十四、Pytorch实现RNN Classifier

news2024/11/23 15:20:25

一、项目需求

数据集：姓名和对应的国籍
要求：输入一个姓名，通过模型可以得到TA所属的国籍
数据集下载：name_country_datasets

二、思路步骤分析

①准备数据集

将下载好的数据集解压，放到一个指定的位置，我这边放到了和jupyter同级目录下了
在这里插入图片描述

测试集和训练集都只有两列，姓名和所属国籍
在这里插入图片描述

Ⅰ输入数据是姓名，将姓名转换为一个列表，列表中的每一个元素就是姓名的每一个字符

在这里插入图片描述

Ⅱ通过ASCII表当成词典进行转换

ASCII表中一个有128个字符，可以将ASCII码理解成一个具有128维的one-hot向量，求出每个字符所对应的ASCII码值
例如第一个是77，本质是一个128维的向量，其中第77位是1，其余都是0
在这里插入图片描述

Ⅲ序列长短不一，需要通过padding来维持相同的张量

选出数据集中名字最长的那一个，作为最终的张量长度，然后把其他的名字短的进行填充
在这里插入图片描述

Ⅳ输出结果处理

根据数据集中出现的所有国籍，转换成一个分类的索引，生成一个词典即可
在这里插入图片描述

1，导包

import matplotlib.pyplot as plt
import numpy as np
import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
import gzip
import csv
import time
import math
from torch.nn.utils.rnn import pad_sequence, pack_padded_sequence, pack_sequence, pad_packed_sequence

2，姓名数据集函数构建

①初始化函数def __init__(self,is_train_set=True):解释：
初始化的时候通过is_train_set指定是否需要训练集，是训练集就读取训练集数据文件，不是的话就读取测试集数据文件
因为是.gz后缀的压缩包故需要通过gzip进行打开，通过csv.reader(f)读取数据集中的数据
rows = list(reader)将csv中的数据集全部读进来，读取每行数据，最终返回的结果为元组(name,country)形式
self.names = [row[0] for row in rows]拿到name信息
self.len = len(self.names)记录一下样本的数量
self.countries = [row[1] for row in rows]拿到country信息
set(self.countries)将列表变成一个集合，因为集合里面不重复，也就是去重
sorted(set(self.countries)) 排序
list(sorted(set(self.countries)))最后变成一个列表形式

②索引函数def __getitem__(self,index):解释：
self.names[index] 拿到姓名
self.countries[index]拿到国籍
self.country_dict[self.countries[index]]根据国籍，从字典中获取对应的索引
countries(key)和index(value)相当于字典中的键值对
姓名是字符串，取出的国籍是索引

③数据集长度函数def __len__(self):解释：
返回数据集的长度

④国籍字典函数def getCounrtyDict(self)::解释：
country_dict = dict()定义一个空字典
for idx,country_name in enumerate(self.country_list,0):遍历
构造键值对country_dict[country_name] = idx
最终构建成一个国籍字典表

⑤根据索引返回国籍字符串函数def idx2country(self,index):解释：
return self.country_list[index]例如输入的是名字，得到分类是9，根据9，来返回对应的字符串，即所属的国籍

⑥总共的国籍数量函数def getCountriesNum(self):解释：
return self.country_num返回国籍数量

完整代码如下：

class NameDataset(Dataset):
    def __init__(self,is_train_set=True): #is_train_set 指定是否是训练集
        filename = 'names_train.csv.gz' if is_train_set else 'names_test.csv.gz'
        with gzip.open(filename,'rt') as f:#读取数据集
            reader = csv.reader(f)
            rows = list(reader)#读取每行数据，最终返回的结果为元组(name,country)形式
        self.names = [row[0] for row in rows]#从rows中去除第0个元素，也就是name
        self.len = len(self.names)#记录一下样本的数量
        self.countries = [row[1] for row in rows]
        self.country_list = list(sorted(set(self.countries)))#同样，获取country信息，将来作为names的标签进行使用
        """
        set(self.countries) #将列表变成一个集合，因为集合里面不重复，也就是去重
        sorted(set(self.countries)) #排序
        list(sorted(set(self.countries))) #最后变成一个列表形式
        """
        
