HNU-人工智能-实验3-贝叶斯分类器

人工智能-实验3

计科210x 甘晴void

【感悟】本实验值得自己完成一遍

在这里插入图片描述

文章目录

  • 人工智能-实验3
    • 一、实验目的
    • 二、实验平台
    • 三、实验内容
      • 3.0 基础知识
      • 3.1 条件概率（选择题）
      • 3.2 贝叶斯公式（选择题）
      • 3.3 朴素贝叶斯分类算法流程
        • 3.3.1 算法原理
        • 3.3.2 编程细节
        • 3.3.3 代码
      • 3.4 拉普拉斯平滑
        • 3.4.1 问题提出
        • 3.4.2 算法原理
        • 3.4.3 编程细节
        • 3.4.4 源码
      • 3.5 新闻文本主题分类
      • 3.5.1 问题解析
      • 3.5.2 算法原理
        • ①文本向量化
        • ②MultinomialNB
      • 3.5.3 源码
    • 四、思考题

一、实验目的

  • 掌握分类算法的算法思想：朴素贝叶斯算法

  • 编写朴素贝叶斯算法进行分类操作

二、实验平台

  • 课程实训平台https://www.educoder.net/paths/369

三、实验内容

3.0 基础知识

主要是一些概率论基础，如

  • 独立性原理

  • 贝叶斯公式

    • P(b|a) = P(a|b) * P(b) / P(a)

  • 朴素贝叶斯公式

    • 假设所有Effecti各自独立
    • P(Cause,Effect1,……,Effectn) = P(Cause) * Π P(Effecti | Cause)

  • 贝叶斯网络

  • 等

还有python基础，尤其是numpy与对数组的操作。（这个有点折磨，c++到python，还是习惯很笨拙地去遍历数组的每个位置）

3.1 条件概率（选择题）

在这里插入图片描述

解析：

（1）为条件概率公式，较为基础

（2）条件概率，求P(小明取到的数>小红取到的数 | 小明取到的数字是5的倍数)。

P(小明取到的数>小红取到的数 | 小明取到的数字是5的倍数) = P(小明取到的数>小红取到的数 && 小明取到的数字是5的倍数) / P( 小明取到的数字是5的倍数)

  • 已知：P( 小明取到的数字是5的倍数) = 1/5
  • 下面计算P(小明取到的数>小红取到的数 && 小明取到的数字是5的倍数)，这是一个古典概型。
  • 总共事件C(2,1)*C(15,2)=210，注意要考虑顺序。
  • 小明取到的数字是5的倍数，只可能是5，10，15。要让小明取到的数大于小红取到的数，这样的事件如下：小明5，小红1,2,3,4；小明10，小红1,2,3,4,5,6,7,8,9；小明15，小红1,2,3,4,5,6,7,8,9,10,11,12,13,14；
  • 这样的情况总数4+9+14=27
  • 故 (27 / 210) / (1 / 5) = 9 / 14

3.2 贝叶斯公式（选择题）

在这里插入图片描述

（1）

P(产品合格 | 机器良好) = 98%

P(产品合格 | 机器故障) = 55%

P(机器良好) = 95%

P(机器良好 | 产品合格)

解：

由贝叶斯公式，P(机器良好 | 产品合格) = [P(产品合格 | 机器良好) * P(机器良好)] / P(产品合格)

由全概率公式，P(产品合格)=P(产品合格 | 机器良好) * P(机器良好) +

P(产品合格 | 机器故障) * P(机器故障) = 98% * 95% + 55% * 5%

综上可得答案约为0.97

（2）分情况讨论

[ C(2,1) * C(6,1) + C(6,1) * C(5,1) / C(8,1) * C(7,1)

答案为3/4

3.3 朴素贝叶斯分类算法流程

3.3.1 算法原理

朴素贝叶斯分类算法是基于贝叶斯定理和特征条件独立性假设的分类方法。对于给定的训练集，基于特征条件独立性假设学习输入输出的联合概率分布(先验概率和条件概率分布)，学习概率分布后，利用贝叶斯定理求出后验概率最大的输出作为预测结果。

形式化抽象如下：

  • 假设类标签（label）为Y={y1,y2,……,yk}，本题中Y={0,1}
  • 假设特征（feature）为A={A1,A2,……,An}，本题中A={颜色，声音，纹理}
  • 假设特征的取值为aij，本题中颜色：用1表示绿色，2表示黄色；声音：用1表示清脆，2表示浑厚。纹理：用1表示清晰，2表示模糊，3表示一般

