优化|优化处理可再生希尔伯特核空间的非参数回归中的协变量偏移

在这里插入图片描述

原文:Optimally tackling covariate shift in RKHS-based nonparametric regression. The Annals of Statistics, 51(2), pp.738-761, 2023.​
原文作者:Cong Ma, Reese Pathak, Martin J. Wainwright​
论文解读者:赵进

编者按:

在再生核希尔伯特空间(RKHS)框架下,本文深入研究了非参数回归的协变量转移问题。特别地,其集中讨论了两类主要的协变量转移问题,它们均由源与目标分布间的似然比所定义。当这些似然比受到均匀上界约束时,文章证明,对于一个具有规范化核特征值的广泛RKHS类,精确调整的正则化参数下的核岭回归(KRR)估计函数是极小极大最优的(仅有对数因子的差异)。值得注意的是,除其上确界外,KRR并不依赖于似然比的完整信息。接下来,针对似然比无上界限制但其第二矩有限的更复杂情况,文章提出了一种基于似然比率的有限截断策略的加权KRR估计方法。并且进一步证实,此估计方法在最小最大意义上达到了最优性,仅存在对数级的差异。

1. 问题背景

1.1 协变量转移下的非参数回归

非参数回归的主旨在于依赖于协变量向量 X ∈ X X\in\mathcal{X} XX来预测实数值反应 Y Y Y. 对于每一特定的 x x x, 均方误差最优的估计器由回归函数 f ∗ ( x ) : = E [ Y ∣ X = x ] f^{*}(x):=\mathbb{E}[Y | X = x] f(x):=E[YX=x]所描述. 在常规的研究背景中, 我们假设能观察到 n n n个独立同分布的样本对 { ( x i , y i ) } i = 1 n \{(x_{i}, y_{i})\}_{i=1}^{n} {(xi,yi)}i=1n, 其中每个 x i x_{i} xi是按照分布 P P P X \mathcal{X} X上抽样得到的,随后 y i y_i yi 是根据条件概率 ( Y ∣ X = x i ) (Y | X=x_i) (YX=xi) 抽样得到的. 我们始终设定, 对于每一个 i i i, 其残差 ω i : = y i − f ∗ ( x i ) \omega_{i} := y_i - f^*(x_i) ωi:=yif(xi)是具有方差 σ 2 \sigma^2 σ2的次高斯型随机变量.
我们将协变量空间上的分布 P P P称为源分布. 在标准设定中, 估计函数 f ^ \hat{f} f^的性能是根据其 L 2 ( P ) L^2(P) L2(P)误差来衡量的:

∥ f ^ − f ⋆ ∥ P 2 : = E X ∼ P ( f ^ ( X ) − f ⋆ ( X ) ) 2 = ∫ X ( f ^ ( x ) − f ⋆ ( x ) ) 2 p ( x ) d x , \|\hat{f}-f^{\star}\|_P^2 := \mathbb{E}_{X \sim P}(\hat{f}(X)-f^{\star}(X))^2=\int_{\mathcal{X}}(\hat{f}(x)-f^{\star}(x))^2 p(x) d x, f^fP2:=EXP(f^(X)f(X))2=X(f^(x)f(x))2p(x)dx,

其中 p p p P P P的密度函数, L 2 ( P ) L^2(P) L2(P)是以 P P P为概率测度的 L 2 L_{2} L2空间.
在协变量转移下, 我们希望构建一个估计函数 f ^ \hat{f} f^, 其 L 2 ( Q ) L^2(Q) L2(Q)误差很小. 在此, 目标分布 Q Q Q与源分布 P P P不同. 从分析角度来看, 设 q q q Q Q Q的密度, 我们的目标是找到估计函数 f ^ \hat{f} f^, 使
∥ f ^ − f ⋆ ∥ Q 2 : = E X ∼ Q ( f ^ ( X ) − f ⋆ ( X ) ) 2 = ∫ X ( f ^ ( x ) − f ⋆ ( x ) ) 2 q ( x ) d x \|\hat{f}-f^{\star}\|_Q^2 := \mathbb{E}_{X \sim Q}(\hat{f}(X) - f^{\star}(X))^2 = \int_{\mathcal{X}}(\hat{f}(x) - f^{\star}(x))^2 q(x) d x f^fQ2:=EXQ(f^(X)f(X))2=X(f^(x)f(x))2q(x)dx
尽可能小. 显然,此问题的难度取决于源分布和目标分布之间的某种差异性.

