CNN分类-卷积神经网络（Convolutional Neural Network）

news2024/12/24 2:10:49

CNN分类-卷积神经网络（Convolutional Neural Network）

源代码

CNN分类的用途介绍

什么是卷积神经网络（CNN）？

卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，特别擅长处理具有网格结构的数据，如图像。CNN通过卷积层、池化层和全连接层等结构，能够自动提取数据中的空间特征，广泛应用于计算机视觉和图像处理领域。

CNN的主要用途和应用场景

  1. 图像分类

    • 应用示例：识别和分类图像中的物体，如猫、狗、车辆等。
    • 解释：通过学习图像中的特征，CNN能够将图像准确分类到不同的类别中。

  2. 目标检测

    • 应用示例：在图像中定位并识别多个物体，如自动驾驶中的行人和车辆检测。
    • 解释：CNN能够识别图像中不同物体的位置和类别，实现精确的目标检测。

  3. 图像分割

    • 应用示例：将图像分割成不同的区域，如医学影像中的器官分割。
    • 解释：CNN通过像素级的分类，实现对图像的精细分割。

  4. 人脸识别

    • 应用示例：识别和验证个人身份，如手机解锁、安防监控。
    • 解释：CNN能够提取人脸特征，实现高准确度的人脸识别和验证。

  5. 图像生成

    • 应用示例：生成逼真的图像，如生成对抗网络（GAN）中的图像合成。
    • 解释：CNN能够学习图像的分布特征，生成高质量的新图像。

  6. 视频分析

    • 应用示例：视频内容识别、行为分析、异常检测。
    • 解释：CNN结合时间序列分析，能够处理和分析视频中的动态信息。

  7. 医疗影像分析

    • 应用示例：自动检测癌症、分析X光片和MRI图像。
    • 解释：CNN能够辅助医生快速、准确地分析医疗影像，提升诊断效率和准确性。

  8. 自动驾驶

    • 应用示例：环境感知、路径规划、障碍物检测。
    • 解释：CNN用于处理车辆周围的视觉信息，实现自动驾驶系统的感知与决策。

CNN的优势

  • 自动特征提取：无需手工设计特征，CNN能够自动学习和提取数据中的有用特征。
  • 空间不变性：通过卷积和池化操作，CNN具有一定的平移不变性，能够识别不同位置的物体。
  • 参数共享：卷积核在整个输入数据上共享参数，减少了模型的参数数量，提升了训练效率。
  • 深层结构：多层的网络结构能够捕捉数据中的复杂模式和高层次特征。

CNN的局限性

  • 计算资源需求高：深层CNN需要大量的计算资源和内存，训练时间较长。
  • 对旋转和尺度变化敏感：虽然CNN具有一定的平移不变性，但对旋转和尺度变化仍然敏感。
  • 需要大量标注数据：训练高性能的CNN通常需要大量的标注数据，获取和标注数据成本较高。
  • 过拟合风险：深层模型容易在小数据集上过拟合，需要有效的正则化和数据增强技术。

总结

卷积神经网络（CNN）作为深度学习领域的核心模型，在图像处理、计算机视觉、医疗诊断、自动驾驶等多个领域展现出强大的性能。通过其独特的结构和自动特征提取能力，CNN能够高效、准确地处理和分析复杂的视觉数据。然而，随着技术的发展，如何优化CNN的结构、提升其泛化能力、减少计算资源消耗，仍然是研究和应用中的重要课题。

带有详细中文注释的Matlab代码

%% 初始化
clear         % 清除工作区中的所有变量
close all     % 关闭所有打开的图形窗口
clc           % 清除命令窗口的内容
warning off   % 关闭警告信息

%% 读取数据
res = xlsread('数据集.xlsx'); % 从Excel文件中读取数据，存储在变量res中

%% 分析数据
num_class = length(unique(res(:, end)));  % 计算类别数，假设最后一列为类别标签
num_dim = size(res, 2) - 1;               % 计算特征维度（总列数减去类别列）
num_res = size(res, 1);                   % 计算样本总数，每一行代表一个样本
num_size = 0.7;                           % 设置训练集占数据集的比例为70%
res = res(randperm(num_res), :);          % 随机打乱数据集顺序（提高模型泛化能力）
% 如果不需要打乱数据，可以注释掉上行代码
flag_conusion = 1;                        % 标志位为1，启用混淆矩阵绘制（要求Matlab 2018及以上版本）

