深度学习基础案例5--运用动态学习率构建CNN卷积神经网络实现的运动鞋识别(测试集的准确率84%)

news2025/1/12 20:07:40
  • 🍨 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

前言

  • 前几天一直很忙,一直在数学建模中,没有来得及更新,接下来将恢复正常
  • 这一次的案例很有意思:在学习动态调整学习率的时候,本来想着记录训练过程中的训练集中损失率最低的学习率,记录下来了发现是:0.001(是初始值),然后用0.001去训练,发现出现了过拟合,哈哈哈哈哈。

目标

  • 学习动态调整学习率
  • 使测试集的准确率达到84%

结果

  • 达到了84%

1、数据预处理

数据文件夹说明(data): 分为训练集和测试集,每个文件夹里面都含有不同品牌的运动鞋分类,分类单独一个文件

1、导入库

import torch 
import torch.nn as nn
import torchvision 
import numpy as np 
import os, PIL, pathlib 

device = ('cuda' if torch.cuda.is_available() else 'cup')
device

输出:

'cuda'

2、数据导入与展示

# 查看数据数据文件夹内容
data_dir = './data/train/'
data_dir = pathlib.Path(data_dir)

# 获取该文件夹内内容
data_path = data_dir.glob('*')   # 获取绝对路径
classNames = [str(path).split('\\')[2] for path in data_path]
classNames

输出:

['adidas', 'nike']

# 数据展示
import matplotlib.pyplot as plt 
from PIL import Image

# 获取文件名称
data_path_name = './data/train/nike/'
data_path_list = [f for f in os.listdir(data_path_name) if f.endswith(('jpg', 'png'))]

# 创建画板
fig, axes = plt.subplots(2, 8, figsize=(16, 6))  # fig:画板,ases子图

# 展示
for ax, img_file in zip(axes.flat, data_path_list):
    path_name = os.path.join(data_path_name, img_file)
    img = Image.open(path_name)
    ax.imshow(img)
    ax.axis('off')
    
plt.show()


在这里插入图片描述

3、数据处理

# 将所有的数据图片统一格式
from torchvision import transforms, datasets 

train_path = './data/train/'
test_path = './data/test/'

# 定义训练集、测试集图片标准
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 统一图片大小
    transforms.ToTensor(),           # 统一规格
    transforms.Normalize(           # 数据标准化
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225] 
    )
])

test_transforms = transforms.Compose([
    transforms.Resize([224, 224]),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225] 
    )
])

# 数据处理
train_data = datasets.ImageFolder(root=train_path, transform=train_transforms)
test_data = datasets.ImageFolder(root=test_path, transform=test_transforms)

4、加载与划分动态数据

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_data,
                                       batch_size=batch_size,
                                       shuffle=True,
                                       num_workers=1)

test_dl = torch.utils.data.DataLoader(test_data,
                                      batch_size=batch_size,
                                      shuffle=True,
                                      num_workers=1)
# 展示图像参数
for param, data in train_dl:
    print("image(N, C, H, W): ", param.shape)
    print("data: ", data)
    break
image(N, C, H, W):  torch.Size([32, 3, 224, 224])
data:  tensor([0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 0, 1, 1, 0, 0,
        0, 1, 1, 0, 1, 0, 0, 0])

2、构建CNN神经网络

卷积:--> 12*220*220 --> 12*216*216
池化:--> 12*108*108
卷积: --> 24*104*104 --> 24*100*100
池化:--> 24*50*50 --> 25*50*2 
import torch.nn.functional as F 

class Net_work(nn.Module):
    def __init__(self):
        super(Net_work, self).__init__()   # 父类信息构建
        
        self.conv1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, padding=0),
            nn.BatchNorm2d(12),  # 第一个参数:特征数量
            nn.ReLU()
        )
        
        self.conv2 = nn.Sequential(
            nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, padding=0),
            nn.BatchNorm2d(12),
            nn.ReLU()
        )
        
