大语言模型训练的全过程:预训练、微调、RLHF

一、 大语言模型的训练过程

在这里插入图片描述

  1. 预训练阶段:PT(Pre training)。使用公开数据经过预训练得到预训练模型,预训练模型具备语言的初步理解;训练周期比较长;
  2. 微调阶段1:SFT(指令微调/有监督微调)。如果想要预训练模型在某个垂直领域(金融、法律、电商等)有更好的知识储备,就需要使用人工标注的QA问答对进行有监督的微调训练,从而得到精调模型;训练周期较短;
  3. 微调阶段2:对齐/强化训练。精调模型的输出并不是全部都令人满意的,我们还需要让模型知道回复的接受度。可以在运行日志中收集对齐数据,包含【问题,接受的回复,不接受的回复】,再进行对齐训练,得到最后可使用的模型;

二、 预训练

2.1、 预训练数据

目的:构建一个多样化、高质量的预训练语料库,为模型提供语言知识

  • 数据来源:从公开的数据集(如Common Crawl、Wikipedia、BooksCorpus)中获取文本数据。确保数据包含多种类型(如对话、新闻、小说、百科等),以提高模型的适用性;
  • 数据清洗:去除HTML标签、无意义字符、重复句子等。清洗过程中要特别注意去掉垃圾数据,以保证语料库的质量;
  • 分词与标志化:将数据按单词或子词进行分割。大部分大语言模型使用子词级别的标记化算法(如BPE、WordPiece、SentencePiece),因为它可以提高词汇表覆盖度并减少OOV(Out of Vocabulary)词的出现;
  • 词汇表生成:根据分词后的语料生成词汇表。词汇表大小根据模型大小调整,通常在3万到5万之间;
  • 数据格式:将标记化的数据保存成方便训练的格式(如TFRecord、HDF5),同时包含输入和输出标记以供训练时使用;

2.2、 模型架构选择

目标:定义大语言模型的结构,包括层数、隐藏单元大小、注意力头数等。

选择模型类型:根据任务选择模型架构,例如:

  • GPT类(自回归):适合顺序生成任务:聊天;
  • BERT类(自编码):适合文本理解任务:实体命名;
  • T5、BART等(编码-解码):兼顾生成和理解任务。

超参设计

  • 层数:通常在6层到24层,甚至更多;
  • 隐藏层维度:常见的选择是512、1024、2048等;
  • 注意力头数:可以选4、8、16头等,头数越多注意力计算越细致;
  • 词嵌入层和位置嵌入层:在每个输入标记中嵌入位置编码,用于帮助模型理解序列顺序。

初始化策略:采用适合深度网络的参数初始化方法(如Xavier、He初始化)以避免梯度消失或爆炸。

2.3、训练前准备

目标:配置训练硬件和分布式计算环境,优化数据加载和模型更新效率。

  • 硬件配置:大模型训练需要大量计算资源,建议使用多GPU集群或TPU集群;确保显存足够容纳模型参数和批量数据。
  • 分布式训练:采用数据并行或模型并行策略(如Megatron-LM、DeepSpeed)以提升训练速度。要确保数据加载的高效性和设备间的通信速度。
  • 优化器选择:一般选择Adam或AdamW优化器,针对大模型训练的优化方法(如LAMB、LARS)也可以提高效率。
  • 学习率调度:选择合适的学习率调度策略,如Warmup、Cosine Decay、Polynomial Decay等;在训练初期采用小学习率,以稳定模型更新。

2.4、 正式训练

目标:根据语言建模任务定义训练目标,使用反向传播优化模型参数。

  • 损失函数:大多数大语言模型的预训练目标是自回归语言建模填充式语言建模,两者都依赖于交叉熵损失函数 (Cross-Entropy Loss) 来优化模型参数,计算模型预测的概率分布和目标分布之间的误差。
  • 梯度累积:对于大模型,可以使用梯度累积来模拟更大的批次,从而节省显存开销。
  • 混合精度训练:采用FP16(半精度浮点数)进行训练,降低内存占用并加速计算。
  • 监控与日志记录:记录训练损失、精度、学习率、梯度大小等;可以借助TensorBoard或WandB监控训练进展。
  • 定期保存检查点:定期保存模型检查点,确保即使训练中断也可以从最新进度恢复。

