机器学习13： 使用 TensorFlow 进行二元分类（Binary Classification）编程实践

news2024/11/18 3:00:12

在【机器学习6】和【机器学习9】中，我们使用 TensorFlow 进行了“线性回归模型”和“组合特征”编程实践。本质上，其中采用的都是回归模型，也就是说，我们创建了产生浮点预测的模型，比如“这个社区的房子要花 N 千美元。” 在本篇，我们将创建并评估一个二进制分类模型。

学习目标：

  • 将回归问题转换为分类问题。
  • 修改分类阈值并确定该修改对模型有什么影响。
  • 尝试使用不同的分类指标来确定模型的有效性。

数据集：与【机器学习9】一样，编程练习中也使用加州住房数据集。

目录

1.导入依赖模块

2.载入数据集

3.数据归一化（Normalize values）

4.创建二进制标签

5.将特征表示为输入图层

6.定义构建和训练模型的函数

7.定义打印函数

8.调用创建、训练和绘图函数

9.任务一

10.任务二：添加精确度和召回率作为衡量标准

11.任务三：试验分类阈值

12.任务四：总结模型性能（如果时间允许）

13.参考文献

1.导入依赖模块

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from matplotlib import pyplot as plt

# The following lines adjust the granularity of reporting.
pd.options.display.max_rows = 10
pd.options.display.float_format = "{:.1f}".format
# tf.keras.backend.set_floatx('float32')

print("Ran the import statements.")

2.载入数据集

本案例中采用的数据集原始地址为如下：

  • 训练数据：https://download.mlcc.google.com/mledu-datasets/california_housing_train.csv
  • 测试数据：https://download.mlcc.google.com/mledu-datasets/california_housing_test.csv

我们需要将上述数据下载到本地，然后将其路径（数据文件在你电脑的实际路径）写入代码中，如下代码所示：

# 载入数据集
train_df = pd.read_csv("/Users/shulan/Downloads/california_housing_train.csv")
test_df = pd.read_csv("/Users/shulan/Downloads/california_housing_test.csv")
# 打乱训练数据示例
train_df = train_df.reindex(np.random.permutation(train_df.index))

3.数据归一化（Normalize values）

当创建具有多个特征的模型时，每个特征的值应该覆盖大致相同的范围。例如，如果一个特征的范围从 500 到 100000，而另一个特征范围从 2 到 12，那么模型将很难或不可能训练。因此，在训练之前，需要将特征数据进行规范化（归一化）处理。

以下代码单元通过将每个原始值（包括标签）转换为其 Z 分数来规范数据集。Z 分数是特定原始值与平均值之间的标准偏差数。假设数据集满足如下要求：

  • 平均值为 60。
  • 标准偏差为 10。

那么，原始值 75 的 Z 分数为 +1.5：Z分数=（75-60）/10=+1.5。原始值 38 的 Z 分数为 -2.2：Z分数=（38-60）/10=-2.2。经过上述处理，我们就实现了对数据的归一化处理。

# 计算训练集中每列的Z分数，并将这些Z分数写入名为 train_df_norm 的新 Panda DataFrame 中。
train_df_mean = train_df.mean()
train_df_std = train_df.std()
train_df_norm = (train_df - train_df_mean) / train_df_std

# 检查规范化训练集的一些值。请注意，大多数Z分数都在-2和+2之间。
train_df_norm.head()

# 计算测试集中每列的Z分数，并将这些Z分数写入名为 test_df_norm 的新 Panda DataFrame 中。
test_df_mean = test_df.mean()
test_df_std = test_df.std()
test_df_norm = (test_df - test_df_mean) / test_df_std

4.创建二进制标签

在分类问题中，每个示例的标签必须是 0 或 1。不幸的是，加州住房数据集中的自然标签median_house_value（房价平均值） 包含 80100 或 85700 等浮点值，而不是 0 和 1，而median_house_value 的归一化处理结果属于 -3 和 +3 之间的浮点值。

因此，我们需要在训练集和测试集中创建一个名为 median_house_value_is_high 的新列。如果median_house_value 高于某个任意值（由阈值定义），则将 median_house_value_is_high 设置为 1。否则，将 median_house_value_is_high 设置为 0。

提示：median_house_value_is_high 列中的单元格必须分别包含 1 和 0，而不是 True 和 False。要将 True 和 False 转换为 1 和 0，可调用 pandas DataFrame 函数 astype（float）。

