深度学习中损失函数(loss function)介绍

深度学习中损失函数(loss function)介绍

​ 在深度学习的宏伟城堡中，损失函数扮演着国王的角色，它决定了模型训练的方向和目标。损失函数，也被称为代价函数，是衡量模型预测与实际结果之间差异的函数。在深度学习的训练过程中，我们的目标就是最小化这个损失函数，就像是在一场游戏中，我们的目标是获得尽可能低的失误和丢分。

​ 损失函数的选择对于模型的训练至关重要。不同的问题可能需要不同的损失函数。比如在图像识别中，我们可能需要一个能够处理大量类别的损失函数，这时候交叉熵损失就是一个很好的选择。而在预测房价等连续值的问题中，均方误差损失可能更为合适。

​ 损失函数不仅是评价模型性能的标尺，也是指导模型学习的方向。在训练过程中，我们通过计算损失函数的梯度，并使用梯度下降算法来更新模型的权重，以此来减少损失函数的值。

1. 损失函数的作用

1-1. 损失函数作用

​ 想象一下，你在玩一个投飞镖的游戏，而飞镖靶就是损失函数。你的每一次投掷，都对应着模型的一次预测。飞镖落在靶上的位置，就是预测结果与实际结果之间的误差。损失函数的作用就是告诉我们，我们的飞镖投得有多准，或者说，我们的模型预测得有多准确。

​ 在深度学习中，损失函数计算模型输出（预测值）和真实标签（实际值）之间的差异。这个差异，或者说“误差”，量化了模型的性能。训练深度学习模型的过程，本质上就是通过调整模型的参数来最小化损失函数的过程。损失函数通常被视为一种 优化目标，它在训练过程中不断变化，我们希望通过优化算法（如梯度下降）来不断 减小损失函数，使得模型更精确地拟合数据。

1-2. 为什么要让损失函数持续下降

损失函数的下降反映了模型的性能提高，因此我们希望通过调整模型参数使损失函数尽可能持续下降。具体来说：

  • 反映模型拟合度：损失函数值越小，说明模型在训练数据上的拟合程度越高，预测误差越小。
  • 优化目标：在机器学习和深度学习中，我们的最终目标是训练出一个 尽可能准确 的模型，使得它对未见过的数据（测试数据或未来数据）具有较好的预测能力。为了达到这个目标，必须尽量 最小化损失函数，降低模型的误差。
  • 梯度下降优化：优化过程的核心就是通过梯度下降法（或其变种）不断更新模型参数，以减少损失函数。每次更新时，都会使用损失函数来计算梯度，并沿着梯度的方向调整参数。
  • 避免过拟合或欠拟合：通过不断调整模型参数（如网络层、权重等），让损失函数下降，可以防止模型在训练数据上产生过拟合或欠拟合。过拟合是指模型在训练数据上表现很好，但在新数据（测试数据）上表现差；欠拟合则是指模型的表达能力不足，无法有效地拟合训练数据。

模型的拟合度（Model Fit）指的是模型在训练数据上的表现程度，衡量模型能够多好地捕捉训练数据中的规律和模式。拟合度越高，表示模型能够更精确地预测训练数据中的目标变量。具体来说：

  1. 高拟合度：模型能够准确地预测训练数据中的结果，误差较小。这通常意味着模型的复杂度较高，可以很好地表达数据中的模式和关系。然而，过高的拟合度可能导致过拟合，即模型过度依赖训练数据中的噪声，不能很好地推广到新数据。
  2. 低拟合度：模型不能很好地拟合训练数据，误差较大。这通常表明模型过于简单，无法捕捉数据的复杂规律，可能存在欠拟合现象。欠拟合的模型通常表现出较高的训练误差和较低的泛化能力。

为了避免过拟合和欠拟合，常通过调整模型的复杂度、损失函数、训练数据的量和质量、正则化方法等，来优化模型的拟合度，使其既能在训练集上取得较好的结果，又能在测试集或实际应用中具有较好的预测能力。

