Scikit-learn (sklearn)速通 -【莫凡Python学习笔记】

视频教程链接：【莫烦Python】Scikit-learn (sklearn) 优雅地学会机器学习

视频教程代码

scikit-learn官网

莫烦官网学习链接

本人matplotlib、numpy、pandas笔记

1 为什么学习

Scikit learn 也简称 sklearn, 是机器学习领域当中最知名的 python 模块之一.

Sklearn 包含了很多种机器学习的方式:

Classification 分类
Regression 回归
Clustering 非监督分类
Dimensionality reduction 数据降维
Model Selection 模型选择
Preprocessing 数据预处理

我们总能够从这些方法中挑选出一个适合于自己问题的, 然后解决自己的问题

2 安装

  • Python(>=2.6 or >=3.3)
  • Numpy(>=1.6.1)
  • SciPy(>=0.9)
pip install -U scikit-learn
# or conda
conda install scikit-learn

3 如何选择机器学习方法

在这里插入图片描述
从 START 开始，首先看数据的样本是否 >50，小于则需要收集更多的数据。

由图中可以看到算法有四类，分类，回归，聚类，降维。

其中 分类 和 回归 是监督式学习，即每个数据对应一个 label。
聚类 是非监督式学习，即没有 label。
另外一类是 降维，当数据集有很多很多属性的时候，可以通过 降维 算法把属性归纳起来。例如 20 个属性只变成 2 个，注意，这不是挑出 2 个，而是压缩成为 2 个，它们集合了 20 个属性的所有特征，相当于把重要的信息提取的更好，不重要的信息就不要了。

然后看问题属于哪一类问题，是分类还是回归，还是聚类，就选择相应的算法。 当然还要考虑数据的大小，例如 100K 是一个阈值。

可以发现有些方法是既可以作为分类，也可以作为回归，例如 SGD。

4 通用学习模式

Sklearn 把所有机器学习的模式整合统一起来了，学会了一个模式就可以通吃其他不同类型的学习模式。
注：其数据库十分强大，可用作各种练习（包括Tensorflow等）

例如，分类器，

Sklearn 本身就有很多数据库，可以用来练习。 以 Iris 的数据为例，这种花有四个属性，花瓣的长宽，茎的长宽，根据这些属性把花分为三类。

我们要用 分类器 去把四种类型的花分开。
在这里插入图片描述

数据集：Iris plants dataset官网链接

4.1 导入模块

# sklearn.cross_validation 模块已经在 Scikit-learn 0.20 版本中被弃用
# 现使用 sklearn.model_selection 模块中的 train_test_split 函数来进行训练集和测试集的划分
import numpy as np
from sklearn import datasets 
from sklearn.model_selection import train_test_split

4.2 创建数据

加载 iris 的数据，把属性存在 X，类别标签存在 y：

iris = datasets.load_iris()
iris_X = iris.data
iris_y = iris.target

观察一下数据集，X 有四个特征，y 有 0，1，2 三类：

print(iris_X[:2, :])
print(iris_y)

"""
[[ 5.1  3.5  1.4  0.2]
 [ 4.9  3.   1.4  0.2]]
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]
 """

把数据集分为训练集和测试集，其中 test_size=0.3，即测试集占总数据的 30%：

X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3)

可以看到分开后的数据集，顺序也被打乱，这样更有利于学习模型：

print(y_train)

"""
[2 1 0 1 0 0 1 1 1 1 0 0 1 2 1 1 1 0 2 2 1 1 1 1 0 2 2 0 2 2 2 2 2 0 1 2 2
 2 2 2 2 0 1 2 2 1 1 1 0 0 1 2 0 1 0 1 0 1 2 2 0 1 2 2 2 1 1 1 1 2 2 2 1 0
 1 1 0 0 0 2 0 1 0 0 1 2 0 2 2 0 0 2 2 2 1 2 0 0 2 1 2 0 0 1 2]
 """

4.3 建立模型－训练－预测

什么是KNN（K近邻算法）？

定义模块方式 KNeighborsClassifier()， 用 fit 来训练 training data，这一步就完成了训练的所有步骤， 后面的 knn 就已经是训练好的模型，可以直接用来 predict 测试集的数据， 对比用模型预测的值与真实的值，可以看到大概模拟出了数据，但是有误差，是不会完全预测正确的