1.2 源-目标似然比上的条件

我们通过似然比来衡量 L 2 ( P ) L^2(P) L2(P) L 2 ( Q ) L^2(Q) L2(Q)之间的差异:
ρ ( x ) : = q ( x ) p ( x ) , \rho(x):=\frac{q(x)}{p(x)}, ρ(x):=p(x)q(x),

我们假设对于任意 x ∈ X x\in\mathcal{X} xX, ρ ( x ) \rho(x) ρ(x)存在. 通过对似然比施加不同的条件, 我们可以定义不同的源-目标对 ( P , Q ) (P, Q) (P,Q), 我们主要关注两种类型:

均匀 B B B-有界 对于 B ≥ 1 B\geq1 B1, 我们称似然比是 B B B-有界的, 如果
sup ⁡ x ∈ X ρ ( x ) ≤ B , \sup _{x \in \mathcal{X}} \rho(x) \leq B, xXsupρ(x)B,

可以看到, B = 1 B=1 B=1表示没有协变量转移的情况, 即 P = Q P=Q P=Q.

χ 2 \chi^2 χ2-有界 实际中, 均匀有界条件往往过于严格, 我们有必要考虑更宽松的条件. 一个放宽的方法是在二阶矩上进行限制. 我们称似然比是 V 2 V^2 V2-时刻有界的, 如果
E X ∼ P [ ρ 2 ( X ) ] ≤ V 2 . \mathbb{E}_{X \sim P}\left[\rho^2(X)\right] \leq V^2 . EXP[ρ2(X)]V2.

1.3 无权估计与似然加权估计的对比

本文关注基于在再生核定义的希尔伯特空间 H \mathcal{H} H上优化的非参数回归方法。希尔伯特范数 ∥ f ∥ H \|f\|_{\mathcal{H}} fH被用作对解决方案施加“平滑性”的手段,无论是通过向目标函数增加一个惩罚项还是通过明确的约束.

似然比未知的情况下, 一个直接的方法是简单地计算无权的正则化估计值
f ^ λ : = arg ⁡ min ⁡ f ∈ H { 1 n ∑ i = 1 n ( f ( x i ) − y i ) 2 + λ ∥ f ∥ H 2 } , \widehat{f}_\lambda := \arg \min _{f \in \mathcal{H}}\left\{\frac{1}{n} \sum_{i=1}^n\left(f\left(x_i\right)-y_i\right)^2+\lambda\|f\|_{\mathcal{H}}^2\right\}, f λ:=argfHmin{n1i=1n(f(xi)yi)2+λfH2},

其中, λ > 0 \lambda>0 λ>0是用户定义的正则化参数。当 H \mathcal{H} H是一个再生核希尔伯特空间(RKHS)时,此估计被称为核岭回归(KRR)估计. 这是经验风险最小化的一种形式, 但在协变量转移存在的情境下, 目标涉及对 E P [ ( Y − f ( X ) ) 2 ] \mathbb{E}_{P}[(Y - f(X))^2] EP[(Yf(X))2] 的经验近似, 而不是 E Q [ ( Y − f ( X ) ) 2 ] \mathbb{E}_{Q}[(Y - f(X))^2] EQ[(Yf(X))2].

