零门槛微调大模型：基于 Ludwig 低代码框架使用 LoRA 技术微调实践

一、Ludwig 介绍

自然语言处理 (NLP) 和人工智能 (AI) 的飞速发展催生了许多强大的模型，它们能够理解和生成如同人类般的文本，为聊天机器人、文档摘要等应用领域带来了革命性的改变。然而，释放这些模型的全部潜力需要针对特定用例进行微调。Ludwig，一个由 Linux 基金会人工智能与数据部门主办的低代码框架，应运而生。并迅速获得了开源社区的广泛关注，在 Github 上已收获 10.9k 颗星。它致力于帮助用户轻松构建定制化的人工智能模型，例如大语言模型 (LLMs) 和其他深度神经网络。

Ludwig 最初由 Piero Molino 于 2019 年在 Uber AI 团队成员 Yaroslav Dudin 和 Sai Sumanth Miryala 的帮助下创建。 如今，Ludwig 已经发展成为一个由 Linux 基金会支持的开源项目，并托管在 Github 上，拥有一个活跃的社区。Ludwig 的开发和维护由 Predibase 的员工和社区贡献者共同完成。

1.1、Ludwig 的主要优势

  • 极易上手: 用户仅需使用一个声明式的 YAML 配置文件，即可轻松训练出最先进的 LLM 模型。Ludwig 支持多任务和多模态学习，并提供全面的配置验证功能，能够在运行前检测无效参数组合，避免错误发生。
  • 高效性和可扩展性: 自动选择最佳批量大小，支持 DDP、DeepSpeed 等分布式训练策略，并提供参数高效微调（PEFT）、4 位量化（QLoRA）、分页和 8 位优化器等多种优化特性，即使面对超大规模数据集也能轻松应对。
  • 专家级控制: 用户可以完全掌控模型的各个方面，细致到激活函数的选择。同时，Ludwig 还提供超参数优化、模型可解释性分析以及丰富的指标可视化工具，满足专业开发者的需求。
  • 模块化和可扩展设计: 如同深度学习的“积木”，用户可以通过简单的参数调整尝试不同的模型架构、任务、特征和模态，极大地提升了模型开发的灵活性。
  • 面向生产环境: 提供预构建的 Docker 容器，原生支持在 Kubernetes 上使用 Ray 进行模型部署，并支持将模型导出至 Torchscript 和 Triton 等平台，以及一键上传模型至 HuggingFace。

Ludwig 特别容易上手，即使你不是代码高手，也能用它轻松构建各种机器学习和深度学习模型。 你只需要一个简单的 YAML 配置文件，就可以训练出最先进的 LLM 模型，还能玩转多任务和多模态学习，超级方便！从模型训练、微调、参数优化，到最终的可视化和部署，Ludwig 都能帮你轻松搞定。

1.2、Ludwig 的主要功能

  • 训练和微调: 支持多种训练模式，包括对预训练模型进行完整的训练和微调。
  • 模型配置: 使用 YAML 文件进行配置，允许用户对模型参数进行详细定义，实现高度的可定制性和灵活性。
  • 超参数调整: 集成自动超参数优化工具，以增强模型性能。
  • 可解释的人工智能: 提供工具帮助用户深入了解模型决策，提高模型的可解释性和透明度。
  • 模型服务和基准测试: 简化模型服务的过程，并支持在不同条件下对模型性能进行基准测试。

Ludwig 的整体设计理念是简化 AI 模型的构建和部署流程，无论是 AI 领域的新手还是专家，都可以轻松上手，快速构建出适用于各种场景的定制化 AI 模型。

二、Ludwig 原理

2.1、ECD 技术架构

Ludwig 的核心建模架构被称为 ECD (编码器-组合器-解码器) 架构。它就像一个高效的信息处理工厂，首先将多个输入特征进行编码，然后将它们送入“组合器”模型进行整合。组合器模型处理完这些编码后的信息后，会将结果传递给针对每个输出特征的解码器，最后输出预测结果并进行后处理。您可以进一步了解 Ludwig 的各种组合器模型，例如 TabNet、Transformer 和 Concat (Wide and Deep learning) 等。