# 根据加州房价平均值，这里将阈值设置为 265000（房价平均值*75%）。房价中值超过 265000 的每个社区都将被标记为 1，所有其他社区都将标记为 0
threshold = 265000
train_df_norm["median_house_value_is_high"] = (train_df["median_house_value"] > threshold).astype(float)
test_df_norm["median_house_value_is_high"] = (test_df["median_house_value"] > threshold).astype(float)
train_df_norm["median_house_value_is_high"].head(8000)

# 除了上面的方法，我们还可以使用Z分数，而不是根据原始房屋值来选择阈值。
# 例如，以下解决方案使用 +1.0 的 Z 分数作为阈值，这意味着 median_house_value_is_high 中不超过 16% 的值将被标记为 1。
# threshold_in_Z = 1.0
# train_df_norm["median_house_value_is_high"] = (train_df_norm["median_house_value"] > threshold_in_Z).astype(float)
# test_df_norm["median_house_value_is_high"] = (test_df_norm["median_house_value"] > threshold_in_Z).astype(float)

5.将特征表示为输入图层

如下代码单元指定了最终训练模型所用的输入特征： median_income 和 total_rooms。这些 Input对象被实例化为 Keras 张量。

inputs = {
# Features used to train the model on.
  'median_income': tf.keras.Input(shape=(1,)),
  'total_rooms': tf.keras.Input(shape=(1,))
}

6.定义构建和训练模型的函数

以下代码单元中，定义了两个函数：

  • create_model（...），它定义了模型的拓扑结构。
  • train_model（...），使用输入特征和标签来训练模型。

先前的练习使用 ReLU 作为激活函数。相比之下，这个练习使用 sigmoid 作为激活函数。

# 定义模型创建函数
def create_model(my_inputs, my_learning_rate, METRICS):
    # 使用连接层将输入层连接到单个张量中。作为致密层的输入。例如：[input_1[0][0]，input_2[0][0]
    concatenated_inputs = tf.keras.layers.Concatenate()(my_inputs.values())
    dense = layers.Dense(units=1, input_shape=(1,), name='dense_layer', activation=tf.sigmoid)
    dense_output = dense(concatenated_inputs)
    """创建并编译一个简单的分类模型."""
    my_outputs = {
        'dense': dense_output,
    }
    model = tf.keras.Model(inputs=my_inputs, outputs=my_outputs)

    # 调用compile方法将层构造为TensorFlow可以执行的模型。注意，这里使用的损失函数（sigmoid）与在回归中使用的（ReLU）不同。
    model.compile(optimizer=tf.keras.optimizers.experimental.RMSprop(learning_rate=my_learning_rate),
                  loss=tf.keras.losses.BinaryCrossentropy(),
                  metrics=METRICS)
    return model


# 定义模型训练函数
def train_model(model, dataset, epochs, label_name,
                batch_size=None, shuffle=True):
    """将数据集输入到模型中以便对其进行训练."""

    # tf.keras.Model.fit的x参数可以是数组列表，其中每个数组包含一个特征的数据。
    # 在这里，我们传递数据集中的每一列。注意，feature_layer将过滤掉这些列中的大部分，只留下所需的列及其表示形式作为特征。
    features = {name: np.array(value) for name, value in dataset.items()}
    label = np.array(features.pop(label_name))
    history = model.fit(x=features, y=label, batch_size=batch_size,
                        epochs=epochs, shuffle=shuffle)

    # 将轮次列表与历史的其余部分分开存储
    epochs = history.epoch

    # 隔离每个轮次的分类结果
    hist = pd.DataFrame(history.history)

    return epochs, hist

7.定义打印函数

为了便于评估模型效果，我们需要将训练+测试结果可视化。在下面的代码单元中，使用 matplotlib 函数绘制了一条或多条曲线，显示了各种分类指标如何随每个轮次而变化。

# 定义打印函数
def plot_curve(epochs, hist, list_of_metrics):
    """绘制一个或多个分类度量相对于训练轮次的曲线"""

    plt.figure()
    plt.xlabel("Epoch")
    plt.ylabel("Value")

    for m in list_of_metrics:
        x = hist[m]
        plt.plot(epochs[1:], x[1:], label=m)

    plt.legend()


print("Defined the plot_curve function.")

