【机器学习】机器学习与图像分类的融合应用与性能优化新探索

文章目录

    • 引言
    • 第一章：机器学习在图像分类中的应用
      • 1.1 数据预处理
        • 1.1.1 数据清洗
        • 1.1.2 数据归一化
        • 1.1.3 数据增强
      • 1.2 模型选择
        • 1.2.1 卷积神经网络
        • 1.2.2 迁移学习
        • 1.2.3 混合模型
      • 1.3 模型训练
        • 1.3.1 梯度下降
        • 1.3.2 随机梯度下降
        • 1.3.3 Adam优化器
      • 1.4 模型评估与性能优化
        • 1.4.1 模型评估指标
        • 1.4.2 超参数调优
        • 1.4.3 增加数据量
        • 1.4.4 模型集成
    • 第二章：图像分类的具体案例分析
      • 2.1 手写数字识别
        • 2.1.1 数据预处理
        • 2.1.2 模型选择与训练
        • 2.1.3 模型评估与优化
      • 2.2 图像分类
        • 2.2.1 数据预处理
        • 2.2.2 模型选择与训练
        • 2.2.3 模型评估与优化
    • 第三章：性能优化与前沿研究
      • 3.1 性能优化
        • 3.1.1 特征工程
        • 3.1
        • 3.1.3 模型集成
      • 3.2 前沿研究
        • 3.2.1 深度学习在图像分类中的应用
        • 3.2.2 强化学习在图像分类中的应用
        • 3.2.3 联邦学习与隐私保护
    • 结语

引言

图像分类是计算机视觉领域的一项基本任务，通过分析和理解图像中的内容，自动将图像归类到预定义的类别中。随着深度学习技术的发展，机器学习在图像分类中的应用取得了显著的进展，推动了自动驾驶、医疗影像分析、智能监控等领域的发展。本文将详细介绍机器学习在图像分类中的应用，包括数据预处理、模型选择、模型训练和性能优化。通过具体的案例分析，展示机器学习技术在图像分类中的实际应用，并提供相应的代码示例。
在这里插入图片描述

第一章：机器学习在图像分类中的应用

1.1 数据预处理

在图像分类应用中，数据预处理是机器学习模型成功的关键步骤。图像数据通常具有高维度和复杂性，需要进行清洗、归一化和数据增强等处理。

1.1.1 数据清洗

数据清洗包括去除噪声、裁剪图像和调整图像大小等操作。

import cv2
import numpy as np# 加载图像
image = cv2.imread('image.jpg')# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 去除噪声
denoised_image = cv2.GaussianBlur(gray_image, (5, 5), 0)# 裁剪图像
cropped_image = denoised_image[50:200, 50:200]# 调整图像大小
resized_image = cv2.resize(cropped_image, (128, 128))
1.1.2 数据归一化

数据归一化可以消除不同图像之间的亮度和对比度差异，使模型更容易学习。

# 归一化图像
normalized_image = resized_image / 255.0
1.1.3 数据增强

数据增强通过对训练图像进行随机变换，如旋转、平移、翻转等，增加数据的多样性，提高模型的泛化能力。

from keras.preprocessing.image import ImageDataGenerator# 创建数据增强生成器
datagen = ImageDataGenerator(rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,horizontal_flip=True
)# 生成增强图像
augmented_images = datagen.flow(np.expand_dims(normalized_image, axis=0), batch_size=1)

1.2 模型选择

在图像分类中，常用的机器学习模型包括卷积神经网络（CNN）、迁移学习模型和混合模型等。不同模型适用于不同的任务和数据特征，需要根据具体应用场景进行选择。

1.2.1 卷积神经网络

卷积神经网络（CNN）是图像分类领域的基础模型，通过卷积层、池化层和全连接层的组合，提取图像的特征，实现图像分类。

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense# 构建卷积神经网络模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
1.2.2 迁移学习

迁移学习通过使用预训练模型，如VGG、ResNet等，在已有的模型基础上进行微调，适用于数据量较小或训练时间有限的场景。

from keras.applications import VGG16
from keras.models import Model
from keras.layers import GlobalAveragePooling2D# 加载预训练模型
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(128, 128, 3))# 冻结预训练模型的层
for layer in base_model.layers:layer.trainable = False# 添加自定义分类层
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(128, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)# 构建迁移学习模型
model = Model(inputs=base_model.input, outputs=predictions)# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
1.2.3 混合模型

