卷积神经网络入门指南:从原理到实践

目录

1 CNN的发展历史

 2 CNN的基本原理

3 CNN核心组件

3.1 卷积操作基础

 3.2 卷积层详解

3.3 高级卷积操作

3.3.1 分组卷积(Group Convolution)

3.3.2 深度可分离卷积(Depthwise Separable Convolution):

3.3 池化层

3.4 完整的简单CNN模型

4 现代CNN架构

4.1 经典架构

4.2 轻量级架构

4.3 注意力机制

5 CNN训练技巧

5.1 数据预处理与增强

5.2 优化器选择

5.3 学习率调度

5.4 正则化方法


1 CNN的发展历史

1959年,Hubel和Wiesel通过研究猫的视觉皮层,发现了视觉系统的分层处理机制。他们发现视觉皮层的神经元对特定区域的视觉刺激最为敏感,这就是"感受野"的概念,为CNN的设计提供了生物学基础。

1980年,Fukushima提出的Neocognitron是第一个基于分层结构的人工神经网络。它模仿了生物视觉系统的结构,包含了简单细胞层和复杂细胞层,这个设计直接启发了现代CNN的基本架构。

1998年是CNN发展的重要里程碑。Yann LeCun提出的LeNet-5成为了现代CNN的原型。它首次将卷积层、池化层和全连接层系统地组合在一起,用于手写数字识别,达到了商用水平的准确率。LeNet-5的成功证明了CNN在计算机视觉任务中的潜力。

2012年是深度学习爆发的转折点。Hinton团队的AlexNet在ImageNet竞赛中以显著优势胜出,将图像分类的错误率从26%降到了15%。AlexNet的成功归功于:

  • 使用ReLU激活函数代替传统的sigmoid
  • 引入Dropout防止过拟合
  • 使用GPU加速训练
  • 应用数据增强技术

 2 CNN的基本原理

CNN的四个核心设计原则:

        1.局部感受野


  • 每个神经元只关注输入的一个局部区域
  • 这模仿了生物视觉系统的工作方式
  • 显著减少了网络参数量
  • 使网络能够捕获局部特征

        2.权重共享机制


  • 同一个卷积核在整个输入特征图上共享参数
  • 这使得网络具有平移不变性
  • 进一步降低了参数量
  • 提高了网络的泛化能力

        3.空间降采样


  • 通过池化操作逐层降低特征图的空间维度
  • 减少计算量和内存占用
  • 提供一定的位置不变性
  • 扩大感受野范围

        4.层次化特征学习


  • 浅层学习低级特征(边缘、纹理)
  • 中层学习中级特征(形状、局部模式)
  • 深层学习高级特征(语义概念)
  • 逐层抽象提取更有意义的特征表示

3 CNN核心组件

3.1 卷积操作基础

卷积操作是CNN的核心,让我们深入理解它的关键概念:

1. 卷积核的概念与作用

卷积核(kernel)是一个小型矩阵,用于提取图像特征。不同的卷积核可以检测不同的特征模式,如边缘、纹理等。例如:

  • 3×3垂直边缘检测核: [[-1,0,1],[-1,0,1],[-1,0,1]]
  • 3×3水平边缘检测核: [[-1,-1,-1],[0,0,0],[1,1,1]]

2. 步长(stride)与填充(padding)策略

  • 步长: 控制卷积核在输入上滑动的距离
  • 填充: 在输入周围添加额外的像素值(通常为0),以控制输出大小
    • valid padding: 不添加填充
    • same padding: 添加填充使输出维度与输入相同
    • full padding: 允许卷积核与输入的每个可能位置进行卷积

3. 感受野计算 感受野是输出特征图上一个像素点对应输入图像上的区域大小。计算公式为:

  • 对于单个卷积层: RF = K (K为卷积核大小)
  • 对于多个卷积层: RF = RF_prev + (K - 1) * prod(strides_prev) 其中RF_prev是前一层的感受野,strides_prev是之前所有层的步长的乘积。

4. 特征图尺寸计算 输出特征图大小计算公式:

