第N6周：中文文本分类-Pytorch实现

news2024/12/23 8:53:58
  • 本文为365天深度学习训练营 中的学习记录博客
  • 原作者：K同学啊

一、准备工作

  1. 任务说明

本次将使用PyTorch实现中文文本分类。主要代码与N1周基本一致，不同的是本次任务中使用了本地的中文数据，数据示例如下：

在这里插入图片描述

任务：
●1. 学习如何进行中文本文预处理
●2. 根据文本内容（第1列）预测文本标签（第2列）

进阶任务：
●1.尝试根据第一周的内容独立实现，尽可能的不看本文的代码
●2. 构建更复杂的网络模型，将准确率提升至91%

与上周不同的地方：

●加载的是本地数据
●从英文变为了中文
●文本标签需要进一步预处理

在这里插入图片描述

  1. 加载数据
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings

warnings.filterwarnings("ignore")             #忽略警告信息

# win10系统
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

代码输出

device(type='cpu')

运行下面的代码时，发生了pandas与numpy的版本冲突问题，在网上查了不少资料，看pandas的哪个版本与numpy的哪个版本是相对应的。也曾先安装pandas的某个版本，然后再安装numpy，在安装numpy时让其自主选择numpy的版本。或者反过来先安装numpy的某个版本，然后再安装pandas，在安装pandas时让其自主选择numpy的版本。问题还是无法解决，最后是另外建立一个新的虚拟环境，安装numpy、pandas，运行下面的代码就没有再出现pandas与numpy的版本冲突问题了。据此，在原虚拟环境再安装同样版本的pandas与numpy，也同样解决pandas与numpy的版本冲突问题。之所以没有用新的虚拟环境运行代码，是因为其他模块，如torch、torchtext、portalocker、numpy的版本也是要相对应的，我已经在原虚拟环境安装好了这些模块，不想在新的虚拟环境再折腾安装这些模块了。

我的虚拟环境的numpy、pandas版本：

numpy=1.26.4
pandas=2.2.2

在这里插入图片描述

import pandas as pd

# 加载自定义中文数据
train_data = pd.read_csv('./N6/train.csv', sep='\t', header=None)
train_data.head()

代码输出

01
0还有双鸭山到淮阴的汽车票吗13号的Travel-Query
1从这里怎么回家Travel-Query
2随便播放一首专辑阁楼里的佛里的歌Music-Play
3给看一下墓王之王嘛FilmTele-Play
4我想看挑战两把s686打突变团竞的游戏视频Video-Play
# 构造数据集迭代器
def coustom_data_iter(texts, labels):
    for x, y in zip(texts, labels):
        yield x, y
        
train_iter = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])

train_iter

代码输出

<generator object coustom_data_iter at 0x0000021E2CF3D540>

二、数据预处理

  1. 构建词典

需要另外安装jieba分词库

from torchtext.data.utils import get_tokenizer
from torchtext.vocab import build_vocab_from_iterator
import jieba

# 中文分词方法
tokenizer = jieba.lcut

def yield_tokens(data_iter):
    for text,_ in data_iter:
        yield tokenizer(text)

vocab = build_vocab_from_iterator(yield_tokens(train_iter), specials=["<unk>"])
vocab.set_default_index(vocab["<unk>"]) # 设置默认索引，如果找不到单词，则会选择默认索引

代码输出

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Administrator\AppData\Local\Temp\jieba.cache
Loading model cost 0.777 seconds.
Prefix dict has been built successfully.

vocab(['我','想','看','和平','精英','上','战神','必备','技巧','的','游戏','视频'])

代码输出

[2, 10, 13, 973, 1079, 146, 7724, 7574, 7793, 1, 186, 28]

label_name = list(set(train_data[1].values[:]))
print(label_name)