ECD 架构的示意图就像一只翩翩起舞的蝴蝶，因此也被称为“蝴蝶架构”。

ECD 架构可以灵活处理各种不同类型的输入和输出数据，因此适用于许多不同的应用场景。

2.2、分布式训练

训练大型 AI 模型，尤其是像 LLM 这种巨无霸，没有分布式训练就像老牛拉破车，效率低得让人心碎。 好消息是，Ludwig 与 Ray 强强联手，完美解决了这个问题，让你的模型训练效率瞬间起飞！

无论你是在轻便的笔记本电脑上，还是在强大的云端 GPU 集群上，甚至是动用成百上千台机器进行史诗级训练，Ludwig 都能轻松应对，而且你不用修改任何代码，就能享受分布式训练带来的速度与激情！

Ludwig 之所以如此优秀，主要归功于与 Ray 的深度整合：

  • Ray 集群启动器: 就像一位经验丰富的指挥家，只需一个简单的指令，就能迅速组建起一支强大的计算乐团，为你演奏 AI 的华美乐章。
  • Horovod on Ray: 分布式训练的配置过程通常复杂得令人头疼，但有了 Horovod on Ray，一切都变得无比轻松，你只需专注于模型本身，剩下的交给它就好。
  • Dask on Ray: 面对海量数据，传统的单机训练就像小马过河，力不从心。Dask on Ray 犹如一座坚固的桥梁，让你轻松跨越数据规模的鸿沟。
  • Ray Tune: 寻找最佳超参数就像在迷宫中探索，Ray Tune 为你提供了一盏明灯，在多台机器上并行搜索，快速找到通往成功之路。

三、Ludwig 微调

3.1、微调准备工作

在开始微调之前，让我们先来熟悉一下 Ludwig 及其生态系统。如前所述，Ludwig 是一个用于构建自定义 AI 模型的低代码框架，你可以把它想象成一个 AI 模型的“乐高积木”，它能帮助你构建各种自定义模型，例如大语言模型和其他深度神经网络。从技术角度来看，Ludwig 能够训练和微调任何神经网络，并支持广泛的机器学习和深度学习用例。此外，Ludwig 还提供了可视化、超参数调整、可解释的人工智能、模型基准测试以及模型服务等功能。

Ludwig 使用 YAML 文件来指定所有配置，例如模型名称、要执行的任务类型、微调时的 Epoch 数量、训练和微调的超参数、量化配置等。Ludwig 支持各种以 LLM 为中心的任务，例如零样本批量推理、检索增强生成 (RAG)、基于适配器的文本生成微调、指令微调等。接下来，我们将以 Mistral 7B 模型为例，带你一步步体验如何用 Ludwig 对其进行微调，Ludwig 使用 YAML 文件来配置模型参数，就像写一个简单的清单一样。我们会在后面的例子中详细介绍如何配置。

在开始微调你的 AI 模型之前，需要做一些准备工作，一般包括以下几个方面：

  • 环境设置: 安装必要的软件和软件包。
  • 数据准备: 选择和预处理合适的数据集。
  • YAML 配置: 在 YAML 文件中定义模型参数和训练选项。
  • 模型训练和评估: 执行微调过程并评估模型性能。

3.2、Ludwig 微调 LLM 详细步骤

请注意，本文中的代码示例将在 VSCode 环境中运行，但您也可以在 Kaggle Notebook、Jupyter 服务器以及 Google Colab 等其他环境中运行这些代码。

3.2.1、安装必要的软件包

如果遇到 Transformers 版本的运行时错误，请执行以下操作。

%pip install ludwig==0.10.0 ludwig[llm] 
%pip install torch==2.1.2 
%pip install PyYAML==6.0 
%pip install datasets==2.18.0 
%pip install pandas==2.1.4
%pip install transformers==4.30.2

3.2.2、导入必要的库和依赖项

import yaml
import logging
import torch
import datasets
import pandas as pd
from ludwig.api import LudwigModel

3.2.3、数据准备和预处理

这里我们使用斯坦福大学的 Alpaca 数据集来进行微调。 这份数据集就像是专门为基于指令的 LLM 微调而设计，它是由 OpenAI 的 text-davinci-003 引擎生成的，包含了 52,000 多个指令、每个条目包含指令、对应的任务以及 LLM 的输出。

