【大模型】LLaMA-Factory的环境配置、微调模型与测试

news2024/11/27 15:41:36

前言

【一些闲扯】
时常和朋友闲聊，时代发展这么快，在时代的洪流下，我们个人能抓住些什么呢。我问了大模型，文心一言是这样回答的：

  • 在快速发展的时代背景下，个人确实面临着诸多挑战，但同时也充满了机遇。尽管时代洪流滚滚向前，我们依然可以抓住一些关键要素，以实现个人成长和价值提升…（一些建议）… 记住，每个人的成长路径都是独一无二的，找到适合自己的方式并坚持下去才是最重要的。
     

哈哈跟没回答一样，毕竟是一个开放命题，还是要落到个人的行动上的。

先动起来吧，我的大模型的记录终于开始了。接下来将会做的事情：

  1. 将transfomer、GPT系列、Bert等论文进行下论文阅读、解析记录。
  2. 大模型相关的框架、库的使用，工程相关的知识体系。
  3. 高star的开源工程的环境配置与运行。
     

自主了解和记录会按照上面的顺序。而实际执行时受项目需要，顺序会换一换。

【日常常用大模型】
另外，自己日常工作中，常用的大模型有通义千问、文心一言、Kimi。以下的纯个人使用感受：

  • 通义千问：在提问技术问题时，会直接对问题展开解释和解决办法、或者实现对应的代码片段，其变量命名很精准。在代码类问题上使用感受较好。个人最常用。
  • 文心一言：提问技术问题时，总觉得会有前摇，当然回答得核心问题也是OK的。对非技术的问题的回答，用词更丰富些。
  • Kimi：最大的好处是会联网搜索当下新的技术知识。另外对文档内容的提取能力很优秀。
     

个人在界面上比较倾向通义千问。
在实际使用上，需要编写文档和生动的文词，使用文心一言；问代码工程类问题，选择通义千问；当通义千问回答不出来时候，就找Kimi了。当然无论哪个模型回答的代码或文本，是要抱有怀疑值，是要阅读和验证的，因为有时大模型真的会一本正经的乱说。

【大模型问答示例】

  • 文心一言
    在这里插入图片描述
  • 通义千问
    在这里插入图片描述在这里插入图片描述
  • Kimi
    在这里插入图片描述

OK，前面讲了一堆，接下来进入正题：大模型的微调工程-——LLaMA-Factory。

1 工程介绍

  • 作者： LLaMa Factory 的团队负责人是郑耀威，北京航空航天大学的博士生。
  • 论文链接：http://arxiv.org/pdf/2403.13372
  • github链接：https://github.com/hiyouga/LLaMA-Factory
  • 具体功能：LLaMA-Factory是一个开源的大型语言模型（LLM）微调框架，旨在帮助开发者高效地微调和部署大型语言模型。
  • 项目结构：LLaMA-Factory 的项目结构通常包括以下几个部分：
    • 模型库：包含支持的预训练模型。
      微调方法：包含不同的微调技术实现。
      数据集：提供或支持多种数据集，用于微调。
      训练和评估：提供训练和评估模型的脚本和工具。
      推理接口：提供模型推理的接口和工具。

在这里插入图片描述

2 环境配置

2.1 硬件与环境

  • 显卡型号：建议不低于3090，显存尽量24G+。这样可以训练比较主流的入门级别大模型 7B左右的版本。
    在这里插入图片描述
  • CUDA版本，推荐使用12.2。查看自己的设备中的cuda版本的命令 nvidia-smi
    在这里插入图片描述

2.2 运行环境配置

  • 终端键入如下命令
    ## 创建虚拟环境
conda create -n llama_factory python=3.11 -c conda-forge
## 激活虚拟环境
conda activate llama_factory
## 环境安装
pip install -e ".[torch,metrics]"
## 这里我从modelscope下载模型，所以要进行库的安装
pip install modelscope -U
  • 环境安装结束后，查看版本信息
    llamafactory-cli version

