清华大模型Chatglm2-6B的微调方法和微调模型使用方式（非常仔细，值得借鉴）

一、下载chatglm2-6b的项目代码和模型

1、下载chatglm2-6b的项目

方法一、chatglm2-6b的项目下载地址：

https://github.com/THUDM/ChatGLM2-6B

方法二、百度网盘提取chatglm2-6b的项目：

链接：https://pan.baidu.com/s/1BEwUhiIJlB4SJrGw7NLL7Q  提取码：vxyr
2、使用pycharm打开项目：左边是项目文件目录，右边是chatglm2-6b的一个介绍

在这里插入图片描述

3、下载chatglm2-6b的模型

chatglm2-6b的模型下载地址：这里面很多模型，选择自己需要的下载就可以了

https://aifasthub.com/models/THUDM

在这里插入图片描述

4、将下载的模型放入项目中：

首先在项目的ptuning文件夹下面新建model文件夹，再将下载的模型放入model文件夹里面（因为ptuning文件夹里面存放的就是微调文件和代码，我将模型放入在该文件下是为了便于操作，其实也可以放在其它地方，看大家自己怎么操作）
在这里插入图片描述

二、打开ptuning文件下的README.md文件，里面是微调的简单说明，如下图所示：这里简单介绍接下来的操作步骤，不需要进行实际操作

在这里插入图片描述

我们可以选择跟着里面的部分步骤操作，主要是以下步骤：
1、安装所需要的库等环境，如下图所示的两个地方的依赖

在这里插入图片描述

2、下载官方所示的微调数据集（你也可以自己按照训练数据的输入格式，创建数据集）【json的数据集】

在这里插入图片描述
在这里插入图片描述

3、因为微调训练的文件为sh格式，因此需要Linux环境的操作命令。这里有两种方法解决在window环境下运行sh文件：
方法一：安装git bash； 方法二：将sh文件转化为bat文件格式，再运行训练。

在这里插入图片描述

4、对train.sh文件内的配置进行调整修改，再训练。

在这里插入图片描述

5、对微调训练生成的模型进行验证。
接下来就对以上五个小步骤进行具体完善。

三、创建chatglm2-6b的虚拟环境

1、打开cmd或者Anaconda Prompt（install）创建虚拟环境

方法一：默认情况下虚拟环境创建在Anaconda安装目录下的envs文件夹中

conda create --name chatglm2   #chatglm2是虚拟环境名称（自定义）

方法二：如果想将虚拟环境创建在指定位置，使用–prefix参数即可：

conda create --prefix E:\TrainChatglm2\chatglm2 python==3.9   #chatglm2是虚拟环境名称（自定义）

在这里插入图片描述

2、查看刚刚创建的chatglm2虚拟环境

方法一：通过命令查看

conda env list

在这里插入图片描述
方法二：通过生成的文件夹查看
在这里插入图片描述

3、激活刚刚创建的虚拟环境并查看里面已有的依赖
activate E:\TrainChatglm2\chatglm2
pip list

在这里插入图片描述

4、先安装除了torch之外所需要的依赖
清华大学 ：https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云：http://mirrors.aliyun.com/pypi/simple/
中国科学技术大学 ：http://pypi.mirrors.ustc.edu.cn/simple/
华中科技大学：http://pypi.hustunique.com/
豆瓣源：http://pypi.douban.com/simple/
腾讯源：http://mirrors.cloud.tencent.com/pypi/simple
华为镜像源：https://repo.huaweicloud.com/repository/pypi/simple/
比如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ transformers==4.30.2

在这里插入图片描述
在这里插入图片描述

5、安装torch依赖

（1）查看本机的cuda版本，再根据版本去安装合适的torch

nvidia-smi

在这里插入图片描述

（2）查看本机的cuda版本，再根据版本去安装合适的torch
打开网址：https://pytorch.org/get-started/previous-versions/，查找本机对应的torch，并通过命令在线安装，如下图所示；

