微调Llama2自我认知

news2025/1/19 14:26:14

一、概述

最近在学习了解大模型微调相关的内容，在学习的过程中也遇到了很多问题，所以将自己的学习过程记录下来，希望对大模型微调感兴趣的小伙伴提供一点帮助，本文主要介绍一下如何通过SFT微调Llama2的自我认知，先看一下微调前后的效果比对：

微调前：

微调后：

通过本文的学习，你将了解如下内容：

  • 如何使用SFT微调Llama2
  • 如何导出微调后的大模型
  • 如何使用FastChat实现 OpenAI 兼容的 RESTful API 接口

二、环境与模型选择

环境配置

使用 nvidia-smi 命令查看 GPU 的配置，微调的GPU配置如下：

$nvidia-smi     
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 470.161.03   Driver Version: 470.161.03   CUDA Version: 11.7     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA A800-SXM...  Off  | 00000000:8E:00.0 Off |                    0 |
| N/A   30C    P0    69W / 400W |  17320MiB / 81251MiB |      0%      Default |
|                               |                      |             Disabled |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

微调 Llama2 需要 1 个GPU，24G 内存，较低的内存会导致加载模型较慢。

开源框架和模型

  • 微调的模型： Chinese-Llama-2-7b
  • 微调框架： LLaMA-Efficient-Tuning
  • 提供openai兼容的RESTful API框架： FastChat
  • 本地知识库问答应用框架： LangChain-Chatchat

由于Llama2本身的中文对齐较弱，这里没有直接使用 meta-llama/Llama-2-7b而是使用 LinkSoul/Chinese-Llama-2-7b进行微调，微调方法是类似的，感兴趣的可以基于 meta-llama/Llama-2-7b 进行微调。下面详细介绍一下微调的步骤。

三、SFT微调

1、下载预训练模型

在 huggingface上面搜索模型名称，可以看到下载模型的方式如下：

新建一个 models 文件夹用来存放下载的大模型，使用下面的命令下载预训练模型：

# 在当前目录新建一个 models 文件夹用来存放大模型
mkdir models
# 使用下面的命令下载模型，模型比较大，下载过程较缓慢，
git lfs install
git clone https://huggingface.co/LinkSoul/Chinese-Llama-2-7b

# 设置下面的环境变量，则不会下载大文件，只会下载小文件
GIT_LFS_SKIP_SMUDGE=1

2、下载微调框架

使用如下命令，在当前目录下载微调框架 LLaMA-Efficient-Tuning ：

git clone https://github.com/hiyouga/LLaMA-Efficient-Tuning.git

进入 LLaMA-Efficient-Tuning 目录：

cd LLaMA-Efficient-Tuning

3、准备微调数据

进入微调框架LLaMA-Efficient-Tuning目录后，找到存放微调数据的data目录，如下所示：

我们可以查看一下 self_cognition.json自我认知文件内容如下：

可以看到 <NAME> 和 <AUTHOR>是占位符，我们只需要复制一份文件，将对应的占位符替换为需要的名称即可，复制一份文件是为了自我认知的模版文件可复用，我替换后的文件内容如下，你可以改成自己的名字：

微调数据准备好了后，需要在 dataset_info.json 中配置如下：

{
    "self_cognition": {
    "file_name": "self_cognition.json",
    "file_sha1": "6287a730ada924fc5d9eadc6d8f865e01b7a6f67"
  }
}

dataset_info.json文件会被转换为 python 的字典，self_cognition就是字典的 key，在微调的时候需要指定的数据集名称就是该 key，file_sha1 文件的摘要可以不填，file_name就是微调文件的名称，如果该微调文件在data目录中，则直接指定名称即可，如果在data目录的子目录中，则需要指定子目录的名字，举例如下：

4、开始SFT微调

微调数据准备好后就可以开始执行微调了，使用如下命令进行微调：

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage sft \
    --do_train \
    --dataset self_cognition \
    --model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b \
    --output_dir /ossfs/workspace/llama2-sft/checkpoint-01 \
    --template default \
    --finetuning_type lora \
    --lora_target q_proj,v_proj \
    --overwrite_cache \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --save_steps 2000 \
    --learning_rate 1e-3 \
    --num_train_epochs 10.0 \
    --plot_loss \
    --fp16

