5.系统学习-PyTorch与多层感知机

PyTorch与多层感知机

  • 前言
  • PyTroch 简介
  • 张量(Tensor)
    • 张量创建
    • 张量的类型
    • 数据类型和 dtype 对应表
    • 张量的维度变换:
    • 张量的常用操作
    • 矩阵或张量计算
  • Dataset and DataLoader
  • PyTorch下逻辑回归与反向传播
    • 数据表格
  • DNN(全连结网络)
  • 回归案例
  • 模型创建
  • 保存和加载模型
  • 模型训练与验证

前言

这里先了解简单的概念,直接上手尝试。
下一节进行实战
链接: minst数据集分类
在之后第7节会分部分进行说明。

线性回归/逻辑回归可以看成最简单的深度学习网络:

  • 网络包含一层全联接层
  • 采用梯度下降更新网络权重(回归参数)
  • 直到设定的迭代次数终止训练

重新回顾一下线性回归的内容,我们可以更加简单直观的理解深度学习。我们将采用当下学术以及工业界最流行深度学习框架 PyTorch,其语法简介,并且借鉴了很多成功设计,比如 Numpy 数组的概念及函数,使得我们可以将很多其他库(Numpy 等)的使用经验迁移到 PyTorch 中来。


  • 了解 PyTorch
  • Tensor 创建、类型、维度与操作
  • Dataset
  • PyTorch 下逻辑回归与反向传播
  • 深层网络、非线性拟合能力
  • 模型保存、读取
  • 模型的分类、回归模型构建与训练

PyTroch 简介

PyTorch是由Meta(原Facebook)开源的深度学习框架,得益于其简洁干净的接口封装,与Numpy几乎一致化的向量操作,灵活且Pythonic的语法,用户群体增长非常迅速,2019年开始主流AI会议统计中采用Pytorch框架论文数量已经超过Tensorflow。原生Pytorch已经提供了非常全面的能力,包括模型搭建、训练、部署、分布式、线性代数运算等。
在这里插入图片描述

Pytorch安装非常简单,只需要进入官网:https://pytorch.org/, 选择你的操作系统、安装方法、硬件环境后,复制安装命令在终端下(terminal 或CMD)执行即可。需要注意的是,GPU用户需要提前安装Nvidia驱动,但不必安装CUDNN等加速组建,CUDNN等在进行Pytorch安装时候会自动安装其必要部分。
在这里插入图片描述

张量(Tensor)

在实际使用PyTorch的过程中,Tensor是我们操作的基本数据类型,其特性与Numpy Array几乎完全一致,只不过在pytorch中,能够通过进行梯度的计算与传播。在正式使用PyTorch进行深度学习建模之前,我们需要熟练掌握PyTorch中张量的基本操作。

 # 
导入PyTorch包import torch 
import numpy as np
print(torch.__version__)

张量创建

 # 通过列表创建t = torch.tensor([1, 2])  
t

在这里插入图片描述

 # 通过numpy 数组创建张量a = np.array((1, 2)) 
t1 = torch.tensor(a) 
t1 

在这里插入图片描述

# 通过生成器创建,与numpy 完全一致
torch.arange(9) 

在这里插入图片描述

 np.arange(9)

在这里插入图片描述

# 随机创建一个均值为0、标准差为1的数据,与numpy 完全一致
torch.randn(3, 4)

在这里插入图片描述

np.random.randn(3, 4)

在这里插入图片描述

# torch.Tensor与np.ndarray转换tensor = torch.tensor([1, 2]) 
print(tensor)
# tensor > numpy array 
array = tensor.numpy() 
print(array)
# numpy array > tensor tensor = torch.tensor(array) 
print(tensor)
tensor = torch.from_numpy(array)
print(tensor)

在这里插入图片描述

张量的类型

在神经网络建模过程中,最常用的是torch.float 和 torch.long类型,其中float类型用于连续变量,long类型用于整数变量。

数据类型和 dtype 对应表

数据类型dtype
32bit 浮点数torch.float32torch.float
64bit 浮点数torch.float64torch.double
16bit 浮点数torch.float16torch.half
8bit 无符号整数torch.uint8
8bit 有符号整数torch.int8
16bit 有符号整数torch.int16torch.short
32bit 有符号整数torch.int32torch.int
64bit 有符号整数torch.int64torch.long
布尔类型torch.bool
# 初始化一个tensor tensor = torch.arange(10) 
print(tensor)
# 此时数据类型为long 
tensor.dtype 