2.5、 评估与验证

目标:评估模型在验证集上的表现,确保模型未出现过拟合或欠拟合。

  • 验证集构建:从原始语料中划分出一部分作为验证集,保持数据分布与训练集一致。
  • 评估指标:使用困惑度(Perplexity,PPL)等指标,评估模型生成内容的连贯性和准确性。
  • 调优超参数:根据验证集上的表现,调节学习率、批次大小、正则化等超参数。

2.6、 后处理与保存

目标:对训练好的模型进行优化和保存,方便后续使用和部署。

  • 模型剪枝与量化:通过模型剪枝(去除冗余参数)和量化(如8位或混合精度量化)来减少模型大小、提升推理效率。
  • 保存模型:将训练好的模型权重、词汇表等保存成可加载格式(如PyTorch的.pt或TensorFlow的SavedModel格式)。
  • 模型测试:在实际下游任务上测试模型生成和理解能力,确保模型可以在推理时高效工作

2.7、 模型部署

目标:将训练好的模型集成到应用中,提供生成或理解任务的服务。

  • 推理优化:通过ONNX、TensorRT等工具优化推理速度,降低延迟。
  • 部署平台:可以选择部署在云平台(如AWS、GCP)、本地服务器或边缘设备,根据应用场景选择合适的架构。

三、 指令微调

3.1、微调数据

微调模型时使用的数据类型应与目标应用场景紧密相关,数据的具体类型取决于任务要求。以下是几种常见的微调数据类型及示例:

  1. 问答数据:适用于客服问答系统、知识库系统;
{"question": "如何重置我的密码?","answer": "请前往设置页面,选择“安全设置”,然后点击“重置密码”按钮,按提示操作即可。"
},
{"question": "你们的退款政策是什么?","answer": "在购买后的30天内,符合条件的订单可申请全额退款。"
}
  1. 对话数据:适用于聊天机器人、客户服务、智能助理
[{"role": "user", "content": "你们的营业时间是几点?"},{"role": "assistant", "content": "我们每天早上9点到晚上9点营业,周末时间相同。"}
],
[{"role": "user", "content": "今天有什么优惠活动?"},{"role": "assistant", "content": "本周有会员双倍积分活动,消费满100元还可享9折优惠。"}
]
  1. 分类数据:情感分析、意图识别、文本分类任务
{"text": "这个产品的质量真差,下次不会再买了!","label": "负面"
},
{"text": "客服服务很好,很满意!","label": "正面"
}
  1. 生成任务数据:适用于内容生成、摘要生成、翻译等任务
{"prompt": "请写一封申请信用卡的邮件","completion": "尊敬的银行工作人员:\n您好!我想申请一张信用卡,希望能获得适合我的信用额度。感谢您的帮助!"
},
{"prompt": "产品描述:请简要描述这款运动手表的功能","completion": "这款运动手表具有心率监测、GPS定位、步数计算和防水功能,是运动爱好者的理想选择。"
}
  1. 指令式数据:适用于对话式AI助理、智能客服、内容推荐
{"instruction": "给出3个关于如何提高生产力的建议。","output": ["每天制定一个合理的工作计划。","避免长时间分心,集中精力处理手头任务。","使用任务管理工具追踪进度。"]
},
{"instruction": "解释一下什么是机器学习。","output": "机器学习是一种让计算机通过数据自动学习和改进的方法,不需要人为编程。"
}
  1. 知识图谱或事实数据:适用于事实问答系统、知识性内容生成
{"entity": "爱因斯坦","facts": [{"fact": "出生日期", "value": "1879年3月14日"},{"fact": "国籍", "value": "德国"},{"fact": "主要成就", "value": "相对论"}]
},
{"entity": "太阳系","facts": [{"fact": "行星数量", "value": "8"},{"fact": "最大行星", "value": "木星"},{"fact": "距银河系中心的距离", "value": "约2.7万光年"}]
}

