Bert基础(二十一)--Bert实战：文本摘要

一、介绍

1.1 文本摘要简介

文本摘要（Text Summarization），作为自然语言处理（NLP）领域的一个分支，其核心目标是从长篇文档中提取关键信息，并生成简短的摘要，以提供对原始内容的高度概括。这一过程不仅有助于用户迅速把握信息的核心，而且对于有效组织和归纳大量的文本数据至关重要。

文本摘要的任务可以根据不同的输入和输出进行分类。首先，根据输入文档的数量，可以将摘要任务分为单文档摘要和多文档摘要。单文档摘要专注于处理单个文档，而多文档摘要则需要整合多个相关文档的信息。其次，根据输入和输出的语言，摘要任务可以分为单语言摘要、跨语言摘要和多语言摘要。在本课程中，我们将重点关注单文档单语言摘要，即处理单个文档并以同一种语言生成摘要。

在单文档单语言摘要中，系统需要理解文档的语义和结构，并从中提取最重要的信息，然后以简洁明了的方式呈现给用户。这个过程涉及对文本的理解、分析和重构，要求模型能够准确捕捉文档的主要观点，同时保持信息的完整性。

1.2 T5简介

T5（Text-to-Text Transfer Transformer）是一种基于Transformer架构的文本到文本的预训练语言模型领域的通用模型，由Google Research开发。T5模型的主要特点是将文本生成任务视为一种文本到文本的转换，这使得它可以被广泛应用于多种文本生成任务，如文本摘要、机器翻译、问答系统、文本生成等。

T5模型通过预训练来学习文本的通用表示，这使得它在下游任务中能够快速适应并表现出色。预训练的过程包括在大规模文本数据上进行自监督学习，模型通过预测文本中的缺失部分来学习文本的表示。

T5模型的一个重要特点是它采用了统一的编码器-解码器架构，这意味着它可以在多种文本生成任务中使用相同的模型，只需调整模型的输入和输出即可。这种统一的架构使得T5模型在各种文本生成任务中表现出了强大的通用性和灵活性。

T5模型的另一个特点是它采用了简单的任务提示（Task Prompt）技术，通过在输入文本中添加一些简单的提示词，如“摘要：”、“翻译：”等，来指导模型生成相应的文本。这种方法可以有效地提高模型的生成质量，并且可以很容易地应用于不同的文本生成任务。

总的来说，T5模型是一种强大的文本到文本的预训练模型，它在多种文本生成任务中都表现出了出色的性能。随着研究的不断深入，T5模型有望在未来的文本生成任务中发挥更大的作用。

1.3 Seq2Seq

序列到序列（Seq2Seq）模型是一种用于处理序列数据的神经网络模型，它由两个主要部分组成：编码器（Encoder）和解码器（Decoder）。这种模型通常用于机器翻译、语音识别、文本摘要等任务
在这里插入图片描述

  1. 数据处理：在序列到序列模型的数据预处理阶段，我们需要将输入数据（input）和标签数据（labels）分开处理。例如，我们可以有一个文本数据集，其中每一行代表一个样本，第一列是输入数据，后续列是该样本的标签。
  2. 标签处理：在实际应用中，标签不仅仅是分类的结果，它们还可以包含更多的信息，如情感分析中的正面、负面和中性
  3. 情绪，或者是机器翻译中的源语言和目标语言等。这些额外的信息对于模型的学习和泛化非常重要。
  4. 编码和解码器结构：在序列到序列模型的架构设计中，编码器和解码器通常采用相同的结构，但它们的用途不同。编码器负责将输入数据转换为一个表示，而解码器则使用这个表示来生成相应的输出。这种对称的结构有助于提高模型的效率和可扩展性。
  5. 注意力机制：在某些序列到序列模型中，如Transformer模型，注意力机制被用来关注输入数据的不同部分，从而捕捉长距离依赖关系。这有助于模型更好地理解上下文，尤其是在处理自然语言时。
  6. 优化算法：为了训练序列到序列模型，我们通常会使用梯度下降或其他优化算法来更新模型参数。在这个过程中，我们需要考虑如何有效地计算梯度和选择合适的 learning rate 等超参数。
  7. 评估指标：在评估序列到序列模型的性能时，常用的指标包括 BLEU（Bilingual Evaluation Understudy）、ROUGE（Recall-Oriented Understudy for Gisting Evaluation）和 CIDEr（Cascade Intersection over Union）。这些指标可以帮助我们了解模型生成文本的质量。

