传统机器学习(六)集成算法(2)—Adaboost算法原理

news2024/11/24 10:02:38

传统机器学习(六)集成算法(2)—Adaboost算法原理

1 算法概述

Adaboost(Adaptive Boosting)是一种自适应增强算法,它集成多个弱决策器进行决策。

Adaboost解决二分类问题,且二分类的标签为{-1,1}。注:一定是{-1,1},不能是{0,1}

它的训练过程是通过不断添加新的弱决策器,使损失函数继续下降,直到添加决策器已无效,最终将所有决策器集成一个整体进行决策。

1.1 Adaboost概述

1.1.1 Adaboost的具体操作

  • Adaboost会先训练一个弱决策器进行预测,在单个决策器的预测基础上,添加第二个,让预测更准确,在两个决策器的集成决策基础上,添加第三个,让预测更准确,…,如此类推,通过不断添加新的决策器,使损失函数持续下降,直到新增的决策器无法再让损失函数下降,则停止训练。最终将所有决策器集成一个整体进行决策。
  • 理论上Adaboost适用于多种决策器,但实际中基本都是以决策树作为决策器,这样的Adboost也称为提升树。在不特指的情况下,Adboost一般就是指以决策树为决策器的Adaboost算法
  • 个体学习器之间存在强依赖关系、必须串行生成的序列化方法。
    • 【提高】那些在前一轮被弱分类器【分错】的样本的权值
    • 【减小】那些在前一轮被弱分类器【分对】的样本的权值
    • 【加法模型】将弱分类器进行【线性组合】

1.1.2 Adaboost的模型表达式

F ( x ) = a 1 D 1 ( x ) + a 2 D 2 ( x ) + . . . + a m D m ( x ) 其中, D i ( x ) : 第 i 个决策器 a i :决策器的权重系数,为正数 可以看到 , A d a b o o s t 模型就是一系列决策器的加权和。 F(x) = a_1D_1(x) + a_2D_2(x)+...+a_mD_m(x) \\ 其中,D_i(x):第i个决策器\\ a_i:决策器的权重系数,为正数\\ 可以看到,Adaboost模型就是一系列决策器的加权和。 F(x)=a1D1(x)+a2D2(x)+...+amDm(x)其中,Di(x):i个决策器ai:决策器的权重系数,为正数可以看到,Adaboost模型就是一系列决策器的加权和。

模型的输出是一个数值(即所有决策器的权重和)

  • 如果模型的输出是负数,判为-1标签,

  • 如果模型的输出是正数,判为 1标签。

一个Adboost模型由以下参数决定:

  • 各个决策器自身的模型参数
  • 各个决策器的权重

注意:

在每一轮,分别记录好那些被【当前分类器】正确分类和错误分类的样本,在下一轮训练中,提高【错误分类样本】的权值,同时降低【正确分类样本】的权值,用来训练新的弱分类器。这样一来,没有得到正确分类的数据,由于其权值加大,会受到后一轮弱分类器的更大关注。

【加权多数表决】是指:

1、加大【分类误差率】小的弱分类器的权值,使其在表决中起到较大的作用。

2、减小【分类误差率】大的多分类器的权值,使其在表决中起到较小的作用。

1.1.3 前向分布算法

模型求解采用前向分步算法,即逐个逐个决策器训练,先训练第一个,在第一个基础上,训练第二个…每个决策器的训练目标都力求在当前最优(把损失函数降到最低)。直到新增决策器已无法减少误差(或达到最大决策器个数m)。

在这里插入图片描述

Adboost的关键点在于每个决策器的训练上,对于第k个决策器的训练,Adboost的训练方法是把决策器D(k)和系数a(k)拆开训练,先训练D(k),后训练系数a(k)。

