【深度学习】实验17 使用GAN生成手写数字样本

文章目录

  • 使用GAN生成手写数字样本
  • 附：系列文章

使用GAN生成手写数字样本

生成对抗网络

GAN（Generative Adversarial Networks）生成对抗网络是一种深度学习模型架构，由深度生成网络（Generator）和深度鉴别网络（Discriminator）组成，并且利用对抗学习的方式训练。GAN最初由Ian Goodfellow在2014年提出，自提出以来一直受到学术界和工业界广泛的关注和研究。

GAN的主要思想是让生成网络从噪声中生成样本，并通过鉴别网络来评估生成的样本与真实数据的相似度。生成网络利用噪声输入生成样本，鉴别网络则根据输入的样本给出一个判断，判断这个样本是不是真实数据。生成网络和鉴别网络通过对抗学习的方式来互相学习和提高。在训练过程中，生成网络希望生成的样本能够欺骗鉴别网络，鉴别网络则希望能够区分真实数据和生成数据，从而达到提高样本质量的目的。

GAN的应用非常广泛，主要包括图像生成、视频生成、自然语言处理等领域。在图像生成方面，GAN可以用于生成各种样式的图片，例如人物头像、动物、食品等。在视频生成方面，GAN可以生成逼真的视频序列，包括人物动作、自然风景等。在自然语言处理方面，GAN可以生成逼真的对话、文章等。

GAN的训练过程相对其他深度学习模型更加复杂。生成网络和鉴别网络需要保持平衡，让生成网络生成的样本能够欺骗鉴别网络，同时鉴别网络也需要保持自己的准确率，判断生成的样本是否真实。由于GAN的训练过程极易出现训练不稳定、模式崩溃等问题，因此需要在使用时进行一定的调整和优化。

GAN的发展史上涌现出一系列的变体模型，例如Conditional GAN（CGAN）、CycleGAN、Pix2Pix等。这些变体模型在应用场景上有所不同，但是核心思想都是在GAN的基础上进行调整和改进。

GAN在学术界和工业界都受到了广泛的关注和研究，许多实际应用都对GAN有较高的需求。同时，GAN的研究也面临着一系列的问题和挑战，例如GAN的稳定性、样本多样性等。可以预见，在未来的发展中，GAN会继续得到广泛的关注和应用。