在这里插入图片描述

# 一般的,深度学习模型要求的输入大部分为float类型﴾float32,单精度﴿ 
# 转化为float 类型,有两种办法# 1﴿ 
tensor.float()
# 2﴿ 
tensor.type(torch.float)

在这里插入图片描述

# 转换为长整型t.long() 

在这里插入图片描述

# 转化为双精度浮点型t.double() 

在这里插入图片描述

张量的维度变换:

  1. tensor.reshape方法,能够灵活调整张量的 size,和numpy中的reshape 特性一致
  2. 舍弃维度 tensor.squeeze ,与 numpy.squeeze 特性一致
  3. 添加维度 tensor.unsqueeze ,与 numpy.expand_dims 特性一致
  4. 维度顺序转换, tensor.transpose适用于两个维度互换, tensor.permute 适用于对所有维度重新排序
 # reshape 
x = torch.rand(4, 3, 2) x_reshpae = x.reshape(4, 6) print(x.shape, x_reshpae.shape)

在这里插入图片描述

# squeeze x = torch.rand(4, 1) print(x.shape,  x.squeeze().shape)

在这里插入图片描述

# unsqueeze x = torch.rand(4) print(x.shape, x.unsqueeze(0).shape, x.unsqueeze(1).shape)

在这里插入图片描述

# transpose x = torch.rand(4, 3, 2) print(x.shape,  x.transpose(1, 2).shape, # 将dim=1, dim=2 维度互换x.transpose(0, 2).shape  # 将dim=0, dim=2 维度互换)

在这里插入图片描述

 # permute x = torch.rand(4, 3, 2) print(x.shape,  x.permute(1, 2, 0).shape  # 将原本的1,2,0维度按照顺序重新排列)

在这里插入图片描述

张量的常用操作

# 创建张量
t2 = torch.tensor([[1, 2], [3, 4]])# 查看张量的属性
print(t2.numel())  # 总共有多少个元素 (num elements)
print(t2.shape)    # 张量的形状 (等价于 .size())
print(t2.size())   # 张量的形状 (.shape)
print(t2.ndim)     # 张量的维度数量 (number of dimensions)

在这里插入图片描述

# 注意:当需要计算的结果张量转化为单独的数值进行输出,需要使用.item。
n = torch.tensor(1.0) 
print(n.shape)  # 这是一个0维张量
print(n) # 需要采用item 方法将0维张量转化为数值
n.item()

在这里插入图片描述

# 张量的索引、切片与Numpy Array完全一致
data_1 = torch.arange(1, 15)print(data_1[1: 6])  # 索引其中2-7号元素,并且左包含右不包含
print(data_1[2:10:2])  # 索引其中3-11号元素,左包含右不包含,且隔1个数取1print(data_1[2::3])  # 从第3个元素开始索引,一直到结尾,并且每隔2个数取1

在这里插入图片描述

# 有类似numpy.zeros函数a = torch.zeros(2, 3) 
a z

在这里插入图片描述

# 有类似numpy.ones 
b = torch.ones(2, 3) 
b

在这里插入图片描述

np.concatenate#的第一个参数必须是一个元组或列表

在这里插入图片描述

# 张量拼接 torch.cat ,完全类似于
np.concatenate 
torch.cat([a, b], 0) # 在第0个维度进行拼接

在这里插入图片描述

torch.cat([a, b], dim=1) # 在第1个维度进行拼接

在这里插入图片描述

矩阵或张量计算

 # 元素级别的四则运算﴾+ */﴿,要求矩阵shape完全一致或者可以进行广播,与numpy array特性一致。x = torch.rand(4, 3) 
y = torch.rand(4, 3) print((x + y).shape) print((x * y).shape) 