代码输出

['Music-Play', 'Audio-Play', 'Calendar-Query', 'Other', 'Weather-Query', 'Radio-Listen', 'HomeAppliance-Control', 'FilmTele-Play', 'Video-Play', 'TVProgram-Play', 'Alarm-Update', 'Travel-Query']

text_pipeline  = lambda x: vocab(tokenizer(x))
label_pipeline = lambda x: label_name.index(x)

print(text_pipeline('我想看和平精英上战神必备技巧的游戏视频'))
print(label_pipeline('Video-Play'))

ambda 表达式的语法为：lambda arguments: expression
其中 arguments 是函数的参数，可以有多个参数，用逗号分隔。expression 是一个表达式，它定义了函数的返回值。
●text_pipeline函数：将原始文本数据转换为整数列表，使用了之前构建的vocab词表和tokenizer分词器函数。具体来说，它接受一个字符串x作为输入，首先使用tokenizer将其分词，然后将每个词在vocab词表中的索引放入一个列表中返回。
●label_pipeline函数：将原始标签数据转换为整数，它接受一个字符串x作为输入，并使用label_name.index(x)方法获取 x 在 label_name 列表中的索引作为输出。

代码输出

[2, 10, 13, 973, 1079, 146, 7724, 7574, 7793, 1, 186, 28]
8
  1. 生成数据批次和迭代器
from torch.utils.data import DataLoader

def collate_batch(batch):
    label_list, text_list, offsets = [], [], [0]
    
    for (_text,_label) in batch:
        # 标签列表
        label_list.append(label_pipeline(_label))
        
        # 文本列表
        processed_text = torch.tensor(text_pipeline(_text), dtype=torch.int64)
        text_list.append(processed_text)
        
        # 偏移量，即语句的总词汇量
        offsets.append(processed_text.size(0))
        
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list  = torch.cat(text_list)
    offsets    = torch.tensor(offsets[:-1]).cumsum(dim=0) #返回维度dim中输入元素的累计和
    
    return text_list.to(device),label_list.to(device), offsets.to(device)

# 数据加载器，调用示例
dataloader = DataLoader(train_iter,
                        batch_size=8,
                        shuffle   =False,
                        collate_fn=collate_batch)

三、模型构建

  1. 搭建模型
from torch import nn

class TextClassificationModel(nn.Module):

    def __init__(self, vocab_size, embed_dim, num_class):
        super(TextClassificationModel, self).__init__()
        
        self.embedding = nn.EmbeddingBag(vocab_size,   # 词典大小
                                         embed_dim,    # 嵌入的维度
                                         sparse=False) # 
        
        self.fc = nn.Linear(embed_dim, num_class)
        self.init_weights()

    def init_weights(self):
        initrange = 0.5
        self.embedding.weight.data.uniform_(-initrange, initrange) # 初始化权重
        self.fc.weight.data.uniform_(-initrange, initrange)        
        self.fc.bias.data.zero_()                                  # 偏置值归零

    def forward(self, text, offsets):
        embedded = self.embedding(text, offsets)
        return self.fc(embedded)

self.embedding.weight.data.uniform_(-initrange, initrange)这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层（embedding layer）权重的一种方法。这里使用了均匀分布的随机值来初始化权重，具体来说，其作用如下：

  1. self.embedding: 这是神经网络中的词嵌入层（embedding layer）。词嵌入层的作用是将离散的单词表示（通常为整数索引）映射为固定大小的连续向量。这些向量捕捉了单词之间的语义关系，并作为网络的输入。
  2. self.embedding.weight: 这是词嵌入层的权重矩阵，它的形状为 (vocab_size, embedding_dim)，其中 vocab_size 是词汇表的大小，embedding_dim 是嵌入向量的维度。
  3. self.embedding.weight.data: 这是权重矩阵的数据部分，我们可以在这里直接操作其底层的张量。
  4. .uniform_(-initrange, initrange): 这是一个原地操作（in-place operation），用于将权重矩阵的值用一个均匀分布进行初始化。均匀分布的范围为 [-initrange, initrange]，其中 initrange 是一个正数。

通过这种方式初始化词嵌入层的权重，可以使得模型在训练开始时具有一定的随机性，有助于避免梯度消失或梯度爆炸等问题。在训练过程中，这些权重将通过优化算法不断更新，以捕捉到更好的单词表示。