程序设计

# 导入相关库
from __future__ import print_function, division from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adamimport matplotlib.pyplot as plt
import numpy as np
import sys
import os
class GAN():def __init__(self):# 行28，列28，也就是mnist的shape# 通道为1，灰度图self.img_rows = 28self.img_cols = 28self.channels = 1# 28*28*1self.img_shape = (self.img_rows, self.img_cols, self.channels)self.latent_dim = 100# adam优化器optimizer = Adam(0.0002, 0.5)# 构造一个判别器self.discriminator = self.build_discriminator()self.discriminator.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])# 构造一个生成器self.generator = self.build_generator()gan_input = Input(shape=(self.latent_dim,))img = self.generator(gan_input)# 在训练generator的时候不训练discriminatorself.discriminator.trainable = False# 对生成的假图片进行预测validity = self.discriminator(img)self.combined = Model(gan_input, validity)self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)# 定义生成器def build_generator(self):model = Sequential()model.add(Dense(256, input_dim=self.latent_dim))model.add(LeakyReLU(alpha=0.2))model.add(BatchNormalization(momentum=0.8))model.add(Dense(512))model.add(LeakyReLU(alpha=0.2))model.add(BatchNormalization(momentum=0.8))model.add(Dense(1024))model.add(LeakyReLU(alpha=0.2))model.add(BatchNormalization(momentum=0.8))#全连接层，28*28*1个神经元model.add(Dense(np.prod(self.img_shape), activation='tanh'))#变成图片的形状model.add(Reshape(self.img_shape))noise = Input(shape=(self.latent_dim,))#建立了从输入100维随机向量到28，28，1大小的图片生成模型img = model(noise)return Model(noise, img)# 定义判别器def build_discriminator(self):model = Sequential()# 输入一张图片model.add(Flatten(input_shape=self.img_shape))model.add(Dense(512))model.add(LeakyReLU(alpha=0.2))model.add(Dense(256))model.add(LeakyReLU(alpha=0.2))     # 判别真伪model.add(Dense(1, activation='sigmoid'))img = Input(shape=self.img_shape)validity = model(img)return Model(img, validity)# 定义训练函数def train(self, epochs, batch_size=128, sample_interval=50):# 获取数据(X_train, _), (_,_) = mnist.load_data()# 进行标准化# 将图片像素值映射到-1到1X_train = X_train / 127.5 - 1X_train = np.expand_dims(X_train, axis=3)# 创建标签valid = np.ones((batch_size, 1))fake = np.zeros((batch_size, 1))# 先训练判别器，再训练生成器for epoch in range(epochs):# 随机选取batch_size个图片# 对discriminator进行训练# 从train训练集里面随机找出batch—size大小(这么多个)的索引值idx = np.random.randint(0, X_train.shape[0], batch_size)# 取出一个batch大小的图片imgs = X_train[idx] # 正态分布生成batch_size个100维向量作为输入noise = np.random.normal(0, 1, (batch_size, self.latent_dim))# 用生成model的predict方法（model内部方法）将输入进行生成输出gen_imgs = self.generator.predict(noise)# 输入真实图片和标签全1》》到判别model，》》计算判别模型的lossd_loss_real = self.discriminator.train_on_batch(imgs, valid) # 输入假的图片和标签全0》》到判别model，》计算判别模型的loss d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake) # 将两者损失结合作为总损失d_loss = 0.5 * np.add(d_loss_real, d_loss_fake) # 训练generatornoise = np.random.normal(0, 1, (batch_size, self.latent_dim))# 如果输入噪音的输出是1，则正确，输入噪音输出是0，则生成网络需要改进，所以loss累加g_loss = self.combined.train_on_batch(noise, valid)# D准确度越高，代表G生成的图片越离谱,准确率为0.5左右就可以以假乱真了print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))        # 每sample_interval轮生成一个图片if epoch % sample_interval == 0 :self.sample_images(epoch)# 定义生成图片函数def sample_images(self, epoch):r, c = 5, 5noise = np.random.normal(0, 1, (r * c, self.latent_dim))gen_imgs = self.generator.predict(noise)gen_imgs = 0.5 * gen_imgs + 0.5fig, axs = plt.subplots(r, c)cnt = 0for i in range(r):for j in range(c):axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')axs[i,j].axis('off')cnt += 1fig.savefig("images/%d.png" % epoch)plt.close()if __name__ == '__main__':if not os.path.exists("./images"):os.makedirs("./images")gan = GAN()gan.train(epochs=10000, batch_size=256, sample_interval=200)