        self.pool1 = nn.Sequential(
            nn.MaxPool2d(2, 2)
        )
        
        self.conv3 = nn.Sequential(
            nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, padding=0),
            nn.BatchNorm2d(24),
            nn.ReLU()
        )
        
        self.conv4 = nn.Sequential(
            nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, padding=0),
            nn.BatchNorm2d(24),
            nn.ReLU()
        )
        
        self.pool2 = nn.Sequential(
            nn.MaxPool2d(2, 2)
        )
        
        self.dropout = nn.Sequential(
            nn.Dropout(0.2)
        )
        
        self.fc = nn.Sequential(
            nn.Linear(24*50*50, len(classNames))
        )
        
    def forward(self, x):
        
        batch_size = x.size(0)  # 每一次训练的批次大小,N,C,H,W
        x = self.conv1(x)   # 卷积-->NB-->激活
        x = self.conv2(x)   # 卷积-->NB-->激活
        x = self.pool1(x)   # 池化
        x = self.conv3(x)   # 卷积-->NB-->激活
        x = self.conv4(x)   # 卷积-->NB-->激活
        x = self.pool2(x)   # 池化
        x = x.view(batch_size, -1)  # -1,代表自动展示,将24*50*50展开
        x = self.fc(x)
        
        return x
# 将网络结构导入GPU
model = Net_work().to(device)
model

输出:

Net_work(
  (conv1): Sequential(
    (0): Conv2d(3, 12, kernel_size=(5, 5), stride=(1, 1))
    (1): BatchNorm2d(12, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (conv2): Sequential(
    (0): Conv2d(12, 12, kernel_size=(5, 5), stride=(1, 1))
    (1): BatchNorm2d(12, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (pool1): Sequential(
    (0): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (conv3): Sequential(
    (0): Conv2d(12, 24, kernel_size=(5, 5), stride=(1, 1))
    (1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (conv4): Sequential(
    (0): Conv2d(24, 24, kernel_size=(5, 5), stride=(1, 1))
    (1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (pool2): Sequential(
    (0): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (dropout): Sequential(
    (0): Dropout(p=0.2, inplace=False)
  )
  (fc): Sequential(
    (0): Linear(in_features=60000, out_features=2, bias=True)
  )
)

3、模型的训练准备

1、设置超参数

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
# 初始化学习率
lr = 1e-4
# 创建梯度下降法
optimizer = torch.optim.SGD(model.parameters(), lr=lr)

2、创建训练函数

def train(dataloader, model, loss_fn, optimizer):
    # 总大小
    size = len(dataloader.dataset)
    # 批次大小
    batch_size = len(dataloader)
    
    # 准确率和损失
    trian_acc, train_loss = 0, 0
    
    # 训练
    for X, y in dataloader:
        X, y = X.to(device), y.to(device)
        
        # 模型训练与误差评分
        pred = model(X)
        loss = loss_fn(pred, y)
        
        # 梯度清零
        optimizer.zero_grad()  # 梯度上更新
        # 方向传播
        loss.backward()
        # 梯度更新
        optimizer.step()
        
        # 记录损失和准确率
        train_loss += loss.item()
        trian_acc += (pred.argmax(1) == y).type(torch.float64).sum().item()
    
    # 计算损失和准确率
    trian_acc /= size
    train_loss /= batch_size
    
    return trian_acc, train_loss

3、创建测试函数

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    batch_size = len(dataloader)
    
    test_acc, test_loss = 0, 0
    
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            
            pred = model(X)
            loss = loss_fn(pred, y)
            
            test_loss += loss.item()
            test_acc += (pred.argmax(1) == y).type(torch.float64).sum().item()
            
    test_acc /= size 
    test_loss /= batch_size
    
    return test_acc, test_loss

4、动态调整学习率

def adjust_learning_rate(optimizer, epoch, start_lr):
    # 调整规则:每 2 次都衰减到原来的 0.92
    lr = start_lr * (0.95 ** (epoch // 2))
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

