AI图像相似性搜索对比：VIT, CLIP, DINO-v2, BLIP-2

图像相似性搜索的核心在于一个简单的想法：图像可以表示为高维空间中的向量。当两个图像相似时，它们的向量应该在这个空间中占据相似的位置。我们可以通过测量角度（或余弦相似度）来确定这些向量的相似程度。如果角度小，图像就接近（相似）。如果角度大（不同），图像就会相距很远。这就像在公寓大楼里寻找邻居一样，但方式要抽象得多。使用不同的 AI 模型，例如 ViT、CLIP、BLIP、EfficientNet、DINO-v2 和 VGG16比较图像并查看它们的相似之处。
在这里插入图片描述

模型介绍

关于图像相似度计算的几种深度学习方法，以下是对几个模型的介绍，包括它们的优缺点：

1. ViT（Vision Transformer）

ViT是Google在2020年提出的模型，将Transformer架构应用于图像分类任务。ViT通过将图像分割成多个小块（patches），然后将这些小块线性映射到低维空间，并添加位置编码后输入到Transformer Encoder中进行处理。
优点：

  • 全局感受野：ViT能够捕获图像的全局特征，这在CNN中较难实现。
  • 可扩展性：模型的效果随着模型大小的增加而提升，表现出很好的可扩展性。
  • 较少的训练资源：在大规模数据集上预训练后，ViT在多个中小型图像识别基准上的表现优于SOTA的CNN，同时需要的训练资源更少。

缺点：

  • 缺乏归纳偏置：ViT不具有CNN的归纳偏置，如平移不变性和局部感受野，这可能需要额外的技术来补偿。
  • 对数据量要求高：ViT在小数据集上的表现可能不如CNN，需要大量数据进行预训练才能发挥其优势。

2. CLIP（Contrastive Language-Image Pre-Training）

CLIP是OpenAI在2021年发布的多模态预训练神经网络，通过对比学习的方式，将图像和文本映射到共享的向量空间中，实现图像和文本之间的语义关联。

优点：

  • 零样本学习：CLIP在零样本学习任务中表现出色，不需要看到新的图像或文本的训练示例就能进行预测。
  • 简洁有效的架构：模型架构简洁，效果好，适用于多种视觉和语言任务。

缺点：

  • 对标注数据的依赖：尽管CLIP在预训练阶段不需要大量标注数据，但在某些任务中，如图像分类，可能需要额外的标注数据来微调模型。

3. BLIP（Bootstrapped Language-Image Pretraining）

BLIP是Salesforce提出的多模态Transformer模型，旨在统一视觉理解任务和生成任务。BLIP通过引入Captioner和Filter模块来提高数据质量和数量，从而提升模型性能。
优点：

  • 理解和生成能力：BLIP兼具图文多模态的理解和生成能力，适用于多种视觉语言任务。
  • 数据质量提升：通过Captioner和Filter模块，BLIP能够去除网络资源中的文本噪声，提高模型性能。

缺点：

  • 训练成本：BLIP的训练需要较大的网络架构和数据集，导致较大的训练代价。

4. EfficientNet

EfficientNet是Google提出的模型，通过复合缩放方法（同时考虑网络深度、宽度和图像分辨率）来提高模型的效率和准确性。

优点：

  • 高效率：EfficientNet在保持高准确率的同时，模型更小、更快，提高了网络的实用性和工业落地可能。
  • 系统性模型缩放：EfficientNet提出了一种系统性的方法来缩放模型，而不是随意增加网络的深度或宽度。

缺点：

  • 对资源的需求：尽管EfficientNet在效率上有显著提升，但在某些情况下，可能仍然需要较多的计算资源。

5. DINO-v2

DINO-v2是Meta AI发布的自监督学习模型，能够抽取强大的图像特征，且在下游任务上不需要微调。

优点：

  • 无需微调：DINO-v2可以直接用作多种计算机视觉任务的骨干网络，无需微调。
  • 自监督学习：DINO-v2使用自监督学习，可以从任何图像集合中学习，不依赖于大量的标记数据。