假如似然比已知,那么一个自然的建议是计算似然比加权的正则化估计,
f ~ λ r w : = arg ⁡ min ⁡ f ∈ H { 1 n ∑ i = 1 n ρ ( x i ) ( f ( x i ) − y i ) 2 + λ ∥ f ∥ H 2 } . \tilde{f}_\lambda^{\mathrm{rw}}:=\arg \min _{f \in \mathcal{H}}\left\{\frac{1}{n} \sum_{i=1}^n \rho\left(x_i\right)\left(f\left(x_i\right)-y_i\right)^2+\lambda\|f\|_{\mathcal{H}}^2\right\}. f~λrw:=argfHmin{n1i=1nρ(xi)(f(xi)yi)2+λfH2}.

引入似然比确保了目标现在提供了对期望值 E Q [ ( Y − f ( X ) ) 2 ] \mathbb{E}_Q\left[(Y-f(X))^2\right] EQ[(Yf(X))2]的无偏估计. 然而, 通过似然比进行重新加权也增加了方差,尤其是在似然比无界的情况下.

1.4 核函数及其特征值

任何RKHS都与一个半正定核函数 K : X × X → R \mathscr{K}: \mathcal{X} \times \mathcal{X} \rightarrow \mathbb{R} K:X×XR 相关. Mercer定理保证该核函数具有以下形式的特征展开
K ( x , x ′ ) = ∑ j = 1 ∞ μ j ϕ j ( x ) ϕ j ( x ′ ) . \mathscr{K}\left(x, x^{\prime}\right) = \sum_{j=1}^{\infty} \mu_j \phi_j(x) \phi_j\left(x^{\prime}\right). K(x,x)=j=1μjϕj(x)ϕj(x).

其中, { μ j } j ≥ 1 \left\{\mu_j\right\}_{j \geq 1} {μj}j1为非负特征值序列, 而 { ϕ j } j ≥ 1 \left\{\phi_j\right\}_{j \geq 1} {ϕj}j1是在 L 2 ( Q ) L^2(Q) L2(Q)中正交的特征函数.

基于Mercer定理, RKHS范数的平方可以表示为:
∥ f ∥ H 2 = ∑ j = 1 ∞ θ j 2 μ j , θ j = ∫ X f ( x ) ϕ j ( x ) q ( x ) d x . \|f\|_{\mathcal{H}}^2=\sum_{j=1}^{\infty} \frac{\theta_j^2}{\mu_j}, \quad \theta_j=\int_{\mathcal{X}} f(x) \phi_j(x) q(x) d x. fH2=j=1μjθj2,θj=Xf(x)ϕj(x)q(x)dx.

因此, 该希尔伯特空间 H \mathcal{H} H可以表示为
H : = { f = ∑ j = 1 ∞ θ j ϕ j ∣ ∑ j = 1 ∞ θ j 2 μ j < ∞ } . \mathcal{H}:=\left\{f=\sum_{j=1}^{\infty} \theta_j \phi_j \mid \sum_{j=1}^{\infty} \frac{\theta_j^2}{\mu_j}<\infty\right\}. H:={f=j=1θjϕjj=1μjθj2<}.

这篇论文的结果要求核函数 κ \kappa κ-均匀有界. 具体来说, 存在一个有限常数 κ > 0 \kappa>0 κ>0, 以下条件成立:
sup ⁡ x ∈ X K ( x , x ) ≤ κ 2 . \sup _{x \in \mathcal{X}} \mathscr{K}(x, x) \leq \kappa^2. xXsupK(x,x)κ2.

值得注意的是, 任何在紧致域上连续的核函数自然满足上述条件. 此外, 在实践中广泛使用的许多核,例如高斯核和拉普拉斯核, 都在各自的定义域上满足此条件.

2. 对有界似然比的分析

2.1 无权核岭回归接近最优

在这一节中, 首先推导出在协变量转移下的核岭回归估计函数的一系列上界. 结合之后的分析, 这些界限将证实对于具有有界似然比的协变量转移, KRR估计是仅相差对数项的最小最大优的.

