NLP 使用Word2vec实现文本分类

🍨 本文为[🔗365天深度学习训练营学习记录博客
 
🍦 参考文章：365天深度学习训练营
 
🍖 原作者：[K同学啊 | 接辅导、项目定制]\n🚀 文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)

一、加载数据 

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warnings
 
warnings.filterwarnings("ignore")             #忽略警告信息
 
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

import pandas as pd
 
# 加载自定义中文数据
train_data = pd.read_csv('D:/train.csv', sep='\t', header=None)
print(train_data)

 二、构造数据迭代器

# 构造数据集迭代器
def coustom_data_iter(texts, labels):
    for x, y in zip(texts, labels):
        yield x, y
        
x = train_data[0].values[:]
#多类标签的one-hot展开
y = train_data[1].values[:]
print(x,"\n",y)

yield x, y：使用 yield 关键字，将每次迭代得到的 (x, y) 元组作为迭代器的输出。yield 的作用类似于 return，但不同之处在于它会暂停函数的执行，并将结果发送给调用方，但函数的状态会被保留，以便下次调用时从上次离开的地方继续执行。 

 三、构建词典

from gensim.models.word2vec import Word2Vec
import numpy as np
 
# 训练 Word2Vec 浅层神经网络模型
w2v = Word2Vec(vector_size=100, #是指特征向量的维度，默认为100。
               min_count=3)     #可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5。
 
w2v.build_vocab(x)
w2v.train(x,                         
          total_examples=w2v.corpus_count, 
          epochs=20)

Word2Vec可以直接训练模型，一步到位。这里分了三步

  • Word2Vec(vector_size=100, min_count=3): 创建了一个Word2Vec对象，设置了词向量的维度为100，同时设置了词频最小值为3，即只有在训练语料中出现次数不少于3次的词才会被考虑。

  • w2v.build_vocab(x): 使用 build_vocab 方法根据输入的文本数据 x 构建词典。build_vocab 方法会统计输入文本中每个词汇出现的次数，并按照词频从高到低的顺序将词汇加入词典中。

  • w2v.train(x, total_examples=w2v.corpus_count, epochs=20): 训练Word2Vec模型，其中：

  1. x是训练数据。
  2. total_examples=w2v.corpus_count:total_examples 参数指定了训练时使用的文本数量，这里使用的是 w2v.corpus_count 属性，表示输入文本的数量
  3. epochs=20指定了训练的轮数，每轮对整个数据集进行一次训练。
# 将文本转化为向量
def average_vec(text):
    vec = np.zeros(100).reshape((1, 100))
    for word in text:
        try:
            vec += w2v.wv[word].reshape((1, 100))
        except KeyError:
            continue
    return vec
 
# 将词向量保存为 Ndarray
x_vec = np.concatenate([average_vec(z) for z in x])
 
# 保存 Word2Vec 模型及词向量
w2v.save('w2v_model.pkl')

这段代码逐步完成了将文本转化为词向量的过程，并保存了Word2Vec模型及词向量。

  1. average_vec(text): 这个函数接受一个文本列表作为输入，并返回一个平均词向量。它首先创建了一个形状为 (1, 100) 的全零NumPy数组 vec，用于存储文本的词向量的累加和。然后，它遍历文本中的每个词，尝试从已经训练好的Word2Vec模型中获取词向量，如果词在模型中存在，则将其词向量加到 vec 中。如果词不在模型中（KeyError异常），则跳过该词。最后，返回词向量的平均值。

  2. x_vec = np.concatenate([average_vec(z) for z in x]): 这一行代码使用列表推导式，对数据集中的每个文本 z 调用 average_vec 函数，得到文本的词向量表示。然后，使用 np.concatenate 函数将这些词向量连接成一个大的NumPy数组 x_vec。这个数组的形状是 (样本数, 100)，其中样本数是数据集中文本的数量。

  3. w2v.save('w2v_model.pkl'): 这一行代码保存了训练好的Word2Vec模型及词向量。w2v.save() 方法将整个Word2Vec模型保存到文件中。

train_iter = coustom_data_iter(x_vec, y)
print(len(x),len(x_vec))

  1. train_iter = coustom_data_iter(x_vec, y): 这行代码创建了一个名为 train_iter 的迭代器，用于迭代训练数据。它调用了一个名为 coustom_data_iter 的函数，该函数接受两个参数 x_vec 和 y，分别表示训练样本的特征和标签。在这个上下文中，x_vec 是一个NumPy数组，包含了训练样本的特征向量表示，y 是一个数组，包含了训练样本的标签。该迭代器将用于训练模型。