缺点：

  • 对数据集的依赖：虽然DINO-v2可以从任何图像集合中学习，但其性能可能依赖于数据集的质量和多样性。

步骤1：数据准备

从维基百科抓取了国旗图像，将世界各地国家的国旗变成了一个数据集。

图像相似性搜索的核心在于一个简单的想法：图像可以表示为高维空间中的向量。当两个图像相似时，它们的向量应该在这个空间中占据相似的位置。我们可以通过测量角度（或余弦相似度）来确定这些向量的相似程度。如果角度小，图像就接近（相似）。如果角度大（不同），图像就会相距很远。这就像在公寓大楼里寻找邻居一样，但方式要抽象得多。


import pandas as pd
flags_df = pd.read_csv('national_flags.csv')  
print(flags_df)

在这里插入图片描述

步骤2：特征提取

提取特征，将每个模型获取标志的图像并将其转换为特征向量，并将其特征转换为数字列表。在本实验中，将使用 Huggingface 的特征转换器库来进行特征提取。

  • EfficientNet： 通过平均最后一个隐藏层输出的空间维度来提取标志特征，重点关注细粒度模式。
image_processor = AutoImageProcessor.from_pretrained("google/efficientnet-b7")
model = EfficientNetModel.from_pretrained("google/efficientnet-b7")

# prepare input image
inputs = image_processor(img, return_tensors='pt')

with torch.no_grad():
    outputs = model(**inputs, output_hidden_states=True)

embedding = outputs.hidden_states[-1]
embedding = torch.mean(embedding, dim=[2,3])
  • ViT： 使用其转换器架构中第一个标记的最后隐藏状态，捕获局部和全局视觉特征。
image_processor = AutoImageProcessor.from_pretrained("google/vit-large-patch16-224-in21k")
model = ViTModel.from_pretrained("google/vit-large-patch16-224-in21k")

# prepare input image
inputs = image_processor(img, return_tensors='pt')

with torch.no_grad():
    outputs = model(**inputs)
embedding = outputs.last_hidden_state
embedding = embedding[:, 0, :].squeeze(1)
  • DINO-v2： 通过专注于自我监督学习来生成嵌入，利用第一个标记来捕获以对象为中心的细节。

image_processor = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
model = AutoModel.from_pretrained('facebook/dinov2-base')

# prepare input image
inputs = image_processor(img, return_tensors='pt')

with torch.no_grad():
    outputs = model(**inputs)
embedding = outputs.last_hidden_state
embedding = embedding[:, 0, :].squeeze(1)
  • CLIP： 结合图像和文本嵌入，使用图像特征来理解视觉概念以及来自配对文本的上下文数据。
image_processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")

# prepare input image
inputs = image_processor(images=img, return_tensors='pt', padding=True)

with torch.no_grad():
    embedding = model.get_image_features(**inputs)
  • BLIP-2： 采用视觉语言模型，通过其以查询为中心的转换器 (Q-Former) 提取特征来捕获图像语义和关系。
image_processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b", torch_dtype=torch.float16)

inputs = image_processor(images=img, return_tensors='pt', padding=True)
print('input shape: ', inputs['pixel_values'].shape)

with torch.no_grad():
    outputs = model.get_qformer_features(**inputs)
embedding = outputs.last_hidden_state
embedding = embedding[:, 0, :].squeeze(1)
  • VGG16： 一种 CNN 模型，通过应用一堆卷积层来输出标记嵌入，强调分层图像表示。
model = models.vgg16(pretrained=True) 
model.eval()  # Set the model to evaluation mode

batch_t = torch.unsqueeze(img, 0)

with torch.no_grad():
    embedding = model(batch_t)

