 = nn.Dropout(p=0.5)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        temp = x.view(x.size()[0], -1)
        x = self.dp1(x)
        output = self.output(temp)
        return output, x

这段代码是一个定义了名为MYVGG的卷积神经网络模型,类似于VGG网络结构,用于图像分类任务。在该模型中,包括8个卷积层和池化层的组合,最后连接一个全连接层和Dropout层。

__init__方法中初始化了模型的网络层。每个卷积层后面跟着一个最大池化层。卷积核数量和大小逐渐增加,通过池化层逐步减小特征图的尺寸。

最后一个卷积层的输出经过展平操作后,经过一个Dropout层进行正则化处理。

输出通过全连接层output生成最终的分类结果。

forward方法定义了模型的前向传播过程。输入数据经过一系列的卷积、激活函数ReLU和池化操作,最终通过全连接层和Dropout层得到输出。

MYVGG的卷积神经网络模型

class MYVGG(nn.Module):
    def __init__(self, num_classes=2):
        super(MYVGG, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(64, 64, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv3 = nn.Conv2d(64, 128, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv4 = nn.Conv2d(128, 128, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv5 = nn.Conv2d(128, 256, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv6 = nn.Conv2d(256, 256, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv7 = nn.Conv2d(256, 512, 3,padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv8 = nn.Conv2d(512, 512, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.output = nn.Linear(512, num_classes)
        self.dp1 = nn.Dropout(p=0.5)


    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = self.pool(F.relu(self.conv3(x)))
        x = self.pool(F.relu(self.conv4(x)))
        x = self.pool(F.relu(self.conv5(x)))
        x = self.pool(F.relu(self.conv6(x)))
        x = self.pool(F.relu(self.conv7(x)))
        x = self.pool(F.relu(self.conv8(x)))
        temp = x.view(x.size()[0], -1)
        x = self.dp1(x)
        output = self.output(temp)
        return output, x

AlexNet的卷积神经网络模型

AlexNet的卷积神经网络模型,类似于AlexNet网络结构,用于图像分类任务。在该模型中,包括5个卷积层和池化层的组合,最后连接一个全连接层和Dropout层。

__init__方法中初始化了模型的网络层。每个卷积层后面跟着一个最大池化层。卷积核数量和大小逐渐增加,通过池化层逐步减小特征图的尺寸。

最后一个卷积层的输出经过展平操作后,经过一个Dropout层进行正则化处理。

输出通过全连接层output生成最终的分类结果。

forward方法定义了模型的前向传播过程。输入数据经过一系列的卷积、激活函数ReLU和池化操作,最终通过全连接层和Dropout层得到输出。

class AlexNet(nn.Module):
    def __init__(self):
        super(AlexNet,self).__init__()
        self.conv1 = nn.Conv2d(3, 32, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(32, 64, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv3 = nn.Conv2d(64, 128, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv4 = nn.Conv2d(128, 256, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv5 = nn.Conv2d(256, 512, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.output = nn.Linear(in_features=512 * 6 * 6,
                                out_features=2)
        self.dp1 = nn.Dropout(p=0.5)
        
        
    def forward(self,x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = self.pool(F.relu(self.conv3(x)))
        x = self.pool(F.relu(self.conv4(x)))
        x = self.pool(F.relu(self.conv5(x)))
        temp = x.view(x.shape[0], -1)
        x = self.dp1(x)
        output = self.output(temp)
        return output, x

训练过程

代码实现了一个简单的训练过程,包括数据加载、模型定义、优化器设置、损失函数定义、循环训练和参数保存等步骤。 train_loader, test_loader = load_data():加载训练和测试数据集。 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu'):检测是否有可用的GPU,将模型放到对应的设备上。
model = AlexNet().to(device):实例化AlexNet模型并将其移动到指定的设备上。 optimizer = optim.Adam(model.parameters(), lr=0.00004):定义Adam优化器,并传入模型参数和学习率。
criterion = nn.CrossEntropyLoss().to(device):定义交叉熵损失函数,用于计算预测值和目标值之间的损失。