8.调用创建、训练和绘图函数

以下代码单元调用指定超参数，然后调用函数来创建和训练模型，然后绘制结果。

# 指定超参数
learning_rate = 0.001
epochs = 20
batch_size = 100
label_name = "median_house_value_is_high"
classification_threshold = 0.35

# 建立模型将衡量的指标
METRICS = [
    tf.keras.metrics.BinaryAccuracy(name='accuracy',
                                    threshold=classification_threshold),
]

# 建立模型的拓扑
my_model = create_model(inputs, learning_rate, METRICS)
# 基于训练数据训练模型
epochs, hist = train_model(my_model, train_df_norm, epochs,
                           label_name, batch_size)

# 绘制模型准确度指标和训练轮次的关系图
list_of_metrics_to_plot = ['accuracy']

plot_curve(epochs, hist, list_of_metrics_to_plot)

9.任务一

将上面的代码汇总在一起，运行代码，结果如下：从中可以看出，随着训练轮次的增加，模型的准确度（Accuracy）越来越高。关于准确度的定义，在【机器学习12】中有介绍，这里简单回顾一下——对于二元分类，准确率也可以按照正数和负数来计算，如下所示：

\text{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN}

其中TP = 真阳性，TN = 真阴性，FP = 假阳性，FN = 假阴性。

10.任务二：添加精确度和召回率作为衡量标准

仅仅依靠准确度，尤其是对于类别不平衡的数据集（如我们的数据集），可能无法很好的进行分类。修改上述代码单元中的代码，使模型不仅可以测量准确性，还可以测量精度和召回率。我们增加了准确性和精确性。完整代码如下：

# @title Load the imports

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from matplotlib import pyplot as plt

# The following lines adjust the granularity of reporting.
pd.options.display.max_rows = 10
pd.options.display.float_format = "{:.1f}".format
# tf.keras.backend.set_floatx('float32')

print("Ran the import statements.")

# 载入数据集
train_df = pd.read_csv("/Users/shulan/Downloads/california_housing_train.csv")
test_df = pd.read_csv("/Users/shulan/Downloads/california_housing_test.csv")
# 打乱训练数据示例
train_df = train_df.reindex(np.random.permutation(train_df.index))

# 计算训练集中每列的Z分数，并将这些Z分数写入名为 train_df_norm 的新 Panda DataFrame 中。
train_df_mean = train_df.mean()
train_df_std = train_df.std()
train_df_norm = (train_df - train_df_mean) / train_df_std

# 检查规范化训练集的一些值。请注意，大多数Z分数都在-2和+2之间。
train_df_norm.head()

# 计算测试集中每列的Z分数，并将这些Z分数写入名为 test_df_norm 的新 Panda DataFrame 中。
test_df_mean = test_df.mean()
test_df_std = test_df.std()
test_df_norm = (test_df - test_df_mean) / test_df_std

# 根据加州房价平均值，这里将阈值设置为 265000（房价平均值*75%）。房价中值超过 265000 的每个社区都将被标记为 1，所有其他社区都将标记为 0
threshold = 265000
train_df_norm["median_house_value_is_high"] = (train_df["median_house_value"] > threshold).astype(float)
test_df_norm["median_house_value_is_high"] = (test_df["median_house_value"] > threshold).astype(float)
train_df_norm["median_house_value_is_high"].head(8000)

# 除了上面的方法，我们还可以使用Z分数，而不是根据原始房屋值来选择阈值。
# 例如，以下解决方案使用 +1.0 的 Z 分数作为阈值，这意味着 median_house_value_is_high 中不超过 16% 的值将被标记为 1。
# threshold_in_Z = 1.0
# train_df_norm["median_house_value_is_high"] = (train_df_norm["median_house_value"] > threshold_in_Z).astype(float)
# test_df_norm["median_house_value_is_high"] = (test_df_norm["median_house_value"] > threshold_in_Z).astype(float)

inputs = {
    # Features used to train the model on.
    'median_income': tf.keras.Input(shape=(1,)),
    'total_rooms': tf.keras.Input(shape=(1,))
}


# 定义模型创建函数
def create_model(my_inputs, my_learning_rate, METRICS):
    # 使用连接层将输入层连接到单个张量中。作为致密层的输入。例如：[input_1[0][0]，input_2[0][0]
    concatenated_inputs = tf.keras.layers.Concatenate()(my_inputs.values())
    dense = layers.Dense(units=1, input_shape=(1,), name='dense_layer', activation=tf.sigmoid)
    dense_output = dense(concatenated_inputs)
    """创建并编译一个简单的分类模型."""
    my_outputs = {
        'dense': dense_output,
    }
    model = tf.keras.Model(inputs=my_inputs, outputs=my_outputs)

