利用卷神经网络实现IOSLab数字手写图像识别

news2024/11/23 10:34:22

利用卷神经网络实现IOSLab数字手写图像识别

文章目录

  • 利用卷神经网络实现IOSLab数字手写图像识别
    • 一、前言
    • 二、作业要求
    • 三、数据集样本分析
    • 四、代码实现
      • 1、运行环境
      • 2、导入依赖项
      • 3、导入数据集
      • 4、加载数据和数据预处理
      • 5、划分数据集
      • 6、CNN网络结构构建
      • 7、编译模型
      • 8、训练模型
      • 9、模型评估
      • 10、最终结果
    • 五、最后我想说

一、前言

本次博客的内容是利用IOSLab数字手写图像识别的实现，是我们代数与逻辑的老师给我们布置的期末作业。我利用的是卷神经网络（CNN）实现的。

二、作业要求

利用老师自制的IOSLab手写数字集实现数字识别以及性别识别，可以使用神经网络或者SVM，线性回归，逻辑回归，贝叶斯决策，决策树，集成学习，概率图模型等之一的方法实现。

三、数据集样本分析

下面给出老师首先处理好的数据集样本示例：

在这里插入图片描述

数据集一共有8000张照片，这些图像跟官方的MNIST手写数字数据集类似，所以识别起来方式类似，我们通过观察数据集照片可以发现，每一张照片都对应一个标签在图片下面，例如第一张照片标签为：0M_0101，其中对我们有用的信息只有前两个字符0和M，0对应图片上的数字，M对应男性手写数字字体，后面的W对应的则是女性手写数字字体。

分析到这里，如何进行判断我们应该就知道一个方法了，那就是我们将数据集进行遍历，提取照片的标签放入列表中，然后我们只取标签的前两个对我们判断有用字符。

我们如何进行判断，到这里有两个选择，第一个选择将两个标签视为一个整体，对其进行映射处理，将其放入到一个字典中，每个组合对应一个数值，后面判断就可以通过该数值进行比对，如果跟该数值一致则判断正确。第二个选择就是将两个标签视为两个部分分别判断，后面步骤跟第一种选择类似，我选择的是第一种方法，大致理论是这样，可能讲的不是很清楚，我们直接上后面实现代码就知道了。

四、代码实现

1、运行环境

我使用的是谷歌的Colaboratory进行代码运行的，目前使用下来觉得还不错，主要是免费加上提供的GPU算力还可以，感兴趣的同学可以去尝试一下，在这里我就不过多介绍使用方法，如果不懂的同学也可以来问我。

我是因为电脑出现了一些问题所以使用的云平台进行的运行，如果你自身电脑配置足够也可以使用自己的电脑进行运行，不过推荐使用TensorFlow2.4.0版本运行。

2、导入依赖项

import os
import keras
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

3、导入数据集

没有使用谷歌的Colaboratory可以省略这一步。

from google.colab import drive
drive.mount('/content/gdrive')

4、加载数据和数据预处理

# 遍历并读取全部数据
labels = []
images = []
data_dir = "/content/gdrive/MyDrive/Colab Notebooks/data/"
files = os.listdir(data_dir)
for file in files:
    image = np.array(Image.open(data_dir + file))
    label = file[:2]
    images.append(image)
    labels.append(label)

其中的data_dir换成自己的数据集地址路径即可。

然后我们查看一下第一张数据样本照片：

import pylab
pylab.imshow(images[0])
print(labels[0])

在这里插入图片描述

按照上面分析对数据标签进行映射处理：

# 将数据标签进行映射
label_map = {}
for label in labels:
    if label not in label_map:
        label_map[label] = len(label_map)
print(label_map)

处理后结果如下：

{'0W': 0, '1W': 1, '6W': 2, '8W': 3, '7W': 4, '4W': 5, '9W': 6, '2W': 7, '3W': 8, '5W': 9, '6M': 10, '7M': 11, '9M': 12, '3M': 13, '4M': 14, '5M': 15, '8M': 16, '2M': 17, '0M': 18, '1M': 19}

设置数据归一化：

X = np.expand_dims((1 - (np.array(images) / 255.0)), -1)
Y = np.array([label_map[y] for y in labels])

5、划分数据集

这里我们划分了训练集、验证集和测试集：

from sklearn.model_selection import train_test_split

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state=42, test_size=0.1)
X_train, X_val, Y_train, Y_val = train_test_split(X_train, Y_train, random_state=42, test_size=0.1)