简单来看，特征只有一个Ai的情况下，问题如下：

  • 模型训练的过程相当于学习P(Ai | Y)，其中B是特定的类别，Ai是特征。
  • 模型预测的过程就是根据贝叶斯公式求P(Y | Ai)的概率。

一般来看，特征为多个A1,A2,……,An。此时根据条件独立性假设，假设这些特征之间相互独立。

本题中，有A1A2A3，原问题被转化为求P(Y | A1A2A3)

注：计算该概率时，假设各个特征之间互不影响，每个特征都是条件独立的。这个假设就是条件独立性假设，可以简化朴素贝叶斯方法，但可能牺牲一定的分类准确性。

即在有各个特征的条件下，预测输入属于哪一个分类的概率，属于哪一个分类的概率最大，就预测输入样本的类别是哪一类。

  • 根据贝叶斯公式，P(Y | A1A2A3)被转换为：
  • P(Y | A1A2A3) = P(YA1A2A3) / P(A1A2A3)
  • = P(Y) * P(A1 | Y) * P(A2 | Y) * P(A3 | Y) / P(A1A2A3)
  • 那么我们想比较P(Y=0 | A1A2A3)和P(Y=1 | A1A2A3)
  • 实际上只要比较P(Y=0) * P(A1 | Y=0) * P(A2 | Y=0) * P(A3 | Y=0)和P(Y=1) * P(A1 | Y=1) * P(A2 | Y=1) * P(A3 | Y=1)的大小关系即可。

下面是整体脉络

  • 训练部分，即根据样本，学习P(Y) 、 P(A1 | Y) 、 P(A2 | Y) 、 P(A3 | Y)这些值。
  • 预测部分，即根据需要预测的特征，以及之前学习的P(Y) 、 P(A1 | Y) 、 P(A2 | Y) 、 P(A3 | Y)这些值，直接计算出P(Y | A1A2A3)。

大致示意图如下

在这里插入图片描述

3.3.2 编程细节

对于训练部分，我们要得到self.label_prob和self.condition_prob即可，前者是一个一维列表/字典，后者是一个三维列表/字典。

self.label_prob较为简单，直接对label分别计数即可得到。

label_0 = np.count_nonzero(label == 0)label_1 = np.count_nonzero(label == 1)self.label_prob = {0: label_0/label.size, 1: label_1/label.size}

self.condition_prob需要填表，注意到给的训练数据，实际上feature矩阵的每个点有3个特征，feature维度，label，然后是不同样本（不同行），最后才是它自己的值。

我的想法是对于每个样本（每行），确定label和feature维度。此时从3个特征确定了这个值的意义。把它累加到self.condition_prob的对应位置中。

这样遍历完所有样本之后，self.condition_prob的前两维度（label和feature）确定后，得到的是一个关于该feature取值的字典，每个key是该feature的可能取值，value是样本取这个值的个数。这称为一个单位。

之后再对每个这样的单位求概率，得到P(Ai | Y=0/1)，即该瓜是好/坏时，feature取哪个值（例如颜色取黄或绿）的概率。求概率的方法就是将确定该瓜好/坏时，feature取某值的频数除以该feature所有可取值的总频数。

for i in range(2):for j in range(feature.shape[1]):total_sum = 0for key,value in self.condition_prob[i][j].items():total_sum += valuefor key,value in self.condition_prob[i][j].items():self.condition_prob[i][j][key] /= total_sum

预测时，只要查我们之前算好的表，如P(Y=0 |A1=a A2=b A3=c) = P(Y=0) * P(A1=a | Y=0) * P(A2=b | Y=0) * P(A3=c | Y=0)