1.1.4 算法流程

在这里插入图片描述

第一步:初始化样本权重

初始化训练数据(每个样本)的权值分布。每一个训练样本,初始化时赋予同样的权值w=1/N。N为样本总数。
权值分布 D 1 = ( w 11 , w 12 , . . . , w 1 i . . . , w 1 N ) , w 1 i = 1 N D 1 表示,第一次迭代每个样本的权值。 w 11 表示,第 1 次迭代时的第一个样本的权值。 N 为样本总数。 权值分布D_1 = (w_{11},w_{12},...,w_{1i}...,w_{1N}),w_{1i} =\frac{1}{N} \\ D_1表示,第一次迭代每个样本的权值。w_{11}表示,第1次迭代时的第一个样本的权值。N为样本总数。 权值分布D1=(w11,w12...,w1i...w1N),w1i=N1D1表示,第一次迭代每个样本的权值。w11表示,第1次迭代时的第一个样本的权值。N为样本总数。
第二步:进行多次迭代
a ) 使用具有权值分布 D m ( m = 1 , 2 , 3 … N ) 的训练样本集进行学习,得到弱的分类器。 G m ( x ) 取值为 − 1 , 1 意思是,第 m 次迭代时的弱分类器,将样本 x 要么分类成 − 1 ,要么分类成 1. 那么根据什么准则得到弱分类器? 准则为:该弱分类器的误差函数最小,也就是【分错的样本对应的权值之和】最小。 ε m = ∑ i = 1 N w n m I ( y m ( x n ) ≠ t n ) b ) 计算弱分类器 G m ( x )的话语权,话语权 a m 表示 G m ( x )在最终分类器中的重要程度。其中 e m ,为上步中的 ε m (误差函数的值) a m = 1 2 ln ⁡ 1 − e m e m 该式是随 e m 减小而增大。即误差率小的分类器,在最终分类器的重要程度大。 c )更新训练样本集的权值分布。用于下一轮迭代。其中,被误分的样本的权值会增大,被正确分的权值减小。 D m + 1 = ( w m + 1 , 1 , w m + 1 , 2 , . . . , w m + 1 , i . . . , w m + 1 , N ) ) 公式 : w m + 1 , i = w m , i Z m e − a m y i G m ( x i ) , i = 1 , 2 , . . . , N Z m = ∑ i = 1 N w m , i e − a m y i G m ( x i ) ,是保证权重和为 1 a)使用具有权值分布D_m(m=1,2,3…N)的训练样本集进行学习,得到弱的分类器。\\ G_m(x)取值为{-1,1} \\ 意思是,第m次迭代时的弱分类器,将样本x要么分类成-1,要么分类成1.那么根据什么准则得到弱分类器?\\ 准则为:该弱分类器的误差函数最小,也就是【分错的样本对应的 权值之和】最小。\\ ε_m=\sum\limits_{i=1}^Nw_{n}^mI(y_m(x_n) \neq t_n ) \\ b)计算弱分类器G_m(x)的话语权,话语权a_m表示G_m(x)在最终分类器中的重要程度。其中e_m,为上步中的ε_m(误差函数的值)\\ a_m = \frac{1}{2}\ln\frac{1-e_m}{e_m} \\ 该式是随e_m减小而增大。即误差率小的分类器,在最终分类器的 重要程度大。\\ c)更新训练样本集的权值分布。用于下一轮迭代。其中,被误分的样本的权值会增大,被正确分的权值减小。\\ D_{m+1} = (w_{m+1,1},w_{m+1,2},...,w_{m+1,i}...,w_{m+1,N}))\\ 公式:w_{m+1,i} = \frac{w_{m,i}}{Z_m}e^{-a_my_iG_m(x_i)},i=1,2,...,N \\ Z_m=\sum\limits_{i=1}^Nw_{m,i}e^{-a_my_iG_m(x_i)},是保证权重和为1 a)使用具有权值分布Dmm=1,2,3N)的训练样本集进行学习,得到弱的分类器。Gm(x)取值为1,1意思是,第m次迭代时的弱分类器,将样本x要么分类成1,要么分类成1.那么根据什么准则得到弱分类器?准则为:该弱分类器的误差函数最小,也就是【分错的样本对应的权值之和】最小。εm=i=1NwnmI(ym(xn)=tn)b)计算弱分类器Gmx)的话语权,话语权am表示Gmx)在最终分类器中的重要程度。其中em,为上步中的εm(误差函数的值)am=21lnem1em该式是随em减小而增大。即误差率小的分类器,在最终分类器的重要程度大。c)更新训练样本集的权值分布。用于下一轮迭代。其中,被误分的样本的权值会增大,被正确分的权值减小。Dm+1=(wm+1,1,wm+1,2...,wm+1,i...wm+1,N))公式:wm+1,i=Zmwm,ieamyiGm(xi),i=1,2,...,NZm=i=1Nwm,ieamyiGm(xi),是保证权重和为1
第三步:迭代完成后,组合弱分类器
f ( x ) = ∑ m = 1 N a m G m ( x ) 然后,加个 s i g n 函数,该函数用于求数值的正负。得到最终的强分类器 G ( x ) G ( x ) = s i g n ( f ( x ) ) f(x)=\sum\limits_{m=1}^Na_{m}G_m(x) \\ 然后,加个sign函数,该函数用于求数值的正负。得到最终的强分类器G(x)\\ G_{(x)} = sign(f(x)) f(x)=m=1NamGm(x)然后,加个sign函数,该函数用于求数值的正负。得到最终的强分类器GxG(x)=sign(f(x))
迭代终止条件:
(1)如果当前决策器的训练效果不佳,例如em过大
(2)如果当前Adboost的效果已经很好
(3)达到最大决策器个数

