【机器学习】使用Python实现图神经网络（GNN）：图结构数据的分析与应用

news2025/2/25 10:25:42

在这里插入图片描述

🔥 个人主页：空白诗

在这里插入图片描述

文章目录

    • 一、引言
    • 二、图神经网络的基础知识
      • 1. 图的基本概念和术语
      • 2. 传统的图分析方法
      • 3. 图神经网络的基本原理
      • 4. GNN的基本模型
    • 三、主要的图神经网络模型
      • 1. 图卷积网络（Graph Convolutional Network, GCN）
      • 2. 图注意力网络（Graph Attention Network, GAT）
      • 3. 图自编码器（Graph Autoencoder）
      • 4. 图对抗网络（Graph GANs）
    • 四、图神经网络的应用场景
      • 1. 社交网络分析
      • 2. 生物信息学
      • 3. 化学分子图
      • 4. 交通网络
      • 5. 自然语言处理
    • 五、总结

在这里插入图片描述

一、引言

在现代数据分析中，图数据因其能够自然地表示对象及其相互关系，越来越受到关注。图结构在许多实际应用中普遍存在，如社交网络中的用户关系、化学分子中的原子和键、生物信息学中的基因交互网络、交通系统中的道路和交叉口等。传统的数据分析方法在处理这些复杂的图结构数据时常常力不从心，难以充分挖掘其中的潜在信息。

图神经网络（Graph Neural Networks, GNNs）作为一种新兴的机器学习方法，能够有效地处理和分析图结构数据。GNNs通过传播机制（message passing）在图的节点和边之间传播信息，捕捉复杂的节点间关系和图的全局结构，从而实现对图数据的深层次理解和高效处理。近年来，随着深度学习技术的发展，GNNs在多个领域取得了显著的成果，成为研究热点。

本文旨在系统地介绍图神经网络的基本原理、主要模型及其在不同应用场景中的实际案例。首先，我们将概述图的基本概念及传统图分析方法，接着深入探讨GNN的主要模型和应用，最后讨论当前GNN研究面临的挑战与未来发展方向。通过本文的介绍，读者将能够全面了解图神经网络这一强大工具在图结构数据分析中的潜力与应用前景。

二、图神经网络的基础知识

在这里插入图片描述

1. 图的基本概念和术语

在深入理解图神经网络之前，首先需要了解图的基本概念及其相关术语。

  • 节点（Node）：图中的基本元素，表示实体或对象。
  • 边（Edge）：连接节点的线，表示节点间的关系。
  • 邻接矩阵（Adjacency Matrix）：用矩阵形式表示图中节点之间连接关系的矩阵。

例如，一个简单的无向图可以表示为：

边
边
边
节点 A
节点 B
节点 C
  • 图的类型：
    • 无向图（Undirected Graph）：边没有方向。
    • 有向图（Directed Graph）：边具有方向。
    • 加权图（Weighted Graph）：边带有权重，表示关系的强度。

2. 传统的图分析方法

在图神经网络之前，传统的图分析方法主要包括：

  • 最短路径算法：如Dijkstra算法，用于计算两个节点之间的最短路径。
  • PageRank算法：用于评估节点在图中的重要性，广泛应用于网页排名。

3. 图神经网络的基本原理

图神经网络通过一种称为传播机制（Message Passing）的过程来实现信息在图中节点和边之间的传递与更新。具体来说，GNN的基本原理包括以下几个步骤：

  1. 消息传递（Message Passing）：每个节点从其邻居节点接收信息。
  2. 信息聚合（Aggregation）：将接收到的邻居节点信息进行聚合，通常使用求和、平均或最大值等操作。
  3. 状态更新（Update）：根据聚合的邻居信息和节点自身的信息更新节点状态。

可以用下图示来表示消息传递和信息聚合过程：

Update
Aggregation
Message Passing
发送消息
发送消息
发送消息
发送消息
发送消息
发送消息
聚合邻居消息
使用新状态
节点 B的最终状态
节点 B的新状态
节点 B
节点 A
节点 C