这几个值都是已知的。就可以得到答案。

for label_index in range(2):j = 0 # 处理的特征序号，即feat的indexfor feat in group:pa = self.condition_prob[label_index][j].get(feat)if (pa == None):prob_list[label_index] *= 0else:prob_list[label_index] *= paj += 1
3.3.3 代码
import numpy as np
DEBUG = 0class NaiveBayesClassifier(object):def __init__(self):self.label_prob = {}self.condition_prob = {}def fit(self, feature, label):'''对模型进行训练，需要将各种概率分别保存在self.label_prob和self.condition_prob中:param feature: 训练数据集所有特征组成的ndarray:param label:训练数据集中所有标签组成的ndarray:return: 无返回'''# ********* Begin *********## label_problabel_0 = np.count_nonzero(label == 0)label_1 = np.count_nonzero(label == 1)self.label_prob = {0: label_0/label.size, 1: label_1/label.size}# condition_probself.condition_prob[0] = {}self.condition_prob[1] = {}# 初始化每个特征取值的字典for item in self.condition_prob:for feature_index in range(len(feature[0])):  # len(feature[0])为特征数量self.condition_prob[item][feature_index] = {}# 读取数据i = 0  # 样本编号for data in feature:j = 0  # 特征序号for feat in data:if (self.condition_prob[label[i]][j].get(feat) == None):self.condition_prob[label[i]][j][feat] = 0self.condition_prob[label[i]][j][feat] += 1j += 1i += 1# 归一化得到概率for i in range(2):for j in range(feature.shape[1]):total_sum = 0for key,value in self.condition_prob[i][j].items():total_sum += valuefor key,value in self.condition_prob[i][j].items():self.condition_prob[i][j][key] /= total_sumif (DEBUG):print("label_prob:\n{}".format(self.label_prob))print("condition_prob:\n{}".format(self.condition_prob))# ********* End *********#def predict(self, feature):'''对数据进行预测，返回预测结果:param feature:测试数据集所有特征组成的ndarray:return:'''# ********* Begin *********## P(A1) P(B|A1)  P(C|A1)  P(D|A1)ans = []i = 0 # 处理的组号for group in feature:if (DEBUG):print("now process {}".format(i))# 处理多组数据prob_list = {}prob_list[0] = self.label_prob[0]prob_list[1] = self.label_prob[1]for label_index in range(2):j = 0 # 处理的特征序号，即feat的indexfor feat in group:pa = self.condition_prob[label_index][j].get(feat)if (pa == None):prob_list[label_index] *= 0else:prob_list[label_index] *= paj += 1if (DEBUG):print(prob_list[0])print(prob_list[1])if (prob_list[0]>prob_list[1]):ans.append(0)else:ans.append(1)i += 1return ans# ********* End *********#if __name__ == "__main__":nb_classifier = NaiveBayesClassifier()feature = np.array([[2, 1, 1],[1, 2, 2],[2, 2, 2],[2, 1, 2],[1, 2, 3]])label = np.array([1, 0, 1, 0, 1])nb_classifier.fit(feature,label)print(nb_classifier.predict(feature))

其中，if __name__ == "__main__"用于本地调试使用，提交的时候将该函数删去。

3.4 拉普拉斯平滑

3.4.1 问题提出

在计算上一题的时候，我们遇到了许多奇怪的地方。

如self.label_prob，即先验概率，如果某个标签根本没有出现，那么它的先验概率就会是0，

如self.condition_prob，这个三维表格中，也有项出现了0，

而上面这两个都是我们最终概率计算式中的乘项。导致了上面我们计算出的概率可能出现0。

这显然是不合理的，所以我们要进行平滑处理，而最常用的方法就是拉普拉斯平滑。

3.4.2 算法原理

拉普拉斯平滑指的是，假设N表示训练数据集总共有多少种类别，Ni表示训练数据集中第i列总共有多少种取值。则训练过程中在算类别的概率时分子加1，分母加N，算条件概率时分子加1，分母加Ni。

就是让0项不出现，用一个很小很小的数来代替。实际上我们这里的拉普拉斯平滑是直接加了1，也有别的处理方法。

下表标红部分显示了与不加拉普拉斯平滑的区别

在这里插入图片描述

3.4.3 编程细节

计算self.label_prob时要注意平滑

label_0 = np.count_nonzero(label == 0)label_1 = np.count_nonzero(label == 1)self.label_prob = {0: (label_0+1)/(label.size+2), 1: (label_1+1)/(label.size+2)}

同样，计算self.condition_prob时也要平滑

for j in range(feature.shape[1]):for i in range(2):for key,value in self.condition_prob[i][j].items():if (self.condition_prob[(i+1)%2][j].get(key) == None):self.condition_prob[(i+1)%2][j][key] = 0Ni = 0for key, value in self.condition_prob[i][j].items():Ni += 1for i in range(2):total_sum = Nifor key, value in self.condition_prob[i][j].items():total_sum += valuefor key,value in self.condition_prob[i][j].items():self.condition_prob[i][j][key] = (self.condition_prob[i][j][key] + 1) / total_sum