  1. 初始化模型
num_class  = len(label_name)
vocab_size = len(vocab)
em_size    = 64
model      = TextClassificationModel(vocab_size, em_size, num_class).to(device)
  1. 定义训练与评估函数
import time

def train(dataloader):
    model.train()  # 切换为训练模式
    total_acc, train_loss, total_count = 0, 0, 0
    log_interval = 50
    start_time   = time.time()

    for idx, (text,label,offsets) in enumerate(dataloader):
        
        predicted_label = model(text, offsets)
        
        optimizer.zero_grad()                    # grad属性归零
        loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值
        loss.backward()                          # 反向传播
        torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
        optimizer.step()  # 每一步自动更新
        
        # 记录acc与loss
        total_acc   += (predicted_label.argmax(1) == label).sum().item()
        train_loss  += loss.item()
        total_count += label.size(0)
        
        if idx % log_interval == 0 and idx > 0:
            elapsed = time.time() - start_time
            print('| epoch {:1d} | {:4d}/{:4d} batches '
                  '| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx, len(dataloader),
                                              total_acc/total_count, train_loss/total_count))
            total_acc, train_loss, total_count = 0, 0, 0
            start_time = time.time()

def evaluate(dataloader):
    model.eval()  # 切换为测试模式
    total_acc, train_loss, total_count = 0, 0, 0

    with torch.no_grad():
        for idx, (text,label,offsets) in enumerate(dataloader):
            predicted_label = model(text, offsets)
            
            loss = criterion(predicted_label, label)  # 计算loss值
            # 记录测试数据
            total_acc   += (predicted_label.argmax(1) == label).sum().item()
            train_loss  += loss.item()
            total_count += label.size(0)
            
    return total_acc/total_count, train_loss/total_count

torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1)是一个PyTorch函数，用于在训练神经网络时限制梯度的大小。这种操作被称为梯度裁剪（gradient clipping），可以防止梯度爆炸问题，从而提高神经网络的稳定性和性能。

在这个函数中：

●model.parameters()表示模型的所有参数。对于一个神经网络，参数通常包括权重和偏置项。
●0.1是一个指定的阈值，表示梯度的最大范数（L2范数）。如果计算出的梯度范数超过这个阈值，梯度会被缩放，使其范数等于阈值。

梯度裁剪的主要目的是防止梯度爆炸。梯度爆炸通常发生在训练深度神经网络时，尤其是在处理长序列数据的循环神经网络（RNN）中。当梯度爆炸时，参数更新可能会变得非常大，导致模型无法收敛或出现数值不稳定。通过限制梯度的大小，梯度裁剪有助于解决这些问题，使模型训练变得更加稳定。

四、训练模型

  1. 拆分数据集并运行模型
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS     = 10 # epoch
LR         = 5  # 学习率
BATCH_SIZE = 64 # batch size for training

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None

# 构建数据集
train_iter = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)

split_train_, split_valid_ = random_split(train_dataset,
                                          [int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])

train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)

valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)

for epoch in range(1, EPOCHS + 1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(valid_dataloader)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch {:1d} | time: {:4.2f}s | '
          'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
                                           time.time() - epoch_start_time,
                                           val_acc,val_loss,lr))

    print('-' * 69)