  2. print(len(x),len(x_vec)): 这行代码打印了训练数据的长度，即 x 的长度和 x_vec 的长度。在这里，len(x) 表示训练样本的数量，len(x_vec) 表示每个样本的特征向量的长度（通常表示特征的维度）。这行代码的目的是用于验证数据的准备是否正确，以及特征向量的维度是否与预期一致。

 

label_name = list(set(train_data[1].values[:]))
print(label_name)

 四、生成数据批次和迭代器

text_pipeline  = lambda x: average_vec(x)
label_pipeline = lambda x: label_name.index(x)
print(text_pipeline("你在干嘛"))
print(label_pipeline("Travel-Query"))

  1. text_pipeline = lambda x: average_vec(x): 这一行定义了一个名为 text_pipeline 的匿名函数（lambda函数），它接受一个参数 x（文本数据）。在函数体内部，它调用了前面定义的 average_vec 函数，将文本数据 x 转换为词向量的平均值。

  2. label_pipeline = lambda x: label_name.index(x): 这一行定义了另一个匿名函数 label_pipeline，它接受一个参数 x，该参数表示标签数据。在函数体内部，它调用了 index 方法来查找标签在 label_name 列表中的索引，并返回该索引值。

  3. print(text_pipeline("你在干嘛")): 这行代码调用了 text_pipeline 函数，将字符串 "你在干嘛" 作为参数传递给函数。函数会将这个文本转换为词向量的平均值，并打印出来。

  4. print(label_pipeline("Travel-Query")): 这行代码调用了 label_pipeline 函数，将字符串 "Travel-Query" 作为参数传递给函数。函数会在 label_name 列表中查找 "Travel-Query" 的索引，并打印出来。

 

from torch.utils.data import DataLoader
 
def collate_batch(batch):
    label_list, text_list= [], []
    
    for (_text, _label) in batch:
        # 标签列表
        label_list.append(label_pipeline(_label))
        
        # 文本列表
        processed_text = torch.tensor(text_pipeline(_text), dtype=torch.float32)
        text_list.append(processed_text)
 
    label_list = torch.tensor(label_list, dtype=torch.int64)
    text_list  = torch.cat(text_list)
    
    return text_list.to(device),label_list.to(device)
 
# 数据加载器，调用示例
dataloader = DataLoader(train_iter,
                        batch_size=8,
                        shuffle   =False,
                        collate_fn=collate_batch)

  1. text_pipeline = lambda x: average_vec(x): 这行代码创建了一个名为 text_pipeline 的匿名函数，该函数接受一个参数 x，表示文本数据。在这里，text_pipeline 函数被定义为 average_vec(x)，即调用之前定义的 average_vec 函数，用来将文本转换为向量表示。

  2. label_pipeline = lambda x: label_name.index(x): 这行代码创建了一个名为 label_pipeline 的匿名函数，该函数接受一个参数 x，表示标签数据。在这里，label_pipeline 函数被定义为 label_name.index(x)，即查找 x 在 label_name 列表中的索引，返回其索引值作为标签的表示。

  3. collate_batch(batch): 这是一个自定义的函数，用于处理一个批次（batch）的数据。它接受一个批次的数据作为输入，并对数据进行处理，最后返回处理后的文本和标签列表。

  4. 在 collate_batch 函数中：

    • 首先，创建了两个空列表 label_list 和 text_list，用于存储标签和文本数据。
    • 然后，对批次中的每个样本进行遍历，提取样本的文本和标签。
    • 对于标签部分，调用了 label_pipeline 函数将标签转换为模型可接受的格式，并添加到 label_list 中。
    • 对于文本部分，调用了 text_pipeline 函数将文本转换为向量表示，并转换为 PyTorch 张量格式，并添加到 text_list 中。
    • 最后，将 label_list 转换为 PyTorch 整数张量格式，将 text_list 进行拼接并转换为 PyTorch 浮点数张量格式，并返回这两个张量。

  5. dataloader = DataLoader(train_iter, batch_size=8, shuffle=False, collate_fn=collate_batch): 这行代码创建了一个 PyTorch 的数据加载器 DataLoader，用于加载训练数据。其中参数说明如下：

    • train_iter 是之前定义的用于迭代训练数据的迭代器。
    • batch_size=8 指定了每个批次的样本数量为 8。
    • shuffle=False 表示不对数据进行洗牌，即不打乱样本的顺序。
    • collate_fn=collate_batch 指定了数据加载器在每个批次加载数据时调用的数据处理函数为 collate_batch 函数，用于处理每个批次的数据。

