RAG (Retrieval Augmented Generation) 检索增强和生成

1 RAG技术简介

1.1 RAG技术概述

RAG（Retrieval Augmented Generation） 是一种结合了检索（Retrieval）和生成（Generation）的技术，旨在通过利用外部知识库来增强大型语言模型（LLMs）的性能。它通过检索与用户输入相关的信息片段，并结合这些信息来生成更准确、更丰富的回答。

在这里插入图片描述

正式介绍检索增强生成（Retrieval Augmented Generation，RAG）技术以前，大家不妨想想为什么会出现这样一个技术。 给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。
第一种方式，改变了模型的权重即进行模型训练，这是一件代价比较大的事情，大语言模型具体的训练过程，可以参考InternLM2技术报告。
第二种方式，并不改变模型的权重，只是给模型引入格外的信息。类比人类编程的过程，第一种方式相当于你记住了某个函数的用法，第二种方式相当于你阅读函数文档然后短暂的记住了某个函数的用法。

在这里插入图片描述
对比两种注入知识方式，第二种更容易实现。RAG正是这种方式。它能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。本次课程选用了LlamaIndex框架。LlamaIndex 是一个上下文增强的 LLM 框架，旨在通过将其与特定上下文数据集集成，增强大型语言模型（LLMs）的能力。它允许您构建应用程序，既利用 LLMs 的优势，又融入您的私有或领域特定信息。

1.2 向量数据库 Vector-DB

向量数据库 Vector-DB用于将文本及其他数据通过其他预训练的模型转换为固定长度的向量表示，这些向量能够捕捉文本的语义信息。
在这里插入图片描述

1.3 RAG发展进程

RAG的概念最早是由Meta（Facebook）的Lewis等人在2020《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》 中提出的。
在这里插入图片描述

1.4 RAG常见优化方法

  • 索引优化
  • 查询优化
  • 嵌入优化
  • 上下文管理
  • LLM微调
  • 选代检索
  • 递归检索
  • 自适应检索
    在这里插入图片描述

1.5 RAG vs.微调(Fine-tuning )

(1) RAG

  • 非参数记忆，利用外部知识库提供实时更新的信息。
  • 能够处理知识密集型任务，提供准确的事实性回答。
  • 通过检索增强，可以生成更多样化的内容。

适用场景

  • 适用于需要结合最新信息和实时数据的任务：开放域问答、实时新闻摘等。

优势：动态知识更新，处理长尾知识问题。

局限：依赖于外部知识库的质量和覆盖范围（Garbage in, garbage out）。

(2) Fine-tuning

  • 参数记忆，通过在特定任务数据上训练，模型可以更好地适应该任务。
  • 通常需要大量标注数据来进行有效微调。
  • 微调后的模型可能过拟合，导致泛化能力下降。

适用场景
适用于数据可用且需要模型高度专业化的任务，如特定领域的文本分类、情感分析、文本生成等。

优势：模型性能针对特定任务优化。
局限：需要大量的标注数据，且对新任务的适应
性较差。

模型优化方法Prompt Engineering、RAG、Fine-tuning比较：

在这里插入图片描述

1.6 评估框架和基准测试

经典评估指标：

  • 准确率（Accuracy）
  • 召回率（Recall）
  • F1分数（F1Score）
  • BLEU分数（用于机器翻译和文本生成）
  • ROUGE分数（用于文本生成的评估）

RAG评测框架：

  • 基准测试-RGB、RECALL、CRUD
  • 评测工具-RAGAS、ARES、TruLens

1.7 相关论文

更多详细信息可见2024一篇RAG综述 《Retrieval-Augmented Generation for Large Language Models: A Survey》。