在这里插入图片描述

# 矩阵乘法,可以用魔法符号 @ 或者使用torch.mm 方法print(x.shape,  y.T.shape) print((x @ y.T).shape) 
print((torch.mm(x, y.T).shape)) 

在这里插入图片描述

# batch 矩阵乘法, 可以用魔法符号@ 或者使用torch.bmm 方法batch_size = 4 
x = torch.rand(batch_size, 3, 2) 
y = torch.rand(batch_size, 2, 3) print((x@y).shape) 
print((torch.bmm(x, y).shape)) 

在这里插入图片描述

Dataset and DataLoader

在PyTorch中,我们需要构造Dataset和DataLoader来迭代数据,训练模型,首先通过一个简单的案例讲解一下Dataset的使用.

from torch.utils.data import Dataset, DataLoader
class MyDataset(Dataset):def __init__(self, x, y):# 初始化,保存数据self.x = xself.y = ydef __len__(self):# 返回数据集样本个数return len(self.y)def __getitem__(self, item):# 根据索引获取数据,并进行必要的类型转换xi = torch.tensor(self.x[item]).float()  # 转为浮点型张量yi = torch.tensor(self.y[item]).float()  # 转为浮点型张量return xi, yi
X = np.random.rand(200, 12) 
Y = np.random.rand(200, 1) ds = MyDataset(X, Y)
ds[120]

在这里插入图片描述

xi, yi = ds[0] print(xi.shape) 
print(yi.shape)

在这里插入图片描述

dl = DataLoader(ds,  batch_size=4, shuffle=True,    #  是否乱序)
for batch_x, batch_y in dl: break print(batch_x.shape, batch_y.shape)

在这里插入图片描述

PyTorch下逻辑回归与反向传播

在学习逻辑回归课程时,我们了解到其优化过程采用的是梯度下降方法,现在我们就以逻辑回归为案例,讲解PyTorch下如何搭建模型,并进行训练。因为逻辑回归只具备线性分类能力,因此我们构造一个线性可分的数据集,数据只有两个特征(x1,x2),当两个特征下的取值都为1时,分类标签为1,其他时候分类标签为0。

数据表格

x1x2y
000
100
010
111
 导入库import torch.nn as nn  # 模型搭建import torch.nn.functional as F  # 内部封装了非常多的计算函数import matplotlib.pyplot as plt 
%matplotlib inline torch.manual_seed(1)

在这里插入图片描述

# 准备数据x = torch.tensor([[0,0],[1,0],[0,1],[1,1]]).float() 
y = torch.tensor([0, 0, 1, 1]).float() class LRDataset(Dataset): def __init__(self, x, y): self.x = x self.y = y def __len__(self): return len(self.y) def __getitem__(self, item): return self.x[item], self.y[item] ds = LRDataset(x, y) 
dl = DataLoader(ds, batch_size=4, shuffle=True) plt.scatter( x.data.numpy()[:, 0],  #提取所有点的第一个坐标(x 轴坐标)x.data.numpy()[:, 1],  #提取所有点的第二个坐标(y 轴坐标)c=y.data.numpy(), s=100, lw=0) 
plt.show() 

在这里插入图片描述

# 使用PyTorch中nn这个库来构建逻辑回归模型
import torch
import torch.nn as nnclass LogisticRegressionModel(nn.Module): def __init__(self, n_feature): super().__init__()    # 必须执行的标准步骤self.linear = nn.Linear(n_feature, 1)   # 线性层self.sigmoid = nn.Sigmoid()             # sigmoid激活函数def forward(self, x): x = self.linear(x) pred = self.sigmoid(x) return pred # 初始化模型
model = LogisticRegressionModel(n_feature=2) 
print(model)# 使用优化器SGD
optimizer = torch.optim.SGD(model.parameters(), # 需要优化的模型参数lr=0.1              # 学习率
)# 定义损失函数,采用二分类交叉熵损失
loss_func = torch.nn.BCELoss()

在这里插入图片描述

# 观察模型的输入与输出
for batch_x, batch_y in dl:  # 从 DataLoader 中取出一个 batchbreak  # 取出第一个 batch 后退出循环# 打印输入和输出的维度
print(f"输入维度: {batch_x.shape}")  # 输入特征的维度
print(f"输出维度: {model(batch_x).shape}")  # 模型输出的维度
print(f"标签维度: {batch_y.shape}")  # 标签(真实值)的维度
print(f"model squeeze 输出维度: {model(batch_x).squeeze().shape}")  # 模型输出的维度(降维后)# 说明
# 在计算损失函数时,将模型输出使用 squeeze 降低维度,以保持与标签的维度一致,从而正确计算 loss。