Output_size = [(Input_size - Kernel_size + 2 * Padding) / Stride] + 1

 3.2 卷积层详解

先来看一个基本的卷积层实现:

import torch
import torch.nn as nnclass BasicConvLayer(nn.Module):def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1):super().__init__()self.conv = nn.Conv2d(in_channels=in_channels,      # 输入通道数out_channels=out_channels,    # 输出通道数kernel_size=kernel_size,      # 卷积核大小stride=stride,                # 步长padding=padding              # 填充)self.bn = nn.BatchNorm2d(out_channels)  # 批量归一化self.relu = nn.ReLU(inplace=True)       # ReLU激活函数def forward(self, x):x = self.conv(x)x = self.bn(x)x = self.relu(x)return x# 使用示例
layer = BasicConvLayer(in_channels=3, out_channels=64)
dummy_input = torch.randn(1, 3, 224, 224)  # batch_size=1, channels=3, height=224, width=224
output = layer(dummy_input)
print(output.shape)  # torch.Size([1, 64, 224, 224])

这个基本卷积层包含了现代CNN的标准组件:卷积、批量归一化和ReLU激活函数。

3.3 高级卷积操作

让我们看看几种现代卷积变体:

3.3.1 分组卷积(Group Convolution)

class GroupConv(nn.Module):def __init__(self, in_channels, out_channels, groups=4):super().__init__()self.group_conv = nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=3,padding=1,groups=groups  # 关键参数:分组数)def forward(self, x):return self.group_conv(x)

3.3.2 深度可分离卷积(Depthwise Separable Convolution):

class DepthwiseSeparableConv(nn.Module):def __init__(self, in_channels, out_channels):super().__init__()# 深度卷积self.depthwise = nn.Conv2d(in_channels=in_channels,out_channels=in_channels,kernel_size=3,padding=1,groups=in_channels  # 每个通道单独卷积)# 逐点卷积self.pointwise = nn.Conv2d(in_channels=in_channels,out_channels=out_channels,kernel_size=1  # 1x1卷积)def forward(self, x):x = self.depthwise(x)x = self.pointwise(x)return x

3.3 池化层

常见的池化操作实现:

class PoolingLayers(nn.Module):def __init__(self):super().__init__()# 最大池化self.max_pool = nn.MaxPool2d(kernel_size=2, stride=2)# 平均池化self.avg_pool = nn.AvgPool2d(kernel_size=2, stride=2)# 全局平均池化self.global_avg_pool = nn.AdaptiveAvgPool2d((1, 1))def forward(self, x):max_pooled = self.max_pool(x)avg_pooled = self.avg_pool(x)globally_pooled = self.global_avg_pool(x)return max_pooled, avg_pooled, globally_pooled

3.4 完整的简单CNN模型

工作流程:

  1. 输入图像(3×224×224)首先经过特征提取层
  2. 每个卷积块后的池化层将特征图尺寸减半
  3. 全局平均池化将特征压缩为固定维度
  4. 最后通过全连接层输出类别预测

让我们把这些组件组合成一个完整的CNN:

class SimpleCNN(nn.Module):def __init__(self, num_classes=1000):super().__init__()# 特征提取层self.features = nn.Sequential(# 第一个卷积块BasicConvLayer(3, 64),nn.MaxPool2d(2, 2),# 第二个卷积块BasicConvLayer(64, 128),nn.MaxPool2d(2, 2),# 第三个卷积块BasicConvLayer(128, 256),nn.MaxPool2d(2, 2),)# 分类层self.classifier = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)),  # 全局平均池化nn.Flatten(),nn.Linear(256, num_classes))def forward(self, x):x = self.features(x)x = self.classifier(x)return x# 创建模型实例
model = SimpleCNN()
# 测试前向传播
x = torch.randn(1, 3, 224, 224)
output = model(x)
print(f"Input shape: {x.shape}")
print(f"Output shape: {output.shape}")

这个简单的CNN模型展示了基本组件如何协同工作:

  1. 通过多个卷积块逐层提取特征
  2. 使用池化层降低特征图尺寸
  3. 最后通过全局池化和全连接层完成分类

4 现代CNN架构

卷积神经网络(CNN)的发展历程见证了深度学习领域的重要突破。从2012年AlexNet的横空出世,到如今轻量级网络和注意力机制的广泛应用,CNN架构在不断演进中展现出强大的潜力。