代码运行结果

| epoch 1 |   50/ 152 batches | train_acc 0.403 train_loss 0.03098
| epoch 1 |  100/ 152 batches | train_acc 0.691 train_loss 0.01936
| epoch 1 |  150/ 152 batches | train_acc 0.774 train_loss 0.01374
---------------------------------------------------------------------
| epoch 1 | time: 2.30s | valid_acc 0.787 valid_loss 0.012 | lr 5.000000
---------------------------------------------------------------------
| epoch 2 |   50/ 152 batches | train_acc 0.809 train_loss 0.01072
| epoch 2 |  100/ 152 batches | train_acc 0.833 train_loss 0.00927
| epoch 2 |  150/ 152 batches | train_acc 0.842 train_loss 0.00829
---------------------------------------------------------------------
| epoch 2 | time: 2.24s | valid_acc 0.854 valid_loss 0.008 | lr 5.000000
---------------------------------------------------------------------
| epoch 3 |   50/ 152 batches | train_acc 0.877 train_loss 0.00702
| epoch 3 |  100/ 152 batches | train_acc 0.887 train_loss 0.00629
| epoch 3 |  150/ 152 batches | train_acc 0.892 train_loss 0.00597
---------------------------------------------------------------------
| epoch 3 | time: 2.27s | valid_acc 0.874 valid_loss 0.007 | lr 5.000000
---------------------------------------------------------------------
| epoch 4 |   50/ 152 batches | train_acc 0.911 train_loss 0.00497
| epoch 4 |  100/ 152 batches | train_acc 0.910 train_loss 0.00498
| epoch 4 |  150/ 152 batches | train_acc 0.919 train_loss 0.00458
---------------------------------------------------------------------
| epoch 4 | time: 2.20s | valid_acc 0.897 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 5 |   50/ 152 batches | train_acc 0.931 train_loss 0.00409
| epoch 5 |  100/ 152 batches | train_acc 0.934 train_loss 0.00378
| epoch 5 |  150/ 152 batches | train_acc 0.938 train_loss 0.00335
---------------------------------------------------------------------
| epoch 5 | time: 2.20s | valid_acc 0.900 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 6 |   50/ 152 batches | train_acc 0.948 train_loss 0.00309
| epoch 6 |  100/ 152 batches | train_acc 0.953 train_loss 0.00287
| epoch 6 |  150/ 152 batches | train_acc 0.955 train_loss 0.00284
---------------------------------------------------------------------
| epoch 6 | time: 2.27s | valid_acc 0.906 valid_loss 0.006 | lr 5.000000
---------------------------------------------------------------------
| epoch 7 |   50/ 152 batches | train_acc 0.968 train_loss 0.00225
| epoch 7 |  100/ 152 batches | train_acc 0.967 train_loss 0.00227
| epoch 7 |  150/ 152 batches | train_acc 0.958 train_loss 0.00244
---------------------------------------------------------------------
| epoch 7 | time: 2.22s | valid_acc 0.907 valid_loss 0.005 | lr 5.000000
---------------------------------------------------------------------
| epoch 8 |   50/ 152 batches | train_acc 0.969 train_loss 0.00196
| epoch 8 |  100/ 152 batches | train_acc 0.978 train_loss 0.00161
| epoch 8 |  150/ 152 batches | train_acc 0.971 train_loss 0.00186
---------------------------------------------------------------------
| epoch 8 | time: 2.20s | valid_acc 0.905 valid_loss 0.005 | lr 5.000000
---------------------------------------------------------------------
| epoch 9 |   50/ 152 batches | train_acc 0.984 train_loss 0.00142
| epoch 9 |  100/ 152 batches | train_acc 0.984 train_loss 0.00129
| epoch 9 |  150/ 152 batches | train_acc 0.983 train_loss 0.00136
---------------------------------------------------------------------
| epoch 9 | time: 2.20s | valid_acc 0.908 valid_loss 0.005 | lr 0.500000
---------------------------------------------------------------------
| epoch 10 |   50/ 152 batches | train_acc 0.986 train_loss 0.00127
| epoch 10 |  100/ 152 batches | train_acc 0.985 train_loss 0.00139
| epoch 10 |  150/ 152 batches | train_acc 0.983 train_loss 0.00125
---------------------------------------------------------------------
| epoch 10 | time: 2.31s | valid_acc 0.909 valid_loss 0.005 | lr 0.500000
---------------------------------------------------------------------