下面是对这个大模型训练命令中各个参数的详细解释：


--stage sft: 训练阶段。这里指定为sft，表示进行模型的微调（self-supervised fine-tuning）阶段。

--do_train: 是否进行训练，设置为True表示进行训练。还可以设置为（--do_eval：表示评估，--do_predict：表示预测）

--dataset self_cognition: 数据集名称。这里指定为self_cognition，表示使用自我认知数据集。

--model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b: 预训练模型的名称或路径。这里指定为/ossfs/workspace/models/Chinese-Llama-2-7b，表示加载路径下的预训练模型。

--output_dir /ossfs/workspace/llama2-sft/checkpoint-01: 训练输出目录。训练过程中生成的模型和日志将保存在该目录下。

--template default: 模板名称。这里指定为default，表示使用默认模板。

--finetuning_type lora: 微调类型。这里指定为lora，表示使用LoRA（Language Representation with Additive Transformation）微调方法。

--lora_target q_proj,v_proj: LoRA微调的目标层。这里指定为q_proj,v_proj，表示只对q_proj和v_proj两个层进行微调。

--overwrite_cache: 是否覆盖缓存。设置为True表示覆盖缓存。

--per_device_train_batch_size 4: 每个设备的训练批次大小。这里指定为4，表示每个设备上的训练批次大小为4。

--gradient_accumulation_steps 4: 梯度累积步数。这里指定为4，表示每4个步骤累积一次梯度。

--lr_scheduler_type cosine: 学习率调度器类型。这里指定为cosine，表示使用余弦学习率调度器。

--logging_steps 10: 日志记录步数。每训练多少步记录一次训练日志。

--save_steps 2000: 模型保存步数。每训练多少步保存一次模型。

--learning_rate 1e-3: 学习率。这里指定为1e-3，表示初始学习率为0.001。

--num_train_epochs 10.0: 训练轮数。这里指定为10.0，表示进行10轮训练。

--plot_loss: 是否绘制损失曲线。设置为True表示绘制损失曲线。

--fp16: 是否使用混合精度（half-precision）训练。设置为True表示使用混合精度训练。

以上是对该大模型训练命令中各个参数的解释。根据需求，可以根据实际情况进行相应参数的修改。不同的参数设置会对训练过程和结果产生影响，需要根据具体任务和数据集进行调整。

微调过程比较耗时，需要耐心等待

启动微调命令后，输出日志如下，需要用户输入是否需要 wandb (一个深度学习轻量级可视化工具)将训练结果可视化，我这里选择不可视化训练结果。

微调命令结束后可以看到如下日志输出，从日志中可以看到微调后的模型 checkpoint 的位置、损失曲线的信息以及训练的汇总信息：

查看损失曲线：

损失曲线图像解读：

在大模型训练过程中，train loss 图像是指每个训练批次的损失值随训练轮次的变化情况。这个图像可以用来解读训练过程中模型的收敛情况和学习进展。

train loss 图像的纵轴表示损失值，横轴表示训练轮次或训练批次。通常，初始阶段的损失值较高，随着训练的进行，损失值会逐渐下降。如果损失值趋向于稳定，说明模型已经收敛，训练效果良好。如果损失值下降很慢，可能需要更多的训练轮次或调整模型超参数。如果损失值波动较大，可能存在过拟合或其他问题，需要进一步调整模型或数据。

解读train loss 图像时，可以观察以下几个方面：

  1. 初始阶段的损失值高低，较高的初始损失值可能表明模型初始化不合适，需要调整初始化方法。
  2. 损失值下降的速率，较快的下降速率可能表明模型对数据的学习能力较强，但也可能存在过拟合的风险。
  3. 损失值的稳定性，稳定的损失值说明模型已经收敛，训练效果较好。如果损失值在一定范围内波动，可以考虑增加训练轮次或使用正则化等方法进一步优化模型。
  4. 训练过程中的异常情况，如损失值突然上升或跳跃，可能表明出现了问题，需要检查模型或数据是否存在异常。

总之，train loss 图像可以提供对模型训练过程的直观理解，帮助调整模型和优化训练策略，以达到更好的训练效果。

train loss 的值下降到什么范围表示模型的训练效果较好？

train loss 的值下降到一个较低的范围可以表示模型的训练效果较好。具体的判断标准可以根据具体的任务和数据集来确定，没有一个统一的阈值。

一种常见的做法是观察 train loss 图像的趋势，如果随着训练的进行，train loss 不断下降并趋于稳定，说明模型对训练数据的拟合效果较好，训练效果较好。

此外，可以根据验证集的表现来评估模型的训练效果。如果验证集的损失值也在下降并趋于稳定，且与训练集的损失值相近，说明模型在训练集和验证集上都能取得较好的效果，训练效果较好。