4.1 经典架构

经典CNN架构为现代深度学习奠定了坚实基础。2012年,AlexNet在ImageNet竞赛中以显著优势战胜传统计算机视觉方法,揭开了深度学习革命的序幕。AlexNet首次证明了深度卷积神经网络在大规模视觉识别任务上的潜力,它引入了多项开创性的技术:使用ReLU激活函数替代传统的Sigmoid,显著加快了训练速度;采用Dropout技术有效缓解过拟合;使用重叠池化增强特征提取能力;基于多GPU并行训练实现大规模模型训练。AlexNet的成功推动了深度学习在计算机视觉领域的广泛应用。

AlexNet的基本结构实现:

using UnityEngine;
using System;namespace CNNArchitectures 
{public class AlexNet : MonoBehaviour {private class ConvLayer{public int Filters { get; private set; }public int KernelSize { get; private set; }public int Stride { get; private set; }public int Padding { get; private set; }public ConvLayer(int filters, int kernelSize, int stride = 1, int padding = 0){Filters = filters;KernelSize = kernelSize;Stride = stride;Padding = padding;}}private ConvLayer[] convLayers = new ConvLayer[]{new ConvLayer(96, 11, 4), // Conv1new ConvLayer(256, 5, 1, 2), // Conv2new ConvLayer(384, 3, 1, 1), // Conv3new ConvLayer(384, 3, 1, 1), // Conv4new ConvLayer(256, 3, 1, 1)  // Conv5};private int[] fcLayers = new int[] { 4096, 4096, 1000 };// 在实际应用中需要实现前向传播等方法public float[] Forward(float[] input){// 实现前向传播逻辑throw new NotImplementedException();}}
}

2015年,ResNet的出现是深度学习领域的一个重要里程碑。通过引入残差连接(跳跃连接),ResNet优雅地解决了深度网络的退化问题。残差学习框架使得超深网络(超过100层)的训练成为可能,极大地拓展了深度学习的应用边界。残差连接的核心思想是学习残差映射,而不是直接学习期望的底层映射,这种方式使得深层网络更容易优化。实践证明,残差连接不仅有助于训练更深的网络,还能提供更好的特征表示。

ResNet通过引入残差连接解决了深度网络的退化问题:

namespace CNNArchitectures 
{public class ResidualBlock : MonoBehaviour {private int filters;private int stride;public ResidualBlock(int filters, int stride = 1){this.filters = filters;this.stride = stride;}public float[] Forward(float[] input){// 主路径float[] x = Conv2D(input, filters, 3, stride);x = BatchNorm(x);x = ReLU(x);x = Conv2D(x, filters, 3, 1);x = BatchNorm(x);// 短路连接float[] shortcut = input;if (stride != 1 || input.Length != x.Length){shortcut = Conv2D(input, filters, 1, stride);shortcut = BatchNorm(shortcut);}// 元素级加法return ReLU(Add(x, shortcut));}// 这些方法需要具体实现private float[] Conv2D(float[] input, int filters, int kernelSize, int stride) => throw new NotImplementedException();private float[] BatchNorm(float[] input) => throw new NotImplementedException();private float[] ReLU(float[] input) => throw new NotImplementedException();private float[] Add(float[] x, float[] y) => throw new NotImplementedException();}
}

2017年提出的DenseNet进一步强化了特征重用的理念。通过密集连接模式,每一层都直接与之前所有层相连,形成了密集的特征传播网络。这种设计不仅加强了特征传播和梯度流动,还实现了参数的高效利用。DenseNet的成功表明,特征重用和多尺度特征融合对于提升模型性能至关重要。

4.2 轻量级架构

随着移动设备和边缘计算的普及,轻量级CNN架构成为研究热点。MobileNet系列网络通过深度可分离卷积显著降低计算成本,是轻量级网络的典型代表。MobileNetV1首次将深度可分离卷积应用于大规模视觉任务;MobileNetV2提出创新的倒置残差结构,进一步提升性能;MobileNetV3结合神经架构搜索和硬件感知优化,实现了更优的效率-性能平衡。

EfficientNet系列提出复合缩放方法,系统地研究了网络宽度、深度和分辨率三个维度的平衡关系。通过统一的缩放策略,EfficientNet在多个视觉任务上取得了优异的准确率和效率平衡。这一成果为轻量级网络的设计提供了重要的理论指导。

4.3 注意力机制

注意力机制的引入为CNN注入了新的活力。SENet率先将通道注意力机制引入CNN,通过自适应重标定通道特征响应,提升了特征表示能力。SE模块通过全局平均池化获取通道描述符,然后经过两层全连接网络学习通道间的相互关系,最后对特征图进行重标定。这种简单而有效的设计显著提升了模型性能。