 

五、构建模型

from torch import nn
 
class TextClassificationModel(nn.Module):
 
    def __init__(self, num_class):
        super(TextClassificationModel, self).__init__()
        self.fc = nn.Linear(100, num_class)
 
    def forward(self, text):
        return self.fc(text)

num_class  = len(label_name)
vocab_size = 100000
em_size    = 12
model      = TextClassificationModel(num_class).to(device)

import time
 
def train(dataloader):
    model.train()  # 切换为训练模式
    total_acc, train_loss, total_count = 0, 0, 0
    log_interval = 50
    start_time   = time.time()
 
    for idx, (text,label) in enumerate(dataloader):
        predicted_label = model(text)
        
        optimizer.zero_grad()                    # grad属性归零
        loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值
        loss.backward()                          # 反向传播
        torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪
        optimizer.step()  # 每一步自动更新
        
        # 记录acc与loss
        total_acc   += (predicted_label.argmax(1) == label).sum().item()
        train_loss  += loss.item()
        total_count += label.size(0)
        
        if idx % log_interval == 0 and idx > 0:
            elapsed = time.time() - start_time
            print('| epoch {:1d} | {:4d}/{:4d} batches '
                  '| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx,len(dataloader),
                                              total_acc/total_count, train_loss/total_count))
            total_acc, train_loss, total_count = 0, 0, 0
            start_time = time.time()
 
def evaluate(dataloader):
    model.eval()  # 切换为测试模式
    total_acc, train_loss, total_count = 0, 0, 0
 
    with torch.no_grad():
        for idx, (text,label) in enumerate(dataloader):
            predicted_label = model(text)
            
            loss = criterion(predicted_label, label)  # 计算loss值
            # 记录测试数据
            total_acc   += (predicted_label.argmax(1) == label).sum().item()
            train_loss  += loss.item()
            total_count += label.size(0)
            
    return total_acc/total_count, train_loss/total_count

六、训练模型

from torch.utils.data.dataset  import random_split
from torchtext.data.functional import to_map_style_dataset
# 超参数
EPOCHS     = 10 # epoch
LR         = 5  # 学习率
BATCH_SIZE = 64 # batch size for training
 
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None
 
# 构建数据集
train_iter    = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)
 
split_train_, split_valid_ = random_split(train_dataset,
                                          [int(len(train_dataset)*0.8),int(len(train_dataset)*0.2)])
 
train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
 
valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,
                              shuffle=True, collate_fn=collate_batch)
 
for epoch in range(1, EPOCHS + 1):
    epoch_start_time = time.time()
    train(train_dataloader)
    val_acc, val_loss = evaluate(valid_dataloader)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    
    if total_accu is not None and total_accu > val_acc:
        scheduler.step()
    else:
        total_accu = val_acc
    print('-' * 69)
    print('| epoch {:1d} | time: {:4.2f}s | '
          'valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,
                                           time.time() - epoch_start_time,
                                           val_acc,val_loss,lr))
 
    print('-' * 69)