梯度下降是通过不断调整参数来最小化损失函数，最终使模型学习到最优的参数，从而提高预测准确性。假设你正在训练一个神经网络，并且已经得到了初始的参数（例如权重）。你计算出当前参数下的损失函数值（比如MSE损失）。接下来，你计算每个参数的梯度（即每个权重对损失函数的影响）。然后，你根据这些梯度调整权重，使得损失函数逐渐减小，模型预测更加准确。这个过程重复进行，直到损失函数的值降到足够小为止。

1-3. 损失函数下降的目标

  • 模型优化：每次调整参数时，我们希望通过梯度下降法（或其他优化算法）最小化损失函数。这是因为只有在训练过程中，模型的误差不断下降，才能有效地提高模型的预测性能。
  • 收敛与稳定性：损失函数在训练过程中逐渐减少，通常是模型朝着最佳解（即最小化误差）收敛的标志。若损失函数在多个训练轮次中持续下降，表明模型已经开始稳定地找到最优的参数。
  • 防止欠拟合和过拟合：当损失函数 持续下降 到一个较低的值时，通常说明模型在训练集上拟合得较好。如果损失函数长时间不下降，可能表明模型无法有效拟合数据，产生了 欠拟合。如果损失函数持续下降，并且在训练集和测试集上都表现良好，模型可能会很好地泛化，避免 过拟合。

1-4. 损失函数下降的具体作用

  • 减少误差：损失函数的值反映了模型的预测值与真实值之间的误差。通过不断降低损失函数，我们希望减少模型的误差，使其预测更加精确。
  • 训练收敛：训练中的优化目标是让损失函数趋于最小。随着训练轮次的增加，损失值应当逐渐减少，模型的参数也会越来越接近最优解。损失函数达到某个极小值时，表示训练收敛，模型已经学到了数据中的规律。
  • 提高泛化能力：一个低损失函数值通常意味着模型不仅在训练集上表现好，同时也在未见过的数据上（例如验证集或测试集）具有较好的预测能力。这有助于提升模型的 泛化能力。

1-5. 如何让损失函数持续下降

让损失函数持续下降通常依赖于以下几个因素：

  • 合理的学习率（Learning Rate）：学习率过大可能导致损失函数震荡或发散，学习率过小可能导致训练过程非常缓慢。通过调整学习率，可以使得梯度下降更加平稳，使得损失函数持续下降。
  • 优化器选择：不同的优化器（如SGD、Adam、RMSprop等）会影响训练过程中的参数更新方式，进而影响损失函数的下降速度。Adam优化器通常能加速训练并使得损失函数下降得更快。
  • 模型架构：模型的复杂度（层数、神经元数量等）也影响损失函数的下降速度。如果模型太简单，可能无法捕捉数据的复杂性，导致损失函数下降缓慢或者停滞。如果模型过于复杂，则可能导致过拟合，使损失函数在测试数据上不下降。
  • 数据预处理：合适的数据处理方式（如标准化、归一化、去噪等）可以加速训练过程，让损失函数更快速地下降。
  • 训练轮次（Epochs）：适当增加训练轮次可以帮助模型有更多的机会去优化参数，从而让损失函数继续下降。

2. 常见的损失函数

  1. 均方误差损失（MSE）：
    想象你在玩一个扔球进篮子的游戏，而篮子的大小就是均方误差损失。你每次扔球，球与篮子中心的距离平方就是你的得分。游戏的目标是尽可能让得分低，也就是让球尽可能接近篮子中心。在深度学习中，均方误差损失函数计算预测值与实际值之间差的平方的平均值，常用于回归问题。

  2. 交叉熵损失（Cross-Entropy Loss）：
    想象你在玩一个猜谜游戏，每次猜测后，系统会告诉你猜测结果与正确答案之间的差异。交叉熵损失就是这样一个函数，它衡量的是模型输出的概率分布与真实标签的概率分布之间的差异。在分类问题中，当我们有多个类别时，交叉熵损失是首选的损失函数。