训练循环中,遍历每个epoch和每个batch: optimizer.zero_grad():梯度清零。 output = model(data)[0]:通过模型进行前向传播。 loss = criterion(output, target):计算损失值。
loss.backward():反向传播计算梯度。 optimizer.step():更新模型参数。 打印每个迭代的训练损失信息。
通过torch.save()函数,模型在训练完成后会保存在指定路径下。

def train():
    train_loader, test_loader = load_data()
    epoch_num = 20
    # GPU计算
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = AlexNet().to(device)
    optimizer = optim.Adam(model.parameters(), lr=0.00004)
    criterion = nn.CrossEntropyLoss().to(device)
    for epoch in range(epoch_num):
        for batch_idx, (data, target) in enumerate(train_loader, 0):
            data, target = Variable(data).to(device), Variable(
                    target.long()).to(device)
            optimizer.zero_grad()  # 梯度清0
            output = model(data)[0]  # 前向传播
            loss = criterion(output, target)  # 计算误差
            loss.backward()  # 反向传播
            optimizer.step()  # 更新参数
            if batch_idx % 10 == 0:
                print('Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                    epoch, batch_idx * len(data), len(train_loader.dataset),
                           100. * batch_idx / len(train_loader), loss.item()))

    torch.save(model, 'D:/probject/pythonProject1/pytorch/cnn.pkl')

测试过程

用于评估训练好的模型在测试集上的准确率 test()函数首先加载训练和测试数据集,并检测可用的设备(GPU或CPU)。
model =torch.load('D:/probject/pythonProject1/pytorch/cnn.pkl'):加载之前训练好的模型。

在测试循环中,遍历测试集中的每个数据样本: 将图像数据和标签移动到指定的设备上。 通过加载的模型进行前向传播,得到预测输出。
通过torch.max(outputs.data, 1)[1].data获取预测的类别。
统计总样本数total和预测正确的样本数current。

最后,计算模型在测试集上的准确率,并打印输出。准确率的计算方式是正确预测的样本数除以总样本数,然后乘以100以得到百分比表示。

def test():
    train_loader, test_loader = load_data()
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = torch.load('D:/probject/pythonProject1/pytorch/cnn.pkl')  # load model
    total = 0
    current = 0
    for data in test_loader:
        images, labels = data
        images, labels = images.to(device), labels.to(device)
        outputs = model(images)[0]

        predicted = torch.max(outputs.data, 1)[1].data
        total += labels.size(0)
        current += (predicted == labels).sum()

print('Accuracy: %d %%' % (100 * current / total))

定义了一个主函数

用于执行训练和测试过程 train()和test()函数是前面解释过的训练和测试过程,分别进行模型训练和测试。
if __name__ == '__main__'::判断是否是主程序入口,即在作为主程序运行时执行以下代码。
train():首先执行训练过程。
test():之后执行测试过程,评估训练好的模型在测试集上的准确率。

if __name__ == '__main__':
    train()
test()

运行结果:
在这里插入图片描述

测试模型

导入需要的库

torch:PyTorch深度学习框架。 transforms:用于图像预处理的模块。 Image:用于处理图像的PIL库。
torch.nn.functional as F:包含了各种神经网络的函数接口。
matplotlib.pyplot as plt:用于可视化的库。

import torch
from torchvision import transforms
from PIL import Image
import torch.nn.functional as F
import matplotlib.pyplot as plt

加载之前训练好的模型

# 加载模型
model = torch.load('D:/probject/pythonProject1/pytorch/cnn.pkl')

加载新的测试图片并进行预处理

# 加载新图片
new_image_path = 'noise.jpg'  # 请替换为新图片的路径
img = Image.open(new_image_path).convert('RGB')

对图片进行预处理

transforms.Compose()定义了一系列的图像预处理操作,包括调整大小、转换为张量、归一化等。

transform = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.ToTensor(),
    transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))
])