test_acc, test_loss = evaluate(valid_dataloader)
print('模型准确率为：{:5.4f}'.format(test_acc))
| epoch 1 |   50/ 152 batches | train_acc 0.732 train_loss 0.02655
| epoch 1 |  100/ 152 batches | train_acc 0.822 train_loss 0.01889
| epoch 1 |  150/ 152 batches | train_acc 0.838 train_loss 0.01798
---------------------------------------------------------------------
| epoch 1 | time: 0.93s | valid_acc 0.812 valid_loss 0.019 | lr 5.000000
---------------------------------------------------------------------
| epoch 2 |   50/ 152 batches | train_acc 0.840 train_loss 0.01745
| epoch 2 |  100/ 152 batches | train_acc 0.843 train_loss 0.01807
| epoch 2 |  150/ 152 batches | train_acc 0.843 train_loss 0.01846
---------------------------------------------------------------------
| epoch 2 | time: 1.01s | valid_acc 0.854 valid_loss 0.020 | lr 5.000000
---------------------------------------------------------------------
| epoch 3 |   50/ 152 batches | train_acc 0.850 train_loss 0.01770
| epoch 3 |  100/ 152 batches | train_acc 0.850 train_loss 0.01675
| epoch 3 |  150/ 152 batches | train_acc 0.859 train_loss 0.01565
---------------------------------------------------------------------
| epoch 3 | time: 0.98s | valid_acc 0.836 valid_loss 0.023 | lr 5.000000
---------------------------------------------------------------------
| epoch 4 |   50/ 152 batches | train_acc 0.898 train_loss 0.00972
| epoch 4 |  100/ 152 batches | train_acc 0.892 train_loss 0.00936
| epoch 4 |  150/ 152 batches | train_acc 0.900 train_loss 0.00948
---------------------------------------------------------------------
| epoch 4 | time: 0.91s | valid_acc 0.879 valid_loss 0.011 | lr 0.500000
---------------------------------------------------------------------
| epoch 5 |   50/ 152 batches | train_acc 0.911 train_loss 0.00679
| epoch 5 |  100/ 152 batches | train_acc 0.899 train_loss 0.00786
| epoch 5 |  150/ 152 batches | train_acc 0.903 train_loss 0.00752
---------------------------------------------------------------------
| epoch 5 | time: 0.91s | valid_acc 0.879 valid_loss 0.010 | lr 0.500000
---------------------------------------------------------------------
| epoch 6 |   50/ 152 batches | train_acc 0.905 train_loss 0.00692
| epoch 6 |  100/ 152 batches | train_acc 0.915 train_loss 0.00595
| epoch 6 |  150/ 152 batches | train_acc 0.910 train_loss 0.00615
---------------------------------------------------------------------
| epoch 6 | time: 0.90s | valid_acc 0.880 valid_loss 0.010 | lr 0.050000
---------------------------------------------------------------------
| epoch 7 |   50/ 152 batches | train_acc 0.907 train_loss 0.00615
| epoch 7 |  100/ 152 batches | train_acc 0.911 train_loss 0.00602
| epoch 7 |  150/ 152 batches | train_acc 0.908 train_loss 0.00632
---------------------------------------------------------------------
| epoch 7 | time: 0.92s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 8 |   50/ 152 batches | train_acc 0.903 train_loss 0.00656
| epoch 8 |  100/ 152 batches | train_acc 0.915 train_loss 0.00582
| epoch 8 |  150/ 152 batches | train_acc 0.912 train_loss 0.00578
---------------------------------------------------------------------
| epoch 8 | time: 0.93s | valid_acc 0.881 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 9 |   50/ 152 batches | train_acc 0.903 train_loss 0.00653
| epoch 9 |  100/ 152 batches | train_acc 0.913 train_loss 0.00595
| epoch 9 |  150/ 152 batches | train_acc 0.914 train_loss 0.00549
---------------------------------------------------------------------
| epoch 9 | time: 0.93s | valid_acc 0.877 valid_loss 0.009 | lr 0.050000
---------------------------------------------------------------------
| epoch 10 |   50/ 152 batches | train_acc 0.911 train_loss 0.00565
| epoch 10 |  100/ 152 batches | train_acc 0.908 train_loss 0.00584
| epoch 10 |  150/ 152 batches | train_acc 0.909 train_loss 0.00604
---------------------------------------------------------------------
| epoch 10 | time: 0.91s | valid_acc 0.878 valid_loss 0.009 | lr 0.005000
---------------------------------------------------------------------
模型准确率为：0.8781

七、测试指定数据 

def predict(text, text_pipeline):
    with torch.no_grad():
        text = torch.tensor(text_pipeline(text), dtype=torch.float32)
        print(text.shape)
        output = model(text)
        return output.argmax(1).item()
 
# ex_text_str = "随便播放一首专辑阁楼里的佛里的歌"
ex_text_str = "还有双鸭山到淮阴的汽车票吗13号的"
 
model = model.to("cpu")
 
print("该文本的类别是：%s" %label_name[predict(ex_text_str, text_pipeline)])

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/403375.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

产品渲染3D效果图一张多少钱，哪个平台更有性价比？

产品渲染3D效果图一张多少钱，哪个平台更有性价比？

产品渲染3D效果图的价格受到多方面因素的影响，包括但不限于产品类型、渲染难度以及输出尺寸等。如果效果图需要后期处理，还有可能增加其他费用。接下来，我们来了解一下产品渲染效果图的费用情况。 1.产品渲染3D效果图一张多少钱？ …
阅读更多...
数据结构2月19日

数据结构2月19日

题目&#xff1a;顺序表作业 代码&#xff1a; 功能区&#xff1a; #include <stdio.h>#include <stdlib.h>#include "./d2191.h"SeqList* create_seqList(){SeqList* list (SeqList*)malloc(sizeof(SeqList));if(NULL list){return NULL;}list->p…
阅读更多...
PULpy安装与使用