   Using TensorFlow backend.WARNING:tensorflow:From /home/nlp/anaconda3/lib/python3.7/site-packages/tensorflow/python/ops/nn_impl.py:180: add_dispatch_support.<locals>.wrapper (from tensorflow.python.ops.array_ops) is deprecated and will be removed in a future version.Instructions for updating:Use tf.where in 2.0, which has the same broadcast rule as np.whereWARNING:tensorflow:From /home/nlp/anaconda3/lib/python3.7/site-packages/keras/backend/tensorflow_backend.py:422: The name tf.global_variables is deprecated. Please use tf.compat.v1.global_variables instead./home/nlp/anaconda3/lib/python3.7/site-packages/keras/engine/training.py:297: UserWarning: Discrepancy between trainable weights and collected trainable weights, did you set `model.trainable` without calling `model.compile` after ?'Discrepancy between trainable weights and collected trainable'0 [D loss: 0.986130, acc.: 26.17%] [G loss: 0.834596]/home/nlp/anaconda3/lib/python3.7/site-packages/keras/engine/training.py:297: UserWarning: Discrepancy between trainable weights and collected trainable weights, did you set `model.trainable` without calling `model.compile` after ?'Discrepancy between trainable weights and collected trainable'1 [D loss: 0.403944, acc.: 83.98%] [G loss: 0.796327]2 [D loss: 0.347891, acc.: 83.01%] [G loss: 0.777482]3 [D loss: 0.344294, acc.: 81.45%] [G loss: 0.784850]4 [D loss: 0.340509, acc.: 82.42%] [G loss: 0.815181]5 [D loss: 0.323516, acc.: 86.52%] [G loss: 0.901500]6 [D loss: 0.292972, acc.: 93.75%] [G loss: 0.991136]7 [D loss: 0.257421, acc.: 97.27%] [G loss: 1.111775]8 [D loss: 0.231006, acc.: 98.05%] [G loss: 1.239357]9 [D loss: 0.194000, acc.: 99.80%] [G loss: 1.371341]10 [D loss: 0.173448, acc.: 100.00%] [G loss: 1.501673]11 [D loss: 0.154554, acc.: 100.00%] [G loss: 1.620853]12 [D loss: 0.142011, acc.: 99.61%] [G loss: 1.732671]13 [D loss: 0.124580, acc.: 99.80%] [G loss: 1.827322]14 [D loss: 0.116470, acc.: 99.80%] [G loss: 1.972561]15 [D loss: 0.105582, acc.: 100.00%] [G loss: 2.067226]16 [D loss: 0.093254, acc.: 100.00%] [G loss: 2.198446]17 [D loss: 0.087950, acc.: 100.00%] [G loss: 2.304677]18 [D loss: 0.073583, acc.: 100.00%] [G loss: 2.355863]19 [D loss: 0.072164, acc.: 100.00%] [G loss: 2.464585]20 [D loss: 0.065558, acc.: 99.80%] [G loss: 2.534361]21 [D loss: 0.059140, acc.: 100.00%] [G loss: 2.626909]22 [D loss: 0.057848, acc.: 100.00%] [G loss: 2.673893]23 [D loss: 0.052325, acc.: 100.00%] [G loss: 2.714813]24 [D loss: 0.052922, acc.: 100.00%] [G loss: 2.763450]25 [D loss: 0.046035, acc.: 100.00%] [G loss: 2.853940]26 [D loss: 0.049457, acc.: 100.00%] [G loss: 2.869173]27 [D loss: 0.042687, acc.: 100.00%] [G loss: 2.941574]28 [D loss: 0.039089, acc.: 100.00%] [G loss: 2.948203]29 [D loss: 0.036347, acc.: 100.00%] [G loss: 2.968413]30 [D loss: 0.038200, acc.: 100.00%] [G loss: 3.048651]31 [D loss: 0.039299, acc.: 100.00%] [G loss: 3.102673]32 [D loss: 0.033043, acc.: 100.00%] [G loss: 3.050264]33 [D loss: 0.035250, acc.: 100.00%] [G loss: 3.078978]34 [D loss: 0.037255, acc.: 100.00%] [G loss: 3.131599]35 [D loss: 0.033308, acc.: 100.00%] [G loss: 3.127816]36 [D loss: 0.035622, acc.: 100.00%] [G loss: 3.157865]37 [D loss: 0.038046, acc.: 100.00%] [G loss: 3.272691]38 [D loss: 0.037665, acc.: 100.00%] [G loss: 3.304567]39 [D loss: 0.029662, acc.: 100.00%] [G loss: 3.323656]40 [D loss: 0.031073, acc.: 100.00%] [G loss: 3.342812]41 [D loss: 0.031860, acc.: 100.00%] [G loss: 3.330144]42 [D loss: 0.033744, acc.: 100.00%] [G loss: 3.365006]43 [D loss: 0.030133, acc.: 100.00%] [G loss: 3.361420]44 [D loss: 0.032508, acc.: 100.00%] [G loss: 3.456270]45 [D loss: 0.030021, acc.: 100.00%] [G loss: 3.498577]46 [D loss: 0.029159, acc.: 100.00%] [G loss: 3.499414]47 [D loss: 0.031974, acc.: 100.00%] [G loss: 3.484164]48 [D loss: 0.033442, acc.: 99.80%] [G loss: 3.459633]49 [D loss: 0.030912, acc.: 100.00%] [G loss: 3.481130]50 [D loss: 0.033645, acc.: 100.00%] [G loss: 3.492231]51 [D loss: 0.034441, acc.: 100.00%] [G loss: 3.489124]52 [D loss: 0.034330, acc.: 100.00%] [G loss: 3.506902]53 [D loss: 0.034518, acc.: 100.00%] [G loss: 3.520910]54 [D loss: 0.030822, acc.: 100.00%] [G loss: 3.618950]55 [D loss: 0.034566, acc.: 99.80%] [G loss: 3.538144]56 [D loss: 0.032794, acc.: 100.00%] [G loss: 3.566177]57 [D loss: 0.037374, acc.: 99.61%] [G loss: 3.600816]58 [D loss: 0.037127, acc.: 100.00%] [G loss: 3.521185]59 [D loss: 0.039322, acc.: 100.00%] [G loss: 3.531039]60 [D loss: 0.030453, acc.: 100.00%] [G loss: 3.616879]61 [D loss: 0.044332, acc.: 99.02%] [G loss: 3.628755]62 [D loss: 0.037772, acc.: 99.80%] [G loss: 3.723062]63 [D loss: 0.041130, acc.: 99.61%] [G loss: 3.533709]64 [D loss: 0.044611, acc.: 99.41%] [G loss: 3.657721]65 [D loss: 0.037362, acc.: 99.61%] [G loss: 3.582735]66 [D loss: 0.050663, acc.: 99.02%] [G loss: 3.555587]67 [D loss: 0.039863, acc.: 99.41%] [G loss: 3.611456]68 [D loss: 0.051172, acc.: 99.02%] [G loss: 3.540278]69 [D loss: 0.052263, acc.: 98.63%] [G loss: 3.612799]70 [D loss: 0.056154, acc.: 99.41%] [G loss: 3.557292]71 [D loss: 0.055386, acc.: 99.22%] [G loss: 3.744767]72 [D loss: 0.096904, acc.: 97.66%] [G loss: 3.443518]73 [D loss: 0.070626, acc.: 98.05%] [G loss: 3.833835]74 [D loss: 0.180408, acc.: 93.55%] [G loss: 3.301687]75 [D loss: 0.074523, acc.: 98.44%] [G loss: 3.776305]76 [D loss: 0.057483, acc.: 99.02%] [G loss: 3.714150]77 [D loss: 0.141995, acc.: 95.12%] [G loss: 3.380850]78 [D loss: 0.067733, acc.: 98.63%] [G loss: 3.779586]79 [D loss: 0.303615, acc.: 87.89%] [G loss: 2.848376]80 [D loss: 0.145237, acc.: 94.14%] [G loss: 3.108039]81 [D loss: 0.046822, acc.: 99.22%] [G loss: 3.635069]82 [D loss: 0.108516, acc.: 96.48%] [G loss: 3.235212]83 [D loss: 0.105234, acc.: 96.48%] [G loss: 3.336948]84 [D loss: 0.233112, acc.: 90.82%] [G loss: 2.740180]85 [D loss: 0.118313, acc.: 94.92%] [G loss: 3.181991]86 [D loss: 0.300344, acc.: 87.30%] [G loss: 2.879515]87 [D loss: 0.106900, acc.: 96.48%] [G loss: 3.189476]88 [D loss: 0.381278, acc.: 84.38%] [G loss: 2.337953]89 [D loss: 0.252046, acc.: 88.28%] [G loss: 2.707138]90 [D loss: 0.087314, acc.: 97.07%] [G loss: 3.401120]91 [D loss: 