libtorch教程（一）开发环境搭建：VS+libtorch和Qt+libtorch

news2025/1/11 20:06:52

前言 事实上，在前面的pytorch部署博客和libtorch的QT部署中笔者已经分享了自己搭建libtorch开发环境的记录。其余并无太多要赘述的。

本教程禁止转载。同时，本教程来自知识星球【CV技术指南】更多技术教程，可加入星球学习。

Transformer、目标检测、语义分割交流群

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV各大方向专栏与各个部署框架最全教程整理

VS+libtorch

VS+libtorch引言

本文旨在介绍如何在Windows平台使用pytorch的c++ api部署pytorch的CNN模型，本文的部署的模型只有推理功能，这是由于torch::jit不支持部分层或者操作的反向传播。当然即使只是推理也足够许多项目运行了，部署使用的工具有visual studio，opencv，libtorch。

环境

本文环境如下：
win10平台
cuda10.2+cudnn7.6.5
双显卡Gtx 1080Ti
visual studio 2017 community version
opencv 4.5.0
libtorch 1.1
事实上，除了libtorch是版本有强制要求不低于pytorch版本外（主要是可能存在的api问题，否则也不必）和visual studio的版本要求外，其他如opencv并无版本要求，甚至如果只部署cpu的话，显卡都不是必须。

visual studio

visual studio版本最好在2015及以上，本文用2017版本。下载链接在链接1，具体安装过程可以参考链接2。打开链接1下载社区版本即可，安装时对于c++程序设计只需安装对应部分，勾选如下：
img](https://raw.githubusercontent.com/AllentDan/ImageBase/main/libtorch_deploy/vs.PNG)
visual studio的安装并无太多需要赘述，按照教程操作就好。

opencv

截止成文时，opencv版本已到4.5.0。去官网下载你想要的版本即可，当然限定平台为Windows平台。opencv的版本如若读者没有特别需要均无影响，本文也试过不同版本，不影响部署。opencv安装也容易，虽然是exe文件，但是实际就是个压缩包，解压到你想要的目录最好。值得注意的是，好的编程习惯很重要，所有程序涉及路径以英文路径为佳，避免出错。

libtorch

libtorch使用所需要的环境和训练最好保持一致，其中cuda，显卡驱动以及libtorch版本配置一般不应低于训练环境。尤其是libtorch版本要求更为严格，否则部分pytorch的api无法在libtorch中使用。

本文中以libtorch1.7为例介绍，读者最新版1.7.1使用，亲测可用。下载时以release版本为佳，避免一些不必要的错误。
img](https://raw.githubusercontent.com/AllentDan/ImageBase/main/libtorch_deploy/libtorch_download_scene.PNG)
下载后同样解压到读者想要路径，可以更改好解压名称如下以方便版本管理。
img
这样下来就已经准备好部署所需要的依赖项。

例子

生成.pt文件

接下来以ResNet34分类模型为例尝试部署分类模型。准备一张图片用以判断是否部署成功，本文用例图如下：
img
接下来先和官网类似生成torchscript模型，亦即本文中的pt文件。本文使用代码如下：

from torchvision.models import resnet34
import torch.nn.functional as F
import torch.nn as nn
import torch
import cv2

#读取一张图片，并转换成[1,3,224,224]的float张量并归一化
image = cv2.imread("flower.jpg")
image = cv2.resize(image,(224,224))
input_tensor = torch.tensor(image).permute(2,0,1).unsqueeze(0).float()/225.0

#定义并加载resnet34模型在imagenet预训练的权重
model = resnet34(pretrained=True)
model.eval()
#查看模型预测该付图的结果
output = model(input_tensor)
output = F.softmax(output,1)
print("模型预测结果为第{}类，置信度为{}".format(torch.argmax(output),output.max()))

#生成pt模型，按照官网来即可
model=model.to(torch.device("cpu"))
model.eval()
var=torch.ones((1,3,224,224))
traced_script_module = torch.jit.trace(model, var)
traced_script_module.save("resnet34.pt")