# CUDA 11.8
pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118

在这里插入图片描述

6、安装的结果如下：

在这里插入图片描述

四、下载官方所示的微调数据集（你也可以自己按照训练数据的输入格式，创建数据集）【json的数据集】

1、点击项目中的README.md文件中的Tsinghua Cloud就直接在网页中下载数据

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2、解压数据集并放在项目的ptuning文件夹下

在这里插入图片描述

五、因为微调训练的文件为sh格式，因此需要Linux环境的操作命令。这里有两种方法解决在window环境下运行sh文件：

方法一：安装git bash

1、下载地址

https://www.git-scm.com/download/

在这里插入图片描述
在这里插入图片描述
2、直接安装：点击exe应用程序进行安装即可
在这里插入图片描述
在这里插入图片描述

方法二：将sh文件转化为bat文件格式，再运行训练。

1、原train.sh中的内容
在这里插入图片描述
2、复制一个train.sh,并将后缀名.sh改为.bat
在这里插入图片描述

六、对train.sh和train.bat文件内的配置进行调整修改

1、首先了解train.sh里面的内容有哪些，表示哪些意义
PRE_SEQ_LEN=128 #  soft prompt 长度
LR=2e-2     # 训练学习率
NUM_GPUS=2  # GPU卡的数量

torchrun --standalone --nnodes=1 --nproc-per-node=$NUM_GPUS main.py \
    --do_train \   # 执行训练功能，还可以执行评估功能
    --train_file AdvertiseGen/train.json \   # 训练文件目录
    --validation_file AdvertiseGen/fval.json \   # 验证文件目录
    --prompt_column content \       # 训练集中prompt提示名称，对应训练文件，测试文件的"content"
    --response_column summary \      # 训练集中答案名称，对应训练文件，测试文件的"summary"
    --overwrite_cache \              # 缓存，重复训练一次的时候可删除
    --model_name_or_path THUDM/chatglm-6b \  # 加载模型文件目录，也可修改为本地模型的路径
    --output_dir output/adgen-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \    # 保存训练模型文件目录
    --overwrite_output_dir \     # 覆盖训练文件目录
    --max_source_length 64 \     # 最大输入文本的长度
    --max_target_length 128 \
    --per_device_train_batch_size 1 \    # batch_size 训练批次根据显存调节
    --per_device_eval_batch_size 1 \     # 验证批次
    --gradient_accumulation_steps 16 \   # 梯度累加的步数
    --predict_with_generate \
    --max_steps 3000 \    # 最大训练模型的步数
    --logging_steps 10 \  # 多少步打印日志一次
    --save_steps 1000 \    # 多少步保存模型一次
    --learning_rate $LR \  # 学习率
    --pre_seq_len $PRE_SEQ_LEN \
    --quantization_bit 4   # 量化，也可修改为int8

训练配置参数具体解释
（1）长度和 学习率
–PRE_SEQ_LEN 是 soft prompt 长度，可以进行调节以取得最佳的效果。
–LR 是训练的学习率
（2）本地数据，训练集和测试集的路径
–train_file AdvertiseGen/train.json
–validation_file AdvertiseGen/dev.json
（3）模型目录。
如果你想要从本地加载模型，可以将THUDM/chatglm2-6b 改为你本地的模型路径。
–model_name_or_path THUDM/chatglm-6b
（4） 最大训练步数
–max_steps 3000
（5）模型量化
可通过调整 quantization_bit 来被原始模型的量化等级，不加此选项则为 FP16 精度加载。在默认配置 quantization_bit=4
–quantization_bit 4 # 量化，也可修改为int8
（6）批次，迭代参数
在默认配置 per_device_train_batch_size=1、gradient_accumulation_steps=16 下，一次训练迭代会以 1 的批处理大小进行 16 次累加的前后向传播，等效为 16 的总批处理大小，此时最低只需 6.7G 显存。若想在同等批处理大小下提升训练效率，可在二者乘积不变的情况下，加大 per_device_train_batch_size 的值，但也会带来更多的显存消耗，请根据实际情况酌情调整。
–per_device_train_batch_size 1 \ # batch_size 训练批次根据显存调节
–per_device_eval_batch_size 1 \ # 验证批次
–gradient_accumulation_steps 16 \ # 梯度累加的步数