1.2 实际案例解释Adaboost算法流程

给定如下表所示训练数据。假设个体学习器由x(输入)和y(输出)产生,其阈值v(判定正反例的分界线)使该分类器在训练数据集上分类误差率最低。(y=1为正例,y=-1为反例)

x0123456789
y111-1-1-1111-1

1.2.1 第一个个体学习器

我们首先认为xi(i=1,2,…,10)的权重是一样的,即每一个数据同等重要。(权重是用来计算误差的)

在这里插入图片描述

( a ) :在权值分布为 D 1 的训练数据上,阈值 v 取 2.5 (红线)时分类误差率最低。 此时 x = 6 , 7 , 8 的数据被错分为反例,误差为它们的权重之和 e 1 = 0.1 + 0.1 + 0.1 = 0.3 ,误差率小于 0.5 才有意义。 此时,个体学习器为 : G 1 ( x ) = { 1 , x<2.5 − 1 , x>2.5 ( b ) : 根据误差 e 1 ,利用公式: a i = 1 2 ln ⁡ 1 − e i e i ,计算系数 a 1 = 0.4236 。 可以发现只有当 e i < 1 2 ,此时的个体学习器才有意义。 ( c ) :更新训练数据的权值分布。 公式 : w m + 1 , i = w m , i Z m e − a m y i G m ( x i ) , i = 1 , 2 , . . . , N Z m = ∑ i = 1 N w m , i e − a m y i G m ( x i ) ,是保证权重和为 1 (a):在权值分布为D_1的训练数据上,阈值v取2.5(红线)时分类误差率最低。\\ 此时x=6,7,8的数据被错分为反例,误差为它们的权重之和e_1=0.1+0.1+0.1=0.3,误差率小于0.5才有意义。\\ 此时,个体学习器为: \\ G_1(x) = \begin{cases} 1, & \text{x<2.5}\\ -1,& \text{x>2.5} \end{cases} \\ (b):根据误差e_1,利用公式:a_i = \frac{1}{2}\ln\frac{1-e_i}{e_i},计算系数a_1=0.4236。\\ 可以发现只有当e_i<\frac{1}{2},此时的个体学习器才有意义。\\ (c):更新训练数据的权值分布。\\ 公式:w_{m+1,i} = \frac{w_{m,i}}{Z_m}e^{-a_my_iG_m(x_i)},i=1,2,...,N \\ Z_m=\sum\limits_{i=1}^Nw_{m,i}e^{-a_my_iG_m(x_i)},是保证权重和为1 (a):在权值分布为D1的训练数据上,阈值v2.5(红线)时分类误差率最低。此时x=6,7,8的数据被错分为反例,误差为它们的权重之和e1=0.1+0.1+0.1=0.3,误差率小于0.5才有意义。此时,个体学习器为:G1(x)={1,1,x<2.5x>2.5(b):根据误差e1,利用公式:ai=21lnei1ei,计算系数a1=0.4236可以发现只有当ei<21,此时的个体学习器才有意义。(c):更新训练数据的权值分布。公式:wm+1,i=Zmwm,ieamyiGm(xi),i=1,2,...,NZm=i=1Nwm,ieamyiGm(xi),是保证权重和为1
我们用python来计算更新后的权重:

import numpy as np

# 定义计算系数a值公式
def get_a(e):
    a = 0.5 * np.log((1-e) / e)
    return a

# 定义个体学习器,预测y值,其中x为样本数据,v为阈值
def G(x,v):
    y = []
    for i in x:
        if i < v:
            y.append(1)
        else:
            y.append(-1)
    return y


# 训练数据
x = [i for i in range(0,10)]
y = [1, 1, 1, -1, -1, -1, 1, 1, 1, -1]


# 原始的权重为
w = [0.1,0.1,0.1,0.1,0.1, 0.1,0.1,0.1,0.1,0.1]
def update_w(w,a,y,y_pred):
    w_u = []
    for w_index,w_value in enumerate(w):
        r = w_value * np.exp(-a * y[w_index] * y_pred[w_index])
        w_u.append(r)
    return w_u / np.sum(w_u)

# 误差权重和
e1 = 0.1 + 0.1 + 0.1
# 系数a
a = get_a(e1)
# 阈值v
v = 2.5
# 预测的y值
y_pred = G(x,v)

# 更新权重
w = update_w(w,a,y,y_pred)
w.reshape(-1,10)

在这里插入图片描述

可以看到x=6,7,8的数据的权重变大了,而其他数据的权重降低了,这是希望能把之前经常分类错误(经常分类错误,权重会不断变大)的数据能在下一个个体学习器分类正确(记住:权重是用来计算误差的,为了降低误差,选择阈值时会倾向把权重大的分类正确)。

在这里插入图片描述

此时, f 1 ( x ) = a 1 G 1 ( x ) = 0.4236 G 1 ( x ) = { 0.4236 ∗ 1 , x<2.5 0.426 ∗ ( − 1 ) , x>2.5 集成学习器 ( 第一次集成 ) s i g n [ f 1 ( x ) ] = { 1 , x<2.5 − 1 , x>2.5 此时,f_1(x) = a_1G_1(x) =0.4236G_1(x)= \begin{cases} 0.4236*1, & \text{x<2.5}\\ 0.426*(-1),& \text{x>2.5} \end{cases}\\ 集成学习器(第一次集成)sign[f_1(x)] = \begin{cases} 1, & \text{x<2.5}\\ -1,& \text{x>2.5} \end{cases} 此时,f1(x)=a1G1(x)=0.4236G1(x)={0.42361,0.426(1),x<2.5x>2.5集成学习器(第一次集成)sign[f1(x)]={1,1,x<2.5x>2.5
集成学习器(第一次集成,只有一个个体学习器)在训练数据集上有3个误分类点。