输出结果为：

模型预测结果为第723类，置信度为0.5916505455970764

代码运行结束即可生成.pt文件。

Visual Studio项目配置

新建Visual Studio工程项目。

打开Visual Studio 2017，点击文件->新建->项目，新建空白的c++项目如下：
img
本文新建项目名称为deploy_test，新建空白项目后右键源文件，点击添加新建项，生成main.cpp。至此，Visual Studio项目的准备工作已做好，接下来时配置项目环境。

编译环境配置

在项目的管理器中设置项目的编译为Release，平台选择x64。如图：
img

配置项目属性

include

右键项目deploy_test，选择属性进入属性页的配置属性。选择VC++目录，需要添加包含目录和库目录。包含目录配置路径为

your path to libtorch\include\torch\csrc\api\include
your path to libtorch\include
your path to opencv\build\include

本文的配置结果如下：
img

lib

库目录的配置路径为：

your path to libtorch\lib
your path to opencv\build\x64\vc14\lib

其中，vc版本与vs版本对应关系以及opencv与vc版本间的关系见链接。VS2017对应版本为vc15，opencv的\build\x64文件夹下同时有vc14和vc15，本文选择了vc14也是可用的（VS高版本向下兼容）。库目录具体配置如下图：
img

link

最后添加链接器，点击链接器->输入->附加依赖项，编辑添加库目录中libtorch库目录下所有的.lib文件名。此外，为使用opencv还需添加opencv的.lib文件。本文添加如下：

opencv_world450.lib
asmjit.lib
c10.lib
c10d.lib
c10_cuda.lib
caffe2_detectron_ops_gpu.lib
caffe2_module_test_dynamic.lib
caffe2_nvrtc.lib
clog.lib
cpuinfo.lib
dnnl.lib
fbgemm.lib
gloo.lib
gloo_cuda.lib
libprotobuf-lite.lib
libprotobuf.lib
libprotoc.lib
mkldnn.lib
torch.lib
torch_cpu.lib
torch_cuda.lib

dll

动态链接库需要放入指定位置，有三种做法：

  • 将opencv中的\build\x64\vc14\bin文件夹路径放入环境变量path中，libtorch中的lib文件夹同样如此；
  • 拷贝opencv和libtorch中的dll文件到项目的执行目录中；
  • 将opencv和libtorch中的dll路径配置到VS项目中；

从省事角度和工程需要角度，一般都是直接拷贝dll到执行目录中。读者可以在项目编译后执行时报错缺啥拷贝啥。

至此，VS项目的配置内容已经完成，下面开始c++代码。

cpp代码

#include<opencv2/opencv.hpp>
#include <torch/torch.h>
#include <torch/script.h> 

int main()
{
	//定义使用cuda
	auto device = torch::Device(torch::kCUDA,0);
	//读取图片
	auto image = cv::imread("your path to\\flower.jpg");
	//缩放至指定大小
	cv::resize(image, image, cv::Size(224, 224));
	//转成张量
	auto input_tensor = torch::from_blob(image.data, { image.rows, image.cols, 3 }, torch::kByte).permute({ 2, 0, 1 }).unsqueeze(0).to(torch::kFloat32) / 225.0;
	//加载模型
	auto model = torch::jit::load("your path to\\resnet34.pt");
	model.to(device);
	model.eval();
	//前向传播
	auto output = model.forward({input_tensor.to(device)}).toTensor();
	output = torch::softmax(output, 1);
	std::cout << "模型预测结果为第" << torch::argmax(output) << "类，置信度为" << output.max() << std::endl;
	return 0;
}

编译执行，代码的输出结果为：

模型预测结果为第723
[ CUDALongType{} ]类，置信度为0.591652
[ CUDAFloatType{} ]

可以发现，torchscript文件推理的结果还是和python的略有不同，不过也已经时小数点后第6位了，一般不会影响最后结果判定。

一些报错

错误1：无法使用GPU

目前最新的libtorch依据是1.7+cuda10.2，我也有使用，但是目前发布的版本编译的并不完美。如果官方仍然没有更新的话，以该版本运行的程序可以在CPU中正常使用，但是将模型移至GPU时会出错。相比于正常添加lib文件名，1.7版本的需要在链接器里多添加一句：