接着将每个模型提取的图像特征，转换为DataFrame数据，这将作为相似性分析的基础。

步骤 3：使用FAISS余弦相似度

通过上面的方法将图像通过各个模型进行特征提取，并将特征转换成dataframe的形式。利用余弦相似度来计算图像相似程度。余弦相似度比较两个向量的方向，使其能够有效地根据模式而不是大小来识别关系。这种方法在分析数据相似度上特别有用，其中重点是相对形状和像素元素，而不是特征向量的绝对大小。

  • 归一化：每个特征向量都归一化为单位长度，因此余弦相似度可以计算为向量的点积。这确保相似性反映了向量之间的角度。

  • 用于相似性搜索的 FAISS：利用 FAISS（一个针对高效相似性搜索而优化的库），根据其标准化特征向量，根据测试的数据查找前 K 个最相似的国家/地区。在大型旗帜图像数据集上进行快速且可扩展的比较。

def clean_feature_string(feature_str):
    cleaned_str = re.sub(r'[\[\]]', '', feature_str)  # Remove brackets
    cleaned_values = np.fromstring(cleaned_str, sep=' ')  # Parse values into numpy array
    return cleaned_values

# Function to get top K similar countries using FAISS
def get_top_k_similar_countries(input_country, df, k=5):
    countries = df['Country'].values
    features = np.array([clean_feature_string(f) for f in df['features'].values])
    
    # Find the index of the input country
    try:
        input_idx = list(countries).index(input_country)
    except ValueError:
        return f"Country '{input_country}' not found in the dataset."
    
    input_embedding = features[input_idx].reshape(1, -1)

    # Normalize the feature vectors for cosine similarity
    features_normalized = features / np.linalg.norm(features, axis=1, keepdims=True)

    # Create a FAISS index for similarity search
    dim = features.shape[1]
    index = faiss.IndexFlatIP(dim)  
    
    # Add all features to the FAISS index
    index.add(features_normalized)
    
    # Search for the top K most similar countries
    distances, top_k_idx = index.search(input_embedding, k+1)  # k+1 to exclude the country itself
    
    # Return top K countries with their similarity scores
    return [(countries[i], distances[0][j]) for j, i in enumerate(top_k_idx[0]) if i != input_idx]

## Display top 5 similar flags 
top_5_countries = get_top_k_similar_countries(country, k=5)

for idx, (country, score) in enumerate(top_5_countries):
    # Load the flag image for each country from the local folder
    img = load_local_image(country)
    display(img)

步骤4: 模型测试

测试 1：乍得和罗马尼亚 所有模型都返回“罗马尼亚”作为最佳匹配。
在这里插入图片描述
测试 2：澳大利亚和新西兰 所有模型都正确识别了新西兰。
在这里插入图片描述

完整版代码如下：


# script to generate embeddings and perform similarity searches

import pandas as pd
import torch
from transformers import AutoImageProcessor, EfficientNetModel, ViTModel, AutoModel, CLIPProcessor, CLIPModel, Blip2Processor, Blip2Model
from torchvision import models, transforms
import numpy as np
import os
import re
import faiss
flags_df = pd.read_csv('national_flags.csv')  # Uncomment if you're loading from a CSV
IMAGE_DIR = "images"
def load_local_image(country_name):
    # Sanitize the country name to match the local image file naming convention
    sanitized_country_name = country_name.replace(" ", "_").replace("[", "").replace("]", "")
    
    # Path to the local image file
    image_path = os.path.join(IMAGE_DIR, f"{sanitized_country_name}.png")

    # Check if the image exists in the folder
    if os.path.exists(image_path):
        img = Image.open(image_path)
        
        # Convert image to RGB if not already in that mode
        if img.mode != 'RGB':
            img = img.convert('RGB')
        
        return img
    else:
        print(f"Image for {country_name} not found.")
        return None
#ViT

def extract_features_vit(country):
    image_processor = AutoImageProcessor.from_pretrained("google/vit-large-patch16-224-in21k")
    model = ViTModel.from_pretrained("google/vit-large-patch16-224-in21k")
    