为了有效地管理计算资源，我们将重点关注前 5,000 行数据。我们将使用 Hugging Face 的数据集库来访问和加载数据集到 Pandas DataFrame 中。

data = datasets.load_dataset("tatsu-lab/alpaca")
df = pd.DataFrame(data["train"])
df = df[["instruction", "input", "output"]]
df.head()

3.2.4、创建 YAML 配置文件

我们需要创建一个名为 model.yaml 的 YAML 配置文件，就像一份“训练秘籍”，告诉 Ludwig 如何训练我们的模型。这份秘籍包括以下内容：

  • 模型类型： 我们要训练的是 LLM 模型，所以这里要设定为 llm。
  • 基础模型： 我们选择使用 Hugging Face 模型库中的 mistralai/Mistral-7B-Instruct-v0.1 模型作为基础，你也可以选择其他预训练模型或者自己训练的模型。
  • 输入和输出特征: 这里需要指定模型的输入和输出类型，我们将其分别定义为 instruction 和 output ，代表文本类型，用于处理数据集的输入和模型的输出。
  • 提示模板: 这部分就像给模型的“行动指南”，告诉它如何理解你的指令并给出正确的回应。
  • 文本生成参数: 这里可以设置一些参数来控制模型生成文本的方式，例如 temperature 参数控制文本的随机性，max_new_tokens 参数控制生成文本的最大长度。
  • 适配器和量化: 为了提高模型的效率，我们会使用 LoRA 适配器和 4 位量化技术来优化模型的大小和计算量。
  • 数据预处理: 我们会将 global_max_sequence_length 参数设置为 512，将所有输入文本的长度标准化，并将数据集随机划分为训练集和验证集。
  • 训练器设置: 最后，我们将模型配置为使用大小为 1 的批次进行一个 Epoch 的训练，使用带预热的余弦学习率调度器和 paged_adam 优化器。
model_type: llm
base_model: meta-llama/Llama-2-7b-hfquantization:bits: 4adapter:type: loraprompt:template: |### Instruction:{instruction}### Input:{input}### Response:input_features:- name: prompttype: textoutput_features:- name: outputtype: texttrainer:type: finetunelearning_rate: 0.0001batch_size: 1gradient_accumulation_steps: 16epochs: 3learning_rate_scheduler:warmup_fraction: 0.01preprocessing:sample_ratio: 0.1

这份 YAML 配置文件涵盖了模型训练和微调所需的所有必要参数。 如果你想深入了解更详细的自定义选项，可以参考 Ludwig 的官方文档。

3.2.4.1、在 YAML 文件中“写秘籍”

还记得我们之前提到的“训练秘籍”——YAML 配置文件吗？ 我们可以直接在里面定义模型的各种设置，就像这样：

import os
import logging
from ludwig.api import LudwigModel# 在此处设置您的Hugging Face认证令牌
hugging_face_token = <your_huggingface_api_token>
os.environ["HUGGING_FACE_HUB_TOKEN"] = hugging_face_tokenqlora_fine_tuning_config = yaml.safe_load(
"""
model_type: llm
base_model: mistralai/Mistral-7B-Instruct-v0.2input_features:- name: instructiontype: textoutput_features:- name: outputtype: textprompt:template: >-下面是描述任务的指令，与输入配对提供更多背景信息。适当地写一个回复完成请求。### Instruction: {instruction}### Input: {input}### Response:generation:temperature: 0.1max_new_tokens: 64adapter:type: loraquantization:bits: 4preprocessing:global_max_sequence_length: 512split:type: randomprobabilities:- 0.95- 0- 0.05trainer:type: finetuneepochs: 1 # Typically, you want to set this to 3 epochs for instruction fine-tuningbatch_size: 1eval_batch_size: 2optimizer:type: paged_adamgradient_accumulation_steps: 16learning_rate: 0.0004learning_rate_scheduler:decay: cosinewarmup_fraction: 0.03
"""
)