%% 设置变量存储数据
P_train = [];  % 初始化训练集输入特征
P_test = [];   % 初始化测试集输入特征
T_train = [];  % 初始化训练集目标输出
T_test = [];   % 初始化测试集目标输出

%% 划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 提取当前类别的所有样本
    mid_size = size(mid_res, 1);                    % 当前类别的样本数量
    mid_tiran = round(num_size * mid_size);         % 计算当前类别的训练样本数量（四舍五入）
    
    % 将当前类别的训练样本添加到训练集
    P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];       % 训练集输入特征（除最后一列）
    T_train = [T_train; mid_res(1: mid_tiran, end)];              % 训练集目标输出（最后一列）
    
    % 将当前类别的测试样本添加到测试集
    P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];  % 测试集输入特征
    T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];         % 测试集目标输出
end

%% 数据转置
P_train = P_train'; % 转置训练集输入特征，使每列代表一个样本
P_test = P_test';   % 转置测试集输入特征
T_train = T_train'; % 转置训练集目标输出
T_test = T_test';   % 转置测试集目标输出

%% 得到训练集和测试样本个数
M = size(P_train, 2); % 训练集样本数量
N = size(P_test , 2); % 测试集样本数量

%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);               % 将训练集输入特征归一化到[0,1]范围
P_test  = mapminmax('apply', P_test, ps_input);               % 使用相同的归一化参数处理测试集输入特征

t_train = categorical(T_train)'; % 将训练集目标输出转换为分类类型，并转置
t_test  = categorical(T_test )'; % 将测试集目标输出转换为分类类型，并转置

%% 数据平铺
% 将数据平铺成1维数据是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train = double(reshape(P_train, num_dim, 1, 1, M)); % 将训练集数据重塑为4D张量，适应CNN输入
p_test  = double(reshape(P_test , num_dim, 1, 1, N)); % 将测试集数据重塑为4D张量，适应CNN输入

%% 构造网络结构
layers = [
    imageInputLayer([num_dim, 1, 1])                           % 输入层，输入尺寸为[num_dim, 1, 1]
    
    convolution2dLayer([2, 1], 16, 'Padding', 'same')          % 卷积层，卷积核大小为2x1，生成16个卷积核，填充方式为'same'
    batchNormalizationLayer                                    % 批归一化层，加速训练和稳定网络
    reluLayer                                                  % ReLU激活层，引入非线性
    
    maxPooling2dLayer([2, 1], 'Stride', [2, 1])               % 最大池化层，池化窗口大小为2x1，步长为[2, 1]
    
    convolution2dLayer([2, 1], 32, 'Padding', 'same')          % 卷积层，卷积核大小为2x1，生成32个卷积核，填充方式为'same'
    batchNormalizationLayer                                    % 批归一化层
    reluLayer                                                  % ReLU激活层
    
    fullyConnectedLayer(num_class)                             % 全连接层，输出神经元数量等于类别数
    softmaxLayer                                               % Softmax层，将输出转换为概率分布
    classificationLayer];                                      % 分类层，计算分类损失
                                        
%% 参数设置
options = trainingOptions('adam', ...                      % 使用Adam优化器
    'MaxEpochs', 500, ...                  % 最大训练次数为500
    'InitialLearnRate', 1e-3, ...          % 初始学习率为0.001
    'L2Regularization', 1e-4, ...          % L2正则化参数，防止过拟合
    'LearnRateSchedule', 'piecewise', ...  % 学习率调度方式为分段
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子为0.1
    'LearnRateDropPeriod', 400, ...        % 每经过400个epoch，学习率下降
    'Shuffle', 'every-epoch', ...          % 每个epoch后打乱数据集
    'ValidationPatience', Inf, ...         % 关闭验证
    'Plots', 'training-progress', ...      % 绘制训练过程图
    'Verbose', false);                     % 关闭详细训练信息输出

%% 训练模型
net = trainNetwork(p_train, t_train, layers, options); % 使用训练集数据和定义的网络结构训练CNN模型

%% 预测模型
t_sim1 = predict(net, p_train); % 使用训练集数据进行预测，得到预测概率
t_sim2 = predict(net, p_test ); % 使用测试集数据进行预测，得到预测概率