定理1 考虑一个均匀 B B B-有界的似然比, 在一个 κ \kappa κ-均匀有界核的希尔伯特空间上的协变量转移回归问题. 那么, 对于任意的 λ ≥ 10 κ 2 / n \lambda \geq 10 \kappa^2 / n λ10κ2/n, 核岭回归估计 f ^ λ \widehat{f}_\lambda f λ 满足以下界限
∥ f λ ^ − f ⋆ ∥ Q 2 ≤ 4 λ B ∥ f ⋆ ∥ H 2 ⏟ b λ 2 ( B ) + 80 σ 2 B log ⁡ n n ∑ j = 1 ∞ μ j μ j + λ B ⏟ v λ ( B ) , \|\widehat{f_\lambda}-f^{\star}\|_Q^2 \leq \underbrace{4 \lambda B\left\|f^{\star}\right\|_{\mathcal{H}}^2}_{\mathbf{b}_\lambda^2(B)}+\underbrace{80 \sigma^2 B \frac{\log n}{n} \sum_{j=1}^{\infty} \frac{\mu_j}{\mu_j+\lambda B}}_{\mathbf{v}_\lambda(B)}, fλ fQ2bλ2(B) 4λBfH2+vλ(B) 80σ2Bnlognj=1μj+λBμj,

概率至少为 1 − 28 κ 2 λ e − n λ 16 κ 2 − n − 10 . 1 - 28 \frac{\kappa^2}{\lambda} e^{-\frac{n \lambda}{16 \kappa^2}} - n^{-10}. 128λκ2e16κ2n10.

该上界主要包含两项. 首项 b λ 2 ( B ) \mathbf{b}_{\lambda}^2(B) bλ2(B)描述了KRR估计的平方偏差, 此偏差随着正则化参数 λ \lambda λ和似然比界 B B B的增加而成比例增长. 其次, v λ ( B ) \mathbf{v}_{\lambda}(B) vλ(B)刻画了KRR估计器的估计方差, 它在 λ \lambda λ的增长下呈现减小的趋势, 从而暗示 λ \lambda λ在调控偏差与方差之间的平衡中起到了核心作用.

接下来进一步分析导致最优 λ ∗ ( B ) \lambda^{*}(B) λ(B)的平衡过程. 对于具有规则特征值的核, 这一过程可以更容易地理解. 对于给定的目标误差 δ > 0 \delta>0 δ>0, 考虑描述第一个低于 δ 2 \delta^2 δ2的特征值的指标 d ( δ ) d(\delta) d(δ), 即 d ( δ ) : = min ⁡ { j ≥ 1 ∣ μ j ≤ δ 2 } d(\delta) := \min\{j\geq1 | \mu_j\leq\delta^2\} d(δ):=min{j1∣μjδ2}. 特征值序列被称为正则的,如果
∑ j = d ( δ ) + 1 ∞ μ j ≤ c d ( δ ) δ 2 , \sum_{j=d(\delta)+1}^{\infty} \mu_j \leq c d(\delta) \delta^2, j=d(δ)+1μjcd(δ)δ2,

对某常数 c c c成立. 正则特征值核的包括有限秩核以及特征值在多项式或指数层面上呈现逐渐衰减的核, 这些核广泛应用于实际中. 对于带有正则特征值的核函数, 我们可以证明存在常数 c ′ c' c使得
∥ f ^ λ − f ⋆ ∥ Q 2 ≤ c ′ { δ 2 ∥ f ⋆ ∥ H 2 + σ 2 B d ( δ ) log ⁡ n n } , δ 2 = λ B . \|\widehat{f}_\lambda - f^{\star}\|_Q^2 \leq c^{\prime}\left\{\delta^2\left\|f^{\star}\right\|_{\mathcal{H}}^2 + \sigma^2 B \frac{d(\delta) \log n}{n}\right\}, ~~ \delta^2 = \lambda B. f λfQ2c{δ2fH2+σ2Bnd(δ)logn},  δ2=λB.

