机器学习——基于Tensorflow和Keras实现卷积神经网络CNN——猫狗分类

news2024/9/28 19:22:01

文章目录

  • 环境的配置
  • 神经网络CNN的介绍
    • 卷积
    • 前馈神经网络
    • 卷积神经网络
    • 应用邻域
  • 数据集准备
    • 数据预处理
    • 构建基准模型
  • 总结
    • 什么是过拟合（overfit）？
    • 什么是数据增强？
    • 单独制作数据增强，精确率提高了多少？ 然后再添加的dropout层，是什么实际效果？
  • 参考资料

环境的配置

详细配置参考
1、安装Anaconda

2、配置TensorFlow、Keras
①创建虚拟环境
输入下面命令

conda create -n tf1 python=3.6
#tf1是自己为创建虚拟环境取的名字，后面python的版本可以根据自己需求进行选择

②安装tensorflow和keras

pip install 包名
#直接这样安装可以由于网络的原因，安装失败或者安装很慢
#解决方式：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
#此次安装命令如下：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras==2.2.5

神经网络CNN的介绍

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉任务，如图像分类、物体检测和语义分割等。

卷积

简单定义：设f(x),g(x)是R1上的两个可积函数，作积分：在这里插入图片描述
称为函数f(x)与g(x)的卷积，记为：f ( x ) ∗ g ( x ) = h ( x )

  • 卷积与傅里叶变换有着密切的关系：两函数的傅里叶变换的乘积 = 它们卷积后的傅里叶变换（能简化傅里叶分析）

  • h(x)要比f(x)、g(x)更光滑:特别当g(x)为具有紧致集的光滑函数，f(x)为局部可积时，它们的卷积h(x)也是光滑函数;利用这一性质，对于任意的可积函数f(x)，都可以简单地构造出一列逼近于f(x)的光滑函数列fs，这种方法称为函数的光滑化或正则化

前馈神经网络

  • 前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层．各层间没有反馈。

  • 其中每一层包含若干个神经元，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层），隐层可以是一层。也可以是多层。

一个典型的多层前馈神经网络如下图所示：
在这里插入图片描述

卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习算法，常用于计算机视觉任务，如图像分类、物体检测和语义分割等。

CNN的核心思想是模仿人类的视觉系统，通过多个卷积层和池化层的组合，自动地从原始输入数据中提取特征。以下是CNN的主要组成部分：

  • 卷积层（Convolutional Layer）： 卷积层是CNN的核心组件。它通过将输入数据与一组可学习的卷积核进行卷积操作，提取局部区域的特征。卷积操作是指使用卷积核在输入数据上进行滑动操作，计算卷积核与输入的点积，并生成特征图作为输出。每个卷积核可以捕捉不同的特征，如边缘、纹理和形状等。
    3×3核的卷积核（卷积核一般采用3×3或2×2），卷积过程如下图：
    在这里插入图片描述

  • 激活函数（Activation Function）： 在卷积层之后，通常会应用一种非线性激活函数，如ReLU（Rectified Linear Unit），用于引入非线性特征。激活函数将每个卷积操作的输出进行非线性变换，增强网络的表达能力。

  • 池化层（Pooling Layer）： 池化层用于降低特征图的空间维度，减少参数数量，并增强特征的平移不变性。常用的池化操作包括最大池化和平均池化，它们分别提取输入数据的最大值和平均值作为特征图的输出。
    在这里插入图片描述

  • 全连接层（Fully Connected Layer）： 在经过多个卷积层和池化层后，通过对特征图进行展平操作，将其作为输入传递给全连接层。全连接层是一个经典的神经网络结构，每个神经元都与上一层的所有神经元相连，用于对提取到的特征进行分类或回归等任务。
    在这里插入图片描述

除了上述常见的组件，CNN还可以通过增加多个卷积层、池化层和全连接层来构建更深的网络结构。深层次的CNN可以学习到更高级别的抽象特征，提高模型的性能。

应用邻域

  • 图像分类（Image Classification）： CNN在图像分类任务中表现出色。通过训练，CNN可以学习到从输入图像中提取特征，并将其分为不同的类别，比如识别猫和狗的图像。

  • 物体检测（Object Detection）： CNN在物体检测中也取得了很大的成功。通过在图像中滑动卷积窗口进行特征提取，结合目标检测算法（如候选区域和边界框回归），CNN可以实现定位和识别图像中的多个物体。