# 创建 KNN 分类器对象，并对训练集进行拟合
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)

# 打印预测结果和真实标签
print(knn.predict(X_test))
print(y_test)

"""
[2 0 0 1 2 2 0 0 0 1 2 2 1 1 2 1 2 1 0 0 0 2 1 2 0 0 0 0 1 0 2 0 0 2 1 0 1
 0 0 1 0 1 2 0 1]
[2 0 0 1 2 1 0 0 0 1 2 2 1 1 2 1 2 1 0 0 0 2 1 2 0 0 0 0 1 0 2 0 0 2 1 0 1
 0 0 1 0 1 2 0 1]
 """

4.4 汇总

# sklearn.cross_validation 模块已经在 Scikit-learn 0.20 版本中被弃用
# 现使用 sklearn.model_selection 模块中的 train_test_split 函数来进行训练集和测试集的划分
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 加载鸢尾花数据集
iris = datasets.load_iris()
iris_X = iris.data   # 特征矩阵
iris_y = iris.target # 分类标签


##print(iris_X[:2, :])
##print(iris_y)

# 使用 train_test_split 函数将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size=0.3)  # 返回值是一个长度为 4 的元组

# 输出训练集标签
##print(y_train)

# 创建 KNN 分类器对象，并对训练集进行拟合
knn = KNeighborsClassifier()  # 创建 KNN（K-Nearest Neighbors）分类器对
knn.fit(X_train, y_train)     # 根据 X_train 和 y_train 的对应关系进行拟合，返回新knn

# 打印预测结果和真实标签
print(knn.predict(X_test)) # 使用训练好的 KNN 分类器对测试数据集 X_test 中的样本进行预测，并返回预测结果
print(y_test)

5 sklearn 强大数据库

5.1 波士顿房价

注： 波士顿数据因道德问题已从系统库中移除，这里改从其他地方获取数据

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 获取替代数据集
data_url = "http://lib.stat.cmu.edu/datasets/boston"

raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None) 
# header=None是Pandas中read_csv函数的一个参数选项，用于指示读取的CSV文件是否包含列名
# sep="\s+" 以空格进行分割
# skiprows=22 跳过前22行

data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
model = LinearRegression()

# 机器学习y与x的关系
model.fit(data, target)

print(model.predict(data[:4, :]))
print(target[:4])

5.2 创建虚拟数据－可视化

下面是创造数据的例子。

用函数来建立 100 个 sample，有一个 feature，和一个 target，这样比较方便可视化。

import matplotlib.pyplot as plt
from sklearn import datasets
X, y = datasets.make_regression(n_samples=100, n_features=1, n_targets=1, noise=10) #噪声程度视实际情况而定
plt.scatter(X, y)
plt.show()

在这里插入图片描述

6 sklearn 常用属性与功能

以 LinearRegressor 为例，导入包、数据和模型

from sklearn import datasets
from sklearn.linear_model import LinearRegression

loaded_data = datasets.load_boston()
data_X = loaded_data.data
data_y = loaded_data.target

model = LinearRegression()

6.1 训练和预测

model.fit 和 model.predict 属于 Model 的功能，用于训练模型 和 用训练好的模型预测

model.fit(data_X, data_y)

print(model.predict(data_X[:4, :]))

"""
[ 30.00821269  25.0298606   30.5702317   28.60814055]
"""

6.2 参数和分数

model.coef_ 和 model.intercept_ 属于 Model 的属性， 例如对于 LinearRegressor 这个模型，这两个属性分别输出模型的斜率和截距（与y轴的交点）

print(model.coef_)
print(model.intercept_)


"""
[ -1.07170557e-01   4.63952195e-02   2.08602395e-02   2.68856140e+00
  -1.77957587e+01   3.80475246e+00   7.51061703e-04  -1.47575880e+00
   3.05655038e-01  -1.23293463e-02  -9.53463555e-01   9.39251272e-03
  -5.25466633e-01]
36.4911032804
"""

model.get_params() 用于获取当前机器学习模型的参数设置

print(model.get_params())


"""
{'copy_X': True, 'normalize': False, 'n_jobs': 1, 'fit_intercept': True}
"""

model.score(data_X, data_y) 可对 Model 用 R^2 的方式进行打分，输出精确度。关于 R^2 coefficient of determination 可以查看 wiki

print(model.score(data_X, data_y)) # R^2 coefficient of determination

"""
0.740607742865
"""