2、对train.sh里面的内容根据自己实际情况进行修改，结果如下：

其中set LR学习率要进行修改，因为使用官方的学习率（2e-2 ）可能会使得训练之后的模型回答的问题会发生严重的错误回答，称为灾难性遗忘！因此需要进行一个调整。其它的模型路径、数据路径也需要进行修改！

set PRE_SEQ_LEN=128
set LR=1e-4

CUDA_VISIBLE_DEVICES=0 python E:/TrainChatglm/ChatGLM2-6B-main/ptuning/main.py \
    --do_train \
    --train_file E:/TrainChatglm/ChatGLM2-6B-main/ptuning/AdvertiseGen/trainss.json \
    --validation_file E:/TrainChatglm/ChatGLM2-6B-main/ptuning/AdvertiseGen/devss.json \
    --preprocessing_num_workers 10 \
    --prompt_column content \
    --response_column summary \
    --overwrite_cache \
    --model_name_or_path E:/TrainChatglm/ChatGLM2-6B-main/ptuning/model/chatglm2-6B \
    --output_dir C:/Users/Administrator/Desktop/saves/adgen-chatglm-6b-pt \
    --overwrite_output_dir \
    --max_source_length 64 \
    --max_target_length 128 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 16 \
    --predict_with_generate \
    --max_steps 3000 \
    --logging_steps 10 \
    --save_steps 1000 \
    --learning_rate 1e-4 \
    --pre_seq_len 128 \
    --quantization_bit 4
3、对train.bat里面的内容根据自己实际情况进行修改，结果如下：

其中把每行后面的" \ " 改为 " ^ ",其它的根据自己实际情况进行调整

set PRE_SEQ_LEN=128
set LR=1e-4

python main.py ^
    --do_train ^
    --train_file AdvertiseGen/trains.json ^
    --validation_file AdvertiseGen/devs.json ^
    --preprocessing_num_workers 10 ^
    --prompt_column content ^
    --response_column summary ^
    --overwrite_cache ^
    --model_name_or_path model/chatglm2-6B ^
    --output_dir C:/Users/Administrator/Desktop/save/adgen-chatglm-6b-pt ^
    --overwrite_output_dir ^
    --max_source_length 64 ^
    --max_target_length 128 ^
    --per_device_train_batch_size 24 ^
    --per_device_eval_batch_size 1 ^
    --gradient_accumulation_steps 16 ^
    --predict_with_generate ^
    --max_steps 3000 ^
    --logging_steps 10 ^
    --save_steps 1000 ^
    --learning_rate %LR% ^
    --pre_seq_len %PRE_SEQ_LEN% ^
    --quantization_bit 4

七、对train.sh和train.bat进行训练

1、训练train.sh

（1）首先打开git bash：进入项目目录下：
在这里插入图片描述
（2）激活虚拟环境
在这里插入图片描述
（3）输入命令，开始训练
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
（4）训练完成后保存的结果如下：
在这里插入图片描述
在这里插入图片描述

2、训练train.bat

(1)打开cmd，激活虚拟环境
在这里插入图片描述
(2)进入项目路径，运行train.bat文件
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
(3)结果如下：
在这里插入图片描述
在这里插入图片描述

八、对微调训练生成的模型进行验证

1、验证方法多种多样，这里采用之前部署的chatglm2-6（在我的csdn里面有详细过程）的流式和非流式接口进验证：

（1）这是之前的流式与非流式接口代码：

#encoding:utf-8
import platform
from fastapi import FastAPI, Request
from transformers import AutoTokenizer, AutoModel,AutoConfig
import uvicorn, json, datetime
import torch,os
from sse_starlette.sse import EventSourceResponse
from pydantic import BaseModel
from utils import load_model_on_gpus
from fastapi.middleware.cors import CORSMiddleware

class Item(BaseModel):
    prompt: str = None
    history: list = None
    max_length: int = None
    top_p: float = None
    temperature: float = None

app = FastAPI()
os_name = platform.system()
clear_command = 'cls' if os_name == 'Windows' else 'clear'
stop_stream = False

# 这里配置支持跨域访问的前端地址
# origins = [
#     "http://192.168.1.122:9001",
#     "http://192.168.1.122",
#     "http://192.168.1.122/cb/index.html",
#     "http://localhost/cb/index.html",
#     "http://localhost:80",     # 带端口的
#     "http://localhost:9001",    # 不带端口的
# ]

# 将配置挂在到app上
# 添加CORS中间件
app.add_middleware(
    CORSMiddleware,
    allow_origins=["http://localhost"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)
# app.add_middleware(
#     CORSMiddleware,
#     # 这里配置允许跨域访问的前端地址
#     allow_origins=origins,
#     # 跨域请求是否支持 cookie， 如果这里配置true，则allow_origins不能配置*
#     allow_credentials=True,
#     # 支持跨域的请求类型，可以单独配置get、post等，也可以直接使用通配符*表示支持所有
#     allow_methods=["*"],
#     allow_headers=["*"],
# )