/INCLUDE:?warp_size@cuda@at@@YAHXZ

其他版本如有遇到类似问题可以同样方式解决，该错误似乎是windows平台导致，此解决方法参考了此链接。

错误2：编译时报错“std”: 不明确的符号

调整属性页->属性配置->c/c+±>语言->符合模式设置为否即可编译成功。

错误3：缺少dll

如果编译成功，执行报错由于找不到xxxx.dll，无法继续执行代码。则解决方式有三：

  • 添加对应dll的目录到系统环境变量的path中
  • 在VS项目中配置dll路径
  • 直接将该dll复制粘贴到项目的执行路径下。
    如果项目不多，建议直接复制粘贴。

Qt+libtorch

Qt+libtorch引言

纯c++用户而言如果要自研产品，会一个图形界面编程工具还是有必要的。大多数c++用户，如果在Windows平台开发则多使用微软全家桶，如果是Linux平台则可能是其他工具再cmake。这篇博客将记录Windows平台，QT Creator中Opencv和Libtorch的配置。网上有较多关于使用Mingw编译Opencv源码以供QT Creator使用的，事实上，只是基于Opencv和Libtorch的api做开发的话，无需编译。正确的流程为：安装QT Creator时，勾选MSVC编译器，下载opencv的exe文件和libtorch的官方版压缩包，随后配置Release版本的项目即可。如要直接看正确步骤，前往本文“正确步骤”小节即可。各工具版本：

  • QT Creator 4.11.0 (Community)
  • QT 5.14.1
  • OpenCV 4.5.0(官网) 4.1.1 x64(MingW轮子库版)
  • Libtorch 1.7.0(官网)
  • CUDA 10.2
  • CUDNN(适配CUDA10.2版本)

QT Creator安装不全，编译器选择错误，OpenCv使用困难

由于自己以前主力开发工具是微软全家桶，主要Visual Studio写c++，VS code写python这样，QT Creator大致了解后简单装了下，只有MingW x64编译器，这导致OpenCV不能像在Visual Studio一样直接官网下载.exe解压添加动态库即可。由于不了解QT Creator，配置时直接按照网上部分博客在.pro中修改，导致出错。

直接下载opencv官网.exe，使用MingW编译主要错误表现为：

  1. 控制台无法输出，即QT Creator最下方3 应用程序输出只有Debugging starts和Debugging has finished字样。
  2. cv::Mat可以使用，但是imread和imshow均无法使用，右键项目重新构建时出现 undefined reference to `cv::imread(cv::String const…

错误undefined reference to也就是“未定义的标识符”错误，这是因为没有正确关联.lib文件，工程只能找到函数声明，无法找到定义。然后一顿折腾，以为自己.pro文件中的INCLUDEPATH和LIBS配置不对，各种魔改都没有效果。最后看某个博客说因为OpenCV官网提供的是MSVC编译的，如果想基于MingW开发，需要前往这个GitHub上下载需要版本。OpenCV在2.4.10及之后版本不再提供MingW编译的Lib。如果要跨平台做基于OpenCV的开发，要么自己用MingW编译一次OpenCV源码，要么用网上已有的轮子。

选用轮子库里的MinGW-OpenCV-4.1.1-x64，在.pro文件中配置好库文件如下：

INCLUDEPATH += your path to\MinGW-OpenCV-4.1.1-x64\include

LIBS+=your path to\MinGW-OpenCV-4.1.1-x64\x64\mingw\lib\libopencv_*.a

*是正则表示任意字符串。QT Creator中的配置路径很有趣，同时接受/，//，\和\。在.pro文件改好后，选择构建build，执行qmake，然后再右键项目，选择重新构建，此时无论项目配置使用Release或者Debug编译均可通过。同时，也可以在Linux中做OpenCV开发。