2 LlamaIndex框架

LlamaIndex是一个开源的索引和搜索库，提供高效、可扩展的文本索引和检索功能。

在这里插入图片描述

2.1 LlamaIndex 特点

数据索引和检索：

  • 对大规模数据进行索引，支持多种数据源（文件、数据库、网络等）
  • 提供高效的检索机制，快速找到相关信息

支持多种生成模型：

  • 除Llama系列外，还支持GPT系列、OpenAIAPI、和InternLM系列等多种大模型
    在这里插入图片描述

2.2 LlamaIndex RAG 应用

Llamalndex提供了RAG一般应用的全过程模块化，拓展方便

  • 数据加载（Loading）
    从多种数据源加载数据：无论是文本文件、PDF、网站、数据库还是API，Llamalndex通过LlamaHub提供了数百个连接器（connectors or Reader），使数据加载过程高效且多样化。
  • 数据索引（Indexing）
    创建数据结构：LlamaIndex通过创建向量嵌入vectorembeddings（数据含义的数值表示）和其他元数据策略来索引数据。这些结构使得查询数据变得简单且精确，能够快速找到上下文相关的信息。
  • 数据存储（Storing）
    索引和元数据存储：一旦数据被索引，LlamaIndex会将索引和其他元数据存储起来，避免重复索引过程。这种方法提高了系统的效率和响应速度。
  • 数据查询（Querying）
    多样化的查询策略：对于任何给定的索引策略，LamaIndex提供了多种查询方式，包括子查询、多步骤查询和混合策略。这些方法利用LLM和LlamaIndex数据结构，确保能够准确且有效地获取所需信息。
  • 效果评估（Evaluating）
    评估和优化：在任何管道中，评估是关键步骤。LlamaIndex提供客观的评估方法，衡量查询响应的准确性、忠实性和速度。通过评估，用户可以比较不同策略的效果，并在进行更改时确保系统性能的稳定和优化。

在这里插入图片描述

3 Llamaindex RAG 实践

基于Llamalndex构建自己的RAG知识库，寻找一个问题 A 在使用Llamalndex之前InternLM2-Chat-1.8B模型不会回答，借助Llamalndex后InternLM2-Chat-1.8B模型具备回答A的能力。

示例：如图所示，由于xtuner是一款比较新的框架， 浦语 API 训练数据库中并没有收录到它的相关信息。左图中问答均未给出准确的答案。右图未对 浦语 API 进行任何增训的情况下，通过 RAG 技术实现的新增知识问答。

在这里插入图片描述

3.1 环境、模型准备

3.1.1 配置基础环境

创建新的conda环境，命名为 llamaindex，在命令行模式下运行：

 conda create -n llamaindex python=3.10

创建完成后，在本地查看环境。

conda env list

结果如下所示。

# conda environments:
#
base                  *  /root/.conda
llamaindex               /root/.conda/envs/llamaindex

运行 conda 命令，激活 llamaindex 然后安装相关基础依赖 python 虚拟环境:

conda activate llamaindex

安装python 依赖包

pip install einops==0.7.0 protobuf==5.26.1

3.1.2 安装 Llamaindex

以下安装根据需要取其一。

  1. 浦语 API+LlamaIndex，安装 Llamaindex和相关的包，需要安装较长的时间。
conda activate llamaindex
pip install llama-index==0.11.20
pip install llama-index-llms-replicate==0.3.0
pip install llama-index-llms-openai-like==0.2.0
pip install llama-index-embeddings-huggingface==0.3.1
pip install llama-index-embeddings-instructor==0.2.1
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121
  1. 如果使用 LlamaIndex+本地部署InternLM，则安装下列相关包，不需要安装上述包。
  • 安装 Llamaindex 和相关的包：
conda activate llamaindex
pip install llama-index==0.10.38 llama-index-llms-huggingface==0.2.0 "transformers[torch]==4.41.1" "huggingface_hub[inference]==0.23.1" huggingface_hub==0.23.1 sentence-transformers==2.7.0 sentencepiece==0.2.0
  • 安装 LlamaIndex 词嵌入向量依赖：
conda activate llamaindex
pip install llama-index-embeddings-huggingface==0.2.0 llama-index-embeddings-instructor==0.1.3

安装 pytorch

pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121

3.1.3 下载 Sentence Transformer 模型

源词向量模型 Sentence Transformer:（我们也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的，同学们可以自由尝试别的开源词向量模型） 运行以下指令，新建一个python文件。

cd ~
mkdir llamaindex_demo
mkdir model
cd ~/llamaindex_demo
touch download_hf.py

打开download_hf.py 贴入以下代码:

import os# 设置环境变量
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'# 下载模型
os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')