torchtext.data.functional.to_map_style_dataset 函数的作用是将一个迭代式的数据集（Iterable-style dataset）转换为映射式的数据集（Map-style dataset）。这个转换使得我们可以通过索引（例如：整数）更方便地访问数据集中的元素。
在 PyTorch 中，数据集可以分为两种类型：Iterable-style 和 Map-style。Iterable-style 数据集实现了 __ iter__() 方法，可以迭代访问数据集中的元素，但不支持通过索引访问。而 Map-style 数据集实现了 __ getitem__() 和 __ len__() 方法，可以直接通过索引访问特定元素，并能获取数据集的大小。
TorchText 是 PyTorch 的一个扩展库，专注于处理文本数据。torchtext.data.functional 中的 to_map_style_dataset 函数可以帮助我们将一个 Iterable-style 数据集转换为一个易于操作的 Map-style 数据集。这样，我们可以通过索引直接访问数据集中的特定样本，从而简化了训练、验证和测试过程中的数据处理。

test_acc, test_loss = evaluate(valid_dataloader)
print('模型准确率为：{:5.4f}'.format(test_acc))

代码输出

模型准确率为：0.9091
  1. 测试指定数据
def predict(text, text_pipeline):
    with torch.no_grad():
        text = torch.tensor(text_pipeline(text))
        output = model(text, torch.tensor([0]))
        return output.argmax(1).item()

ex_text_str1 = "随便播放一首专辑阁楼里的佛里的歌"
ex_text_str2 = "还有双鸭山到淮阴的汽车票吗13号的"

model = model.to("cpu")

print("该文本的类别是：%s" %label_name[predict(ex_text_str1, text_pipeline)])
print("该文本的类别是：%s" %label_name[predict(ex_text_str2, text_pipeline)])

代码输出

该文本的类别是：Music-Play
该文本的类别是：Travel-Query

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/2048014.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

Diffusion Model相关论文解析之(二)DENOISING DIFFUSION IMPLICIT MODELS

Diffusion Model相关论文解析之(二)DENOISING DIFFUSION IMPLICIT MODELS

目录 1、摘要2、创新点3、主要公式4、自己的理解&#xff0c;对错不确定 1、摘要 ‌Denoising Diffusion Implicit Models (DDIM)‌是一种扩散模型的改进版本&#xff0c;旨在加速采样过程并提高采样速度。DDIM通过引入非马尔可夫扩散过程&#xff0c;相对于传统的去噪扩散概率…
阅读更多...
H. Ksyusha and the Loaded Set

H. Ksyusha and the Loaded Set

https://codeforces.com/contest/2000/problem/H div3 H 一开始看就感觉要维护一些比较有趣的量 看了一下数据范围ai<2e6,k<2e6 似乎可以直接开一个线段树来表示是否存在集合当中 我们开4e6维护每个数字是否存在&#xff0c;ai2e6时候k2e6&#xff0c;最大是4e6 存在…
阅读更多...
用python 实现一个简易的“我的世界”游戏（超详细教程）

用python 实现一个简易的“我的世界”游戏（超详细教程）

编写一个完整的“我的世界”游戏风格的程序在Python中是一个相当复杂的任务&#xff0c;因为它涉及到图形渲染、物理引擎、用户交互等多个方面。然而&#xff0c;我们可以创建一个简化的、基于文本的“我的世界”风格的探险游戏&#xff0c;来展示基本的游戏逻辑和交互。 第一步…
阅读更多...
基于Spring Boot的高效宠物购物平台

基于Spring Boot的高效宠物购物平台

✍✍计算机编程指导师 ⭐⭐个人介绍&#xff1a;自己非常喜欢研究技术问题&#xff01;专业做Java、Python、微信小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目&#xff1a;有源码或者技术上的问题欢迎在评论区一起讨论交流&#xff01; ⚡⚡ Java实战 |…
阅读更多...
STM32单片机 主、从、触发模式

STM32单片机 主、从、触发模式

主模式&#xff0c;将定时器内部信号映射到TRGO引脚&#xff0c;用于触发别的外设 在手册 控制寄存器2 一节可以知道各种主模式的解释从模式&#xff0c;接收其他外设或者自身外设的一些信号&#xff0c;用于控制自身定时器的运行&#xff0c;被别的信号控制触发源选择&#xf…
阅读更多...
使用Logstash同步MySql数据到Elasticsearch