Libtorch只能用MSVC编译器直接调用

有了配置成功OpenCV的经验，就自然想继续用MingW配置Libtorch，找到pytorch官网提供的libtorch下载Debug或者Release版本。以Release版本为例配置.pro如下：

INCLUDEPATH += your path to\MinGW-OpenCV-4.1.1-x64\include \
your path to\libtorch17release\include \
your path to\libtorch17release\include\torch\csrc\api\include

LIBS+=your path to\MinGW-OpenCV-4.1.1-x64\x64\mingw\lib\libopencv_*.a \
your path to\libtorch17release\lib\*.lib \
your path to\libtorch17release\lib\*.dll

qmake, 重新构建，产生159个warning，12个error。警告不用管，项目配置Debug或者Release编译，错误都有有：

  1. include\c10\macros\Macros.h:287: error: ‘__assert_fail’ was not declared in this scope __assert_fail
  2. include\ATen\core\ivalue_inl.h:719: error: expected unqualified-id before ‘(’ token TORCH_CHECK(obj->slots().size() == 1,

重装QT Creator，配置MSVC编译器

可以在QT安装路径中使用QT manager补装，但是比较麻烦。直接在控制面版中卸载QT Creator，官网下载或者搜索其他网址下载，官网加载很慢可以搜索下载。

参考QT Creator安装，重装时，在选择组件部分除了默认的Develper and Designer Tools中的MingW和CDB，还要勾选MSVC部分。

安装好MSVC编译器，还要配置，配置时需要cdb.exe。选择工具->选项->构建套件(Kits)->MSVC 2017 x64->调式器，添加cdb.exe。如果没有，下载安装即可。装好后在添加cdb调试器。

重新用MSVC 2017编译器，配置OpenCV和Libtorch

配置好MSVC编译器后，在.pro文件加入配置如下：

INCLUDEPATH += your path to\opencv-4.5.0-vc14_vc15\opencv\build\include \
your path to\libtorch17debug\include \
your path to\libtorch17debug\include\torch\csrc\api\include

LIBS+=your path to\opencv-4.5.0-vc14_vc15\opencv\build\x64\vc15\lib\opencv_world450d.lib \
your path to\libtorch17debug\lib\*.lib

执行qmake，重新构建。发现报错主要来自IValue.h和IValue_init.h文件，显示7个错误

  • 语法错误: 标识符“IValue”
  • 意外的标记位于“;”之前
  • “c10::IValue”:非法的成员初始化
  • “Tag”：不是类或命名空间名称
  • 语法错误，缺少“;”等。

解决方法参考引用3，分两步

  1. 在引用 #include <torch/torch.h> 的地方，这样写
#undef slots
#include <torch/torch.h>
#define slots Q_SLOTS
  1. 在报错的D:\libtorch\include\ATen/core/ivalue.h头文件和IValue_init.h文件中
    找出如下3行内容，注释掉。共有多处
/// \cond DOXYGEN_CANNOT_HANDLE_CONSTRUCTORS_WITH_MACROS_SO_EXCLUDE_THIS_LINE_FROM_DOXYGEN
C10_DEPRECATED_MESSAGE("IValues based on std::vector<T> are potentially slow and deprecated. Please use c10::List<T> instead.")
/// \endcond

至此，重新构建不再出错。但是运行报错：cdb process terminated。排查错误来源，发现只使用OpenCV是没有问题的，但是加入libtorch则出错。没办法，只能将项目配置Debug转成Release。或者运行也不报错，但是当运行代码中有libtorch相关的模型操作，无论加载或者forward，均会终止运行。