3.2、任务类型、损失函数、评估指标

任务类型:

  1. 生成任务:如对话生成、文章续写等,模型的目标是生成连贯的文本。
  2. 分类任务:如情感分析、意图识别等,模型需要在每个输入上输出特定类别。
  3. 问答任务:针对用户提出的问题,生成相关回答。

损失函数选择:

  • 交叉熵损失:分类任务通常使用交叉熵损失,评估模型生成的词分布与目标词的匹配度。
  • KL散度:通常用于生成模型,评估两个概率分布的相似性;
  • 定制损失:如果有特定需求,也可以根据任务要求设计损失函数,增加正则化或加权方式等。

评估指标:

  • 困惑度 (Perplexity, PPL):适用于生成任务,评估生成文本的质量。
  • 准确率 (Accuracy):适用于分类任务,评估标签预测的准确度。
  • BLEU/ROUGE:适用于文本生成任务,评估生成文本与参考文本的相似度。
  • F1、召回率:适用于多分类或不平衡数据任务,问答任务或情感分析任务。

3.3、代码

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments
from datasets import load_dataset, Dataset# Step 1: 加载预训练模型和分词器
model_name = "your_pretrained_model"  # 预训练模型名称
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)# Step 2: 加载私域数据集(假设为JSON格式)
# 私域数据的格式为 [{"input": "input text", "target": "target text"}]
data_path = "path_to_your_data.json"  # 数据文件路径
raw_datasets = load_dataset("json", data_files=data_path)# Step 3: 数据预处理
def preprocess_function(examples):# 将输入和目标文本编码为模型可以理解的token形式inputs = tokenizer(examples['input'], padding="max_length", truncation=True, max_length=128)targets = tokenizer(examples['target'], padding="max_length", truncation=True, max_length=128)# 创建labels,将target部分作为训练目标inputs["labels"] = targets["input_ids"]return inputs# 使用map函数对数据集进行预处理
tokenized_datasets = raw_datasets.map(preprocess_function, batched=True)# Step 4: 配置训练参数
training_args = TrainingArguments(output_dir="./finetuned_model",  # 模型保存路径evaluation_strategy="epoch",learning_rate=5e-5,per_device_train_batch_size=8,per_device_eval_batch_size=8,num_train_epochs=3,weight_decay=0.01,logging_dir="./logs",logging_steps=10,save_strategy="epoch",save_total_limit=2,
)# Step 5: 初始化Trainer并微调模型
trainer = Trainer(model=model,args=training_args,train_dataset=tokenized_datasets['train'],eval_dataset=tokenized_datasets['test'] if 'test' in tokenized_datasets else None,
)# 开始训练
trainer.train()# Step 6: 保存微调后的模型
model.save_pretrained("./finetuned_model")
tokenizer.save_pretrained("./finetuned_model")print("模型微调完成并保存至 ./finetuned_model")

四、 人类反馈强化学习RLHF

人类反馈强化学习(RLHF, Reinforcement Learning from Human Feedback)

  • 目的:是使用人类反馈强化模型对话的质量和合规性,使其回答更自然、准确且符合伦理,也叫奖励模型训练或强化学习过程。
  • 方法:构建奖励模型并使用它来调整生成模型的输出。通常涉及三个步骤:人类生成数据反馈、奖励模型训练、PPO算法(策略优化)训练。
  • 工具:需要一定的标注人员提供人类反馈,OpenAI等方法中使用PPO(Proximal Policy Optimization)算法。

4.1、 人类生成数据反馈

  1. 采样生成数据:模拟真实的对话场景,让预训练模型根据预设任务和指令生成多条不同的回复。
  2. 构建评分体系:建立标准的评分准则,常见的评价维度包括:准确性、相关性、自然性、简介性,让人类标注员从多个维度来评价模型输出的质量,可以用分数(如1-5分)或“优劣”排序来标注。
  3. 优选与排序:要求标注员对多个模型输出进行排序,以选择最符合用户期望的回复。可以采用成对比较的方式,即给定两条回复,让标注员选择较好的一个。