1.4 评价指标

评价指标包括Rouge，具体又分为Rouge-1、Rouge-2、Rouge-L，它们分别基于1-gram、2-gram、LCS。

ROUGE（Recall-Oriented Understudy for Gisting Evaluation）是一种用于自动评估文本摘要质量的指标，它主要关注召回率（Recall）和F1分数。ROUGE-1、ROUGE-2和ROUGE-L是ROUGE的不同变体，它们分别计算不同长度的匹配项。
以下是计算ROUGE-1、ROUGE-2和ROUGE-L的基本步骤：

  1. ROUGE-1：计算1-gram（单字词）的匹配项。
  2. ROUGE-2：计算2-gram（双字词）的匹配项。
  3. ROUGE-L：计算最长公共子序列（Longest Common Subsequence, LCS）的匹配项。
    计算公式如下：

ROUGE-1

  • Precision §: 匹配到的1-gram数量 / 生成的1-gram总数
  • Recall ®: 匹配到的1-gram数量 / 参考的1-gram总数
  • F1 Score: 2 * P * R / (P + R)

ROUGE-2

  • Precision §: 匹配到的2-gram数量 / 生成的2-gram总数
  • Recall ®: 匹配到的2-gram数量 / 参考的2-gram总数
  • F1 Score: 2 * P * R / (P + R)

ROUGE-L

  • Precision §: LCS匹配到的1-gram数量 / 生成的1-gram总数
  • Recall ®: LCS匹配到的1-gram数量 / 参考的1-gram总数
  • F1 Score: 2 * P * R / (P + R)
    其中，LCS匹配是指在生成文本和参考文本之间找到的最长公共子序列。

示例

假设我们有一个生成的摘要和一个参考摘要，我们想要计算ROUGE-1、ROUGE-2和ROUGE-L。
生成摘要：今天不错
参考摘要：今天天气不错

  1. ROUGE-1
    • 生成的1-gram：今天, 不, 错
    • 参考的1-gram：今天, 天气, 不, 错
    • P: 4/4
    • R: 4/6
    • F1: 2 * 4/4 * 4/6 / (4/4 + 4/6)
  2. ROUGE-2
    • 生成的2-gram：今天不错, 不错今天
    • 参考的2-gram：今天天气, 天气不错, 不错天气
    • P: 2/3
    • R: 2/5
    • F1: 2 * 2/3 * 2/5 / (2/3 + 2/5)
  3. ROUGE-L
    • 生成的1-gram：今天, 不, 错
    • 参考的1-gram：今天, 天气, 不, 错
    • P: 4/4
    • R: 4/6
    • F1: 2 * 4/4 * 4/6 / (4/4 + 4/6)
      请注意，这些计算是基于示例文本进行的，实际应用中可能需要更复杂的数据处理和计算。在实际使用ROUGE时，通常会使用专门的ROUGE工具来进行计算，而不是手动计算。

二、实战

2.1 下载数据集

常见的数据集
在这里插入图片描述
我们使用的是lcsts摘要数据：

lcsts摘要数据是哈尔滨工业大学整理，基于新闻媒体在微博上发布的新闻摘要创建了该数据集，每篇短文约100个字符，每篇摘要约20个字符。

整理后数据信息如下：

总数量：2108915个样本；

摘要：平均字数 18，字数标准差 5，最大字数 30，最小数字 4；

正文：平均字数 104，字数标准差 10，最大字数 152，最小数字 69；

在这里插入图片描述

sum_datasets = load_dataset("hugcyp/LCSTS")
sum_datasets
DatasetDict({train: Dataset({features: ['summary', 'text'],num_rows: 2400591})validation: Dataset({features: ['summary', 'text'],num_rows: 8685})test: Dataset({features: ['summary', 'text'],num_rows: 725})
})