这里因为我是用字典来存的，所以若该项本来为0，我是没有存进字典去的。故这里需要判一下，并对原来没有存入的情况补充存入0，保证每项都有，即下图标粉色的部分。（或许不用字典是更好的方法）

在这里插入图片描述

3.4.4 源码
import numpy as np
DEBUG = 1class NaiveBayesClassifier(object):def __init__(self):self.label_prob = {}self.condition_prob = {}def fit(self, feature, label):'''对模型进行训练，需要将各种概率分别保存在self.label_prob和self.condition_prob中:param feature: 训练数据集所有特征组成的ndarray:param label:训练数据集中所有标签组成的ndarray:return: 无返回'''# ********* Begin *********## label_problabel_0 = np.count_nonzero(label == 0)label_1 = np.count_nonzero(label == 1)self.label_prob = {0: (label_0+1)/(label.size+2), 1: (label_1+1)/(label.size+2)}# condition_probself.condition_prob[0] = {}self.condition_prob[1] = {}# 初始化每个特征取值的字典for item in self.condition_prob:for feature_index in range(len(feature[0])):  # len(feature[0])为特征数量self.condition_prob[item][feature_index] = {}# 读取数据i = 0  # 样本编号for data in feature:j = 0  # 特征序号for feat in data:if (self.condition_prob[label[i]][j].get(feat) == None):self.condition_prob[label[i]][j][feat] = 0self.condition_prob[label[i]][j][feat] += 1j += 1i += 1# 归一化得到概率(加入拉普拉斯平滑)for j in range(feature.shape[1]):for i in range(2):for key,value in self.condition_prob[i][j].items():if (self.condition_prob[(i+1)%2][j].get(key) == None):self.condition_prob[(i+1)%2][j][key] = 0Ni = 0for key, value in self.condition_prob[i][j].items():Ni += 1for i in range(2):total_sum = Nifor key, value in self.condition_prob[i][j].items():total_sum += valuefor key,value in self.condition_prob[i][j].items():self.condition_prob[i][j][key] = (self.condition_prob[i][j][key] + 1) / total_sumif (DEBUG):print("label_prob:\n{}".format(self.label_prob))print("condition_prob:\n{}".format(self.condition_prob))# ********* End *********#def predict(self, feature):'''对数据进行预测，返回预测结果:param feature:测试数据集所有特征组成的ndarray:return:'''# ********* Begin *********## P(A1) P(B|A1)  P(C|A1)  P(D|A1)ans = []i = 0 # 处理的组号for group in feature:if (DEBUG):print("now process {}".format(i))# 处理多组数据prob_list = {}prob_list[0] = self.label_prob[0]prob_list[1] = self.label_prob[1]for label_index in range(2):j = 0 # 处理的特征序号，即feat的indexfor feat in group:pa = self.condition_prob[label_index][j].get(feat)if (pa == None):prob_list[label_index] *= 0else:prob_list[label_index] *= paj += 1if (DEBUG):print(prob_list[0])print(prob_list[1])if (prob_list[0]>prob_list[1]):ans.append(0)else:ans.append(1)i += 1return ans# ********* End *********#if __name__ == "__main__":nb_classifier = NaiveBayesClassifier()feature = np.array([[2, 1, 1],[1, 2, 2],[2, 2, 2],[2, 1, 2],[1, 2, 3]])label = np.array([1, 0, 1, 0, 1])nb_classifier.fit(feature,label)print(nb_classifier.predict(feature))

3.5 新闻文本主题分类

3.5.1 问题解析

使用sklearn完成新闻文本主题分类任务。

这个问题基本上就是教我们使用调包。

3.5.2 算法原理

①文本向量化

将文本转为向量，CountVectorizer，有点类似于大模型中的分词器，是自然语言预处理的一部分。

题目提到，仅使用仅仅通过CountVectorizer会出现问题：统计词频的方式来将文本转换成向量，长的文章词语出现的次数会比短的文章要多，而实际上两篇文章可能谈论的都是同一个主题。

为了解决这个问题，我们可以使用tf-idf来构建文本向量，sklearn中已经提供了tf-idf的接口。注意到该种方法是之前方法的改进版，故直接替代了上面的CountVectorizer