# 流式推理
def predict_stream(tokenizer, prompt, history, max_length, top_p, temperature):
    global stop_stream
    print("欢迎使用 ChatGLM3-6B 模型，输入内容即可进行对话，clear 清空对话历史，stop 终止程序")
    while True:
        current_length = 0
        for response, history in model.stream_chat(tokenizer, prompt, history=history,):

            if stop_stream:
                stop_stream = False
                break
            else:

                yield json.dumps({
                    'response': response[current_length:],
                    'history': history,
                    'status': 200,
                    'sse_status': 1,
                }, ensure_ascii=False)

        return torch_gc()

# GC回收显存
def torch_gc():
    if torch.cuda.is_available():
        with torch.cuda.device(CUDA_DEVICE):
            torch.cuda.empty_cache()
            torch.cuda.ipc_collect()

# sse流式方式
@app.post("/chatglm3-6-32k/server/sse")
async def create_item_sse(request_data: Item):
    res = predict_stream(tokenizer, request_data.prompt, request_data.history, request_data.max_length, request_data.top_p, request_data.temperature)
    return EventSourceResponse(res)

# nsse非流式方式
@app.post("/chatglm3-6-32k/server/nsse")
async def create_item_nsse(request_data: Item):
    response, history = model.chat(tokenizer,
                                   request_data.prompt,
                                   history= request_data.history,
                                   max_length=request_data.max_length ,
                                   top_p=request_data.top_p ,
                                   temperature=request_data.temperature)
    now = datetime.datetime.now()
    time = now.strftime("%Y-%m-%d %H:%M:%S")
    answer = {
        "response": response,
        "history": history,
        "status": 200,
        "time": time
    }
    log = "[" + time + "] " + '", prompt:"' + request_data.prompt + '", response:"' + repr(response) + '"'
    print(log)
    torch_gc()
    return answer

if __name__ == '__main__':
    # cpu/gpu推理，建议GPU，CPU实在是忒慢了
    DEVICE = "cuda"
    DEVICE_ID = "0"
    CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE

    # 多显卡支持，使用下面三行代替上面两行，将num_gpus改为你实际的显卡数量
    # model_path = "./THUDM/chatglm3-6B-32k"
    # tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
    # model = load_model_on_gpus(model_path, num_gpus=2)
    tokenizer = AutoTokenizer.from_pretrained(r"E:\TrainChatglm\ChatGLM2-6B-main\ptuning\model\chatglm2-6b",
                                              trust_remote_code=True)
    model = AutoModel.from_pretrained(r"E:\TrainChatglm\ChatGLM2-6B-main\ptuning\model\chatglm2-6b",
                                      trust_remote_code=True).cuda()
    model.eval()
    uvicorn.run(app, host='192.168.1.122', port=9001, workers=1)

（2）对改代码进行一个改写
这是改写的内容：主要是引入生成的模型权重
在这里插入图片描述
代码如下：

#encoding:utf-8
import platform
from fastapi import FastAPI, Request
from transformers import AutoTokenizer, AutoModel,AutoConfig
import uvicorn, json, datetime
import torch,os
from sse_starlette.sse import EventSourceResponse
from pydantic import BaseModel
from utils import load_model_on_gpus
from fastapi.middleware.cors import CORSMiddleware

class Item(BaseModel):
    prompt: str = None
    history: list = None
    max_length: int = None
    top_p: float = None
    temperature: float = None

app = FastAPI()
os_name = platform.system()
clear_command = 'cls' if os_name == 'Windows' else 'clear'
stop_stream = False

# 这里配置支持跨域访问的前端地址
# origins = [
#     "http://192.168.1.122:9001",
#     "http://192.168.1.122",
#     "http://192.168.1.122/cb/index.html",
#     "http://localhost/cb/index.html",
#     "http://localhost:80",     # 带端口的
#     "http://localhost:9001",    # 不带端口的
# ]

# 将配置挂在到app上
# 添加CORS中间件
app.add_middleware(
    CORSMiddleware,
    allow_origins=["http://localhost"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)
# app.add_middleware(
#     CORSMiddleware,
#     # 这里配置允许跨域访问的前端地址
#     allow_origins=origins,
#     # 跨域请求是否支持 cookie， 如果这里配置true，则allow_origins不能配置*
#     allow_credentials=True,
#     # 支持跨域的请求类型，可以单独配置get、post等，也可以直接使用通配符*表示支持所有
#     allow_methods=["*"],
#     allow_headers=["*"],
# )