需要注意的是，train loss 仅仅是一个指标，不能完全代表模型的训练效果。还需要综合考虑模型在其他指标上的表现，如准确率、精确率、召回率等，以及在实际应用场景中的效果。

5、测试微调后的模型

微调框架 LLaMA-Efficient-Tuning中提供了三种测试使用微调模型的方式，如下所示：

  • api_demo.py：使用api的方式调用微调模型
  • cli_demo.py：在命令行中调用微调模型
  • web_demo.py：在web页面中调用微调模型

由于我这里的服务器没有外网访问的地址，所以使用 cli_demo.py命令行的方式手动测试微调后的模型，启动命令如下：

CUDA_VISIBLE_DEVICES=0 python src/cli_demo.py \
    --model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b \
    --checkpoint_dir /ossfs/workspace/llama2-sft/checkpoint-01\
    --template llama2

查看 cli_demo.py 源码，调用了 ChatModel.stream_chat(query, history)，ChatModel的构造方法中调用了 get_infer_args(args)，如下所示：

get_infer_args(args)如下所示，可以看到只有 LoRA 的微调支持指定多个 checkpoint：

在模型参数中可以看到指定 checkpoint_dir 时可以使用 ，分隔多个 checkpoint：

所以如果你使用 LoRA 进行微调，那么当有多个微调任务，生成多个 checkpoint 时，多个 checkpoint 可以使用 ，分隔，假设你微调了两个checkpoint：/ossfs/workspace/llama2-sft/checkpoint-01和 /ossfs/workspace/llama2-sft/checkpoint-02，那么你可以使用下面的命令测试两个微调后的模型，如下所示：

CUDA_VISIBLE_DEVICES=0 python src/cli_demo.py \
    --model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b \
    --checkpoint_dir /ossfs/workspace/llama2-sft/checkpoint-01,/ossfs/workspace/llama2-sft/checkpoint-02\
    --template default

因为我这里只微调了自我认知，并且将在微调的时候指定 --output_dir /ossfs/workspace/llama2-sft/checkpoint-01，所以使用下面的命令来测试微调后的模型即可：

CUDA_VISIBLE_DEVICES=0 python src/cli_demo.py \
    --model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b \
    --checkpoint_dir /ossfs/workspace/llama2-sft/checkpoint-01\
    --template default

运行测试命令需要再次加载模型，比较耗时，需要耐心等待，运行成功后可以看到如下输出：

接下来就可以问一些自我认知的问题进行验证了，如下所示：

6、导出微调后的模型

经过前面的微调，如果微调后的模型通过了测试就可以将微调后的模型导出，使用如下命令即可：

CUDA_VISIBLE_DEVICES=0 python src/export_model.py \
    --model_name_or_path /ossfs/workspace/models/Chinese-Llama-2-7b \
    --checkpoint_dir /ossfs/workspace/llama2-sft/checkpoint-01\
    --output_dir /ossfs/workspace/sft-models/my-llama5 \
    --template default

我这里使用 --output_dir 将模型导出到 /ossfs/workspace/sft-models/my-llama5目录中，可以看到目录中包括如下内容：

7、微调模型提供RESTful API接口

经过前面的步骤，我们已经将自己微调后的模型导出了，现在我们可以使用 FastChat 将模型发布为 openai 兼容的RESTful API以便外部服务使用。

FastChat 为其支持的模型提供与 OpenAI 兼容的 API，因此您可以使用 FastChat 作为 OpenAI API 的本地直接替代品。FastChat 服务器与openai-python库和 cURL 命令兼容。

支持以下 OpenAI API：

  • Chat Completions
  • Completions
  • Embeddings

RESTful API 服务器

首先，启动控制器

python3 -m fastchat.serve.controller

运行命令输出内容如下：

然后，启动模型，通过 --model-path 指定模型的路径，这里我们指定前面微调后的模型路径 /ossfs/workspace/sft-models/my-llama5

python3 -m fastchat.serve.model_worker --model-path /ossfs/workspace/sft-models/my-llama5