  3. Hinge损失（Hinge Loss）：
    想象你在玩一个挥剑砍靶的游戏，目标是让剑刃尽可能地砍进靶心。Hinge损失函数用于支持向量机（SVM）等最大间隔分类器，它鼓励模型产生更大的间隔，以提高分类的鲁棒性。

  4. 绝对值损失（Absolute Loss）：
    想象你在玩一个射箭游戏，目标是射中靶心，而靶心的半径就是绝对值损失。你的箭与靶心的距离越小，得分越低。绝对值损失计算预测值与实际值之间差的绝对值的平均值，它对异常值的敏感度低于均方误差损失。

3. 损失函数代码使用示例

通过以下一个示例，我们不断的优化参数，调整训练方式，来逐步使得损失函数下降的方法

【注意】：每次的参数调整只是一个调整探索过程，并不是调整后的参数一定为最优解，通过示例为了体会这个调参的过程，如何逐渐的去使得损失函数下降

demo_reg.py 功能介绍：
1.数据获取与预处理：代码首先从UCI机器学习库（archive.ics.uci.edu）获取波士顿房价数据集，对数据进行清洗（去除多余空格），并将清洗后的数据保存到本地文件housing.data中。
2.数据加载与分割：使用numpy加载本地文件，并提取特征变量x和目标变量y，然后将数据分为训练集和测试集。
3.模型定义：定义一个简单的线性神经网络模型Net，包含一个线性层用于预测。
4.模型训练：使用均方误差损失函数（MSELoss）和随机梯度下降优化器（SGD）训练模型，共迭代10000次，并在每次迭代后打印损失值和部分预测值与实际值。
注意事项：
1.确保网络连接正常，以便成功从UCI机器学习库获取数据。
2.确保数据文件housing.data可以正确保存到本地，并且路径正确。
3.确保模型训练时的数据形状一致，以避免广播问题导致的警告。

完整代码如下：demo_reg.py

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# @Project  :demo_create
# @File     :demo_reg.py
# @Time     :2024-12-12 18:15
# @Author   :wangting_666"""pip install torch -i https://mirrors.aliyun.com/pypi/simple/pip install requests -i https://mirrors.aliyun.com/pypi/simple/pip install numpy -i https://mirrors.aliyun.com/pypi/simple/
"""# 导入所需的库
import torch
import requests
import numpy as np
import re# 指定数据文件的URL
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data'
response = requests.get(url)
# 发送HTTP GET请求
if response.status_code == 200:# 请求成功，获取网页内容url_data = response.text# 按行分割数据lines = url_data.split('\n')processed_lines = []for line in lines:# 去除每行的首尾空白字符stripped_line = line.strip()if stripped_line:# 将多个连续空格替换为单个空格，并去除首尾空白字符processed_line = re.sub(r'\s{2,}', ' ', line).strip()processed_lines.append(processed_line)# 将处理后的数据行合并为一个字符串，每行之间用换行符分隔url_data = '\n'.join(processed_lines)# 指定本地文件名filename = 'housing.data'# 将处理后的数据写入本地文件with open(filename, 'w') as f:f.write(url_data)print('Data saved to {}'.format(filename))
else:# 请求失败，打印错误信息print('Failed to retrieve data')# 使用numpy加载本地文件
data = np.loadtxt('housing.data')
# 506行，14列数据
print("data.shape: {}".format(data.shape))# 提取目标变量y和特征变量x
# data 数组中提取最后一列数据，存储在变量 y 中。
y = data[:, -1]
# data 数组中提取除了最后一列之外的所有列，存储在变量 x 中。
x = data[:, 0:-1]# 将数据分为训练集和测试集
x_train = x[0:496, ...]
y_train = y[0:496, ...]
x_test = x[496:, ...]
y_test = y[496:, ...]# 打印训练集和测试集的形状
print("x_train.shape: {}".format(x_train.shape))
print("y_train.shape: {}".format(y_train.shape))
print("x_test.shape: {}".format(x_test.shape))
print("y_test.shape: {}".format(y_test.shape))# 定义神经网络模型
class Net(torch.nn.Module):def __init__(self, n_features, n_output):super(Net, self).__init__()# 定义一个线性层，用于预测self.predict = torch.nn.Linear(n_features, n_output)def forward(self, x):# 前向传播out = self.predict(x)return out# 实例化模型
net = Net(13, 1)
# 定义损失函数
loss_func = torch.nn.MSELoss()# 定义优化器
optimizer = torch.optim.SGD(net.parameters(), lr=0.0001)# 训练模型
for i in range(10000):# 将训练数据转换为PyTorch张量x_data = torch.tensor(x_train, dtype=torch.float32)y_data = torch.tensor(y_train, dtype=torch.float32)# 前向传播，计算预测值pred = net.forward(x_data)# 计算损失loss = loss_func(pred, y_data) * 0.001# 清空梯度optimizer.zero_grad()# 反向传播，计算梯度loss.backward()# 更新模型参数optimizer.step()# 每轮迭代后打印损失和部分预测值、实际值print("item:{},loss:{}".format(i, loss.item()))print(pred[0:10])print(y_data[0:10])

