Python 机器学习 基础 之 算法链与管道 【通用的管道接口/网格搜索预处理步骤与模型参数/网格搜索选择使用哪个模型】的简单说明

Python 机器学习 基础 之 算法链与管道 【通用的管道接口/网格搜索预处理步骤与模型参数/网格搜索选择使用哪个模型】的简单说明

目录

Python 机器学习 基础 之 算法链与管道 【通用的管道接口/网格搜索预处理步骤与模型参数/网格搜索选择使用哪个模型】的简单说明

一、简单介绍

二、通用的管道接口

三、网格搜索预处理步骤与模型参数

四、网格搜索选择使用哪个模型

附录

一、参考文献

一、简单介绍

Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。Python是一种解释型脚本语言，可以应用于以下领域： Web 和 Internet开发、科学计算和统计、人工智能、教育、桌面界面开发、软件开发、后端开发、网络爬虫。

Python 机器学习是利用 Python 编程语言中的各种工具和库来实现机器学习算法和技术的过程。Python 是一种功能强大且易于学习和使用的编程语言，因此成为了机器学习领域的首选语言之一。Python 提供了丰富的机器学习库，如Scikit-learn、TensorFlow、Keras、PyTorch等，这些库包含了许多常用的机器学习算法和深度学习框架，使得开发者能够快速实现、测试和部署各种机器学习模型。

Python 机器学习涵盖了许多任务和技术，包括但不限于：

  1. 监督学习：包括分类、回归等任务。
  2. 无监督学习：如聚类、降维等。
  3. 半监督学习：结合了有监督和无监督学习的技术。
  4. 强化学习：通过与环境的交互学习来优化决策策略。
  5. 深度学习：利用深度神经网络进行学习和预测。

通过 Python 进行机器学习，开发者可以利用其丰富的工具和库来处理数据、构建模型、评估模型性能，并将模型部署到实际应用中。Python 的易用性和庞大的社区支持使得机器学习在各个领域都得到了广泛的应用和发展。

二、通用的管道接口

Pipeline 类不但可用于预处理和分类，实际上还可以将任意数量的估计器连接在一起。

在机器学习中，使用管道（Pipeline）和算法链可以让数据预处理、特征选择和模型训练等步骤变得更加简洁和系统化。Scikit-learn 提供了一个通用的管道接口，通过 Pipeline 和 make_pipeline 来实现。这使得我们可以将多个步骤整合到一起，形成一个统一的工作流。下面是一些主要概念和如何使用通用的管道接口的详细说明。

定义

  1. Pipeline:

    • Pipeline 是一个可以串联多个处理步骤的对象。每个步骤都是一个二元组，包含一个名字和一个估计器（如预处理步骤或模型）。
    • Pipeline 的最后一步必须是一个模型（如分类器或回归器），而中间步骤可以是任何数据转换器（如标准化、特征选择等）。

  2. make_pipeline:

    • make_pipeline 是一个简化的工厂函数，用于创建一个 Pipeline 对象。它自动为每个步骤生成名称，无需手动指定名称。

共同点和区别

  • 共同点:

    • 都可以将多个处理步骤整合到一起。
    • 都提供了统一的接口，可以像单个模型一样进行训练和预测。
    • 都支持超参数的网格搜索和交叉验证。

  • 区别:

    • Pipeline 需要手动为每个步骤指定名称。
    • make_pipeline 自动为每个步骤生成名称，适合步骤较少且名称无关紧要的情况。

使用示例

  1. 使用 Pipeline
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, PolynomialFeatures
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_california_housing# 加载数据
california = fetch_california_housing()
X_train, X_test, y_train, y_test = train_test_split(california.data, california.target, random_state=0)# 创建管道
pipe = Pipeline([('scaler', StandardScaler()),('poly', PolynomialFeatures(degree=2)),('ridge', Ridge())
])# 训练模型
pipe.fit(X_train, y_train)# 评估模型
train_score = pipe.score(X_train, y_train)
test_score = pipe.score(X_test, y_test)print(f"Training score: {train_score:.2f}")
print(f"Test score: {test_score:.2f}")
  1. 使用 make_pipeline
from sklearn.pipeline import make_pipeline# 创建管道
pipe = make_pipeline(StandardScaler(),PolynomialFeatures(degree=2),Ridge()
)# 训练模型
pipe.fit(X_train, y_train)# 评估模型
train_score = pipe.score(X_train, y_train)
test_score = pipe.score(X_test, y_test)print(f"Training score: {train_score:.2f}")
print(f"Test score: {test_score:.2f}")

选择和使用

  • 选择:

    • 使用 Pipeline 当你希望显式地为每个步骤命名时。
    • 使用 make_pipeline 当步骤名称不重要或步骤较少时。

  • 使用:

    • 管道允许你将数据预处理、特征生成和模型训练结合在一起，这样可以减少代码重复和错误。
    • 通过统一的接口，可以在整个数据处理和建模过程中保持一致性。
    • 可以将管道与 GridSearchCV 或 RandomizedSearchCV 结合使用，进行超参数调优。

例如，你可以构建一个包含特征提取、特征选择、缩放和分类的管道，总共有 4 个步骤。同样，最后一步可以用回归或聚类代替分类。

对于管道中估计器的唯一要求就是，除了最后一步之外的所有步骤都需要具有 transform 方法，这样它们可以生成新的数据表示，以供下一个步骤使用。

在调用 Pipeline.fit 的过程中，管道内部依次对每个步骤调用 fit 和 transform （或仅调用 fit_transform 。） ，其输入是前一个步骤中 transform 方法的输出。对于管道中的最后一步，则仅调用 fit 。

忽略某些细枝末节，其实现方法如下所示。请记住，pipeline.steps 是由元组组成的列表，所以 pipeline.steps[0][1] 是第一个估计器，pipeline.steps[1][1] 是第二个估计器，以此类推：

def fit(self, X, y):X_transformed = Xfor name, estimator in self.steps[:-1]:# 遍历除最后一步之外的所有步骤# 对数据进行拟合和变换X_transformed = estimator.fit_transform(X_transformed, y)# 对最后一步进行拟合self.steps[-1][1].fit(X_transformed, y)return self

使用 Pipeline 进行预测时，我们同样利用除最后一步之外的所有步骤对数据进行变换（transform ），然后对最后一步调用 predict ：

def predict(self, X):X_transformed = Xfor step in self.steps[:-1]:# 遍历除最后一步之外的所有步骤# 对数据进行变换X_transformed = step[1].transform(X_transformed)# 利用最后一步进行预测return self.steps[-1][1].predict(X_transformed)

整个过程如图 6-3 所示，其中包含两个变换器（transformer）T1 和 T2 ，还有一个分类器（叫作 Classifier ）。

图 6-3：管道的训练和预测过程概述

管道实际上比上图更加通用。管道的最后一步不需要具有 predict 函数，比如说，我们可以创建一个只包含一个缩放器和一个 PCA 的管道。由于最后一步（PCA ）具有 transform 方法，所以我们可以对管道调用 transform ，以得到将 PCA.transform 应用于前一个步骤处理过的数据后得到的输出。管道的最后一步只需要具有 fit 方法。

利用上述语法创建管道有时有点麻烦，我们通常不需要为每一个步骤提供用户指定的名称。有一个很方便的函数 make_pipeline ，可以为我们创建管道并根据每个步骤所属的类为其自动命名。make_pipeline 的语法如下所示：

from sklearn.pipeline import make_pipeline
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import MinMaxScaler
from sklearn.svm import SVC# 标准语法
pipe_long = Pipeline([("scaler", MinMaxScaler()), ("svm", SVC(C=100))])
# 缩写语法
pipe_short = make_pipeline(MinMaxScaler(), SVC(C=100))

