TensorFlow|猫狗识别

  • 🍨 本文为🔗365天深度学习训练营中的学习记录博客
  • 🍖 原作者:K同学啊

要求:

  1. 了解model.train_on_batch()并运用
  2. 了解tqdm,并使用tqdm实现可视化进度条

🍻 拔高(可选):

  1. 本文代码中存在一个严重的BUG,请找出它并配以文字说明

🔎 探索(难度有点大)

  1. 修改代码,处理BUG

这篇文章中我放弃了以往的model.fit()训练方法,改用model.train_on_batch方法。两种方法的比较:

  • model.fit():用起来十分简单,对新手非常友好
  • model.train_on_batch():封装程度更低,可以玩更多花样。

此外我也引入了进度条的显示方式,更加方便我们及时查看模型训练过程中的情况,可以及时打印各项指标。

一、前期工作

1. 设置GPU


如果使用的是CPU可以注释掉这部分的代码。

import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus:tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用tf.config.set_visible_devices([gpus[0]],"GPU")# 打印显卡信息,确认GPU可用
print(gpus)

2. 导入数据

import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号import os,PIL,pathlib#隐藏警告
import warnings
warnings.filterwarnings('ignore')data_dir = "C:/Users/76967/.keras/datasets/365-7-data"
data_dir = pathlib.Path(data_dir)image_count = len(list(data_dir.glob('*/*')))print("图片总数为:",image_count)


图片总数为: 3400

二、数据预处理

1. 加载数据

使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset

batch_size = 8
img_height = 224
img_width = 224

TensorFlow版本是2.2.0的同学可能会遇到module 'tensorflow.keras.preprocessing' has no attribute 'image_dataset_from_directory'的报错,升级一下TensorFlow就OK了。

"""
关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)

Found 3400 files belonging to 2 classes.
Using 2720 files for training.

"""
关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=12,image_size=(img_height, img_width),batch_size=batch_size)

Found 3400 files belonging to 2 classes.
Using 680 files for validation.

我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

class_names = train_ds.class_names
print(class_names)

['cat', 'dog']

2. 再次检查数据

for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break

(8, 224, 224, 3)
(8,)

  • Image_batch是形状的张量(8, 224, 224, 3)。这是一批形状224x224x3的8张图片(最后一维指的是彩色通道RGB)。
  • Label_batch是形状(8,)的张量,这些标签对应8张图片

3. 配置数据集

  • shuffle() : 打乱数据,关于此函数的详细介绍可以参考:https://zhuanlan.zhihu.com/p/42417456
  • prefetch() :预取数据,加速运行,其详细介绍可以参考我前两篇文章,里面都有讲解。
  • cache() :将数据集缓存到内存当中,加速运行

AUTOTUNE = tf.data.AUTOTUNEdef preprocess_image(image,label):return (image/255.0,label)# 归一化处理
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds   = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds   = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

如果报 AttributeError: module 'tensorflow._api.v2.data' has no attribute 'AUTOTUNE' 错误,就将 AUTOTUNE = tf.data.AUTOTUNE 更换为 AUTOTUNE = tf.data.experimental.AUTOTUNE,这个错误是由于版本问题引起的。

4. 可视化数据

plt.figure(figsize=(15, 10))  # 图形的宽为15高为10for images, labels in train_ds.take(1):for i in range(8):ax = plt.subplot(5, 8, i + 1) plt.imshow(images[i])plt.title(class_names[labels[i]])plt.axis("off")

三、构建VG-16网络

VGG优缺点分析:

  • VGG优点

VGG的结构非常简洁,整个网络都使用了同样大小的卷积核尺寸(3x3)和最大池化尺寸(2x2)。

  • VGG缺点

1)训练时间过长,调参难度大。2)需要的存储容量大,不利于部署。例如存储VGG-16权重值文件的大小为500多MB,不利于安装到嵌入式系统中。

结构说明:

  • 13个卷积层(Convolutional Layer),分别用blockX_convX表示
  • 3个全连接层(Fully connected Layer),分别用fcXpredictions表示
  • 5个池化层(Pool layer),分别用blockX_pool表示

VGG-16包含了16个隐藏层(13个卷积层和3个全连接层),故称为VGG-16

from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropoutdef VGG16(nb_classes, input_shape):input_tensor = Input(shape=input_shape)# 1st blockx = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv1')(input_tensor)x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block1_pool')(x)# 2nd blockx = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv1')(x)x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block2_pool')(x)# 3rd blockx = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv1')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv2')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block3_pool')(x)# 4th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block4_pool')(x)# 5th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block5_pool')(x)# full connectionx = Flatten()(x)x = Dense(4096, activation='relu',  name='fc1')(x)x = Dense(4096, activation='relu', name='fc2')(x)output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)model = Model(input_tensor, output_tensor)return modelmodel=VGG16(1000, (img_width, img_height, 3))
model.summary()