X_train.shape, Y_train.shape, X_val.shape, Y_val.shape

((6480, 100, 100, 1), (6480,), (720, 100, 100, 1), (720,))

6、CNN网络结构构建

这里我是仿照的传统手写数字识别的CNN网络结构构建的，并不是最好的网络结构，大家自己自行搭建最合适的。

model = keras.Sequential([
    # 设置二维卷积层1，设置32个3*3卷积核，activation参数将激活函数设置为ReLu函数，
    keras.layers.Input(shape=[100, 100, 1]),
    keras.layers.Conv2D(filters=32, kernel_size=(3, 3), padding='same', activation='relu'),
    # 池化层1，2*2采样
    keras.layers.MaxPooling2D((2, 2)),
    # 设置二维卷积层2，设置64个3*3卷积核，activation参数将激活函数设置为ReLu函数
    keras.layers.Conv2D(filters=64, kernel_size=(3, 3), padding='same', activation='relu'),
    # 池化层2，2*2采样
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Dropout(0.5),		# Dropout层防止模型训练过拟合
    keras.layers.Flatten(),                    # Flatten层，连接卷积层与全连接层
    keras.layers.Dense(128, activation='relu'), # 全连接层，特征进一步提取，128为输出空间的维数，activation参数将激活函数设置为ReLu函数
    keras.layers.Dropout(0.5),
    keras.layers.Dense(len(label_map), activation='softmax')                     # 输出层，输出预期结果，我们自定义的标签字典长度为输出空间的维数
])
# 打印网络结构
model.summary()

打印的结果是：

Model: "sequential_10"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_20 (Conv2D)          (None, 100, 100, 32)      320       
                                                                 
 max_pooling2d_20 (MaxPoolin  (None, 50, 50, 32)       0         
 g2D)                                                            
                                                                 
 conv2d_21 (Conv2D)          (None, 50, 50, 64)        18496     
                                                                 
 max_pooling2d_21 (MaxPoolin  (None, 25, 25, 64)       0         
 g2D)                                                            
                                                                 
 dropout_20 (Dropout)        (None, 25, 25, 64)        0         
                                                                 
 flatten_10 (Flatten)        (None, 40000)             0         
                                                                 
 dense_20 (Dense)            (None, 128)               5120128   
                                                                 
 dropout_21 (Dropout)        (None, 128)               0         
                                                                 
 dense_21 (Dense)            (None, 20)                2580      
                                                                 
=================================================================
Total params: 5,141,524
Trainable params: 5,141,524
Non-trainable params: 0
_________________________________________________________________

7、编译模型

我们设置优化器为Adam优化器，设置损失函数为交叉熵损失函数。

batch_size = 128
epochs = 50

model.compile(optimizer="adam",
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

8、训练模型

history = model.fit(
        X_train,
        Y_train,
        batch_size=batch_size,
        epochs=epochs,
        validation_data=(X_val, Y_val)
)