最后item输出损失函数结果（11.82%）：loss:0.11819077283143997

item:9999,loss:0.11819077283143997
tensor([[22.0104],[20.1129],[22.3382],[22.9463],[21.9336],[21.3733],[21.1441],[17.4917],[14.9874],[18.2216]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

3-1. 调整学习率 (Learning Rate)

通过调整学习率来优化，目前使用的学习率lr=0.001，这可能会导致模型训练得较慢。可以尝试增大学习率来加速训练，或者使用更适合的值。可以尝试以下几种调整：

  • 尝试 0.001 或 0.01。
  • 过高的学习率可能会导致发散，可以逐步减小。
# optimizer = torch.optim.SGD(net.parameters(), lr=0.0001)
optimizer = torch.optim.SGD(net.parameters(), lr=0.001)

最后item输出损失函数结果（9.47%）：item:9999,loss:0.09471820294857025

item:9999,loss:0.09471820294857025
tensor([[22.1652],[21.6274],[19.9424],[19.1086],[19.8691],[20.0128],[22.4789],[24.8061],[26.4139],[23.9335]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

3-2. 调整损失函数权重

当前在计算损失时将结果乘以了一个常数 0.001，这会影响损失的计算。可以尝试不同的乘法因子，看看是否能改善模型表现。比如，将 0.001 改为 0.0001。

# 计算损失
# loss = loss_func(pred, y_data) * 0.001
loss = loss_func(pred, y_data) * 0.0001

最后item输出损失函数结果（1.07%）：loss:0.0107608987018466

item:9999,loss:0.0107608987018466
tensor([[24.8059],[21.2679],[21.0506],[20.6933],[20.7666],[21.0484],[21.9299],[22.2718],[19.4872],[21.5408]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

3-3. 增加训练轮数 (Epochs)

目前代码中训练轮数为 10000 次。如果你觉得模型在 10000 次迭代后仍未达到最优结果，可以适当增加训练轮数。例如，增加到 20000 或 30000，并观察损失函数是否持续下降。

# for i in range(10000):
for i in range(30000):

最后item输出损失函数结果（0.93%）：loss:0.00932362861931324

item:29999,loss:0.00932362861931324
tensor([[22.3280],[22.3310],[22.1053],[20.9865],[21.1635],[21.2615],[21.4697],[22.1821],[20.5868],[21.7904]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