PULpy安装与使用

今天试一下安装PULpy GitHub - WatsonLab/PULpy: Open prediction of Polysaccharide Utilisation Loci (PUL) 下载下面这个文件 https://github.com/WatsonLab/PULpy/blob/master/envs/PULpy.yaml mkdir PULpy cd PULpy #将刚刚下的文件放到PULpy文件夹中 conda env crea…
阅读更多...
微服务篇之限流

微服务篇之限流

一、为什么要限流 1. 并发的确大&#xff08;突发流量&#xff09;。 2. 防止用户恶意刷接口。 二、限流的实现方式 1. Tomcat限流 可以设置最大连接数&#xff0c;但是每一个微服务都有一个tomcat&#xff0c;实现起来非常麻烦。 2. Nginx限流 &#xff08;1&#xff09;控…
阅读更多...
Java的编程之旅24——private私有方法

Java的编程之旅24——private私有方法

1.private的介绍 在面向对象编程中&#xff0c;private是一种访问修饰符&#xff0c;用于限制成员的访问范围。私有成员只能在所属的类内部访问&#xff0c;对外部的类或对象是不可见的。 private的使用可以带来以下几个好处&#xff1a; 封装实现细节&#xff1a;私有成员可…
阅读更多...
程序媛的mac修炼手册--小白入门Java篇

程序媛的mac修炼手册--小白入门Java篇

最近因为要用CiteSpace做文献综述&#xff0c;间接接触Java了。所以&#xff0c;继Python、C之后&#xff0c;又要涉猎Java了。刺激&#xff01;&#xff01; 由于CiteSpace与Java要求版本高度匹配&#xff0c;有个匹配详情明天为大家讲解。总之&#xff0c;我的Java之旅开始于…
阅读更多...
2024年 前端JavaScript入门到精通 第四天 笔记

2024年 前端JavaScript入门到精通 第四天 笔记

4.1 函数的基本使用以及封装练习 4.2 函数的参数以及默认参数 函数的灵魂&#xff01;&#xff01;&#xff01; 4.3 函数封装数组求和案例 4.4 函数返回值return 4.5 函数返回值细节以及上午总结 4.6 函数返回值案例-求最大值和最 4.7 函数复习以及断点进入函数 4.8 作用域 4…
阅读更多...
5个精美的wordpress中文企业主题模板

5个精美的wordpress中文企业主题模板

元宇宙WordPress主题模板 简洁大气的元宇宙 Metaverse WordPress主题模板&#xff0c;适合元宇宙行业的企业官网使用。 https://www.jianzhanpress.com/?p3292 职业技术培训WordPress主题模板 简洁大气的职业技术培训WordPress主题&#xff0c;适合用于搭建教育培训公司官方…
阅读更多...
政安晨：【示例演绎机器学习】（三）—— 神经网络的多分类问题示例 (新闻分类)

政安晨：【示例演绎机器学习】（三）—— 神经网络的多分类问题示例 (新闻分类)

政安晨的个人主页&#xff1a;政安晨 欢迎 &#x1f44d;点赞✍评论⭐收藏 收录专栏: 政安晨的机器学习笔记 希望政安晨的博客能够对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出指正&#xff0c;让小伙伴们一起学习、交流进步&#xff0c;不论是学业还是工…
阅读更多...
简单几步通过DD工具把云服务器系统Linux改为windows

简单几步通过DD工具把云服务器系统Linux改为windows

简单几部通过DD安装其他系统&#xff0c;当服务器的web控制台没有我们要装的系统&#xff0c;就需要通过DD&#xff08;Linux磁盘&#xff09;工具来更改系统&#xff0c;&#xff08;已知支持KVM系统&#xff09; 本文如何简单的更换系统&#xff0c;不通过web控制台来更换&a…
阅读更多...
蓝桥 算法训练 粘木棍（C++）

蓝桥 算法训练 粘木棍（C++）

问题描述 有N根木棍&#xff0c;需要将其粘贴成M个长木棍&#xff0c;使得最长的和最短的的差距最小。 输入格式 第一行两个整数N,M。 　　一行N个整数&#xff0c;表示木棍的长度。 输出格式 一行一个整数&#xff0c;表示最小的差距 样例输入 3 2 10 20 40 样例输出 10…
阅读更多...
Excel面试题及答案（1）