训练的结果是：

Epoch 1/50
51/51 [==============================] - 3s 49ms/step - loss: 2.6542 - accuracy: 0.1765 - val_loss: 2.0517 - val_accuracy: 0.3986
Epoch 2/50
51/51 [==============================] - 2s 44ms/step - loss: 1.8994 - accuracy: 0.3849 - val_loss: 1.4461 - val_accuracy: 0.5250
Epoch 3/50
51/51 [==============================] - 2s 44ms/step - loss: 1.4393 - accuracy: 0.5106 - val_loss: 1.2178 - val_accuracy: 0.5681
Epoch 4/50
51/51 [==============================] - 2s 44ms/step - loss: 1.1575 - accuracy: 0.5931 - val_loss: 1.0610 - val_accuracy: 0.6403
Epoch 5/50
51/51 [==============================] - 2s 44ms/step - loss: 0.9996 - accuracy: 0.6392 - val_loss: 0.9510 - val_accuracy: 0.6583
Epoch 6/50
51/51 [==============================] - 2s 44ms/step - loss: 0.8632 - accuracy: 0.6806 - val_loss: 0.9430 - val_accuracy: 0.6736
Epoch 7/50
51/51 [==============================] - 2s 45ms/step - loss: 0.7646 - accuracy: 0.7083 - val_loss: 0.9221 - val_accuracy: 0.6625
Epoch 8/50
51/51 [==============================] - 2s 45ms/step - loss: 0.6832 - accuracy: 0.7387 - val_loss: 0.8978 - val_accuracy: 0.6736
Epoch 9/50
51/51 [==============================] - 2s 45ms/step - loss: 0.6341 - accuracy: 0.7627 - val_loss: 0.9280 - val_accuracy: 0.6597
Epoch 10/50
51/51 [==============================] - 2s 44ms/step - loss: 0.5643 - accuracy: 0.7823 - val_loss: 0.9092 - val_accuracy: 0.6764
Epoch 11/50
51/51 [==============================] - 2s 44ms/step - loss: 0.5276 - accuracy: 0.7881 - val_loss: 0.9558 - val_accuracy: 0.6694
Epoch 12/50
51/51 [==============================] - 2s 45ms/step - loss: 0.4750 - accuracy: 0.8174 - val_loss: 0.9492 - val_accuracy: 0.6653
Epoch 13/50
51/51 [==============================] - 2s 45ms/step - loss: 0.4715 - accuracy: 0.8228 - val_loss: 0.9498 - val_accuracy: 0.6556
Epoch 14/50
51/51 [==============================] - 2s 44ms/step - loss: 0.4281 - accuracy: 0.8312 - val_loss: 0.9901 - val_accuracy: 0.6361
Epoch 15/50
51/51 [==============================] - 2s 45ms/step - loss: 0.4026 - accuracy: 0.8441 - val_loss: 0.9836 - val_accuracy: 0.6569
Epoch 16/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3842 - accuracy: 0.8566 - val_loss: 0.9848 - val_accuracy: 0.6903
Epoch 17/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3780 - accuracy: 0.8556 - val_loss: 1.0002 - val_accuracy: 0.6708
Epoch 18/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3523 - accuracy: 0.8654 - val_loss: 1.0268 - val_accuracy: 0.6694
Epoch 19/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3183 - accuracy: 0.8765 - val_loss: 1.0117 - val_accuracy: 0.6833
Epoch 20/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3131 - accuracy: 0.8836 - val_loss: 1.0741 - val_accuracy: 0.6611
Epoch 21/50
51/51 [==============================] - 2s 44ms/step - loss: 0.3117 - accuracy: 0.8818 - val_loss: 1.0466 - val_accuracy: 0.6653
Epoch 22/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2964 - accuracy: 0.8873 - val_loss: 1.0898 - val_accuracy: 0.6583
Epoch 23/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2937 - accuracy: 0.8849 - val_loss: 1.0655 - val_accuracy: 0.6583
Epoch 24/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2833 - accuracy: 0.8894 - val_loss: 1.0780 - val_accuracy: 0.6556
Epoch 25/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2485 - accuracy: 0.9039 - val_loss: 1.1686 - val_accuracy: 0.6639
Epoch 26/50
51/51 [==============================] - 2s 45ms/step - loss: 0.2545 - accuracy: 0.9014 - val_loss: 1.0805 - val_accuracy: 0.6847
Epoch 27/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2429 - accuracy: 0.9065 - val_loss: 1.0698 - val_accuracy: 0.6764
Epoch 28/50
51/51 [==============================] - 2s 45ms/step - loss: 0.2274 - accuracy: 0.9153 - val_loss: 1.2039 - val_accuracy: 0.6639
Epoch 29/50
51/51 [==============================] - 2s 45ms/step - loss: 0.2421 - accuracy: 0.9103 - val_loss: 1.1720 - val_accuracy: 0.6500
Epoch 30/50
51/51 [==============================] - 2s 45ms/step - loss: 0.2323 - accuracy: 0.9168 - val_loss: 1.1635 - val_accuracy: 0.6806
Epoch 31/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2265 - accuracy: 0.9173 - val_loss: 1.1737 - val_accuracy: 0.6625
Epoch 32/50
51/51 [==============================] - 2s 45ms/step - loss: 0.2137 - accuracy: 0.9159 - val_loss: 1.1867 - val_accuracy: 0.6611
Epoch 33/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2145 - accuracy: 0.9213 - val_loss: 1.2354 - val_accuracy: 0.6778
Epoch 34/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2050 - accuracy: 0.9238 - val_loss: 1.1631 - val_accuracy: 0.6722
Epoch 35/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2018 - accuracy: 0.9279 - val_loss: 1.1623 - val_accuracy: 0.6778
Epoch 36/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2071 - accuracy: 0.9248 - val_loss: 1.1234 - val_accuracy: 0.6917
Epoch 37/50
51/51 [==============================] - 2s 44ms/step - loss: 0.2050 - accuracy: 0.9228 - val_loss: 1.1518 - val_accuracy: 0.6944
Epoch 38/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1836 - accuracy: 0.9323 - val_loss: 1.2082 - val_accuracy: 0.6708
Epoch 39/50
51/51 [==============================] - 2s 43ms/step - loss: 0.1817 - accuracy: 0.9338 - val_loss: 1.2318 - val_accuracy: 0.6875
Epoch 40/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1837 - accuracy: 0.9313 - val_loss: 1.2278 - val_accuracy: 0.6736
Epoch 41/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1776 - accuracy: 0.9353 - val_loss: 1.2489 - val_accuracy: 0.6792
Epoch 42/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1875 - accuracy: 0.9306 - val_loss: 1.1912 - val_accuracy: 0.6875
Epoch 43/50
51/51 [==============================] - 2s 43ms/step - loss: 0.1739 - accuracy: 0.9355 - val_loss: 1.3096 - val_accuracy: 0.6611
Epoch 44/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1665 - accuracy: 0.9397 - val_loss: 1.3223 - val_accuracy: 0.6625
Epoch 45/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1623 - accuracy: 0.9378 - val_loss: 1.2948 - val_accuracy: 0.6667
Epoch 46/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1680 - accuracy: 0.9361 - val_loss: 1.2993 - val_accuracy: 0.6611
Epoch 47/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1820 - accuracy: 0.9347 - val_loss: 1.2694 - val_accuracy: 0.6597
Epoch 48/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1704 - accuracy: 0.9352 - val_loss: 1.2661 - val_accuracy: 0.6556
Epoch 49/50
51/51 [==============================] - 2s 43ms/step - loss: 0.1633 - accuracy: 0.9389 - val_loss: 1.3099 - val_accuracy: 0.6653
Epoch 50/50
51/51 [==============================] - 2s 44ms/step - loss: 0.1439 - accuracy: 0.9477 - val_loss: 1.2711 - val_accuracy: 0.6583