在这里插入图片描述

  • 查看gpu是否能被调用起来
    python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

在这里插入图片描述
上面的内容都正确运行结束后，说明环境配置已经完成。

3 LLaMa Factory 微调模型（使用web方式）

3.1 界面开启

  1. 设置使用modelscope下载模型，终端键入内容如下。也可在工程中 .env.local 文件中设置。
    export USE_MODELSCOPE_HUB=1
  2. 下载的大模型，一般都是几个G左右，所以下载的路径尽量不要放在系统盘，优先选择挂载的数据盘。所以就需要设置下对应的路径，终端键入内容如下，后面的路径根据自己实际情况更换。
    export MODELSCOPE_CACHE="/opt/ai-platform/lldataset/240/modelscope/"
export MODELSCOPE_MODULES_CACHE="/opt/ai-platform/lldataset/240/modelscope/modelscope_modules"
  3. 开启web界面
    llamafactory-cli webui

方便起见，上面的命令可以写在一个bash文件中。具体的，在根目录创建个 run_with_webui.sh，里面的内容为如下。当然也可以将其配置的系统环境变量当中，这里使用临时方式。

export USE_MODELSCOPE_HUB=1 # 使用 modelscope 下载模型 
export MODELSCOPE_CACHE="/opt/ai-platform/lldataset/240/modelscope/"
export MODELSCOPE_MODULES_CACHE="/opt/ai-platform/lldataset/240/modelscope/modelscope_modules"

llamafactory-cli webui

运行结束后，在浏览器的http://localhost:7860/中可以打开大模型训练界面。WebUI 主要分为四个界面：训练、评估与预测、对话、导出。

3.2 模型微调训练

在开始训练模型之前，需要指定的参数有：

  1. 模型名称及路径
  2. 微调方法
  3. 训练数据集
  4. 学习率、训练轮数等训练参数
  5. 微调参数等其他参数
  6. 输出目录及配置路径
     

尝试如下图，设置好后开启训练。
若需要量化，在【量化等级】中，选择对应的数值即可，量化会带来精度损失，但显存占用会降低。
在这里插入图片描述在这里插入图片描述
第一次调用会耗费些时间，下载模型和数据（可在终端的打印的信息查看进度）。
运行时可能会报错：

  • 若存在库缺失，pip安装即可；
  • 可能报错，说modelscope和datasets的库不兼容，安装兼容版本即可。个人使用可运行版本如下
    在这里插入图片描述
    训练结束后界面显示如下：
    在这里插入图片描述

3.3 微调模型的测试效果

为了对比基座模型和微调模型的差异，在【Chat】界面，分别调用基座模型和微调模型的进行问答，问题来源于训练时使用的数据集。训练时的数据内容如下：
在这里插入图片描述

  1. 使用基座模型进行问答：
    在这里插入图片描述
    加载模型后，在界面的最下端输入要问的问题。基座模型回答如下
    在这里插入图片描述
  2. 微调模型进行问答：
    注意：要先进行【卸载模型】，否则显存没有释放，剩余显存可能无法加载新的模型。
    在这里插入图片描述
    微调模型回答如下，发现回答内容与数据集中的答案并不相符。
    分析原因，应该是初始学习率偏小，然后学习的轮次也偏少，导致微调模型欠拟合。
    在这里插入图片描述
  3. 接下来就是根据经验调参，可以再尝试下，学习率修改为5e-4，epoch为6。

3.4 微调模型的合并与导出

  1. 先在【Chat】将要导出的微调模型 进行加载
    在这里插入图片描述
  2. 先在【Export】设置好导出路径，开始导出
    在这里插入图片描述