使用Logstash同步MySql数据到Elasticsearch

1、下载Logstash logstash下载地址 环境为 windows 2、将Logstash压缩包进行解压 将 mysql 驱动文件放在文件夹内 在Logstash根目录下创建 mysql-es.conf文件 input {jdbc {jdbc_driver_library > "E:\linshi\mysql-connector-java-8.0.11\mysql-connector-java-8.…
阅读更多...
医院器械管理系统的设计与开发(全网独一无二，24年最新定做)

医院器械管理系统的设计与开发(全网独一无二，24年最新定做)

目录 文章目录: 前言&#xff1a; 系统功能&#xff1a; 1.用户 2.管理员 系统详细实现界面&#xff1a; 参考代码&#xff1a; 为什么选择我&#xff1a; 前言&#xff1a; 博主介绍&#xff1a; ✌我是阿龙&#xff0c;一名专注于Java技术领域的程序员&#xff0c;全…
阅读更多...
数据库基础增删改练习

数据库基础增删改练习

1.student学生表中&#xff0c;字段有姓名name&#xff0c;年龄age&#xff0c;要求查询姓张&#xff0c;并且年龄在18到25岁之间的学生 2.查询article文章表中&#xff0c;发表日期create_date在2019年1月1日上午10点30分至2019年11月10日下午4点2分的文章 3.查询article文章表…
阅读更多...
Deepin-获取屏幕缩放比例

Deepin-获取屏幕缩放比例

Deepin-获取屏幕缩放比例 一、概述二、实现代码 一、概述 环境&#xff1a;UOS、Deepin 我的目的是为了获取屏幕的缩放比例值&#xff0c;就是获取如下的值 我们可以去读取当前的环境变量值&#xff0c;在Qt Creator中可以看到这个值 二、实现代码 相关的Qt接口如下&…
阅读更多...
基于vue框架的爱宁HPV疫苗管理系统4c7o1（程序+源码+数据库+调试部署+开发环境）系统界面在最后面。

基于vue框架的爱宁HPV疫苗管理系统4c7o1（程序+源码+数据库+调试部署+开发环境）系统界面在最后面。

系统程序文件列表 项目功能&#xff1a;用户,审核员,城市,疫苗信息,接种预订,接种信息 开题报告内容 基于Vue框架的爱宁HPV疫苗管理系统 开题报告 一、项目背景与意义 随着全球对公共卫生健康的日益重视&#xff0c;HPV&#xff08;人乳头瘤病毒&#xff09;疫苗的接种已…
阅读更多...
2024 Google 开发者大会深度探秘与AI技术前瞻

2024 Google 开发者大会深度探秘与AI技术前瞻

◆ 大会概览◆ 主旨与技术亮点◆互动体验区探秘◆智汇Google技术问答◆未来展望与建议 2024 Google 开发者大会于8月7日、8日在北京召开&#xff0c;很荣幸我作为嘉宾参加了这次大会&#xff0c;有机会与大家一同聚焦 Google 最新 AI 技术。在这篇文章中我们将一起亲眼见证 Goo…
阅读更多...
Python3网络爬虫开发实战（11）JavaScript 逆向爬虫（上）

Python3网络爬虫开发实战（11）JavaScript 逆向爬虫（上）

文章目录 一、网站加密和混淆技术简介1. URL/API 参数加密2. JavaScript 压缩3. JavaScript 混淆4. WebAssembly 二、浏览器调试常用技巧2.1 面板介绍2.2 节点事件2.3 断点调试2.4 观察调用栈2.5 Ajax 断点2.6 改写 JavaScript 文件 三、JavaScript Hook 的使用3.1 Hook 操作3.…
阅读更多...
宝兰德持续赋能 助力金融数智化变革