7 正规化 Normalization

7.1 数据标准化

将范围相差较大的数据压缩到相近的范围中

from sklearn import preprocessing #标准化数据模块
import numpy as np

#建立Array
a = np.array([[10, 2.7, 3.6],
              [-100, 5, -2],
              [120, 20, 40]], dtype=np.float64)

#将normalized后的a打印出
print(preprocessing.scale(a))
# [[ 0.         -0.85170713 -0.55138018]
#  [-1.22474487 -0.55187146 -0.852133  ]
#  [ 1.22474487  1.40357859  1.40351318]]

7.2 数据标准化对机器学习成效的影响

加载模块

# 标准化数据模块
from sklearn import preprocessing 
import numpy as np

# 将资料分割成train与test的模块
from sklearn.model_selection import train_test_split

# 生成适合做classification资料的模块
from sklearn.datasets.samples_generator import make_classification 

# Support Vector Machine中的Support Vector Classifier
from sklearn.svm import SVC 

# 可视化数据的模块
import matplotlib.pyplot as plt

生成适合做Classification数据

#生成具有2种属性的300笔数据
X, y = make_classification(
    n_samples=300, n_features=2,
    n_redundant=0, n_informative=2, 
    random_state=22, n_clusters_per_class=1, 
    scale=100)

#可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

在这里插入图片描述
数据标准化前

标准化前的预测准确率只有0.477777777778

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = SVC()
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))
# 0.477777777778

数据标准化后

数据的单位发生了变化, X 数据也被压缩到差不多大小范围
在这里插入图片描述
标准化后的预测准确率提升至0.9

X = preprocessing.scale(X)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = SVC()
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))
# 0.9

8 检验神经网络 (Evaluation)

在神经网络的训练当中，神经网络可能会因为各种各样的问题， 出现学习的效率不高， 或者是因为干扰太多, 学到最后并没有很好的学到规律 。而这其中的原因可能是多方面的，可能是数据问题，学习效率 等参数问题

8.1 Training and Test data

为了检验并评价神经网络， 避免和改善这些问题，通常会把收集到的数据分为 训练数据 和 测试数据，一般用于训练的数据可以是所有数据的70%，剩下的30%可以拿来测试学习结果

8.2 误差曲线

对于神经网络的评价基本上是基于30%的测试数据
评价机器学习可以从误差值开始， 随着训练时间的变长，优秀的神经网络能预测到更为精准的答案，预测误差也会越少，到最后能够提升的空间变小，曲线也趋于水平
在这里插入图片描述

8.3 准确度曲线

最好的精度是趋向于100%精确
在神经网络的分类问题中, 100个样本中，有90个样本分类正确，预测精确度就是90%
在回归的问题中，可以引用 R2 分数在测量回归问题的精度，R2给出的最大精度也是100%
所以分类和回归有统一的精度标准
在这里插入图片描述

8.4 正规化

对于测试样本太过依赖，会产生过拟合现象，如下图，红色的是训练误差， 黑色的是测试误差，训练时的误差比测试的误差小
在机器学习中，解决过拟合也有很多方法 ，比如 l1，l2 正规化，dropout 方法
在这里插入图片描述

9 交叉验证

9.1 Model 基础验证法

from sklearn.datasets import load_iris # iris数据集
from sklearn.model_selection import train_test_split # 分割数据模块
from sklearn.neighbors import KNeighborsClassifier # K最近邻(kNN，k-NearestNeighbor)分类算法

#加载iris数据集
iris = load_iris()
X = iris.data
y = iris.target

#分割数据并
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=4)

#建立模型
knn = KNeighborsClassifier()

#训练模型
knn.fit(X_train, y_train)

#将准确率打印出
print(knn.score(X_test, y_test))
# 0.973684210526

9.2 Model 交叉验证法(Cross Validation)

from sklearn.cross_validation import cross_val_score # K折交叉验证模块

#使用K折交叉验证模块
scores = cross_val_score(knn, X, y, cv=5, scoring='accuracy')

#将5次的预测准确率打印出
print(scores)
# [ 0.96666667  1.          0.93333333  0.96666667  1.        ]