示例 1:问答任务

输入:
“火星与地球相比有何不同?”模型输出:
火星的重力比地球低、气温更低,且大气主要由二氧化碳组成。
火星是一个有红色表面的星球,但地球有生命和大量水。
火星比地球小,没有适合人类生存的大气。人类反馈:
准确性:输出 1 得分 5/5,输出 2 得分 3/5,输出 3 得分 4/5。
相关性:输出 1 得分 5/5,输出 2 得分 2/5(提及地球和水,但无关主题),输出 3 得分 4/5。
排序:1 > 3 > 2

示例 2:情感分析任务

输入:
“我觉得这次旅行很糟糕,遇到的每件事都令人失望。”模型输出:
情感:负面
情感:正面
情感:中性
人类反馈:准确性:输出 1 得分 5/5(准确反映了消极情绪),输出 2 得分 1/5(与情感明显不符),输出 3 得分 2/5(偏离原意)。
排序:1 > 3 > 2

示例 3:产品推荐任务

输入:
“我在寻找一款轻便耐用的旅行背包,有推荐吗?”模型输出:
建议选择30L的轻便背包,款式多样且适合短途旅行。
推荐X品牌的登山包,非常耐用且轻便。
旅行背包款式众多,推荐考虑容积和耐用性。
人类反馈:准确性:输出 2 得分 5/5(具体推荐了品牌),输出 1 得分 4/5(描述具体,但无品牌推荐),输出 3 得分 3/5(没有实际推荐)。
排序:2 > 1 > 3

4.2、奖励模型训练

数据准备:奖励模型的数据一般有三个部分:输入、输出、评分的格式,例如如下数据:

# 示例数据格式
training_data = [{"input": "火星与地球相比有何不同?","outputs": [{"response": "火星的重力比地球低...", "score": 5},{"response": "火星是一个有红色表面...", "score": 3},{"response": "火星比地球小,没有适合人类生存...", "score": 4}]},{"input": "我觉得这次旅行很糟糕,遇到的每件事都令人失望。","outputs": [{"response": "情感:负面", "score": 5},{"response": "情感:正面", "score": 1},{"response": "情感:中性", "score": 2}]},# 更多样例...
]

构建奖励模型:奖励模型通常基于预训练语言模型(如GPT、BERT),并在其基础上添加一个奖励预测层。这个层的输出是模型对给定输入-输出对的评分预测。

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer# 使用预训练模型作为奖励模型基础
model_name = "bert-base-uncased"  # 可根据需求选择模型
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=1)  # 设置单一输出(奖励分数)
tokenizer = AutoTokenizer.from_pretrained(model_name)

准备训练数据,生成奖励分数,将输入和模型输出对进行标记转换,以训练奖励模型预测分数。

def preprocess_data(training_data):inputs, scores = [], []for item in training_data:input_text = item["input"]for output in item["outputs"]:response = output["response"]score = output["score"]# 将输入和输出连接,作为奖励模型的输入combined_input = f"输入: {input_text} 输出: {response}"inputs.append(combined_input)scores.append(score)return inputs, scores# 生成输入文本和奖励分数
inputs, scores = preprocess_data(training_data)
# 进行tokenization
tokenized_inputs = tokenizer(inputs, padding=True, truncation=True, return_tensors="pt")
labels = torch.tensor(scores).float()  # 奖励分数标签