    # prepare input image
    img = load_local_image(country)
    inputs = image_processor(img, return_tensors='pt')
    
    with torch.no_grad():
        outputs = model(**inputs)
    embedding = outputs.last_hidden_state
    embedding = embedding[:, 0, :].squeeze(1)
    return embedding.numpy()
#EfficientNet

def extract_features_efficientNet(country):
    # load pre-trained image processor for efficientnet-b7 and model weight
    image_processor = AutoImageProcessor.from_pretrained("google/efficientnet-b7")
    model = EfficientNetModel.from_pretrained("google/efficientnet-b7")
 
    # prepare input image
    img = load_local_image(country)
    inputs = image_processor(img, return_tensors='pt')
    
    with torch.no_grad():
        outputs = model(**inputs, output_hidden_states=True)
    
    embedding = outputs.hidden_states[-1]
    embedding = torch.mean(embedding, dim=[2,3])
    return embedding.numpy()
    
#DINO-v2

def extract_features_DINO_v2(country):
    # load pre-trained image processor for efficientnet-b7 and model weight
    image_processor = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
    model = AutoModel.from_pretrained('facebook/dinov2-base')
    
    # prepare input image
    img = load_local_image(country)
    inputs = image_processor(img, return_tensors='pt')
    
    with torch.no_grad():
        outputs = model(**inputs)
    embedding = outputs.last_hidden_state
    embedding = embedding[:, 0, :].squeeze(1)
    return embedding.numpy()
    
#CLIP

def extract_features_clip(country):
    # load pre-trained image processor for efficientnet-b7 and model weight
    image_processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
    model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")

    # prepare input image
    img = load_local_image(country)
    inputs = image_processor(images=img, return_tensors='pt', padding=True)
    
    with torch.no_grad():
        embedding = model.get_image_features(**inputs) 
    return embedding.numpy()
    
#Blip 2

def extract_features_blip(country):
    image_processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
    model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b", torch_dtype=torch.float16)
    img = load_local_image(country)
    inputs = image_processor(images=img, return_tensors='pt', padding=True)
    print('input shape: ', inputs['pixel_values'].shape)
    
    with torch.no_grad():
        outputs = model.get_qformer_features(**inputs)
    embedding = outputs.last_hidden_state
    embedding = embedding[:, 0, :].squeeze(1)
    return embedding.numpy()
    
#vgg16

def extract_features_vgg16(country):
    model = models.vgg16(pretrained=True) 
    model.eval()  # Set the model to evaluation mode

    # Define the transformation to preprocess the image
    preprocess = transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
    ])
    img = load_local_image(country)
    img_t = preprocess(img)
    batch_t = torch.unsqueeze(img_t, 0)

    with torch.no_grad():
        embedding = model(batch_t)
    return embedding.numpy()
    
# Extract features for all flags
flags_df['features'] = flags_df['Country'].apply(extract_features_vit)
#export embeddings to CSV
flags_df.to_csv('national_flag_embeddings_blip.csv', index=False)
#Cosine similarity with FAISS

df = pd.read_csv('embeddings/national_flag_embeddings_vit.csv')
country = "Australia"

def clean_feature_string(feature_str):
    cleaned_str = re.sub(r'[\[\]]', '', feature_str)  # Remove brackets
    cleaned_values = np.fromstring(cleaned_str, sep=' ')  # Parse values into numpy array
    return cleaned_values

# Function to get top K similar countries using FAISS
def get_top_k_similar_countries(input_country, df, k=5):
    countries = df['Country'].values
    features = np.array([clean_feature_string(f) for f in df['features'].values])
    
    # Find the index of the input country
    try:
        input_idx = list(countries).index(input_country)
    except ValueError:
        return f"Country '{input_country}' not found in the dataset."
    