4、正式训练

train_acc = []
train_loss = []
test_acc = []
test_loss = []

# 定义训练次数
epoches = 40

for epoch in range(epoches):
    
    # 动态调整学习率
    adjust_learning_rate(optimizer, epoches, lr)
    
    # 训练
    model.train()
    epoch_trian_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)
    
    # 测试
    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
    
    # 记录
    train_acc.append(epoch_trian_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)
    
    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}')
    print(template.format(epoch+1, epoch_trian_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
Epoch: 1, Train_acc:52.0%, Train_loss:0.736, Test_acc:52.6%, Test_loss:0.695
Epoch: 2, Train_acc:59.2%, Train_loss:0.685, Test_acc:61.8%, Test_loss:0.672
Epoch: 3, Train_acc:65.1%, Train_loss:0.644, Test_acc:72.4%, Test_loss:0.593
Epoch: 4, Train_acc:66.7%, Train_loss:0.616, Test_acc:65.8%, Test_loss:0.571
Epoch: 5, Train_acc:69.3%, Train_loss:0.602, Test_acc:68.4%, Test_loss:0.555
Epoch: 6, Train_acc:69.7%, Train_loss:0.580, Test_acc:69.7%, Test_loss:0.525
Epoch: 7, Train_acc:73.3%, Train_loss:0.559, Test_acc:77.6%, Test_loss:0.530
Epoch: 8, Train_acc:75.9%, Train_loss:0.544, Test_acc:71.1%, Test_loss:0.513
Epoch: 9, Train_acc:75.7%, Train_loss:0.531, Test_acc:75.0%, Test_loss:0.495
Epoch:10, Train_acc:78.7%, Train_loss:0.517, Test_acc:81.6%, Test_loss:0.508
Epoch:11, Train_acc:78.9%, Train_loss:0.499, Test_acc:78.9%, Test_loss:0.503
Epoch:12, Train_acc:81.3%, Train_loss:0.486, Test_acc:77.6%, Test_loss:0.482
Epoch:13, Train_acc:80.5%, Train_loss:0.480, Test_acc:76.3%, Test_loss:0.476
Epoch:14, Train_acc:83.3%, Train_loss:0.468, Test_acc:81.6%, Test_loss:0.497
Epoch:15, Train_acc:81.7%, Train_loss:0.459, Test_acc:81.6%, Test_loss:0.518
Epoch:16, Train_acc:83.9%, Train_loss:0.461, Test_acc:77.6%, Test_loss:0.465
Epoch:17, Train_acc:85.9%, Train_loss:0.443, Test_acc:78.9%, Test_loss:0.497
Epoch:18, Train_acc:84.9%, Train_loss:0.430, Test_acc:78.9%, Test_loss:0.485
Epoch:19, Train_acc:85.9%, Train_loss:0.428, Test_acc:78.9%, Test_loss:0.504
Epoch:20, Train_acc:86.5%, Train_loss:0.418, Test_acc:82.9%, Test_loss:0.446
Epoch:21, Train_acc:87.5%, Train_loss:0.406, Test_acc:82.9%, Test_loss:0.464
Epoch:22, Train_acc:87.5%, Train_loss:0.403, Test_acc:78.9%, Test_loss:0.486
Epoch:23, Train_acc:87.6%, Train_loss:0.393, Test_acc:81.6%, Test_loss:0.443
Epoch:24, Train_acc:88.6%, Train_loss:0.391, Test_acc:84.2%, Test_loss:0.435
Epoch:25, Train_acc:89.8%, Train_loss:0.374, Test_acc:78.9%, Test_loss:0.421
Epoch:26, Train_acc:89.8%, Train_loss:0.371, Test_acc:81.6%, Test_loss:0.444
Epoch:27, Train_acc:90.2%, Train_loss:0.372, Test_acc:82.9%, Test_loss:0.435
Epoch:28, Train_acc:90.8%, Train_loss:0.360, Test_acc:80.3%, Test_loss:0.431
Epoch:29, Train_acc:89.8%, Train_loss:0.356, Test_acc:80.3%, Test_loss:0.423
Epoch:30, Train_acc:91.8%, Train_loss:0.346, Test_acc:78.9%, Test_loss:0.447
Epoch:31, Train_acc:91.2%, Train_loss:0.343, Test_acc:84.2%, Test_loss:0.420
Epoch:32, Train_acc:92.4%, Train_loss:0.338, Test_acc:82.9%, Test_loss:0.455
Epoch:33, Train_acc:92.8%, Train_loss:0.333, Test_acc:80.3%, Test_loss:0.469
Epoch:34, Train_acc:92.4%, Train_loss:0.326, Test_acc:80.3%, Test_loss:0.432
Epoch:35, Train_acc:93.0%, Train_loss:0.321, Test_acc:82.9%, Test_loss:0.429
Epoch:36, Train_acc:92.4%, Train_loss:0.323, Test_acc:77.6%, Test_loss:0.459
Epoch:37, Train_acc:93.8%, Train_loss:0.312, Test_acc:84.2%, Test_loss:0.458
Epoch:38, Train_acc:94.0%, Train_loss:0.312, Test_acc:84.2%, Test_loss:0.437
Epoch:39, Train_acc:94.8%, Train_loss:0.306, Test_acc:81.6%, Test_loss:0.434
Epoch:40, Train_acc:93.6%, Train_loss:0.304, Test_acc:84.2%, Test_loss:0.421