这段代码定义了一个实现 VGG16 神经网络架构的函数,并使用 Keras 构建模型。VGG16 是一种常见的卷积神经网络(CNN)架构,通常用于图像分类任务。接下来是代码逐步的解释:

导入模块:

from tensorflow.keras import layers, models, Input

from tensorflow.keras.models import Model

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout

  • tensorflow.keras 是 TensorFlow 的高级接口,用于构建深度学习模型。
  • Input 用于定义模型的输入层。
  • Conv2D 定义卷积层。
  • MaxPooling2D 定义最大池化层。
  • Dense 定义全连接层。
  • Flatten 用于将多维的输入展平为一维。
  • Dropout 是一种正则化方法,用于防止过拟合(在代码中没有使用)。

定义 VGG16 函数:

def VGG16(nb_classes, input_shape):

input_tensor = Input(shape=input_shape)

  • VGG16 函数接受两个参数:nb_classes 表示输出类别数(例如,如果进行 1000 类分类任务,nb_classes=1000),input_shape 是输入图像的形状(例如,(224, 224, 3) 表示图像为 224x224 像素,3 个颜色通道)。
  • input_tensor = Input(shape=input_shape) 定义了网络的输入层。

1st Block(第一个卷积块):

x = Conv2D(64, (3,3), activation='relu', padding='same', name='block1_conv1')(input_tensor)

x = Conv2D(64, (3,3), activation='relu', padding='same', name='block1_conv2')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block1_pool')(x)

  • 该块包含 2 个卷积层,每个卷积层使用 64 个 3x3 的滤波器(Conv2D(64, (3, 3))),激活函数为 ReLU。
  • padding='same' 表示输入和输出的大小相同,卷积会自动填充输入的边缘。
  • 使用最大池化(MaxPooling2D),池化窗口大小为 2x2,步幅为 2。

2nd Block(第二个卷积块):

x = Conv2D(128, (3,3), activation='relu', padding='same', name='block2_conv1')(x) x = Conv2D(128, (3,3), activation='relu', padding='same', name='block2_conv2')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block2_pool')(x)

  • 该块包含 2 个卷积层,每个卷积层使用 128 个 3x3 的滤波器。
  • 同样使用最大池化,池化窗口大小为 2x2。

3rd Block(第三个卷积块):

x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv1')(x) x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv2')(x) x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block3_pool')(x)

  • 该块包含 3 个卷积层,每个卷积层使用 256 个 3x3 的滤波器。
  • 最大池化操作与前面相同。

4th Block(第四个卷积块):

x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv1')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv2')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block4_pool')(x)

  • 该块包含 3 个卷积层,每个卷积层使用 512 个 3x3 的滤波器。
  • 使用最大池化层。

5th Block(第五个卷积块):

x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv1')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv2')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block5_pool')(x)

  • 该块也是 3 个卷积层,每个卷积层使用 512 个 3x3 的滤波器,并且使用最大池化。

全连接层(Fully Connected Layers):

x = Flatten()(x) x = Dense(4096, activation='relu', name='fc1')(x)

x = Dense(4096, activation='relu', name='fc2')(x)

output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)

  • Flatten() 将卷积层输出的多维张量展平成一维向量,准备传入全连接层。
  • Dense(4096, activation='relu') 创建 2 个全连接层,每个层有 4096 个神经元,使用 ReLU 激活函数。
  • Dense(nb_classes, activation='softmax') 输出层使用 softmax 激活函数,输出每个类别的概率,类别数为 nb_classes(即网络的输出类别数)。

创建并返回模型:

model = Model(input_tensor, output_tensor) return model

  • 使用 Model(input_tensor, output_tensor) 创建一个 Keras 模型,并返回这个模型对象。

创建 VGG16 模型:

model = VGG16(1000, (img_width, img_height, 3)) model.summary()

  • VGG16(1000, (img_width, img_height, 3)) 创建一个具有 1000 个类别的 VGG16 模型,输入图像的形状为 (img_width, img_height, 3),假设 img_widthimg_height 是预定义的图像宽度和高度。
  • model.summary() 打印出模型的概况,包括每层的输出形状和参数数量。

总结:这段代码实现了 VGG16 网络架构,包含了 5 个卷积块,每个块由多个卷积层和池化层组成。最后,网络经过两个全连接层输出类别概率。

四、编译

在准备对模型进行训练之前,还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的:

  • 损失函数(loss):用于衡量模型在训练期间的准确率。
  • 优化器(optimizer):决定模型如何根据其看到的数据和自身的损失函数进行更新。
  • 评价函数(metrics):用于监控训练和测试步骤。以下示例使用了准确率,即被正确分类的图像的比率。
model.compile(optimizer="adam",loss     ='sparse_categorical_crossentropy',metrics  =['accuracy'])

五、训练模型

from tqdm import tqdm
import tensorflow.keras.backend as Kepochs = 10
lr     = 1e-4# 记录训练数据,方便后面的分析
history_train_loss     = []
history_train_accuracy = []
history_val_loss       = []
history_val_accuracy   = []for epoch in range(epochs):train_total = len(train_ds)val_total   = len(val_ds)"""total:预期的迭代数目ncols:控制进度条宽度mininterval:进度更新最小间隔,以秒为单位(默认值:0.1)"""with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=1,ncols=100) as pbar:lr = lr*0.92K.set_value(model.optimizer.lr, lr)for image,label in train_ds:   """训练模型,简单理解train_on_batch就是:它是比model.fit()更高级的一个用法想详细了解 train_on_batch 的同学,可以看看我的这篇文章:https://www.yuque.com/mingtian-fkmxf/hv4lcq/ztt4gy"""history = model.train_on_batch(image,label)train_loss     = history[0]train_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%train_loss,"accuracy":"%.4f"%train_accuracy,"lr": K.get_value(model.optimizer.lr)})pbar.update(1)history_train_loss.append(train_loss)history_train_accuracy.append(train_accuracy)print('开始验证!')with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=0.3,ncols=100) as pbar:for image,label in val_ds:      history = model.test_on_batch(image,label)val_loss     = history[0]val_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%val_loss,"accuracy":"%.4f"%val_accuracy})pbar.update(1)history_val_loss.append(val_loss)history_val_accuracy.append(val_accuracy)print('结束验证!')print("验证loss为:%.4f"%val_loss)print("验证准确率为:%.4f"%val_accuracy)

这段代码是用来训练一个深度学习模型的,并且在每个训练周期(epoch)中进行训练和验证。具体解释如下:

1. 导入模块

from tqdm import tqdm

import tensorflow.keras.backend as K

  • tqdm: 用于显示进度条,便于监控训练和验证过程的进度。
  • tensorflow.keras.backend: 提供了与Keras后端进行交互的功能,这里用来动态调整学习率。

2. 初始化训练参数和记录列表

epochs = 10

lr = 1e-4

history_train_loss = []

history_train_accuracy = []

history_val_loss = []

history_val_accuracy = []

  • epochs = 10: 设置训练周期(epoch)的数量为10。
  • lr = 1e-4: 设置初始学习率为 0.0001
  • history_train_loss, history_train_accuracy, history_val_loss, history_val_accuracy: 用于记录每个epoch中的训练和验证损失及准确度。

3. 训练循环

for epoch in range(epochs):

  train_total = len(train_ds)

  val_total = len(val_ds)

  • train_totalval_total 分别获取训练集和验证集的大小。

4. 训练过程中的进度条

with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}', mininterval=1, ncols=100) as pbar:

  • 使用 tqdm 创建一个进度条显示训练进度。
    • total=train_total:进度条的总长度等于训练数据集的大小。
    • desc:显示当前epoch的描述信息。
    • mininterval=1:进度更新的最小间隔为1秒。
    • ncols=100:进度条的宽度设置为100个字符。

5. 每个epoch的训练步骤

lr = lr*0.92

K.set_value(model.optimizer.lr, lr)

  • 每经过一个epoch,学习率会乘以 0.92 来实现学习率衰减,从而逐渐降低学习率,帮助模型收敛。
  • 使用 K.set_value 来更新模型优化器的学习率。

6. 训练每个batch

for image, label in train_ds:

  history = model.train_on_batch(image, label)

  • 这里使用了 train_on_batch(),它是一种更细粒度的训练方式,相较于 model.fit()train_on_batch() 在每个批次上训练,而 model.fit() 是在整个数据集上进行训练。
  • history = model.train_on_batch(image, label):对当前的训练批次进行训练,返回训练的损失值和准确率。

7. 更新进度条信息

pbar.set_postfix({"loss": "%.4f"%train_loss, "accuracy":"%.4f"%train_accuracy, "lr": K.get_value(model.optimizer.lr)})

  • 使用 set_postfix 方法动态更新进度条显示的信息,包括当前的训练损失、训练准确率和当前的学习率。

8. 记录训练结果

history_train_loss.append(train_loss) history_train_accuracy.append(train_accuracy)