1.2.2 第二个个体学习器

在这里插入图片描述

( a ) :在权值分布为 D 2 的训练数据上,阈值 v 取 8.5 (红线)时分类误差率最低。 此时 x = 3 , 4 , 5 的数据被错分为反例,误差为它们的权重之和 e 2 = 0.2143 ,可以发现,误差率降低了。 此时,个体学习器为 : G 2 ( x ) = { 1 , x<8.5 − 1 , x>8.5 ( b ) : 根据误差 e 2 ,计算系数 a 2 = 0.6496 。 ( c ) :更新训练数据的权值分布。 (a):在权值分布为D_2的训练数据上,阈值v取8.5(红线)时分类误差率最低。\\ 此时x=3,4,5的数据被错分为反例,误差为它们的权重之和e_2=0.2143,可以发现,误差率降低了。\\ 此时,个体学习器为: \\ G_2(x) = \begin{cases} 1, & \text{x<8.5}\\ -1,& \text{x>8.5} \end{cases} \\ (b):根据误差e_2,计算系数a_2=0.6496。\\ (c):更新训练数据的权值分布。 (a):在权值分布为D2的训练数据上,阈值v8.5(红线)时分类误差率最低。此时x=3,4,5的数据被错分为反例,误差为它们的权重之和e2=0.2143,可以发现,误差率降低了。此时,个体学习器为:G2(x)={1,1,x<8.5x>8.5(b):根据误差e2,计算系数a2=0.6496(c):更新训练数据的权值分布。
我们继续用python来计算更新后的权重:

# 误差权重和
e2 = 0.2143
# 系数a
a2 = get_a(e2)
# 阈值v
v = 8.5
y_pred = G(x,v)


# 更新权重
w = update_w(w,a2,y,y_pred)
w.reshape(-1,10)

在这里插入图片描述

对比权重D2可以看到x=3,4,5的数据的权重变大了,而其他权重降低了。

在这里插入图片描述

在这里插入图片描述

1.2.3 第三个个体学习器

在这里插入图片描述

( a ) :在权值分布为 D 3 的训练数据上,阈值 v 取 5.5 (红线)时分类误差率最低。 此时 x = 0 , 1 , 2 , 9 的数据被错分为反例,误差为它们的权重之和 e 3 = 0.1820 ,可以发现,误差率又降低了。 此时,个体学习器为 : G 3 ( x ) = { 1 , x<5.5 − 1 , x>5.5 ( b ) : 根据误差 e 3 ,计算系数 a 3 = 0.7514 。 ( c ) :更新训练数据的权值分布。 (a):在权值分布为D_3的训练数据上,阈值v取5.5(红线)时分类误差率最低。\\ 此时x=0,1,2,9的数据被错分为反例,误差为它们的权重之和e_3=0.1820,可以发现,误差率又降低了。\\ 此时,个体学习器为: \\ G_3(x) = \begin{cases} 1, & \text{x<5.5}\\ -1,& \text{x>5.5} \end{cases} \\ (b):根据误差e_3,计算系数a_3=0.7514。\\ (c):更新训练数据的权值分布。 (a):在权值分布为D3的训练数据上,阈值v5.5(红线)时分类误差率最低。此时x=0,1,2,9的数据被错分为反例,误差为它们的权重之和e3=0.1820,可以发现,误差率又降低了。此时,个体学习器为:G3(x)={1,1,x<5.5x>5.5(b):根据误差e3,计算系数a3=0.7514(c):更新训练数据的权值分布。

# 误差权重和
e3 = 0.1820
# 系数a
a3 = get_a(e3)
# 阈值v
v = 5.5
y_pred = G(x,v)

print(a3)

# 更新权重
w = update_w(w,a3,y,y_pred)
w.reshape(-1,10)

在这里插入图片描述

此时,我们集成学习器表达式:

在这里插入图片描述

在这里插入图片描述

我们发现此时的集成学习器,在训练数据集上有0个误分类点。

总结如下

对比三个个体学习器我们可以发现,权值很低的数据从侧面说明,它们在前面的学习器经常被分类正确,也就是说它们被分类正确的票数就比较多(α相当于每个分类器的票数),那么之后的个体学习器把它们分类错也没所谓,反正总票数是分类正确的票数多就可以了

  • 例如x=1,前面两次分类对了,获得正确票数0.4236+0.6496=1.0732,第三次错了,获得错误票数0.7514,正确票数多,最终还是分类正确了。为了想办法让分类错误的数据变为分类正确的,后面的个体学习器也在努力。

  • 如x=6,第一次分类错误的票数为0.4236,第二次分类正确的票数0.6496,可以看到为了让前面分类错误的数据变为分类正确的,后面个体学习器的重要性(α)需要比前面的大。