混合模型结合多个模型的优点，通过集成学习的方法提高模型的稳定性和预测精度。

from keras.models import Model
from keras.layers import concatenate# 构建两个子模型
model1 = Sequential()
model1.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 1)))
model1.add(MaxPooling2D((2, 2)))
model1.add(Flatten())model2 = Sequential()
model2.add(Conv2D(64, (3, 3), activation='relu', input_shape=(128, 128, 1)))
model2.add(MaxPooling2D((2, 2)))
model2.add(Flatten())# 合并子模型
combined = concatenate([model1.output, model2.output])
x = Dense(128, activation='relu')(combined)
output = Dense(10, activation='softmax')(x)# 构建混合模型
model = Model(inputs=[model1.input, model2.input], outputs=output)# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

1.3 模型训练

模型训练是机器学习的核心步骤，通过优化算法最小化损失函数，调整模型参数，使模型在训练数据上表现良好。常见的优化算法包括梯度下降、随机梯度下降和Adam优化器等。

1.3.1 梯度下降

梯度下降通过计算损失函数对模型参数的导数，逐步调整参数，使损失函数最小化。

import numpy as np# 定义损失函数
def loss_function(y_true, y_pred):return np.mean((y_true - y_pred) ** 2)# 梯度下降优化
def gradient_descent(X, y, learning_rate=0.01, epochs=1000):m, n = X.shapetheta = np.zeros(n)for epoch in range(epochs):gradient = (1/m) * X.T.dot(X.dot(theta) - y)theta -= learning_rate * gradientreturn theta# 训练模型
theta = gradient_descent(X_train, y_train)
1.3.2 随机梯度下降

随机梯度下降在每次迭代中使用一个样本进行参数更新，具有较快的收敛速度和更好的泛化能力。

def stochastic_gradient_descent(X, y, learning_rate=0.01, epochs=1000):m, n = X.shapetheta = np.zeros(n)for epoch in range(epochs):for i in range(m):gradient = X[i].dot(theta) - y[i]theta -= learning_rate * gradient * X[i]return theta# 训练模型
theta = stochastic_gradient_descent(X_train, y_train)
1.3.3 Adam优化器

Adam优化器结合了动量和自适应学习率的优点，能够快速有效地优化模型参数。

from keras.optimizers import Adam# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='categorical_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

1.4 模型评估与性能优化

模型评估是衡量模型在测试数据上的表现，通过计算模型的准确率、召回率、F1-score等指标，评估模型的性能。性能优化包括调整超参数、增加数据量和模型集成等方法。

1.4.1 模型评估指标

常见的模型评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1-score等。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score# 计算评估指标
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='weighted')
recall = recall_score(y_test, y_pred, average='weighted')
f1 = f1_score(y_test, y_pred, average='weighted')print(f'Accuracy: {accuracy}')
print(f'Precision: {precision}')
print(f'Recall: {recall}')
print(f'F1-score: {f1}')
1.4.2 超参数调优

通过网格搜索（Grid Search）和随机搜索（Random Search）等方法，对模型的超参数进行调优，找到最优的参数组合。

from sklearn.model_selection import GridSearchCV# 定义超参数网格
param_grid = {'batch_size': [16, 32, 64],'epochs': [10, 20, 30]
}# 网格搜索
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)# 输出最优参数
best_params = grid_search.best_params_
print(f'Best parameters: {best_params}')# 使用最优参数训练模型
model = model.set_params(**best_params)
model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))
1.4.3 增加数据量

通过数据增强和采样技术，增加训练数据量，提高模型的泛化能力和预测性能。

from imblearn.over_sampling import SMOTE# 数据增强
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train, y_train)# 训练模型
model.fit(X_resampled, y_resampled, epochs=10, validation_data=(X_test, y_test))
1.4.4 模型集成

通过模型集成的方法，将多个模型的预测结果进行组合，提高模型的稳定性和预测精度。常见的模型集成方法包括Bagging、Boosting和Stacking等。

from sklearn.ensemble import VotingClassifier# 构建模型集成
ensemble_model = VotingClassifier(estimators=[('cnn', model1),('vgg', model2)
], voting='soft')# 训练集成模型
ensemble_model.fit(X_train, y_train)# 预测与评估
y_pred = ensemble_model.predict(X_test)

在这里插入图片描述

第二章：图像分类的具体案例分析

2.1 手写数字识别

手写数字识别是图像分类中的经典问题，通过分析手写数字图像，识别每个数字的类别。以下是手写数字识别的具体案例分析。

2.1.1 数据预处理

首先，对手写数字数据集进行预处理，包括数据清洗、归一化和数据增强。

from keras.datasets import mnist
from keras.utils import to_categorical# 加载手写数字数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()# 数据清洗
X_train = X_train / 255.0
X_test = X_test / 255.0# 扩展维度
X_train = np.expand_dims(X_train, axis=-1)
X_test = np.expand_dims(X_test, axis=-1)# 标签编码
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)# 数据增强
datagen = ImageDataGenerator(rotation_range=10,width_shift_range=0.1,height_shift_range=0.1,horizontal_flip=False
)
datagen.fit(X_train)
2.1.2 模型选择与训练