3.2.5、使用 LoRA 微调 LLM

万事俱备，只欠东风！现在，我们只需要召唤出 Ludwig 的力量，就可以开始训练模型了。

首先，我们需要实例化一个 Ludwig 模型对象，把我们精心准备的 YAML 配置文件作为参数传递给它，同时，别忘了带上记录器，以便随时跟踪训练进度。 接下来，只需一行简单的代码 model.train(), 就可以启动训练过程啦！

如果遇到错误，请安装以下 Transformers 运行时：

%pip install transformers==4.30.2
model = LudwigModel(config=qlora_fine_tuning_config, logging_level=logging.INFO)results = model.train(dataset=df[:5000])

仅需两行代码，我们就可以初始化 LLM 微调过程。为了加快训练速度，节省时间和计算资源，我们暂时只用了前 5000 行数据进行训练。这里我使用了 Kaggle 的 P100 GPU 来加速微调过程，您也可以选择使用它来提升微调的速度和性能！

3.2.6、评估模型性能

test_examples = pd.DataFrame([{"instruction": "列举三种不同类型的云.","input": "",},{"instruction": "给以下菜谱提出三个改进建议","input": "鸡肉蔬菜汤：将鸡肉、胡萝卜、芹菜和土豆放入水中煮沸，然后小火慢炖一小时。",},{"instruction": "解释一下什么是量子计算。","input": "",},{"instruction": "用不超过 20 个字描述这张图片","input": "一只金毛猎犬在沙滩上奔跑，背景是夕阳。",},{"instruction": "比较并对比巴洛克和古典音乐的特点。","input": "",},
])predictions = model.predict(test_examples, generation_config={
"max_new_tokens": 64, 
"temperature": 0.1})[0]for input_with_prediction in zip(test_examples['instruction'], test_examples['input'], predictions['output_response']
):print(f"Instruction: {input_with_prediction[0]}")print(f"Input: {input_with_prediction[1]}")print(f"Generated Output: {input_with_prediction[2][0]}")print("\n\n")

四、模型部署

现在，我们可以将微调后的模型部署到 Hugging Face 平台。请按照以下步骤操作：

4.1、在 Hugging Face 上创建模型仓库

  1. 访问 Hugging Face 网站并登录您的账号。
  2. 点击您的个人资料图标，选择 "New Model"。
  3. 填写必要的信息，并为您的模型指定一个名称。

4.2、生成 Hugging Face API 密钥

  1. 在 Hugging Face 网站上，点击您的个人资料图标，然后选择 "Settings"。
  2. 选择 "Access Tokens" 并点击 "New Token"。
  3. 在生成 Token 时，选择 "Write" 权限。

4.3、使用 Hugging Face CLI 进行身份验证

  1. 打开命令行终端。
  2. 使用以下命令登录 Hugging Face，将 <API_KEY> 替换为您生成的 API 密钥：
huggingface-cli login --token <API_KEY>

4.4、将您的模型上传到 Hugging Face

使用以下命令将您的模型上传到 Hugging Face，将 <repo-id> 替换为您的模型仓库 ID，将 <model-path> 替换为本地保存模型的路径：

ludwig upload hf_hub --repo_id <repo-id> --model_path <model-path>

五、模型微调扩展

现在，你已经掌握了用 Ludwig 微调 LLM 的基本招式。但是，江湖路漫漫，想要训练出独步天下的 AI 模型，还需要不断修炼，拓展训练思路。

好在 Ludwig 非常灵活，就像可塑性极强的武学奇才，可以根据你的需求进行各种调整和扩展。以下是一些修改建议：

  • 数据：修炼的根基: 不同的 AI 模型就像不同门派的武功，需要不同的内功心法。根据你想要训练的模型类型和目标，选择合适的数据集至关重要。
# Huggingface datasets and tokenizers
from datasets import load_dataset
from tokenizers import Tokenizer
from tokenizers.models import WordLevel
from tokenizers.trainers import WordLevelTrainer
from tokenizers.pre_tokenizers import Whitespace
  • 任务：挑战自我，突破瓶颈: 不要局限于指令微调，尝试用 Ludwig 完成更复杂的 NLP 任务，例如文本分类、问答系统等等，不断挑战自我，突破模型的极限。
  • 模型：博采众长，融会贯通: Hugging Face 模型库就像一个武学宝库，里面有各种各样的预训练模型。你可以根据自己的需要选择合适的模型，甚至可以将不同的模型组合起来，创造出更强大的模型。
  • 超参数：精雕细琢，追求极致: 超参数就像武功招式中的细节，微小的调整就能对模型的性能产生巨大的影响。Ludwig 内置了超参数优化工具，可以帮助你找到最佳的超参数组合，让你的模型发挥出最大威力。