0.260525, acc.: 90.62%] [G loss: 2.520348]92 [D loss: 0.148098, acc.: 93.36%] [G loss: 2.991073]93 [D loss: 0.141315, acc.: 96.09%] [G loss: 2.805464]94 [D loss: 0.288812, acc.: 89.45%] [G loss: 2.549888]95 [D loss: 0.143633, acc.: 94.14%] [G loss: 2.978777]96 [D loss: 0.584615, acc.: 78.32%] [G loss: 2.050247]97 [D loss: 0.328917, acc.: 83.01%] [G loss: 2.579935]98 [D loss: 0.111224, acc.: 97.66%] [G loss: 3.526271]99 [D loss: 0.702403, acc.: 68.95%] [G loss: 1.994847]100 [D loss: 0.335197, acc.: 84.96%] [G loss: 2.110721]101 [D loss: 0.147330, acc.: 93.55%] [G loss: 2.962312]102 [D loss: 0.091300, acc.: 98.44%] [G loss: 3.025173]103 [D loss: 0.304929, acc.: 87.70%] [G loss: 2.458197]104 [D loss: 0.199925, acc.: 90.43%] [G loss: 2.897576]105 [D loss: 0.335472, acc.: 87.30%] [G loss: 2.198746]106 [D loss: 0.235486, acc.: 88.09%] [G loss: 2.742341]107 [D loss: 0.346595, acc.: 84.77%] [G loss: 2.340909]108 [D loss: 0.211129, acc.: 91.60%] [G loss: 2.801579]109 [D loss: 0.361250, acc.: 84.96%] [G loss: 2.304583]110 [D loss: 0.183040, acc.: 93.16%] [G loss: 2.763792]111 [D loss: 0.365892, acc.: 82.62%] [G loss: 2.418060]112 [D loss: 0.197837, acc.: 92.19%] [G loss: 2.826400]113 [D loss: 0.413041, acc.: 81.05%] [G loss: 2.408184]114 [D loss: 0.198854, acc.: 91.80%] [G loss: 2.784730]115 [D loss: 0.395174, acc.: 81.45%] [G loss: 2.115457]116 [D loss: 0.189158, acc.: 90.04%] [G loss: 2.603389]117 [D loss: 0.237316, acc.: 92.97%] [G loss: 2.648600]118 [D loss: 0.285941, acc.: 87.89%] [G loss: 2.370326]119 [D loss: 0.208490, acc.: 90.43%] [G loss: 2.849175]120 [D loss: 0.454702, acc.: 80.08%] [G loss: 1.897220]121 [D loss: 0.217595, acc.: 89.06%] [G loss: 2.498424]122 [D loss: 0.173055, acc.: 94.92%] [G loss: 2.664538]123 [D loss: 0.262918, acc.: 90.82%] [G loss: 2.133595]124 [D loss: 0.190525, acc.: 91.02%] [G loss: 2.840866]125 [D loss: 0.292295, acc.: 87.11%] [G loss: 2.199357]126 [D loss: 0.215348, acc.: 88.87%] [G loss: 2.739654]127 [D loss: 0.365445, acc.: 84.96%] [G loss: 2.162226]128 [D loss: 0.200284, acc.: 89.65%] [G loss: 2.871504]129 [D loss: 0.450811, acc.: 79.10%] [G loss: 1.971582]130 [D loss: 0.200712, acc.: 90.82%] [G loss: 2.715580]131 [D loss: 0.310609, acc.: 85.94%] [G loss: 2.443402]132 [D loss: 0.234690, acc.: 89.65%] [G loss: 2.654381]133 [D loss: 0.449007, acc.: 79.30%] [G loss: 1.873044]134 [D loss: 0.233484, acc.: 87.89%] [G loss: 2.710910]135 [D loss: 0.274398, acc.: 87.70%] [G loss: 2.632379]136 [D loss: 0.295981, acc.: 87.11%] [G loss: 2.511465]137 [D loss: 0.247948, acc.: 89.65%] [G loss: 2.698283]138 [D loss: 0.490601, acc.: 75.20%] [G loss: 2.161157]139 [D loss: 0.215320, acc.: 90.43%] [G loss: 2.841792]140 [D loss: 0.564996, acc.: 73.63%] [G loss: 1.618642]141 [D loss: 0.270847, acc.: 86.52%] [G loss: 2.598266]142 [D loss: 0.210049, acc.: 93.75%] [G loss: 3.058943]143 [D loss: 0.462835, acc.: 76.17%] [G loss: 2.219012]144 [D loss: 0.213740, acc.: 89.84%] [G loss: 2.845963]145 [D loss: 0.518464, acc.: 73.63%] [G loss: 1.735387]146 [D loss: 0.273846, acc.: 87.11%] [G loss: 2.634973]……