Excel面试题及答案（1）

1.辅助列添加，快速填充方式填充隔行的编号；定位条件定位到空值后，右击---插入整行 2.利用通配符计算A3：A9含有车间的单元格个数（保留计算公式）。 3.利用身份证号提取 “性别”、“年月日”、“年龄” 性别：利用mid（）方法，添加了一列辅助列，根据提取身份证后面第2位…
阅读更多...
十八、图像像素类型转换和归一化操作

十八、图像像素类型转换和归一化操作

项目功能实现&#xff1a;对一张图像进行类型转换和归一化操作 按照之前的博文结构来&#xff0c;这里就不在赘述了 一、头文件 norm.h #pragma once#include<opencv2/opencv.hpp>using namespace cv;class NORM { public:void norm(Mat& image); };#pragma once二…
阅读更多...
大语言模型的开山之作—探秘GPT系列：GPT-1-GPT2-GPT-3的进化之路

大语言模型的开山之作—探秘GPT系列：GPT-1-GPT2-GPT-3的进化之路

模型模型参数创新点评价GPT1预训练微调&#xff0c; 创新点在于Task-specific input transformations。GPT215亿参数预训练PromptPredict&#xff0c; 创新点在于Zero-shotZero-shot新颖度拉满&#xff0c;但模型性能拉胯GPT31750亿参数预训练PromptPredict&#xff0c; 创新点…
阅读更多...
洛谷P3371【模板】单源最短路径（弱化版）（RE版本和AC版本都有，这篇解析很长但受益匪浅）

洛谷P3371【模板】单源最短路径（弱化版）（RE版本和AC版本都有，这篇解析很长但受益匪浅）

解释一下什么叫邻接矩阵&#xff1a; 假设有以下无向图&#xff1a; 1/ \2---3/ \ / \4---5---6对应的邻接矩阵为&#xff1a; 1 2 3 4 5 6 1 0 1 1 0 0 0 2 1 0 1 1 1 0 3 1 1 0 0 1 1 4 0 1 0 0 1 0 5 0 1 1 1 0 1 6 0 0 1 0 1 0 …
阅读更多...
SpringCloud全家桶---常用微服务组件(1)

SpringCloud全家桶---常用微服务组件(1)

注册中心: *作用: 服务管理 Eureka(不推荐)[读音: 优瑞卡] Nacos(推荐) Zookeeper [读音: 如k波] Consul [读音:康寿] **注册中心的核心功能原理(nacos)** 服务注册: 当服务启动时,会通过rest接口请求的方式向Nacos注册自己的服务 服务心跳: NacosClient 会维护一个定时心跳持…
阅读更多...
【Python笔记-设计模式】原型模式

【Python笔记-设计模式】原型模式

一、说明 原型模式是一种创建型设计模式&#xff0c; 用于创建重复的对象&#xff0c;同时又能保证性能。 使一个原型实例指定了要创建的对象的种类&#xff0c;并且通过拷贝这个原型来创建新的对象。 (一) 解决问题 主要解决了对象的创建与复制过程中的性能问题。主要针对…
阅读更多...
【stm32】hal库-双通道ADC采集

【stm32】hal库-双通道ADC采集

【stm32】hal库-双通道ADC采集 CubeMX图形化配置 程序编写 /* USER CODE BEGIN PV */ #define BATCH_DATA_LEN 1 uint32_t dmaDataBuffer[BATCH_DATA_LEN]; /* USER CODE END PV *//* USER CODE BEGIN 2 */lcd_init();lcd_show_str(10, 10, 24, "Demo14_4:ADC1 ADC2 S…
阅读更多...
SpringCloud(15)之SpringCloud Gateway

SpringCloud(15)之SpringCloud Gateway

一、Spring Cloud Gateway介绍 Spring Cloud Gateway 是Spring Cloud团队的一个全新项目&#xff0c;基于Spring 5.0、SpringBoot2.0、 Project Reactor 等技术开发的网关。旨在为微服务架构提供一种简单有效统一的API路由管理方式。 Spring Cloud Gateway 作为SpringCloud生态…
阅读更多...
文件上传----＞生僻字解析漏洞

文件上传----＞生僻字解析漏洞

现在的现实生活中&#xff0c;存在文件上传的点&#xff0c;基本上都是白名单判断&#xff08;很少黑名单了&#xff09; 对于白名单&#xff0c;我们有截断&#xff0c;图片马&#xff0c;二次渲染&#xff0c;服务器解析漏洞这些&#xff0c;于是今天我就来补充一种在upload…
阅读更多...
最新文章

Copyright @ 2022~2023