Y_pred = model.predict(X_test)

25/25 [==============================] - 0s 6ms/step

9、模型评估

对于模型评估，我们使用最常用的两种方式进行模型评估——模型混淆矩阵和Accuracy-Loss图。

混淆矩阵：

from sklearn.metrics import ConfusionMatrixDisplay
cmd = ConfusionMatrixDisplay.from_predictions(Y_test, np.argmax(Y_pred, axis=-1), display_labels=label_map.keys())

在这里插入图片描述

在混线矩阵中，以对角线为分界线。以上图为例子，对角线的位置表示预测正确，对角线以外的位置表示把样本错误的预测为其他样本。由上图我们可以发现，我们的图中权值较大的值基本都集中在对角线位置，对角线以外的位置错误率也较低，所以整体来说模型算比较好。

Accuracy-Loss图：

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述

由上图我们可以看到模型算是展现了良好的拟合，训练和测试学习曲线收敛，没有明显的过拟合或欠拟合迹象，证明我们的模型较好。

10、最终结果

还记得我们前面进行的标签映射操作吧，我们将最后的预测结果转换成原始标签，对其进行判断然后看看总体的准确率是多少以及数字和性别两者单一准确率分别是多少。

invert_lable_map = {v: k for k, v in label_map.items()}
num_acc = 0.
sex_acc = 0.
both_acc = 0.
for yp, yt in zip(np.argmax(Y_pred, axis=-1), Y_test):
    # 转换为原始标签
    yp = invert_lable_map.get(yp)
    yt = invert_lable_map.get(yt)
    if yp == yt:   # 完全一致
        both_acc += 1
        num_acc += 1
        sex_acc += 1
    elif yp[0] == yt[0]: # 数字一致
        num_acc += 1
    elif yp[1] == yt[1]: # 性别一致
        sex_acc += 1
print("Both ACC:", both_acc / len(Y_test))
print("Number ACC:", num_acc / len(Y_test))
print("Gender ACC:", sex_acc / len(Y_test))

Both ACC: 0.68
Number ACC: 0.905
Gender ACC: 0.74

可以看出单一数字的识别率比较高，单一性别识别率较高，总体准确率还不错，你们可以再自行进行调参，准确率肯定不止这么高，在实现的过程中我只使用了一个模型进行整体训练，你们可以写两个模型对其进行分别训练，那样准确率肯定比单一模型的要高。