2.2 带有协变量偏移的正则核的下界

上一节我们为非加权的KRR估计建立了上界. 这一节我们证明对于具有正则特征值的核, 非加权KRR估计函数所实现的界是极小极大最优的.

定理2 对于任意的 B ≥ 1 B\geq1 B1, 存在一对似然比为 B B B-有界的分布 ( P , Q ) (P, Q) (P,Q), 以及在 L 2 ( Q ) L^2(Q) L2(Q)中的一组正交基 { ϕ j } j ≥ 1 \{\phi_j\}_{j \geq 1} {ϕj}j1 使得对于任意的正则核特征值序列 使得对于任意的正则核特征值序列 使得对于任意的正则核特征值序列 { μ j } j ≥ 1 \{\mu_j\}_{j \geq 1} {μj}j1, 有
inf ⁡ f ^ sup ⁡ f ⋆ ∈ B H ( 1 ) E [ ∥ f ^ − f ⋆ ∥ Q 2 ] ≥ c inf ⁡ δ > 0 { δ 2 + σ 2 B d ( δ ) n } . \inf _{\widehat{f}} \sup _{f^{\star} \in \mathcal{B}_{\mathcal{H}}(1)} \mathbb{E}[\|\widehat{f}-f^{\star}\|_Q^2] \geq c \inf _{\delta>0}\left\{\delta^2+\sigma^2 B \frac{d(\delta)}{n}\right\}. f inffBH(1)supE[f fQ2]cδ>0inf{δ2+σ2Bnd(δ)}.

与2.1节末的结果相比, 我们观察到当选择合适的正则化参数 λ \lambda λ时, KRR 估计函数实现了极小极大最优 (仅相差对数项).

3. 对无界似然比的分析

到目前为止,我们的分析都基于 B B B-有界的似然比. 但实际上似然比往往是无界的. 以一个简单的单变量例子为证,假设目标分布 Q Q Q是标准正态分布 N ( 0 , 1 ) \mathcal{N}(0,1) N(0,1), 而源分布 P P P N ( 0 , 0.9 ) \mathcal{N}(0,0.9) N(0,0.9). 不难发现, 随着 ∣ x ∣ |x| x趋于无穷,似然比 ρ ( x ) \rho(x) ρ(x)也趋于无穷。在1.2节中我们提到,用似然加权估计器的一个担忧是它们可能导致方差的大幅膨胀, 特别是乘以可能无界的似然比 ρ ( x ) \rho(x) ρ(x). 因此, 我们考虑将 ρ ( x ) \rho(x) ρ(x)截断: 更具体地说, 对于给定的 τ n > 0 \tau_{n}>0 τn>0, 我们定义截断后的似然比为
ρ τ n ( x ) : = { ρ ( x ) if  ρ ( x ) ≤ τ n τ n otherwise  \rho_{\tau_n}(x) := \begin{cases}\rho(x) & \text { if } \rho(x) \leq \tau_n \\ \tau_n & \text { otherwise }\end{cases} ρτn(x):={ρ(x)τn if ρ(x)τn otherwise 

并定义截断加权KRR估计函数:
f ^ λ r w : = arg ⁡ min ⁡ f ∈ H { 1 n ∑ i = 1 n ρ τ n ( x i ) ( f ( x i ) − y i ) 2 + λ ∥ f ∥ H 2 } , \widehat{f}_\lambda^{\mathrm{rw}}:=\arg \min _{f \in \mathcal{H}}\left\{\frac{1}{n} \sum_{i=1}^n \rho_{\tau_n}\left(x_i\right)\left(f\left(x_i\right)-y_i\right)^2+\lambda\|f\|_{\mathcal{H}}^2\right\}, f λrw:=argfHmin{n1i=1nρτn(xi)(f(xi)yi)2+λfH2},