SENet (Squeeze-and-Excitation)通过自适应重标定通道特征响应:

namespace CNNArchitectures 
{public class SEBlock : MonoBehaviour {private int inChannels;private int reductionRatio;public SEBlock(int inChannels, int reductionRatio = 16){this.inChannels = inChannels;this.reductionRatio = reductionRatio;}public float[] Forward(float[] input){// Squeezefloat[] squeezed = GlobalAveragePooling(input);// Excitationint hidden = Math.Max(inChannels / reductionRatio, 1);float[] x = Dense(squeezed, hidden);x = ReLU(x);x = Dense(x, inChannels);x = Sigmoid(x);// Scalereturn Multiply(input, x);}// 这些方法需要具体实现private float[] GlobalAveragePooling(float[] input) => throw new NotImplementedException();private float[] Dense(float[] input, int units) => throw new NotImplementedException();private float[] ReLU(float[] input) => throw new NotImplementedException();private float[] Sigmoid(float[] input) => throw new NotImplementedException();private float[] Multiply(float[] input, float[] scale) => throw new NotImplementedException();}
}

CBAM进一步拓展了注意力机制的应用,将通道注意力和空间注意力相结合。通道注意力关注"重要特征",空间注意力关注"重要位置",两者的协同作用提供了更全面的特征增强效果。这种串联的注意力机制不仅提升了性能,还保持了较低的计算开销。

Non-local Neural Networks引入了自注意力机制来捕获长程依赖关系。传统CNN的局部感受野限制了其建模长距离依赖的能力,而非局部操作通过计算任意两个位置的相关性,实现了全局上下文建模。

5 CNN训练技巧

卷积神经网络的训练过程充满挑战,掌握正确的训练技巧对于实现模型的最优性能至关重要。

5.1 数据预处理与增强

数据预处理和增强是提升模型泛化能力的基础。标准化处理能够使模型训练更加稳定,而数据增强则可以有效扩充训练集,降低过拟合风险。

在标准化方面,最常用的方法包括:

namespace CNNTraining 
{public class ImagePreprocessing {// 零均值化public float[] ZeroMean(float[] input) {float mean = input.Average();return input.Select(x => x - mean).ToArray();}// Z-score标准化public float[] Standardize(float[] input) {float mean = input.Average();float std = (float)Math.Sqrt(input.Select(x => Math.Pow(x - mean, 2)).Average());return input.Select(x => (x - mean) / std).ToArray();}// Min-Max归一化public float[] MinMaxNormalize(float[] input) {float min = input.Min();float max = input.Max();return input.Select(x => (x - min) / (max - min)).ToArray();}}
}

数据增强技术包括基础的几何变换(翻转、旋转、缩放)和像素级变换(亮度、对比度调整、噪声添加)。对于更复杂的场景,我们可以使用高级增强策略:

namespace CNNTraining 
{public class DataAugmentation {private System.Random random = new System.Random();// Mixup增强public (float[] image, float[] label) Mixup(float[] image1, float[] label1, float[] image2, float[] label2,float alpha = 0.2f){float lambda = SampleBeta(alpha, alpha);var mixedImage = new float[image1.Length];var mixedLabel = new float[label1.Length];for (int i = 0; i < image1.Length; i++)mixedImage[i] = lambda * image1[i] + (1 - lambda) * image2[i];for (int i = 0; i < label1.Length; i++)mixedLabel[i] = lambda * label1[i] + (1 - lambda) * label2[i];return (mixedImage, mixedLabel);}private float SampleBeta(float alpha, float beta){// Beta分布采样实现throw new NotImplementedException();}}
}

5.2 优化器选择

优化器的选择直接影响模型的收敛速度和最终性能随机梯度下降(SGD)仍然是最可靠的选择之一,特别是在大规模视觉任务中:

public class SGDOptimizer 
{private float learningRate;private float momentum;private Dictionary<string, float[]> velocities;public SGDOptimizer(float learningRate = 0.01f, float momentum = 0.9f){this.learningRate = learningRate;this.momentum = momentum;this.velocities = new Dictionary<string, float[]>();}public void UpdateParameters(Dictionary<string, float[]> parameters, Dictionary<string, float[]> gradients){foreach (var kvp in parameters){string paramName = kvp.Key;float[] param = kvp.Value;float[] grad = gradients[paramName];if (!velocities.ContainsKey(paramName))velocities[paramName] = new float[param.Length];for (int i = 0; i < param.Length; i++){velocities[paramName][i] = momentum * velocities[paramName][i] + learningRate * grad[i];param[i] -= velocities[paramName][i];}}}
}