六、总结

Ludwig 就像一位武功高强的引路人，为你打开了 AI 世界的大门。它简单易用，功能强大，即使是初学者也能轻松上手。Ludwig 的低代码框架为将大语言模型 (LLM) 微调至特定任务提供了一种高效便捷的途径，它在易用性和强大的自定义能力之间取得了良好的平衡。通过利用 Ludwig 全面的模型开发、训练和评估功能，开发人员可以构建出针对特定用例量身定制的强大且高性能的 AI 模型，以满足各种现实世界应用场景的需求。

以下是 Ludwig 的核心优势：

  • 低代码: 你不需要写大量的代码，只需要一个简单的 YAML 配置文件，就能轻松构建各种 AI 模型。
  • 全流程: 从模型训练、微调、超参数优化，到模型可视化和部署，Ludwig 覆盖了 AI 模型开发的整个生命周期。
  • 高性能: Ludwig 提供了丰富的优化工具和策略，可以帮助你最大限度地提升模型性能。
  • 灵活性: 你可以根据自己的需求调整和扩展 Ludwig，使其适应各种 NLP 任务。

无论你是想要构建聊天机器人、开发文档摘要工具，还是探索其他 AI 应用，Ludwig 都能助你一臂之力。 踏上这段激动人心的 AI 旅程，让 Ludwig 与你并肩作战，共同创造无限可能！

参考资料

[1]. Hugging Face Repo：https://huggingface.co/nitinaggarwal12/ludwig-llm-fine-tuning

[2]. Ludwig Git Repo：https://github.com/nitinaggarwaldbx/ludwig-llm-fine-tuning

[3]. Ludwig AI Framework Documentation：https://ludwig.ai/latest/

[4]. Hugging Face Base Model：https://huggingface.co/mistralai/Mistral-7B-Instruct-v0.2

[5]. Stanford Alpaca Dataset：https://huggingface.co/datasets/tatsu-lab/alpaca

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/329200.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

成都爱尔周进院长提醒当双眼度数差距过大，我们该做些什么

成都爱尔周进院长提醒当双眼度数差距过大，我们该做些什么

每个人的用眼方式、用眼习惯且两只眼睛“天生条件”不一定相同&#xff0c;当发生近视&#xff0c;双眼近视程度也就可能不同&#xff0c;双眼度数必然会变得不一样。当双眼度数产生差异&#xff0c;尤其是当双眼度数差别过大时会引发哪些问题&#xff1f; 双眼度数不一致&…
阅读更多...
37. 解数独 - 力扣(LeetCode)

37. 解数独 - 力扣(LeetCode)

基础知识要求&#xff1a; Java&#xff1a; 方法、for循环、if else语句、数组 Python&#xff1a; 方法、for循环、if else语句、列表 题目&#xff1a; 编写一个程序&#xff0c;通过填充空格来解决数独问题。 数独的解法需 遵循如下规则&#xff1a; 数字 1-9 在每一行…
阅读更多...
vs无法打开或包括文件”QTxxx“

vs无法打开或包括文件”QTxxx“

vs创建项目时默认引入core、gui、和widgets等模块&#xff0c;在需要网络通讯或者图表等开发时需要添加相应模块。 点击扩展 -> QT VS Tools -> QT Project Setting->Qt Modules&#xff0c;添加相应模块即可
阅读更多...
南加州大学字节提出MagicPose，提供逼真的人类视频生成，实现生动的运动和面部表情传输，以及不需要任何微调的一致的野外零镜头生成。