5、结果可视化

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

epoch_length = range(epoches)

plt.figure(figsize=(12, 3))

plt.subplot(1, 2, 1)
plt.plot(epoch_length, train_acc, label='Train Accuaray')
plt.plot(epoch_length, test_acc, label='Test Accuaray')
plt.legend(loc='lower right')
plt.title('Accurary')

plt.subplot(1, 2, 2)
plt.plot(epoch_length, train_loss, label='Train Loss')
plt.plot(epoch_length, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Loss')

plt.show()

在这里插入图片描述

模型评价

  • 准确率:

    • 训练集稳定逐步上升
    • 测试集不太稳定,但是总体趋向上升
  • 损失率:

    • 训练集和测试集总体趋于下降
    • 训练和测试的差距后面,大于0.1,继续训练可能会出现过拟合的现象

6、预测

from PIL import Image

# 获取类型
classes = list(train_data.class_to_idx)

# 需要参数:路径、模型、类别
def predict_one_image(image_path, model, transform, classes):
    test_img = Image.open(image_path).convert('RGB')  # 以GRB颜色打开
    # 展示
    plt.imshow(test_img)
    
    test_img = transform(test_img)   # 统一规格
    # 压缩
    img = test_img.to(device).unsqueeze(0)  # 去掉第一个 1
    
    # 预测
    model.eval()
    output = model(img)
    
    _, pred = torch.max(output, 1)
    pred_class = classes[pred]
    print(f'预测结果是: {pred_class}')
    
# 预测
predict_one_image("./data/test/adidas/10.jpg", model, train_transforms, classes)
预测结果是: adidas

在这里插入图片描述

7、模型保存

path = './model.pth'
torch.save(model.state_dict(), path)  # 保存模型状态

model.load_state_dict(torch.load(path, map_location=device))  # 报错模型参数

输出:

<All keys matched successfully>

8、总结

准确率和损失率

  • 理想:测试集损失率底,且测试集准确率高

  • 过拟合:训练集准确率高,而测试集准确率比较低,比如在这个案例中,如果学习率直接设置固定值,会发现到后面的时候,准确率上升,甚至达到了98%,但是测试集准确率却一直在78%徘徊,故如训练次数多的时候,训练集准确度一般会一直上升(有梯度下降法优化),但是测试集可能会在后一个地方一直徘徊,甚至出现下降的现象,从而出现过拟合的现象

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/2137586.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

