【人工智能】Python融合机器学习、深度学习和微服务的创新之路

  • 1. 🚀 引言
    • 1.1 🚀 人工智能的现状与发展趋势
    • 1.2 📜 机器学习、深度学习和神经网络的基本概念
    • 1.3 🏆 微服务架构在人工智能中的作用
  • 2. 🔍 机器学习的演变与创新
    • 2.1 🌟 机器学习的历史回顾
    • 2.2 🧠传统机器学习算法的优势与不足
    • 2.3 🚀 新兴机器学习算法的探索与应用
    • 2.4 🎙️案例分析:机器学习在推荐系统中的应用
  • 3. 🧠 深度学习:突破传统的限制
    • 3.1 📜 深度学习的起源与发展
    • 3.2 📷 卷积神经网络(CNN)的革新
    • 3.3 📝 循环神经网络(RNN)与自然语言处理
    • 3.4 🎨 生成对抗网络(GAN)的应用与挑战
    • 3.5 🖼️ 案例分析:深度学习在图像识别中的应用
  • 4. 🌐 神经网络的前沿进展
    • 4.1 💡神经网络的基本结构与工作原理
    • 4.2 🌟 多层感知机(MLP)的最新进展
    • 4.3 🔍 自注意力机制与变换器模型(Transformers)
    • 4.4 🚀 神经架构搜索(NAS)的未来趋势
    • 4.5 🎙️ 案例分析:神经网络在语音识别中的应用
  • 5. 🛠️ 微服务架构:构建灵活的AI系统
    • 5.1 🏗️ 微服务的基本概念与架构设计
    • 5.2 📊 微服务与传统单体应用的比较
    • 5.3 🏆 微服务在AI系统中的优势
    • 5.4 📦 容器化与服务编排技术
    • 5.5 💡 案例分析:基于微服务的AI平台设计
  • 6. 🌟 创新应用:将AI技术与微服务结合
    • 6.1 ⚡ 实时数据处理与AI服务的集成
    • 6.2 🔧 AI模型的版本控制与服务治理
    • 6.3 ⚖️ 动态扩展与负载均衡
    • 6.4 🤖 案例分析:微服务架构下的智能客服系统
  • 7. 🔮 挑战与未来展望
    • 7.1 🚧 AI技术在实际应用中的挑战
    • 7.2 🔐 数据隐私与安全问题
    • 7.3 🌐 AI伦理与社会影响
    • 7.4 🔮 未来的技术趋势与发展方向
  • 8. ✨ 结论
    • 8.1 📚 总结全文的主要观点
    • 8.2 🚀 对未来发展的预测与建议

在这里插入图片描述
在这里插入图片描述

个人主页:C_GUIQU

在这里插入图片描述

1. 🚀 引言

1.1 🚀 人工智能的现状与发展趋势

人工智能(AI)技术正快速发展并应用于各个行业。下面的代码示例展示了如何使用Python和TensorFlow创建一个简单的机器学习模型,这个模型可以作为AI技术的基础应用。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 创建一个简单的神经网络模型
model = Sequential([Dense(64, activation='relu', input_shape=(10,)),Dense(64, activation='relu'),Dense(1, activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 打印模型摘要
model.summary()

解释:以上代码创建了一个简单的全连接神经网络模型,该模型包含两个隐藏层和一个输出层,用于二分类任务。Dense层用于添加全连接层,relu是激活函数,sigmoid用于输出层以进行二分类。

1.2 📜 机器学习、深度学习和神经网络的基本概念

机器学习、深度学习和神经网络是AI的核心组成部分。以下是每种技术的代码示例:

  • 机器学习(ML):使用Scikit-learn进行线性回归。
from sklearn.linear_model import LinearRegression
import numpy as np# 模拟数据
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])# 创建并训练模型
model = LinearRegression()
model.fit(X, y)# 进行预测
predictions = model.predict(np.array([[6]]))
print(predictions)