南加州大学字节提出MagicPose，提供逼真的人类视频生成，实现生动的运动和面部表情传输，以及不需要任何微调的一致的野外零镜头生成。

MagicPose可以精确地生成外观一致的结果&#xff0c;而原始的文本到图像模型(如Stable Diffusion和ControlNet)很难准确地保持主体身份信息。 此外&#xff0c;MagicPose模块可以被视为原始文本到图像模型的扩展/插件&#xff0c;而无需修改其预训练的权重。 相关链接 论文链…
阅读更多...
【BSP开发经验】简易文件系统digicapfs实现方式

【BSP开发经验】简易文件系统digicapfs实现方式

文章目录 背景Linux vfs框架介绍数据结构系统调用openwriteread 总体框架 Linux 磁盘高速缓存机制标准文件访问同步文件访问异步文件访问buffer_head 如何实现一个简单的文件系统blkdevfs注册文件系统产生一个文件让文件变得可读可写 背景 在新的分区升级启动方案中需要分别实…
阅读更多...
详解ArcGIS 水文分析模型构建

详解ArcGIS 水文分析模型构建

目录 前言 项目环境、条件 Dem 数据预览 ArcGIS模型构建器 模型搭建 填洼 流向 流量 河流长度 栅格计算器 河流链接 河网分级 栅格河网矢量化 绘制倾泻点 栅格流域提取 集水区 盆域分析 栅格转面 模型应用 导出 py 文件 完善脚本 最终效果 结束语 前言 …
阅读更多...
使用python实现socket进行消息传输-demo

使用python实现socket进行消息传输-demo

Socket 是什么 Socket 是一种在计算机网络中用于实现进程间通信的一种机制。它是网络编程中的重要概念&#xff0c;通过它可以在不同的计算机之间进行数据传输和通信。Socket 可以用于实现各种网络应用&#xff0c;包括客户端-服务器模型、P2P 应用等。基本上&#xff0c;Sock…
阅读更多...
Java面向对象-常用类 （包装类）

Java面向对象-常用类 （包装类）

常用类 – 包装类 基本数据类型的包装类 理解&#xff1a;包装类是8种基本数据类型对应的类 出现原因&#xff1a;Java是一种纯面向对象语言&#xff0c;但是java中有8种基本数据类型&#xff0c;破坏了java为纯面向对象的特征。为了承诺在java中一切皆对象&#xff0c;java…
阅读更多...
16. Elasticsearch面试题汇总

16. Elasticsearch面试题汇总

Java全栈面试题汇总目录-CSDN博客 1. 什么是Elasticsearch? Elasticsearch是一个基于Lucene的搜索引擎。它提供了具有HTTP Web界面和无架构JSON文档的分布式&#xff0c;多租户能力的全文搜索引擎。 Elasticsearch是用Java开发的&#xff0c;根据Apache许可条款作为开源发布…
阅读更多...
安全生产月答题pk小程序怎么做

安全生产月答题pk小程序怎么做

在当今信息化时代&#xff0c;小程序已成为人们日常生活和工作中不可或缺的一部分。特别是在安全生产领域&#xff0c;通过小程序进行答题PK活动&#xff0c;不仅可以提高员工的安全意识&#xff0c;还能促进团队间的协作与交流。本文将详细介绍如何制作一款安全生产月答题PK小…
阅读更多...
物体检测算法-R-CNN，SSD，YOLO

物体检测算法-R-CNN，SSD，YOLO

物体检测算法-R-CNN&#xff0c;SSD&#xff0c;YOLO 1 R-CNN2 SSD3 Yolo总结 1 R-CNN R-CNN&#xff08;Region-based Convolutional Neural Network&#xff09;是一种基于区域的卷积神经网络&#xff0c;是第一个成功将深度学习应用到目标检测上的算法。它主要由三个步骤组…
阅读更多...
8操作系统定义、分类及功能+设备管理+作业管理 软设刷题 软考+