1.3 Adaboost算法原理

1.3.1 加法模型

预测函数

在这里插入图片描述

类比Adaboost的预测函数,可以知道Adaboost是一个加法模型。

损失函数

回归问题:MSE均方误差

分类问题:指数函数、交叉熵损失

优化方法

在这里插入图片描述

使用【前向分布算法】进行优化。

1.3.2 算法原理

1、优化问题:二分类问题

二分类的标签为{-1,1}。注:一定是{-1,1},不能是{0,1}

2、模型:加法模型
f ( x ) = ∑ m = 1 M a m G m ( x ) f(x)=\sum\limits_{m=1}^Ma_{m}G_m(x) \\ f(x)=m=1MamGm(x)
3、最终分类器
G ( x ) = s i g n [ f ( x ) ] G(x)=sign[f(x)] G(x)=sign[f(x)]
4、损失函数:指数损失函数
L ( y , f ( x ) ) = e [ − y f ( x ) ] 当 G ( x ) 分类正确时候,与 y 同号, L ( y , f ( x ) ) < = 1 , 即损失是一个比较小的数 当 G ( x ) 分类错误时候,与 y 异号, L ( y , f ( x ) ) > 1 ,即损失是一个比较大的数 将损失函数视为训练数据的【权值】 w m i = e [ − y i f m − 1 ( x i ) ] L(y,f(x)) = e^{[-yf(x)]} \\ 当G(x)分类正确时候,与y同号,L(y,f(x))<=1 ,即损失是一个比较小的数\\ 当G(x)分类错误时候,与y异号,L(y,f(x))>1,即损失是一个比较大的数 \\ 将损失函数视为训练数据的【权值】\\ w_{mi}=e^{[-y_if_{m-1}(x_i)]} L(y,f(x))=e[yf(x)]G(x)分类正确时候,与y同号,L(y,f(x))<=1,即损失是一个比较小的数G(x)分类错误时候,与y异号,L(y,f(x))>1,即损失是一个比较大的数将损失函数视为训练数据的【权值】wmi=e[yifm1(xi)]
在这里插入图片描述

5、优化算法:前向分布算法

在这里插入图片描述

极小化损失函数的公式准换

在这里插入图片描述

准换公式推导如下

在这里插入图片描述

求解转换后的公式

1、优化Gm(x)

在这里插入图片描述

2、优化am
a m = 1 2 ln ⁡ 1 − e m e m a_m = \frac{1}{2}\ln\frac{1-e_m}{e_m} am=21lnem1em
公式推导:

首先,将准换后的最小化损失函数的公式,再次进行准换
在这里插入图片描述

上式中,只有am为变量,对于此凸优化问题,可以对am求导
在这里插入图片描述

令求导后的公式为0

在这里插入图片描述

然后,对于分子分母,再除以所有样本的权值之和,进行化简,可以得到公式
a m = 1 2 ln ⁡ 1 − e m e m a_m = \frac{1}{2}\ln\frac{1-e_m}{e_m} am=21lnem1em
3、前向更新fm(x)
f m ( x ) = f m − 1 ( x ) + a m G m ( x ) f_m(x)=f_{m-1}(x) + a_mG_m(x) fm(x)=fm1(x)+amGm(x)
4、更新训练数据权值
公式 : w m + 1 , i = w m , i Z m e − a m y i G m ( x i ) , i = 1 , 2 , . . . , N Z m = ∑ i = 1 N w m , i e − a m y i G m ( x i ) ,是保证权重和为 1 公式:w_{m+1,i} = \frac{w_{m,i}}{Z_m}e^{-a_my_iG_m(x_i)},i=1,2,...,N \\ Z_m=\sum\limits_{i=1}^Nw_{m,i}e^{-a_my_iG_m(x_i)},是保证权重和为1 公式:wm+1,i=Zmwm,ieamyiGm(xi),i=1,2,...,NZm=i=1Nwm,ieamyiGm(xi),是保证权重和为1
公式推导如下(未归一化)