【IP协议】解决 IP 地址不够用的问题(IP地址管理:动态分配、NAT、Ipv6)

文章目录 方案一、动态分配 IP 地址方案二、NATNAT 机制的缺点 方案三、IPv6 方案一、动态分配 IP 地址 一个设备上网就分配 IP&#xff0c;不上网就先不分配&#xff08;权宜之计&#xff09; 方案二、NAT 网络地址转换 以一当千&#xff0c;使用一个 IP&#xff0c;代表一大…

Golang | Leetcode Golang题解之第404题左叶子之和

题目&#xff1a; 题解&#xff1a; func isLeafNode(node *TreeNode) bool {return node.Left nil && node.Right nil }func sumOfLeftLeaves(root *TreeNode) (ans int) {if root nil {return}q : []*TreeNode{root}for len(q) > 0 {node : q[0]q q[1:]if no…

anaconda 离线安装PySimpleGUI

下载离线py包 PySimpleGUI-5.0.6-py3-none-any.whl&#xff08;官网&#xff09;pyasn1-0.6.1-py3-none-any.whl&#xff08;清华镜像&#xff09;rsa-4.9-py3-none-any.whl&#xff08;清华镜像&#xff09; 打开Anaconda Prompt 测试 # -*- utf-8 -*- import PySimpleGUI …

同城找搭子小程序有哪些?找搭子社交软件测评笔记分享

寻找搭子不再迷茫&#xff01;今日测评几款热门找搭子小程序&#xff0c;为你开启全新社交体验。真实体验&#xff0c;深度剖析&#xff0c;帮你找到最适合的搭子平台&#xff0c;快来一探究竟。 1. 咕哇找搭子小程序&#xff1a;这是一个实名制的找搭子交友平台。正是由于实名…

任务通知(Task Notifications)

任务通知简介 相对于以前使用 FreeRTOS 内核通信的资源&#xff0c; 必须创建队列、 二进制信号量、计数信号量或事件组的情况&#xff0c; 使用任务通知显然更灵活。 按照 FreeRTOS 官方的说法&#xff0c; 使用任务通知比通过信号量等 IPC 通信方式解除阻塞的任务要快 45%&a…

基于RFID的门禁系统的设计(论文+源码)

1系统方案设计 通过需求分析&#xff0c;基于RFID的门禁系统总体设计框图。系统采用STM32单片机作为系统主控核心&#xff0c;利用独立按键与RFID识别模块能够实现门禁系统密码与IC卡开门功能。WiFi模块实现系统与手机APP的通信&#xff0c;用户可以通过手机APP进行门禁开关操…

怀孕之天赋共享:提高智商

想办法怀个哪吒享受三年&#xff0c;哈哈哈哈哈 话说我们有个同事&#xff0c;是属于憨得有点愣那种&#xff0c;情商也低。怀孕以后突然有一天我觉得她聪明了好几个数量级&#xff01;反应也快了说话也会说了&#xff0c;我说是不是她的宝宝给她提高了智商&#xff1f;后来生…

Redis学习——数据不一致怎么办?更新缓存失败了又怎么办?

文章目录 引言正文读写缓存的数据一致性只读缓存的数据一致性删除和修改数据不一致问题操作执行失败导致数据不一致解决办法 多线程访问导致数据不一致问题总结 总结参考信息 引言 最近面试快手的时候被问到了缓存不一致怎么解决&#xff1f;一开始还是很懵的&#xff0c;因为…

Git 的使用以及vscode 下git 的使用(一)

1、git 和svn Git 和 SVN 都是版本控制系统&#xff0c;它们都用于管理代码的版本&#xff0c;但它们之间有一些显著的区别&#xff1a; 分布式 vs 集中式&#xff1a;Git 是一个分布式版本控制系统&#xff0c;这意味着每个开发者都拥有整个代码库的完整副本&#xff0c;并且…