8操作系统定义、分类及功能+设备管理+作业管理 软设刷题 软考+

操作系统定义、分类及功能设备管理作业管理 知识点1-55-1010-1515-2020-2525-3030-35 刷题操作系统定义、分类及功能1-55-1010-15作业管理1-5设备管理1-55-10 知识点 1-5 1 嵌入式操作系统的特点&#xff1a; 1.微型化&#xff0c;从性能和成本角度考虑&#xff0c;希望占用的…
阅读更多...
盲人社区生活支持体系：织就一张温暖的网

盲人社区生活支持体系：织就一张温暖的网

在当今社会&#xff0c;构建一个全面、包容的盲人社区生活支持体系成为了推动社会进步、保障残障人士权益的重要议题。随着科技的不断革新&#xff0c;一款名为“蝙蝠避障”的辅助软件走进了盲人的日常生活&#xff0c;它如同一位无形的向导&#xff0c;通过实时避障与拍照识别…
阅读更多...
关于基础的流量分析（1）

关于基础的流量分析（1）

1.对于流量分析基本认识 1&#xff09;简介&#xff1a;网络流量分析是指捕捉网络中流动的数据包&#xff0c;并通过查看包内部数据以及进行相关的协议、流量分析、统计等来发现网络运行过程中出现的问题。 2&#xff09;在我们平时的考核和CTF比赛中&#xff0c;基本每次都有…
阅读更多...
线程的概念和控制

线程的概念和控制

文章目录 线程概念线程的优点线程的缺点线程异常线程用途理解虚拟地址 线程控制线程的创建线程终止线程等待线程分离封装线程库 线程概念 什么是线程&#xff1f; 在一个程序里的一个执行路线就叫做线程&#xff08;thread&#xff09;。更准确的定义是&#xff1a;线程是“一…
阅读更多...
VMware虚拟机安装Windows server 2022超详细教程

VMware虚拟机安装Windows server 2022超详细教程

文章目录 ISO下载安装步骤总结 ISO下载 链接&#xff1a;https://pan.baidu.com/s/19Z2q9KFKZq0pLisPZLn7_g 提取码&#xff1a;3pgn 安装步骤 安装完打开虚拟机后发现引导程序无法正常执行 解决方法见我的上一篇文章&#xff1a;http://t.csdnimg.cn/PzfOz 问题解决完后正常…
阅读更多...
计算机毕业设计 | node.js(Express)+vue影院售票商城 电影放映购物系统(附源码+论文)

计算机毕业设计 | node.js(Express)+vue影院售票商城 电影放映购物系统(附源码+论文)

1&#xff0c;绪论 1.1 项目背景 最近几年&#xff0c;我国影院企业发展迅猛&#xff0c;各大电影院不断建设新的院线&#xff0c;每年新投入使用的荧幕数目逐年显著上升。这离不开人们的观影需求及对观影的过程要求的不断进步。广大观影消费者需要知道自己的空闲时间&#x…
阅读更多...
P1【知识点】【数据结构】【链表LinkedList】C++版

P1【知识点】【数据结构】【链表LinkedList】C++版

链表是一种逻辑上连续&#xff0c;内存上分散的线性表数据结构&#xff0c;是用一组任意的空间&#xff08;可以连续&#xff0c;也可以不连续&#xff09;来存放数据元素。每个数据元素成为一个”结点“&#xff0c;每个结点由数据域和指针域组成。 访问元素&#xff08;Acce…
阅读更多...
保护共享资源的方法(互斥锁)

保护共享资源的方法(互斥锁)

我最近开了几个专栏&#xff0c;诚信互三&#xff01; > |||《算法专栏》&#xff1a;&#xff1a;刷题教程来自网站《代码随想录》。||| > |||《C专栏》&#xff1a;&#xff1a;记录我学习C的经历&#xff0c;看完你一定会有收获。||| > |||《Linux专栏》&#xff1…
阅读更多...
工厂模式（简单工厂模式+工厂模式）

工厂模式（简单工厂模式+工厂模式）

工厂模式的目的就是将对象的创建过程隐藏起来&#xff0c;从而达到很高的灵活性&#xff0c;工厂模式分为三类&#xff1a; 简单工厂模式工厂方法模式抽象工厂模式 在没有工厂模式的时候就是&#xff0c;客户需要一辆马车&#xff0c;需要客户亲自去创建一辆马车&#xff0c;…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023