附：系列文章

序号文章目录直达链接
1波士顿房价预测https://want595.blog.csdn.net/article/details/132181950
2鸢尾花数据集分析https://want595.blog.csdn.net/article/details/132182057
3特征处理https://want595.blog.csdn.net/article/details/132182165
4交叉验证https://want595.blog.csdn.net/article/details/132182238
5构造神经网络示例https://want595.blog.csdn.net/article/details/132182341
6使用TensorFlow完成线性回归https://want595.blog.csdn.net/article/details/132182417
7使用TensorFlow完成逻辑回归https://want595.blog.csdn.net/article/details/132182496
8TensorBoard案例https://want595.blog.csdn.net/article/details/132182584
9使用Keras完成线性回归https://want595.blog.csdn.net/article/details/132182723
10使用Keras完成逻辑回归https://want595.blog.csdn.net/article/details/132182795
11使用Keras预训练模型完成猫狗识别https://want595.blog.csdn.net/article/details/132243928
12使用PyTorch训练模型https://want595.blog.csdn.net/article/details/132243989
13使用Dropout抑制过拟合https://want595.blog.csdn.net/article/details/132244111
14使用CNN完成MNIST手写体识别(TensorFlow)https://want595.blog.csdn.net/article/details/132244499
15使用CNN完成MNIST手写体识别(Keras)https://want595.blog.csdn.net/article/details/132244552
16使用CNN完成MNIST手写体识别(PyTorch)https://want595.blog.csdn.net/article/details/132244641
17使用GAN生成手写数字样本https://want595.blog.csdn.net/article/details/132244764
18自然语言处理https://want595.blog.csdn.net/article/details/132276591

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/news/89596.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

【unity2023打包安卓工程】踩坑记录

【unity2023打包安卓工程】踩坑记录

这里写自定义目录标题 踩坑记录使用环境Unity的准备工作Windows10 SDKAndroidstudio第一个需要注意的地方第二个需要注意的地方第三个需要注意的地方第四个需要注意的地方第五个需要注意的地方第六个需要注意的 其他unity启动缓慢 更新更新一 2023.9.27 踩坑记录 踩了快一个星期…
阅读更多...
codesys【虚轴】

codesys【虚轴】

1概述&#xff1a;codesys里有3个轴&#xff1a; 自由编码器&#xff0c;虚轴&#xff0c;实轴。 流程&#xff1a;【高速输入&#xff1a;采集AB脉冲】带》【自由编码器】带》【虚轴】带》【实轴】 1虚轴&#xff1a; 用法和实轴一样。 一般用于&#xff0c;一拖多。 2编…
阅读更多...
GEO生信数据挖掘（二）下载基因芯片平台文件及注释