管道对象 pipe_long 和 pipe_short 的作用完全相同，但 pipe_short 的步骤是自动命名的。我们可以通过查看 steps 属性来查看步骤的名称：

print("Pipeline steps:\n{}".format(pipe_short.steps))
Pipeline steps:
[('minmaxscaler', MinMaxScaler()), ('svc', SVC(C=100))]

这两个步骤被命名为 minmaxscaler 和 svc 。一般来说，步骤名称只是类名称的小写版本。如果多个步骤属于同一个类，则会附加一个数字：

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCApipe = make_pipeline(StandardScaler(), PCA(n_components=2), StandardScaler())
print("Pipeline steps:\n{}".format(pipe.steps))
Pipeline steps:
[('standardscaler-1', StandardScaler()), ('pca', PCA(n_components=2)), ('standardscaler-2', StandardScaler())]

如你所见，第一个 StandardScaler 步骤被命名为 standardscaler-1 ，而第二个被命名为 standardscaler-2 。但在这种情况下，使用具有明确名称的 Pipeline 构建可能更好，以便为每个步骤提供更具语义的名称。

通常来说，你希望检查管道中某一步骤的属性——比如线性模型的系数或 PCA 提取的成分。要想访问管道中的步骤，最简单的方法是通过 named_steps 属性，它是一个字典，将步骤名称映射为估计器：

from sklearn.datasets import load_breast_cancer# 加载并划分数据
cancer = load_breast_cancer()# 用前面定义的管道对cancer数据集进行拟合
pipe.fit(cancer.data)
# 从"pca"步骤中提取前两个主成分
components = pipe.named_steps["pca"].components_
print("components.shape: {}".format(components.shape))
components.shape: (2, 30)

本章前面说过，使用管道的主要原因之一就是进行网格搜索。一个常见的任务是在网格搜索内访问管道的某些步骤。我们对 cancer 数据集上的 LogisticRegression 分类器进行网格搜索，在将数据传入 LogisticRegression 分类器之前，先用 Pipeline 和 StandardScaler 对数据进行缩放。首先，我们用 make_pipeline 函数创建一个管道：

from sklearn.linear_model import LogisticRegression
pipe = make_pipeline(StandardScaler(), LogisticRegression())

接下来，我们创建一个参数网格。我们在第 2 章中说过，LogisticRegression 需要调节的正则化参数是参数 C 。我们对这个参数使用对数网格，在 0.01 和 100 之间进行搜索。由于我们使用了 make_pipeline 函数，所以管道中 LogisticRegression 步骤的名称是小写的类名称 logisticregression 。因此，为了调节参数 C ，我们必须指定 logisticregression__C 的参数网格：

param_grid = {'logisticregression__C': [0.01, 0.1, 1, 10, 100]}

像往常一样，我们将 cancer 数据集划分为训练集和测试集，并对网格搜索进行拟合：

from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCVX_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=4)
grid = GridSearchCV(pipe, param_grid, cv=5)
grid.fit(X_train, y_train)

那么我们如何访问 GridSearchCV 找到的最佳 LogisticRegression 模型的系数呢？我们从第 5 章中知道，GridSearchCV 找到的最佳模型（在所有训练数据上训练得到的模型）保存在 grid.best_estimator_ 中：

print("Best estimator:\n{}".format(grid.best_estimator_))

Best estimator:
Pipeline(steps=[('standardscaler', StandardScaler()),('logisticregression', LogisticRegression(C=1))])

在我们的例子中，best_estimator_ 是一个管道，它包含两个步骤：standardscaler 和 logisticregression 。如前所述，我们可以使用管道的 named_steps 属性来访问 logisticregression 步骤：

print("Logistic regression step:\n{}".format(grid.best_estimator_.named_steps["logisticregression"]))
Logistic regression step:
LogisticRegression(C=1)