训练奖励模型:通过监督学习训练奖励模型,使其预测的奖励分数与人类评分接近。损失函数可以采用均方误差(MSE),因为我们希望奖励模型的输出值与人类评分之间的误差最小

from torch.utils.data import DataLoader, TensorDataset
from transformers import AdamW# 创建DataLoader
dataset = TensorDataset(tokenized_inputs["input_ids"], tokenized_inputs["attention_mask"], labels)
dataloader = DataLoader(dataset, batch_size=8, shuffle=True)# 设置优化器
optimizer = AdamW(model.parameters(), lr=5e-5)# 训练循环
model.train()
epochs = 3
for epoch in range(epochs):total_loss = 0for batch in dataloader:input_ids, attention_mask, label = batchoutputs = model(input_ids=input_ids, attention_mask=attention_mask, labels=label)loss = outputs.losstotal_loss += loss.item()# 反向传播和参数更新loss.backward()optimizer.step()optimizer.zero_grad()print(f"Epoch {epoch + 1} - Loss: {total_loss / len(dataloader)}")

奖励模型训练完成后,将其应用到生成模型的强化学习环节。例如,通过强化学习算法(如PPO)更新生成模型,使其生成的输出逐渐朝着奖励模型给高分的方向优化。具体来说,生成模型每次生成输出后,奖励模型会评估输出质量,生成模型根据奖励反馈调整生成策略,从而生成更加符合人类偏好的内容

4.3、 PPO算法(策略优化)训练

代码步骤概述:

  1. 设置生成模型和奖励模型:加载生成模型(如GPT)和奖励模型(可以是微调过的BERT)。
  2. 实现PPO训练:为生成模型的输出提供奖励反馈。
  3. 更新生成模型:根据奖励值和策略更新生成模型。

设置生成模型和奖励模型

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, AutoModelForSequenceClassification# 加载生成模型(例如,GPT-2)
gen_model_name = "gpt2"
gen_model = AutoModelForCausalLM.from_pretrained(gen_model_name)
gen_tokenizer = AutoTokenizer.from_pretrained(gen_model_name)# 加载已经训练好的奖励模型(例如,BERT)
reward_model_name = "bert-base-uncased"  # 根据实际选择
reward_model = AutoModelForSequenceClassification.from_pretrained(reward_model_name)
reward_tokenizer = AutoTokenizer.from_pretrained(reward_model_name)

定义奖励函数
奖励函数用于评估生成模型的输出质量。将输入文本和生成的响应传递给奖励模型,得到分数并作为奖励信号返回。

def compute_reward(input_text, generated_text):# 将输入和输出拼接成奖励模型的输入格式combined_input = f"输入: {input_text} 输出: {generated_text}"# 对拼接输入进行tokenizationinputs = reward_tokenizer(combined_input, return_tensors="pt", truncation=True, padding=True)# 通过奖励模型计算分数(输出的logits用于评分)with torch.no_grad():reward_score = reward_model(**inputs).logits.squeeze().item()return reward_score

训练循环 - PPO 更新
通过策略梯度方法逐步更新生成模型的参数,PPO的关键点:

  • 奖励计算:利用奖励模型给生成的文本打分,分数越高代表生成效果越好。
  • 优势计算:在PPO中,我们用奖励减去当前策略的log_probs均值,来估计策略的相对优势。
  • 策略更新:PPO主要通过限制更新步长来避免策略的剧烈变化,通常通过优势函数和log概率的乘积来调整生成模型的策略。
from transformers import AdamW
import numpy as np# 超参数设置
ppo_epochs = 5
batch_size = 8
learning_rate = 5e-5# 优化器
optimizer = AdamW(gen_model.parameters(), lr=learning_rate)# PPO训练过程
gen_model.train()
for epoch in range(ppo_epochs):for batch in range(batch_size):# Step 1: 采样输入input_text = "火星与地球相比有何不同?"  # 示例输入,可以改成实际数据的batchinput_ids = gen_tokenizer(input_text, return_tensors="pt").input_ids# Step 2: 生成输出generated_outputs = gen_model.generate(input_ids, max_length=50)generated_text = gen_tokenizer.decode(generated_outputs[0], skip_special_tokens=True)# Step 3: 计算奖励reward = compute_reward(input_text, generated_text)# Step 4: 计算PPO损失outputs = gen_model(input_ids=input_ids, labels=generated_outputs)logits = outputs.logitslog_probs = torch.nn.functional.log_softmax(logits, dim=-1)# 计算优势函数(假设reward即优势)# 可以加入熵正则化项来鼓励探索advantages = reward - log_probs.mean().item()# 计算损失ppo_loss = -advantages * log_probs.mean()ppo_loss.backward()# 参数更新optimizer.step()optimizer.zero_grad()print(f"Epoch {epoch + 1}/{ppo_epochs} - PPO Loss: {ppo_loss.item()}")