Adam优化器通过结合动量和自适应学习率,在许多任务中展现出优异的性能:

public class AdamOptimizer
{private float learningRate;private float beta1;private float beta2;private float epsilon;private Dictionary<string, float[]> momentums;private Dictionary<string, float[]> velocities;private int timeStep;public AdamOptimizer(float learningRate = 0.001f, float beta1 = 0.9f, float beta2 = 0.999f, float epsilon = 1e-8f){this.learningRate = learningRate;this.beta1 = beta1;this.beta2 = beta2;this.epsilon = epsilon;this.momentums = new Dictionary<string, float[]>();this.velocities = new Dictionary<string, float[]>();this.timeStep = 0;}public void UpdateParameters(Dictionary<string, float[]> parameters, Dictionary<string, float[]> gradients){timeStep++;float alpha = learningRate * (float)Math.Sqrt(1 - Math.Pow(beta2, timeStep)) / (1 - (float)Math.Pow(beta1, timeStep));foreach (var kvp in parameters){string paramName = kvp.Key;float[] param = kvp.Value;float[] grad = gradients[paramName];if (!momentums.ContainsKey(paramName)){momentums[paramName] = new float[param.Length];velocities[paramName] = new float[param.Length];}for (int i = 0; i < param.Length; i++){momentums[paramName][i] = beta1 * momentums[paramName][i] + (1 - beta1) * grad[i];velocities[paramName][i] = beta2 * velocities[paramName][i] + (1 - beta2) * grad[i] * grad[i];param[i] -= alpha * momentums[paramName][i] / ((float)Math.Sqrt(velocities[paramName][i]) + epsilon);}}}
}

5.3 学习率调度

学习率的动态调整对模型训练至关重要。常用的学习率调度策略包括步衰减、余弦退火和循环学习率:

public class LearningRateScheduler 
{// 步衰减public float StepDecay(float initialLR, int epoch, int stepSize, float gamma){return initialLR * (float)Math.Pow(gamma, Math.Floor(epoch / (double)stepSize));}// 余弦退火public float CosineAnneal(float initialLR, int epoch, int totalEpochs, float eta_min = 0f){return eta_min + (initialLR - eta_min) * (1 + (float)Math.Cos(Math.PI * epoch / totalEpochs)) / 2;}// One-Cycle策略public float OneCycle(float maxLR, int iteration, int totalIterations){float cycle = (float)iteration / totalIterations;if (cycle < 0.5f)return maxLR * (cycle * 2);elsereturn maxLR * (1 - (cycle - 0.5f) * 2);}
}

5.4 正则化方法

正则化是防止过拟合的关键技术。常用的方法包括L1/L2正则化、Dropout和批量归一化

public class Regularization 
{// L2正则化public float L2Penalty(float[] weights, float lambda){return lambda * weights.Select(w => w * w).Sum() / 2;}// Dropout实现public float[] Dropout(float[] input, float dropRate, bool isTraining){if (!isTraining || dropRate == 0)return input;var random = new System.Random();var mask = input.Select(_ => random.NextDouble() > dropRate ? 1.0f : 0.0f).ToArray();var scale = 1.0f / (1.0f - dropRate);return input.Zip(mask, (x, m) => x * m * scale).ToArray();}// 批量归一化public (float[] output, float[] runningMean, float[] runningVar) BatchNorm(float[] input, float[] gamma, float[] beta, float[] runningMean, float[] runningVar, bool isTraining, float momentum = 0.9f, float epsilon = 1e-5f){if (isTraining){float mean = input.Average();float variance = input.Select(x => (x - mean) * (x - mean)).Average();// 更新运行时统计量for (int i = 0; i < runningMean.Length; i++){runningMean[i] = momentum * runningMean[i] + (1 - momentum) * mean;runningVar[i] = momentum * runningVar[i] + (1 - momentum) * variance;}// 标准化和缩放return (input.Select(x => gamma[0] * (x - mean) / (float)Math.Sqrt(variance + epsilon) + beta[0]).ToArray(), runningMean, runningVar);}else{// 测试时使用运行时统计量return (input.Select(x => gamma[0] * (x - runningMean[0]) / (float)Math.Sqrt(runningVar[0] + epsilon) + beta[0]).ToArray(), runningMean, runningVar);}}
}

这些训练技巧的组合使用对于获得高性能的CNN模型至关重要。在实践中,需要根据具体任务和数据特点选择合适的技术组合。特别是在复杂的视觉任务中,合理的训练策略往往能带来显著的性能提升。

内容不全等,请各位理解支持!!