    input_embedding = features[input_idx].reshape(1, -1)

    # Normalize the feature vectors for cosine similarity
    features_normalized = features / np.linalg.norm(features, axis=1, keepdims=True)

    # Create a FAISS index for similarity search
    dim = features.shape[1]
    index = faiss.IndexFlatIP(dim)  
    
    # Add all features to the FAISS index
    index.add(features_normalized)
    
    # Search for the top K most similar countries
    distances, top_k_idx = index.search(input_embedding, k+1)  # k+1 to exclude the country itself
    
    # Return top K countries with their similarity scores
    return [(countries[i], distances[0][j]) for j, i in enumerate(top_k_idx[0]) if i != input_idx]

# Display top 5 similar flags 
top_5_countries = get_top_k_similar_countries(country, k=5)

for idx, (country, score) in enumerate(top_5_countries):
    # Load the flag image for each country from the local folder
    img = load_local_image(country)
    display(img)

获取数据代码：

 script to scrape flag images from Wikipedia and download images
import pandas as pd
import requests
from bs4 import BeautifulSoup
import os
import pandas as pd
import requests
from PIL import Image
from io import BytesIO
# URL of the Wikipedia page
url = "https://en.wikipedia.org/wiki/List_of_national_flags_of_sovereign_states"

# Send a GET request to the URL
response = requests.get(url)

# Parse the content of the page with BeautifulSoup
soup = BeautifulSoup(response.content, 'html.parser')

# Find the table with the flags
table = soup.find('table', class_='wikitable')

# Initialize lists to store the names and images
names = []
images = []

# Iterate through the rows of the table
for row in table.find_all('tr')[1:]:  # Skip the header row
    flag_cell = row.find('td')
    name_cell = row.find('th')  # Extract the name cell

    # Check if both cells are found
    if flag_cell and name_cell:
        # Extract the country name
        name = name_cell.get_text(strip=True)

        # Extract the flag image URL (from the <img> tag)
        img_tag = flag_cell.find('img')
        if img_tag and img_tag.has_attr('src'):
            # Construct the full image URL
            img_url = "https:" + img_tag['src']
        else:
            img_url = None

        # Append the results to the lists
        names.append(name)
        images.append(img_url)

# Create a DataFrame with the results
flags_df = pd.DataFrame({
    'Country': names,
    'Flag Image': images
})

# Display the DataFrame

# Optionally, save the DataFrame to a CSV file
flags_df.to_csv('national_flags.csv', index=False)

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/907701.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

零基础Java第十二期：类和对象（三）

零基础Java第十二期：类和对象（三）

目录 一、static成员&#xff08;补&#xff09; 1.1. static修饰成员方法 1.2. static成员变量初始化 二、代码块 2.1. 静态代码块和实例代码块 ​三、对象的打印 一、static成员&#xff08;补&#xff09; 1.1. static修饰成员方法 public class Linear {public st…
阅读更多...
三层交换技术，eNSP实验讲解

三层交换技术，eNSP实验讲解

三层交换技术&#xff0c;eNSP实验讲解 一、简要介绍1、概念2、工作原理3、优点4、应用场景5、与路由器的区别 二、eNSP仿真实验1、步骤一&#xff1a;创建连接&#xff0c;明确参数。2、步骤二&#xff1a;设置PC1和PC2参数3、步骤三&#xff1a;配置交换机&#xff0c;通过命…
阅读更多...
【Linux】掌握库的艺术：我的动静态库封装之旅

【Linux】掌握库的艺术：我的动静态库封装之旅

&#x1f308;个人主页&#xff1a;Yui_ &#x1f308;Linux专栏&#xff1a;Linux &#x1f308;C语言笔记专栏&#xff1a;C语言笔记 &#x1f308;数据结构专栏&#xff1a;数据结构 &#x1f308;C专栏&#xff1a;C 文章目录 1.什么是库1.2 认识动静态库1.2.1 动态库1.2.2…
阅读更多...
访问控制技术原理与应用