这份代码是一个基本的实现,可以进一步在以下方面进行改进:

  • 批量化处理:为提高效率,使用批量数据进行生成和奖励计算。
  • 熵正则化:加入熵项,以鼓励探索、提升生成模型的多样性。
  • 优势函数:采用更加复杂的优势计算方法,如引入值函数基线,进一步提高PPO训练的稳定性。

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/466358.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

《AI在企业战略中的关键地位:以微软和阿里为例》

内容概要 在当今商业环境中,人工智能(AI)的影响力如滔滔洪水,愈演愈烈。文章将揭示AI在企业战略中的崛起,尤其以微软和阿里巴巴为代表的企业,这两家科技巨头通过不同方式,将智能技术融入其核心…

aspose如何获取PPT放映页“切换”的“持续时间”值

文章目录 项目场景问题描述问题1:从官方文档和资料查阅发现并没有对切换的持续时间进行处理的方法问题2:aspose的依赖包中,所有的关键对象都进行了混淆处理 解决方案1、找到ppt切换的持续时间对应的混淆对象中的字段2、获取ppt切换的持续时间…

Linux挖矿病毒(kswapd0进程使cpu爆满)

一、摘要 事情起因:有台测试服务器很久没用了,突然监控到CPU飙到了95以上,并且阿里云服务器厂商还发送了通知消息,【阿里云】尊敬的xxh: 经检测您的阿里云服务(ECS实例)i-xxx存在挖矿活动。因此很明确服务器中挖矿病毒…

线性代数:Matrix2x2和Matrix3x3

今天整理自己的框架代码,将Matrix2x2和Matrix3x3给扩展了一下,发现网上unity数学计算相关挺少的,所以记录一下。 首先扩展Matrix2x2: using System.Collections; using System.Collections.Generic; using Unity.Mathemati…

CLIP论文CLIP 改进工作串讲

文章目录 CLIPViLTCLIP 改进工作串讲Lseg(Language -driven semantic segmentation)Group ViT(Semantic Segmentation Emerges from Text Supervision)ViLDGLIP_V1/V2(Ground Language-Image Pre-train)CLIP PassoCLIP…

C++builder中的人工智能(9)如何在C++中创建AI二进制/Heaviside步进函数

什么是二进制步进函数?我们应该使用二进制步进函数还是Heaviside步进函数?二进制步进函数和Heaviside步进函数是同一回事吗?什么是单位步进函数?通过学习如何在C中创建AI二进制/Heaviside步进函数,它将帮助你使用C IDE…

数据结构-数组(稀疏矩阵转置)和广义表

目录 1、数组定义 1)数组存储地址计算示例①行优先②列优先 2)稀疏矩阵的转置三元组顺序表结构定义 ①普通矩阵转置②三元组顺序表转置稀疏矩阵③稀疏矩阵的快速转置 3)十字链表结构定义 2、广义表定义 1)基本操作①GetHead②GetT…

云集电商:如何通过 OceanBase 实现降本 87.5%|OceanBase案例

云集电商,一家聚焦于社交电商的电商公司,专注于‘精选’理念,致力于为会员提供超高性价比的全品类精选商品,以“批发价”让亿万消费者买到质量可靠的商品。面对近年来外部环境的变化,公司对成本控制提出了更高要求&…

【React.js】AntDesignPro左侧菜单栏栏目名称不显示的解决方案

作者:CSDN-PleaSure乐事 欢迎大家阅读我的博客 希望大家喜欢 使用环境:WebStorm 目录 问题概述 原因 解决方案 解决方法 潜在问题修改 最终效果呈现 额外内容 管理员界面路由配置 WebStorm背景更换 法一: 法二: 问题概…