# 流式推理
def predict_stream(tokenizer, prompt, history, max_length, top_p, temperature):
    global stop_stream
    print("欢迎使用 ChatGLM3-6B 模型，输入内容即可进行对话，clear 清空对话历史，stop 终止程序")
    while True:
        current_length = 0
        for response, history in model.stream_chat(tokenizer, prompt, history=history,):

            if stop_stream:
                stop_stream = False
                break
            else:

                yield json.dumps({
                    'response': response[current_length:],
                    'history': history,
                    'status': 200,
                    'sse_status': 1,
                }, ensure_ascii=False)

        return torch_gc()

# GC回收显存
def torch_gc():
    if torch.cuda.is_available():
        with torch.cuda.device(CUDA_DEVICE):
            torch.cuda.empty_cache()
            torch.cuda.ipc_collect()

# sse流式方式
@app.post("/chatglm3-6-32k/server/sse")
async def create_item_sse(request_data: Item):
    res = predict_stream(tokenizer, request_data.prompt, request_data.history, request_data.max_length, request_data.top_p, request_data.temperature)
    return EventSourceResponse(res)

# nsse非流式方式
@app.post("/chatglm3-6-32k/server/nsse")
async def create_item_nsse(request_data: Item):
    response, history = model.chat(tokenizer,
                                   request_data.prompt,
                                   history= request_data.history,
                                   max_length=request_data.max_length ,
                                   top_p=request_data.top_p ,
                                   temperature=request_data.temperature)
    now = datetime.datetime.now()
    time = now.strftime("%Y-%m-%d %H:%M:%S")
    answer = {
        "response": response,
        "history": history,
        "status": 200,
        "time": time
    }
    log = "[" + time + "] " + '", prompt:"' + request_data.prompt + '", response:"' + repr(response) + '"'
    print(log)
    torch_gc()
    return answer

if __name__ == '__main__':
    # cpu/gpu推理，建议GPU，CPU实在是忒慢了
    DEVICE = "cuda"
    DEVICE_ID = "0"
    CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE

    # 多显卡支持，使用下面三行代替上面两行，将num_gpus改为你实际的显卡数量
    # model_path = "./THUDM/chatglm3-6B-32k"
    # tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
    # model = load_model_on_gpus(model_path, num_gpus=2)
    tokenizer = AutoTokenizer.from_pretrained(r"E:\TrainChatglm\ChatGLM2-6B-main\ptuning\model\chatglm2-6B",trust_remote_code=True)
    config = AutoConfig.from_pretrained(r"E:\TrainChatglm\ChatGLM2-6B-main\ptuning\model\chatglm2-6B",trust_remote_code=True, pre_seq_len=128)
    model = AutoModel.from_pretrained(r"E:\TrainChatglm\ChatGLM2-6B-main\ptuning\model\chatglm2-6B", config=config,trust_remote_code=True).cuda()
    prefix_state_dict = torch.load(
        os.path.join(r"C:\Users\Administrator\Desktop\save\adgen-chatglm-6b-pt\checkpoint-3000", "pytorch_model.bin"))
    new_prefix_state_dict = {}

    for k, v in prefix_state_dict.items():
        if k.startswith("transformer.prefix_encoder."):
            new_prefix_state_dict[k[len("transformer.prefix_encoder."):]] = v
    model.transformer.prefix_encoder.load_state_dict(new_prefix_state_dict)

    model.eval()
    uvicorn.run(app, host='192.168.1.122', port=9001, workers=1)
2、运行代码，进行测试

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
到这里微调基本结束！

九、总结

1、微调之后的模型可能存在灾难性遗忘，也就是对训练的数据回答效果还可以，但是对训练之前的模型询问的问题回答存在乱回答的情况，或者回答极不准确的情况，因此在训练微调之前需要对学习率等参数进行一个调整！
2、可能在训练过程中回报一些依赖（库）不兼容的问题，特别是transformers不兼容的问题，我这里就需要安装transformers==4.31.0版本才可以正常运行，因此要根据自己的实际情况进行调整！
3、我会将整个代码上传在资源里面，还上传了git bash安装程序，大家进行下载即可！

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：/a/339679.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