其中 λ > 0 \lambda>0 λ>0 τ n \tau_n τn待定.
在核的特征函数均匀有界时, 我们对估计函数进行了分析. 核特征函数均匀有界
∥ ϕ j ∥ ∞ : = sup ⁡ x ∈ X ∣ ϕ j ( x ) ∣ ≤ 1 ∀ j = 1 , 2 , … \left\|\phi_j\right\|_{\infty}:=\sup _{x \in \mathcal{X}}\left|\phi_j(x)\right| \leq 1 \quad \forall j=1,2, \ldots ϕj:=xXsupϕj(x)1j=1,2,

关于截断加权KRR估计函数的定理涉及核复杂性函数 Ψ ( δ , μ ) = ∑ j = 1 ∞ min ⁡ { δ 2 , μ j ∥ f ⋆ ∥ H 2 } \Psi(\delta, \mu)=\sum_{j=1}^{\infty} \min \left\{\delta^2, \mu_j\left\|f^{\star}\right\|_{\mathcal{H}}^2\right\} Ψ(δ,μ)=j=1min{δ2,μjfH2}, 并适用于任意满足不等式 M ( δ ) < δ 2 2 \mathcal{M}(\delta)<\frac{\delta^2}{2} M(δ)<2δ2 的解 δ n > 0 \delta_n>0 δn>0, 其中:
M ( δ ) : = c 0 σ 2 V 2 log ⁡ 3 ( n ) n Ψ ( δ , μ ) . \mathcal{M}(\delta):=c_0 \sqrt{\frac{\sigma^2 V^2 \log ^3(n)}{n} \Psi(\delta, \mu)} . M(δ):=c0nσ2V2log3(n)Ψ(δ,μ) .

定理3 考虑均匀有界的特征函数的核, 以及满足 E P [ ρ ( x ) 2 ] ≤ V 2 \mathbb{E}_{P}[\rho(x)^2]\leq V^2 EP[ρ(x)2]V2的源-目标分布. 进一步假设噪声的方差满足 σ 2 ≤ κ 2 ∥ f ⋆ ∥ H 2 \sigma^2\leq\kappa^2\|f^{\star}\|_{\mathcal{H}}^2 σ2κ2fH2. 那么, 有截断阈值 τ n = n V 2 \tau_n=\sqrt{nV^2} τn=nV2 和正则化参数 λ ∥ f ⋆ ∥ H 2 ≥ δ n 2 / 3 \lambda\left\|f^{\star}\right\|_{\mathcal{H}}^2\geq\delta_n^2 / 3 λfH2δn2/3的估计函数 f ^ λ r w \hat{f}_{\lambda}^{rw} f^λrw 有上界:
∥ f ^ λ r w − f ⋆ ∥ Q 2 ≤ δ n 2 + 3 λ ∥ f ⋆ ∥ H 2 , \|\hat{f}_\lambda^{\mathrm{rw}}-f^{\star}\|_Q^2 \leq \delta_n^2+3 \lambda\left\|f^{\star}\right\|_{\mathcal{H}}^2, f^λrwfQ2δn2+3λfH2,

其概率为 1 − n − 10 1-n^{-10} 1n10.

参考文献

[1] Cong Ma, Reese Pathak, Martin J. Wainwright “Optimally tackling covariate shift in RKHS-based nonparametric regression,” The Annals of Statistics, Ann. Statist. 51(2), 738-761, (April 2023)

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.rhkb.cn/news/157376.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mac上安装mysql

下载地址&#xff1a;https://downloads.mysql.com/archives/community/ 可以选择dmg安装包&#xff0c;也可以选择tar包。 1、dmg安装包&#xff1a; 1.1&#xff09;安装&#xff1a; 类似windows的exe&#xff0c;直接next即可。 注意&#xff1a;安装完成之后会弹出一个…

redis 哨兵 sentinel(一)配置

sentinel巡查监控后台master主机是否故障&#xff0c;如果故障根据投票数自动将某一个从库转换为新主库&#xff0c;继续对外服务 sentinel 哨兵的功能 监控 监控主从redis库运行是否正常消息通知 哨兵可以将故障转移的结果发送给客户端故障转移 如果master异常&#xff0c;则…