②MultinomialNB

MultinomialNB是sklearn中多项分布数据的朴素贝叶斯算法的实现，并且是用于文本分类的经典朴素贝叶斯算法。在本关中建议使用MultinomialNB来实现文本分类功能。

我们将它实例化之后，调用它就可以实现贝叶斯分类。

同样，要考虑拉普拉斯平滑。在MultinomialNB实例化时alpha是一个常用的参数。alpha: 平滑因子。当等于1时，做的是拉普拉斯平滑；当小于1时做的是Lidstone平滑；当等于0时，不做任何平滑处理。

都比较好理解，直接写代码就可以了。

3.5.3 源码

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNBdef news_predict(train_sample, train_label, test_sample):'''训练模型并进行预测，返回预测结果:param train_sample: 原始训练集中的新闻文本，类型为ndarray:param train_label: 训练集中新闻文本对应的主题标签，类型为ndarray:param test_sample: 原始测试集中的新闻文本，类型为ndarray:return: 预测结果，类型为ndarray'''# 实例化tf-idf对象，同时完成向量化和TF-IDF转换tfidf_vectorizer = TfidfVectorizer()# 将训练集和测试集的文本进行向量化和TF-IDF转换X_train = tfidf_vectorizer.fit_transform(train_sample)X_test = tfidf_vectorizer.transform(test_sample)# 使用多项式朴素贝叶斯进行训练和预测clf = MultinomialNB(alpha=0.001)clf.fit(X_train, train_label)result = clf.predict(X_test)return result

四、思考题

如何在参数学习或者其他方面提高算法的分类性能？

这个问题有点大，应该也是现在学界还在不断努力解决的问题之一（论文嘎嘎发）。依据我目前的眼界与经验，只能总结出一部分回答。

  • 特征工程优化： 精心选择和设计特征可以显著提高分类器的性能。这可能包括特征选择、特征变换、特征组合等方法，以增强模型对数据的表达能力。
  • 模型选择： 根据问题的特点选择合适的分类算法。不同的问题可能需要不同类型的模型，如决策树、支持向量机、神经网络等。
  • 调参优化： 对于参数学习算法，通过调整参数来优化模型性能。这可以通过网格搜索、随机搜索、贝叶斯优化等技术来实现，以找到最佳的参数组合。
  • 交叉验证： 使用交叉验证技术来评估模型的泛化能力，并选择最佳的模型参数。
  • 集成学习： 使用集成学习方法，如随机森林、梯度提升树等，将多个模型的预测结果进行组合，以获得更好的分类性能。
  • 数据增强： 对训练数据进行增强，如旋转、平移、缩放等操作，以扩大训练集的规模和多样性，从而提高模型的泛化能力。
  • 处理不平衡数据： 对于不平衡的数据集，采用采样技术（如过采样、欠采样）或者使用特殊的损失函数来处理样本不均衡问题。
  • 正则化： 使用正则化技术，如L1正则化、L2正则化等，以防止模型过拟合。
  • 特定领域知识应用： 利用领域专业知识对算法进行定制或者调整，以提高模型在特定领域的性能。
  • 持续学习与优化： 不断尝试新的算法、新的技术，并根据实验结果进行调整和优化，以提高分类器的性能。

参考文献

  • A橙：https://blog.csdn.net/Aaron503/article/details/131104758

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/diannao/6765.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

多线程系列(三) -synchronized 关键字使用详解

多线程系列(三) -synchronized 关键字使用详解

一、简介 在之前的线程系列文章中，我们介绍了线程创建的几种方式以及常用的方法介绍。 今天我们接着聊聊多线程线程安全的问题，以及解决办法。 实际上，在多线程环境中，难免会出现多个线程对一个对象的实例变量进行同时访问和操…
阅读更多...
3-qt综合实例-贪吃蛇的游戏程序

3-qt综合实例-贪吃蛇的游戏程序

引言： 如题，本次实践课程主要讲解贪吃蛇游戏程序。 qt贪吃蛇项目内容： 一、功能需求 二、界面设计 各组件使用： 对象名 类 说明 Widget QWidge 主窗体 btnRank QPushButton 排行榜-按钮 groupBox QGroupBox 难…
阅读更多...
【数据结构与算法】力扣 347. 前 K 个高频元素