        self.country_dict = self.getCounrtyDict()#此时的列表中仍是英文名字，需要通过词典转换为序列索引
        self.country_num = len(self.country_list)
    
    
    def __getitem__(self,index):
        return self.names[index],self.country_dict[self.countries[index]]
        """
        self.names[index] #拿到姓名
        self.countries[index] #拿到国籍
        self.country_dict[self.countries[index]] #根据国籍，从字典中获取对应的索引
        countries(key)和index(value) 相当于字典中的键值对
        """    
    
  
    def __len__(self):
        return self.len
    
    
    def getCounrtyDict(self):
        country_dict = dict()#定义一个空字典
        for idx,country_name in enumerate(self.country_list,0):#遍历
            country_dict[country_name] = idx#构造键值对
        return country_dict#返回对应的字典
    
    
    def idx2country(self,index):#根据索引，返回国籍的字符串
        return self.country_list[index]#例如输入的是名字，得到分类是9，根据9，来返回对应的字符串，即所属的国籍
    
    def getCountriesNum(self):#看下到底有多少个国籍
        return self.country_num#返回国籍数量

3，数据准备

参数定义

hidden_size = 100#隐藏层是100维度
batch_size = 256#每批256个姓名样本
n_layer = 2#GRU使用了2层
n_epochs = 100#训练100次
n_chars = 128#因为ASCII共128个，故使用张量128来进行表示输入样本
use_gpu = False#不使用GPU

定义训练集和测试集以及对应的dataloader
n_country总共国籍类别的数量，将来决定模型最终的输出维度大小

trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset,batch_size=batch_size,shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset,batch_size=batch_size,shuffle=False)

n_country = trainset.getCountriesNum()#决定模型最终的输出维度大小

4，模型设计

模型大体架构
在这里插入图片描述

①初始化函数def __init__(self,input_size,hidden_size,output_size,n_layers=1,bidirectional=True):解释：
GRU使用：hidden_size、n_layers、bidirectional
embedd嵌入层使用：input_sizeinput_size、hidden_size
embedding层输入维度：(seqLen,batchsize)
embedding层输出维度：(seqLen,batchsize,hiddensize)
GRU输入维度：(seqLen,batchsize,hiddensize)
GRU输出维度：(seqLen,batchsize,hiddensize * nDirections)
其中bidirectional确定是否是双向循环神经网络，单向是1，双向是2
在这里插入图片描述
在线性层的时候需要将循环神经网络转换为输出的维度
self.fc = torch.nn.Linear(hidden_size*self.n_directions,output_size)

②构建h0函数def _init_hidden(self,batch_size):解释：
根据输入的batchsize来构建全零的初始的隐藏层

③反向传播函数def forward(self,input,seq_lengths):解释：
矩阵转置input = input.t()transpose，将原来的**(batch×seqlen)转换成(seqlen×batch)**
在这里插入图片描述

batch_size = input.size(1)保留batchsize，为了方便将来构造最初始的隐藏层
扔到embedding层做嵌入embedding = self.embedding(input)
embedding维度：(seqLen,batchsize,hiddensize)
pack_padded_sequence(embedding,seq_lengths)
gru_input维度为：(seqLen,batchsize,hiddensize)
在这里插入图片描述
根据判断是否是双向的循环神经网络，最终进行拼接fc_output = self.fc(hidden_cat)

完整代码如下：

class RNNClassifier(torch.nn.Module):
    def __init__(self,input_size,hidden_size,output_size,n_layers=1,bidirectional=True):
        """
        GRU使用：hidden_size、n_layers、bidirectional
        embedd嵌入层使用：input_sizeinput_size、hidden_size
        
        """
        super(RNNClassifier,self).__init__()
        self.hidden_size = hidden_size
        self.n_layers = n_layers
        self.n_directions = 2 if bidirectional else 1#RNN是单向还是双向，单向是1，双向是2
        
        self.embedding = torch.nn.Embedding(input_size,hidden_size)
        """
        embedding层
        输入维度：(seqLen,batchsize)  
        输出维度：(seqLen,batchsize,hiddensize)
       