正确步骤

至此，坑已经全部踩完。CUDA和CUDNN的安装网上方法很多，就不赘述。安装好后，QT完整的深度学习配置步骤为：

  1. 下载安装QT Creator，配置好环境。官网下载或者搜索其他网址下载，官网加载很慢可以搜索下载。注意安装时勾选MSVC编译器组件。项目选用MSVC编译，在工具->选项->构建套件(Kits)->MSVC 2017 x64配置MSVC 2017 x64，选择c和c++编译器为amd64。
  2. 如果电脑没有cdb.exe文件(Everything搜查)，则下载安装，安装完毕后选择工具->选项->构建套件(Kits)->MSVC 2017 x64->Debugger(调式器)，添加cdb.exe。
  3. 下载OpenCV和libtorch。将正确路径配置到项目的.pro文件中，在.pro文件末尾添加
INCLUDEPATH += your path to\opencv-4.5.0-vc14_vc15\opencv\build\include \
your path to\libtorch17release\include \
your path to\libtorch17release\include\torch\csrc\api\include

LIBS += -Lyour path to\opencv-4.5.0-vc14_vc15\opencv\build\x64\vc15\lib -lopencv_world450 \
-Lyour path to\libtorch17release\lib -lc10 -ltorch -lc10_cuda -lcaffe2_detectron_ops_gpu -lc10d -ltorch_cpu \
-ltorch_cuda -lgloo -lcaffe2_module_test_dynamic -lasmjit -lcaffe2_nvrtc -lclog -lcpuinfo -ldnnl -lfbgemm -lgloo_cuda \
-lmkldnn -INCLUDE:?warp_size@cuda@at@@YAHXZ

将your path to替换为你本地路径。

  1. 项目配置为Release模式，运行qmake成功，右键项目重新构建。可能产生错误有：
    语法错误: 标识符“IValue”；
    意外的标记位于“;”之前；
    “c10::IValue”:非法的成员初始化；
    “Tag”：不是类或命名空间名称；
    语法错误，缺少“;”。
    解决方法参考引用3，在引用 #include <torch/torch.h> 的地方，这样写
#undef slots
#include <torch/torch.h>
#define slots Q_SLOTS

在报错的D:\libtorch\include\ATen/core/ivalue.h头文件和IValue_init.h文件中
找出如下3行内容，注释掉。共有多处

/// \cond DOXYGEN_CANNOT_HANDLE_CONSTRUCTORS_WITH_MACROS_SO_EXCLUDE_THIS_LINE_FROM_DOXYGEN
C10_DEPRECATED_MESSAGE("IValues based on std::vector<T> are potentially slow and deprecated. Please use c10::List<T> instead.")
/// \endcond

至此，重新构建不再出错

  1. 成功运行，测试的main.cpp文件代码如下：
#include "mainwindow.h"
#include<opencv2/opencv.hpp>
#include <QApplication>
#include<iostream>
#undef slots
#include<torch/script.h>
#include<torch/torch.h>
#define slots Q_SLOTS

class ConvReluBnImpl : public torch::nn::Module {
public:
    ConvReluBnImpl(int input_channel=3, int output_channel=64, int kernel_size = 3);
    torch::Tensor forward(torch::Tensor x);
private:
    // Declare layers
    torch::nn::Conv2d conv{ nullptr };
    torch::nn::BatchNorm2d bn{ nullptr };
};
TORCH_MODULE(ConvReluBn);

ConvReluBnImpl::ConvReluBnImpl(int input_channel, int output_channel, int kernel_size) {
    conv = register_module("conv", torch::nn::Conv2d(torch::nn::Conv2dOptions(input_channel, output_channel, kernel_size).padding(1)));
    bn = register_module("bn", torch::nn::BatchNorm2d(output_channel));

}

torch::Tensor ConvReluBnImpl::forward(torch::Tensor x) {
    x = torch::relu(conv->forward(x));
    x = bn(x);
    return x;
}

int main(int argc, char *argv[])
{
    //test torch
    auto device = torch::Device(torch::kCUDA);
    auto model = ConvReluBn(3,4,3);
    model->to(device);
    auto input = torch::zeros({1,3,12,12},torch::kFloat).to(device);
    auto output = model->forward(input);
    std::cout<<output.sizes()<<std::endl;

    //test opencv
    cv::Mat M(200, 200, CV_8UC3, cv::Scalar(0, 0, 255));
    if(!M.data)
        return 0;
    cv::imshow("ddd",M);
    cv::waitKey(0);
    cv::destroyAllWindows();
    //test qt
    QApplication a(argc, argv);
    MainWindow w;
    w.show();
    return a.exec();
}