数据集太大了，所以我们做一个简单的

sum_datasets = load_dataset("hugcyp/LCSTS",split="train[:10000]")
sum_datasets = sum_datasets.train_test_split(test_size=0.2)
sum_datasets
DatasetDict({train: Dataset({features: ['summary', 'text'],num_rows: 8000})test: Dataset({features: ['summary', 'text'],num_rows: 2000})
})

查看数据

sum_datasets["train"][0]
{'summary': '美国学生如何吐槽第一夫人的营养餐？','text': '在米歇尔强力推动下，美国国会通过了法案，要求学生午餐必须包括一份水果或蔬菜，并设定了卡路里的上限。从此美国学校饭堂出现了各种奇葩的“达标”午餐（如下图），譬如用番茄酱来代替水果，引发学生吐槽。'}

2.2 数据预处理

在hugging face中找一个T5Chinese的模型试一下
在这里插入图片描述

tokenizer = AutoTokenizer.from_pretrained("uer/t5-base-chinese-cluecorpussmall")
def process_func(exmaples):contents = ["摘要生成: \n" + e for e in exmaples["text"]]inputs = tokenizer(contents, max_length=384, truncation=True)labels = tokenizer(text_target=exmaples["summary"], max_length=64, truncation=True)inputs["labels"] = labels["input_ids"]return inputs

这段代码是一个函数，名为process_func，它的目的是处理输入的数据，以便用于训练一个序列到序列（Seq2Seq）模型。在这个函数中，它接受一个字典exmaples作为输入，该字典包含原始文本"text"和对应的摘要"summary"。
函数的步骤如下：

  1. 生成摘要生成提示：使用列表推导式，遍历exmaples["text"]列表，为每个文本生成一个摘要生成提示。提示的格式为"摘要生成: \n"加上文本内容。
  2. 分词：使用分词器tokenizer对生成的内容列表进行分词。这里设置了max_length=384和truncation=True，这意味着分词器将尝试将每个内容分词后的序列长度限制在384个token以内，如果超过这个长度，则进行截断。
  3. 生成输入：将分词后的内容列表转换为模型可以理解的格式，即整数序列。这个整数序列将作为模型的输入。
  4. 生成标签：使用分词器tokenizer对exmaples["summary"]进行分词。这里同样设置了max_length=64和truncation=True，确保摘要分词后的序列长度不超过64个token。
  5. 设置标签：将摘要分词后的整数序列作为模型的标签，并将其添加到输入字典inputs中。
  6. 返回处理后的数据：函数返回包含分词后的输入和标签的inputs字典，这些数据可以被模型用于训练。