%% 反归一化
% 注意：由于使用的是分类层，predict函数输出的是类别概率，因此无需反归一化
% 这里使用vec2ind可能不适用于categorical类型，可以直接转换为类别索引
T_sim1 = vec2ind(t_sim1'); % 将训练集预测概率转换为类别索引
T_sim2 = vec2ind(t_sim2'); % 将测试集预测概率转换为类别索引

%% 性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ; % 计算训练集准确率
error2 = sum((T_sim2 == T_test )) / N * 100 ; % 计算测试集准确率

%% 绘制网络分析图
analyzeNetwork(layers) % 绘制网络结构图，便于理解网络层级和参数

%% 绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) % 绘制训练集真实值与预测值对比图
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
title({'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}) % 设置图形标题，显示准确率
grid on % 显示网格

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) % 绘制测试集真实值与预测值对比图
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
title({'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}) % 设置图形标题，显示准确率
grid on % 显示网格

%% 混淆矩阵
if flag_conusion == 1
    figure
    cm_train = confusionchart(T_train, T_sim1); % 绘制训练集混淆矩阵
    cm_train.Title = '训练集混淆矩阵';
    cm_train.ColumnSummary = 'column-normalized'; % 列归一化显示
    cm_train.RowSummary = 'row-normalized';       % 行归一化显示
        
    figure
    cm_test = confusionchart(T_test, T_sim2); % 绘制测试集混淆矩阵
    cm_test.Title = '测试集混淆矩阵';
    cm_test.ColumnSummary = 'column-normalized'; % 列归一化显示
    cm_test.RowSummary = 'row-normalized';       % 行归一化显示
end

代码详细说明与注释

1. 初始化部分
clear
close all
clc
warning off
  • 功能：清理工作环境，确保代码在干净的环境中运行。
    • clear：清除所有变量，释放内存。
    • close all：关闭所有打开的图形窗口。
    • clc：清空命令窗口内容。
    • warning off：关闭所有警告信息，避免干扰输出。
2. 读取数据
res = xlsread('数据集.xlsx');
  • 功能：从Excel文件中读取数据。
    • 假设数据集位于“数据集.xlsx”文件中，每一行代表一个样本，最后一列为类别标签。
3. 分析数据
num_class = length(unique(res(:, end)));
num_dim = size(res, 2) - 1;
num_res = size(res, 1);
num_size = 0.7;
res = res(randperm(num_res), :);
flag_conusion = 1;
  • 功能：
    • 计算类别数（num_class），即数据集中不同类别的数量。
    • 计算特征维度（num_dim），即数据集中除去类别标签的特征数量。
    • 计算样本总数（num_res）。
    • 设置训练集占数据集的比例为70%（num_size）。
    • 随机打乱数据集顺序，增加模型的泛化能力。
    • 设置标志位flag_conusion为1，表示启用混淆矩阵绘制。
4. 设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
  • 功能：初始化训练集和测试集的输入特征（P_train、P_test）及目标输出（T_train、T_test）。
5. 划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);
    mid_size = size(mid_res, 1);
    mid_tiran = round(num_size * mid_size);
    
    P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];
    T_train = [T_train; mid_res(1: mid_tiran, end)];
    
    P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];
    T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];
end
  • 功能：
    • 按类别循环，将每个类别的数据按比例划分为训练集和测试集。
    • 训练集输入特征和目标输出分别存储在P_train和T_train中。
    • 测试集输入特征和目标输出分别存储在P_test和T_test中。
6. 数据转置
P_train = P_train';
P_test = P_test';
T_train = T_train';
T_test = T_test';
  • 功能：将数据转置，使每列代表一个样本，符合Matlab神经网络工具箱的输入要求。
7. 得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);
  • 功能：获取训练集（M）和测试集（N）的样本数量。
8. 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test  = mapminmax('apply', P_test, ps_input);