运行成功，并且显示200*200的红色图案。

  1. 然而，仍然存在两个问题，一个是cout无输出，一个是无法调试。解决办法为：第一个在.pro文件后添加一句
CONFIG += console

第二个则相对复杂，参考博客修改。如果需要查看变量，则用博客中方法修改QT安装路径下的msvc-desktop.conf，如果不需要查看变量，能断点就行，则直接在.pro文件添加：

QMAKE_CXXFLAGS_RELEASE = $$QMAKE_CFLAGS_RELEASE_WITH_DEBUGINFO
QMAKE_CFLAGS_RELEASE = $$QMAKE_LFLAGS_RELEASE_WITH_DEBUGINFO
QMAKE_LFLAGS_RELEASE = $$QMAKE_LFLAGS_RELEASE_WITH_DEBUGINFO

至此，配置完成。

参考链接

OpenCV+MingW编译
QT Creator安装
win10 64bit+ qt5.12.0 + msvc2017 + libtorch(pytorch)+cuda10.1+cudnn7.6配置
QT creator Release模式下可调试


欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

【技术文档】《从零搭建pytorch模型教程》122页PDF下载

QQ交流群：470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。

模型部署交流群：732145323。用于计算机视觉方面的模型部署、高性能计算、优化加速、技术学习等方面的交流。

其它文章

ICLR 2023 | RevCol：可逆的多 column 网络，大模型架构设计新范式

CVPR 2023 | 即插即用的注意力模块 HAT: 激活更多有用的像素助力low-level任务显著涨点！

ICML 2023 | 轻量级视觉Transformer (ViT) 的预训练实践手册

即插即用系列 | 高效多尺度注意力模块EMA成为YOLOv5改进的小帮手

即插即用系列 | Meta 新作 MMViT: 基于交叉注意力机制的多尺度和多视角编码神经网络架构

全新YOLO模型YOLOCS来啦 | 面面俱到地改进YOLOv5的Backbone/Neck/Head

ReID专栏（三） 注意力的应用

ReID专栏（二）多尺度设计与应用

ReID专栏（一） 任务与数据集概述

libtorch教程（三）简单模型搭建

libtorch教程（二）张量的常规操作

libtorch教程（一）开发环境搭建：VS+libtorch和Qt+libtorch

异常检测专栏（三）传统的异常检测算法——上

异常检测专栏（二）：评价指标及常用数据集

异常检测专栏（一）异常检测概述

【CV技术指南】咱们自己的CV全栈指导班、基础入门班、论文指导班 全面上线!!_

CV最全知识体系和技术教程

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/602151.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

苹果CMS仿T5资源站影视资源分享网站模板

苹果CMS仿T5资源站影视资源分享网站模板

简介&#xff1a; 苹果cms仿T5资源站影视资源分享网站模板&#xff0c;包括首页、详情页、留言页、和播放弹窗&#xff01;适合拿去做资源站&#xff01; 云盘地址&#xff1a; http://zijieyunpan.cn/eF3crCQyWVO 演示&#xff1a;
阅读更多...
Android Input子系统 - PhoneWindowManager

Android Input子系统 - PhoneWindowManager

基本概念 PhoneWindowManager也是运行于systemserver线程中,在Event事件分发之前处理,比如电源键。Event事件分发后,仅有包含Activity的apk线程才可以处理,如果apk中没有activity但是想处理Event事件怎么办呢?可以在PhoneWindowManager做做文章了。 在SystemServer中, inputM…
阅读更多...
数影周报：免费VPN泄露3.6亿条数据，句子互动获数百万美融资

数影周报：免费VPN泄露3.6亿条数据，句子互动获数百万美融资

本周看点&#xff1a;免费VPN泄露3.6亿条用户数据&#xff1b;推特信任与安全主管宣布辞职&#xff1b;宣亚国际宣布推出OrangeGPT&#xff1b;亚马逊日本将在关东地区开设两个新物流中心&#xff1b;句子互动完成数百万美元Pre-A轮融资...... 数据安全那些事 免费VPN泄露3.6亿…
阅读更多...
黑客松必备｜Bear Necessities Hackathon赞助商Workshop汇总