然后，在…/llamaindex_demo 目录下执行该脚本即可自动开始下载：

conda activate llamaindex
python download_hf.py

3.1.4 下载 NLTK 相关资源

我们在使用开源词向量模型构建开源词向量的时候，需要用到第三方库 nltk 的一些资源。正常情况下，其会自动从互联网上下载，但可能由于网络原因会导致下载中断，此处我们可以从国内仓库镜像地址下载相关资源，保存到服务器上。 我们用以下命令下载 nltk 资源并解压到服务器上：

cd /root
git clone https://gitee.com/yzy0612/nltk_data.git  --branch gh-pages
cd nltk_data
mv packages/*  ./
cd tokenizers
unzip punkt.zip
cd ../taggers
unzip averaged_perceptron_tagger.zip

之后使用时服务器即会自动使用已有资源，无需再次下载。

3.2 是否使用 LlamaIndex 前后对比

3.2.1 不使用 LlamaIndex RAG（仅API）

浦语官网和硅基流动都提供了InternLM的类OpenAI接口格式的免费的 API，可以访问以下两个了解两个 API 的使用方法和 Key。

浦语官方 API：https://internlm.intern-ai.org.cn/api/document
硅基流动：https://cloud.siliconflow.cn/models?mfs=internlm

方法1：运行以下指令，新建一个python文件

cd ~/llamaindex_demo
touch test_internlm.py

打开test_internlm.py 输入以下代码：

from openai import OpenAIbase_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
api_key = "填写自己的token！"
model="internlm2.5-latest"# base_url = "https://api.siliconflow.cn/v1"
# api_key = "sk-请填写准确的 token！"
# model="internlm/internlm2_5-7b-chat"client = OpenAI(api_key=api_key , base_url=base_url,
)chat_rsp = client.chat.completions.create(model=model,messages=[{"role": "user", "content": "xtuner是什么？"}],
)for choice in chat_rsp.choices:print(choice.message.content)

运行：

python test_internlm.py

结果为：
在这里插入图片描述

方法2 LlamaIndex+本地部署InternLM：

如果本地已下载了InternLM2 1.8B，只需设计一个软链接：

cd ~/model
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b/ ./

然后新建文件：

cd ~/llamaindex_demo
touch llamaindex_internlm.py

代码：

from llama_index.llms.huggingface import HuggingFaceLLM
from llama_index.core.llms import ChatMessage
llm = HuggingFaceLLM(model_name="/root/model/internlm2-chat-1_8b",tokenizer_name="/root/model/internlm2-chat-1_8b",model_kwargs={"trust_remote_code":True},tokenizer_kwargs={"trust_remote_code":True}
)rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
print(rsp)

运行：

python llamaindex_internlm.py

结果为：
在这里插入图片描述

回答的效果并不好，并不是我们想要的xtuner。

3.2.2 使用 API+LlamaIndex

运行以下命令，获取知识库

cd ~/llamaindex_demo
mkdir data
cd data
git clone https://github.com/InternLM/xtuner.git
mv xtuner/README_zh-CN.md ./

运行以下指令，新建一个python文件

cd ~/llamaindex_demo
touch llamaindex_RAG.py

打开llamaindex_RAG.py贴入以下代码

import os 
os.environ['NLTK_DATA'] = '/root/nltk_data'from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.settings import Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.legacy.callbacks import CallbackManager
from llama_index.llms.openai_like import OpenAILike# Create an instance of CallbackManager
callback_manager = CallbackManager()api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
model = "internlm2.5-latest"
api_key = "请填写 API Key"# api_base_url =  "https://api.siliconflow.cn/v1"
# model = "internlm/internlm2_5-7b-chat"
# api_key = "请填写 API Key"llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)#初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(
#指定了一个预训练的sentence-transformer模型的路径model_name="/root/model/sentence-transformer"
)
#将创建的嵌入模型赋值给全局设置的embed_model属性，
#这样在后续的索引构建过程中就会使用这个模型。
Settings.embed_model = embed_model#初始化llm
Settings.llm = llm#从指定目录读取所有文档，并加载数据到内存中
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
#创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
# 此索引将文档转换为向量，并存储这些向量以便于快速检索。
index = VectorStoreIndex.from_documents(documents)
# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
response = query_engine.query("xtuner是什么?")print(response)