#将5次的预测准确平均率打印出
print(scores.mean())
# 0.973333333333

9.3 以准确率(accuracy)判断

k个邻居

import matplotlib.pyplot as plt #可视化模块

#建立测试参数集
k_range = range(1, 31)

k_scores = []

#藉由迭代的方式来计算不同参数对模型的影响，并返回交叉验证后的平均准确率
for k in k_range:
    knn = KNeighborsClassifier(n_neighbors=k)
    scores = cross_val_score(knn, X, y, cv=10, scoring='accuracy')
    k_scores.append(scores.mean())

#可视化数据
plt.plot(k_range, k_scores)
plt.xlabel('Value of K for KNN')
plt.ylabel('Cross-Validated Accuracy')
plt.show()

在这里插入图片描述
从图中可以得知，选择12~18的k值最好。高过18之后，准确率开始下降则是因为过拟合(Over fitting)的问题

9.4 以均方误差(Mean squared error)

一般来说均方误差(Mean squared error)会用于判断回归(Regression)模型的好坏

import matplotlib.pyplot as plt
k_range = range(1, 31)
k_scores = []
for k in k_range:
    knn = KNeighborsClassifier(n_neighbors=k)
    loss = -cross_val_score(knn, X, y, cv=10, scoring='mean_squared_error') # 注意加负号
    k_scores.append(loss.mean())

plt.plot(k_range, k_scores)
plt.xlabel('Value of K for KNN')
plt.ylabel('Cross-Validated MSE')
plt.show()

在这里插入图片描述
由图可以得知，平均方差越低越好，因此选择13~18左右的K值会最好

9.5 Learning curve 检视过拟合

learning_curve()官方API

这个函数主要是用来判断（可视化）模型是否过拟合的

加载对应模块:

from sklearn.learning_curve import learning_curve #学习曲线模块
from sklearn.datasets import load_digits #digits数据集
from sklearn.svm import SVC #Support Vector Classifier
import matplotlib.pyplot as plt #可视化模块
import numpy as np

补充说明：

learning_curve()函数: earning_curve(estimator, X, y, cv=None, train_sizes=None, scoring=None)

  • estimator：要评估的模型（例如：SVC()）
  • X：特征数据
  • y：目标数据
  • cv：交叉验证的折数
  • train_sizes：训练集大小的数组（例如：[0.1, 0.25, 0.5, 0.75, 1]），表示按百分比划分的训练集大小
  • scoring：评估指标（例如：‘mean_squared_error’）
  • 返回值：训练集大小、训练集上的损失和交叉验证集上的损失
    train_sizes是一个表示不同训练集大小的数组，由learning_curve()生成，其中每个元素都是相对于总样本数的百分比，例如0.1表示使用10%的样本进行训练
    train_scores是一个数组，表示在不同训练集大小下的训练集得分，即模型在训练集上的表现情况
    test_scores是一个数组，表示在不同训练集大小下的交叉验证集得分，即模型在验证集上的表现情况。

SVC类的主要参数包括以下几个：

  • C：惩罚参数，用于控制分类决策边界的平衡，C越小表示决策边界越平滑
  • kernel：核函数，用于将数据从输入空间映射到另一个特征空间。常用的核函数包括’linear’（线性核函数）、‘poly’（多项式核函数）、‘rbf’（径向基函数）等
  • degree：多项式核函数的阶数，仅当kernel为’poly’时有效
  • gamma：核函数的系数，影响模型的复杂度和拟合效果，值越大模型越复杂
  • coef0：核函数中的独立系数，仅当kernel为’poly’或’rbf’时有效

train_sizes参数可以是以下几种形式之一：

  • 浮点数：表示相对于整个训练集大小的比例。例如，0.1表示使用10%的训练集大小
  • 整数：表示具体的训练集大小。例如，100表示使用100个样本作为训练集
  • 数组：包含了多个浮点数或整数，表示多个具体的训练集大小。例如，[0.1, 0.25, 0.5, 0.75, 1]表示使用10%、25%、50%、75%和100%的训练集大小
# 加载digits数据集，其包含的是手写体的数字，从0到9。数据集总共有1797个样本，每个样本由64个特征组成， 分别为其手写体对应的8×8像素表示，每个特征取值0~16

digits = load_digits()
X = digits.data
y = digits.target

# 观察样本由小到大的学习曲线变化, 采用K折交叉验证 cv=10, 选择平均方差检视模型效能 scoring='mean_squared_error', 样本由小到大分成5轮检视学习曲线(10%, 25%, 50%, 75%, 100%):

train_sizes, train_loss, test_loss = learning_curve(
    SVC(gamma=0.001), X, y, cv=10, scoring='mean_squared_error',
    train_sizes=[0.1, 0.25, 0.5, 0.75, 1])  # 参数顺序先后不影响