现在我们得到了训练过的 LogisticRegression 实例，下面我们可以访问与每个输入特征相关的系数（权重）：

print("Logistic regression coefficients:\n{}".format(grid.best_estimator_.named_steps["logisticregression"].coef_))
Logistic regression coefficients:
[[-0.4475566  -0.34609376 -0.41703843 -0.52889408 -0.15784407  0.60271339-0.71771325 -0.78367478  0.04847448  0.27478533 -1.29504052  0.05314385-0.69103766 -0.91925087 -0.14791795  0.46138699 -0.1264859  -0.102894860.42812714  0.71492797 -1.08532414 -1.09273614 -0.85133685 -1.04104568-0.72839683  0.07656216 -0.83641023 -0.64928603 -0.6491432  -0.42968125]]

这个系数列表可能有点长，但它通常有助于理解你的模型。

三、网格搜索预处理步骤与模型参数

我们可以利用管道将机器学习工作流程中的所有处理步骤封装成一个 scikit-learn 估计器。这么做的另一个好处在于，现在我们可以使用监督任务（比如回归或分类）的输出来调节预处理参数 。在前几章里，我们在应用岭回归之前使用了 boston 数据集的多项式特征。下面我们用一个管道来重复这个建模过程。管道包含 3 个步骤：缩放数据、计算多项式特征与岭回归：

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, PolynomialFeatures
from sklearn.linear_model import Ridge
from sklearn.pipeline import make_pipeline# 加载加利福尼亚房价数据集
california = fetch_california_housing()
X_train, X_test, y_train, y_test = train_test_split(california.data, california.target,random_state=0)# 创建管道
pipe = make_pipeline(StandardScaler(),PolynomialFeatures(),Ridge())

我们怎么知道选择几次多项式，或者是否选择多项式或交互项呢？理想情况下，我们希望根据分类结果来选择 degree 参数。我们可以利用管道搜索 degree 参数以及 Ridge 的 alpha 参数。为了做到这一点，我们要定义一个包含这两个参数的 param_grid ，并用步骤名称作为前缀：

param_grid = {'polynomialfeatures__degree': [1, 2, 3],'ridge__alpha': [0.001, 0.01, 0.1, 1, 10, 100]}

现在我们可以再次运行网格搜索：

from sklearn.model_selection import GridSearchCVgrid = GridSearchCV(pipe, param_grid=param_grid, cv=5, n_jobs=-1)
grid.fit(X_train, y_train)

像之前所做的那样，我们可以用热图将交叉验证的结果可视化（见图 6-4）：

import matplotlib.pyplot as pltplt.matshow(grid.cv_results_['mean_test_score'].reshape(3, -1),vmin=0, cmap="viridis")
plt.xlabel("ridge__alpha")
plt.ylabel("polynomialfeatures__degree")
plt.xticks(range(len(param_grid['ridge__alpha'])), param_grid['ridge__alpha'])
plt.yticks(range(len(param_grid['polynomialfeatures__degree'])),param_grid['polynomialfeatures__degree'])plt.colorbar()# plt.tight_layout()
plt.savefig('Images/05GridSearchPreprocessingStepsWithModelParameters-01.png', bbox_inches='tight')
plt.show()
图 6-4：以多项式特征的次数和岭回归的 alpha 参数为坐标轴，绘制交叉验证平均分数的热图

从交叉验证的结果中可以看出，使用二次多项式很有用，但三次多项式的效果比一次或二次都要差很多。从找到的最佳参数中也可以看出这一点：

print("Best parameters: {}".format(grid.best_params_))
Best parameters: {'polynomialfeatures__degree': 1, 'ridge__alpha': 10}
print("Test-set score: {:.2f}".format(grid.score(X_test, y_test)))
Test-set score: 0.59