总的来说，这个函数将原始文本和摘要转换为模型可以处理的整数序列格式，并为模型提供了输入和标签，以便于训练。

tokenized_ds = sum_datasets.map(process_func, batched=True)
tokenized_ds
DatasetDict({train: Dataset({features: ['summary', 'text', 'input_ids', 'token_type_ids', 'attention_mask', 'labels'],num_rows: 8000})test: Dataset({features: ['summary', 'text', 'input_ids', 'token_type_ids', 'attention_mask', 'labels'],num_rows: 2000})
})
print(tokenized_ds["train"][0]){'summary': '新民评论：罚丁书苗25亿意义深远', 'text': '加大对行贿者的惩治力度，应当以人身处罚和财产处罚并重，让行贿者把非法获利“吐”出来，防止“一人坐牢，全家享福”的不正常现象。对丁书苗案的判决，能否在刑法修订、行贿成本有望提高的背景之下，成为一个具有典型意义的判例，令人期待。', 'input_ids': [101, 3036, 6206, 4495, 2768, 131, 1217, 1920, 2190, 6121, 6594, 5442, 4638, 2674, 3780, 1213, 2428, 8024, 2418, 2496, 809, 782, 6716, 1905, 5385, 1469, 6568, 772, 1905, 5385, 2400, 7028, 8024, 6375, 6121, 6594, 5442, 2828, 7478, 3791, 5815, 1164, 100, 1402, 100, 1139, 3341, 8024, 7344, 3632, 100, 671, 782, 1777, 4286, 8024, 1059, 2157, 775, 4886, 100, 4638, 679, 3633, 2382, 4385, 6496, 511, 2190, 672, 741, 5728, 3428, 4638, 1161, 1104, 8024, 5543, 1415, 1762, 1152, 3791, 934, 6370, 510, 6121, 6594, 2768, 3315, 3300, 3307, 2990, 7770, 4638, 5520, 3250, 722, 678, 8024, 2768, 711, 671, 702, 1072, 3300, 1073, 1798, 2692, 721, 4638, 1161, 891, 8024, 808, 782, 3309, 2521, 511, 102], 'token_type_ids': [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, 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, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [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, 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, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], 'labels': [101, 3173, 3696, 6397, 6389, 8038, 5385, 672, 741, 5728, 8132, 783, 2692, 721, 3918, 6823, 102]}

2.3 创建模型

model = AutoModelForSeq2SeqLM.from_pretrained("uer/t5-base-chinese-cluecorpussmall")

在这里插入图片描述

2.4 创建评估函数

!pip install rouge_chineseimport numpy as np
from rouge_chinese import Rougerouge = Rouge()def compute_metric(evalPred):predictions, labels = evalPreddecode_preds = tokenizer.batch_decode(predictions, skip_special_tokens=True)labels = np.where(labels != -100, labels, tokenizer.pad_token_id)decode_labels = tokenizer.batch_decode(labels, skip_special_tokens=True)decode_preds = [" ".join(p) for p in decode_preds]decode_labels = [" ".join(l) for l in decode_labels]scores = rouge.get_scores(decode_preds, decode_labels, avg=True)return {"rouge-1": scores["rouge-1"]["f"],"rouge-2": scores["rouge-2"]["f"],"rouge-l": scores["rouge-l"]["f"],}

这段代码的目的是计算ROUGE（Recall-Oriented Understudy for Gisting Evaluation）分数，这是一种用于评估文本摘要质量的指标。
函数的步骤如下：

  1. 导入库：首先，导入了numpy和rouge_chinese库。numpy是一个用于科学计算的库，而rouge_chinese是一个用于计算中文文本ROUGE分数的库。
  2. 创建ROUGE实例：使用Rouge()创建了一个Rouge对象，这通常是一个计算ROUGE分数的函数或类。
  3. 定义函数：函数compute_metric接受一个评估预测（evalPred）作为输入。
  4. 解码预测和标签：使用分词器tokenizer批量解码预测（predictions）和标签（labels）。skip_special_tokens=True参数确保了在解码过程中特殊标记（如<sos>和<eos>）被忽略。
  5. 处理标签：将标签中的-100替换为分词器的pad_token_id，以确保标签长度与预测长度一致。
  6. 批量解码标签：使用分词器批量解码标签，以便与预测进行比较。
  7. 拼接解码后的预测和标签：将解码后的预测和标签拼接成字符串，以便进行ROUGE计算。
  8. 计算ROUGE分数：使用rouge.get_scores()函数计算ROUGE-1、ROUGE-2和ROUGE-L的分数。avg=True参数表示计算平均分数。
  9. 返回ROUGE分数：函数返回一个字典，其中包含ROUGE-1、ROUGE-2和ROUGE-L的F1分数。