解锁远程联机模式:使用MCSM面板搭建我的世界服务器,并实现内网穿透公网访问

文章目录 前言1.Mcsmanager安装2.创建Minecraft服务器3.本地测试联机4. 内网穿透4.1 安装cpolar内网穿透4.2 创建隧道映射内网端口 5.远程联机测试6. 配置固定远程联机端口地址6.1 保留一个固定TCP地址6.2 配置固定TCP地址 7. 使用固定公网地址远程联机 前言 MCSManager是一个…

Flask框架配置celery-[1]:flask工厂模式集成使用celery,可在异步任务中使用flask应用上下文,即拿即用,无需更多配置

一、概述 1、celery框架和flask框架在运行时&#xff0c;是在不同的进程中&#xff0c;资源是独占的。 2、celery异步任务如果想使用flask中的功能&#xff0c;如orm&#xff0c;是需要在flask应用上下文管理器中执行orm操作的 3、使用celery是需要使用到中间件的&#xff0…

【【萌新的SOC学习之基于BRAM的PS和PL数据交互实验】】

萌新的SOC学习之基于BRAM的PS和PL数据交互实验 基于BRAM的PS和PL的数据交互实验 先介绍 AXI BRAM IP核控制器的简介 AXI BRAM ip核 是xilinx提供的一个软核 这个ip核被设计成 AXI的一个从机接口 用于AXI互联的集成 系统的主设备和本地的RAM进行通信 &#xff08;我们可以通过这…

TensorFlow学习:在web前端如何使用Keras 模型

前言 在上篇文章 TensorFlow学习&#xff1a;使用官方模型进行图像分类、使用自己的数据对模型进行微调中我们学习了如何使用官方模型&#xff0c;以及使用自己的数据微调模型。 但是吧&#xff0c;代码一直是跑在Python里&#xff0c;而我本身是做前端开发的。我是很想让它在…

Idea报错 java: 程序包org.springframework.boot不存在 解决方法

发现我的是因为更改了maven的主路径和本地仓库路径&#xff0c;但是新建了一个工程后&#xff0c;设置就恢复默认了。需要重新设置正确路径。 应用后会重新下载依赖项 之后虽然还会报错&#xff0c;但是已经不影响项目运行&#xff0c;配置成功

用 docker 创建 jmeter 容器, 实现性能测试,该如何下手?

用 docker 创建 jmeter 容器, 实现性能测试 我们都知道&#xff0c;jmeter可以做接口测试&#xff0c;也可以用于性能测试&#xff0c;现在企业中性能测试也大多使用jmeter。docker是最近这些年流行起来的容器部署工具&#xff0c;可以创建一个容器&#xff0c;然后把项目放到…

Mybatis 实现简单增删改查

目录 前言 一、Mybatis是什么 二、配置Mybatis环境 三、创建数据库和表 四、添加业务代码 4.1、添加实体类 4.2、添加mapper接口 4.3、添加实现接口方法的xml文件 五、简单的增删改查操作及单元测试 5.1、单元测试 单元测试具体步骤&#xff1a; 单元测试如何才能不污…

day27--AJAX(bootstrap之modal,toast;接口文档的一些用法;AJAX原理)

目录 Bootstrap之Modal&#xff1a; 显示和隐藏方法 通过自定义属性&#xff1a; 使用JS来控制弹框&#xff1a; Bootstrap之Toast&#xff1a; 接口文档一些用法&#xff1a; 删除图书&#xff1a; 图片上传&#xff1a; 图片上传步骤&#xff1a; 修改头像&#xf…