        """
        self.gru = torch.nn.GRU(hidden_size,hidden_size,n_layers,bidirectional=bidirectional)#bidirectional单向还是双向循环神经网络
        """
        GRU
        输入维度：(seqLen,batchsize,hiddensize)
        输出维度：(seqLen,batchsize,hiddensize * nDirections)
        
        """
        
        self.fc = torch.nn.Linear(hidden_size*self.n_directions,output_size)
        
    def _init_hidden(self,batch_size):#创建全零的初始的隐藏层
        hidden = torch.zeros(self.n_layers * self.n_directions,batch_size,self.hidden_size)
        return create_tensor(hidden)
    
    def forward(self,input,seq_lengths):
        input = input.t()#矩阵的转置，transpose，将原来的(batch×seqlen)转换成(seqlen×batch)
        batch_size = input.size(1)#保留batchsize
        
        hidden = self._init_hidden(batch_size)
        embedding = self.embedding(input)#embedding维度：(seqLen,batchsize,hiddensize)
        
        gru_input = pack_padded_sequence(embedding,seq_lengths)#gru_input维度为：(seqLen,batchsize,hiddensize)
        
        output,hidden = self.gru(gru_input,hidden)
        if self.n_directions == 2:
            hidden_cat = torch.cat([hidden[-1],hidden[-2]],dim=1)
        else:
            hidden_cat = hidden[-1]
        fc_output = self.fc(hidden_cat)
        return fc_output

5，制作姓名字典序列

一个是姓名字符串所对应的ASCII码值列表
另一个是存储有用姓名的长度
在这里插入图片描述
详细步骤如下：

姓名字符串—>分割每个字符—>根据ASCII码值进行转换—>加边统一维度—>跟根据字符的长度进行排序
在这里插入图片描述

①函数name2list(name)解释：
将每个姓名都变成一个列表，给一个字符串姓名，将其值转换为ASCII码值
return arr,len(arr)将来返回的是一个元组，一个是列表本身，一个是列表长度

②函数def create_tensor(tensor):解释：
是否要使用GPU进行训练

③函数def make_tensors(names,countries):解释：
获得姓名序列name_sequences = [s1[0] for s1 in sequences_and_lengths]
转换序列的长度seq_lengths = torch.LongTensor([s1[1] for s1 in sequences_and_lengths])
先生成一个全零的张量
seq_tensor = torch.zeros(len(name_sequences),seq_lengths.max()).long()
通过复制操作，将数据覆盖原先的零
seq_tensor[idx,:seq_len] = torch.LongTensor(seq)
按照序列的长度进行排序seq_lengths, perm_idx = seq_lengths.sort(dim=0,descending=True)
返回排完序之后的序列seq_lengths，和排完序之后对应的索引值perm_idx

完整代码如下：

def name2list(name):#将每个姓名都转化为欸一个列表
    arr = [ord(c) for c in name]
    return arr,len(arr)#返回一个元组，一个是列表本身，一个是列表长度

def create_tensor(tensor):
    if use_gpu:
        device = torch.device('cuda:0')
        tensor = tensor.to(device)
        
    return tensor

def make_tensors(names,countries):
    sequences_and_lengths = [name2list(name) for name in names]
    name_sequences = [s1[0] for s1 in sequences_and_lengths]
    seq_lengths = torch.LongTensor([s1[1] for s1 in sequences_and_lengths])
    countries = countries.long()
    
    seq_tensor = torch.zeros(len(name_sequences),seq_lengths.max()).long()#全零
    for idx,(seq,seq_len) in enumerate(zip(name_sequences,seq_lengths),0):#把值贴上去
        seq_tensor[idx,:seq_len] = torch.LongTensor(seq)
    
    seq_lengths, perm_idx = seq_lengths.sort(dim=0,descending=True)#按照序列的长度进行排序
    seq_tensor = seq_tensor[perm_idx]
    countries = countries[perm_idx]
    
    return create_tensor(seq_tensor),create_tensor(seq_lengths),create_tensor(countries)