4 LLaMa Factory 微调模型（源码方式）

4.1 运行命令

依然选择modelscope来下载模型。工程根目录创建 run_with_command.sh。里面的内容编辑如下：

export USE_MODELSCOPE_HUB=1 # 使用 modelscope 下载模型 
export MODELSCOPE_CACHE="/opt/ai-platform/lldataset/240/modelscope/"
export MODELSCOPE_MODULES_CACHE="/opt/ai-platform/lldataset/240/modelscope/modelscope_modules"

llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml

运行后，若模型能正常下载则继续训。但模型下载可能存在异常。

4.2 模型的下载问题

我这里报错，基座模型路径不存在。
在这里插入图片描述
于是，使用直接去 modelscope上获取对应模型下载命令。方法如下：

  • 登录网址：https://www.modelscope.cn/my/overview

  • 搜索所需模型：
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 选择使用 modelscope download --model ***命令进行下载。想要将模型下载到指定路径，则跟一个参数即可，最终命令如下

    modelscope download --model LLM-Research/Meta-Llama-3-8B-Instruct \
				    --local_dir /opt/ai-platform/lldataset/240/modelscope/hub/meta-llama/Meta-Llama-3-8B-Instruct

    然后等下载结束即可
    在这里插入图片描述
     

  • 【配置文件的修改】
    对应的要进行配置文件的修改。训练时调用的是 examples/train_lora/llama3_lora_sft.yaml，文件内需要修改个配置 model_name_or_path为上一步下载的模型路径；另外这里修改了训练的数据集为中文的数据集。

    ### model 
# 指定了要使用的预训练模型名字或路径。这里使用的是 meta-llama/Meta-Llama-3-8B-Instruct，这是一个经过指令调优的 8B 参数的 LLaMA 模型。
# model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
model_name_or_path: /opt/ai-platform/lldataset/240/modelscope/hub/meta-llama/Meta-Llama-3-8B-Instruct

### method
stage: sft             # 指定了微调的阶段，这里是 sft（Supervised Fine-Tuning），表示监督微调。
do_train: true         # 指定了是否进行训练。
finetuning_type: lora  # 指定了微调的类型，这里是 lora。
lora_target: all       # 指定了要进行 lora 微调的目标，这里是 all，表示对所有层进行微调。

### dataset
# dataset: identity,alpaca_en_demo  # 指定了要使用的数据集，这里是 identity 和 alpaca_en_demo。
dataset: alpaca_zh_demo           # 使用中文的一个数据集，。
template: llama3                  # 指定了要使用的模板，这里是 llama3。
cutoff_len: 2048                  # 指定了截断长度，这里是 2048。
max_samples: 1000                 # 指定了最大样本数，这里是 1000。
overwrite_cache: true             # 指定了是否覆盖缓存。
preprocessing_num_workers: 16     # 指定了预处理时的工作线程数，这里是 16。

### output
output_dir: saves/llama3-8b/lora/sft   # 指定了输出目录，这里是 saves/llama3-8b/lora/sft。
logging_steps: 10                      # 指定了日志输出的步数，这里是 10。
save_steps: 500                        # 指定了保存模型的步数，这里是 500。
plot_loss: true                        # 指定了是否绘制损失曲线。
overwrite_output_dir: true             # 指定了是否覆盖输出目录。

### train
per_device_train_batch_size: 1       # 指定了训练时每个设备的批量大小，这里是 1。
gradient_accumulation_steps: 8       # 指定了梯度累积的步数，这里是 8。
learning_rate: 1.0e-4                # 指定了学习率，这里是 1.0e-4。
num_train_epochs: 3.0                # 指定了训练的总轮数，这里是 3.0。
lr_scheduler_type: cosine            # 指定了学习率调度器的类型，这里是 cosine。
warmup_ratio: 0.1                    # 指定了预热比例，这里是 0.1。
bf16: true                           # 指定了是否使用 bf16 精度。
ddp_timeout: 180000000               # 指定了 ddp 超时时间，这里是 180000000。

### eval
val_size: 0.1                          # 指定了验证集的大小，这里是 0.1。
per_device_eval_batch_size: 1          # 指定了验证时每个设备的批量大小，这里是 1。
eval_strategy: steps                   # 指定了评估策略，这里是 steps。
eval_steps: 500                        # 指定了评估的步数，这里是 500。