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/65089.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

CSS系列(35)-- Subgrid详解

前端技术探索系列&#xff1a;CSS Subgrid详解 &#x1f4d0; 致读者&#xff1a;探索子网格布局的艺术 &#x1f44b; 前端开发者们&#xff0c; 今天我们将深入探讨 CSS Subgrid&#xff0c;这个强大的网格布局扩展特性。 基础概念 &#x1f680; 子网格设置 /* 父网格…

实训项目-人力资源管理系统-1Company子模块

目录 前言&#xff1a; 用例图设计&#xff1a; 系统设计 开发方式&#xff1a; 技术架构 系统结构&#xff1a; API文档&#xff1a; 工程搭建&#xff1a; 搭建父项目 pom&#xff1a; 创建公共子模块&#xff1a; 返回实体&#xff1a; 分布式id生成器&#xff1a; …

2.5.3 文件使用、共享、保护、安全与可靠性

文章目录 文件使用文件共享文件保护系统安全与可靠性 文件使用 操作系统向用户提供操作级、编程级文件服务。 操作级服务包括目录管理&#xff0c;文件操作&#xff08;复制、删除、修改&#xff09;&#xff0c;文件管理&#xff08;设置文件权限&#xff09;。 编程级服务包括…

路由器转发数据报的封装过程

✍作者&#xff1a;柒烨带你飞 &#x1f4aa;格言&#xff1a;生活的情况越艰难&#xff0c;我越感到自己更坚强&#xff1b;我这个人走得很慢&#xff0c;但我从不后退。 &#x1f4dc;系列专栏&#xff1a;网路安全入门系列 目录 路由器转发数据的封装过程 路由器转发数据的封…

Qt5 cmake引用private头文件

Qt5 cmake引用private头文件 如何引用Qt的qzipreader_p.h头文件 、xlsxzipreader_p.h头文件 使用 target_include_directories target_include_directories(TestQtXlsx PRIVATE${Qt${QT_VERSION_MAJOR}Gui_PRIVATE_INCLUDE_DIRS}${Qt${QT_VERSION_MAJOR}Xlsx_PRIVATE_INCLUD…

vulnhub matrix-breakout靶机

1.搭建靶机 这样就是装好了 获取靶机IP nmap -O 192.168.47.129/24 2.信息收集 dirb http://192.168.47.128 dirb 首页 81端口一个登录页面 gobuster dir -u http://192.168.152.154 -w /usr/share/wordlists/dirbuster/directory-list-2.3-medium.txt -x php,txt,html gra…

前端文件导出到Excel文件实用案例:VUE3,ElementPlus,typescript。直接复制可用~~

typescript import * as XLSX from "xlsx"; //1、文件导出的主要方法 /*** 将数据表导出为Excel文件&#xff0c;并根据提供的映射替换表头和排序&#xff08;如果提供了映射&#xff09;* param dataTable 数据表&#xff0c;包含要导出的数据* param fileName 导出…

HNUST-数据分析技术课堂实验

1.要求 1&#xff0c;从下列第一、二、三组实验中各至少选取一个算法进行实验&#xff0c;选修组实验不作强制要求&#xff1b;2&#xff0c;实验过程不限&#xff0c;目标在于锻炼算法实现过程&#xff0c;即可采用C、C、Java、Python&#xff08;建议&#xff09;等任意语言编…

华为路由器AR101W-S

华为路由器AR101W-S的设定 华为路由器AR101W-S的设定 1、第一次进入登陆的界面 http://192.168.1.1/&#xff0c;默认的帐号&#xff1a;admin&#xff0c;默认的密码&#xff1a;Adminhuawei&#xff0c;登入后会要求修改密码 如果无法进入网址&#xff0c;请操作下面的内…