6，训练函数

def trainModel():
    total_loss = 0
    for i,(names,countries) in enumerate(trainloader,1):
        inputs,seq_lengths,target = make_tensors(names,countries)
        output = classifier(inputs,seq_lengths)
        loss = lossf(output,target)
        optim.zero_grad()
        loss.backward()
        optim.step()
        
        total_loss += loss.item()
        if i%10 == 0:
            print(f'[{time_since(start)}] Epoch {epoch}',end='')
            print(f'[{i * len(inputs)}/{len(trainset)}]',end='')
            print(f'loss={total_loss / (i*len(inputs))}')
    return total_loss

7，测试函数

def testModel():
    correct = 0
    total = len(testset)
    print("evaluating trained model ...")
    with torch.no_grad():
        for i,(names,countries) in enumerate(testloader,1):
            inputs,seq_lengths,target = make_tensors(names,countries)
            output = classifier(inputs,seq_lengths)
            pred = output.max(dim=1,keepdim=True)[1]
            correct += pred.eq(target.view_as(pred)).sum().item()
        
        percent = '%.2f'%(100*correct/total)
        print(f'Test set: Accuracy {correct}/{total} {percent}%')
    return correct/total

8，计时函数

def time_since(since):
    s = time.time() - since
    # time.time() 返回的是当前时间，秒为单位
    # s / 60 变成分钟
    m = math.floor(s / 60)
    s -= m * 60
    return "%dm %ds"%(m,s)

9，主函数

if __name__ == '__main__':
    classifier = RNNClassifier(n_chars,hidden_size,n_country,n_layer) #创建分类器
    """
    n_chars 字符数量，输入的是英文字母，需要转换为one-hot向量，也就是整个字母表一共有多少个元素
    hidden_size 隐藏层数量，GRU将来输出的隐层的维度
    n_country 一共有多少个分类，也就是一共有多少个国家
    n_layer 使用几层GRU
    """
    if use_gpu: #是否使用GPU
        device = torch.device('cuda:0')
        classifier.to(device)
    
    lossf = torch.nn.CrossEntropyLoss() #分类问题，使用交叉熵损失函数就够了
    optim = torch.optim.Adam(classifier.parameters(),lr=0.00001) #优化器使用adam
    
    start = time.time() #计时，看看训练的时间有多长，距离开始训练已经过去了多少时间
    print("Training for %d epochs..." %n_epochs)
    acc_list = []
    for epoch in range(1,n_epochs+1):
        trainModel() #训练和测试进行封装到两个函数中
        acc = testModel()
        acc_list.append(acc) #测试的结果添加到列表中，方便后续的绘图操作

三、项目完整代码实现

import matplotlib.pyplot as plt
import numpy as np
import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
import gzip
import csv
import time
import math
from torch.nn.utils.rnn import pad_sequence, pack_padded_sequence, pack_sequence, pad_packed_sequence


hidden_size = 100#隐藏层是100维度
batch_size = 256#每批256个样本
n_layer = 2#GRU使用了2层
n_epochs = 100#训练100次
n_chars = 128#因为ASCII共128个，故使用张量128来进行表示输入样本
use_gpu = False#不使用GPU


def time_since(since):
    s = time.time() - since
    # time.time() 返回的是当前时间，秒为单位
    # s / 60 变成分钟
    m = math.floor(s / 60)
    s -= m * 60
    return "%dm %ds"%(m,s)


class NameDataset(Dataset):
    def __init__(self,is_train_set=True): #is_train_set 指定是否是训练集
        filename = 'names_train.csv.gz' if is_train_set else 'names_test.csv.gz'
        with gzip.open(filename,'rt') as f:
            reader = csv.reader(f)
            rows = list(reader)#读取每行数据，最终返回的结果为元组(name,country)形式
        self.names = [row[0] for row in rows]#从rows中去除第0个元素，也就是name
        self.len = len(self.names)#记录一下样本的数量
        self.countries = [row[1] for row in rows]
        self.country_list = list(sorted(set(self.countries)))#同样，获取country信息，将来作为names的标签进行使用
        """
        set(self.countries) #将列表变成一个集合，因为集合里面不重复，也就是去重
        sorted(set(self.countries)) #排序
        list(sorted(set(self.countries))) #最后变成一个列表形式
        """
        