4. GNN的基本模型

图神经网络的基本模型通过上述过程在多层网络中逐层传播和聚合信息。以下是几种主要的GNN模型：

  • 图卷积网络（Graph Convolutional Network, GCN）：利用卷积操作在图上进行信息聚合，能够捕捉局部图结构特征。
  • 图注意力网络（Graph Attention Network, GAT）：引入注意力机制，为每个邻居节点分配不同的权重，从而实现更灵活的信息聚合。
  • 图自编码器（Graph Autoencoder）：通过编码器-解码器结构实现图数据的自监督学习。
  • 图对抗网络（Graph GANs）：利用生成对抗网络在图结构数据中生成和判别节点及边的信息。

通过对这些模型的理解，可以更好地应用GNN处理实际的图结构数据。接下来，我们将详细介绍这些主要的图神经网络模型及其应用。

三、主要的图神经网络模型

图神经网络（GNN）在近年来的发展中涌现出多种模型，每种模型都有其独特的优势和应用场景。以下是几种主要的GNN模型及其基本原理和应用示例。

1. 图卷积网络（Graph Convolutional Network, GCN）

GCN利用卷积操作在图结构数据上进行信息聚合，能够有效捕捉局部图结构特征。GCN的核心思想是通过节点的邻居节点信息来更新该节点的表示。

GCN的前向传播公式为：

H ( l + 1 ) = σ ( D − 1 2 A D − 1 2 H ( l ) W ( l ) ) H^{(l+1)} = \sigma \left( D^{-\frac{1}{2}} A D^{-\frac{1}{2}} H^{(l)} W^{(l)} \right) H(l+1)=σ(D−21​AD−21​H(l)W(l))

其中， H ( l ) H^{(l)} H(l)表示第 l l l层的节点特征矩阵， A A A表示邻接矩阵， D D D表示度矩阵， W ( l ) W^{(l)} W(l)表示第 l l l层的权重矩阵， σ ( ⋅ ) \sigma(\cdot) σ(⋅)表示激活函数。

以下是一个简单的GCN代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F
import networkx as nx
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GCNConv

# 加载数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora')

class GCN(nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(dataset.num_node_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 模型训练和评估代码略

2. 图注意力网络（Graph Attention Network, GAT）

GAT引入了注意力机制，为每个邻居节点分配不同的权重，从而实现更灵活的信息聚合。注意力机制使得模型能够根据邻居节点的重要性来更新节点的表示。

GAT的核心思想是通过注意力机制计算邻居节点的权重：

e i j = LeakyReLU ( a T [ W h i ∥ W h j ] ) e_{ij} = \text{LeakyReLU}(\mathbf{a}^T [\mathbf{W} \mathbf{h}_i \parallel \mathbf{W} \mathbf{h}_j]) eij​=LeakyReLU(aT[Whi​∥Whj​])

α i j = exp ⁡ ( e i j ) ∑ k ∈ N i exp ⁡ ( e i k ) \alpha_{ij} = \frac{\exp(e_{ij})}{\sum_{k \in N_i} \exp(e_{ik})} αij​=∑k∈Ni​​exp(eik​)exp(eij​)​

以下是一个简单的GAT代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GATConv

# 加载数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora')

class GAT(nn.Module):
    def __init__(self):
        super(GAT, self).__init__()
        self.conv1 = GATConv(dataset.num_node_features, 8, heads=8, dropout=0.6)
        self.conv2 = GATConv(8*8, dataset.num_classes, heads=1, concat=True, dropout=0.6)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = F.dropout(x, p=0.6, training=self.training)
        x = self.conv1(x, edge_index)
        x = F.elu(x)
        x = F.dropout(x, p=0.6, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 模型训练和评估代码略

3. 图自编码器（Graph Autoencoder）

图自编码器通过编码器-解码器结构实现图数据的自监督学习，主要用于图的重构和表示学习。

以下是一个简单的图自编码器代码示例：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class GAE(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(GAE, self).__init__()
        self.conv1 = GCNConv(in_channels, 2 * out_channels)
        self.conv2 = GCNConv(2 * out_channels, out_channels)

    def encode(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        return self.conv2(x, edge_index)

    def decode(self, z, edge_index):
        return torch.sigmoid((z[edge_index[0]] * z[edge_index[1]]).sum(dim=1))

    def forward(self, data):
        z = self.encode(data.x, data.edge_index)
        return self.decode(z, data.edge_index)