# 平均每一轮所得到的平均方差(共5轮，分别为样本10%、25%、50%、75%、100%)
train_loss_mean = -np.mean(train_loss, axis=1)  # 单纯用numpy方法求平均值
test_loss_mean = -np.mean(test_loss, axis=1)


# 可视化图形：
plt.plot(train_sizes, train_loss_mean, 'o-', color="r",
         label="Training")
plt.plot(train_sizes, test_loss_mean, 'o-', color="g",
        label="Cross-validation")

plt.xlabel("Training examples")
plt.ylabel("Loss")
plt.legend(loc="best")
plt.show()

在这里插入图片描述

9.6 validation_curve 检视过拟合

validation_curve()官方API

validation_curve()：这个函数主要是用来查看在参数不同的取值下模型的性能

validation_curve(estimator, X, y, param_name, param_range, cv=None, scoring=None, n_jobs=None)

  • estimator：要使用的机器学习模型对象
  • X：特征数据
  • y：目标变量数据
  • param_name：超参数的名称
  • param_range：超参数的取值范围
  • cv：交叉验证的折数
  • scoring：可选参数，评估指标
  • n_jobs：可选参数，指定并行计算的作业数量
from sklearn.learning_curve import validation_curve #validation_curve模块
from sklearn.datasets import load_digits 
from sklearn.svm import SVC 
import matplotlib.pyplot as plt 
import numpy as np

# digits数据集
digits = load_digits()
X = digits.data
y = digits.target

# 建立参数测试集
param_range = np.logspace(-6, -2.3, 5)

# 使用validation_curve快速找出参数对模型的影响
train_loss, test_loss = validation_curve(
    SVC(), X, y, param_name='gamma', param_range=param_range, cv=10, scoring='mean_squared_error')

# 平均每一轮的平均方差
train_loss_mean = -np.mean(train_loss, axis=1)
test_loss_mean = -np.mean(test_loss, axis=1)

# 可视化图形
plt.plot(param_range, train_loss_mean, 'o-', color="r",
         label="Training")
plt.plot(param_range, test_loss_mean, 'o-', color="g",
        label="Cross-validation")

plt.xlabel("gamma")
plt.ylabel("Loss")
plt.legend(loc="best")
plt.show()

在这里插入图片描述

10 保存模型

10.1 使用 pickle 保存

简单建立与训练一个SVCModel

from sklearn import svm
from sklearn import datasets

clf = svm.SVC()
iris = datasets.load_iris()
X, y = iris.data, iris.target
clf.fit(X,y)

用pickle来保存与读取训练好的Model

pickle学习链接

import pickle #pickle模块

#保存Model(注:save文件夹要预先建立，否则会报错)
with open('save/clf.pickle', 'wb') as f:
    pickle.dump(clf, f)

#读取Model
with open('save/clf.pickle', 'rb') as f:
    clf2 = pickle.load(f)
    #测试读取后的Model
    print(clf2.predict(X[0:1]))

# [0]

10.2 使用 joblib 保存

joblib是sklearn的外部模块

from sklearn.externals import joblib #jbolib模块

#保存Model(注:save文件夹要预先建立，否则会报错)
joblib.dump(clf, 'save/clf.pkl')

#读取Model
clf3 = joblib.load('save/clf.pkl')

#测试读取后的Model
print(clf3.predict(X[0:1]))

# [0]

joblib在使用上比较容易，读取速度也相对pickle快

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/353833.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

IDEA搭建JDK源码学习环境（可添加注释、修改、debug）

IDEA搭建JDK源码学习环境（可添加注释、修改、debug）

工程详见：https://github.com/wenpanwenpan/study-source-jdk1.8.0_281 1、找到src.zip和javafx-src.zip 找到你想要调试的JDK，笔者本地电脑上装了两个版本的JDK，这里以jdk1.8.0_281为例将JDK目录下的javafx-src.zip和src.zip两个压缩包进行…
阅读更多...
【GitHub项目推荐--不错的 TypeScript 学习项目】【转载】