3-4. 使用更高级的优化器（优化器调整）

当前使用的是 SGD（随机梯度下降），尽管它是最基础的优化器，但它可能在某些问题上收敛较慢，尤其是当损失函数比较复杂时。你可以尝试使用 Adam 优化器，它通常比 SGD 更有效，能加速训练并避免过拟合。

SGD：标准的梯度下降方法，适用于较简单的任务，收敛速度较慢且容易陷入局部最小值。

Adam：结合了动量和自适应学习率调整，通常能在复杂问题中更快收敛，避免过拟合。

学习率过大会导致模型训练不稳定，过小则会导致收敛缓慢。调整学习率可以帮助模型快速收敛

# optimizer = torch.optim.SGD(net.parameters(), lr=0.0001)
optimizer = torch.optim.Adam(net.parameters(), lr=0.001)

最后item输出损失函数结果（0.86%）：loss:0.008578178472816944

item:29999,loss:0.008578178472816944
tensor([[22.4775],[22.4890],[22.7133],[22.8217],[22.9005],[22.6268],[22.3341],[22.4805],[22.4585],[22.4555]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

3-5. 使用更复杂的损失函数

尽管 MSELoss 是回归任务中的标准损失函数，但有时候可以根据任务的特性尝试其他损失函数。例如，Huber Loss 对于一些数据中的异常值更具鲁棒性，可以尝试替换掉 MSELoss

# loss_func = torch.nn.MSELoss()
loss_func = torch.nn.HuberLoss(delta=1.0)

最后item输出损失函数结果（0.06%）：loss:0.0006132011767476797

item:29999,loss:0.0006132011767476797
tensor([[21.1054],[21.1156],[21.3443],[21.4555],[21.5352],[21.2573],[20.9581],[21.1065],[21.0816],[21.0821]], grad_fn=<SliceBackward0>)
tensor([24.0000, 21.6000, 34.7000, 33.4000, 36.2000, 28.7000, 22.9000, 27.1000,16.5000, 18.9000])

通过以上的示例，可以看到损失值降低的办法非常多，是一个持续优化的过程。

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/pingmian/64127.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

【docker】springboot 服务提交至docker

【docker】springboot 服务提交至docker

准备docker &#xff08;不是docker hub或者harbor&#xff0c;就是可以运行docker run的服务&#xff09;&#xff0c;首先确保docker已经安装。 本文以linux下举例说明&#xff1a; systemctl stats docker ● docker.service - Docker Application Container EngineLoaded…
阅读更多...
【新版】阿里云ACP云计算题库及答案解析

【新版】阿里云ACP云计算题库及答案解析

阿里云ACO云计算考试提醒都是选择题&#xff0c;70道单选题30道单选题&#xff0c;聪明的小伙伴都知道刷题备考加深记忆&#xff0c;给大家分享一波阿里云ACP云计算题库及答案&#xff0c;希望对大家顺利拿到阿里云ACP云计算高级工程师证书有所帮助&#xff01; 1、设计云上架…
阅读更多...
通过ajax的jsonp方式实现跨域访问，并处理响应

通过ajax的jsonp方式实现跨域访问，并处理响应

一、场景描述 现有一个项目A&#xff0c;需要请求项目B的某个接口&#xff0c;并根据B接口响应结果A处理后续逻辑。 二、具体实现 1、前端 前端项目A发送请求&#xff0c;这里通过jsonp的方式实现跨域访问。 $.ajax({ url:http://10.10.2.256:8280/ssoCheck, //请求的u…
阅读更多...
Unity 沿圆周创建Sphere

Unity 沿圆周创建Sphere

思路 取圆上任意一点连接圆心即为半径&#xff0c;以此半径为斜边作直角三角形。当已知圆心位置与半径长度时&#xff0c;即可得该点与圆心在直角三角形两直角边方向上的位置偏移&#xff0c;从而得出该点的位置。 实现 核心代码 offsetX radius * Mathf.Cos(angle * Mathf…
阅读更多...
【CUDA】CUBLAS