# 模型训练和评估代码略

4. 图对抗网络（Graph GANs）

图对抗网络通过生成对抗网络（GAN）的框架来处理图结构数据，生成高质量的图数据表示。

以下是一个简单的图对抗网络代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GCNConv

class Generator(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(Generator, self).__init__()
        self.conv1 = GCNConv(in_channels, 2 * out_channels)
        self.conv2 = GCNConv(2 * out_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        return self.conv2(x, edge_index)

class Discriminator(nn.Module):
    def __init__(self, in_channels):
        super(Discriminator, self).__init__()
        self.conv = GCNConv(in_channels, 1)

    def forward(self, x, edge_index):
        return torch.sigmoid(self.conv(x, edge_index))

# 模型训练和评估代码略

通过这些模型，可以在不同的应用场景中选择合适的图神经网络，以实现对图结构数据的有效处理和分析。在实际应用中，通常需要根据具体的数据特点和任务要求，对模型进行调整和优化。

四、图神经网络的应用场景

图神经网络（GNN）因其强大的建模能力和灵活性，在许多领域都有广泛的应用。以下是几个主要的应用场景及其具体案例：

1. 社交网络分析

在社交网络中，用户之间的关系可以自然地表示为图结构。GNN在以下几个方面有显著的应用：

  • 用户推荐：通过捕捉用户之间的关系和行为模式，GNN可以预测用户的兴趣，推荐可能感兴趣的朋友或内容。例如，Pinterest使用PinSage（一种基于GCN的模型）来进行内容推荐。
用户 A
内容 B
内容 C
用户 D
内容 E

代码示例（以PinSage为例）：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class PinSage(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(PinSage, self).__init__()
        self.conv1 = GCNConv(in_channels, out_channels)
        self.conv2 = GCNConv(out_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 数据加载和模型训练代码略
  • 社区检测：GNN可以有效识别社交网络中的社区结构，将相似的用户分组。例如，Twitter利用GNN来检测和分析网络中的兴趣社区。
社区 2
社区 1
用户 E
用户 D
用户 F
用户 B
用户 A
用户 C

代码示例（社区检测）：

import torch
import torch.nn as nn
import torch_geometric.nn as pyg_nn

class CommunityDetectionGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(CommunityDetectionGNN, self).__init__()
        self.conv1 = pyg_nn.GCNConv(in_channels, hidden_channels)
        self.conv2 = pyg_nn.GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 数据加载和模型训练代码略

2. 生物信息学

生物信息学中存在大量的图结构数据，如基因-蛋白质相互作用网络、蛋白质结构图等。GNN在以下几个方面表现出色：

  • 蛋白质-蛋白质相互作用预测：通过建模蛋白质之间的相互作用网络，GNN可以预测未发现的蛋白质交互关系，帮助揭示生物过程的机制。
蛋白质 A
蛋白质 B
蛋白质 C
蛋白质 D

代码示例（蛋白质相互作用预测）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class ProteinInteractionGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(ProteinInteractionGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return torch.sigmoid(x)

# 数据加载和模型训练代码略
  • 药物发现：GNN可以用来分析化合物分子的结构，预测其生物活性，从而加速新药的发现。例如，GraphDTA使用GNN来预测药物-靶点的结合亲和力。
药物 A
靶点 B
药物 C
靶点 D

代码示例（药物发现）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class DrugTargetGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(DrugTargetGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return torch.sigmoid(x)

# 数据加载和模型训练代码略

3. 化学分子图

化学分子可以表示为图结构，其中节点代表原子，边代表化学键。GNN在以下几个方面有重要应用：

  • 分子性质预测：通过建模分子的图结构，GNN可以预测分子的物理化学性质，如溶解度、稳定性等。这在材料科学和药物设计中尤为重要。例如，ChemProp使用GCN来预测分子的各种性质。
碳原子
氧原子
氢原子
氢原子
氢原子
氢原子

代码示例（分子性质预测）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class MolecularPropertyGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(MolecularPropertyGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return x

# 数据加载和模型训练代码略
  • 新药研发：通过分析分子图结构，GNN可以生成具有特定性质的新分子，帮助化学家设计新药。
新分子 A
属性 B
新分子 C
属性 D

代码示例（新药研发）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class DrugDiscoveryGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(DrugDiscoveryGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return x