为了对比，我们运行一个没有多项式特征的网格搜索：

param_grid = {'ridge__alpha': [0.001, 0.01, 0.1, 1, 10, 100]}
pipe = make_pipeline(StandardScaler(), Ridge())
grid = GridSearchCV(pipe, param_grid, cv=5)
grid.fit(X_train, y_train)
print("Score without poly features: {:.2f}".format(grid.score(X_test, y_test)))
Score without poly features: 0.59

正与我们观察图 6-4 中的网格搜索结果所预料的那样，不使用多项式特征得到了明显更差的结果。

同时搜索预处理参数与模型参数是一个非常强大的策略。但是要记住，GridSearchCV 会尝试指定参数的所有可能组合 。因此，向网格中添加更多参数，需要构建的模型数量将呈指数增长。

四、网格搜索选择使用哪个模型

你甚至可以进一步将 GridSearchCV 和 Pipeline 结合起来：还可以搜索管道中正在执行的实际步骤（比如用 StandardScaler 还是用 MinMaxScaler ）。这样会导致更大的搜索空间，应该予以仔细考虑。尝试所有可能的解决方案，通常并不是一种可行的机器学习策略。但下面是一个例子：在 iris 数据集上比较 RandomForestClassifier 和 SVC 。我们知道，SVC 可能需要对数据进行缩放，所以我们还需要搜索是使用 StandardScaler 还是不使用预处理。我们知道，RandomForestClassifier 不需要预处理。我们先定义管道。这里我们显式地对步骤命名。我们需要两个步骤，一个用于预处理，然后是一个分类器。我们可以用 SVC 和 StandardScaler 来将其实例化：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVCpipe = Pipeline([('preprocessing', StandardScaler()), ('classifier', SVC())])

现在我们可以定义需要搜索的 parameter_grid 。我们希望 classifier 是 RandomForestClassifier 或 SVC 。由于这两种分类器需要调节不同的参数，并且需要不同的预处理，所以我们可以使用之前的“在非网格的空间中搜索”中所讲的搜索网格列表。为了将一个估计器分配给一个步骤，我们使用步骤名称作为参数名称。如果我们想跳过管道中的某个步骤（例如，RandomForest 不需要预处理），则可以将该步骤设置为 None ：

from sklearn.ensemble import RandomForestClassifierparam_grid = [{'classifier': [SVC()], 'preprocessing': [StandardScaler(), None],'classifier__gamma': [0.001, 0.01, 0.1, 1, 10, 100],'classifier__C': [0.001, 0.01, 0.1, 1, 10, 100]},{'classifier': [RandomForestClassifier(n_estimators=100)],'preprocessing': [None], 'classifier__max_features': [1, 2, 3]}]

现在，我们可以像前面一样将网格搜索实例化并在 cancer 数据集上运行：

from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_breast_cancer# 加载并划分数据
cancer = load_breast_cancer()X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=0)grid = GridSearchCV(pipe, param_grid, cv=5)
grid.fit(X_train, y_train)print("Best params:\n{}\n".format(grid.best_params_))
print("Best cross-validation score: {:.2f}".format(grid.best_score_))
print("Test-set score: {:.2f}".format(grid.score(X_test, y_test)))

Best params:
{'classifier': SVC(), 'classifier__C': 10, 'classifier__gamma': 0.01, 'preprocessing': StandardScaler()}Best cross-validation score: 0.99
Test-set score: 0.98

网格搜索的结果是 SVC 与 StandardScaler 预处理，在 C=10 和 gamma=0.01 时给出最佳结果。

附录

一、参考文献

参考文献：[德] Andreas C. Müller [美] Sarah Guido 《Python Machine Learning Basics Tutorial》

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/web/19448.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

留言板——增添功能(持久化存储数据，使用MyBatis)

留言板——增添功能(持久化存储数据，使用MyBatis)

目录 一、数据准备 二、引入MyBatis 和 MySQL驱动依赖 三、配置MySQL账号密码 四、编写后端代码 五、调整前端代码 六、测试 之前的代码：综合性练习（后端代码练习3）——留言板_在线留言板前后端交互-CSDN博客 一、数据准备 创建数据库…
阅读更多...
公司生产环境AWX配置的操作与部署说明