解释:这段代码展示了如何使用Scikit-learn进行线性回归。它创建了一个模型,训练它,并对新数据进行预测。

  • 深度学习(DL):使用TensorFlow进行深度神经网络训练。
import tensorflow as tf# 模型定义
model = tf.keras.Sequential([tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])# 模型训练
# (这里应加载训练数据,示例中省略)
# model.fit(train_data, train_labels, epochs=5)

解释:这段代码定义了一个深度神经网络模型,适用于分类任务。Dense层用于定义全连接层,softmax用于多分类问题的输出层。

1.3 🏆 微服务架构在人工智能中的作用

微服务架构将应用拆分成独立的服务,每个服务可独立部署。以下是使用Docker部署微服务的示例代码:

# Dockerfile 示例
FROM python:3.8-slim# 设置工作目录
WORKDIR /app# 复制项目文件
COPY . /app# 安装依赖
RUN pip install -r requirements.txt# 设置环境变量
ENV FLASK_APP=app.py# 启动应用
CMD ["flask", "run", "--host=0.0.0.0"]

解释:这段Dockerfile代码示例展示了如何使用Docker来部署一个Python微服务应用。它定义了基础镜像,设置工作目录,复制文件,并安装依赖。

2. 🔍 机器学习的演变与创新

2.1 🌟 机器学习的历史回顾

机器学习的历史包括从最早的算法到现代复杂模型的演变。下面是一个使用Scikit-learn实现决策树的代码示例:

from sklearn.tree import DecisionTreeClassifier
import numpy as np# 模拟数据
X = np.array([[0], [1], [2], [3], [4]])
y = np.array([0, 0, 1, 1, 1])# 创建并训练决策树模型
model = DecisionTreeClassifier()
model.fit(X, y)# 进行预测
predictions = model.predict(np.array([[2.5]]))
print(predictions)

解释:以上代码演示了如何使用决策树分类器进行训练和预测。它创建了一个决策树模型,用于根据输入数据进行分类。

2.2 🧠传统机器学习算法的优势与不足

传统算法如支持向量机(SVM)和随机森林(RF)在许多场景中表现良好。以下是使用Scikit-learn实现随机森林的代码示例:

from sklearn.ensemble import RandomForestClassifier
import numpy as np# 模拟数据
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([0, 1, 0, 1, 0])# 创建并训练随机森林模型
model = RandomForestClassifier(n_estimators=10)
model.fit(X, y)# 进行预测
predictions = model.predict(np.array([[2.5]]))
print(predictions)

解释:这段代码展示了如何使用随机森林分类器进行训练和预测。它创建了一个随机森林模型,并对新数据进行预测。

2.3 🚀 新兴机器学习算法的探索与应用

  • XGBoost:高效的梯度提升算法,适用于大规模数据。
import xgboost as xgb
import numpy as np# 模拟数据
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([0, 1, 0, 1, 0])# 创建并训练XGBoost模型
model = xgb.XGBClassifier()
model.fit(X, y)# 进行预测
predictions = model.predict(np.array([[2.5]]))
print(predictions)

解释:这段代码演示了如何使用XGBoost进行分类任务。它创建了一个XGBoost分类器,进行模型训练和预测。

  • LightGBM:高效的梯度提升框架。
import lightgbm as lgb
import numpy as np# 模拟数据
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([0, 1, 0, 1, 0])# 创建并训练LightGBM模型
model = lgb.LGBMClassifier()
model.fit(X, y)# 进行预测
predictions = model.predict(np.array([[2.5]]))
print(predictions)