  • 将当前epoch的训练损失和准确率添加到历史记录列表中,方便后续分析。

9. 验证过程

with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}', mininterval=0.3, ncols=100) as pbar:

  • 使用 tqdm 创建一个进度条显示验证过程的进度,参数与训练过程类似。

10. 每个batch的验证

for image, label in val_ds: history = model.test_on_batch(image, label)

  • 使用 test_on_batch() 进行验证,与 train_on_batch() 类似,只是它用于验证阶段。

11. 更新验证进度条信息

pbar.set_postfix({"loss": "%.4f"%val_loss, "accuracy":"%.4f"%val_accuracy})

  • 同样使用 set_postfix 更新验证过程中的损失和准确率信息。

12. 记录验证结果

history_val_loss.append(val_loss)

history_val_accuracy.append(val_accuracy)

  • 将当前epoch的验证损失和验证准确率记录到历史列表中。

13. 打印每个epoch结束时的结果

print("验证loss为:%.4f"%val_loss) print("验证准确率为:%.4f"%val_accuracy)

  • 在每个epoch结束后,打印出当前epoch的验证损失和准确率。

总结:

该代码是一个包含训练和验证过程的深度学习模型训练脚本。它使用 train_on_batch()test_on_batch() 方法逐步处理每个批次,且在训练过程中动态调整学习率,使用 tqdm 显示训练和验证的进度条,并记录每个epoch的损失和准确率。

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/469317.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

Python学习从0到1 day27 Python 高阶技巧 ③ 设计模式 — 单例模式

此去经年,再难同游 —— 24.11.11 一、什么是设计模式 设计模式是一种编程套路,可以极大的方便程序的开发最常见、最经典的设计模式,就是我们所学习的面向对象了。 除了面向对象外,在编程中也有很多既定的套路可以方便开发,我们称之为设计模…

【算法速刷(9/100)】LeetCode —— 42.接雨水

目录 自我解法 官方解法 解法一:动态规划、前后缀 解法二:单调栈 自我解法 这道题刚拿到的时候,第一时间的想法是将其想象成MC一样的方块世界,如何去生成水一样的去解决。后来发现有点复杂化了,因为题目只需要累计…

Spring学习笔记(四)

二十一、Spring事务详解 &#xff08;一&#xff09;、Spring基于XML的事务配置 1.环境搭建 1.1 构建maven工程&#xff0c;添加相关技术依赖 <dependencies><dependency><groupId>org.springframework</groupId><artifactId>spring-context…

区块链技术在知识产权保护中的应用

&#x1f493; 博客主页&#xff1a;瑕疵的CSDN主页 &#x1f4dd; Gitee主页&#xff1a;瑕疵的gitee主页 ⏩ 文章专栏&#xff1a;《热点资讯》 区块链技术在知识产权保护中的应用 区块链技术在知识产权保护中的应用 区块链技术在知识产权保护中的应用 引言 区块链技术概述 …

NLP论文速读(NeurIPS2024)|使用视觉增强的提示来增强视觉推理

论文速读|Enhancing LLM Reasoning via Vision-Augmented Prompting 论文信息&#xff1a; 简介: 这篇论文试图解决的问题是大型语言模型&#xff08;LLMs&#xff09;在处理包含视觉和空间线索的推理问题时的局限性。尽管基于LLMs的推理框架&#xff08;如Chain-of-Thought及其…

Qt_day7_文件IO

目录 文件IO 1. QFileDialog 文件对话框&#xff08;熟悉&#xff09; 2. QFileInfo 文件信息类&#xff08;熟悉&#xff09; 3. QFile 文件读写类&#xff08;掌握&#xff09; 4. UI操作与耗时操作&#xff08;掌握&#xff09; 5. 多线程&#xff08;掌握&#xff09;…

如何管理好自己的LabVIEW项目

在LabVIEW项目开发中&#xff0c;项目管理对于提高开发效率、确保项目质量、减少错误和维护成本至关重要。以下从项目规划、代码管理、测试与调试、版本控制、团队协作等方面&#xff0c;分享LabVIEW项目管理的体会。 ​ 1. 项目规划与需求分析 关键步骤&#xff1a; 需求分析…

三周精通FastAPI:40 部署应用程序或任何类型的 Web API 概念

官方文档&#xff1a;部署概念 - FastAPI 部署概念 在部署 FastAPI 应用程序或任何类型的 Web API 时&#xff0c;有几个概念值得了解&#xff0c;通过掌握这些概念您可以找到最合适的方法来部署您的应用程序。 一些重要的概念是&#xff1a; 安全性 - HTTPS启动时运行重新…