# 数据加载和模型训练代码略

4. 交通网络

在交通系统中，路网可以表示为图结构，其中节点代表交叉口，边代表道路。GNN在以下几个方面具有应用前景：

  • 路径优化：通过分析交通路网的图结构，GNN可以优化路径选择，提高交通效率。
交叉口 A
交叉口 B
交叉口 C
交叉口 D

代码示例（路径优化）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class TrafficPathOptimizationGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(TrafficPathOptimizationGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return x

# 数据加载和模型训练代码略
  • 交通流量预测：GNN可以通过建模历史交通数据，预测未来的交通流量，帮助交通管理部门做出更好的决策。例如，ST-GCN使用GNN来进行交通流量预测，效果显著。
流量数据
流量数据
流量数据
流量数据
交叉口 A
交叉口 B
交叉口 C
交叉口 D

代码示例（交通流量预测）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class TrafficFlowPredictionGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(TrafficFlowPredictionGNN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return x

# 数据加载和模型训练代码略

5. 自然语言处理

在自然语言处理（NLP）领域，文本数据可以表示为图结构，如句子之间的关系、词语之间的依赖关系等。GNN在以下几个方面有广泛应用：

  • 句子关系建模：通过建模句子之间的关系，GNN可以提升问答系统和文本分类的性能。例如，Text GCN利用GCN对文档进行分类。
句子1
词1
词2
句子2
词3

代码示例（句子关系建模）：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class TextGCN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(TextGCN, self).__init__()
        self.conv1 = GCNConv(in_channels, hidden_channels)
        self.conv2 = GCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 数据加载和模型训练代码略
  • 知识图谱：GNN可以用来处理和推理知识图谱中的信息，提升知识图谱的完备性和准确性。例如，R-GCN使用GNN来推理知识图谱中的实体关系。
实体1
关系1
实体2
关系2
实体3
关系3

代码示例（知识图谱推理）：

import torch
import torch.nn as nn
from torch_geometric.nn import RGCNConv

class KnowledgeGraphGNN(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels, num_relations):
        super(KnowledgeGraphGNN, self).__init__()
        self.conv1 = RGCNConv(in_channels, hidden_channels, num_relations)
        self.conv2 = RGCNConv(hidden_channels, out_channels, num_relations)

    def forward(self, x, edge_index, edge_type):
        x = F.relu(self.conv1(x, edge_index, edge_type))
        x = self.conv2(x, edge_index, edge_type)
        return F.log_softmax(x, dim=1)

# 数据加载和模型训练代码略

这些案例展示了图神经网络在不同领域中的广泛应用和巨大潜力。通过结合领域知识和先进的图神经网络技术，可以进一步推动各领域的研究和应用进展。

五、总结

图神经网络（GNN）凭借其强大的建模能力和灵活性，在许多领域展现了巨大的潜力和广泛的应用。在社交网络分析中，GNN能够通过用户之间的关系和行为模式进行精准的用户推荐和社区检测，显著提升社交平台的用户体验。在生物信息学领域，GNN通过建模基因-蛋白质相互作用网络和蛋白质结构图，促进了蛋白质-蛋白质相互作用预测和新药发现，推动了生命科学的进步。化学分子图的建模使得GNN在分子性质预测和新药研发方面表现优异，帮助科学家加速材料科学和药物设计的进程。在交通网络中，GNN通过对交通路网的分析，优化了路径选择和交通流量预测，提高了交通系统的效率和安全性。在自然语言处理领域，GNN通过建模句子之间的关系和处理知识图谱，提升了文本分类、问答系统和知识图谱推理的性能。

这些应用案例不仅展示了GNN在不同领域中的广泛适用性和巨大潜力，还体现了GNN在处理复杂图结构数据方面的独特优势。未来，随着研究的深入和技术的发展，图神经网络有望在更多领域产生深远影响，为解决复杂的现实问题提供强有力的工具。通过不断探索和优化GNN模型，将进一步推动各领域的创新和进步。

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/1842004.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

“拥堵的6·18”一去不返，快递业终于“松了一口气”？

“拥堵的6·18”一去不返，快递业终于“松了一口气”？

一年一度的电商“618”大促已然步入尾声。 与往年不同的是，今年自4月起，天猫、京东、快手等主流平台相继官宣取消预售。自此，今年的“618”成了首个取消预售的大促节。只是，有的平台取消了“预售制”，却新增了“仅退款…
阅读更多...
巡检机器人智能联网，促进工厂自动化