在这里插入图片描述

# 定义一个训练函数,训练过程中,根据loss,进行梯度下降
def train_fn(model, optimizer, dl):losses = []  # 用于存储每个批次的损失值for batch_x, batch_y in dl:# 模型预测pred = model(batch_x).squeeze()  # 模型输出,并使用squeeze降维# 计算损失loss = loss_func(pred, batch_y)# 梯度清零optimizer.zero_grad()# 反向传播,计算梯度loss.backward()# 执行梯度下降,更新参数optimizer.step()# 获取损失值并保存到CPU中,避免GPU内存占用过多loss = loss.item()  # 取出当前批次的损失值losses.append(loss)  # 保存损失值# 返回平均损失和最后一次预测结果return np.mean(losses), pred
for t in range(1,201): loss, pred = train_fn(model, optimizer, dl)        if t % 50 == 0: print(loss) 

在这里插入图片描述

DNN(全连结网络)

逻辑回归&线性回归只包含一个线性层(需要注意,逻辑回归虽然对数据进行了sigmoid映射,但本质的分类平面依然是线性平面),不具备对非线性关系的拟合能力。DNN包括多个线性层和激活层,其中线性层通过学习一个映射矩阵,对输入进行线性映射,激活层使用ReLU,Tahn等非线性函数使得模型具备非线性建模能力。如果不加入激活层,只是简单的堆叠线性层,多层网络和单层网络本质上是等价的。

# ReLU 函数图像relu = torch.nn.ReLU() x = torch.arange(-1, 1, 0.1) 
y = relu(x) plt.plot(x.numpy(), y.numpy())

在这里插入图片描述

# Tanh 函数图像tanh = torch.nn.Tanh() 
x = torch.arange(-10, 10, 0.1) 
y = tanh(x) 
plt.plot(x.numpy(), y.numpy())

在这里插入图片描述

回归案例

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # 生成数据x 
y = x.pow(2) + 0.2*torch.rand(x.size())  # 生成x对应的数据y plt.scatter(x.data.numpy(), y.data.numpy()) 
plt.show() 

在这里插入图片描述

# 创建网络class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.fc1 = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层self.activation = nn.ReLU() self.fc2 = torch.nn.Linear(n_hidden, n_output)   # 输出层def forward(self, x): x = self.activation(self.fc1(x))      # 对隐藏层数据使用激活函数y = self.fc2(x)             # 输出return y
net = Net(n_feature=1, n_hidden=10, n_output=1)     # 定义网络print(net)  # net architecture

在这里插入图片描述

optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 优化器loss_func = torch.nn.MSELoss()  # 损失函数
# 这里我们没有使用Dataset和DataLoader,每次迭代使用全部数据。import matplotlib.pyplot as pltplt.ion()  # 打开交互模式,便于动态更新绘图for t in range(100):  # 训练100次prediction = net(x)  # 将输入数据送入模型loss = loss_func(prediction, y)  # 计算预测值和真实值的损失optimizer.zero_grad()  # 梯度清零loss.backward()  # 反向传播optimizer.step()  # 梯度优化,更新参数if t % 20 == 0:  # 每隔20次迭代更新一次绘图# 显示学习过程plt.cla()  # 清除当前图形plt.scatter(x.data.numpy(), y.data.numpy())  # 绘制训练数据的散点图plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)  # 绘制拟合曲线plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})  # 显示当前损失plt.pause(0.1)  # 暂停0.1秒,用于更新绘图plt.ioff()  # 关闭交互模式
plt.show()  # 显示最终图像

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型创建

  1. 定义模型类
  2. 使用nn.Sequential 快速创建简单的顺序执行的模型
# 通常在定义比较复杂的模型时,我们倾向与使用定义模型类的方法# 在__init__ 中定义所有模型的组件# 在forward 中定义模型的计算图class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = torch.nn.Linear(2, 10) self.activation = nn.ReLU() self.fc2 = torch.nn.Linear(10, 1) def forward(self, x): x = self.activation(self.fc1(x))       x = self.fc2(x)             return x net1 = Net() 
print(net1) 