【GitHub项目推荐--不错的 TypeScript 学习项目】【转载】

在线白板工具 Excalidraw 标星 33k，是一款非常轻量的在线白板工具，可以直接在浏览器打开，轻松绘制具有手绘风格的图形。 如下图所示，Excalidraw 支持最常用的图形元素：方框、圆、菱形、线，可以方便的使用…
阅读更多...
【Web】小白也能做的RWCTF体验赛baby题部分wp

【Web】小白也能做的RWCTF体验赛baby题部分wp

遇到不会的题，怎么办！有的师傅告诉你完了，废了，寄了！只有Z3告诉你，稳辣！稳辣！都稳辣！ 这种CVE复现的题型，不可能要求选手从0到1进行0day挖掘，其实…
阅读更多...
12.15字符编码(血干JAVA系列)

12.15字符编码(血干JAVA系列)

字符编码 12.15.1 Java常见编码简介12.15.2得到本机的编码显示【例12.68】使用上述方法得到JVM的默认编码 12.15.3乱码产生【例12.69】使用1SO8859-1编码 12.15.1 Java常见编码简介 12.15.2得到本机的编码显示 在 前 面 讲 解 常 用 类 库 的 时 候 曾 经 介 绍 过 &#xff0…
阅读更多...
HarmonyOS 沉浸式状态栏实现

HarmonyOS 沉浸式状态栏实现

比如说 我们代码是这样的 Entry Component struct Index {build() {Column() {Column() {Column() {Text(定标标题).fontSize(20).fontColor(Color.White)}.height(50).justifyContent(FlexAlign.Center)}.width(100%).backgroundColor(#FF0000)}.height(100%)} }你预览器上看…
阅读更多...
k8s 版本发布与回滚

k8s 版本发布与回滚

一、实验环境准备： kubectl get pods -o wide kubectl get nodes -o wide kubectl get svc 准备两个nginx镜像，版本号一个是V3，一个是V4 二、准备一个nginx.yaml文件 apiVersion: apps/v1 kind: Deployment metadata:name: nginx-deploylab…
阅读更多...
AutoGen实战应用(二)：多代理协作(Multi-Agent Collaboration)

AutoGen实战应用(二)：多代理协作(Multi-Agent Collaboration)

AutoGen是微软推出的一个全新工具，它用来帮助开发者创建基于大语言模型(LLM)的复杂应用程序. AutoGen能让LLM在复杂工作流程启用多个角色代理来共同协作完成人类提出的任务。在我之前的一篇博客: AutoGen实战应用(一)：代码生成、执行和调试 中我们通过一…
阅读更多...
CTF CRYPTO 密码学-6

CTF CRYPTO 密码学-6

题目名称：敲击 题目描述： 方方格格，不断敲击 “wdvtdz qsxdr werdzxc esxcfr uygbn” 解题过程： step1：根据题目描述敲击，wdvtdz对应的字符为x step2：依此类推r，z，o&…
阅读更多...
使用 create-react-app 创建 react 应用

使用 create-react-app 创建 react 应用

一、创建项目并启动 第一步：全局安装：npm install -g create-react-app 第二步：切换到想创建项目的目录，使用命令create-react-app hello-react 第三步：进入项目目录，cd hello-react 第四步：启…
阅读更多...
Pyecharts 风采：从基础到高级，打造炫酷象形柱状图的完整指南【第40篇—python：象形柱状图】

Pyecharts 风采：从基础到高级，打造炫酷象形柱状图的完整指南【第40篇—python：象形柱状图】

文章目录 引言安装PyechartsPyecharts象形柱状图参数详解1. Bar 类的基本参数2. 自定义图表样式3. 添加标签和提示框 代码实战：绘制多种炫酷象形柱状图进阶技巧：动态数据更新与交互性1. 动态数据更新2. 交互性设计 拓展应用：结合其他图表类型…
阅读更多...
Android 基础技术——列表卡顿问题如何分析解决