【单片机】19-TFT彩屏

一、背景知识--显示器 1.什么是TFT &#xff08;1&#xff09;LCD显示器的构成&#xff1a;液晶面板驱动器【电压驱动】控制器【逻辑控制】 &#xff08;2&#xff09;液晶面板大致分为&#xff1a;TN&#xff0c;TFT&#xff0c;IPS等 &#xff08;3&#xff09;驱动器是跟随…

MS5611的ZYNQ驱动试验之一 分析

0&#xff0c;MS5611框图 1&#xff0c;原理图 项目需要用到MS5611气压计模块&#xff0c;原理图很简单明了&#xff0c;如下&#xff1a; 这里PS接GND是SPI接口模式&#xff0c;PS接VDD是I2C接口模式。我在设计原理图时候直接设置成了SPI模式&#xff0c;当然这个SPI不是纯粹意…

203、RabbitMQ 之 使用 direct 类型的 Exchange 实现 消息路由 (RoutingKey)

目录 ★ 使用direct实现消息路由代码演示这个情况二ConstantUtil 常量工具类ConnectionUtil 连接RabbitMQ的工具类Publisher 消息生产者测试消息生产者 Consumer01 消息消费者01测试消费者结果&#xff1a; Consumer02 消息消费者02测试消费者结果&#xff1a; 完整代码&#x…

代理和多级代理

文章目录 代理使用场景代理过程实验演示多级代理 代理使用场景 1、拿下远程 web 服务器 2、webshell 链接不稳定&#xff0c;需要使用稳定的木马程序 3、远程服务器无法直接链接攻击者电脑 4、需要借助公网vps转发来自失陷服务器的木马流量 5、借助frp服务端(vps)和客户端(内网…

实现Element Select选择器滚动加载

<template><el-selectpopper-class"more-tag-data"v-model"tagId"filterableplaceholder"请选择"focus"focusTag"><el-optionv-for"(item, index) in taskTagLists":key"index":label"item.n…

如何在小程序中设置导航栏文字颜色和背景颜色

不同商家有不同的颜色风格&#xff0c;例如有些做设计的公司&#xff0c;主要是黑色风格&#xff1b;有些卖珠宝的商家&#xff0c;主要是金色风格&#xff1b;他们的小程序&#xff0c;也需要进行同样的风格设定。下面具体介绍怎么在小程序中进行整个风格设定。 1. 在小程序管…

破局「二次创业」:合思的新解法

在新的水温下&#xff0c;寻找更为良性的发展正在成为企业的必答题。对此&#xff0c;合思给出的不仅是一份更“省”的答题方法。也更是从认知层到行动层&#xff0c;最后到工具层的一张授人以渔的“渔网”。 作者|思杭 编辑|皮爷 出品|产业家 今年4月初&#xff0c;广州…

lvgl 界面管理器

lv_scr_mgr lvgl 界面管理器 适配 lvgl 8.3 降低界面之间的耦合使用较小的内存&#xff0c;界面切换后会自动释放内存内存泄漏检测 使用方法 在lv_scr_mgr_port.h 中创建一个枚举&#xff0c;用于界面ID为每个界面创建一个页面管理器句柄将界面句柄添加到 lv_scr_mgr_por…

【基础篇】三、Flink集群角色、系统架构以及作业提交流程

文章目录 1、集群角色2、部署模式3、Flink系统架构3.1 作业管理器&#xff08;JobManager&#xff09;3.2 任务管理器&#xff08;TaskManager&#xff09; 4、独立部署会话模式下的作业提交流程5、Yarn部署的应用模式下作业提交流程 1、集群角色 Flink提交作业和执行任务&…

EXCEL——根据单元格值设置不同色阶

方法&#xff1a;开始—>条件格式—>色阶&#xff08;默认色阶或复杂色阶&#xff09;。 一、默认色阶 如图&#xff0c;可选择自定义的色阶模式。 二、复杂色阶 1、如图&#xff0c;点击"其他规则" 2、选择复杂格式 此时可以看到&#xff0c;支持多种格式…