解释:这段代码演示了如何使用LightGBM进行分类任务。它创建了一个LightGBM分类器,用于训练和预测。

2.4 🎙️案例分析:机器学习在推荐系统中的应用

推荐系统使用机器学习算法提供个性化推荐。以下是实现协同过滤的简单代码示例:

import pandas as pd
from sklearn.neighbors import NearestNeighbors# 模拟数据
data = pd.DataFrame({'user': [1, 1, 2, 2, 3],'item': [1, 2, 1, 3, 2],'rating': [5, 3, 4, 2, 5]
})# 创建协同过滤模型
model = NearestNeighbors(n_neighbors=2)
model.fit(data[['user', 'item']])# 进行推荐
distances, indices = model.kneighbors([[1, 1]])
print(indices)

解释:这段代码演示了如何使用最近邻算法实现简单的协同过滤推荐系统。它使用NearestNeighbors模型进行用户和项目的推荐。

3. 🧠 深度学习:突破传统的限制

3.1 📜 深度学习的起源与发展

深度学习的关键技术进展包括反向传播算法。以下是一个反向传播训练神经网络的代码示例:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 模型定义
model = Sequential([Dense(64, activation='relu', input_shape=(784,)),Dense(64, activation='relu'),Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])# 模型训练
# (这里应加载训练数据,示例中省略)
# model.fit(train_data, train_labels, epochs=5)

解释:这段代码展示了如何使用TensorFlow进行深度学习模型的定义和训练,利用反向传播算法优化模型权重。

3.2 📷 卷积神经网络(CNN)的革新

卷积

神经网络在图像处理中的成功可以通过以下代码示例展示:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense# 创建CNN模型
model = Sequential([Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),MaxPooling2D((2, 2)),Flatten(),Dense(64, activation='relu'),Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

解释:这段代码定义了一个卷积神经网络模型,包括卷积层、池化层、展平层和全连接层,适用于图像分类任务。

3.3 📝 循环神经网络(RNN)与自然语言处理

循环神经网络及其变体在处理序列数据方面表现出色。以下是使用LSTM进行文本生成的代码示例:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense# 创建LSTM模型
model = Sequential([LSTM(128, input_shape=(None, 50)),Dense(50, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy')

解释:这段代码定义了一个LSTM网络,用于处理序列数据。LSTM层可以捕捉序列中的长期依赖关系,适用于文本生成等任务。

3.4 🎨 生成对抗网络(GAN)的应用与挑战

生成对抗网络通过对抗训练生成逼真的数据。以下是一个简单GAN的代码示例:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 生成器模型
generator = Sequential([Dense(128, activation='relu', input_dim=100),Dense(784, activation='sigmoid')
])# 判别器模型
discriminator = Sequential([Dense(128, activation='relu', input_dim=784),Dense(1, activation='sigmoid')
])# 编译判别器
discriminator.compile(optimizer='adam', loss='binary_crossentropy')# GAN模型
discriminator.trainable = False
gan = Sequential([generator, discriminator])
gan.compile(optimizer='adam', loss='binary_crossentropy')

解释:以上代码定义了一个简单的GAN模型,包括生成器和判别器。生成器生成数据,判别器判断数据的真实性,GAN通过对抗训练改进生成器的能力。

3.5 🖼️ 案例分析:深度学习在图像识别中的应用

深度学习在图像识别中具有广泛应用。以下是一个使用预训练模型进行图像分类的代码示例:

from tensorflow.keras.applications import VGG16
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.vgg16 import preprocess_input, decode_predictions
import numpy as np# 加载预训练模型
model = VGG16(weights='imagenet')# 加载和预处理图像
img_path = 'path_to_image.jpg'
img = image.load_img(img_path, target_size=(224, 224))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array = preprocess_input(img_array)# 进行预测
predictions = model.predict(img_array)
decoded_predictions = decode_predictions(predictions, top=3)[0]
print(decoded_predictions)

解释:这段代码展示了如何使用预训练的VGG16模型进行图像分类。它加载图像,预处理并通过模型进行预测,然后解码预测结果。

4. 🌐 神经网络的前沿进展

4.1 💡神经网络的基本结构与工作原理

神经网络由输入层、隐藏层和输出层组成。以下是创建基本神经网络的代码示例:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 创建神经网络模型
model = Sequential([Dense(32, activation='relu', input_shape=(10,)),Dense(32, activation='relu'),Dense(1, activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