五、最后我想说

因为疫情原因，我们学校提前放假了，今天在回家的路上，坐在高铁上实在是无聊，所以我就索性不等回家之后写，直接在高铁上写完，写的比较仓促，有些话可能讲得不是很到位，还请大家见谅，也欢迎大家来和我交流沟通共同学习。

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/66748.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

性能分析之解析 RESAR 性能分析七步法

性能分析之解析 RESAR 性能分析七步法

文章目录一、压力场景数据分析二、架构分析三、响应时间分析四、全局监控分析五、定向监控六、判断性能瓶颈七、提出解决方案一、压力场景数据分析 下面是⼀个登录接⼝的基准场景测试，JMeter 启动后，线程在 1-2 个的时候 TPS 已经达到 200 左右&#xf…
阅读更多...
JavaScript -- 字符串常用方法及示例代码介绍

JavaScript -- 字符串常用方法及示例代码介绍

文章目录字符串的方法1 length2 索引3 str.at()4 str.charAt()5 str.concat()6 str.includes()7 str.indexOf() 和 str.lastIndexOf()8 str.startsWith() 和 str.endsWith()9 str.padStart() 和 str.padEnd()10 str.replace() 和 str.replaceAll()11 str.slice() 和 str.substr…
阅读更多...
Mysql调优（一）——性能监控

Mysql调优（一）——性能监控

一、大纲图 【Mysql调优.xmind】 二、Mysql调优简写 2.1 性能监控 2.1.1 使用show profile查询剖析工具，可以指定具体的type 此工具默认是禁用的，可以通过服务器变量在会话级别动态的修改： set profiling1;当设置完成之后，在…
阅读更多...
某Android大厂面试100题，涵盖测试技术、环境搭建、人力资源......【速度领取】

某Android大厂面试100题，涵盖测试技术、环境搭建、人力资源......【速度领取】

最近看到网上流传着各种面试经验及面试题，往往都是一大堆技术题目贴上去，但是没有答案。 为此，小编用业余时间整理了这份软测常见的面试题及详细答案，包含测试技术面试题、开发及环境搭建类面试题以及人力资源方向的面试题&#…
阅读更多...
代码随想录训练营第42天|01背包问题、LeetCode 416. 分割等和子集

代码随想录训练营第42天|01背包问题、LeetCode 416. 分割等和子集

参考 代码随想录 01背包问题 01背包是在M件物品取出若干件放在空间为W的背包里，每件物品的体积为W1，W2至Wn，与之相对应的价值为P1,P2至Pn。01背包是背包问题中最简单的问题。01背包的约束条件是给定几种物品，每种物品有且只有一…
阅读更多...
java计算机毕业设计ssm网上拍卖系统vdum4（附源码、数据库）

java计算机毕业设计ssm网上拍卖系统vdum4（附源码、数据库）

java计算机毕业设计ssm网上拍卖系统vdum4（附源码、数据库） 项目运行 环境配置： Jdk1.8 Tomcat8.5 Mysql HBuilderX（Webstorm也行） Eclispe（IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持）。…
阅读更多...
MySql分库分表

MySql分库分表

问题分析： 随着互联网及移动互联网的发展，应用系统的数据量也是成指数式增长，若采用单数据库进行数据存储，存在以下性能瓶颈： 1、IO瓶颈：热点数据太多，数据库缓存不足，产生大量磁盘…
阅读更多...
小快轻准，5分钟自助上线，中小型制造企业数字化转型

小快轻准，5分钟自助上线，中小型制造企业数字化转型

中小企业作为国民经济的重要组成部分，占据我国企业数量的90%以上。 继《中小企业数字化赋能专项行动方案》发布后，工信部近日印发《中小企业数字化转型指南》，提出14条具体举措，为中小企业明确数字化转型路径。 地方政府也纷纷出…
阅读更多...
Linux系统管理、运行级别、关闭防火墙

Linux系统管理、运行级别、关闭防火墙

目录 一、Linux服务管理 1.1 基本概念 1.2 systemctl（centos7，很重要） 1.2.1 基本语法 1.2.2 查看服务 1.2.3 防火墙操作 1.3 systemctl 设置后台服务的自启配置 二、系统运行级别 2.1 运行级别 2.2 查看当前运行级别 2.2修改当前运行…
阅读更多...
8年三届世界杯，8年前端开发，梅西一共踢没了我八千八