选择合适的模型进行训练，这里以卷积神经网络为例。

# 构建卷积神经网络模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=10, validation_data=(X_test, y_test))
2.1.3 模型评估与优化

评估模型的性能，并进行超参数调优和数据增强。

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f'Accuracy: {accuracy}')# 超参数调优
param_grid = {'batch_size': [16, 32, 64],'epochs': [10, 20, 30]
}
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)
best_params = grid_search.best_params_
print(f'Best parameters: {best_params}')# 使用最优参数训练模型
model = model.set_params(**best_params)
model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=10, validation_data=(X_test, y_test))# 数据增强
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train.reshape(X_train.shape[0], -1), y_train)
model.fit(X_resampled.reshape(-1, 28, 28, 1), y_resampled)# 预测与评估
y_pred = model.predict(X_test)

2.2 图像分类

图像分类是通过分析图像的内容，将图像分配到预定义的类别中。以下是图像分类的具体案例分析。

2.2.1 数据预处理
from keras.datasets import cifar10
from keras.utils import to_categorical# 加载图像分类数据集
(X_train, y_train), (X_test, y_test) = cifar10.load_data()# 数据清洗
X_train = X_train / 255.0
X_test = X_test / 255.0# 标签编码
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)# 数据增强
datagen = ImageDataGenerator(rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,horizontal_flip=True
)
datagen.fit(X_train)
2.2.2 模型选择与训练

选择合适的模型进行训练，这里以迁移学习为例。

# 加载预训练模型
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(32, 32, 3))# 冻结预训练模型的层
for layer in base_model.layers:layer.trainable = False# 添加自定义分类层
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(128, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)# 构建迁移学习模型
model = Model(inputs=base_model.input, outputs=predictions)# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=10, validation_data=(X_test, y_test))
2.2.3 模型评估与优化

评估模型的性能，并进行超参数调优和数据增强。

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f'Accuracy: {accuracy}')# 超参数调优
param_grid = {'batch_size': [16, 32, 64],'epochs': [10, 20, 30]
}
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)
best_params = grid_search.best_params_
print(f'Best parameters: {best_params}')# 使用最优参数训练模型
model = model.set_params(**best_params)
model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=10, validation_data=(X_test, y_test))# 数据增强
smote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X_train.reshape(X_train.shape[0], -1), y_train)
model.fit(X_resampled.reshape(-1, 32, 32, 3), y_resampled)# 预测与评估
y_pred = model.predict(X_test)

在这里插入图片描述

第三章：性能优化与前沿研究

3.1 性能优化

3.1.1 特征工程

通过特征选择、特征提取和特征构造，优化模型的输入，提高模型的性能。

from sklearn.feature_selection import SelectKBest, f_classif# 特征选择
selector = SelectKBest(score_func=f_classif, k=10)
X_selected = selector.fit_transform(X, y)
3.1

.2 超参数调优
通过网格搜索和随机搜索，找到模型的最优超参数组合。

from sklearn.model_selection import RandomizedSearchCV# 随机搜索
param_dist = {'n_estimators': [50, 100, 150],'max_depth': [3, 5, 7, 10],'min_samples_split': [2, 5, 10]
}
random_search = RandomizedSearchCV(estimator=RandomForestClassifier(), param_distributions=param_dist, n_iter=10, cv=5, scoring='accuracy')
random_search.fit(X_train, y_train)
best_params = random_search.best_params_
print(f'Best parameters: {best_params}')# 使用最优参数训练模型
model = RandomForestClassifier(**best_params)
model.fit(X_train, y_train)# 预测与评估
y_pred = model.predict(X_test)
3.1.3 模型集成

通过模型集成，提高模型的稳定性和预测精度。

from sklearn.ensemble import StackingClassifier# 构建模型集成
stacking_model = StackingClassifier(estimators=[('cnn', model1),('vgg', model2)
], final_estimator=LogisticRegression())# 训练集成模型
stacking_model.fit(X_train, y_train)# 预测与评估
y_pred = stacking_model.predict(X_test)