t_train = categorical(T_train)';
t_test  = categorical(T_test )';
  • 功能：
    • 使用mapminmax函数将输入特征归一化到[0,1]范围，提升训练效果。
    • 使用相同的归一化参数处理测试集输入特征。
    • 将类别标签转换为分类类型（categorical），并转置，适应分类任务的要求。
9. 数据平铺
% 将数据平铺成1维数据是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train = double(reshape(P_train, num_dim, 1, 1, M));
p_test  = double(reshape(P_test , num_dim, 1, 1, N));
  • 功能：
    • 将训练集和测试集的数据重塑为4D张量，适应CNN的输入要求。
    • 这里将数据平铺成1维数据，形成[num_dim, 1, 1, M]和[num_dim, 1, 1, N]的形状。
10. 构造网络结构
layers = [
    imageInputLayer([num_dim, 1, 1])                           % 输入层，输入尺寸为[num_dim, 1, 1]
    
    convolution2dLayer([2, 1], 16, 'Padding', 'same')          % 卷积层，卷积核大小为2x1，生成16个卷积核，填充方式为'same'
    batchNormalizationLayer                                    % 批归一化层，加速训练和稳定网络
    reluLayer                                                  % ReLU激活层，引入非线性
    
    maxPooling2dLayer([2, 1], 'Stride', [2, 1])               % 最大池化层，池化窗口大小为2x1，步长为[2, 1]
    
    convolution2dLayer([2, 1], 32, 'Padding', 'same')          % 卷积层，卷积核大小为2x1，生成32个卷积核，填充方式为'same'
    batchNormalizationLayer                                    % 批归一化层
    reluLayer                                                  % ReLU激活层
    
    fullyConnectedLayer(num_class)                             % 全连接层，输出神经元数量等于类别数
    softmaxLayer                                               % Softmax层，将输出转换为概率分布
    classificationLayer];                                      % 分类层，计算分类损失
  • 功能：定义卷积神经网络的各个层级结构。
    • imageInputLayer：定义输入层，输入尺寸为[num_dim, 1, 1]，适用于1维数据。
    • convolution2dLayer：定义卷积层，卷积核大小为2x1，生成16个和32个卷积核，使用’same’填充保持输出尺寸。
    • batchNormalizationLayer：批归一化层，帮助加速训练和稳定网络。
    • reluLayer：ReLU激活层，引入非线性，提高模型表达能力。
    • maxPooling2dLayer：最大池化层，池化窗口大小为2x1，步长为[2, 1]，减少特征图尺寸。
    • fullyConnectedLayer：全连接层，输出神经元数量等于类别数，用于最终分类。
    • softmaxLayer：Softmax层，将全连接层的输出转换为概率分布。
    • classificationLayer：分类层，计算分类损失并进行反向传播。
11. 参数设置
options = trainingOptions('adam', ...                      % 使用Adam优化器
    'MaxEpochs', 500, ...                  % 最大训练次数为500
    'InitialLearnRate', 1e-3, ...          % 初始学习率为0.001
    'L2Regularization', 1e-4, ...          % L2正则化参数，防止过拟合
    'LearnRateSchedule', 'piecewise', ...  % 学习率调度方式为分段
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子为0.1
    'LearnRateDropPeriod', 400, ...        % 每经过400个epoch，学习率下降
    'Shuffle', 'every-epoch', ...          % 每个epoch后打乱数据集
    'ValidationPatience', Inf, ...         % 关闭验证
    'Plots', 'training-progress', ...      % 绘制训练过程图
    'Verbose', false);                     % 关闭详细训练信息输出
  • 功能：设置训练选项，定义训练过程中的参数和行为。
    • ‘adam’：选择Adam优化器，加速收敛。
    • ‘MaxEpochs’：设置最大训练次数为500。
    • ‘InitialLearnRate’：设置初始学习率为0.001。
    • ‘L2Regularization’：设置L2正则化参数为1e-4，防止模型过拟合。
    • ‘LearnRateSchedule’：设置学习率调度方式为分段。
    • ‘LearnRateDropFactor’：学习率下降因子为0.1。
    • ‘LearnRateDropPeriod’：每经过400个epoch，学习率下降。
    • ‘Shuffle’：每个epoch后打乱数据集，提升模型泛化能力。
    • ‘ValidationPatience’：关闭验证，不进行早停策略。
    • ‘Plots’：绘制训练过程图，实时监控训练进展。
    • ‘Verbose’：关闭详细训练信息输出，减少控制台信息量。
12. 训练模型
net = trainNetwork(p_train, t_train, layers, options);
  • 功能：使用训练集数据和定义的网络结构训练CNN模型。
    • p_train：训练集输入数据。
    • t_train：训练集目标输出。
    • layers：定义的网络层级结构。
    • options：训练选项参数。
13. 预测模型
t_sim1 = predict(net, p_train); 
t_sim2 = predict(net, p_test );
  • 功能：
    • 使用训练好的CNN模型对训练集和测试集进行预测，得到预测概率。
    • t_sim1：训练集的预测概率。
    • t_sim2：测试集的预测概率。
14. 反归一化
% 注意：由于使用的是分类层，predict函数输出的是类别概率，因此无需反归一化
% 这里使用vec2ind可能不适用于categorical类型，可以直接转换为类别索引
T_sim1 = vec2ind(t_sim1'); % 将训练集预测概率转换为类别索引
T_sim2 = vec2ind(t_sim2'); % 将测试集预测概率转换为类别索引
  • 功能：将预测概率转换为类别索引。
    • vec2ind：将概率向量转换为类别索引，取概率最大的类别作为预测结果。
    • 注意：由于predict输出的是概率分布，需确保转换方法与输出格式匹配。
15. 性能评价
error1 = sum((T_sim1 == T_train)) / M * 100 ; % 计算训练集准确率
error2 = sum((T_sim2 == T_test )) / N * 100 ; % 计算测试集准确率
  • 功能：
    • 计算训练集和测试集的分类准确率（百分比）。
    • error1：训练集准确率。
    • error2：测试集准确率。
16. 绘制网络分析图
analyzeNetwork(layers)
  • 功能：绘制网络结构图，便于理解网络层级和参数设置。
17. 绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) % 绘制训练集真实值与预测值对比图
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
title({'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}) % 设置图形标题，显示准确率
grid on % 显示网格