  • 人脸识别（Face Recognition）： CNN在人脸识别领域广泛应用。训练一个CNN模型以识别人脸特征，可以用于人脸验证（例如解锁手机）和人脸识别（例如安全监控）等任务。

  • 语义分割（Semantic Segmentation）： CNN可以将图像中的每个像素分类为不同的语义类别，实现图像的精确分割。这在医学图像分析、自动驾驶和图像编辑等领域具有重要应用。

  • 视频分析（Video Analysis）： CNN也可以应用于视频分析任务，如动作识别、行为识别和视频标注等。通过对视频帧进行卷积和池化操作，CNN能够提取时间和空间信息。

卷积神经网络不仅仅局限于上述应用领域，在许多其他领域，如自然语言处理（NLP）、药物发现和声音处理等，也可以使用CNN进行特征提取和分类任务。

数据集准备

猫狗图片数据集下载：——提取码：ruyn
数据集下载完毕后，解压缩，注意存放路径不能存在中文，如图所示：
在这里插入图片描述

数据预处理

对猫狗图像进行分类，代码如下：

import os, shutil 
# 原始目录所在的路径
original_dataset_dir = 'E:\\Cat_And_Dog\\train\\'

# 数据集分类后的目录
base_dir = 'E:\\Cat_And_Dog\\train1'
os.mkdir(base_dir)

# # 训练、验证、测试数据集的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)

# 猫训练图片所在目录
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)

# 狗训练图片所在目录
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)

# 猫验证图片所在目录
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)

# 狗验证数据集所在目录
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)

# 猫测试数据集所在目录
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)

# 狗测试数据集所在目录
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)

# 将前1000张猫图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)

# 将下500张猫图像复制到validation_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张猫图像复制到test_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将前1000张狗图像复制到train_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到validation_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到test_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)

分类后如下图所示：
在这里插入图片描述
在这里插入图片描述查看分类后，对应目录下的图片数量：

#输出数据集对应目录下图片数量
print('total training cat images:', len(os.listdir(train_cats_dir)))
print('total training dog images:', len(os.listdir(train_dogs_dir)))
print('total validation cat images:', len(os.listdir(validation_cats_dir)))
print('total validation dog images:', len(os.listdir(validation_dogs_dir)))
print('total test cat images:', len(os.listdir(test_cats_dir)))
print('total test dog images:', len(os.listdir(test_dogs_dir)))

在这里插入图片描述
猫狗训练图片各 1000 张，验证图片各 500 张，测试图片各 500 张。

构建基准模型

第①步：构建网络模型：

#网络模型构建
from keras import layers
from keras import models
#keras的序贯模型
model = models.Sequential()
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核2*2，激活函数relu
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#flatten层，用于将多维的输入一维化，用于卷积层和全连接层的过渡
model.add(layers.Flatten())
#全连接，激活函数relu
model.add(layers.Dense(512, activation='relu'))
#全连接，激活函数sigmoid
model.add(layers.Dense(1, activation='sigmoid'))

运行以上代码出现以下错误
在这里插入图片描述

  • 错误原因：这是由于 numpy 版本与 tensorflow 版本不匹配的问题，安装 1.16.4 版本的 numpy 即可，命令如下：
pip install numpy==1.16.4 -i "https://pypi.doubanio.com/simple/"
  • 安装完成后，会自动卸载已有的 numpy 版本。
    在这里插入图片描述
    最后重新运行即可
    查看模型各层参数：
#输出模型各层的参数状况
model.summary()

结果如下图所示
在这里插入图片描述
2、配置优化器

  • loss：计算损失，这里用的是交叉熵损失
  • metrics：列表，包含评估模型在训练和测试时的性能的指标
from keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

3、文件中图像转换成所需格式
将训练和验证的图片，调整为150*150

from keras.preprocessing.image import ImageDataGenerator

# 所有图像将按1/255重新缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        # 这是目标目录
        train_dir,
        # 所有图像将调整为150x150
        target_size=(150, 150),
        batch_size=20,
        # 因为我们使用二元交叉熵损失，我们需要二元标签
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