2.5 创建训练器

args = Seq2SeqTrainingArguments(output_dir="./summary",per_device_train_batch_size=4,per_device_eval_batch_size=8,gradient_accumulation_steps=8,logging_steps=8,evaluation_strategy="steps",eval_steps=200,save_strategy="epoch",metric_for_best_model="rouge-l",predict_with_generate=True,report_to=['tensorboard']
)

因为训练速度比较慢，我们根据step打印一次预测结果

2.6 训练模型

trainer = Seq2SeqTrainer(args=args,model=model,train_dataset=tokenized_ds["train"],eval_dataset=tokenized_ds["test"],compute_metrics=compute_metric,tokenizer=tokenizer,data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer)
)trainer.train()

在这里插入图片描述

TrainOutput(global_step=750, training_loss=7.258201690673828, metrics={'train_runtime': 948.8402, 'train_samples_per_second': 25.294, 'train_steps_per_second': 0.79, 'total_flos': 3313311337635840.0, 'train_loss': 7.258201690673828, 'epoch': 3.0})

效果很差，虽然我们训练的次数比较少，但是这个效果还是不能接受的，原因很有可能是我们的模型选的有问题，我们重新选一个模型在测试一下
。

重新选择一个模型，选择搜索出来的第一个试一下
在这里插入图片描述

tokenizer = AutoTokenizer.from_pretrained("lemon234071/t5-base-Chinese")
model = AutoModelForSeq2SeqLM.from_pretrained("lemon234071/t5-base-Chinese")
trainer.train()

在这里插入图片描述
TrainOutput(global_step=750, training_loss=4.802234703063965, metrics={‘train_runtime’: 979.7099, ‘train_samples_per_second’: 24.497, ‘train_steps_per_second’: 0.766, ‘total_flos’: 2839954114953216.0, ‘train_loss’: 4.802234703063965, ‘epoch’: 3.0})

这个明显好了很多

2.7 预测

from transformers import pipeline
pipe = pipeline("text2text-generation", model=model, tokenizer=tokenizer, device=0)pipe("摘要生成:\n" + sum_datasets["test"][10]["text"], max_length=64, do_sample=True)
[{'generated_text': '<extra_id_0>海口首条水上巴士航线试运行'}]
sum_datasets["test"][10]["summary"]'海口首条水上巴士将启航航线从万绿园至西秀海滩'

其实生成的效果不是很好，还需要多训练几轮，因为现在的loss还是比较大，而且Rouge-1才0.3

完整代码

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/319763.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

Unity---版本控制软件

Unity---版本控制软件

13.3 版本控制——Git-1_哔哩哔哩_bilibili Git用的比较多 Git 常用Linux命令 pwd&#xff1a;显示当前所在路径 ls&#xff1a;显示当前路径下的所有文件 tab键自动补全 cd&#xff1a;切换路径 mkdir&#xff1a;在当前路径下创建一个文件夹 clear&#xff1a;清屏 vim…
阅读更多...
linux内核源码分析--核心网络文件和目录

linux内核源码分析--核心网络文件和目录

图3-2显示了在/proc/sys中由网络代码所使用的主要目录&#xff0c;就每个目录而言&#xff0c;都列出了在哪一章描述其文件。 proc/sys/net bridge ipv4 core route neigh conf 图3-2/proc/sys/net 中的核心目录 根据前借所述&#xff0c;我们来看net中的树根是如何定义的&…
阅读更多...
LeetCode 面试经典150题 28.找出字符串中第一个匹配项的下标

LeetCode 面试经典150题 28.找出字符串中第一个匹配项的下标

题目&#xff1a;给你两个字符串 haystack 和 needle &#xff0c;请你在 haystack 字符串中找出 needle 字符串的第一个匹配项的下标&#xff08;下标从 0 开始&#xff09;。如果 needle 不是 haystack 的一部分&#xff0c;则返回 -1 。 思路&#xff1a;暴力&#xff08;…
阅读更多...
大学生上班族必备！九个线上兼职秘籍，让你远离失业风险