【CUDA】CUBLAS

【CUDA】CUBLAS 在深入了解之前&#xff0c;提前运行预热&#xff08;warmup&#xff09;和基准测试&#xff08;benchmark runs&#xff09; 是获得准确执行时间的关键。如果不进行预热运行&#xff0c;cuBLAS 的首次运行会有较大的开销&#xff08;大约 45 毫秒&#xff09;…
阅读更多...
9. 高效利用Excel设置归档Tag

9. 高效利用Excel设置归档Tag

高效利用Excel设置归档Tag 1. Excle批量新建/修改归档Tag2. 趋势记录模型批量导入归档Tag（Method1）2. 趋势记录模型批量导入归档Tag（Method2）3. 趋势记录控件1. Excle批量新建/修改归档Tag Fcatory Talk常常需要归档模拟量，对于比较大的项目工程会有成千上万个重要数据需…
阅读更多...
网页端web内容批注插件：

网页端web内容批注插件：

感觉平时每天基本上90%左右的时间都在浏览器端度过&#xff0c;按理说很多资料都应该在web端输入并且输出&#xff0c;但是却有很多时间浪费到了各种桌面app中&#xff0c;比如说什么notion、语雀以及各种笔记软件中&#xff0c;以及导入到ipad的gn中&#xff0c;这些其实都是浪…
阅读更多...
Jackson @JsonIgnore 注解

Jackson @JsonIgnore 注解

1. 概述 Jackson 是一个广泛使用的Java库&#xff0c;它允许轻松地将Java对象序列化为JSON以及从JSON反序列化回Java对象。Jackson库提供的其中一个注解是JsonIgnore。这个注解用于在序列化和反序列化过程中忽略特定的属性。这在转换JSON与Java对象之间时隐藏或省略敏感或不必…
阅读更多...
数据结构——栈的模拟实现

数据结构——栈的模拟实现

大家好&#xff0c;今天我要介绍一下数据结构中的一个经典结构——栈。 一&#xff1a;栈的介绍 与顺序表和单链表不同的是&#xff1a; 顺序表和单链表都可以在头部和尾部插入和删除数据&#xff0c;但是栈的结构就锁死了&#xff08;栈的底部是堵死的&#xff09;栈只能从…
阅读更多...
基于springboot+vue的高校校园交友交流平台设计和实现

基于springboot+vue的高校校园交友交流平台设计和实现

文章目录 系统功能部分实现截图 前台模块实现管理员模块实现 项目相关文件架构设计 MVC的设计模式基于B/S的架构技术栈 具体功能模块设计系统需求分析 可行性分析 系统测试为什么我&#xff1f; 关于我项目开发案例我自己的网站 源码获取&#xff1a; 系统功能 校园交友平台…
阅读更多...
数字货币金融研究，深度学习虚拟币价格预测 数据集 市值top20 （2014年—2024年）

数字货币金融研究，深度学习虚拟币价格预测 数据集 市值top20 （2014年—2024年）

比特币&#xff0c;以太坊&#xff0c;狗狗币&#xff0c;屎币&#xff0c;模因币 声明 此数据集的目的是 用于数字货币金融研究&#xff0c;深度学习虚拟币价格预测 1、数据集 2014年——2024年 市值top20 比特币&#xff0c;以太坊&#xff0c;屎币&#xff0c;狗狗币交易…
阅读更多...
让文案生成更具灵活性/chatGPT新功能canvas画布编辑

让文案生成更具灵活性/chatGPT新功能canvas画布编辑

​ ​ OpenAI最近在2024年12月发布了canvas画布编辑功能&#xff0c;这是一项用途广泛的创新工具&#xff0c;专为需要高效创作文案的用户设计。 无论是职场人士、学生还是创作者&#xff0c;这项功能都能帮助快速生成、优化和编辑文案&#xff0c;提升效率的同时提高内容质量…
阅读更多...
递归问题（c++）