运行：

python llamaindex_RAG.py

注意：第一次运行会下载相关数据需要一段时间，请耐心等待，如中断可能导致第二次运行因为文件损坏报错！！！

结果为：
在这里插入图片描述
很明显，借助RAG技术后，我们得到了想要的答案。

方法2 LlamaIndex+本地部署InternLM:
如果本地有模型文件，代码如下：


from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settingsfrom llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM#初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(
#指定了一个预训练的sentence-transformer模型的路径model_name="/root/model/sentence-transformer"
)
#将创建的嵌入模型赋值给全局设置的embed_model属性，
#这样在后续的索引构建过程中就会使用这个模型。
Settings.embed_model = embed_modelllm = HuggingFaceLLM(model_name="/root/model/internlm2-chat-1_8b",tokenizer_name="/root/model/internlm2-chat-1_8b",model_kwargs={"trust_remote_code":True},tokenizer_kwargs={"trust_remote_code":True}
)
#设置全局的llm属性，这样在索引查询时会使用这个模型。
Settings.llm = llm#从指定目录读取所有文档，并加载数据到内存中
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
#创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
# 此索引将文档转换为向量，并存储这些向量以便于快速检索。
index = VectorStoreIndex.from_documents(documents)
# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
response = query_engine.query("xtuner是什么?")print(response)

运行：

python llamaindex_RAG.py

结果为：在这里插入图片描述

3.3 LlamaIndex web

运行之前首先安装依赖

pip install streamlit==1.36.0

运行以下指令，新建一个 python 文件

cd ~/llamaindex_demo
touch app.py

打开app.py写入以下代码

import streamlit as st
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLMst.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
st.title("llama_index_demo")# 初始化模型
@st.cache_resource
def init_models():embed_model = HuggingFaceEmbedding(model_name="/root/model/sentence-transformer")Settings.embed_model = embed_modelllm = HuggingFaceLLM(model_name="/root/model/internlm2-chat-1_8b",tokenizer_name="/root/model/internlm2-chat-1_8b",model_kwargs={"trust_remote_code": True},tokenizer_kwargs={"trust_remote_code": True})Settings.llm = llmdocuments = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()index = VectorStoreIndex.from_documents(documents)query_engine = index.as_query_engine()return query_engine# 检查是否需要初始化模型
if 'query_engine' not in st.session_state:st.session_state['query_engine'] = init_models()def greet2(question):response = st.session_state['query_engine'].query(question)return response# Store LLM generated responses
if "messages" not in st.session_state.keys():st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]# Display or clear chat messages
for message in st.session_state.messages:with st.chat_message(message["role"]):st.write(message["content"])def clear_chat_history():st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]st.sidebar.button('Clear Chat History', on_click=clear_chat_history)# Function for generating LLaMA2 response
def generate_llama_index_response(prompt_input):return greet2(prompt_input)# User-provided prompt
if prompt := st.chat_input():st.session_state.messages.append({"role": "user", "content": prompt})with st.chat_message("user"):st.write(prompt)# Gegenerate_llama_index_response last message is not from assistant
if st.session_state.messages[-1]["role"] != "assistant":with st.chat_message("assistant"):with st.spinner("Thinking..."):response = generate_llama_index_response(prompt)placeholder = st.empty()placeholder.markdown(response)message = {"role": "assistant", "content": response}st.session_state.messages.append(message)

之后运行

streamlit run app.py

打开的 url
在这里插入图片描述

即可进入以下网页，然后就可以开始尝试问问题了
在这里插入图片描述

询问结果为：

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.mzph.cn/bicheng/62511.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩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

Android 编译和使用libheif

Android 编译和使用libheif

项目中需要使用libheif,libde265,libyuv。一下是相应的cmakelist.txt。这里直接使用了静态库。 里面涉及到c包的链接，需要stdc。 ${PROJECT_SOURCE_DIR}/../jniLibs/${ANDROID_ABI}/liblibde265.a这个路径由于操作过程中copy出现问题，多了一层路径&…
阅读更多...
【无标题】多模态对齐