处理结果

#查看上面对于图片预处理的处理结果
for data_batch, labels_batch in train_generator:
    print('data batch shape:', data_batch.shape)
    print('labels batch shape:', labels_batch.shape)
    break
  • 如果出现错误：ImportError: Could not import PIL.Image. The use of load_img requires PIL，是因为没有安装 pillow 库导致的，使用如下命令在 tf1 虚拟环境中安装：
  • pip install pillow -i “https://pypi.doubanio.com/simple/”
    结果：
    在这里插入图片描述
    4、开始训练模型
#模型训练过程
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=30,
      validation_data=validation_generator,
      validation_steps=50)

此步骤电脑性能越好，训练就越快
在这里插入图片描述
5、保存模型

#保存训练得到的的模型
model.save('G:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_1.h5')

6、结果可视化（需要在 tf1 虚拟环境中安装 matplotlib 库，命令：pip install matplotlib -i “https://pypi.doubanio.com/simple/”）。

#对于模型进行评估，查看预测的准确性
import matplotlib.pyplot as plt

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

epochs = range(len(acc))

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

在这里插入图片描述
训练结果如上图所示，很明显模型上来就过拟合了，主要原因是数据不够，或者说相对于数据量，模型过复杂（训练损失在第30个epoch就降为0了），训练精度随着时间线性增长，直到接近100%，而我们的验证精度停留在70-72%。我们的验证损失在5个epoch后达到最小，然后停止，而训练损失继续线性下降，直到接近0。

总结

什么是过拟合（overfit）？

  • 定义：过拟合的定义:给定一个假设空间H，一个假设h属于H，如果存在其他的假设h’属于H，使得在训练样例上h的错误率比h小，但在整个实例分布上h’比h的错误率小，那么就说假设h过度拟合训练数据。

举个简单的例子，( a )( b )过拟合，( c )( d )不过拟合，如下图所示：
在这里插入图片描述

  • 过拟合常见解决方法：
    （1）在神经网络模型中，可使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。
    （2）选取合适的停止训练标准，使对机器的训练在合适的程度；
    （3）保留验证数据集，对训练成果进行验证；
    （4）获取额外数据进行交叉验证；
    （5）正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。

什么是数据增强？

数据集增强主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。

常用的数据增强方法有：
在这里插入图片描述

单独制作数据增强，精确率提高了多少？ 然后再添加的dropout层，是什么实际效果？

1、图像增强
利用图像生成器定义一些常见的图像变换，图像增强就是通过对于图像进行变换，从而，增强图像中的有用信息。

#该部分代码及以后的代码，用于替代基准模型中分类后面的代码（执行代码前，需要先将之前分类的目录删掉，重写生成分类，否则，会发生错误）
from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')

①rotation_range
一个角度值(0-180)，在这个范围内可以随机旋转图片
②width_shift和height_shift
范围(作为总宽度或高度的一部分)，在其中可以随机地垂直或水平地转换图片
③shear_range
用于随机应用剪切转换
④zoom_range
用于在图片内部随机缩放
⑤horizontal_flip
用于水平随机翻转一半的图像——当没有假设水平不对称时(例如真实世界的图片)
⑥fill_mode
用于填充新创建像素的策略，它可以在旋转或宽度/高度移动之后出现
2、查看增强后的图像

import matplotlib.pyplot as plt
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]
# We pick one image to "augment"
img_path = fnames[3]
# Read the image and resize it
img = image.load_img(img_path, target_size=(150, 150))
# Convert it to a Numpy array with shape (150, 150, 3)
x = image.img_to_array(img)
# Reshape it to (1, 150, 150, 3)
x = x.reshape((1,) + x.shape)
# The .flow() command below generates batches of randomly transformed images.
# It will loop indefinitely, so we need to `break` the loop at some point!
i = 0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i += 1
    if i % 4 == 0:
        break
plt.show()

在这里插入图片描述
3、网络模型增加一层dropout

#网络模型构建
from keras import layers
from keras import models
#keras的序贯模型
model = models.Sequential()
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核2*2，激活函数relu
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#flatten层，用于将多维的输入一维化，用于卷积层和全连接层的过渡
model.add(layers.Flatten())
#退出层
model.add(layers.Dropout(0.5))
#全连接，激活函数relu
model.add(layers.Dense(512, activation='relu'))
#全连接，激活函数sigmoid
model.add(layers.Dense(1, activation='sigmoid'))
#输出模型各层的参数状况
model.summary()
from keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

结果：
在这里插入图片描述
4、训练模型：

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,)
# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        # This is the target directory
        train_dir,
        # All images will be resized to 150x150
        target_size=(150, 150),
        batch_size=32,
        # Since we use binary_crossentropy loss, we need binary labels
        class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50)
model.save('G:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_2.h5')