完成以上操作，运行run_with_command.sh后，可正常开启训练。训练结束后，如下图：
在这里插入图片描述

4.3 微调模型的对话测试

  1. run_with_command.sh文件修改内容如下：
    export USE_MODELSCOPE_HUB=1 # 使用 modelscope 下载模型 
export MODELSCOPE_CACHE="/opt/ai-platform/lldataset/240/modelscope/"
export MODELSCOPE_MODULES_CACHE="/opt/ai-platform/lldataset/240/modelscope/modelscope_modules"

# llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml
llamafactory-cli chat examples/inference/llama3_lora_sft.yaml
  2. 打开examples/inference/llama3_lora_sft.yaml文件，同样的需要修改基座模型路径。
    若使用基座模型开启对话，修改后如下：
    # model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
model_name_or_path: /opt/ai-platform/lldataset/240/modelscope/hub/meta-llama/Meta-Llama-3-8B-Instruct
template: llama3
    若使用微调模型开启对话，修改后如下：
    # model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
model_name_or_path: /opt/ai-platform/lldataset/240/modelscope/hub/meta-llama/Meta-Llama-3-8B-Instruct
adapter_name_or_path: saves/llama3-8b/lora/sft
template: llama3
finetuning_type: lora
  3. 终端键入sh run_with_command.sh。就可以开启和大模型的对话了在这里插入图片描述

4.4 LLaMa Factory 微调模型的合并

上面的两种方式，调用微调模型时，都需要同时加载基座模型。在实际使用时，希望仅使用一个大模型即可，所以这里有个合并的操作。

  1. run_with_command.sh文件修改内容如下：

    export USE_MODELSCOPE_HUB=1 # 使用 modelscope 下载模型 
export MODELSCOPE_CACHE="/opt/ai-platform/lldataset/240/modelscope/"
export MODELSCOPE_MODULES_CACHE="/opt/ai-platform/lldataset/240/modelscope/modelscope_modules"

# llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml
# llamafactory-cli chat examples/inference/llama3_lora_sft.yaml
llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml

  2. 打开examples/merge_lora/llama3_lora_sft.yaml文件，同样的需要修改基座模型路径。
    注意事项：不要在合并 LoRA 适配器时使用量化模型或设置量化位数。这可能会导致合并失败或模型性能下降。

    ### model
# model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
model_name_or_path: /opt/ai-platform/lldataset/240/modelscope/hub/meta-llama/Meta-Llama-3-8B-Instruct
adapter_name_or_path: saves/llama3-8b/lora/sft
template: llama3
finetuning_type: lora

### export
export_dir: models/llama3_lora_sft
export_size: 2
export_device: cpu   ## 导出时使用的设备
export_legacy_format: false

  3. 终端键入sh run_with_command.sh。成功运行后，在保存路径下生成合并模型。在这里插入图片描述

5 将微调模型仿 OpenAI 兼容接口

5.1 服务的启动

  1. 打开examples/inference/llama3_vllm.yaml，文件内修改个model_name_or_path为微调模型的导出路径。
    model_name_or_path: models/llama3_lora_sft
template: llama3
infer_backend: vllm
vllm_enforce_eager: true
  2. 终端键入命令如下
    API_PORT=8000 llamafactory-cli api examples/inference/llama3_vllm.yaml
    正常的话，服务应可以正确开启。终端界面如下图：
    在这里插入图片描述
  3. 可能存在报错
    ValueError: Bfloat16 is only supported on GPUs with compute capability of at least 8.0. Your Tesla V100-SXM2-32GB GPU has compute capability 7.0. You can use float16 instead by explicitly setting the`dtype` flag in CLI, for example: --dtype=half.
    在这里插入图片描述
    具体原因：GPU 不支持 bfloat16 数据类型。具体的，Tesla V100-SXM2-32GB GPU 的计算能力为 7.0，而 bfloat16 需要至少 8.0 的计算能力。
    解决方案：float16 数据类型代替 bfloat16。
    具体操作：尝试在yaml文件配置，以及终端命令加上对应的参数，均无法正确运行。那就最简单粗暴的方式，在源码中强行设置dtype。
    在文件 src/llamafactory/chat/vllm_engine.py中搜索和添加内容如下
    ## 添加
engine_args['dtype'] = "float16"
## 搜索
self.model = AsyncLLMEngine.from_engine_args(AsyncEngineArgs(**engine_args))
    修改后即可正常运行。