【无标题】多模态对齐

第一章 绪论 1.1 研究背景和意义 在现实生活中，人类往往是以事件为单位来认识和理解世界的，一个事件包 含了时间、地点、参与者等多个静态因素。将这些事件信息从非结构化数据中提 取出来，已逐渐成为信息抽取领域的关键任务之一。事件通常并非孤立存在，而 是彼此关联，它…
阅读更多...
DIY-Tomcat part 3 实现对动态资源的请求

DIY-Tomcat part 3 实现对动态资源的请求

实现ServletRequest package connector;import javax.servlet.RequestDispatcher; import javax.servlet.ServletInputStream; import javax.servlet.ServletRequest; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStream; import java.i…
阅读更多...
黑马程序员Java笔记整理(day05)

黑马程序员Java笔记整理(day05)

1.面向对象编程 2.用法 3.对象是什么 4.对象在计算机中是啥 5.无参与有参构造器 小结: 6.this的作用 7.小结 8.封装 9.小结 10.实体类 11.小结 12.static 13.小结 14.static修饰方法 15.static应用前景 16.几个注意事项 17.java中可以直接用类的名字创建数组，如: M…
阅读更多...
Perforce SAST专家详解：自动驾驶汽车的安全与技术挑战，Klocwork、Helix QAC等静态代码分析成必备合规性工具

Perforce SAST专家详解：自动驾驶汽车的安全与技术挑战，Klocwork、Helix QAC等静态代码分析成必备合规性工具

自动驾驶汽车安全吗？现代汽车的软件包含1亿多行代码，支持许多不同的功能，如巡航控制、速度辅助和泊车摄像头。而且，这些嵌入式系统中的代码只会越来越复杂。 随着未来汽车的互联程度越来越高，这一趋势还将继续。汽车越…
阅读更多...
《Python基础》之数据加密模块hashlib的用法

《Python基础》之数据加密模块hashlib的用法

目录 一、简介 二、用法 步骤一、导入hashlib库 步骤二、创建哈希对象 步骤三、往哈希对象中传值 1、可以在创建对象的时候传值 2、使用updata传值 步骤四、获取经过哈希对象加密后的值 三、注意事项 1、编码问题 2、安全性 3、多次传值 四、总结 一、简介 hashli…
阅读更多...
QT实战--qt各种按钮实现

QT实战--qt各种按钮实现

本篇介绍qt一些按钮的实现，包括正常按钮；带有下拉箭头的按钮的各种实现；按钮和箭头两部分分别响应；图片和按钮大小一致；图片和按钮大小不一致的处理；文字和图片位置的按钮 效果图如下： 详细实现…
阅读更多...
恶补英语初级第12天，《描述进行中的动作》

恶补英语初级第12天，《描述进行中的动作》

对话 Where’s Sally, Jack? She’s in the garden, Jane. What’s she doing? she’s sitting under the tree. Is Tim in the garden, too? Yes, he is. He’s climbing the tree. I beg your pardon? Who’s climbing the tree? Tim is. What about the dog? The dog’…
阅读更多...
联表查询，外键

联表查询，外键

联表查询 使用多表可以减少冗余，便于增删改操作，查询操作复杂 表与表之间通过主键和外键关联 外键 如果一张表的某个列指向另一个表的主键列 ，就称之为外键列 -- 添加外键 alter table t_emp add constraint 外键名 foreign key (depart)…
阅读更多...
【OJ】前K个高频单词和单词识别和两个数组的交集

【OJ】前K个高频单词和单词识别和两个数组的交集

个人主页 &#xff1a; zxctscl 如有转载请先通知 题目 1. 692. 前K个高频单词1.1 分析1.2 代码 2. KY264 单词识别2.1 分析2.2 代码 3. 349. 两个数组的交集3.1 分析3.2 代码 1. 692. 前K个高频单词 1.1 分析 先试用map来统计每个单词出现的次数&#xff1a; map<string,i…
阅读更多...
分布式协同 - 分布式锁一二事儿

分布式协同 - 分布式锁一二事儿

文章目录 导图Pre概述概述1. 分布式互斥和临界资源的协调2. 分布式锁的基本原理3. 分布式锁的实现方式a. 基于数据库实现的分布式锁b. 基于Redis实现的分布式锁c. 基于Zookeeper实现的分布式锁 4. 高并发场景下的分布式锁优化a. 分段锁&#xff08;Sharded Locks&#xff09;b.…
阅读更多...
Vue-01