结果：
在这里插入图片描述
5、可视化结果

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

在这里插入图片描述
在这里插入图片描述

参考资料

配置参考
安装Anaconda
基于Tensorflow和Keras实现卷积神经网络CNN
基于卷积神经网络 CNN 的猫狗识别详细过程
猫狗数据集分类实验

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/711925.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

硬件大熊原创合集(2023/06更新)

硬件大熊原创合集(2023/06更新)

06月份更新篇章： 一款射频芯片的layout设计指导案例-篇章1 一款射频芯片的layout设计指导案例-篇章2 警惕超声波工艺对晶振造成损伤 走嵌入式方向，一定要软硬件都懂吗？ 6月份广州光亚展，和电子电力大咖文老师见了个面，…
阅读更多...
2023车载摄像头9大热点趋势

2023车载摄像头9大热点趋势

摘要： 相较于消费类电子摄像头，车载摄像头的工作环境极度恶劣，比如说震动、高温、雨雾、低温、光线变化剧烈等。而车载摄像头以驾驶安全为目的，上述各个工作状态下，均需要能获取稳定、可靠、清晰的周边环境数据。 近年…
阅读更多...
HOT36-二叉树的中序遍历

HOT36-二叉树的中序遍历

leetcode原题链接：二叉树的中序遍历 题目描述 给定一个二叉树的根节点 root ，返回 它的 中序 遍历 。 示例 1： 输入：root [1,null,2,3] 输出：[1,3,2]示例 2： 输入：root [] 输出&#xff1a…
阅读更多...
BUUCTF藏藏藏

BUUCTF藏藏藏

也是一个图片文件，和一个txt文件 txt文件中是一个提交flag格式，没啥用 拿去010打开后发现可能存在隐藏文件 这个格式说明还有解压文件吧，但是为啥分离不出来呢 刚好有另外一个分离文件的软件foremost 解压后打开在zip文件下有一个福利docx文件…
阅读更多...
【零基础入门学习Python---Python网络编程保姆级教程】

【零基础入门学习Python---Python网络编程保姆级教程】

🚀 Python 🚀 🌲 算法刷题专栏 | 面试必备算法 | 面试高频算法 🍀 🌲 越难的东西,越要努力坚持，因为它具有很高的价值，算法就是这样✨ 🌲 作者简介：硕风和炜，…
阅读更多...
GDB寻找segmentation fault位置

GDB寻找segmentation fault位置

一、在当前文件夹下生成指定二进制文件的core文件 查看允许core文件空间大小： ulimit -c修改core文件空间为无限大： ulimit -c unlimited让core文件生成在当前目录下： sudo bash -c echo core.%e.%p > /proc/sys/kernel/core_pattern再…
阅读更多...
2023黑马头条.微服务项目.跟学笔记(二)

2023黑马头条.微服务项目.跟学笔记(二)

2023黑马头条.微服务项目.跟学笔记 二 app端文章查看，静态化freemarker,分布式文件系统minIO今日简介学习内容1.文章列表加载1.1 需求分析1.2 表结构分析思考:表的垂直拆分 1.3 导入文章数据库1.3.1 导入数据库1.3.2 导入对应的实体类总结 1.4 实现思路1.4.1 sql练习…
阅读更多...
hippo - 提升我们团队工程效率的工具

hippo - 提升我们团队工程效率的工具

1. 背景 我们 shopeepay 团队是一个比较大的前端团队（80成员），团队内部分布着 react native、javascript npm包、react component npm包、serverless、普通的react工程等多种类型的项目，每种项目类型中的每个项目都有它们自己的配…
阅读更多...
Windows 使用Git使用Gitee仓库

Windows 使用Git使用Gitee仓库

1.本地创建文件夹。图中例子，我在桌面创建了文件夹。 2.打开 Git Bash Here. 3.Git Bash 的部分指令。 ls 查看当前文件夹 mkdir gittest01 创建文件夹 cd gittest01 进入文件夹 git init 创建本地仓库 git config --global user.name"chengqian" 创建者…
阅读更多...
Redis主从复制模式的2