黑客松必备｜Bear Necessities Hackathon赞助商Workshop汇总

由Moonbeam和AWS Startups联合主办的Bear Necessities Hackathon黑客松启动仪式于5月30日举行。本次黑客松将历时约1个月的时间&#xff0c;包含6个挑战&#xff0c;分别由Moonbeam基金会、Chainlink、StellaSwap、SubQuery、Biconomy提供赞助&#xff0c;总奖池超过5万美金。了…
阅读更多...
requests做接口测试

requests做接口测试

Requests 是用Python语言编写&#xff0c;基于 urllib&#xff0c;采用 Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便&#xff0c;可以节约我们大量的工作&#xff0c;完全满足 HTTP 测试需求。Requests 的哲学是以 PEP 20 的习语为中心开发的&#xff0c;所以它…
阅读更多...
【linux 脚本篇】流程控制语句-case

【linux 脚本篇】流程控制语句-case

目录 &#x1f341;案例一&#xff1a;菜单选项 &#x1f342;if语句执行 &#x1f342;case语句执行 &#x1f341;案例二&#xff1a;rsync服务脚本 &#x1f342;if语句执行 &#x1f342;case语句执行 &#x1f341;案例三&#xff1a;nginx服务脚本 &#x1f341;案例四&a…
阅读更多...
【收藏】FP独立站建站安心收款经验分享

【收藏】FP独立站建站安心收款经验分享

前几天有个客户咨询我&#xff0c;跟我说了他的疑问。他是在阿里巴巴国际站上面做鞋服&#xff0c;但看到同行在独立站上铺fp&#xff0c;所以他想问问&#xff1a;怎么建立一个独立站并在上面成功推出fp呢&#xff1f;今天&#xff0c;我就来跟有类似诉求的朋友们分享一下&…
阅读更多...
企业邮箱保密性评测揭晓：哪个流行的企业邮箱保密性更高？

企业邮箱保密性评测揭晓：哪个流行的企业邮箱保密性更高？

大多数流行的电子邮件提供商都没有为您的电子邮件提供足够的保护&#xff0c;这已不是什么秘密。在这里我们将了解流行的电子邮件提供商使用的不同类型的加密&#xff0c;以及您如何选择满足您的隐私需求的企业邮箱最佳提供商。 一、谷歌邮箱 默认情况下&#xff0c;Gmail使用T…
阅读更多...
element-ui更改单元格字体颜色

element-ui更改单元格字体颜色

作者创建的项目为vue3ts&#xff0c;写法上有些需要注意的点&#xff1a; 如果script 标签使用了 setup&#xff0c;这个时候 export 是没有必要的&#xff0c;也就是使用了setup 后&#xff0c;就不要再写 export 了&#xff0c;不然会报错“A default export must be at the…
阅读更多...
（通用0bug）纯原生实现一个类似浏览器搜索功能(ctrl + f)

（通用0bug）纯原生实现一个类似浏览器搜索功能(ctrl + f)

如果可以实现记得点赞分享&#xff0c;谢谢老铁&#xff5e; 一、问题的描述 由于公司业务需要在搜索框中&#xff0c;模拟Ctrl F 的搜索功能&#xff0c;支持自选可搜索区域范围&#xff0c;且支持回车查看下一个&#xff0c;上下查看&#xff0c;自动滚动定位&#xff0c;…
阅读更多...
OpenAI新作，直指DeepMind格局小了！大模型复杂推理应逐步验证

OpenAI新作，直指DeepMind格局小了！大模型复杂推理应逐步验证

作者 | Python、Zenmoore 谷歌旗下的DeepMind&#xff0c;因AlphaGo而名声大振&#xff1b;而推出ChatGPT的OpenAI&#xff0c;近日更是如日中天。 然而&#xff0c;OpenAI公开了一篇论文[1]&#xff0c;结论同DeepMind去年11月的工作[2]完全相反。在对比差异时&#xff0c;论…
阅读更多...
【AI】dragonGPT - 单机部署、极速便捷