运行命令输出内容如下：

最后，启动 RESTful API 服务器

python3 -m fastchat.serve.openai_api_server --host localhost --port 8000

运行命令输出内容如下：

现在，让我们测试 API 服务器。

OpenAI官方SDK

目标openai_api_server.py是实现一个完全兼容 OpenAI 的 API 服务器，因此模型可以直接与openai-python库一起使用。

首先，安装openai-python：

pip install --upgrade openai

然后使用下面的代码与模型进行测试：

import openai
# to get proper authentication, make sure to use a valid key that's listed in
# the --api-keys flag. if no flag value is provided, the `api_key` will be ignored.
openai.api_key = "EMPTY"
openai.api_base = "http://localhost:8000/v1"

# 这里指定微调的模型名字，也就是保存模型文件的文件夹名称
model = "my-llama5"

# create a chat completion
completion = openai.ChatCompletion.create(
  model=model,
  messages=[{"role": "user", "content": "你是谁"}]
)
# print the completion
print(completion.choices[0].message.content)

在jupyterlab中运行上面的代码，输出结果如下：

8、微调模型和本地知识库整合

因为后面打算学习了解一下将大模型和知识库整合，所以我这里先使用本地知识库问答应用框架： LangChain-Chatchat ****和微调后的模型整合。下面我先简单介绍一下整合的步骤，后面会再写一篇文章详细介绍一下大模型和本地知识库相关的内容。

首先下载 Langchain-Chatchat，使用如下命令：

git clone https://github.com/chatchat-space/Langchain-Chatchat.git

进入 Langchain-Chatchat，使用下面的命令安装 python 依赖库：

cd Langchain-Chatchat

pip install -r requirements.txt

pip install -r requirements_api.txt

使用下面的命令复制一份配置文件：

cp configs/model_config.py.example configs/model_config.py

如下所示：

在 model_config.py 配置文件需要修改如下内容，在llm_model_dict指定模型的地址，并且设置LLM_MODEL的名称和 llm_model_dict的 key 对应，如下所示：

llm_model_dict = {
    "llama2": {
        "local_model_path": "/ossfs/workspace/sft-models/my-llama5",
        "api_base_url": "http://localhost:8888/v1",  # 修改为fastchat服务中的"api_base_url"
        "api_key": "EMPTY"
    }
}

# LLM 名称
LLM_MODEL = "llama2"

接下来就可以使用下面的命令启动 llm_api.py：

python server/llm_api.py

启动成功后可以使用下面的代码在 jupyterlab 中进行验证：

# 服务启动后接口调用示例：
import openai
openai.api_key = "EMPTY" # Not support yet
openai.api_base = "http://localhost:8888/v1"

model = "llama2"

def get_answer(content):
    # create a chat completion
    completion = openai.ChatCompletion.create(
      model=model,
      messages=[{"role": "user", "content": content}]
    )
    print('用户:', content)
    # print the completion
    print('模型:',completion.choices[0].message.content)

get_answer('你是谁')
get_answer('你叫什么名字')

验证输出结果如下：

参考文档

https://github.com/hiyouga/LLaMA-Efficient-Tuning

https://github.com/chatchat-space/Langchain-Chatchat

https://github.com/lm-sys/FastChat/blob/main/docs/openai_api.md

https://huggingface.co/LinkSoul/Chinese-Llama-2-7b

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/925884.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

最新PHP短网址生成系统/短链接生成系统/URL缩短器系统源码

最新PHP短网址生成系统/短链接生成系统/URL缩短器系统源码

全新PHP短网址系统URL缩短器平台&#xff0c;它使您可以轻松地缩短链接&#xff0c;根据受众群体的位置或平台来定位受众&#xff0c;并为缩短的链接提供分析见解。 系统使用了Laravel框架编写&#xff0c;前后台双语言使用&#xff0c;可以设置多域名&#xff0c;还可以开设套…
阅读更多...
语音芯片国产品牌—认准“深圳唯创知音”语音IC方案商，稳定可靠

语音芯片国产品牌—认准“深圳唯创知音”语音IC方案商，稳定可靠

​随着科技的飞速发展&#xff0c;语音技术正逐渐渗透进入我们生活的方方面面&#xff0c;从智能助手到智能家居&#xff0c;从汽车到工业设备&#xff0c;语音成为了人机交互的一种重要方式。而在这个充满激烈竞争的领域里&#xff0c;深圳唯创知音作为语音芯片领域的领军品牌…
阅读更多...
亚马逊买家评论怎么删除

亚马逊买家评论怎么删除

亚马逊的评论删除通常是由买家自行操作的。如果你是一名亚马逊买家&#xff0c;想要删除你之前发布的评论&#xff0c;可以按照以下步骤进行&#xff1a; 1、登录亚马逊账户 2、找到你的评论&#xff1a;在页面的右上角&#xff0c;你可以找到“Hello, [你的名字]”或者“你好…
阅读更多...
关于数组和指针的笔试题解析（详解）