【数据结构与算法】力扣 347. 前 K 个高频元素

题目描述 给你一个整数数组 nums 和一个整数 k &#xff0c;请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。 示例 1: 输入: nums [1,1,1,2,2,3], k 2 输出: [1,2]示例 2: 输入: nums [1], k 1 输出: [1]提示&#xff1a; 1 < nums.length < …
阅读更多...
python数据分析——数据分析的统计推断

python数据分析——数据分析的统计推断

数据分析的统计推断 前言一、提出问题二、统计归纳方法三、统计推断四、统计推断步骤4.1.点估计4.2.区间估计4.2.1. 总体方差已知4.2.2总体方差未知 4.3. 假设检验4.4. 假设检验的假设4.5.显著性水平 五、检验统计量六、检验方法七、拒绝域八、假设检验步骤九、重要假设检验方法…
阅读更多...
伺服电机初识

伺服电机初识

目录 一、伺服电机的介绍二、伺服电机的基本原理三、伺服电机的技术特点四、伺服电机的分类五、实际产品介绍1、基本技术规格&#xff1a;2、MD42电机硬件接口3、通讯协议介绍3.1 通讯控制速度运行3.2 通讯控制位置运行3.3 通讯控制转矩运行 4、状态灯与报警信息 一、伺服电机的…
阅读更多...
金融行业AI大模型百项应用案例综述【大模型系列】

金融行业AI大模型百项应用案例综述【大模型系列】

逐浪金融大模型的玩家&#xff0c;除了BAT、华为等高科技巨头&#xff0c;试图以技术优势充当产业链的“卖铲人”&#xff0c;更多的还是金融和类金融企业&#xff0c;包括银行、保险、互金、券商等&#xff0c;既不想被喧宾夺主&#xff0c;又不想肥水外流&#xff0c;都在押注…
阅读更多...
确保WEB应用安全：深入分析与有效防范

确保WEB应用安全：深入分析与有效防范

目录 前言 一. 概述 二. WEB应用体系结构脆弱性分析 1.前端用户界面 2.后端服务器 3.数据库 4.风险和后果 5.缓解措施 三. SQL注入攻击及防范 1.使用参数化查询或预定义语句 2.输入验证和转义 3.最小化数据库权限 4.使用存储过程和预定义语句 5.保持软件更新 6.实…
阅读更多...
【Linux系统化学习】网络套接字（编写简单的TCP服务端和客户端）

【Linux系统化学习】网络套接字（编写简单的TCP服务端和客户端）

目录 TCP服务端 创建套接字 解决绑定失败问题 填充网络信息 绑定 设置监听状态 接受请求 收取和反馈消息 完整的服务端封装代码 TCP客户端 创建套接字 填充网络信息 发起连接 发送和收取消息 客户端完整代码 一些补充 TCP服务端 初始化服务端 创建套接字 和U…
阅读更多...
【JAVA项目】基于个人需求和地域特色的【外卖推荐系统】

【JAVA项目】基于个人需求和地域特色的【外卖推荐系统】

技术简介&#xff1a;采用B/S架构、ssm 框架、Java技术、MySQL等技术实现。 系统简介&#xff1a;统权限按管理员&#xff0c;商家和用户这三类涉及用户划分。(a) 管理员&#xff1b;管理员使用本系统涉到的功能主要有&#xff1a;首页&#xff0c;个人中心&#xff0c;用户管理…
阅读更多...
C++ | Leetcode C++题解之第61题旋转链表

C++ | Leetcode C++题解之第61题旋转链表

题目&#xff1a; 题解&#xff1a; class Solution { public:ListNode* rotateRight(ListNode* head, int k) {if (k 0 || head nullptr || head->next nullptr) {return head;}int n 1;ListNode* iter head;while (iter->next ! nullptr) {iter iter->next;n…
阅读更多...
ctfshow web入门 sql注入 web201--web208

ctfshow web入门 sql注入 web201--web208

web201 先扫描先 python .\sqlmap.py -u "http://4863661d-2371-4812-ae62-128fadbdc0a4.challenge.ctf.show/api/?id" --user-agentsqlmap 加头 python .\sqlmap.py -u "http://4863661d-2371-4812-ae62-128fadbdc0a4.challenge.ctf.show/api/?id" --u…
阅读更多...
每日算法之从前序与中序遍历序列构造二叉树