递归问题（c++）

递归设计思路 数列递归 : 如果一个数列的项与项之间存在关联性&#xff0c;那么可以使用递归实现 ; 原理 : 如果一个函数可以求A(n)&#xff0c;那么该函数就可以求A(n-1)&#xff0c;就形成了递归调用 ; 注意: 一般起始项是不需要求解的&#xff0c;是已知条件 这就是一个典型…
阅读更多...
AI Alignment: A Comprehensive Survey---摘要、简介

AI Alignment: A Comprehensive Survey---摘要、简介

题目 人工智能对齐&#xff1a;全面调查 摘要 人工智能对齐旨在使人工智能系统的行为符合人类的意图和价值观。随着人工智能系统的能力不断增强&#xff0c;错位的风险也在不断增加。为了提供对齐领域的全面和最新概述&#xff0c;在本调查中&#xff0c;我们深入研究了对齐的…
阅读更多...
Linux中vi和vim的区别详解

Linux中vi和vim的区别详解

文章目录 Linux中vi和vim的区别详解一、引言二、vi和vim的起源与发展三、功能和特性1、语法高亮2、显示行号3、编辑模式4、可视化界面5、功能扩展6、插件支持 四、使用示例1、启动编辑器2、基本操作 五、总结 Linux中vi和vim的区别详解 一、引言 在Linux系统中&#xff0c;vi和…
阅读更多...
Vuex在uniapp中的使用

Vuex在uniapp中的使用

文章目录 一、Vuex概述 1.1 官方解释 1.2 大白话 1.3 组件间共享数据的方式 1.4 再看Vuex是什么 1.5 使用Vuex统一管理好处 二、状态管理 2.1 单页面状态管理 2.2 多页面状态管理 2.3 全局单例模式 2.4 管理哪些状态 三、Vuex的基本使用 3.1 安装 3.2 导入 3.3 创建store对象…
阅读更多...
【工具变量】上市公司企业经营困境指数数据（Zscore、Oscore、RLPM、Merton DD）2000-2021年

【工具变量】上市公司企业经营困境指数数据（Zscore、Oscore、RLPM、Merton DD）2000-2021年

一、资料范围&#xff1a;包括Zscore、Oscore、RLPM、Merton DD&#xff0c;经营困境说明如下&#xff1a;&#xff08;1&#xff09;Zscore&#xff1a;以2.67和1.81作为临界值计算样本得分所处的范围。Zscore>2.67 为财务状况良好&#xff0c;发生破产的可能性较小。Zscor…
阅读更多...
5G中的ATG Band

5G中的ATG Band

Air to Ground Networks for NR是R18 NR引入的。ATG很多部分和NTN类似中的内容类似。比较明显不同的是&#xff0c;NTN的RF内容有TS 38.101-5单独去讲&#xff0c;而ATG则会和地面网络共用某些band&#xff0c;这部分在38.101-1中有描述。 所以会存在ATG与地面网络之间的相邻信…
阅读更多...
若依微服务登录密码加密传输解决方案

若依微服务登录密码加密传输解决方案

文章目录 一、需求提出二、应用场景三、解决思路四、注意事项五、完整代码第一步&#xff1a;前端对密码进行加密第二步&#xff1a;后端工具类实现 RSA 加解密功能第三步&#xff1a;登录接口中添加解密逻辑 六、运行结果总结 一、需求提出 在默认情况下&#xff0c;RuoYi 微…
阅读更多...
spring cloud contract http实例

spring cloud contract http实例

微服务很多时&#xff0c;服务之前相互调用&#xff0c;接口参数的一致性要变得很难维护。 spring cloud contract 提供了测试接口一致性的方法。 一 项目配置 plugins {id "groovy"id "org.springframework.cloud.contract" version "4.0.5"i…
阅读更多...
最新文章

Copyright @ 2022~2023