【算法一周目】双指针(1)

目录 1.双指针介绍 2.移动零 解题思路 C代码实现 3.复写零 解题思路 C代码实现 4.快乐数 解题思路 C代码实现 5.盛水最多的容器 解题思路 C代码实现 1.双指针介绍 常见的双指针有两种形式&#xff0c;一种是对撞指针&#xff0c;一种是快慢指针。 对撞指针&#x…

ARXML汽车可扩展标记性语言规范讲解

ARXML: Automotive Extensible Markup Language &#xff08;汽车可扩展标记语言&#xff09; xmlns: Xml name space &#xff08;xml 命名空间&#xff09; xsd: Xml Schema Definition (xml 架构定义) 1、XML与HTML的区别&#xff0c;可扩展。 可扩展&#xff0c;主要是…

自监督学习:机器学习的未来新方向

引言 自监督学习&#xff08;Self-Supervised Learning, SSL&#xff09;是近年来机器学习领域的一个重要发展方向&#xff0c;迅速成为许多研究和应用的热点。与传统的监督学习不同&#xff0c;自监督学习利用未标注数据&#xff0c;通过设计自我生成标签的任务&#xff0c;帮…

FFMPEG录屏(22)--- Linux 下基于X11枚举所有显示屏,并获取大小和截图等信息

众人拾柴火焰高&#xff0c;github给个star行不行&#xff1f; open-traa/traa traa is a versatile project aimed at recording anything, anywhere. The primary focus is to provide robust solutions for various recording scenarios, making it a highly adaptable tool…

多媒体信息检索

文章目录 一、绪论二、文本检索 (Text Retrieval)(一) 索引1.倒排索引2.TF-IDF (二) 信息检索模型 (IR模型&#xff0c;Information Retrieval)1.布尔模型 (Boolean模型)(1)扩展的布尔模型 (两个词)(2)P-Norm模型 (多个词) 2.向量空间模型 (Vector Space Model&#xff0c;VSM)…

MySql-8.0.40安装详细教程

文章目录 原创下载安装包安装配置初始化MySQL数据库安装mysql服务并启动启动MySQL服务连接MySQL配置环境变量 原创 MySql-8.0.26安装详细教程&#xff08;保姆级&#xff09; 下载安装包 MySQL Community Downloads 直接到选择MySQL Community Server版本页面 MySQL Commun…

openai Realtime API (实时语音)

https://openai.com/index/introducing-the-realtime-api/ 官方demo https://github.com/openai/openai-realtime-console 官方demo使用到的插件 https://github.com/openai/openai-realtime-api-beta?tabreadme-ov-file 装包配置 修改yarn.lock 这个包是从github下载的 &q…

杨辉三角-一维数组与二维数组解法

这种问题是很有规律的 这里 总结一下 这类问题输出&#xff1a;对称 且数据相同的很多 就比如首位都是1 如果计算中间值遇到困难 可以试着把边界值单独输出 一维数组 // // Created by 徐昌真 on 2024/11/11. // #include <stdio.h> //一维数组 int main() {int n; /…

无人机反制技术与方法:主动防御,被动防御技术原理详解

无人机反制技术与方法主要分为主动防御和被动防御两大类&#xff0c;以下是关于这两类防御技术的原理详解&#xff1a; 主动防御技术原理 主动防御系统旨在通过直接干扰或摧毁来攻击入侵的无人机。这类系统通常包括电子干扰、激光武器、定向能武器以及硬杀伤手段&#xff08;如…

计算机毕业设计Python+图神经网络考研院校推荐系统 考研分数线预测 考研推荐系统 考研爬虫 考研大数据 Hadoop 大数据毕设 机器学习 深度学习

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 作者简介&#xff1a;Java领…

小白初入Android_studio所遇到的坑以及怎么解决

1. 安装Android_studio 参考&#xff1a;Android Studio 安装配置教程 - Windows(详细版)-CSDN博客 Android Studio超级详细讲解下载、安装配置教程&#xff08;建议收藏&#xff09;_androidstudio-CSDN博客 想下旧版本的android_studio的地址&#xff08;仅供参考&#xf…

020_Servlet_Mysql学生选课系统(新版)_lwplus87

摘 要 随着在校大学生人数的不断增加&#xff0c;教务系统的数据量也不断的上涨。针对学生选课这一环节&#xff0c;本系统从学生网上自主选课以及课程发布两个大方面进行了设计&#xff0c;基本实现了学生的在线信息查询、选课功能以及教师对课程信息发布的管理等功能&…