        self.country_dict = self.getCounrtyDict()#此时的列表中仍是英文名字，需要通过词典转换为序列索引
        self.country_num = len(self.country_list)
    
    def __getitem__(self,index):
        return self.names[index],self.country_dict[self.countries[index]]
        """
        self.names[index] #拿到姓名
        self.countries[index] #拿到国籍
        self.country_dict[self.countries[index]] #根据国籍，从字典中获取对应的索引
        countries(key)和index(value) 相当于字典中的键值对
        """    
    
    
    def __len__(self):
        return self.len
    
    
    def getCounrtyDict(self):
        country_dict = dict()#定义一个空字典
        for idx,country_name in enumerate(self.country_list,0):#遍历
            country_dict[country_name] = idx#构造键值对
        return country_dict#返回对应的字典
    
    
    def idx2country(self,index):#根据索引，返回国籍的字符串
        return self.country_list[index]#例如输入的是名字，得到分类是9，根据9，来返回对应的字符串，即所属的国籍
    
    def getCountriesNum(self):#看下到底有多少个国籍
        return self.country_num#返回国籍数量


trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset,batch_size=batch_size,shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset,batch_size=batch_size,shuffle=False)

n_country = trainset.getCountriesNum()#决定模型最终的输出维度大小


class RNNClassifier(torch.nn.Module):
    def __init__(self,input_size,hidden_size,output_size,n_layers=1,bidirectional=True):
        """
        GRU使用：hidden_size、n_layers、bidirectional
        embedd嵌入层使用：input_sizeinput_size、hidden_size
        
        """
        super(RNNClassifier,self).__init__()
        self.hidden_size = hidden_size
        self.n_layers = n_layers
        self.n_directions = 2 if bidirectional else 1#RNN是单向还是双向，单向是1，双向是2
        
        self.embedding = torch.nn.Embedding(input_size,hidden_size)
        """
        embedding层
        输入维度：(seqLen,batchsize)  
        输出维度：(seqLen,batchsize,hiddensize)
       
        """
        self.gru = torch.nn.GRU(hidden_size,hidden_size,n_layers,bidirectional=bidirectional)#bidirectional单向还是双向循环神经网络
        """
        GRU
        输入维度：(seqLen,batchsize,hiddensize)
        输出维度：(seqLen,batchsize,hiddensize * nDirections)
        
        """
        
        self.fc = torch.nn.Linear(hidden_size*self.n_directions,output_size)
        
    def _init_hidden(self,batch_size):#创建全零的初始的隐藏层
        hidden = torch.zeros(self.n_layers * self.n_directions,batch_size,self.hidden_size)
        return create_tensor(hidden)
    
    def forward(self,input,seq_lengths):
        input = input.t()#矩阵的转置，transpose，将原来的(batch×seqlen)转换成(seqlen×batch)
        batch_size = input.size(1)#保留batchsize
        
        hidden = self._init_hidden(batch_size)
        embedding = self.embedding(input)#embedding维度：(seqLen,batchsize,hiddensize)
        
        gru_input = pack_padded_sequence(embedding,seq_lengths)#gru_input维度为：(seqLen,batchsize,hiddensize)
        
        output,hidden = self.gru(gru_input,hidden)
        if self.n_directions == 2:
            hidden_cat = torch.cat([hidden[-1],hidden[-2]],dim=1)
        else:
            hidden_cat = hidden[-1]
        fc_output = self.fc(hidden_cat)
        return fc_output


def make_tensors(names,countries):
    sequences_and_lengths = [name2list(name) for name in names]
    name_sequences = [s1[0] for s1 in sequences_and_lengths]
    seq_lengths = torch.LongTensor([s1[1] for s1 in sequences_and_lengths])
    countries = countries.long()
    
    seq_tensor = torch.zeros(len(name_sequences),seq_lengths.max()).long()#全零
    for idx,(seq,seq_len) in enumerate(zip(name_sequences,seq_lengths),0):#把值贴上去
        seq_tensor[idx,:seq_len] = torch.LongTensor(seq)
    