3.2 前沿研究

3.2.1 深度学习在图像分类中的应用

深度学习在图像分类中的应用包括卷积神经网络、生成对抗网络和自监督学习等。

3.2.2 强化学习在图像分类中的应用

强化学习通过与环境的交互，不断优化识别策略，在动态目标检测和自动驾驶中具有广泛的应用前景。

3.2.3 联邦学习与隐私保护

联邦学习通过在不交换数据的情况下进行联合建模，保护用户数据隐私，提高图像分类系统的安全性和公平性。

结语

机器学习作为图像分类领域的重要技术，已经在多个应用场景中取得了显著的成果。通过对数据的深入挖掘和模型的不断优化，机器学习技术将在图像分类中发挥更大的作用，推动计算机视觉和人工智能的发展。

在这里插入图片描述

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/379101.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

SD-WAN组网搭建5G备份方案实现方式

SD-WAN组网搭建5G备份方案实现方式

SD-WAN（Software-Defined Wide Area Network，软件定义广域网）结合5G作为备份链路是现代企业网络弹性策略的一部分，尤其是在需要高可用性和快速故障切换的场景下。以下是实现SD-WAN组网并集成5G备份方案的一般步骤： 1. …
阅读更多...
Postfix+Dovecot+Roundcube开源邮件系统搭建系列1-2：系统搭建目标+MariaDB数据库配置（MySQL）

Postfix+Dovecot+Roundcube开源邮件系统搭建系列1-2：系统搭建目标+MariaDB数据库配置（MySQL）

1. 系统搭建目标 通过本系列文章，最终可以部署一套提供如下服务的邮件系统： SMTP服务：由Postfix提供，监听25、465、587端口。POP3服务：由Dovecot提供，监听110、995端口。IMAP服务：由Dovecot提…
阅读更多...
2024全球和国内最常用的弱密码，有没有你的？

2024全球和国内最常用的弱密码，有没有你的？

密码管理器NordPass分析了来自公开来源的超过4.3TB 的密码数据，找出了当前为止（2024年）最常用（最脆弱）的密码。 这些密码主要有下面这些特征： 简单且常用，万年弱密码，比如123456、a…
阅读更多...
Qt支持LG高级汽车内容平台

Qt支持LG高级汽车内容平台

Qt Group与LG 电子（简称LG）正携手合作，将Qt软件框架嵌入其基于 webOS的ACPLG车载娱乐平台，用于应用程序开发。该合作旨在让原始设备制造商（OEM）的开发者和设计师能为汽车创建更具创新性的沉浸式汽车内容流媒…
阅读更多...
Flutter应用开发：掌握StatefulWidget的实用技巧

Flutter应用开发：掌握StatefulWidget的实用技巧

前言 随着移动应用的日益复杂，状态管理成为了 Flutter 应用开发中的一项重要挑战。 状态，即应用中的可变数据，它驱动着用户界面的渲染和交互。 在 Flutter 这样的声明式 UI 框架中，如何高效、可维护地管理状态，对于…
阅读更多...
linux环境安装mongoDB

linux环境安装mongoDB

一、安装单体mogodb 目标：在Linux中部署一个单机的MongoDB，作为生产环境下使用。 提示：和Windows下操作差不多。 步骤如下： （1）先到官网下载压缩包 mongod-linux-x86_64-4.0.10.tgz 。 （2&…
阅读更多...
WEB前端06-BOM对象

WEB前端06-BOM对象

BOM浏览器对象模型 浏览器对象模型：将浏览器的各个组成部分封装成对象。是用于描述浏览器中对象与对象之间层次关系的模型，提供了独立于页面内容、并能够与浏览器窗口进行交互的对象结构。 组成部分 Window：浏览器窗口对象 Navigator&…
阅读更多...
【STC89C51单片机】定时器中断系统

【STC89C51单片机】定时器中断系统

中断概念 中断是一种重要的硬件机制，用于在处理器正在执行程序时，能够及时响应某些外部或内部事件。中断可以临时中止当前正在执行的指令序列，转而去执行专门的中断服务程序（ISR，Interrupt Service Routine&#xff0…
阅读更多...
Linux系统部署MySQL数据库

Linux系统部署MySQL数据库

1.Linux插入光盘，使用df-h获取光盘信息，默认/dev/sr0文件为光盘文件 使用命令 mount -o ro /dev/sr0 /media进行手动挂载 mount -o ro /dev/sr0 /media 2.进入cd /etc/yum.repos.d目录 编辑配置yum库，编辑vim yum.repos [BaseOS] nameba…
阅读更多...
Re：从零开始的C++世界——类和对象(下)

Re：从零开始的C++世界——类和对象(下)