大学生上班族必备！九个线上兼职秘籍，让你远离失业风险

互联网时代&#xff0c;兼职新风尚&#xff1a;这些靠谱兼职让你轻松增收 随着互联网技术的飞速发展&#xff0c;兼职工作已成为许多人增加收入、提升自我能力的新选择。本文将为您揭秘一些适合大学生和上班族的靠谱兼职工作&#xff0c;助您轻松找到适合自己的兼职机会。 一…
阅读更多...
新的项目springboot

新的项目springboot

buybuyshenglombok <dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency> 添加依赖 lombok package com.example.demo.pojo;import lombok.AllArgsConstructor; import lombok.Data; import …
阅读更多...
二维泊松方程（Neumann+Direchliet边界条件）有限元Matlab编程求解|程序源码+说明文本

二维泊松方程（Neumann+Direchliet边界条件）有限元Matlab编程求解|程序源码+说明文本

专栏导读 作者简介&#xff1a;工学博士&#xff0c;高级工程师&#xff0c;专注于工业软件算法研究本文已收录于专栏&#xff1a;《有限元编程从入门到精通》本专栏旨在提供 1.以案例的形式讲解各类有限元问题的程序实现&#xff0c;并提供所有案例完整源码&#xff1b;2.单元…
阅读更多...
ELK Stack 8 接入ElasticFlow

ELK Stack 8 接入ElasticFlow

介绍 Netflow v5 / v9 / v10&#xff08;IPFIX&#xff09;&#xff0c;支持大部分网络厂商及VMware的分布式交换机。 NetFlow是一种数据交换方式。Netflow提供网络流量的会话级视图&#xff0c;记录下每个TCP/IP事务的信息。当汇集起来时&#xff0c;它更加易于管理和易读。…
阅读更多...
Git系列：config 配置

Git系列：config 配置

&#x1f49d;&#x1f49d;&#x1f49d;欢迎莅临我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…
阅读更多...
Flutter笔记：Widgets Easier组件库（3）使用按钮组件

Flutter笔记：Widgets Easier组件库（3）使用按钮组件

Flutter笔记 Widgets Easier组件库&#xff08;3&#xff09;&#xff1a;使用按钮组件 - 文章信息 - Author: 李俊才 (jcLee95) Visit me at CSDN: https://jclee95.blog.csdn.netMy WebSite&#xff1a;http://thispage.tech/Email: 291148484163.com. Shenzhen ChinaAddre…
阅读更多...
xLua背包实践

xLua背包实践

准备工作 环境&#xff0c;代码 在C#代码方面我们需要准备单例模式基类&#xff0c;AB包管理器&#xff0c;lua解析器管理器 详情请见AB包管理器 xlua详解 然后是Xlua包和AB包&#xff0c;具体导入方法也在上面的链接中 然后是lua的三个文件 具体代码&#xff1a; JsonUtil…
阅读更多...
使用Python爬取淘宝商品并做数据分析

使用Python爬取淘宝商品并做数据分析

使用Python爬取淘宝商品并做数据分析&#xff0c;可以按照以下步骤进行操作&#xff1a; 确定需求&#xff1a;确定要爬取的淘宝商品的种类、数量、关键词等信息。 编写爬虫程序&#xff1a;使用Python编写爬虫程序&#xff0c;通过模拟浏览器请求&#xff0c;获取淘宝商品的页…
阅读更多...
idm线程怎么设置 idm线程数怎么上不去 idm免安装

idm线程怎么设置 idm线程数怎么上不去 idm免安装

IDM&#xff08;Internet Download Manager&#xff09;是一款流行的下载管理软件&#xff0c;IDM采用高级的多线程下载技术&#xff0c;可以将下载文件分成多个部分同时下载&#xff0c;从而提高下载速度&#xff0c;它因高效的下载速度和丰富的功能而受到用户的喜爱。接下来&…
阅读更多...
基于FPGA的数字信号处理（5）--Signed的本质和作用