巡检机器人智能联网，促进工厂自动化

随着工业4.0和智能制造的快速发展，企业引入自动化设备和智能机器人以提高生产效率和降低人工成本已成为大势所趋。其中，巡检机器人作为一种能够在复杂和危险环境中进行自动巡检的设备，受到了广泛关注。如何实现巡检机器人稳定、安全的联网是每…
阅读更多...
Nature将大罢工！或将致Nature创刊155年首次发生缺刊！

Nature将大罢工！或将致Nature创刊155年首次发生缺刊！

Nature要罢工了！ 这两天一则爆炸性新闻袭击了学术界，根据英国National Union of Journalists（NUJ，全国记者工会）发布的信息。Nature期刊的编辑们将于2024年6月20日起举行罢工。 而那一天正是Nature最新一期发布的日子…
阅读更多...
Wireshark v4 修改版安装教程（免费开源的网络嗅探抓包工具）

Wireshark v4 修改版安装教程（免费开源的网络嗅探抓包工具）

前言 Wireshark（前称Ethereal）是一款免费开源的网络嗅探抓包工具，世界上最流行的网络协议分析器！网络封包分析软件的功能是撷取网络封包，并尽可能显示出最为详细的网络封包资料。Wireshark网络抓包工具使用WinPCAP作为…
阅读更多...
调教NewspaceGPT之GPT4o实战

调教NewspaceGPT之GPT4o实战

NewspaceGPT地址：https://newspace.ai0.cn 需求一：我需要一个创意logo 我的问题 我觉得我的描述对一个设计人员来说时精准的，但是不具体的。 需求描述：我需要一个logo。 表现司法公正和司法数字化，人工智能化 。 Ne…
阅读更多...
电路分析期末总结笔记下

电路分析期末总结笔记下

对称三相电路的线电流和相电流，线电压和相电压关系 相电压与线电压的关系 线电压定义：任意两相之间的电压称为线电压，常用符号V_L表示。 相电压定义：一相绕组两端的电压称为相电压，常用符号V_P表示。 关系&#xff1…
阅读更多...
微信聊天记录导出为电脑文件实操教程（附代码）

微信聊天记录导出为电脑文件实操教程（附代码）

写在前面 最近，微信中加的群有点多，信息根本看不过来。如果不看，怕遗漏了有价值的信息；如果一条条向上翻阅，实在是太麻烦。 有没有办法一键导出所有聊天记录？ 一来翻阅更方便一点，二来还可以…
阅读更多...
深入了解Redis的TYPE命令

深入了解Redis的TYPE命令

Redis作为一个高性能的内存数据库，支持多种数据结构。在管理和操作Redis数据库时，了解键对应的数据类型是至关重要的。本文将深入探讨Redis的TYPE命令，它用于返回存储在指定键中的值的数据类型。 什么是TYPE命令？ TYPE命令用于查…
阅读更多...
Zynq学习笔记--了解中断配置方式

Zynq学习笔记--了解中断配置方式

目录 1. 简介 2. 工程与代码解析 2.1 Vivado 工程 2.2 Vitis 裸机代码 2.3 关键代码解析 3. 总结 1. 简介 Zynq 中的中断可以分为以下几种类型： 软件中断（Software Generated Interrupt, SGI）：由软件触发，通常…
阅读更多...
CTF-pwn-虚拟化-【d3ctf-2021-d3dev】

CTF-pwn-虚拟化-【d3ctf-2021-d3dev】

文章目录 参考流程附件检查启动信息逆向分析漏洞查看设备配置信息exp 参考 https://x1ng.top/2021/11/26/qemu-pwn/ https://bbs.kanxue.com/thread-275216.htm#msg_header_h1_0 https://xz.aliyun.com/t/6562?time__1311n4%2BxnD0DRDBAi%3DGkDgiDlhjmYh2xuCllx7whD&alic…
阅读更多...
[Linux] Shell

[Linux] Shell

chsh不是一种sh,而是一个命令行使用程序，用于更改默认shell CentOS是个开源软件，没有sh,sh是商业版的， 按ls /bin/*sh显示的sh实际上是个链接文件，连接的bash 在命令行输入新的sh名，会启动一个新的进程， 输…
阅读更多...
计算机网络知识点汇总