宝兰德持续赋能 助力金融数智化变革

金融机构作为助推数字经济发展的中坚力量&#xff0c;近些年在数字化转型叠加信创改造、AI大模型高速演进、监管环境变化等因素下&#xff0c;面临多重挑战&#xff0c;不得不重新审视传统IT架构&#xff0c;确保金融数据的安全性、可用性&#xff0c;从而激活自身动能&#xf…
阅读更多...
计算机毕业设计 饮食营养管理信息系统 平衡膳食管理系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

计算机毕业设计 饮食营养管理信息系统 平衡膳食管理系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

&#x1f34a;作者&#xff1a;计算机编程-吉哥 &#x1f34a;简介&#xff1a;专业从事JavaWeb程序开发&#xff0c;微信小程序开发&#xff0c;定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事&#xff0c;生活就是快乐的。 &#x1f34a;心愿&#xff1a;点…
阅读更多...
【嵌入式开发之网络编程】网络分层、OSI七层模型、TCP/IP及五层体系结构

【嵌入式开发之网络编程】网络分层、OSI七层模型、TCP/IP及五层体系结构

计算机网络体系的形成 两台计算机要互相传送文件需解决很多问题&#xff0c;比如&#xff1a; 必须有一条传送数据的通路。发起方必须激活通路。要告诉网络如何识别接收方。发起方要清楚对方是否已开机&#xff0c;且与网络连接正常。发起方要清楚对方是否准备好接收和存储文…
阅读更多...
JS UI库DHTMLX Suite v8.4全新发布——图表、网格组件等API全面升级

JS UI库DHTMLX Suite v8.4全新发布——图表、网格组件等API全面升级

DHTMLX UI 组件库允许您更快地构建跨平台、跨浏览器 Web 和移动应用程序。它包括一组丰富的即用式 HTML5 组件&#xff0c;这些组件可以轻松组合到单个应用程序界面中。DHTMLX JS UI 组件可用于任何服务器端技术&#xff1a;PHP、Java、ASP.NET、Ruby、Grails、ColdFusion、Pyt…
阅读更多...
糟糕界面集锦－控件篇10

糟糕界面集锦－控件篇10

想要让自己的程序别具一格&#xff0c;正是出于这种被误导的动机。IBM 的Aptiva Communitations Center 开发者决定不使用Windows 自己的控件&#xff0c;用自行开发的控件取而代之。他们非常成功地做到了这一点&#xff1a;该程序看上去与其他Windows 环境下运行的程序完全不同…
阅读更多...
C语言-在主函数中输入10个等长的字符串。用另一函数对他们进行排序，然后再主函数输出这10个排好序的数列（分别用①数组法和②指针法实现）

C语言-在主函数中输入10个等长的字符串。用另一函数对他们进行排序，然后再主函数输出这10个排好序的数列（分别用①数组法和②指针法实现）

在主函数中输入10个等长的字符串。用另一函数对他们进行排序&#xff0c;然后再主函数输出这10个排好序的数列&#xff08;分别用数组法和指针法实现&#xff09; 一、数组法实现 #define _CRT_SECURE_NO_WARNINGS 1 #include<stdio.h> void str_sort(char str[][32], …
阅读更多...
【C语言】时间函数详解

【C语言】时间函数详解

目录 C语言时间函数详解表格汇总1. time2. localtime3. gmtime4. strftime5. clock6. difftime函数详解示例解释 7. mktime8. asctime9. ctime10. clock_gettime 和 clock_settime总结9. 结束语相关文章&#xff1a; C语言时间函数详解 在C语言中&#xff0c;时间处理功能由标…
阅读更多...
【国奖学姐力荐】matlab智能算法的案例分析和源代码

【国奖学姐力荐】matlab智能算法的案例分析和源代码

现在各类数模比赛特别是国赛优化问题越来越多&#xff0c;而求解这些优化问题往往要用到智能启发式算法&#xff0c;今天带大家看一下matlab智能算法的案例分析和源代码&#xff0c;有两本书推荐给大家。 有需要这两本书籍电子版和单独案例的家人可以公屏留言&#xff0c;我会依…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023