解释:这段代码定义了一个简单的神经网络模型,包括两个隐藏层和一个输出层,适用于二分类任务。

4.2 🌟 多层感知机(MLP)的最新进展

多层感知机(MLP)在处理任务中得到改进。以下是使用ReLU和Dropout技术的代码示例:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout# 创建改进的MLP模型
model = Sequential([Dense(128, activation='relu', input_shape=(784,)),Dropout(0.5),Dense(64, activation='relu'),Dense(10, activation='softmax')
])# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

解释:这段代码定义了一个MLP模型,使用了ReLU激活函数和Dropout技术来防止过拟合。

4.3 🔍 自注意力机制与变换器模型(Transformers)

变换器模型通过自注意力机制处理序列数据。以下是使用TensorFlow创建一个简单变换器模型的代码示例:

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, LayerNormalization, MultiHeadAttention# 定义变换器模型
inputs = Input(shape=(None, 64))
x = MultiHeadAttention(num_heads=2, key_dim=64)(inputs, inputs)
x = LayerNormalization()(x)
x = Dense(64, activation='relu')(x)
outputs = Dense(10, activation='softmax')(x)model = tf.keras.Model(inputs=inputs, outputs=outputs)# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

解释:这段代码定义了一个简单的变换器模型,包括自注意力层和全连接层,用于处理序列数据。

4.4 🚀 神经架构搜索(NAS)的未来趋势

神经架构搜索(NAS)通过自动化设计神经网络架构。以下是一个简单的NAS示例代码:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# 定义基础模型
def create_model(layers):model = Sequential()model.add(Dense(64, activation='relu', input_shape=(784,)))for _ in range(layers):model.add(Dense(64, activation='relu'))model.add(Dense(10, activation='softmax'))return model# 创建和编译模型
model = create_model(3)
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

解释:这段代码演示了如何创建一个具有可变隐藏层数量的神经网络模型。通过调整层数,进行模型的优化和实验。

4.5 🎙️ 案例分析:神经网络在语音识别中的应用

神经网络在语音识别中的应用可以通过以下代码示例展示:

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, LSTM# 创建语音识别模型
inputs = Input(shape=(None, 13))  # 假设每帧13个特征
x = LSTM(128, return_sequences=True)(inputs)
x = LSTM(64)(x)
outputs = Dense(10, activation='softmax')(x)model = tf.keras.Model(inputs=inputs, outputs=outputs)# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

解释:这段代码展示了如何使用LSTM层创建一个语音识别模型,适用于处理时间序列数据并进行分类。

5. 🛠️ 微服务架构:构建灵活的AI系统

5.1 🏗️ 微服务的基本概念与架构设计

微服务架构将应用拆分为多个小服务。以下是使用Flask创建一个简单微服务的代码示例:

from flask import Flask, jsonify, requestapp = Flask(__name__)@app.route('/predict', methods=['POST'])
def predict():data = request.get_json()# 处理请求数据prediction = {'result': 'example'}return jsonify(prediction)if __name__ == '__main__':app.run(debug=True)

解释:这段代码展示了如何使用Flask创建一个基本的微服务。服务提供了一个预测接口,接受POST请求并返回预测结果。

5.2 📊 微服务与传统单体应用的比较

微服务架构与传统单体应用的比较可以从以下代码示例中体现:

  • 单体应用:所有功能模块集中在

一个应用中,难以扩展和维护。

  • 微服务架构:各个功能模块独立,易于扩展和维护。

5.3 🏆 微服务在AI系统中的优势

微服务在AI系统中的优势包括:

  • 独立部署:每个服务可以独立部署和更新。
  • 灵活扩展:根据需求对特定服务进行扩展。

5.4 📦 容器化与服务编排技术

容器化技术和服务编排工具使微服务管理更加高效。以下是使用Docker创建容器的示例:

# 创建Dockerfile
FROM python:3.8
RUN pip install flask
COPY app.py /app.py
CMD ["python", "/app.py"]

解释:这段Dockerfile代码展示了如何创建一个容器镜像,包括安装Flask和复制应用代码。

5.5 💡 案例分析:基于微服务的AI平台设计

一个基于微服务的AI平台包括以下模块:

  • 数据处理服务:负责数据清洗和预处理。
  • 模型训练服务:进行模型训练和优化。
  • 预测服务:提供实时预测和决策支持。

6. 🌟 创新应用:将AI技术与微服务结合

6.1 ⚡ 实时数据处理与AI服务的集成

实时数据处理和AI服务的集成可以通过以下代码示例实现:

from kafka import KafkaConsumer
import requests# Kafka消费者
consumer = KafkaConsumer('sensor_data', bootstrap_servers='localhost:9092')for message in consumer:data = message.value# 发送数据到AI服务进行处理response = requests.post('http://ai-service/predict', json={'data': data})print(response.json())

解释:这段代码展示了如何从Kafka中消费实时数据并将其发送到AI服务进行处理。

6.2 🔧 AI模型的版本控制与服务治理

AI模型的版本控制可以通过MLflow实现:

import mlflow# 保存模型
with mlflow.start_run():mlflow.log_param("param1", 5)mlflow.log_metric("metric1", 0.95)mlflow.sklearn.log_model(model, "model")

解释:这段代码展示了如何使用MLflow记录和管理模型的版本和参数。

6.3 ⚖️ 动态扩展与负载均衡

动态扩展和负载均衡可以通过Kubernetes实现:

apiVersion: apps/v1
kind: Deployment
metadata:name: ai-service
spec:replicas: 3selector:matchLabels:app: ai-servicetemplate:metadata:labels:app: ai-servicespec:containers:- name: ai-serviceimage: ai-service:latestports:- containerPort: 8080

解释:这段Kubernetes YAML配置文件展示了如何部署一个具有3个副本的AI服务,并实现负载均衡和自动扩展。

6.4 🤖 案例分析:微服务架构下的智能客服系统

智能客服系统可以通过微服务架构实现:

  • 自然语言理解:处理用户输入并理解其意图。
  • 对话管理:管理对话状态和上下文。
  • 知识库服务:提供相关的信息和答案。

7. 🔮 挑战与未来展望

7.1 🚧 AI技术在实际应用中的挑战

AI技术在实际应用中面临以下挑战:

  • 数据质量问题:影响模型效果的数据问题。
  • 模型泛化能力不足:训练数据与实际应用表现的差异。
  • 计算资源需求:深度学习模型的高计算需求。

7.2 🔐 数据隐私与安全问题

数据隐私和安全问题包括:

  • 数据泄露:敏感数据的非法访问。
  • 隐私侵犯:未经授权的数据收集和使用。

7.3 🌐 AI伦理与社会影响

AI伦理问题和社会影响包括:

  • 算法偏见:数据中的偏见可能被放大。
  • 自动化对就业的影响:自动化可能导致职业消失。

7.4 🔮 未来的技术趋势与发展方向

未来的技术趋势包括:

  • AI的普适性:AI技术的普及和广泛应用。
  • 量子计算与AI的结合:提升AI计算能力的潜力。
  • AI与边缘计算的融合:提高实时处理能力的可能性。

8. ✨ 结论

8.1 📚 总结全文的主要观点

本文探讨了AI技术的发展历程、创新应用和微服务架构的作用。总结观点包括:

  • 技术进步:AI技术在算法和应用方面的显著进展。
  • 微服务架构:提高了AI系统的灵活性和可扩展性。
  • 挑战与展望:数据隐私、伦理和未来技术趋势的挑战和机遇。

8.2 🚀 对未来发展的预测与建议

未来,AI技术将继续发展,建议包括:

  • 关注新兴技术:如量子计算和边缘计算。
  • 改进技术:应对不断变化的需求和挑战。
  • 制定伦理标准:推动AI技术的健康发展和制定合理的伦理标准。

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/404257.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

UE----IPA 安装 在手机上后 显示 不受信任的开发者

进入设置 ----》 点击 通用 ----》点击 VPN与设备管理 点击信任 然后 再打开开发者模式即可 在隐私与安全性里 下滑 最底部 即可看到开发者模式

JavaScript学习笔记(十二):JS Web API

1、Web API - 简介 Web API 是开发人员的梦想。 它可以扩展浏览器的功能它可以极大简化复杂的功能它可以为复杂的代码提供简单的语法 1.1 什么是 Web API? API 指的是应用程序编程接口(Application Programming Interface)。 Web API 是 …

机器学习第十四章-概率图模型

目录 14.1 隐马尔可夫模型 14.2马尔科夫随机场 14.3条件随机场 14.4学习与推断 14.4.1变量消去 14.4.2信念传播 14.5近似推断 14.5.1 MCMC采样 14.5.2 变分推断 14.6 话题模型 14.1 隐马尔可夫模型 概率围棋型是一类用图来表达变量相关关系的概率模型.它以图为表示工具…

Python入门级[ 基础语法 函数... ] 笔记 例题较多

本文是刚学习Python的笔记,当时使用的编辑器是交互式编程,所以很多代码可能在你们的编译器上面不能运行,我用快引用引起来了,还需要大家自己动手试一试。 内容涉及的比较简单,主要还是Python的语法部分:三…

短链接系统设计方案

背景 需要设计一个短链接系统,主要功能主要有如下几点: ToB: 输入一个长链接,转换成短链接。这个短链接有时效性,可以设定指定过期时间。这个系统的每天会生成千万级别的短链接。数据具备可分析功能。 ToC&#xf…

借助Vercel 十分钟搭建属于自己的AI应用站点

轻松依托 Vercel,快速构建 Nexior AI 平台 Nexior 是一个令人惊叹的开源项目,托管于 GitHub。通过它,您能够一键便捷地部署专属的 AI 应用站点,包括 AI 问答、Midjourney 绘画、知识库问答、艺术二维码等,完全不需要自己去开发 A…

springBoot+ druid配置多数据源

springBoot druid配置多数据源 1.在yml加: spring:#1.JDBC数据源datasource:druid:first:username: PYpassword: ral2024url: jdbc:mysql://localhost:3306/mysql?serverTimezoneUTC&characterEncodingutf8&useUnicodetrue&useSSLfalsedriver-class-n…

前端进行分页Vue3+Setup写法

当后端不方便提供数据分页查询接口时&#xff0c;就需要前端来自己分割进行分页操作 在有可能的情况下还是建议用分页查询接口&#xff0c;减少网络数据传输 首先el-table绑定数组 分页组件&#xff0c;变量自己定义防止报错 <el-paginationlayout"->, total, siz…

HTML中的<fieldset>标签元素框的使用

HTML 提供的 <fieldset> 标签用于在表单中分组相关元素。 <fieldset> 标签会在相关元素周围绘制一个框。 <legend> 标签为 fieldset 元素定义标题。 语法如下&#xff1a; <fieldset><legend>标题</legend><!-- 元素内容... -->…

qt-17不规则窗体

不规则窗体 知识点shape.hshape.cppmain.cpp运行图 知识点 感觉这个就是在图片背景 贴了白色 shape.h #ifndef SHAPE_H #define SHAPE_H#include <QWidget>class Shape : public QWidget {Q_OBJECTpublic:Shape(QWidget *parent nullptr);~Shape(); protected:void m…

最新图像修复论文汇总(2024年以来)(三)