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) % 绘制测试集真实值与预测值对比图
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
title({'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}) % 设置图形标题，显示准确率
grid on % 显示网格
  • 功能：
    • 绘制训练集和测试集的真实值与预测值对比图，直观展示分类效果。
    • 在图形标题中显示分类准确率。
    • legend：添加图例，区分真实值和预测值。
    • xlabel、ylabel：设置X轴和Y轴标签。
    • title：设置图形标题，显示准确率。
    • grid on：显示网格，便于观察数据趋势。
18. 混淆矩阵
if flag_conusion == 1
    figure
    cm_train = confusionchart(T_train, T_sim1); % 绘制训练集混淆矩阵
    cm_train.Title = '训练集混淆矩阵';
    cm_train.ColumnSummary = 'column-normalized'; % 列归一化显示
    cm_train.RowSummary = 'row-normalized';       % 行归一化显示
        
    figure
    cm_test = confusionchart(T_test, T_sim2); % 绘制测试集混淆矩阵
    cm_test.Title = '测试集混淆矩阵';
    cm_test.ColumnSummary = 'column-normalized'; % 列归一化显示
    cm_test.RowSummary = 'row-normalized';       % 行归一化显示
end
  • 功能：
    • 如果flag_conusion为1，则绘制训练集和测试集的混淆矩阵。
    • 混淆矩阵有助于评估分类器在不同类别上的表现，特别是对不平衡数据集的分类效果。
    • confusionchart：创建混淆矩阵图表，显示真实类别与预测类别之间的关系。
    • ColumnSummary、RowSummary：设置混淆矩阵的列和行的归一化显示，便于比较分类器在不同类别上的表现。

总结

通过上述代码，您可以使用Matlab实现一个基于卷积神经网络（CNN）的分类模型。详细的中文注释帮助您理解每一步的具体操作和实现逻辑。该CNN模型适用于各种分类任务，特别是在处理具有空间特征的数据（如图像）时表现出色。根据具体需求，您可以调整网络结构、卷积核大小、神经元数量和训练参数，以优化模型性能和适应不同的应用场景。

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/2264489.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

Tool之Excalidraw：Excalidraw(开源的虚拟手绘风格白板)的简介、安装和使用方法、艾米莉应用之详细攻略

Tool之Excalidraw：Excalidraw(开源的虚拟手绘风格白板)的简介、安装和使用方法、艾米莉应用之详细攻略

Tool之Excalidraw：Excalidraw(开源的虚拟手绘风格白板)的简介、安装和使用方法、艾米莉应用之详细攻略 目录 Excalidraw 简介 1、Excalidraw 的主要特点： Excalidraw 安装和使用方法 1、Excalidraw的安装 T1、使用 npm 安装： T2、使用 …
阅读更多...
LLMs之rStar：《Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers》翻译与解读