对新图片进行预处理转换,并添加一个batch维度

img = transform(img)
img = img.unsqueeze(0)  # 添加batch维度

使用训练好的模型进行推理

output, _ = model(img):使用模型进行前向传播,并获取输出结果。
通过torch.max(output, 1)[1].item()获取预测类别。

output, _ = model(img)
predicted_class = torch.max(output, 1)[1].item()

展示分类结果和图片

class_names = ['cat', 'dog']
print("Predicted class:", class_names[predicted_class])

显示新的测试图片

plt.imshow(img.squeeze().numpy().transpose((1, 2, 0)))
plt.show()

运行结果:

在这里插入图片描述

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/1794864.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

【Pytorch】深入Pytorch模型的训练、log、可视化

文章目录 模型训练的模板综合案例-Pytorch 官网demo优化记录日志解析日志增加tensorboard数据记录保存训练曲线模型参数可视化增加wandb数据记录模型训练的模板 综合案例-Pytorch 官网demo pytorch 官网tutorial-quickstart https://blog.csdn.net/weixin_39107270/article/de…

服务器硬件基础知识学习

服务器硬件基础知识涵盖了从CPU到存储,再到网络连接和总线技术等关键组件。 1. 处理器 - 两大流派:我们常用的处理器主要分为Intel和AMD两大阵营。Intel的Xeon系列和AMD的EPYC系列都是专为服务器设计的,它们支持多核处理,能够应对…

Camtasia Studio2024破解汉化版crack安装包下载地址

在当今数字化时代,视频内容已成为传播信息和吸引观众的重要方式。无论是企业宣传、在线教育还是个人创作,一款功能强大的视频编辑软件都是必不可少的工具。而Camtasia Studio2024作为业界领先的视频编辑软件,其永久免费版及最新版本的功能更是…

程序员为什么要学习AI大模型?

前言 在科技浪潮的推动下,人工智能(AI)技术已经成为推动软件行业发展的核心动力。而在AI技术的众多分支中,AI大模型以其巨大的潜力和广泛的应用场景,逐渐成为了程序员们关注的焦点。本文将从程序员的角度出发&#xf…

MoE-LLaVA:为大型视觉-语言模型引入专家混合

随着人工智能技术的飞速发展,大型视觉-语言模型(LVLMs)在图像理解和自然语言处理方面展现出了巨大的潜力。这些模型通过结合图像编码器和语言模型,能够处理包括图像描述、视觉问答和图像字幕生成等在内的多种任务。然而&#xff0…

Python办公自动化文件自动分类

Python文件自动分类是指使用Python编程语言编写程序,根据特定的规则或条件将计算机上的文件自动归类到不同的文件夹中。这种功能在日常工作中非常有用,特别是在处理大量不同格式的文件时,可以帮助用户快速整理和检索文件。 在Python中&#…

申请到对账全流程贯通,报销竟能如此丝滑?

差旅一键出行,报销太烦恼?面对成堆的发票和繁琐的报销流程,不是错漏,便是杂乱,出行人郁闷,财务也头疼。今天带大家看看,当申请到对账全流程贯通后,员工出差将是怎样的新体验? 一、一…

C++11:列表初始化 初始化列表initializer_list

前言 2003年C标准委员会曾经提交了一份技术勘误表(简称TC1),使得C03这个名字取代了C98成为了C11前最新的C标准名称。不过由于C03主要是对C98标准中的漏洞进行修复,语言的核心部分则没有改动,因此人们习惯性的把两个标准…

扣子工作流实战案例教程,手把手教你搭建一个图书管理工作流

🧙‍♂️ 诸位好,吾乃斜杠君,编程界之翘楚,代码之大师。算法如流水,逻辑如棋局。 📜 吾之教程,内含诸般技术之秘诀。吾欲以此笔记,传授编程之道,助汝解技术难题。 &#…