汇总了自2024年以来新提出的高质量图像修复工作&#xff0c;包含扩散模型、transformer、mamba、sam等最前沿的技术&#xff0c;其中一些是ICLR、ICML、CVPR、ECCV、ACM MM 2024年的新作。 这里是第三部分&#xff0c;还有两部分请参阅。 最新图像修复论文汇总&#xff08;20…

【Python快速入门和实践013】Python常用脚本-目标检测之按照类别数量划分数据集

一、功能介绍 这段代码实现了从给定的图像和标签文件夹中分割数据集为训练集、验证集和测试集的功能。以下是代码功能的总结&#xff1a; 创建目标文件夹结构&#xff1a; 在指定的根目录&#xff08;dataset_root&#xff09;下创建images和labels两个文件夹。在这两个文件夹下…

瑞友科技项目经理认证负责人杨文娟受邀为第四届中国项目经理大会演讲嘉宾︱PMO评论

全国项目经理专业人士年度盛会 北京瑞友科技股份有限公司项目经理认证负责人杨文娟女士受邀为PMO评论主办的全国项目经理专业人士年度盛会——2024第四届中国项目经理大会演讲嘉宾&#xff0c;演讲议题为“瑞友科技项目经理人才培养体系落地实践”。大会将于10月26-27日在北京举…

【C++】C++11新增特性

目录 C11简介&#xff1a; 1、统一的列表初始化&#xff1a; std::initializer_list 2、自动类型推导&#xff1a; auto&#xff1a; decltype&#xff1a; 3、final 和 override final&#xff1a; override&#xff1a; 4、默认成员函数控制&#xff1a; 显示缺省…

第132天:内网安全-横向移动Exchange服务有账户CVE漏洞无账户口令爆破

域控环境0day.org 通过网盘分享的文件&#xff1a;131-0day.org内网域环境镜像文件 链接: https://pan.baidu.com/s/1rf_gHVJSNG8PEsiSr7DFSw?pwdr5jc 提取码: r5jc 给win7设置一张nat网卡&#xff0c;其他各个主机都设置为vm2 案例一&#xff1a; 域横向移动-内网服务-Exchan…

如何快速将地址解析为经纬度坐标?

GIS数据转换器的"地址转坐标"功能&#xff0c;可以帮助用户将地址文本快速转换为对应的经纬度坐标&#xff0c;广泛应用于地图定位、数据分析、GIS项目、在线导航、城市规划、紧急服务以及科学研究等多个领域&#xff0c;极大地提高了地理信息处理的效率和准确性。下…

【题解】—— LeetCode一周小结32

&#x1f31f;欢迎来到 我的博客 —— 探索技术的无限可能&#xff01; &#x1f31f;博客的简介&#xff08;文章目录&#xff09; 【题解】—— 每日一道题目栏 上接&#xff1a;【题解】—— LeetCode一周小结31 5.不含连续1的非负整数 题目链接&#xff1a;600. 不含连续…

C++的序列容器——数组

前言&#xff1a; 这篇文章我们就开始新的章节&#xff0c;我们之前说的C/C的缺陷那部分内容就结束了。在开始新的章之前我希望大家可以先对着题目思考一下&#xff0c;C的容器是什么&#xff1f;有什么作用&#xff1f;下面让我们开始新的内容&#xff1a; 目录 前言&#x…

Golang | Leetcode Golang题解之第343题整数拆分

题目&#xff1a; 题解&#xff1a; func integerBreak(n int) int {if n < 3 {return n - 1}quotient : n / 3remainder : n % 3if remainder 0 {return int(math.Pow(3, float64(quotient)))} else if remainder 1 {return int(math.Pow(3, float64(quotient - 1))) * …

简简单单用用perf

实践前提&#xff1a;正确安装 perf 和 FlameGrap。若没安装&#xff0c;心领神会亦可。 1 示例程序 #define m_loop() ({ for(int i0; i < 1000000; i); })void fb(void) {m_loop(); }void fj(void) {fb(); }void fy(void) {m_loop(); }void loop(void) {for (;;) {fy();…