力扣：474. 一和零（动态规划）（01背包）

力扣：474. 一和零（动态规划）（01背包）

题目： 给你一个二进制字符串数组 strs 和两个整数 m 和 n 。 请你找出并返回 strs 的最大子集的长度，该子集中 最多 有 m 个 0 和 n 个 1 。 如果 x 的所有元素也是 y 的元素，集合 x 是集合 y 的 子集 。 示例 1： 输入&#…
阅读更多...
MacOS受欢迎的数据库开发工具 Navicat Premium 15 中文版

MacOS受欢迎的数据库开发工具 Navicat Premium 15 中文版

Navicat Premium 15 Mac是一款数据库管理工具，提供了一个全面的解决方案，用于连接、管理和维护各种数据库系统。以下是Navicat Premium 15 Mac的一些主要功能和特点： 软件下载：Navicat Premium 15 中文版下载 多平台支持&#xff…
阅读更多...
【UE5】第一次尝试项目转插件(Plugin)的时候，无法编译

【UE5】第一次尝试项目转插件(Plugin)的时候，无法编译

VS显示100条左右的错误，UE热编译也不能通过。原因可能是[名字.Build.cs]文件的错误，缺少一些内容，比如说如果要写UserWidget类，那么就要在 ]名字.Build.cs] 中加入如下内容： public class beibaoxitong : ModuleRules …
阅读更多...
140：vue+leaflet加载here地图（v2软件多种形式）

140：vue+leaflet加载here地图（v2软件多种形式）

第140个 点击查看专栏目录 本示例介绍如何在vue+leaflet中添加HERE地图（v2版本的软件），并且含多种的表现形式。包括地图类型，文字标记的设置、语言的选择、PPI的设定。 v3版本和v2版本有很大的区别，关键是引用方法上，请参考文章尾部的API链接。 直接复制下面的 vue+leaf…
阅读更多...
哈尔滨游“出圈”，上市公司谁在冰雪经济掘金？

哈尔滨游“出圈”，上市公司谁在冰雪经济掘金？

今年冬季，冰雪游热度不减，哈尔滨成为最大赢家。 仅在元旦假期，根据携程数据显示，黑龙江元旦假期订单量同比增长490%，其中，哈尔滨元旦旅游订单同比增长631%。 受哈尔滨旅游市场出圈影响的出圈，…
阅读更多...
仿真机器人-深度学习CV和激光雷达感知(项目2)day5【作业1与答案1】

仿真机器人-深度学习CV和激光雷达感知(项目2)day5【作业1与答案1】

文章目录 前言作业1答案1 前言 💫你好，我是辰chen，本文旨在准备考研复试或就业 💫本文内容是我为复试准备的第二个项目 💫欢迎大家的关注，我的博客主要关注于考研408以及AIoT的内容 🌟 预置知识…
阅读更多...
Science Robotics: 意大利IIT仿生软体机器人实验室研制具有自适应行为的软体生长机器人

Science Robotics: 意大利IIT仿生软体机器人实验室研制具有自适应行为的软体生长机器人

FiloBot通过模仿攀爬植物的生长方式——通过在顶端增加材料来构建身体，实现在难以预测和复杂的环境中的导航。这种设计理念的核心在于能够适应多种地形并克服障碍，特别适用于密集森林或杂乱区域这样的非结构化环境。机器人使用添加制造技术（特…
阅读更多...
【 CSS 】基础 2

【 CSS 】基础 2

“生活就像骑自行车，想要保持平衡，就得不断前行。” - 阿尔伯特爱因斯坦 CSS 基础 2 1. emmet 语法 1.1 简介 Emmet语法的前身是 Zen coding，它使用缩写，来提高 HTML / CSS 的编写速度， VSCode 内部已经集成该语法。…
阅读更多...
GIS项目实战06：超详细Node.js安装及系统环境配置

GIS项目实战06：超详细Node.js安装及系统环境配置

简单的说 Node.js 就是运行在服务端的 JavaScript。 Node.js 是一个基于 Chrome JavaScript 运行时建立的一个平台。 Node.js 是一个事件驱动 I/O 服务端 JavaScript 环境，基于 Google 的 V8 引擎，V8 引擎执行 Javascript 的速度非常快，性能…
阅读更多...
超全的测试类型详解，再也不怕面试答不出来了！