5.2 命令行测试

【服务器上发送请求】

  • 服务器上另起一个终端，键入如下命令
    curl -X POST http://127.0.0.1:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer x" \
-d '{
  "model": "llama3_lora_sft",
  "messages": [
    {
      "role": "user",
      "content": "1+1 等于几？"
    }
  ],
  "max_tokens": 4096
}'
    若正常运行，打印如下：
    在这里插入图片描述
     

【本地发送请求】

  • 若想在本地发送请求，则需把命令中的ip切换成服务器的。
  • 但我这里报错无法连接服务。
    在这里插入图片描述
    要解决从本地机器访问远程服务器上的服务的问题，可以使用 SSH 隧道（也称为端口转发），从而绕过防火墙和网络限制。SSH 隧道可以将本地机器上的一个端口转发到远程服务器上的一个端口，从而实现从本地机器访问远程服务。
    具体操作如下：
    • 1 在本地终端运行命令
      ssh -L 8000:127.0.0.1:8000 LL@10.91.208.210
      【-L 8000:127.0.0.1:8000】 这部分指定了端口转发的配置。
      【8000】本地机器上的端口。
      【127.0.0.1:8000】 远程服务器上的目标地址和端口。
      【LL@10.91.208.210】 远程服务器的登录信息。
    • 2 输入密码
      执行上述命令后，系统会提示你输入远程服务器的密码。输入密码后，SSH 隧道就会建立。
    • 3 在本地测试
      现在，你可以通过本地的 8000 端口访问远程服务器上的服务：
      curl -X POST http://127.0.0.1:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer x" \
-d '{
  "model": "llama3_lora_sft",
  "messages": [
    {
      "role": "user",
      "content": "1+1 等于几？"
    }
  ],
  "max_tokens": 4096
}'
      可看到服务的相应如下。注意：要保持 SSH 隧道连接状态。如果连接断开，需要重新运行上述命令来重新建立隧道。.在这里插入图片描述

5.3 可视化测试

下载安装NextChat的release版本的windows 版本。下载后傻瓜式安装。https://github.com/ChatGPTNextWeb/ChatGPT-Next-Web/releases
在这里插入图片描述
在这里插入图片描述
先写到这吧，后续待补充。

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/2248496.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

PostgreSQL的学习心得和知识总结（一百五十八）|在线调优工具pgtune的实现原理和源码解析

PostgreSQL的学习心得和知识总结（一百五十八）|在线调优工具pgtune的实现原理和源码解析

目录结构 注：提前言明 本文借鉴了以下博主、书籍或网站的内容，其列表如下： 1、参考书籍：《PostgreSQL数据库内核分析》 2、参考书籍：《数据库事务处理的艺术：事务管理与并发控制》 3、PostgreSQL数据库仓库…
阅读更多...
汽车渲染领域：Blender 和 UE5 哪款更适用？两者区别？

汽车渲染领域：Blender 和 UE5 哪款更适用？两者区别？

在汽车渲染领域，选择合适的工具对于实现高质量的视觉效果至关重要。Blender和UE5（Unreal Engine 5）作为两大主流3D软件，各自在渲染动画方面有着显著的差异。本文将从核心定位与用途、工作流程、渲染技术和灵活性、后期处理与合成四…
阅读更多...
机器学习—迁移学习：使用其他任务中的数据

机器学习—迁移学习：使用其他任务中的数据

对于一个没有那么多数据的应用程序，迁移学习是一种奇妙的技术，它允许你使用来自不同任务的数据来帮助你的应用程序，迁移学习是如何工作的？ 以下是迁移学习的工作原理，假设你想识别手写的数字0到9，但是你没…
阅读更多...
LeetCode 3206.交替组 I：遍历