在这里插入图片描述
本篇笔记主要参考如下:
李航老师的<学习统计方法>
https://blog.csdn.net/fuqiuai/article/details/79482487
http://ml.bbbdata.com/site/text/100

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/498891.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

Linux 线程安全

目录 传统艺能&#x1f60e;Linux线程安全&#x1f60a;原子性&互斥&#x1f923;mutex&#x1f60a;互斥量初始化&#x1f64c;互斥量销毁&#x1f64c;互斥量加锁&#x1f64c;互斥量解锁&#x1f64c; 互斥量原理&#x1f60a;锁的申请&#x1f64c; 线程安全&#x1f9…

Java --- springboot2之文件上传

目录 一、文件上传 二、自动配置原理 一、文件上传 <form role"form" th:action"{/upload}" method"post" enctype"multipart/form-data"><div class"form-group"><label for"exampleInputEmail1&quo…

VUE 学习笔记(二)VUE的深入理解

一、VUE 简介 1.什么是VUE ? VUE 是一套用于构建用户界面的渐进式JavaScript框架 &#xff0c;对于简单应用&#xff0c;只需要轻量小巧的核心库&#xff0c;对于复杂的应用&#xff0c;可以引入各种VUE 插件。 模板引擎是 Vue 里最主要、最核心的一个能力&#xff0c;在模板引…

【Linux学习】多线程——线程控制 | 线程TCB

&#x1f431;作者&#xff1a;一只大喵咪1201 &#x1f431;专栏&#xff1a;《Linux学习》 &#x1f525;格言&#xff1a;你只管努力&#xff0c;剩下的交给时间&#xff01; 线程控制 | 线程TCB &#x1f9f0;线程控制&#x1f3b4;线程创建&#x1f3b4;线程结束&#x1…

华为eNSP综合实验学习记录

区域一&#xff1a;ISP 题目要求&#xff1a; 1、ISP区域&#xff0c;每台路由器需要指定一个环回口地址&#xff0c;所有设备之间互联使用/30网段&#xff0c;server1服务器区域是有10台服务器&#xff0c;使用10.1.1.0/24网段进行划分。LSW1是一台OLT设备&#xff0c;连接家…

谷歌账号注册流程全攻略

谷歌账号是获取谷歌各种服务的通行证&#xff0c;包括Gmail、Google Drive、Google Photos、Google Maps等。拥有一个谷歌账号可以让你的数字生活变得更加便捷。下面我们一起来看看谷歌账号的注册流程。 一、访问谷歌账号注册页面 首先&#xff0c;你需要访问谷歌账号注册页面…

【MYSQL】基础的增删查改

目录 1.create(新增) 2.retrieve(查询) 1.全列查询&#xff1a;*代表所有&#xff1b; 2.指定列查询&#xff1a; 3.取别名 4.去重--distinct 5.排序--order by 类型 asc 6.条件筛选--where 类型数值&#xff1b; 7.筛选null--is/not is 8.范围查找between and 9…

springboot第七章 结合Dubbo

实现Dubbo分布式框架&#xff0c;需要公共接口maven项目&#xff0c;需要服务提供者springboot项目&#xff0c;需要服务消费者springboot项目。 因为公共接口只有数据类和接口&#xff0c;后期提供者和消费者需要根据maven唯一坐标来导入公共接口项目的jar包&#xff0c;因此公…

Python简单教程(第01章---第04章)

Python简单教程 1. Python综述1.1 python是什么1.2 python的发展1.3 python的特点 2.Python3安装2.1 python3 和 python2的区别2.2 python3环境的安装&#xff08;以windows为例&#xff09;2.3 Anaconda 安装&#xff08;可选&#xff09; 3. Python基本语法3.1 编码3.2 标识符…