Redis主从复制模式的2

搭建完后可以去测试一下这几个问题: 1.主机中的数据会复制到从节点中 2.主机中新增的数据会同步到从节点中 3.redis集群后,从节点只能读(slave),主节点可以写(master) 4.主机重启后还是主节点 5.从机重启后也会变成主节点 血脉相传 一个主机master理论上可以有多个从机slave…
阅读更多...
抖音短视频矩阵号系统开发者开源部署分享（一）

抖音短视频矩阵号系统开发者开源部署分享（一）

抖音是一款备受欢迎的短视频APP，拥有数亿的用户，其中包括了大量的粉丝。为了让更多的人能够发现和观看到你的视频，抖音SEO是必不可少的一环，特别是对于拥有企业或个人品牌的用户来说。在这个过程中，抖音SEO源码的开源部…
阅读更多...
【前端工程化】比gzip压缩更优的br压缩

【前端工程化】比gzip压缩更优的br压缩

🐱 个人主页：不叫猫先生，公众号：前端舵手 🙋‍♂️ 作者简介：2022年度博客之星前端领域TOP 2，前端领域优质作者、阿里云专家博主，专注于前端各领域技术，共同学习共同进步…
阅读更多...
2.4g无线芯片G350产品介绍

2.4g无线芯片G350产品介绍

G350是一款2.4GHz的无线收发芯片，具有低成本和高集成度的特点。它集成了发射机、接收机、频率综合器和GFSK调制解调器，为无线通信系统提供了完整的解决方案。 该芯片采用了低功耗设计，在各个环节都降低功耗以提高电池使用寿命。即使在最低电流…
阅读更多...
STM32 Proteus UCOSII系统简易时钟计时系统-0054

STM32 Proteus UCOSII系统简易时钟计时系统-0054

STM32 Proteus UCOSII系统简易时钟计时系统-0054 Proteus仿真小实验： STM32 Proteus UCOSII系统简易时钟计时系统-0054 功能： 硬件组成：STM32F103R6单片机 LCD1602显示器 1.单片机程序使用UCOSII操作系统，显示任务、时间计算任…
阅读更多...
【Python 随练】学用 line 函数画直线

【Python 随练】学用 line 函数画直线

题目： 画图，学用line函数画直线。 简介： 在本篇博客中，我们将介绍如何使用Python的绘图库来画直线。我们将使用line函数来绘制直线，并提供一个完整的代码示例来演示其用法。 绘制直线： 要绘制直线&…
阅读更多...
开源项目管理工具Plane

开源项目管理工具Plane

本文软件由网友 不长到一百四誓不改名 推荐，不过这次是在他推荐之前，就已经完成了的 🙂 什么是 Plane ？ Plane 是一个简单的、可扩展的、开源的项目和产品管理工具。它允许用户从一个基本的任务跟踪工具开始，逐步采用各…
阅读更多...
初步学习使用SpringBoot框架

初步学习使用SpringBoot框架

对于SpringBoot框架介绍大家可以看看这个这篇文章，SpringBoot优缺点以及如何安装使用 以下我是按照老师给的安装方法进行安装使用SpringBoot框架： 大家安装SpringBoot框架时候，最好安装3.0以下的，不然需要对应较高版本的JDK版本&…
阅读更多...
导航栏，封装Api接口，数据处理 过滤器，Echarts使用（二）

导航栏，封装Api接口，数据处理 过滤器，Echarts使用（二）

文章目录 一、左侧导航栏El的元素颜色重写导航开启router模式导航栏折叠（兄弟页面传数据 借助父亲） 二、封装请求的Api接口接口地址管理配置跨域 三、数据处理 过滤器四、使用EchartsDemo: 使用 ECharts项目中使用Echarts 接上篇（一&#xff…
阅读更多...
时序预测 | MATLAB实现BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测

时序预测 | MATLAB实现BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测

时序预测 | MATLAB实现BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测 目录 时序预测 | MATLAB实现BO-NARX贝叶斯优化非线性自回归外生模型股票价格预测效果一览基本介绍研究过程程序设计参考资料效果一览
阅读更多...
好视力、南卡、欧普护眼台灯哪个护眼效果更出色？看完这篇测评你就明白了

好视力、南卡、欧普护眼台灯哪个护眼效果更出色？看完这篇测评你就明白了

现在的孩子，学习任务都非常繁重，想想我们小时候基本上没什么作业，但是现在的孩子感觉每天都有做不完的功课和试卷，除此之外，还有家长给报的各种学习班、技艺班，为了一个更好的前途，这也是没办法…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023