    # 调用compile方法将层构造为TensorFlow可以执行的模型。注意，这里使用的损失函数（sigmoid）与在回归中使用的（ReLU）不同。
    model.compile(optimizer=tf.keras.optimizers.experimental.RMSprop(learning_rate=my_learning_rate),
                  loss=tf.keras.losses.BinaryCrossentropy(),
                  metrics=METRICS)
    return model


# 定义模型训练函数
def train_model(model, dataset, epochs, label_name,
                batch_size=None, shuffle=True):
    """将数据集输入到模型中以便对其进行训练."""

    # tf.keras.Model.fit的x参数可以是数组列表，其中每个数组包含一个特征的数据。
    # 在这里，我们传递数据集中的每一列。注意，feature_layer将过滤掉这些列中的大部分，只留下所需的列及其表示形式作为特征。
    features = {name: np.array(value) for name, value in dataset.items()}
    label = np.array(features.pop(label_name))
    history = model.fit(x=features, y=label, batch_size=batch_size,
                        epochs=epochs, shuffle=shuffle)

    # 将轮次列表与历史的其余部分分开存储
    epochs = history.epoch

    # 隔离每个轮次的分类结果
    hist = pd.DataFrame(history.history)

    return epochs, hist


print("Defined the create_model and train_model functions.")


# 定义打印函数
def plot_curve(epochs, hist, list_of_metrics):
    """绘制一个或多个分类度量相对于训练轮次的曲线"""

    plt.figure()
    plt.xlabel("Epoch")
    plt.ylabel("Value")

    for m in list_of_metrics:
        x = hist[m]
        plt.plot(epochs[1:], x[1:], label=m)

    plt.legend()


print("Defined the plot_curve function.")

# 指定超参数
learning_rate = 0.001
epochs = 20
batch_size = 100
classification_threshold = 0.35
label_name = "median_house_value_is_high"

# 建立模型将衡量的指标：准确度、精度、召回率
METRICS = [
    tf.keras.metrics.BinaryAccuracy(name='accuracy',
                                    threshold=classification_threshold),
    tf.keras.metrics.Precision(thresholds=classification_threshold,
                               name='precision'
                               ),
    tf.keras.metrics.Recall(thresholds=classification_threshold,
                            name="recall"),
]

# 建立模型的拓扑
my_model = create_model(inputs, learning_rate, METRICS)
# 基于训练数据训练模型
epochs, hist = train_model(my_model, train_df_norm, epochs,
                           label_name, batch_size)

# 绘制模型准确度、精度、召回率指标和训练轮次的关系图
list_of_metrics_to_plot = ['accuracy', "precision", "recall"]
plot_curve(epochs, hist, list_of_metrics_to_plot)

print("\n: Evaluate the new model against the test set:")

执行结果如下所示：

 

11.任务三：试验分类阈值

在“调用创建、训练和绘图功能”中的代码单元中尝试不同的分类阈值。尝试寻找一个分类阈值，使其产生最高的准确性？经过尝试，我们发现，将其设置为 0.52 时，可以得到较高的准确性。

classification_threshold = 0.52

 

12.任务四：总结模型性能（如果时间允许）

再添加一个指标——AUC，试图总结模型的总体性能。将代码单元换成如下代码：

# 指定超参数
learning_rate = 0.001
epochs = 20
batch_size = 100
label_name = "median_house_value_is_high"

# AUC 作为模型评估指标
METRICS = [
    tf.keras.metrics.AUC(num_thresholds=100, name='auc'),
]

# 创建模型拓扑
my_model = create_model(inputs, learning_rate, METRICS)

# 基于训练数据集训练模型
epochs, hist = train_model(my_model, train_df_norm, epochs,
                           label_name, batch_size)

# 打印AUC与训练轮次的关系图
list_of_metrics_to_plot = ['auc']
plot_curve(epochs, hist, list_of_metrics_to_plot)

运行结果如下所示：

 

13.参考文献

 链接-https://developers.google.cn/machine-learning/crash-course/classification/programming-exercise

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/705519.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