Android 基础技术——列表卡顿问题如何分析解决

笔者希望做一个系列，整理 Android 基础技术，本章是关于列表卡顿问题如何分析解决 onBindViewHolder 优化 是否有耗时操作、重复创建对象、设置监听器、findViewByID、局部的动画对象等操作 是否存在内存泄漏 发生内存泄露，会导致一些不再使用…
阅读更多...
工业4.0开放平台通信 统一架构OPC UA的一种测试方法

工业4.0开放平台通信 统一架构OPC UA的一种测试方法

工业4.0和工业物联网（Industrial Internet of Things, IIoT）的核心挑战在于设备、机器以及来自不同行业服务之间的安全和标准化的数据和信息交换。 2016年11月工业4.0平台发布了指导纲要《工业4.0产品需要实现哪些准则》，即对于所有位于工业…
阅读更多...
概念抽取：构建认知基础的关键步骤

概念抽取：构建认知基础的关键步骤

目录 前言1 概念抽取任务定义1.1 概念知识图谱的关系定义1.2 实体与概念的紧密关联1.3 多样的概念关系 2 概念在认知中的重要角色2.1 语言理解的基础2.2 上下位关系的深化理解 3 概念抽取方法3.1 基于模板的抽取3.2 基于百科的抽取3.3 基于机器学习的方法 4 应用4.1 自然语言理…
阅读更多...
一行命令在 wsl-ubuntu 中使用 Docker 启动 Windows

一行命令在 wsl-ubuntu 中使用 Docker 启动 Windows

在 wsl-ubuntu 中使用 Docker 启动 Windows 0. 背景1. 验证我的系统是否支持 KVM？2. 使用 Docker 启动 Windows3. 访问 Docker 启动的 Windows4. Docker Hub 地址5. Github 地址 0. 背景 我们可以在 Windows 系统使用安装 wsl-ubuntu，今天玩玩在 wsl-ub…
阅读更多...
【Web前端实操16】雪碧图（CSS精灵图）

【Web前端实操16】雪碧图（CSS精灵图）

雪碧图 CSS Sprite也叫CSS精灵图、CSS雪碧图，是一种网页图片应用处理方式。它允许你将一个页面涉及到的所有零星图片都包含到一张大图中去 雪碧图一般会给一个完整的图片，主要利用background-position 属性设置背景图像的起始位置。 优点 减少图片的字…
阅读更多...
API网关-Apinto压缩包方式自动化安装配置教程

API网关-Apinto压缩包方式自动化安装配置教程

文章目录 前言一、Apinto安装教程1. 复制脚本2. 增加执行权限3. 执行脚本4. Apinto命令4.1 启动Apinto4.2 停止Apinto4.3 重启Apinto4.4 查看Apinto版本信息4.5 加入Apinto集群4.6 离开Apinto集群4.7 查看Apinto节点信息 5. 卸载Apinto 二、Apserver(Apinto Dashboard V3)安装教…
阅读更多...
【css揭秘】

【css揭秘】

文章目录 背景与边框半透明边框多重边框box-shadowoutline 背景定位background-positionbackground-origincalc() 条纹背景水平条纹 形状圆形圆柱自适应的椭圆半椭圆四分之一椭圆 背景与边框 半透明边框 目标：给一个容器设置一层白色背景和一道半透明白色边框 写…
阅读更多...
树莓派基础应用：智能家居监控系统

树莓派基础应用：智能家居监控系统

引言： 随着智能家居的普及，家居安全与监控逐渐成为人们关注的焦点。树莓派作为一种功能强大的迷你计算机，为我们提供了实现智能家居监控系统的可能。在本篇博客中，我们将通过构建一个简单的智能家居监控系统，来探索树莓…
阅读更多...
node学习过程中的终端命令

node学习过程中的终端命令

冷的哥们手真tm冷，打字都是僵的，屮 目录 一、在学习nodejs过程中用到的终端命令总结 一、在学习nodejs过程中用到的终端命令 node -v nvm install 20.11.0 nvm list nvm list available nvm on nvm -v nvm use 20.11.0 node加要运行的js文件路径 ps&a…
阅读更多...
docker compose实现mysql一主多从

docker compose实现mysql一主多从

参考了很多博客，死磕了几天，最终跑起来了，不容易，晚上喝瓶82年可乐庆祝下。 1、整体文件结构，这里忽略log、conf、data映射目录 2、docker-compose.yml文件内容如下： version: 3.3 services:mysql-master…
阅读更多...
最新文章

Copyright @ 2022~2023