计算机网络知识点汇总

计算机网络知识点汇总 第1章计算机网络体系结构 1.1 计算机网络概述 1.1.1 计算机网络的概念 ​ 计算机网络是由若干个结点(node)和连接这些结点的链路(link)组成。网络中的结点可以是就三级、集线器、交换机、或者路由器等，网络之间通过路由器进行互联&#xf…
阅读更多...
【Java】已解决java.sql.SQLException异常

【Java】已解决java.sql.SQLException异常

文章目录 一、分析问题背景二、可能出错的原因三、错误代码示例四、正确代码示例五、注意事项 已解决java.sql.SQLException异常 在Java中，java.sql.SQLException是一个通用的异常类，用于表示在数据库操作中发生的错误。无论是类型错误、数据类型不匹配…
阅读更多...
IF=9.3！MIMIC-IV数据库发文，手到擒来！| MIMIC-IV数据库周报（6.5~6.11）

IF=9.3！MIMIC-IV数据库发文，手到擒来！| MIMIC-IV数据库周报（6.5~6.11）

重症医学数据库（MIMIC）是由计算生理学实验室开发的公开数据集，其中包括与数千个重症监护病房入院相关的去识别化健康数据，致力于推动临床信息学、流行病学和机器学习的研究。 MIMIC数据库于2003年在美国国立卫生研究院的资助下&am…
阅读更多...
Springboot开发Webservice服务端和客户端

Springboot开发Webservice服务端和客户端

环境说明 Java JDK 1.8、Spring boot 2.1.6、Apache CXF 3.1.6 POM依赖 <dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId><version>2.1.6</version&…
阅读更多...
MySQL limit子句用法及优化（Limit Clause Optimization）

MySQL limit子句用法及优化（Limit Clause Optimization）

在MySQL中&#xff0c;如果只想获取select查询结果的一部分&#xff0c;可以使用limit子句来限制返回记录的数量&#xff0c;limit在获取到满足条件的数据量时即会立刻终止SQL的执行。相比于返回所有数据然后丢弃一部分&#xff0c;执行效率会更高。 文章目录 一、limit子句用…
阅读更多...
嵌入式Linux：Linux系统中文件类型

嵌入式Linux：Linux系统中文件类型

目录 1、普通文件 2、目录文件 3、字符设备文件 4、块设备文件 5、符号链接文件 6、套接字文件 7、管道文件 8、stat命令和ls命令 8.1、stat命令 8.2、ls命令 9、stat、fstat、lstat函数 9.1、stat函数 9.2、fstat函数 9.3、lstat函数 在Windows系统中&#xff0…
阅读更多...
【JS重点18】原型链（面试重点）

【JS重点18】原型链（面试重点）

一&#xff1a;原型链底层原理 以下面一段代码为例&#xff0c;基于原型对象&#xff08;Star构造函数的原型对象&#xff09;的继承使得不同构造函数的原型对象关联在一起&#xff08;此处是最大的构造函数Object原型对象&#xff09;&#xff0c;并且这种关联的关系是一种链…
阅读更多...
Java 集合框架：Vector、Stack 的介绍、使用、原理与源码解析

Java 集合框架：Vector、Stack 的介绍、使用、原理与源码解析

大家好&#xff0c;我是栗筝i&#xff0c;这篇文章是我的 “栗筝i 的 Java 技术栈” 专栏的第 015 篇文章&#xff0c;在 “栗筝i 的 Java 技术栈” 这个专栏中我会持续为大家更新 Java 技术相关全套技术栈内容。专栏的主要目标是已经有一定 Java 开发经验&#xff0c;并希望进…
阅读更多...
哈喽GPT-4o——对GPT-4o 编程的思考与看法

哈喽GPT-4o——对GPT-4o 编程的思考与看法

GPT-4o&#xff08;“o”代表“全能”&#xff09;它可以接受任意组合的文本、音频和图像作为输入&#xff0c;并生成任意组合的文本、音频和图像输出。 &#x1f449; GPT功能&#xff1a; GPT-4o知识问答&#xff1a;支持1000token上下文记忆功能最强代码大模型Code Copilo…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023