微信小程序 不同角色进入不同页面、呈现不同底部导航栏

遇到这个需求之前一直使用的小程序默认底部导航栏&#xff0c;且小程序默认入口页面为pages/index/index&#xff0c;要使不同角色呈现不同底部导航栏&#xff0c;必须要在不同页面引用不同的自定义导航栏。本篇将结合分包&#xff08;subPackages&#xff09;展开以下三步叙述…

【西安电子科技大学考研】25官方复试专业课参考书目汇总

初试已经顺利考完啦、成绩已经公布&#xff0c;现在已经有很多同学来问学长学姐&#xff0c;复试参考书有哪些&#xff0c;复试应该做好哪些准备。故此学长学姐给大家整理好了西安电子科技大学各个学院的复试参考书目录&#xff0c;有需要的同学可以参考一下哈。大家可以结合本…

如何通过 Kafka 将数据导入 Elasticsearch

作者&#xff1a;来自 Elastic Andre Luiz 将 Apache Kafka 与 Elasticsearch 集成的分步指南&#xff0c;以便使用 Python、Docker Compose 和 Kafka Connect 实现高效的数据提取、索引和可视化。 在本文中&#xff0c;我们将展示如何将 Apache Kafka 与 Elasticsearch 集成以…

LLaMA-Factory GLM4-9B-CHAT LoRA 微调实战

&#x1f929;LLaMA-Factory GLM LoRA 微调 安装llama-factory包 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git进入下载好的llama-factory&#xff0c;安装依赖包 cd LLaMA-Factory pip install -e ".[torch,metrics]" #上面这步操作会完成…

view draw aosp15

基础/背景知识 如何理解Drawable&#xff1f; 在 Android 中&#xff0c;Drawable 是一个抽象的概念&#xff0c;表示可以绘制到屏幕上的内容。 它可以是位图图像、矢量图形、形状、颜色等。 Drawable 本身并不是一个 View&#xff0c;它不能直接添加到布局中&#xff0c;而是…

gridcontrol表格某一列设置成复选框,选择多行(repositoryItemCheckEdit1)

1. 往表格中添加repositoryItemCheckEdit1 2. 事件&#xff1a; repositoryItemCheckEdit1.QueryCheckStateByValue repositoryItemCheckEdit1_QueryCheckStateByValue; private void repositoryItemCheckEdit1_QueryCheckStateByValue(object sender, DevExpress.XtraEditor…

重温设计模式--适配器模式

文章目录 适配器模式&#xff08;Adapter Pattern&#xff09;概述适配器模式UML图适配器模式的结构目标接口&#xff08;Target&#xff09;&#xff1a;适配器&#xff08;Adapter&#xff09;&#xff1a;被适配者&#xff08;Adaptee&#xff09;&#xff1a; 作用&#xf…

C语言项目 天天酷跑(上篇)

前言 这里讲述这个天天酷跑是怎么实现的&#xff0c;我会在天天酷跑的下篇添加源代码&#xff0c;这里会讲述天天酷跑这个项目是如何实现的每一个思路&#xff0c;都是作者自己学习于别人的代码而创作的项目和思路&#xff0c;这个代码和网上有些许不一样&#xff0c;因为掺杂了…

公交车信息管理系统:构建智能城市交通的基石

程序设计 本系统主要使用Java语言编码设计功能&#xff0c;MySQL数据库管控数据信息&#xff0c;SSM框架创建系统架构&#xff0c;通过这些关键技术对系统进行详细设计&#xff0c;设计和实现系统相关的功能模块。最后对系统进行测试&#xff0c;这一环节的结果&#xff0c;基本…

MDS-NPV/NPIV

在存储区域网络&#xff08;SAN&#xff09;中&#xff0c;域ID&#xff08;Domain ID&#xff09;是一个用于区分不同存储区域的关键参数。域ID允许SAN环境中的不同部分独立操作&#xff0c;从而提高效率和安全性。以下是关于域ID的一些关键信息&#xff1a; 域ID的作用&…

【网络安全产品大调研系列】1. 漏洞扫描

1. 为什么会出现漏扫技术&#xff1f; 每次黑客攻击事件进行追溯的时候&#xff0c;根据日志分析后&#xff0c;我们往往发现基本都是系统、Web、 弱口令、配置这四个方面中的其中一个出现的安全问题导致黑客可以轻松入侵的。 操作系统的版本滞后&#xff0c;没有更新补丁&am…