GEO生信数据挖掘（二）下载基因芯片平台文件及注释

检索到目标数据集后&#xff0c;开始数据挖掘&#xff0c;本文以阿尔兹海默症数据集GSE1297为例 目录 下载平台文件 1.AnnotGPL参数改为TRUE,联网下载芯片平台的soft文件。&#xff08;国内网速奇慢经常中断&#xff09; 2.手工去GEO官网下载 转换芯片探针ID为gene name 拓…
阅读更多...
u盘初始化后怎么恢复文件？这几步操作帮你找回

u盘初始化后怎么恢复文件？这几步操作帮你找回

随着科技的进步和便携设备的普及&#xff0c;U盘已经成为我们日常工作和生活中不可缺少的存储介质。然而&#xff0c;在使用U盘的过程中&#xff0c;我们可能会遇到各种问题&#xff0c;其中之一就是意外的初始化导致文件丢失。本文将为大家介绍如何在U盘初始化后恢复文件的方法…
阅读更多...
缓存问题解决方案

缓存问题解决方案

《服务器开发技术、方法与实用解决方案》 一、缓存预热 在系统刚启动或活动刚开始时&#xff0c;如果缓存中没有数据&#xff0c;那么大量请求将直接访问数据库。如果瞬时访问流量巨大&#xff0c;则可能导致数据库因过载而宕机&#xff0c;甚至引发系统雪崩。因此需要将缓存…
阅读更多...
Jenkins学习笔记4

Jenkins学习笔记4

配置构建流程&#xff1a; Jenkins任务创建&#xff1a; 1&#xff09;创建新任务&#xff1a; 把这个Accept first connection改成 No Validation。问题得到解决。 说明下&#xff0c;要确认下主分支的名称是master还是main。 构建触发器这块暂时没有需要配置的。 传输文件…
阅读更多...
【yolov1】详解yolov1理论 代码

【yolov1】详解yolov1理论 代码

目标检测要解决的3大问题&#xff1a; 1、有没有&#xff1f; 图片中是否有要检测的物体&#xff1f;&#xff08;检测物体&#xff0c;判定前景背景&#xff09; 2、是什么&#xff1f; 这些物体分别是什么&#xff1f;&#xff08;检测到的物体是什么&#xff09; 3、在…
阅读更多...
vuereact质检工具(eslint)安装使用总结

vuereact质检工具(eslint)安装使用总结

1、ESLint ESLint工具主要类似java中的checkStyle和findbugs&#xff0c;是检查代码样式和逻辑规范的工具。 1.1、ESLint安装流程 打开VSCode软件&#xff0c;打开扩展中心&#xff0c;下载ESLint插件 图1.1 点击后面的install按进行安装&#xff0c;如图1.2所示&#xff1…
阅读更多...
spring boot flowable多人前加签

spring boot flowable多人前加签

1、前加签插件 package com.xxx.flowable.cmd;import com.xxx.auth.security.user.SecurityUser; import com.xxx.commons.ApplicationContextHolder; import com.google.common.collect.Lists; import org.apache.commons.collections.CollectionUtils; import org.apache.co…
阅读更多...
单元测试

单元测试

一、什么是单元测试 二、Junit单元测试框架 三、如何使用Junit单元测试框架 package study.StringUtils;public class StringUtil {public static void printNumber(String name){if (namenull){System.out.println ("名字的长度是&#xff1a;0");return;}System.ou…
阅读更多...
性能测试监控-java分析工具Arthas

性能测试监控-java分析工具Arthas

Arthas监控docker中的jvm_ray_my的博客-CSDN博客 Quick Start | arthas arthas是什么 Arthas是阿里巴巴开源的Java诊断工具&#xff0c;它可以帮助开发人员快速、方便地定位和解决Java应用的问题。 Arthas主要包括以下功能&#xff1a; 诊断Java应用中的性能问题&#xff…
阅读更多...
【面试题精讲】Java移位运算符

【面试题精讲】Java移位运算符

“ 有的时候博客内容会有变动&#xff0c;首发博客是最新的&#xff0c;其他博客地址可能会未同步,认准https://blog.zysicyj.top ” 首发博客地址[1] 面试题手册[2] 系列文章地址[3] 1. 什么是移位运算符? 在 Java 中&#xff0c;移位运算符用于对二进制数进行位移操作。它们…
阅读更多...
天眼查询企业信息API接口