    seq_lengths, perm_idx = seq_lengths.sort(dim=0,descending=True)#按照序列的长度进行排序
    seq_tensor = seq_tensor[perm_idx]
    countries = countries[perm_idx]
    
    return create_tensor(seq_tensor),create_tensor(seq_lengths),create_tensor(countries)


def create_tensor(tensor):
    if use_gpu:
        device = torch.device('cuda:0')
        tensor = tensor.to(device)
        
    return tensor


def name2list(name):#将每个姓名都转化为欸一个列表
    arr = [ord(c) for c in name]
    return arr,len(arr)#返回一个元组，一个是列表本身，一个是列表长度


def trainModel():
    total_loss = 0
    for i,(names,countries) in enumerate(trainloader,1):
        inputs,seq_lengths,target = make_tensors(names,countries)
        output = classifier(inputs,seq_lengths)
        loss = lossf(output,target)
        optim.zero_grad()
        loss.backward()
        optim.step()
        
        total_loss += loss.item()
        if i%10 == 0:
            print(f'[{time_since(start)}] Epoch {epoch}',end='')
            print(f'[{i * len(inputs)}/{len(trainset)}]',end='')
            print(f'loss={total_loss / (i*len(inputs))}')
    return total_loss


def testModel():
    correct = 0
    total = len(testset)
    print("evaluating trained model ...")
    with torch.no_grad():
        for i,(names,countries) in enumerate(testloader,1):
            inputs,seq_lengths,target = make_tensors(names,countries)
            output = classifier(inputs,seq_lengths)
            pred = output.max(dim=1,keepdim=True)[1]
            correct += pred.eq(target.view_as(pred)).sum().item()
        
        percent = '%.2f'%(100*correct/total)
        print(f'Test set: Accuracy {correct}/{total} {percent}%')
    return correct/total


if __name__ == '__main__':
    classifier = RNNClassifier(n_chars,hidden_size,n_country,n_layer) #创建分类器
    """
    n_chars 字符数量，输入的是英文字母，需要转换为one-hot向量，也就是整个字母表一共有多少个元素
    hidden_size 隐藏层数量，GRU将来输出的隐层的维度
    n_country 一共有多少个分类，也就是一共有多少个国家
    n_layer 使用几层GRU
    """
    if use_gpu: #是否使用GPU
        device = torch.device('cuda:0')
        classifier.to(device)
    
    lossf = torch.nn.CrossEntropyLoss() #分类问题，使用交叉熵损失函数就够了
    optim = torch.optim.Adam(classifier.parameters(),lr=0.00001) #优化器使用adam
    
    start = time.time() #计时，看看训练的时间有多长，距离开始训练已经过去了多少时间
    print("Training for %d epochs..." %n_epochs)
    acc_list = []
    for epoch in range(1,n_epochs+1):
        trainModel() #训练和测试进行封装到两个函数中
        acc = testModel()
        acc_list.append(acc) #测试的结果添加到列表中，方便后续的绘图操作

四、绘图

epoch = np.arange(1,len(acc_list)+1,1)
acc_list = np.array(acc_list)
plt.plot(epoch,acc_list)
plt.xlabel('Epoch')
plt.ylabel("Accuracy")
plt.grid()
plt.show()

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/417387.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

文心一格小程序，AI绘画产品

文心一格小程序，AI绘画产品

文章目录AIGC什么是AI作画？Prompt文心一格文心一格小程序使用方法使用小程序进行AI绘图AIGC的未来发展结语AIGC AIGC（AI Generated Content）是指利用人工智能生成内容。是利用人工智能来生成你所需要的内容，GC的意思是创作内容。与…
阅读更多...
samba介绍和使用

samba介绍和使用

一. 介绍 Samba是一套使用SMB(Server Message Block)协议的应用程序, 通过支持这个协议, Samba允许Linux服务器与Windows系统之间进行通信,使跨平台的互访成为可能。 Samba采用C/S模式, 其工作机制是让NetBIOS( Windows 网上邻居的通信协议)和SMB两个协议运行于TCP/IP通…
阅读更多...
【Obsidian】基础使用手册（包括如何将Obsidian页面设置为中文）