关于数组和指针的笔试题解析（详解）

文章目录 说明&#x1f6a9;数组笔试题&#x1f4bb;一维数组&#x1f4c4;练习&#xff1a;&#x1f4a1;解析 &#x1f4bb;字符数组&#x1f4c4;练习1&#xff1a;&#x1f4a1;解析&#x1f4c4;练习2&#xff1a;&#x1f4a1;解析&#x1f4c4;练习3&#xff1a;&#x…
阅读更多...
科技资讯|三星再申请智能戒指商标，智能穿戴进入更小型化发展

科技资讯|三星再申请智能戒指商标，智能穿戴进入更小型化发展

三星正在积极扩展可穿戴设备生态&#xff0c;近日向英国知识产权局提交了名为“Samsung Curio”的新商标&#xff0c;其分类为“Class 9”&#xff0c;可能会用于未来的智能戒指。 智能戒指&#xff1a; 可穿戴计算机本质上的智能手环、智能项链、智能眼镜和智能戒指&#xff1…
阅读更多...
新KG视点 | 白硕—大模型时代的知识图谱

新KG视点 | 白硕—大模型时代的知识图谱

OpenKG 大模型专辑 导读 知识图谱和大型语言模型都是用来表示和处理知识的手段。大模型补足了理解语言的能力&#xff0c;知识图谱则丰富了表示知识的方式&#xff0c;两者的深度结合必将为人工智能提供更为全面、可靠、可控的知识处理方法。在这一背景下&#xff0c;OpenKG组织…
阅读更多...
全套解决方案：基于pytorch、transformers的中文NLP训练框架，支持大模型训练和文本生成，快速上手，海量训练数据！

全套解决方案：基于pytorch、transformers的中文NLP训练框架，支持大模型训练和文本生成，快速上手，海量训练数据！

全套解决方案&#xff1a;基于pytorch、transformers的中文NLP训练框架&#xff0c;支持大模型训练和文本生成&#xff0c;快速上手&#xff0c;海量训练数据&#xff01; 1.简介 目标&#xff1a;基于pytorch、transformers做中文领域的nlp开箱即用的训练框架&#xff0c;提…
阅读更多...
如何满足影视飓风对空间智能化的“挑剔”？智哪儿专访Aqara杭州上城区服务商

如何满足影视飓风对空间智能化的“挑剔”？智哪儿专访Aqara杭州上城区服务商

最近&#xff0c;商务部、住房城乡建设部等13部门联合印发了关于促进家居消费若干措施的通知&#xff0c;明确提出要促进智能家居设备互联互通&#xff0c;推动单品智能向全屋智能发展。在国家相关政策的支持下&#xff0c;全屋智能引领下的空间智能化面临前所未有的发展机会&a…
阅读更多...
“传递信任 服务发展”金融科技标准认证生态大会成功举办 同创永益为支持单位

“传递信任 服务发展”金融科技标准认证生态大会成功举办 同创永益为支持单位

8月16日下午&#xff0c;北京国家金融科技认证中心&#xff08;以下简称“国金认证”&#xff09;在第十三届农村金融机构信息化发展创新座谈会期间&#xff0c;成功举办“传递信任 服务发展”金融科技标准认证生态大会&#xff0c;邀请管理部门、行业机构、产业机构&#xff0…
阅读更多...
亚马逊云科技CEO谈及企业领导力原则的核心：坚持顾客至上

亚马逊云科技CEO谈及企业领导力原则的核心：坚持顾客至上

亚马逊云科技首席执行官Adam Selipsky几乎从一开始就在那里&#xff1a;他于2005年加入&#xff0c;在效力亚马逊11年后于2016年离开&#xff0c;转而经营Tableau&#xff0c;并于2021年成为亚马逊云科技首席执行官。当时亚马逊云科技前首席执行官安迪贾西(Andy Jassy)接替杰夫…
阅读更多...
基于NXP i.MX 6ULL核心板的物联网模块开发案例（3）

基于NXP i.MX 6ULL核心板的物联网模块开发案例（3）

前言 本文主要介绍基于创龙科技TLIMX6U-EVM评估板的物联网模块开发案例&#xff0c;适用开发环境&#xff1a; Windows开发环境&#xff1a;Windows 7 64bit、Windows 10 64bit 虚拟机&#xff1a;VMware15.1.0 Linux开发环境&#xff1a;Ubuntu18.04.4 64bit U-Boot&…
阅读更多...
大型企业是否有必要进行数字化转型？