STM32 音乐播放器之音频入门实验(pwm、dac、.wav、.mp3)

1.pwm实现简易电子琴实验 1.改变PWM频率,输出不同音调 2.改变占空比,调节音量大小 3.按键弹奏,支持按按键录取弹奏音 4.播放:中高低音;录取音;指定歌曲 5.支持按上一首,下一首,调弹奏速度&#…

C++设计模式-外观模式,游戏引擎管理多个子系统,反汇编

运行在VS2022,x86,Debug下。 30. 外观模式 为子系统定义一组统一的接口,这个高级接口会让子系统更容易被使用。应用:如在游戏开发中,游戏引擎包含多个子系统,如物理、渲染、粒子、UI、音频等。可以使用外观…

数据分析每周挑战——心衰患者特征数据集

这是一篇关于医学数据的数据分析,但是这个数据集数据不是很多。 背景描述 本数据集包含了多个与心力衰竭相关的特征,用于分析和预测患者心力衰竭发作的风险。数据集涵盖了从40岁到95岁不等年龄的患者群体,提供了广泛的生理和生活方式指标&a…

Web3开发框架分析

Web3开发框架旨在简化区块链和去中心化应用(DApp)的开发过程,为开发者提供必要的工具和库。以下是一些主要的Web3开发框架。北京木奇移动技术有限公司,专业的软件外包开发公司,欢迎交流合作。 1.Truffle Suite Truffl…

GB28181安防视频融合汇聚平台EasyCVR如何实现视频画面自定义标签?

安防视频融合汇聚平台EasyCVR兼容性强,可支持Windows系统、Linux系统以及国产化操作系统等,平台既具备传统安防视频监控的能力,也具备接入AI智能分析的能力,可拓展性强、视频能力灵活,能对外分发RTMP、RTSP、HTTP-FLV、…

25 - 销售分析III(高频 SQL 50 题基础版)

25 - 销售分析III -- where 是分组之前筛选数据 -- having 是分组之后筛选数据selectp.product_id,p.product_name fromSales s left join Product p on s.product_idp.product_id group byproduct_id havingmin(sale_date) >"2019-01-01" and max(sale_date)&…

使python技能飙升的5个实用F-String技巧

前言 python中存在着一些奇奇怪怪的语法,了解这些语法可以使我们在编写程序时事半功倍,不了解的则会使我们产生疑惑。今天,我们来了解一下python中关于f-string的5个实用的小技巧。 技巧一:数字分隔 num 1000000000 print(-*20)print(f{n…

传统的老程序员转向人工智能需要准备好这三件事情,你知道吗?

前言 人类文明的进步有时候快的吓人,在我们父辈上街买菜还是以一毛为计量买菜的时代,其实过去了也没有多长时间。现在买菜接近10块为准了,正常在集市上喊着怎么卖?摊主喊着三斤,包含的意思是10块钱三斤。相隔这么多年…

翘首以盼的抗锯齿

Antialiasing 实际的图形学中是怎么实现反走样的呢? 我们不希望实际产出的图形有锯齿效果,那怎么办呢? 从采样的理论开始谈起吧 Simpling theory 照片也是一种采样,把景象打散成像素放到屏幕上的过程: 还可以在不…

统信UOS SSH服务升级(ubuntu20)内网

服务器配置 系统信息 SSH版本 目标版本 openssh-server_8.2p1-4_arm64.deb 因为不通互联网,所以所有deb包需要手动下载(可以连接互联网的可以自动忽略手动下载deb步骤,直接apt-get install xxx 即可) 升级步骤 !!!deb下载方式…

开源低代码平台技术为数字化转型赋能!

实现数字化转型升级是很多企业未来的发展趋势,也是企业获得更多发展商机的途径。如何进行数字化转型?如何实现流程化办公?这些都是摆在客户面前的实际问题,借助于开源低代码平台技术的优势特点,可以轻松助力企业降低开…