基于matlab深度学习的多光谱图像语义分割（附源码）

基于matlab深度学习的多光谱图像语义分割（附源码）

一、前言 此示例演示如何使用 U-Net 对具有七个通道的多光谱图像执行语义分割。 语义分割涉及用类标记图像中的每个像素。语义分割的一个应用是跟踪森林砍伐，即森林覆盖率随时间的变化。环境机构跟踪森林砍伐，以评估和量化一个地区的环境和生态健康状况…
阅读更多...
Flink消费kafka出现空指针异常

Flink消费kafka出现空指针异常

文章目录 出现场景：表现：问题：解决： tombstone : Kafka中提供了一个墓碑消息（tombstone）的概念，如果一条消息的key不为null，但是其value为null，那么此消息就是墓碑消息. …
阅读更多...
echarts tooltip自定义线条样式及数据提示框内容

echarts tooltip自定义线条样式及数据提示框内容

option {......tooltip: {trigger: axis,borderWidth: 0, // 去除数据提示框默认的边框axisPointer: {lineStyle: { // 设置hover时竖线样式color: {type: linear,x: 0,y: 0,x2: 0,y2: 1,colorStops: [{offset: 0,color: rgba(128,200,244,0) // 0% 处的颜色},{offset: 1,colo…
阅读更多...
【40000字】！最适合新手的Springboot+Vue项目

【40000字】！最适合新手的Springboot+Vue项目

更多文章：https://mp.weixin.qq.com/mp/appmsgalbum?__bizMzg2NDY3NjY5NA&actiongetalbum&album_id2053253027934863360#wechat_redirect hello我是索奇，本套项目对应bilibili视频，大家可以结合视频看哈，有些基础的只看…
阅读更多...
2022年系统架构师论文（回忆版）

2022年系统架构师论文（回忆版）

2022年11月6日，全国计算机等级下半年考试，在疫情压力下如期举行。 北京市软件架构师考试地点在北京市工贸技师学院（机电分院），地址：海淀区北四环北路132号（金泰海博大酒店北侧） 查看…
阅读更多...
网络安全（黑客）自学笔记

网络安全（黑客）自学笔记

建议一：黑客七个等级 黑客，对很多人来说充满诱惑力。很多人可以发现这门领域如同任何一门领域，越深入越敬畏，知识如海洋，黑客也存在一些等级，参考知道创宇 CEO ic（世界顶级黑客团队 0x557 成员…
阅读更多...
chatgpt赋能python：吐血推荐的Python编程好玩的代码

chatgpt赋能python：吐血推荐的Python编程好玩的代码

吐血推荐的Python编程好玩的代码 近年来，Python 成为了全球最受欢迎的编程语言之一。Python 的简洁明了，易学易用，使得越来越多的开发者选择了 Python。Python 的生态系统非常丰富，有很多丰富有趣的库和代码可以供我们玩耍。在本…
阅读更多...
使用MySQL根据原型字段创建表结构

使用MySQL根据原型字段创建表结构

⭐️ 不爱生姜不吃醋，原创不易，转载请注明原链接 ❗️ 注：本文写的是基于MySQL对数据库表结构进行的操作(DDL) 文章目录 一、数据库1.基本概念2.关系型数据库（RDBMS）3.数据模型4.SQL通用语法5.SQL分类 二.创建表结构1.…
阅读更多...
关于nlohmann::json的简单使用

关于nlohmann::json的简单使用

nlohmann::json的使用非常简单&#xff0c;只需要包含.hpp文件即可&#xff0c;这是它的官网https://github.com/nlohmann/json 简单使用&#xff1a; #include "json.hpp" #include <iostream>using Info nlohmann::json;int main() {Info info;std::cout &…
阅读更多...
Java面试Day11

Java面试Day11

1. MySQL 事务有哪些隔离级别、分别有什么特点&#xff0c;以及 MySQL 的默认隔离级别是什么&#xff1f; 在MySQL中事务的隔离级别是为了解决常见的并发问题&#xff0c;在保证数据库性能的同时保持事务的隔离性&#xff0c;常见的并发问题有&#xff1a; 脏读&#xff1a;如果…
阅读更多...
利用nginx/apache代理wss 实现 小程序 端口 反向代理