天眼查询企业信息API接口

"天眼"一般是指"天眼查"&#xff0c;这是一个提供全国企业信息查询的API接口。天眼查以"天眼"作为用户logo&#xff0c;基于人工智能算法的数据采集和分析技术&#xff0c;为企业和个人提供全量、精准、实时、权威的企业信息查询服务。 天眼查A…
阅读更多...
国产5G手机20天销量不及苹果一天，被iPhone15按在地上摩擦

国产5G手机20天销量不及苹果一天，被iPhone15按在地上摩擦

iPhone15的上市销售&#xff0c;最大竞争对手无疑是国产5G手机&#xff0c;如今iPhone15上市首日的销量数据也已经出炉&#xff0c;高达200万台&#xff0c;这比国产5G手机卖20天的销量还要多&#xff0c;iPhone15让国产手机领教了什么叫遥遥领先。 据了解苹果对iPhone15的预期…
阅读更多...
第十四届蓝桥杯大赛软件赛决赛 C/C++ 大学 B 组 试题 A: 子 2023

第十四届蓝桥杯大赛软件赛决赛 C/C++ 大学 B 组 试题 A: 子 2023

[蓝桥杯 2023 国 B] 子 2023 试题 A: 子 2023 【问题描述】 小蓝在黑板上连续写下从 1 1 1 到 2023 2023 2023 之间所有的整数&#xff0c;得到了一个数字序列&#xff1a; S 12345678910111213 ⋯ 20222023 S 12345678910111213\cdots 20222023 S12345678910111213⋯2…
阅读更多...
[React] React高阶组件(HOC)

[React] React高阶组件(HOC)

文章目录 1.Hoc介绍2.几种包装强化组件的方式2.1 mixin模式2.2 extends继承模式2.3 HOC模式2.4 自定义hooks模式 3.高阶组件产生初衷4.高阶组件使用和编写结构4.1 装饰器模式和函数包裹模式4.2 嵌套HOC 5.两种不同的高阶组件5.1 正向的属性代理5.2 反向的继承 6.如何编写高阶组…
阅读更多...
css知识学习系列（4）-每天10个知识点

css知识学习系列（4）-每天10个知识点

目录 1. **CSS中的“box-sizing”属性与“border”属性有什么关系&#xff1f;**2. **在CSS中&#xff0c;如何使用“calc()”函数进行计算&#xff1f;有什么使用技巧&#xff1f;**3. **在CSS中&#xff0c;如何使用“import”引入外部样式表&#xff1f;有哪些注意事项&…
阅读更多...
第5章 网络编程

第5章 网络编程

5.1 OSI模型有哪几层？以及各自的作用 难度：★ 重点：★ 白话解析 无它，唯记尔；实在记不住也需要有个印象。 参考答案 OSI（Open System Interconnection）：开放式系统互联参考模型。它分为7层，自顶而下分别是：应用层、表示层、会话层、传输层、网络层、数据链路层和物…
阅读更多...
【数据结构与算法】 - 时间复杂度和空间复杂度、二分查找、线性查找

【数据结构与算法】 - 时间复杂度和空间复杂度、二分查找、线性查找

数据结构与算法 1. 数据结构的定义2. 二分查找2.1 二分查找的定义2.2 二分查找分析2.3 二分查找实现2.4 二分查找算法图解2.5 二分算法引发的问题2.6 二分算法改良版2.7 二分算法改良版解析2.8 二分算法改良版图解2.9 二分算法改良版注意事项 3. 时间复杂度3.1 时间复杂度的概念…
阅读更多...
【c语言中数组和指针的联系】

【c语言中数组和指针的联系】

C语言中的数组和指针之间存在紧密的联系&#xff0c;因为数组名本质上就是指向数组首元素的指针。这种联系使得在处理数组时可以像处理指针一样操作&#xff0c;同时也使得数组和指针可以互相转换。 下面详细说明数组和指针之间的联系&#xff0c;并提供一些示例来演示这种联系…
阅读更多...
最新文章

Copyright @ 2022~2023