3DTiles —— 三维瓦片

文章目录 一、glTF二、3DTiles1.3dTiles的特点2.一个简单的3dTiles数据示例3.Tileset——(三维)瓦片数据集——.json顶级属性概览(必需)&#xff1a;asset、root、geometricError其他属性root、children、refine、content、boundingVolumechildrenrefine 细化bounding volumes …

大棚分割数据集,40765对影像,16.9g数据量,0.8米高分二,纯手工标注(arcgis标注)的大规模农业大棚分割数据集。

数据集名称&#xff1a; &#xff09;“Greenhouse Segmentation Dataset (GSD)” 数据集规模&#xff1a; 包含40,765对用于大棚分割的影像数据&#xff0c;每对影像包括一张原始图像和相应的分割标签图。 数据量&#xff1a; 总数据量约为16.9GB&#xff0c;适合存储在现…

推荐这款神器:Perplexity

今天推荐是一款AI搜索引擎&#xff0c;还支持gpt-4模型的使用&#xff0c;虽然4小时只能使用5次&#xff0c;但是相比于常规的搜索引擎&#xff0c;在某些方面还是很强的&#xff0c;个人感觉优于newbing。 页面简洁&#xff0c;没有广告&#xff0c;内容丰富&#xff0c;功能…

JVM面试真题总结(十)

文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 是否所有对象都分配在堆内存上? 在Java中&#xff0c;对象主要是…

SVM——支持向量机的学习入门

1、推荐文章 1、一文看懂SVM算法 2、图解机器学习|支持向量机模型详解 3、支持向量机的直观理解 2、分类问题 假设你的大学开设了一门机器学习&#xff08;ML&#xff09;课程。课程导师发现数学或统计学好的学生表现最佳。随着时间的推移&#xff0c;积累了一些数据&…

Mysql的高级查询:SQL关联查询(内连接/外连接/自连接)/子查询

一.关联查询&#xff1a; 定义&#xff1a;关联查询又叫连接查询 常见&#xff1a;内连接/外连接/自连接 1.内连接(无存在主从表&#xff09; 语法&#xff1a;inner join ...on 定义&#xff1a;组合两个表的记录&#xff0c;返回关联字段相符的记录&#xff0c;也就是返…

【LeetCode】每日一题 2024_9_15 与车相交的点(差分)

前言 每天和你一起刷 LeetCode 每日一题~ LeetCode 启动&#xff01; 今天的题目曾经的我做过了 . . . 又是复习的一天 题目&#xff1a;与车相交的点 代码与解题思路 func numberOfPoints(nums [][]int) (ans int) { diff : [102]int{}for _, p : range nums {diff[p[0]]d…

Orchestrator 与 Mysql 8.0 的兼容性

一、看图识别问题 二、Mysql 8.0 从 MySQL 8.0.22 开始,使用SHOW REPLICA STATUS代替SHOW SLAVE STATUS,该语句从该版本开始已弃用。 所以&#xff1a;Mysql 8.0.22前可以用Orchestartor

InternStudio大模型之路(十七):销冠大模型案例实战

一、&#x1f4e2; 简介 Streamer-Sales 销冠 —— 卖货主播大模型 是一个能够根据给定的商品特点从激发用户购买意愿角度出发进行商品解说的卖货主播大模型。以其独特的智能魅力&#xff0c;将彻底改变您的购物体验。该模型能深度理解商品特点&#xff0c;以生动、精准的语言…

NC输出二叉树的右视图

系列文章目录 文章目录 系列文章目录前言 前言 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站&#xff0c;这篇文章男女通用&#xff0c;看懂了就去分享给你的码吧。 描述 请根据二叉树…

QXDM 如何更新软件?

如何更新QXDM等高通软件&#xff1f;之前做过这个事情&#xff0c;但过几个月给别人讲的时候就忘记了&#xff0c;特做如下记录。 一. 背景知识&#xff1a; 1. QXDM 依赖于Qualcomm package Managers 3(QPM in short)。 目前的时间是2024年9月15日&#xff0c;但不知从何…