在这里插入图片描述

# 简单的按顺序执行的模型我们可以采用nn.Sequential 定义net2 = nn.Sequential( nn.Linear(2, 10),  nn.ReLU(), nn.Linear(10, 1) 
) print(net2) 

在这里插入图片描述

x = torch.rand(4, 2) print(net1(x).shape) 
print(net2(x).shape)

在这里插入图片描述

保存和加载模型

#保存和加载模型 
# 1. 当模型训练好后,保存模型参数`state_dict` torch.save(net1.state_dict(), 'model.bin') # 2. 加载模型时,首先初始化模型,再加载模型参数net1 = Net() 
net1.load_state_dict(torch.load('model.bin')) 

在这里插入图片描述

模型训练与验证

#模型训练与验证
net1.train()  # 该语句让模型进入训练状态net1.eval()   # 该语句让模型进入验证/预测状态

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/pingmian/65818.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

WPF中的Microsoft XAML Behaviors包功能详解

什么是XAML Behaviors(行为) XAML Behaviors 提供了一种简单易用的方法,能以最少的代码为 Windows UWP/WPF 应用程序添加常用和可重复使用的交互性。 但是Microsoft XAML Behaviors包除了提供常用的XAML Behaviors之外,还提供了一些Trigger&#xff08…

运维人员的Go语言学习路线

以下是一份更为详细的适合运维人员的Go语言学习路线图: 一、基础环境搭建与入门(第 1 - 2 周) 第 1 周 环境搭建 在本地开发机和常用的运维服务器环境(如 Linux 系统)中安装 Go 语言。从官方网站(https://…

设置虚拟机设备的dp和pt

虚拟机有设置px的方式,没有设置dp的方式,举个例子比如设置px为1080*1920虚拟机是有的 此时如果需要375dp宽度的虚拟机, 需要以下步骤 通过日志打印px和density,计算出当前的dp根据density和dp,计算如果需要相应的dp需…

Soildstate渗透测试

第一步:信息收集 Arp-scan -l 扫描本地存活ip,发现可疑ip 192.168.52.140 使用nmap -T4 -sV -sC -p- 192.168.52.140 对目标进行全端口扫描 同时使用dirb和dirsearch对目标网址进行目录爆破,这些网址都可以点进去看看进行一下信息收集看看是…

HTTP cookie与session

telnet命令 telnet 是一个网络协议,用于通过 TCP/IP 网络进行远程登录到服务器。它允许用户在本地计算机上通过网络连接到远程服务器,并在服务器上执行命令 telnet [主机名或IP地址] [端口号]//连接服务器 在 telnet 会话中,Ctrl] 会将你从…

【新年特辑】使用 React + TypeScript 开发新年祝福网页

🎉 新年将至,我决定开发一个独特的新年祝福网页,让每个人都能创建和分享自己的新年祝福。本文将详细介绍这个项目的开发过程,从技术选型到具体实现,希望能给大家一些启发。 一、项目概述 1.1 项目背景 在这个数字化的…

jmeter分布式启动

https://www.cnblogs.com/qtclm/p/11082081.html 1、代理机:输入“ipconfig”,找到IP地址,在Jmeter/bin/jmeter.properties设置remote host 启动jmeter server 1、控制机:输入“ipconfig”,找到IP地址,在J…

sqoop将MySQL数据导入hive

使用脚本加载数据 MySQL有一张表 hive创建一张相同的表 编写脚本同步数据 [rootmaster sqoop]# vim stu.sh#!/bin/bash SQOOP/usr/local/soft/sqoop-1.4.6/bin/sqoop $SQOOP import --connect jdbc:mysql://192.168.67.100:3306/sqoop \--username root \--password 123456 \-…

【从零开始入门unity游戏开发之——C#篇39】C#反射使用——Type 类、Assembly 类、Activator 类操作程序集

文章目录 前言一、前置知识1、编译器2、程序集(Assembly)3、元数据(Metadata) 二、反射1、反射的概念2、反射的作用3、反射的核心Type 类3.1 Type 类介绍3.2 不同方法获取 Type3.3 获取type类型所在的程序集的相关信息 4、反射的常…