利用nginx/apache代理wss 实现 小程序 端口 反向代理

除了用Workerman自身的SSL&#xff0c;也可以利用nginx/apache作为wss代理转发给workerman 我就是栽在这大坑里&#xff08;nginx/apache代理wss&#xff0c;workerman部分就不要设置ssl&#xff0c;否则将无法连接&#xff0c;两个方法2选1&#xff09;官方推荐用nginx/apach…
阅读更多...
基于matlab基于预训练的膨胀双流卷积神经网络的视频分类器执行活动识别（附源码）

基于matlab基于预训练的膨胀双流卷积神经网络的视频分类器执行活动识别（附源码）

一、前言 此示例首先展示了如何使用基于预训练的膨胀 3-D &#xff08;I3D&#xff09; 双流卷积神经网络的视频分类器执行活动识别&#xff0c;然后展示了如何使用迁移学习来训练此类视频分类器使用 RGB 和来自视频的光流数据 [1]。 基于视觉的活动识别涉及使用一组视频帧预…
阅读更多...
数据结构07：查找[C++][红黑二叉排序树RBT]

数据结构07：查找[C++][红黑二叉排序树RBT]

图源&#xff1a;文心一言 | 提词&#xff1a;动漫风格 红黑树 少女#创意图# 考研笔记整理1.7w字&#xff0c;但是删除操作的代码是有一点问题的{无法正确处理红色结点的删除}&#xff0c;其它功能可正常使用&#xff0c;请小伙伴注意~~&#x1f95d;&#x1f95d; 第1版&…
阅读更多...
【线程池】线程池的ctl属性详解

【线程池】线程池的ctl属性详解

目录 一、ctl介绍 二、线程池ctl源码 三、线程池ctl分析 1、private static int ctlOf(int rs, int wc) { return rs | wc; } 2、private final AtomicInteger ctl new AtomicInteger(ctlOf(RUNNING, 0)); 3、private static int runStateOf(int c) { return c &am…
阅读更多...
TensorFlow框架

TensorFlow框架

TensorFlow框架 本文目录&#xff1a; 一、通过代码了解TensorFlow结构 1.1、TensorFlow实现一个加法运算代码 1.1.1、原生python加法运算 1.1.2、TensorFlow实现加法运算 1.1.3、TensorFlow实现加法运算 1.2、TensorFlow的Hello World 二、TensorFlow架构图 三、Tenso…
阅读更多...
WebRTC Docker容器部署方案

WebRTC Docker容器部署方案

文章目录 WebRTC简介WebRTC Docker容器部署优势方案&#xff08;mpromonet/webrtc-streamer&#xff09;步骤 WebRTC简介 WebRTC&#xff08;Web Real-Time Communication&#xff09;是一种开放的实时通信技术&#xff0c;它允许浏览器之间进行音频、视频和数据的实时传输。W…
阅读更多...
第九十二天学习记录：C++核心：类和对象Ⅰ（五星重要）

第九十二天学习记录：C++核心：类和对象Ⅰ（五星重要）

C面向对象的三大特性为&#xff1a;封装、继承、多态 C认为万事万物都皆为对象&#xff0c;对象上有其属性和行为 封装 封装的意义 封装是C面向对象三大特性之一 封装的意义&#xff1a; 1、将属性和行为作为一个整体&#xff0c;表现生活中的事物 2、将属性和行为加以权限…
阅读更多...
js判断文件类型详解

js判断文件类型详解

js判断文件类型详解 通过file的type属性判断 <input type"file" onchange"onchangecb(this)" /> <script> function onchangecb(e) {const file e.files[0];console.log(file.type); } </script>像html中input标签&#xff0c;就是根…
阅读更多...
地下水数值模拟-Visual modflow Flex软件应用

地下水数值模拟-Visual modflow Flex软件应用

地下水&#xff08;ground water&#xff09;&#xff0c;是指赋存于地面以下岩石空隙中的水&#xff0c;狭义上是指地下水面以下饱和含水层中的水。在国家标准《水文地质术语》&#xff08;GB/T 14157-93&#xff09;中&#xff0c;地下水是指埋藏在地表以下各种形式的重力水。…
阅读更多...
基于协议判断目标机器是否出网

基于协议判断目标机器是否出网

内网渗透中时常会碰到一些不出网的主机&#xff0c;不出网的原因有很多&#xff0c;如常见的有&#xff1a;没有设置网关、系统防火墙或者其他设备设置了出入站限制&#xff0c;只允许特定协议或端口出网等&#xff0c;遇到这种情况时可以用以下命令测试目标主机允许哪些协议出…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023