LLMs之rStar：《Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers》翻译与解读

LLMs之rStar：《Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers》翻译与解读 导读：这篇论文提出了一种名为rStar的自我博弈互推理方法，用于增强小型语言模型 (SLMs) 的推理能力，无需微调或依赖更强大的模型。rStar…
阅读更多...
Solidity 智能合约安全漏洞——普通重入攻击

Solidity 智能合约安全漏洞——普通重入攻击

普通重入攻击 重入攻击（Re-Entrancy） 一直是以太坊智能合约中最危险的漏洞之一，导致了许多大规模的资金被盗事件。比如 2016 年发生在 The DAO 项目中的 Re-Entrancy 漏洞攻击，造成价值当时 6000 万美元的以太币被盗，…
阅读更多...
基于koa服务端脚手架搭建(文件加载器) --【elpis全栈项目笔记】

基于koa服务端脚手架搭建(文件加载器) --【elpis全栈项目笔记】

基于koa服务端脚手架(文件加载器) --【elpis-core】 前言： elpis-core 是一个项目文件加载器。基于一定的约定，将功能不同的代码分类放置到不同的目录下管理。适用于项目代码规范化、减少维护成本、沟通成本，易于扩展。（简易版的 …
阅读更多...
AQS源码学习

AQS源码学习

一、park/unpark阻塞唤醒线程 LockSupport是JDK中用来实现线程阻塞和唤醒的工具。使用它可以在任何场合使线程阻塞，可以指定任何线程进行唤醒，并且不用担心阻塞和唤醒操作的顺序，但要注意连续多次唤醒的效果和一次唤醒是一样的。JDK并发包下…
阅读更多...
【漏洞复现】CVE-2023-37461 Arbitrary File Writing

【漏洞复现】CVE-2023-37461 Arbitrary File Writing

漏洞信息 NVD - cve-2023-37461 Metersphere is an opensource testing framework. Files uploaded to Metersphere may define a belongType value with a relative path like ../../../../ which may cause metersphere to attempt to overwrite an existing file in the d…
阅读更多...
02-1:python入门基础Python变量与数据类型

02-1:python入门基础Python变量与数据类型

一、Python 变量的定义 （一）定义方式 在 Python 中，变量的定义是通过赋值来实现的，其语法格式非常简洁直观，基本形式为 “变量名 值”。等号左边是你自定义的变量名，右边则是要赋给该变量的值。Python 是…
阅读更多...
在Vue3中实现文件上传功能，结合后端API

在Vue3中实现文件上传功能，结合后端API

随着现代Web应用程序的不断发展，文件上传成为了用户交互中不可或缺的一部分。在本篇博客中，我们将深入讨论如何在Vue3中实现一个文件上传功能，并与后端API进行交互。我们将使用Vue3的Composition API（setup语法糖）来构…
阅读更多...
详细ECharts图例3添加鼠标单击事件的柱状图

详细ECharts图例3添加鼠标单击事件的柱状图

<!DOCTYPE html><html><head><meta charset"UTF-8"><script src"js/echarts.js"></script> <!-- 确保路径正确 --><title>添加鼠标单击事件的柱状图</title></head><body><div id&q…
阅读更多...
Redis Hash Tag 知识详解

Redis Hash Tag 知识详解

一、Redis Hash Tag概述 Redis Hash Tag是Redis集群环境里用于控制数据分片的关键机制。在Redis集群中&#xff0c;数据依据键的哈希值来确定分片存储位置。Hash Tag能让用户指定键的特定部分作为哈希计算核心部分&#xff0c;进而使相关键存储于同一节点&#xff0c;这对处理…
阅读更多...
Java 初学者的第一个 SpringBoot3.4.0 登录系统二

Java 初学者的第一个 SpringBoot3.4.0 登录系统二

Java 初学者的第一个 SpringBoot3.4.0 登录系统二 SpringBoot 3.4.0 是 SpringBoot 的最新版本&#xff0c;是乐衷与新技术的 Java 初学者和程序员的选择。和 SpringBoot3.4.0 搭配的各种软件组件也是新的潮流。Java 通用代码生成器光&#xff0c;2.4.0 电音之王尝鲜版十支持新…
阅读更多...
SSH客户端