8年三届世界杯，8年前端开发，梅西一共踢没了我八千八

转眼2022年即将过去，我已经做了那么久的开发了，一路走来，不断的工作，换工作，找工作，不断的学习新知识。 同时也看着梅西参加了3届世界杯了，逝者如斯夫，不舍昼夜啊。 在这8年里&#…
阅读更多...
2023最新SSM计算机毕业设计选题大全（附源码+LW）之java焦作旅游网站q5msq

2023最新SSM计算机毕业设计选题大全（附源码+LW）之java焦作旅游网站q5msq

首先选择计算机题目的时候先看定什么主题，一般的话都选择当年最热门的话题进行组题，就比如说，今年的热门话题有奥运会，全运会，残运会，或者疫情相关的，这些都是热门话题，所以你就可以…
阅读更多...
Elasticsearch Data Stream 数据流使用

Elasticsearch Data Stream 数据流使用

本文是《Elasticsearch索引生命周期管理ILM》中数据流索引补充篇，文章地址如下： https://mp.weixin.qq.com/s/ajhFp-xBU1dJm8a1dDdRQQ 并且在另一片Elasticsearch的进阶使用-动态模版中也提到了相关数据流索引的内容，有兴趣的可以回过头看一下…
阅读更多...
知乎热议的 Java 面试成神笔记，下载量已过90k，面试神技.exe进程已启动

知乎热议的 Java 面试成神笔记，下载量已过90k，面试神技.exe进程已启动

在某论坛上面对于“中国程序员数量是否已经饱和或者过剩”这个话题很火！ 今年大家都有一个共同的感受：工作不好找，薪资不理想，面试造火箭。 其实，由于不仅是因为今年受疫情影响，很多公司经营不下去&#xf…
阅读更多...
Java中的类和对象（Java系列4）

Java中的类和对象（Java系列4）

目录 前言： 1.什么是面向对象 2.类的定义和使用 3.this引用 3.1this引用的概念 3.2this引用的特性 3.3this的使用 4.构造方法 4.1构造方法概念 4.2构造方法的特性 5.默认初始化 6.就地初始化 7.封装 8.封装扩展之包 8.1为什么对提出包的概念呢&#x…
阅读更多...
前端开发需要会什么？先掌握这三大核心关键技术

前端开发需要会什么？先掌握这三大核心关键技术

前端工程师，如何创造/制作一个网站应用呢？ 为了更好的让你理解，我们简单地做一个类比：动画制作者在创造人物的时候，需要从构图、着色和动画效果上入手，让人物有骨、有血，灵性生动。 而如果将一…
阅读更多...
长安链共识模块优化中的“精益求精”

长安链共识模块优化中的“精益求精”

长安链在v2.3.0版本中对共识模块进行了优化，主要包括优化TBFT消息机制并将异步发送信息功能进行了拆分，独立设计了一致性引擎模块。优化后共识模块整体逻辑更清晰、共识更高效。 TBFT消息机制优化背景 在长安链的V2.3.0版本的TBFT共识算法中&#xff0…
阅读更多...
W易NEWS login逆向分析

W易NEWS login逆向分析

内容仅供参考学习 欢迎朋友们V一起交流： zcxl7_7 目标 网址：案例地址 分析 首先进行一次登录，获取流程 在这个流程中可以看到dl/zj/mail/l这个接口返回了新的cookie，可以猜测这个是登录核心；dl/zj/mail…
阅读更多...
通达信接口公式怎样进行破解？

通达信接口公式怎样进行破解？

如果我们想对通达信接口的公式进行破解该怎么做呢？今天我们来风险一下方法，但是有两个前提： 1:不是使用winhex，而是使用ollydbg来破解； 2:只是用户公式修改密码有效。对于导入密码无效。对于系统公式密码无效&#xff…
阅读更多...
c语言：关键字（一）

c语言：关键字（一）

关键字一.古老的关键字—auto1.全局变量与局部变量2.auto的使用二.最快的关键字—register一.古老的关键字—auto 1.全局变量与局部变量 在花括号里定义的变量就是局部变量，反之就是全局变量 这里举个例子 这时我们在进行编译时会报错告诉我们y没定义 这其实就是…
阅读更多...
redis常用数据类型以及命令详细介绍

redis常用数据类型以及命令详细介绍

查询redis的命令：http://www.redis.cn/commands.html Redis键(key) keys *查看当前库所有key (匹配：keys *1) exists key判断某个key是否存在 type key 查看你的key是什么类型 del key 删除指定的key数据 unlink key 根据value选择非阻塞删除 仅将keys…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023