【Obsidian】基础使用手册（包括如何将Obsidian页面设置为中文）

💗 未来的游戏开发程序媛，现在的努力学习菜鸡 💦本专栏是我关于工具类软件的笔记 🈶本篇是Obsidian的基础使用 Obsidian的基础使用将页面设置为中文常用的默认快捷键常用的格式标题代码块表格字体样式列表任务列表官方下载地址&am…
阅读更多...
中国电子学会2022年12月份青少年软件编程Python等级考试试卷六级真题(含答案)

中国电子学会2022年12月份青少年软件编程Python等级考试试卷六级真题(含答案)

一、单选题(共25题，共50分) 1.数据文件“abc.txt”中包含若干个英文单词，如图所示： 读取文件“abc.txt”中数据的Python程序段如下： file abc.txt word_b [] for word in open(file):if word[0:1] a and len(word)>4:wor…
阅读更多...
ASP学生公寓管理系统的设计与实现

ASP学生公寓管理系统的设计与实现

学生公寓是每一位在校学生生活、学习、相互交流的主要场所，如何提供一个良好的学生公寓的管理体系，对学校和同学而言至关重要。以往的学生公寓管理基本上还处于人工操作的阶段，随着计算机技术和网络技术的日益广泛应用，采用计算机…
阅读更多...
Oracle基础部分三(视图、物化视图、序列、同义词、索引)

Oracle基础部分三(视图、物化视图、序列、同义词、索引)

Oracle基础部分三(视图、物化视图、序列、索引）1 视图1.1概述1.2 创建普通视图1.2.1 创建普通视图1.2.2 创建带检查约束的视图1.2.3 创建只读视图的创建与使用1.2.4 强制创建视图1.2.5 创建复杂视图1.2.5.1 多表关联1.2.5.2 分组聚合统计的复杂视图1.3 创建物化视图…
阅读更多...
强化学习简介

强化学习简介

1.强化学习简介 **强化学习（Reinforcement Learning，RL）**是机器学习中的一个领域，是学习“做什么（即如何把当前的情景映射成动作）才能使得数值化的收益信号最大化”。学习者不会被告知应该采取什么动作&a…
阅读更多...
CDN（内容分发网络）技术原理

CDN（内容分发网络）技术原理

1. 前言 Internet的高速发展，给人们的工作和生活带来了极大的便利，对Internet的服务品质和访问速度要求越来越高，虽然带宽不断增加， 用户数量也在不断增加，受Web服务器的负荷和传输距离等因数的影响，响应速…
阅读更多...
认证 (authentication) 和授权 (authorization) 的区别

认证 (authentication) 和授权 (authorization) 的区别

以前一直傻傻分不清各种网际应用中 authentication 和 authorization, 其实很简单: 这两个术语通常在安全性方面相互结合使用，尤其是在获得对系统的访问权限时。两者都是非常重要的主题，通常与网络相关联，作为其服务基础架构的关键部分。然而…
阅读更多...
vite+vue3+pinia+vuex4动态路由解决刷新页面丢失

vite+vue3+pinia+vuex4动态路由解决刷新页面丢失

目录 了解如何添加动态路由 使用pinia持久化数据 解决方案 404找不页面问题 目前解决思路 完整路由配置 动态路由使用的数据 了解如何添加动态路由 vue官网-动态添加路由 使用pinia持久化数据 pinia的使用 解决方案 asyncRoutes()方法从pinia获取到动态菜单数据登陆成…
阅读更多...
SpringMVC 01 -SpringMVC入门

SpringMVC 01 -SpringMVC入门

高效学习习惯啊 坚持，比如这样经常更新博客，保持学习哈哈哈 SpringMVC-SpringMVC引入1 SpringMVC引入1.1 引言1.2 MVC架构1.2.1 概念1.2.2 好处1.2.3 执行流程【重点】2 快速入门2.1 导入依赖2.2 配置核心(前端)控制器2.3 springmvc核心配置文件2.4 创建…
阅读更多...
开心档之C++ 修饰符类型