【MyBatis源码分析】Spring与MyBatis整合深入解析

🎮 作者主页:点击 🎁 完整专栏和代码:点击 🏡 博客主页:点击 文章目录 概述SqlSessionFactoryBean详解配置原理 MapperScannerConfigurer 源码分析介绍postProcessBeanDefinitionRegistry 方法 概述 MyBat…

微信小程序几种数据通信方式记录

在微信小程序开发中,组件间的数据传递是一个常见的需求。以下是不同组件间数据传递的方式,根据传递的方向(父子、兄弟、跨层级等)提供了多种方法。 1. 父组件向子组件传递数据 通过 properties(组件属性)&…

使用JMeter对Linux生产服务器进行压力测试

安装 JMeter wget https://downloads.apache.org/jmeter/binaries/apache-jmeter-5.4.1.tgz tar -xzf apache-jmeter-5.4.1.tgz cd apache-jmeter-5.4.1创建 JMeter 脚本 设置中文 选择Options—>Choose Language—>选择其他语言(例如:Chinese&am…

STM32-笔记20-测量按键按下时间

1、按键按下的时间-思路 我们先检测下降沿信号,检测到以后,在回调函数里切换成检测上升沿信号,当两个信号都检测到的时候,这段时间就是按键按下的时间,如图所示:>N*(ARR1)CCRx的值 N是在这段时间内&…

2024年12月CCF-GESP编程能力等级认证Scratch图形化编程四级真题解析

本文收录于《Scratch等级认证CCF-GESP图形化真题解析》专栏,专栏总目录:点这里,订阅后可阅读专栏内所有文章。 一、单选题(共 10 题,每题 2 分,共 30 分) 第 1 题 2024 年 10 月 8 日,诺贝尔物理学奖“意外地”颁给了两位计算机科学家约翰霍普菲尔德(John J. Hopfie…

常见协议的高危软件漏洞信息

HTTP 协议 协议 | 软件 | 漏洞编号 | 漏洞描述 Apache Log4j CVE-2021-45105 | Apache Log4j拒绝服务攻击漏洞 XWiki Platform CVE-2023-26477 | XWiki Platform存在安全漏洞,该漏洞源于可以通过URL请求参数结合其他参数注入任意脚本宏 Microsoft Windows CVE-20…

CPT203 Software Engineering 软件工程 Pt.2 敏捷方法和需求工程(中英双语)

文章目录 3. Aglie methods(敏捷方法)3.1 Aglie methods(敏捷方法)3.1.1 特点3.1.2 优点3.1.3 缺点3.1.4 原则3.1.5 计划驱动与敏捷方法的对比 3.2 Scrum3.2.1 Scrum roles3.2.2 Scrum Activities and Artifacts3.2.2.1 Product B…

攻防靶场(29):目录权限和文件权限 ICMP

目录 1. 侦查 1.1 收集目标网络信息:IP地址 1.2 主动扫描:扫描IP地址段 1.3 搜索目标网站 2. 初始访问 2.1 利用面向公众的应用 3. 权限提升 3.1 有效账户:本地账户 3.2 滥用特权控制机制:Sudo和Sudo缓存 靶场下载地址&#xff1a…

libmodbus源码中重要的两个结构体讲解

文章目录 一、libmodbus重要数据结构讲解**1. 结构体 `_modbus`**定义成员解析小结**2. 结构体 `_modbus_backend`**定义成员解析小结**3. 两者关系和工作流程****关系****工作流程**一、libmodbus重要数据结构讲解 这两个结构体是 libmodbus 的核心,定义了 Modbus 通信上下文…

Spring自动化创建脚本-解放繁琐的初始化配置!!!(自动化SSM整合)

一、实现功能(原创,转载请告知) 1.自动配置pom配置文件 2.自动识别数据库及数据表,创建Entity、Dao、Service、Controller等 3.自动创建database.properties、mybatis-config.xml等数据库文件 4.自动创建spring-dao.xml spring-mvc.xml …

【详解】AndroidWebView的加载超时处理

Android WebView的加载超时处理 在Android开发中,WebView是一个常用的组件,用于在应用中嵌入网页。然而,当网络状况不佳或页面加载过慢时,用户可能会遇到加载超时的问题。为了提升用户体验,我们需要对WebView的加载超时…