LeetCode 3206.交替组 I：遍历

【LetMeFly】3206.交替组 I：遍历 力扣题目链接：https://leetcode.cn/problems/alternating-groups-i/ 给你一个整数数组 colors ，它表示一个由红色和蓝色瓷砖组成的环，第 i 块瓷砖的颜色为 colors[i] ： colors[i] …
阅读更多...
如何通过高效的缓存策略无缝加速湖仓查询

如何通过高效的缓存策略无缝加速湖仓查询

引言 本文将探讨如何利用开源项目 StarRocks 的缓存策略来加速湖仓查询，为企业提供更快速、更灵活的数据分析能力。作为 StarRocks 社区的主要贡献者和商业化公司，镜舟科技深度参与 StarRocks 项目开发，也为企业着手构建湖仓架构提供更多参考…
阅读更多...
25A物联网微型断路器 智慧空开1P 2P 3P 4P-安科瑞黄安南

25A物联网微型断路器 智慧空开1P 2P 3P 4P-安科瑞黄安南

微型断路器，作为现代电气系统中不可或缺的重要组件，在保障电路安全与稳定运行方面发挥着关键作用。从其工作原理来看，微型断路器通过感知电流的异常变化来迅速作出响应。当电路中的电流超过预设的安全阈值时，其内部的电磁感应装置…
阅读更多...
目标检测，图像分割，超分辨率重建

目标检测，图像分割，超分辨率重建

目标检测和图像分割 目标检测和图像分割是计算机视觉中的两个不同任务，它们的输出形式也有所不同。下面我将分别介绍这两个任务的输出。图像分割又可以分为：语义分割、实例分割、全景分割。 语义分割（Semantic Segmentation）&…
阅读更多...
16 —— Webpack多页面打包

16 —— Webpack多页面打包

需求&#xff1a;把 黑马头条登陆页面-内容页面 一起引入打包使用 步骤&#xff1a; 准备源码&#xff08;html、css、js&#xff09;放入相应位置&#xff0c;并改用模块化语法导出 原始content.html代码 <!DOCTYPE html> <html lang"en"><head&…
阅读更多...
《PH47 快速开发教程》发布

《PH47 快速开发教程》发布

PDF 教程下载位于CSDN资源栏目&#xff08;网页版本文上方&#xff09; 或Gitee&#xff1a;document ss15/PH47 - 码云 - 开源中国
阅读更多...
腾讯云OCR车牌识别实践：从图片上传到车牌识别

腾讯云OCR车牌识别实践：从图片上传到车牌识别

在当今智能化和自动化的浪潮中&#xff0c;车牌识别&#xff08;LPR&#xff09;技术已经广泛应用于交通管理、智能停车、自动收费等多个场景。腾讯云OCR车牌识别服务凭借其高效、精准的识别能力&#xff0c;为开发者提供了强大的技术支持。本文将介绍如何利用腾讯云OCR车牌识别…
阅读更多...
C++ 优先算法 —— 无重复字符的最长子串（滑动窗口）

C++ 优先算法 —— 无重复字符的最长子串（滑动窗口）

目录 题目&#xff1a; 无重复字符的最长子串 1. 题目解析 2. 算法原理 Ⅰ. 暴力枚举 Ⅱ. 滑动窗口&#xff08;同向双指针&#xff09; 3. 代码实现 Ⅰ. 暴力枚举 Ⅱ. 滑动窗口 题目&#xff1a; 无重复字符的最长子串 1. 题目解析 题目截图&#xff1a; 此题所说的…
阅读更多...
[网安靶场] [更新中] UPLOAD LABS —— 靶场笔记合集

[网安靶场] [更新中] UPLOAD LABS —— 靶场笔记合集

GitHub - c0ny1/upload-labs: 一个想帮你总结所有类型的上传漏洞的靶场一个想帮你总结所有类型的上传漏洞的靶场. Contribute to c0ny1/upload-labs development by creating an account on GitHub.https://github.com/c0ny1/upload-labs 0x01&#xff1a;UPLOAD LABS 靶场初识…
阅读更多...
安装python拓展库pyquery相关问题