访问控制技术原理与应用

目录 访问控制概述实现访问控制目标访问控制参考模型常见访问控制模型访问控制模型-DAC自主访问控制访问控制模型-MAC强制访问控制访问控制模型-RBAC基于角色的访问控制访问控制模型-ABAC基于属性的访问控制 访问控制概述 访问控制是对资源对象的访问授权控制的方法以及运行机…
阅读更多...
nginx配置转发到elk的kibana的服务器

nginx配置转发到elk的kibana的服务器

服务器准备 在135服务器上安装nginx服务 编辑kibana服务器的配置文件 将端口改为监听自己 杀掉之前kibana进程 重新启动kibana服务 因为设置了监听自身&#xff0c;所以前台访问kibana页面报错 此时我们修改nginx配置文件&#xff0c;用grep命令反选不含#和空行的行 将其覆盖原…
阅读更多...
【Android】View的事件分发机制

【Android】View的事件分发机制

文章目录 分发顺序ActivityViewGroupView 协作方法整体流程注意 Activity事件分发ViewGroup事件分发View点击事件总结 分发顺序 Activity->ViewGroup->View Activity 分发事件&#xff1a;Activity 通过 dispatchTouchEvent 方法分发事件&#xff0c;首先尝试将事件传递…
阅读更多...
湘潭市学生公交卡线上申领流程及一寸照片自拍方法

湘潭市学生公交卡线上申领流程及一寸照片自拍方法

在湘潭市&#xff0c;学生公交卡的线上申领流程已经非常便捷&#xff0c;同时&#xff0c;为了满足学生公交卡申领时所需的一寸照片要求&#xff0c;本文将详细介绍整个申领流程以及如何使用手机自拍并制作线上申领学生公交卡所需的一寸照片电子版。 一、湘潭市学生公交卡线上申…
阅读更多...
翻译工具体验分享：deepl翻译等10款神器对比

翻译工具体验分享：deepl翻译等10款神器对比

作为一位在外贸行业摸爬滚打多年的客服&#xff0c;我深知在与国际客户沟通时&#xff0c;准确、高效的翻译工具是多么的重要。今天&#xff0c;我就来和大家分享一下我使用过的几款翻译工具&#xff0c;一共是十款&#xff0c;大家可以先看看。 一、福昕在线翻译 传送门&…
阅读更多...
Linux入门(2)

Linux入门(2)

林纳斯托瓦兹 Linux之父 1. echo echo是向指定文件打印内容 ehco要打印的内容&#xff0c;不加任何操作就默认打印到显示器文件上。 知识点 在Linux下&#xff0c;一切皆文件。 打印到显示器&#xff0c;显示器也是文件。 2.重定向 >重定向操作&#xff0c;>指向的…
阅读更多...
六 在WEB中应用MyBatis（使用MVC架构模式）

六 在WEB中应用MyBatis（使用MVC架构模式）

六、在WEB中应用MyBatis&#xff08;使用MVC架构模式&#xff09; 实现功能&#xff1a; 银行账户转账 使用技术&#xff1a; HTML Servlet MyBatis WEB应用的名称&#xff1a; bank 6.1 需求描述 6.2 数据库表的设计和准备数据 6.3 实现步骤 第一步&#xff1a;环境…
阅读更多...
React + Vite + TypeScript + React router项目搭建教程

React + Vite + TypeScript + React router项目搭建教程

一、创建项目 运行项目 二、目录结构 项目目录&#xff1a; ├─node_modules //第三方依赖 ├─public //静态资源&#xff08;不参与打包&#xff09; └─src├─assets //静态资源├─components //组件├─config //配置├─http //请求方法封装├─layout //页面…
阅读更多...
Java-I/O框架09：InputStreamReader、OutputStreamWriter使用