开心档之C++ 修饰符类型

C 修饰符类型 目录 C 修饰符类型 实例 C 中的类型限定符 C 允许在 char、int 和 double 数据类型前放置修饰符。修饰符用于改变基本类型的含义，所以它更能满足各种情境的需求。 下面列出了数据类型修饰符： signedunsignedlongshort 修饰符 signed、…
阅读更多...
Gitlab中Pipeline语法六

Gitlab中Pipeline语法六

Gitlab中Pipeline语法 needs/include/extends nodes 阶段并行 - 可以无序执行作业,无序按照阶段顺序运行某些作业,可以让多个阶段同时运行. - 如果nedds:设置为指向因only/except规则而未实例化的作业,或者不存在,则创建管道时会出现yaml错误. stages:- build- test- depl…
阅读更多...
Moviepy模块之视频添加字幕(二)

Moviepy模块之视频添加字幕(二)

文章目录前言一、素材1.1 原视频1.2 字幕文件二、视频添加字幕2.1 引入库2.2 加载视频文件2.3 设置字幕的字体、大小、颜色2.4 加载字幕文件2.5 设置字幕位置2.6 将字幕添加到视频中2.7 保存带有字幕的视频文件三、新视频效果总结前言 大家好，我是空空star&#xff…
阅读更多...
2023蓝桥杯C++A组题解(第十四届)

2023蓝桥杯C++A组题解(第十四届)

面向爆零选手 水平有限，将就着看，有空再补充后5题 目录 🤯吐槽 😟A，2067: [蓝桥杯2023初赛] 幸运数 😟B，2068: [蓝桥杯2023初赛] 有奖问答 🌼AC DFS 🌼AC DP &a…
阅读更多...
Apache 配置与应用

Apache 配置与应用

目录构建虚拟 Web 主机基于域名的虚拟主机1．为虚拟主机提供域名解析2.为虚拟主机准备网页文档3.添加虚拟主机配置4.设置访问控制5.加载独立的配置文件6.在客户机中访问虚拟 Web 主机基于IP地址的虚拟主机基于端口的虚拟主机Apache 连接保持构建Web虚拟目录与用户授权…
阅读更多...
基于html+css的盒子展示3

基于html+css的盒子展示3

准备项目 项目开发工具 Visual Studio Code 1.44.2 版本: 1.44.2 提交: ff915844119ce9485abfe8aa9076ec76b5300ddd 日期: 2020-04-16T16:36:23.138Z Electron: 7.1.11 Chrome: 78.0.3904.130 Node.js: 12.8.1 V8: 7.8.279.23-electron.0 OS: Windows_NT x64 10.0.19044 项目…
阅读更多...
[ 应急响应基础篇 ] 使用 Process Explorer 进程分析工具分析系统进程（附Process Explorer安装教程）

[ 应急响应基础篇 ] 使用 Process Explorer 进程分析工具分析系统进程（附Process Explorer安装教程）

🍬 博主介绍 👨‍🎓 博主介绍：大家好，我是 _PowerShell ，很高兴认识大家~ ✨主攻领域：【渗透领域】【数据通信】 【通讯安全】 【web安全】【面试分析】 🎉点赞➕评论➕收藏 养成习…
阅读更多...
《C Primer Plus》第17章复习题与编程练习

《C Primer Plus》第17章复习题与编程练习

《C Primer Plus》第17章复习题与编程练习复习题1. 定义一种数据类型涉及哪些内容？2. 为什么程序清单17.2只能沿一个方向遍历链表？如何修改struct film定义才能沿两个方向遍历链表？3. 什么是ADT？4. QueueIsEmpty()函数接受一个指向…
阅读更多...
OpenAI创始人：GPT-4的研究起源和构建心法

OpenAI创始人：GPT-4的研究起源和构建心法

OneFlow编译 翻译｜杨婷、贾川、徐佳渝 三十年前，互联网（Web 1.0）时代开启。人们只能在笨重的电脑上用鼠标点击由HTML编写的网页文本，随后开始支持插入图片，可以上传视频，于是有了网络新闻、搜索…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023