【AI】dragonGPT - 单机部署、极速便捷

dragonGPT 从数据私有化&#xff0c;到prompt向量库匹配&#xff0c;再到查询&#xff0c;一条龙服务&#xff0c;单机部署&#xff0c;极简操作 pre a.需要下载gpt4all model到本地. ggml Model Download Link 然后将存放model的地址写入.env MODEL_PATH your pathb.…
阅读更多...
安卓系统远程控制电脑方法

安卓系统远程控制电脑方法

要从安卓设备远程控制计算机&#xff0c;您可以使用专门为此目的设计的远程桌面软件或应用程序。 以下是使用安卓设备远程控制计算机的一般方法&#xff1a; 选择一个远程桌面应用程序&#xff1a;比如 Splashtop 远程控制软件。 在计算机上安装远程桌面软件&#xff1a;要实…
阅读更多...
【map和set的封装】

【map和set的封装】

文章目录 前言1 大致框架2 迭代器3 map和set的封装 前言 上篇博客已经讲解了红黑树插入的模拟实现&#xff0c;这篇文章的目的是利用上节课讲解的底层实现来封装map和set.参考代码借鉴的是STL SGI版本3.0 1 大致框架 首先我们来看看源码里面怎么定义的: 从源码中我们不难发现m…
阅读更多...
什么是分布式事务？

什么是分布式事务？

什么是分布式事务&#xff1f; 分布式对应的是单体架构&#xff0c;互联网早起单体架构是非常流行的&#xff0c;好像是一个家族企业&#xff0c;大家在一个家里劳作&#xff0c;单体架构如下图&#xff1a; 但是随着业务的复杂度提高&#xff0c;大家族人手不够&#xff0c;…
阅读更多...
Redis中的哈希结构（Dict）

Redis中的哈希结构（Dict）

前言 哈希结构是一个在计算机中非常常见的结构。哈希结构可以让我们在O(1)时间复杂度查找元素并且对其操作&#xff0c;并且增删改查性能并不会随着数据量的增多而改变。反而数据量的增大&#xff0c;会出现两个关键问题&#xff0c;一个是哈希冲突&#xff0c;另一个是rehash…
阅读更多...
15、Spring框架

15、Spring框架

目录 什么是Spring Spring优点 Spring体系结构 Spring新特性 Spring的入门程序 新建立Maven项目 创建名为HelloSpring的类 新建applicationContext.xml文件 XML文件的约束信息配置 测试类TestHelloSpring 控制反转 依赖注入 依赖注入和控制反转的比较 依赖注入的…
阅读更多...
虚拟机类加载机制

虚拟机类加载机制

目录 1、概述 2、类加载的过程 1、过程总览 2、加载 3、链接-验证 4、链接-准备 5、链接-解析 6、初始化 7、总结 3、类加载的时机 4、类加载器 1、概述 2、类与类加载器 3、三层类加载器 4、双亲委派模型 5、其他加载策略 1、概述 一个Java类会被编译成一个Cl…
阅读更多...
grep,sed,awk实战

grep,sed,awk实战

grep -E ^(root|sshd)\> /etc/passwd 找出以root或者sshd开头的&#xff0c;且只含root或者sshd,>表示匹配到root或者sshd就结束了&#xff0c;类似情况如下图&#xff1a; grep -c ^yu /etc/passwd 匹配含yu这个用户出现的次数 grep -m 2 ^yu /etc/passwd …
阅读更多...
arthas使用

arthas使用

文章目录 ArthasArthas&#xff08;阿尔萨斯&#xff09;能为你做什么&#xff1f;安装1.linux中使用2.docker中使用 命令列表jvm 相关class/classloader 相关monitor/watch/traceprofiler/火焰图 Arthas Arthas 是一款线上监控诊断产品&#xff0c;通过全局视角实时查看应用 …
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023