大型企业是否有必要进行数字化转型？

在数字化、信息化、智能化蓬勃发展的今天&#xff0c;初创公司可以很轻易的布局规划数字化发展的路径。而对于大型企业而言&#xff0c;其已经形成了较为成熟稳固的业务及组织架构&#xff0c;是否还有必要根据自身行业发展特点寻求数字化转型&#xff1f;&#xff08;比如制造…
阅读更多...
喜讯｜思迈特软件入选2023爱分析·数据智能优秀厂商

喜讯｜思迈特软件入选2023爱分析·数据智能优秀厂商

近期&#xff0c;“2023爱分析数据智能优秀厂商”评选结果于第五届数据智能高峰论坛现场正式公布&#xff0c;思迈特软件凭借在数据智能领域的技术及服务水平&#xff0c;从150家数据智能厂商中脱颖而出&#xff0c;成功入选为“2023爱分析数据智能优秀厂商”。 本次评选是基于…
阅读更多...
Python“牵手”1688商品列表数据，关键词搜索1688API接口数据，1688API接口申请指南

Python“牵手”1688商品列表数据，关键词搜索1688API接口数据，1688API接口申请指南

1688平台API接口是为开发电商类应用程序而设计的一套完整的、跨浏览器、跨平台的接口规范&#xff0c; 1688API接口是指通过编程的方式&#xff0c;让开发者能够通过HTTP协议直接访问1688平台的数据&#xff0c;包括商品信息、店铺信息、物流信息等&#xff0c;从而实现1688平…
阅读更多...
Wi-Fi网络泄露你位置的新恶意软件，如何保护自己？

Wi-Fi网络泄露你位置的新恶意软件，如何保护自己？

通常&#xff0c;当黑客用恶意软件感染最好的Windows笔记本电脑时&#xff0c;经济利益是他们的动机。然而&#xff0c;他们也喜欢部署信息窃取恶意软件来获取你的个人数据。 Secureworks反威胁部门的安全研究人员发现了一种神秘的新恶意软件&#xff0c;它完全是在寻找其他东…
阅读更多...
【Unity小技巧】在Unity中实现类似书的功能（附git源码）

【Unity小技巧】在Unity中实现类似书的功能（附git源码）

文章目录 前言本文实现的最终效果素材1. 页面素材2. 卡片内容素材地址 翻页实现1. 配置我们的canvas参数2. 添加封面和页码3. 翻页效果4. 添加按钮5. 脚本控制6. 运行效果 页面内容1. 添加卡片内容2. shader控制卡片背面3. 页面背面显示不同卡片 源码参考完结 前言 欢迎来到游…
阅读更多...
【两区域系统的自动发电控制】任何区域突然负荷变化的情况下，如何测量两个区域共享的功率研究（Simulink）

【两区域系统的自动发电控制】任何区域突然负荷变化的情况下，如何测量两个区域共享的功率研究（Simulink）

&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜密&#xff0c;逻辑清晰&#xff0c;为了方便读者。 ⛳️座右铭&a…
阅读更多...
No message found under code ‘-1‘ for locale ‘zh_CN‘.

No message found under code ‘-1‘ for locale ‘zh_CN‘.

导出中的报错&#xff1a;No message found under code -1 for locale zh_CN. 报错原因&#xff1a;页面中展示的数据和后端excel中的数据不一致导致 具体原因&#xff1a;
阅读更多...
ray-分布式计算框架-集群与异步Job管理

ray-分布式计算框架-集群与异步Job管理

0. ray 简介 ray是开源分布式计算框架&#xff0c;为并行处理提供计算层&#xff0c;用于扩展AI与Python应用程序&#xff0c;是ML工作负载统一工具包 Ray AI Runtime ML应用程序库集 Ray Core 通用分布式计算库 Task -- Ray允许任意Python函数在单独的Python worker上运行&…
阅读更多...
矢量调制分析基础

矢量调制分析基础

前言 本文介绍VSA 的矢量调制分析和数字调制分析测量能力。某些扫频调谐频谱分析仪也能通过使用另外的数字无线专用软件来提供数字调制分析。然而&#xff0c;VSA 通常在调制格式和解调算法配置等方面提供更大的测量灵活性&#xff0c;并提供更多的数据结果和轨迹轨迹显示。本…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023