SSH客户端

SSH客户端 在VMware界面中操作虚拟机非常不友好&#xff0c;所以一般推荐使用专门的SSH客户端。市面上常见的有&#xff1a; Xshell&#xff1a;个人免费&#xff0c;商业收费&#xff0c;之前爆出过有隐藏后门。不推荐Finshell&#xff1a;基础功能免费&#xff0c;高级功能…
阅读更多...
python小课堂（一）

python小课堂（一）

基础语法 1 常量和表达式2 变量和类型2.1 变量是什么2.2 变量语法 3 变量的类型3.1 动态类型特性 4 注释4.1注释是什么 5 输入输出5.1 print的介绍5.2 input 6 运算符6.1 算术运算符在这里插入图片描述6.2 关系运算符6.3 逻辑运算符6.4赋值运算符 1 常量和表达式 在print()中可…
阅读更多...
java中的方法的重载和重写、构造器

java中的方法的重载和重写、构造器

目录 方法的重载和重写、构造器1.java的修饰符&#xff1a;2.普通方法3.构造器&#xff08;也叫构造方法/构造函数&#xff09;4.方法的重载5.补充6.方法的重写7.类的执行顺序8.再看方法的重写 方法的重载和重写、构造器 1.java的修饰符&#xff1a; public修饰的代码&#xf…
阅读更多...
Halcon例程代码解读:安全环检测(附源码|图像下载链接)

Halcon例程代码解读:安全环检测(附源码|图像下载链接)

安全环检测核心思路与代码详解 项目目标 本项目的目标是检测图像中的安全环位置和方向。通过形状匹配技术&#xff0c;从一张模型图像中提取安全环的特征&#xff0c;并在后续图像中识别多个实例&#xff0c;完成检测和方向标定。 实现思路 安全环检测分为以下核心步骤&…
阅读更多...
前端知识补充—HTML

前端知识补充—HTML

1. HTML 1.1 什么是HTML HTML(Hyper Text Markup Language), 超⽂本标记语⾔ 超⽂本: ⽐⽂本要强⼤. 通过链接和交互式⽅式来组织和呈现信息的⽂本形式. 不仅仅有⽂本, 还可能包含图⽚, ⾳频, 或者⾃已经审阅过它的学者所加的评注、补充或脚注等等 标记语⾔: 由标签构成的语⾔…
阅读更多...
springboot根据租户id动态指定数据源

springboot根据租户id动态指定数据源

代码地址 码云地址springboot根据租户id动态指定数据源: springboot根据租户id指定动态数据源,结合mybatismysql多数源下的事务管理 创建3个数据库和对应的表 sql脚本在下图位置 代码的执行顺序 先设置主数据库的数据源配置目标数据源和默认数据源有了主库的数据源&#xff…
阅读更多...
powershell美化

powershell美化

powershell美化 写在前面 除了安装命令&#xff0c;其他都是测试命令&#xff0c;后续再写进配置文件 安装主题控件 安装主题oh-my-posh&#xff0c;powershell中执行 winget install JanDeDobbeleer.OhMyPosh -s winget oh-my-posh init pwsh | Invoke-Expression # 查看…
阅读更多...
Docker监控新纪元：Prometheus引领高效容器监控革命

Docker监控新纪元：Prometheus引领高效容器监控革命

作者简介&#xff1a;我是团团儿&#xff0c;是一名专注于云计算领域的专业创作者&#xff0c;感谢大家的关注 •座右铭&#xff1a; 云端筑梦&#xff0c;数据为翼&#xff0c;探索无限可能&#xff0c;引领云计算新纪元 个人主页&#xff1a;团儿.-CSDN博客 目录 前言&…
阅读更多...
arcgisPro将面要素转成CAD多段线

arcgisPro将面要素转成CAD多段线

1、说明&#xff1a;正常使用【导出为CAD】工具&#xff0c;则导出的是CAD三维多线段&#xff0c;无法进行编辑操作、读取面积等。这是因为要素面中包含Z值&#xff0c;导出则为三维多线段数据。需要利用【复制要素】工具禁用M值和Z值&#xff0c;再导出为CAD&#xff0c;则得到…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023