Java-I/O框架09：InputStreamReader、OutputStreamWriter使用

视频链接&#xff1a;16.24 转换流的使用_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Tz4y1X7H7?spm_id_from333.788.videopod.episodes&vd_sourceb5775c3a4ea16a5306db9c7c1c1486b5&p24 1.InputStreamReader使用 package com.yundait.Demo05;import java…
阅读更多...
一键AI换衣-可图AI试衣

一键AI换衣-可图AI试衣

我们的真的实现了穿衣自由了吗&#xff1f;上传一张人物图片和衣服的图片&#xff0c;就能实现一键换衣。 这就是可图AI试衣项目 魔塔地址&#xff1a;https://www.modelscope.cn/studio ... lors-Virtual-Try-On 参考&#xff1a; 一键AI换衣-可图AI试衣 https://www.jinsh…
阅读更多...
Linux的IP网路命令： 用于显示和操作网络接口（网络设备）的命令ip link详解

Linux的IP网路命令： 用于显示和操作网络接口（网络设备）的命令ip link详解

目录 一、概述 二、用法 1、基本语法 2、常用选项 3、常用参数 4、获取帮助 三、示例 1. 显示所有网络接口的信息 &#xff08;1&#xff09;命令 &#xff08;2&#xff09;输出示例 &#xff08;3&#xff09;实际操作 2. 启动网络接口 3. 停止网络接口 4. 更改…
阅读更多...
程序员记笔记有没有必要？如何高效记笔记？

程序员记笔记有没有必要？如何高效记笔记？

本文转载自&#xff1a;https://fangcaicoding.cn/article/57 大家好&#xff01;我是方才&#xff0c;目前是8人后端研发团队的负责人&#xff0c;拥有6年后端经验&3年团队管理经验&#xff0c;截止目前面试过近200位候选人&#xff0c;主导过单表上10亿、累计上100亿数据…
阅读更多...
lust变频器维修电梯变频器CDD34.014.W2.1LSPC1

lust变频器维修电梯变频器CDD34.014.W2.1LSPC1

LUST伺服在安装时须注意&#xff0c;不可有任何的铁屑、螺丝、导线等掉人驱动器内。在安装完成后应作基本的检测动作&#xff0c;如对地阻抗&#xff0c;和短路检测等。 所有的安装及使用事项需要符合安全规定&#xff0c;并且也需要符合当地的相关规定和灾害预防措施。DC BUS…
阅读更多...
NFTScan Site：以蓝标认证与高级项目管理功能赋能 NFT 项目

NFTScan Site：以蓝标认证与高级项目管理功能赋能 NFT 项目

自 NFTScan Site 上线以来&#xff0c;它迅速成为 NFT 市场中的一支重要力量&#xff0c;凭借对各类 NFT 集合、市场以及 NFTfi 项目的认证获得了广泛认可。这个平台帮助许多项目提升了曝光度和可见性&#xff0c;为它们在竞争激烈的 NFT 市场中创造了更大的成功机会。 在最新更…
阅读更多...
深度学习在复杂系统中的应用

深度学习在复杂系统中的应用

引言 复杂系统由多个相互作用的组成部分构成&#xff0c;这些部分之间的关系往往是非线性的&#xff0c;整体行为难以通过简单的线性组合来预测。这类系统广泛存在于生态学、气象学、经济学和社会科学等多个领域&#xff0c;具有动态演变、自组织、涌现现象以及多尺度与异质性…
阅读更多...
Vue computed watch

Vue computed watch

computed watch watch current prev
阅读更多...
批量提取当前文件夹内的文件名

批量提取当前文件夹内的文件名

在需要提取的文件夹内新建一个txt文件&#xff0c;输入&#xff1a; dir ./b>name.txt 然后将该txt文件的扩展名改为.bat 如图 双击即可提取当前文件夹文件名&#xff0c;并保存到name.txt内
阅读更多...
最新文章

Copyright @ 2022~2023