安装python拓展库pyquery相关问题

我采用的是离线whl文件安装, 从官方库地址: https://pypi.org/, 下载whl文件, 然后在本地电脑上执行pip install whl路径文件名.whl 但是在运行时报错如下图 大体看了看, 先是说了说找到了合适的 lxml>2.1, 在我的python库路径中, 然后我去看了看我的lxml版本, 是4.8.0, 对…
阅读更多...
春秋云境 CVE 复现

春秋云境 CVE 复现

CVE-2022-4230 靶标介绍 WP Statistics WordPress 插件13.2.9之前的版本不会转义参数&#xff0c;这可能允许经过身份验证的用户执行 SQL 注入攻击。默认情况下&#xff0c;具有管理选项功能 (admin) 的用户可以使用受影响的功能&#xff0c;但是该插件有一个设置允许低权限用…
阅读更多...
图论入门编程

图论入门编程

卡码网刷题链接&#xff1a;98. 所有可达路径 一、题目简述 二、编程demo 方法①邻接矩阵 from collections import defaultdict #简历邻接矩阵 def build_graph(): n, m map(int,input().split()) graph [[0 for _ in range(n1)] for _ in range(n1)]for _ in range(m): …
阅读更多...
Jackson库中JsonInclude的使用

Jackson库中JsonInclude的使用

简介 JsonInclude是 Jackson 库&#xff08;Java 中用于处理 JSON 数据的流行库&#xff09;中的一个注解。它用于控制在序列化 Java 对象为 JSON 时&#xff0c;哪些属性应该被包含在 JSON 输出中。这个注解提供了多种策略来决定属性的包含与否&#xff0c;帮助减少不必要的数…
阅读更多...
鸿蒙学习自由流转与分布式运行环境-价值与架构定义(1)

鸿蒙学习自由流转与分布式运行环境-价值与架构定义(1)

文章目录 价值与架构定义1、价值2、架构定义 随着个人设备数量越来越多&#xff0c;跨多个设备间的交互将成为常态。基于传统 OS 开发跨设备交互的应用程序时&#xff0c;需要解决设备发现、设备认证、设备连接、数据同步等技术难题&#xff0c;不但开发成本高&#xff0c;还存…
阅读更多...
【论文复现】融入模糊规则的宽度神经网络结构

【论文复现】融入模糊规则的宽度神经网络结构

&#x1f4dd;个人主页&#x1f339;&#xff1a;Eternity._ &#x1f339;&#x1f339;期待您的关注 &#x1f339;&#x1f339; ❀ 融入模糊规则的宽度神经网络结构 论文概述创新点及贡献 算法流程讲解核心代码复现main.py文件FBLS.py文件 使用方法测试结果示例&#xff1a…
阅读更多...
网上蛋糕售卖店管理系(Java+SpringBoot+MySQL)

网上蛋糕售卖店管理系(Java+SpringBoot+MySQL)

摘 要 传统办法管理信息首先需要花费的时间比较多&#xff0c;其次数据出错率比较高&#xff0c;而且对错误的数据进行更改也比较困难&#xff0c;最后&#xff0c;检索数据费事费力。因此&#xff0c;在计算机上安装网上蛋糕售卖店管理系统软件来发挥其高效地信息处理的作用…
阅读更多...
Vue.js基础——贼简单易懂！！（响应式 ref 和 reactive、v-on、v-show 和 v-if、v-for、v-bind）

Vue.js基础——贼简单易懂！！（响应式 ref 和 reactive、v-on、v-show 和 v-if、v-for、v-bind）

Vue.js是一个渐进式JavaScript框架&#xff0c;用于构建用户界面。它专门设计用于Web应用程序&#xff0c;并专注于视图层。Vue允许开发人员创建可重用的组件&#xff0c;并轻松管理状态和数据绑定。它还提供了一个虚拟DOM系统&#xff0c;用于高效地渲染和重新渲染组件。Vue以…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023