内网渗透之横向移动 委派-非约束委派约束委派资源委派

0x01 横向移动-非约束委派 原理&#xff1a; 机器A&#xff08;域控&#xff09;访问具有非约束委派权限的机器B的服务&#xff0c;会把当前认证用户&#xff08;域管用户&#xff09;的的TGT放在ST票据中&#xff0c;一起发送给机器B&#xff0c;机器B会把TGT存储在lsass进程…

tomcat乱码解决方案

2.将里面的java.util.logging.ConsoleHandler.encoding 的值改为GBK。如下图&#xff1a;

电影推荐算法

模型训练 下载数据集&#xff0c;解压到项目目录下的./ml-1m文件夹下。数据集分用户数据users.dat、电影数据movies.dat和评分数据ratings.dat。 ** 数据集分析 ** user.dat&#xff1a;分别有用户ID、性别、年龄、职业ID和邮编等字段。 数据集网站地址为http://files.group…

数智未来,因你而来 | 昇腾AI创新大赛2023全新启动

在5月6日-7日举行的昇腾AI开发者峰会2023上&#xff0c;昇腾AI创新大赛2023正式启动。大赛旨在鼓励全产业开发者基于昇腾AI技术和产品&#xff0c;打造软/硬件解决方案、探索模型算法&#xff0c;加速AI与行业融合&#xff0c;促进开发者能力提升。 会上&#xff0c;中国工程院…

【vite+vue3.2 项目性能优化实战】使用vite-plugin-cdn-import进行CDN加速优化项目体积

CDN&#xff08;Content Delivery Network&#xff09;即内容分发网络&#xff0c;是一种通过在全球范围内分布式部署服务器来加速网络内容传输的技术。CDN加速的原理是&#xff0c;当用户请求访问某个资源时&#xff0c;CDN会根据用户的地理位置和网络状况&#xff0c;自动选择…

【内置函数】——高级编程——如桃花来

目录索引 1. hasattr()&#xff1a;2. getattr()&#xff1a;有&#xff1a;没有则报错&#xff1a; 3. setattr()&#xff1a;4. delattr():5. issubclass():6. isinstance():判断前面是不是属于后面的类型&#xff1a;判断前面是不是属于后面的类型之一&#xff1a;判断前面是…

百度网盘密码数据兼容处理

文章目录 一、问题描述二、代码实现1. 配置类2. 数据库配置3. config 配置类4. AOP 通知类5. 数据层6. 业务层7. 实体类 三、测试及结果 一、问题描述 需求&#xff1a; 对百度网盘分享链接输入密码时尾部多输入的空格做兼容处理。 分析&#xff1a; ① 在业务方法执行之前对所…

目标检测YOLO(V1、V2、V3)入门

one-stage和two-stage的区别 YOLO常见的指标 YOLO V1 yolo v1架构解读 yolo v1损失函数 NMS非极大值抑制 yolo v1版本的问题 重叠在一起的物体不好分类&#xff0c;只是一个单分类问题多标签问题&#xff08;狗和哈士奇&#xff09; v2和v1的区别 v2网络结构 batch normaliz…

【iOS】---pthread,NSThread

在iOS中多线程开发有四种方式&#xff0c;在之前我们浅浅了解了一下GCD&#xff0c;这期来看看pthread和NSThread pehread pthread简介 pthread 是一套通用的多线程的 API&#xff0c;可以在Unix / Linux / Windows 等系统跨平台使用&#xff0c;使用 C 语言编写&#xff0c;…

Redis持久化之RDB高频问题

1、RDB是如何应用的&#xff1f; 因为记录的是操作命令&#xff0c;而不是实际的数据&#xff0c;所以&#xff0c;用 AOF 方法进行故障恢复的时候&#xff0c;需要逐一把操作日志都执行一遍。如果操作日志非常多&#xff0c;Redis 就会恢复得很缓慢&#xff0c;影响到正常使用…

ApacheBench网站压力测试

ApacheBench &#xff08;简称ab&#xff09;是一个指令列程式&#xff0c;可用于网站压力测试&#xff0c;亦可用于发起CC攻击&#xff0c;请不要滥用哦。ApacheBench &#xff08;简称ab&#xff09;是一个指令列程式&#xff0c;可用于网站压力测试。如果已经安装过Apache&a…