超全的测试类型详解，再也不怕面试答不出来了！

在软件测试工作过程中或者在面试过程中经常会被问到一些看起来简单但是总是有些回答不上的问题，比如你说说“黑盒测试和白盒测试的区别？”，“你们公司做灰度测试么？", ”α测试和β测试有什么不一样？“&#xff0…
阅读更多...
python+PyQt5 网口功能测试

python+PyQt5 网口功能测试

UI界面： 源代码： # -*- coding: utf-8 -*-# Form implementation generated from reading ui file NetOpeningWinFrm.ui # # Created by: PyQt5 UI code generator 5.15.2 # # WARNING: Any manual changes made to this file will be lost when pyuic5…
阅读更多...
k8s集群加入一个master2--kubeadm方式

k8s集群加入一个master2--kubeadm方式

已经有一个集群： 192.168.206.138 master 192.168.206.136 k8s-node1 192.168.206.137 k8s-node2 kubectl get nodes -o wide 新加入一个master2节点 192.168.206.139 master2 一、初始化系统参数 139 master2 上 #在136、137、138上添加hosts“” echo "…
阅读更多...
Nat Med | 特定密码子的KRAS突变预测

Nat Med | 特定密码子的KRAS突变预测

导语 今天给同学们分享一篇实验文章“Codon-specific KRAS mutations predict survival benefit of trifluridine/tipiracil in metastatic colorectal cancer”，这篇文章发表在Nat Med期刊上，影响因子为82.9。 结果解读： KRAS突变作为FTD/T…
阅读更多...
【Java网络编程02】套接字编程

【Java网络编程02】套接字编程

【Java网络编程02】套接字编程 1. Socket套接字 概念：Socket套接字，就是系统提供用于实现网络通信的技术，是基于TCP/IP协议的网络通信基本操作单元。基于Socket套接字的网络程序开发就是网络编程。 分类： 我们可以把Socket套接字…
阅读更多...
GO 的那些 IDE

GO 的那些 IDE

“程序员为什么要使用 IDE”，在一些社区论坛，经常可以看到这样的提问。关于是否应该使用IDE，每个人都有着自己的看法。 早期，程序的开发并不需要 IDE，那是以机器码编程为主的时代。后来随着计算机行业发展&#xff0c…
阅读更多...
基于yolov5-master和pyqt5的森林火灾监测软件

基于yolov5-master和pyqt5的森林火灾监测软件

文章目录 项目背景效果演示一、实现思路① 算法原理② 程序流程图 二、系统设计与实现三、模型评估与优化 项目背景 火灾作为威胁人类生命生产安全的隐患之一，一直是人们关注的重点。传统的火灾监测装置根据温度来检测火灾，不仅灵敏度差，而且…
阅读更多...
2024年pmp考试还有多久啊？怎么备考?

2024年pmp考试还有多久啊？怎么备考?

一般来说每年3、6、9、12月考试，一年四次，具体时间以官网通知为准。报考时间提前2个月报名，2023年的最后一次考试时间是11月，已经截止报名了。所以下一次考试就得等到2024年3月了。 想知道怎么备考先来分析一下现在的“新”考纲&…
阅读更多...
flutter 五点一点一：MaterialApp Theme

flutter 五点一点一：MaterialApp Theme

factory ThemeData({...TargetPlatform? platform, //目标平台ScrollbarThemeData? scrollbarTheme, //滚动条主题样式...}platform 目标平台 貌似表示的是当前Theme 的目标平台枚举值 例如 我将 platform 设置为ios platform: TargetPlatform.iOS然后运行到 android模拟…
阅读更多...
Eureka整合seata分布式事务

Eureka整合seata分布式事务

文章目录 一、分布式事务存在的问题二、分布式事务理论三、认识SeataSeata分布式事务解决方案1、XA模式2、AT模式3、SAGA模式4.SAGA模式优缺点：5.四种模式对比 四、微服务整合Seata AT案例Seata配置微服务整合2.1、父工程项目创建引入依赖 2.2、Eureka集群搭建2.3、…
阅读更多...
Unity Binding冲突解决探究

Unity Binding冲突解决探究

主要参考： 官方文档：Unity官方Input System手册与API本文节选自：【Unity学习笔记】第十二 New Input System 及其系统结构 和 源码浅析 可能存在冲突的几种情况： 同一Action下不同binding引用同一个control，且都非组合…
阅读更多...
最新文章

Copyright @ 2022~2023