文章目录 前言1.再谈构造函数🍎构造函数体赋值🍎初始化列表🍎特性🍌特性一🍌特性二🍌特性三🍌特性四🍌特性五 🍎explicit 关键字 2.static成员🍎概念&#x1…
阅读更多...
边缘设备使用记录--阿加犀AIBox 6490

边缘设备使用记录--阿加犀AIBox 6490

边缘设备使用记录--阿加犀AIBox 6490 设备介绍设备连接glog && gflagsonnx2tfliteAidLite SDK for C模型输入输出的shape执行推断 OpenCV使用 设备介绍 阿加犀AIBox 6490是一款基于高通QCS6490平台的高性价比智能边缘计算终端，具有14TOPS AI算力&#xff0…
阅读更多...
Springboot整合ShardingJdbc实现分库分表方案

Springboot整合ShardingJdbc实现分库分表方案

一、创建库表 1、创建两个数据库 CREATE SCHEMA shard_db_0 DEFAULT CHARACTER SET utf8 ; CREATE SCHEMA shard_db_1 DEFAULT CHARACTER SET utf8 ; 2、在每个数据库各创建三个分表 CREATE TABLE tb_order_0 (order_id bigint(20) NOT NULL,buyer_id bigint(20) not null …
阅读更多...
dom4j 操作 xml 之按照顺序插入标签

dom4j 操作 xml 之按照顺序插入标签

最近学了一下 dom4j 操作 xml 文件，特此记录一下。 public class Dom4jNullTagFiller {public static void main(String[] args) throws DocumentException {SAXReader reader new SAXReader();//加载 xml 文件Document document reader.read("C:\\Users\\24…
阅读更多...
【数据结构】探索排序的奥秘

【数据结构】探索排序的奥秘

若有不懂地方，可查阅我之前文章哦！ 个人主页：小八哥向前冲~_csdn博客 所属专栏：数据结构_专栏 目录 排序的概念 几种排序方法介绍 冒泡排序 选择排序 插入排序 堆排序 向上调整建堆排序 向下调整建堆排序 希尔排序 快速…
阅读更多...
前后端数据交互设计到的跨域问题

前后端数据交互设计到的跨域问题

前后端分离项目的跨域问题及解决办法 一、跨域简述 1、问题描述 这里前端vue项目的端口号为9000，后端springboot项目的端口号为8080 2、什么是跨域 当一个请求url的协议、域名、端口三者之间任意一个与当前页面url不同即为跨域 当前页面url被请求页面url是否…
阅读更多...
K8S 上部署 Emqx

K8S 上部署 Emqx

文章目录 安装方式一：1. 快速部署一个简单的 EMQX 集群：2. 部署一个持久化的 EMQX 集群：3. 部署 EMQX Edge 集群和 EMQX 企业版集群： 安装方式二：定制化部署1. 使用 Pod 直接部署 EMQX Broker2. 使用 Deoloyment 部署 …
阅读更多...
Jmeter关联

Jmeter关联

案例脚本实现：选择商品加入购物车 客户端发送一个登录的HTTP请求，服务端返回一个带着token的响应，后续发出一个带token信息的加入购物车的HTTP请求，返回响应。 关联：当请求直接由依赖关系的时候，比如一个请…
阅读更多...
LLM基础模型系列：Prompt-Tuning

LLM基础模型系列：Prompt-Tuning

------->更多内容&#xff0c;请移步“鲁班秘笈”&#xff01;&#xff01;<------ 大型预训练语言模型的规模不断扩大&#xff0c;在许多自然语言处理 &#xff08;NLP&#xff09; 基准测试中取得了最先进的结果。自GPT和BERT开发以来&#xff0c;标准做法一直是在下游…
阅读更多...
IDEA中Git常用操作及Git存储原理

IDEA中Git常用操作及Git存储原理

Git简介与使用 Intro Git is a free and open source distributed version control system designed to handle everything from small to very large projects with speed and efficiency. Git是一款分布式版本控制系统&#xff08;VCS&#xff09;&#xff0c;是团队合作开发…
阅读更多...
2010-2022年别克英朗维修手册电路图线路图接线图资料更新

2010-2022年别克英朗维修手册电路图线路图接线图资料更新

经过整理&#xff0c;2010-2022年别克英朗汽车全系列已经更新至汽修帮手资料库内&#xff0c;覆盖市面上99%车型&#xff0c;包括维修手册、电路图、新车特征、车身钣金维修数据、全车拆装、扭力、发动机大修、发动机正时、保养、电路图、针脚定义、模块传感器、保险丝盒图解对…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发