一文透彻了解电容

文章目录 一、电容的作用二、电容的选择三、电容的分类四、多层陶瓷电容五、钽电容替代电解电容的误区六、旁路电容的应用问题七、电容的等效串联电阻 ESR八、电解电容的电参数九、电容器参数的基本公式十、电源输入端的 X,Y 安全电容 一、电容的作用 作为无源元件之一的电容&…

Python OpenCV 傅里叶变换

傅里叶变换 傅里叶变换比较难和不容易理解,有错的地方请见谅 傅里叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加。也就是说,傅里叶变换是一种特殊的积分变换,它能将满足一定条件的…

如何调整pdf的页面尺寸

用福昕阅读器打开pdf,进入打印页面,选择“属性”,在弹出的页面选择“高级” 选择你想调成的纸张尺寸,然后打印,打印出来的pdf就是调整尺寸后的pdf

WPF中如何简单的使用CommunityToolkit.Mvvm创建一个项目并进行 增删改查

目录 开始前准备的数据库dbblog如下: 第一步:创建项目后下载四个NuGet程序包 第二步:删除原本的MainWindow.XAML文件 并创建如下的目录结构 然后在View文件夹下面创建Login.XAML和Main.XAML 并且在App.XAML中将启动项改为Login.X…

基于python多准则决策分析的汽车推荐算法设计与实现

摘要 随着汽车市场的快速发展和消费者需求的多样化,汽车选择变得愈加复杂。为了帮助消费者在众多汽车选项中做出明智的决策,基于多准则决策分析(MCDA)的汽车推荐算法应运而生。本研究旨在设计和实现一种基于 Python 的汽车推荐系…

xftp连接中不成功 + sudo vim 修改sshd_config不成功的解决方法

我们使用sudo vim不成功,但是我们使用sudo su就可以 了! root用户权利更大! 喵的,终于成功了,一个xftp连接半天不成功。(添加上面的内容就可以连接成功了↑)

vue:Transition

1. Transition 1. 基本用法 <Transition> 是Vue 提供的 “内置组件动画组件”&#xff0c;与一般的CSS过渡动画不同的是&#xff0c;它通过在特点时刻给元素或组件增加、移除类名来实现——在一个元素或组件进入和离开 DOM 时应用过渡动画。 下面是一个基本用法&#…

Python 中的字符串匹配算法

在 Python 中&#xff0c;字符串匹配算法用于在一个字符串中寻找一个子串的出现位置&#xff0c;这是许多文本处理任务的核心。下面我将介绍几种常用的字符串匹配算法以及它们在 Python 中的实现方式。 1、问题背景 在 Python 中&#xff0c;字符串匹配是一个非常重要的操作&a…

配置本地策略路由示例

组网需求 RouterA与RouterB间有两条链路相连。 用户希望实现本机下发的不同长度的报文通过不同的下一跳地址进行转发&#xff0c;其中&#xff1a; 长度为64&#xff5e;1400字节的报文设置192.168.1.2作为下一跳地址。长度为1401&#xff5e;1500字节的报文设置192.168.2.2…

【大数据学习 | kafka高级部分】文件清除原理

2. 两种文件清除策略 kafka数据并不是为了做大量存储使用的&#xff0c;主要的功能是在流式计算中进行数据的流转&#xff0c;所以kafka中的数据并不做长期存储&#xff0c;默认存储时间为7天 那么问题来了&#xff0c;kafka中的数据是如何进行删除的呢&#xff1f; 在Kafka…

推荐一款基于Flash的交互式园林设计工具:Garden Planner

Garden Planner是一款由Artifact Interactive开发的基于Flash的交互式园林设计工具。它允许用户以拖放的方式安排植物、树木、建筑物和各种对象&#xff0c;使园林规划变得简单直观。此外&#xff0c;Garden Planner提供工具来快速创建铺路、路径和围栏&#xff0c;帮助用户设计…