基于FPGA的数字信号处理（5）--Signed的本质和作用

前言 Verilog中的signed是一个很多人用不好&#xff0c;或者说不太愿意用的一个语法。因为不熟悉它的机制&#xff0c;所以经常会导致运算结果莫名奇妙地出错。其实了解了signed以后&#xff0c;很多时候用起来还是挺方便的。 signed的使用方法主要有两种&#xff0c;其中一种…
阅读更多...
idm下载速度慢解决办法 idm批量下载怎么用 idm优化下载速度 Internet Download Manager解决下载速度慢的方法教程

idm下载速度慢解决办法 idm批量下载怎么用 idm优化下载速度 Internet Download Manager解决下载速度慢的方法教程

IDM (Internet Download Manager)是一款兼容性大&#xff0c;支持多种语言的下载管理软件&#xff0c;它可以自动检测并下载网页上的内容&#xff0c;这正是这一优点&#xff0c;使得它受到了广大用户的喜爱。但是在下载的过程中&#xff0c;我们会遇到idm下载速度慢怎么回事&a…
阅读更多...
【设计模式】13、template 模板模式

【设计模式】13、template 模板模式

文章目录 十三、template 模板模式13.1 ppl13.1.1 目录层级13.1.2 ppl_test.go13.1.3 ppl.go13.1.4 llm_ppl.go13.1.5 ocr_ppl.go 十三、template 模板模式 https://refactoringguru.cn/design-patterns/template-method 如果是一套标准流程, 但有多种实现, 可以用 template …
阅读更多...
江湖有法受邀参加第四届中国创始人IP生态大会

江湖有法受邀参加第四届中国创始人IP生态大会

四月的杭城春意盎然、微风轻拂,到处洋溢着一派欣欣向荣、百花争艳的美好景象。2024 年 4 月 27 日下午 1:30,备受瞩目的第四届中国创始人 IP 生态大会在杭州华礼宴国际礼宴中心盛大开幕。本次大会由“大咖会”主办,以“打造一个圈层,影响一座城”为主题,吸引了众多行业大咖齐聚…
阅读更多...
ROS2学习——Docker环境下安装于使用（1）

ROS2学习——Docker环境下安装于使用（1）

目录 一、简要 二、ROS2和ROS1区别 三、环境搭建与安装 &#xff08;2&#xff09;拉取ubuntu22.04镜像 &#xff08;2&#xff09;安装ROS2 1. 基本设置 2.设置源 3.安装ROS2功能包 4.测试 四、相关指令学习 1.小海龟测试 2.ros2 node等指令 3.rqt 一、简要 随着R…
阅读更多...
API安全

API安全

一&#xff0c;什么是API API指的是应用程序编程接口&#xff08;Application Programming Interface&#xff09;&#xff0c;是一组定义了软件组件如何相互交互的规范。通过API&#xff0c;不同的软件可以相互通信和交换数据&#xff0c;实现不同软件之间的集成和互操作。 …
阅读更多...
compose调用系统分享功能分享图片文件

compose调用系统分享功能分享图片文件

compose调用系统分享功能图片文件 简介UI界面提供给外部程序的文件访问权限创建FileProvider设置共享文件夹 通用分享工具虚拟机验证结果参考 本系列用于新人安卓基础入门学习笔记&#xff0c;有任何不同的见解欢迎留言 运行环境 jdk17 andriod 34 compose material3 简介 本案…
阅读更多...
线性数据结构-手写队列-哈希(散列)Hash

线性数据结构-手写队列-哈希(散列)Hash

什么是hash散列&#xff1f; 哈希表的存在是为了解决能通过O(1)时间复杂度直接索引到指定元素。这是什么意思呢&#xff1f;通过我们使用数组存放元素&#xff0c;都是按照顺序存放的&#xff0c;当需要获取某个元素的时候&#xff0c;则需要对数组进行遍历&#xff0c;获取到指…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023