Vue-01

Vue框架 Vue官网&#xff1a; Vue.js 框架 数据模型和view的通信就是依靠viewmodel的关键。 目前主流版本仍然是vue2版本。 Vue快速入门 1.新建一个HTML文件&#xff0c;引入Vue.js文件。Vue.js文件是官方引入的一个文件&#xff0c;我们如果要使用Vue就必须引入这个文件。…
阅读更多...
【微服务】Nacos

【微服务】Nacos

一、安装 1、官网地址&#xff1a;https://nacos.io/download/nacos-server/ 2、启动&#xff1a;找到bin目录下的startup.cmd双击启动&#xff0c;或者打开一个命令窗口输入&#xff1a; startup.cmd -m standalone双击启动后如下&#xff1a;可以访问控制台地址 访问后的…
阅读更多...
【Docker项目实战】使用Docker部署Paint Board在线创意画板工具

【Docker项目实战】使用Docker部署Paint Board在线创意画板工具

【Docker项目实战】使用Docker部署Paint Board在线创意画板工具 一、 Paint Board介绍1.1 Paint Board简介1.2 主要功能1.3 主要使用场景二、本次实践规划2.1 本地环境规划2.2 本次实践介绍三、本地环境检查3.1 检查Docker服务状态3.2 检查Docker版本3.3 检查docker compose 版…
阅读更多...
在oracle下载jdk显示400 Bad Request Request Header Or Cookie Too Large

在oracle下载jdk显示400 Bad Request Request Header Or Cookie Too Large

下载JDK17&#xff0c;官网地址&#xff1a;【https://www.oracle.com/cn/java/technologies/downloads/#jdk17-windows】 问题&#xff1a; 出现 400 Bad Request: Request Header Or Cookie Too Large 错误&#xff0c;通常是由于浏览器存储的 Cookies 或请求头过大所导致的…
阅读更多...
实现一个Vue自定义指令

实现一个Vue自定义指令

在 Vue 中&#xff0c;自定义指令允许你为 DOM 元素添加特定的行为或功能。下面是一个实现 Vue 自定义指令的简单示例&#xff0c;展示了如何创建一个指令&#xff0c;使得元素在鼠标悬停时改变背景色。 1. 创建自定义指令 在 Vue 2.x 中&#xff0c;你可以在 Vue.directive …
阅读更多...
开发需求总结19-vue 根据后端返回一年的数据，过滤出符合条件数据

开发需求总结19-vue 根据后端返回一年的数据，过滤出符合条件数据

需求描述&#xff1a; 定义时间分界点&#xff1a;每月26号8点&#xff0c;过了26号8点则过滤出data数组中符合条件数据下个月的数据&#xff0c;否则过滤出当月数据 1.假如现在是2024年11月14日&#xff0c;那么过滤出data数组中日期都是2024-11月的数据&#xff1b; 2.假如…
阅读更多...
2025 - AIDD - python的autodock vina 批量分子对接改进版本2.0-全自动对接，完全全自动对接

2025 - AIDD - python的autodock vina 批量分子对接改进版本2.0-全自动对接，完全全自动对接

2025 - AIDD - python的autodock vina 批量分子对接改进版本2.0-全自动对接&#xff0c;完全全自动对接 import warnings from pathlib import Path import subprocess from itertools import product import numpy as np import pandas as pd from MDAnalysis import Univers…
阅读更多...
【uniapp】轮播图

【uniapp】轮播图

前言 Uniapp的swiper组件是一个滑块视图容器组件&#xff0c;可以在其中放置多个轮播图或滑动卡片。它是基于微信小程序的swiper组件进行封装&#xff0c;可以在不同的平台上使用&#xff0c;如微信小程序、H5、App等。 效果图 前端代码 swiper组件 <template><vi…
阅读更多...
由于导包而引发的错误

由于导包而引发的错误

今天在调试时发现删除功能无论如何都无法实现&#xff0c;于是调试找到了mapper层的错误但不知道为什么报错。以下是报错信息。 Caused by: org.apache.ibatis.binding.BindingException: Parameter userIds not found. Available parameters are [arg0, collection, list]at o…
阅读更多...
最新文章

Copyright @ 2022~2023