每日算法之从前序与中序遍历序列构造二叉树

题目描述 给定两个整数数组 preorder 和 inorder &#xff0c;其中 preorder 是二叉树的先序遍历&#xff0c; inorder 是同一棵树的中序遍历&#xff0c;请构造二叉树并返回其根节点。 示例 1: &#xfffc; 输入: preorder [3,9,20,15,7], inorder [9,3,15,20,7] 输出: […
阅读更多...
央视影音 视频下载 2

央视影音 视频下载 2

浏览器猫抓插件&#xff0c;拿到视频地址&#xff0c;这个地址的播放不正常&#xff0c;花屏。https://dh5.cntv.qcloudcdn.com/asp/h5e/hls/2000/0303000a/3/default/6edd15a0ebb3467993bec51a95be0e22/2000.m3u8 改一下地址&#xff0c;把代码中的h5e去掉。网址改为https://…
阅读更多...
Wezterm的安装和简单配置

Wezterm的安装和简单配置

配置文件 进入 C:\Users\xxx 目录&#xff0c; 创建 .wezterm.lua 配置内容 wezterm 默认用 cmd.exe, 我是 win11&#xff0c;希望默认用 powershell。 希望 wezterm 的主题配色&#xff0c;保持和 powershell 默认配色一致&#xff0c;也就是 Compell 主题。 目的是在频繁…
阅读更多...
基于springboot+vue+Mysql的自习室预订系统

基于springboot+vue+Mysql的自习室预订系统

开发语言&#xff1a;Java框架&#xff1a;springbootJDK版本&#xff1a;JDK1.8服务器&#xff1a;tomcat7数据库&#xff1a;mysql 5.7&#xff08;一定要5.7版本&#xff09;数据库工具&#xff1a;Navicat11开发软件&#xff1a;eclipse/myeclipse/ideaMaven包&#xff1a;…
阅读更多...
【centos】vmware安装airflow流程

【centos】vmware安装airflow流程

文章目录 1.下载系统https://mirrors.aliyun.com/centos/7/isos/x86_64/ 选择DVD20092.在VMware中&#xff0c;除了修改安装位置&#xff0c;其它选择默认安装centos73.用户名为root,登录4.网络适配器为桥接模式。5.使用命令消除显示器警告。6.安装anaconda6.1下载包&#xff1…
阅读更多...
企业计算机服务器中了halo勒索病毒怎么处理，halo勒索病毒解密流程

企业计算机服务器中了halo勒索病毒怎么处理，halo勒索病毒解密流程

随着网络技术的不断发展&#xff0c;网络在企业生产运营过程中发挥着重大作用&#xff0c;很多企业利用网络开展各项工作业务&#xff0c;网络也大大提高了企业的生产效率&#xff0c;但随之而来的网络数据安全问题成为众多企业关心的主要话题。近日&#xff0c;云天数据恢复中…
阅读更多...
50个前端实战项目之04：隐藏的搜索小组件

50个前端实战项目之04：隐藏的搜索小组件

大家好&#xff0c;我是宝哥。 今天讲50个前端实战项目之04&#xff1a;隐藏的搜索小组件。 源码下载地址 https://github.com/bradtraversy/50projects50days/tree/master/hidden-search 前端实战项目系列正在更新&#xff1a;04/50 01&#xff1a;可展开卡片02&#xff1a;进…
阅读更多...
按键精灵纯本地离线文字识别插件

按键精灵纯本地离线文字识别插件

目的 按键精灵是一款可以模拟鼠标和键盘操作的自动化工具。它可以帮助用户自动完成一些重复的、繁琐的任务&#xff0c;节省大量人工操作的时间。但按键精灵是不包含图色功能&#xff0c;无法识别屏幕上的图像&#xff0c;根据图像的变化自动执行相应的操作。本篇文章主要讲解下…
阅读更多...
Docker in Docker：深入解析与实战应用

Docker in Docker：深入解析与实战应用

Docker in Docker&#xff1a;深入解析与实战应用 一、引言 随着容器化技术的日益普及&#xff0c;Docker已经成为开发、测试、部署应用的标配工具。而在某些特定的场景下&#xff0c;如持续集成/持续部署&#xff08;CI/CD&#xff09;流水线中&#xff0c;我们可能需要在Do…
阅读更多...
最新文章

Copyright @ 2022~2023