公司生产环境AWX配置的操作与部署说明

一、模板 模板名称，见名知义项目：ansible脚本所在的位置，可以是本地，也可以是远程分布式配置，比如gitlab。（详见下文）PLAYBOOK：ansible运行的入口凭证作业标签：任务的细分…
阅读更多...
2024 RCTF WebMisc部分 WP

2024 RCTF WebMisc部分 WP

Misc gogogo 考点:内存取证 得到 gogogo.raw 内存取证的题用volatility和AXIOM结合分析 AXIOM 分析存在云服务 但是百度网盘要密码 https://pan.baidu.com/share/init?surlZllFd8IK-oHvTCYl61_7Kw 发现访问过sqlite数据库 可以尝试提取数据库文件出来 结合 volatility 第…
阅读更多...
知识库管理系统：是什么、作用、如何搭建

知识库管理系统：是什么、作用、如何搭建

你有没有遇到过这种情况：在工作中想要查找某个信息，查找了很多个文档还是没找到准确的信息；或者在团队中，总是在重复做着相同的资料搜集工作，浪费了大量时间和精力？如果你在烦恼这个问题，那么跟…
阅读更多...
替换字符串

替换字符串

自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 sub()方法用于实现字符串替换，语法格式如下： re.sub(pattern, repl, string, count, flags) 参数说明： l pat…
阅读更多...
软件测试可发现所有bug吗?有什么样的原则和目的?

软件测试可发现所有bug吗?有什么样的原则和目的?

在今天的高度数字化时代，软件测试的重要性不可忽视。这是一种系统性的过程，通过对软件系统进行评估和验证，以确定其是否满足预期要求。在软件开发的各个阶段，软件测试都扮演着至关重要的角色。它涉及到软件功能、性能、安全性等多…
阅读更多...
在CentOS系统上安装Oracle JDK(华为镜像)

在CentOS系统上安装Oracle JDK(华为镜像)

在CentOS系统上安装Oracle JDK(华为镜像) 先爱上自己，再遇见爱情，不庸人自扰，不沉溺过去，不为自己的敏感而患得患失，不为别人的过失而任性，这才是终身浪漫的开始。 https://repo.huaweicloud.com/java/jdk …
阅读更多...
C++学习第十一天——vector的模拟实现

C++学习第十一天——vector的模拟实现

✨ 生于火焰，落俗不可避免，但浪漫至死不渝 🌏 📃个人主页：island1314 🔥个人专栏：C学习 🚀 欢迎关注：👍点赞 &…
阅读更多...
DevExpress开发WPF应用实现对话框总结

DevExpress开发WPF应用实现对话框总结

说明： 完整代码Github​（https://github.com/VinciYan/DXMessageBoxDemos.git）DevExpree v23.2.4（链接：https://pan.baidu.com/s/1eGWwCKAr8lJ_PBWZ_R6SkQ?pwd9jwc 提取码：9jwc）使用Visual St…
阅读更多...
基于Spring前后端分离版本的论坛系统-自动化测试

基于Spring前后端分离版本的论坛系统-自动化测试

目录 前言 一、测试环境 二、环境部署 三、测试用例 四、执行测试 4.1、公共类设计 创建浏览器驱动对象 测试套件 释放驱动类 4.2、功能测试 注册页面 登录页面 版块 帖子 用户个人中心页 站内信 4.3、界面测试 注册页面 登录页面 版块 帖子 用户个人中心页…
阅读更多...
Redis实战篇3：优惠券秒杀

Redis实战篇3：优惠券秒杀

说明 该实战篇基于某马的Redis课程中的《某马点评项目》。非常适合有相关经验、缺少企业级解决方案，或者想要复习的人观看，全篇都会一步一步的推导其为什么要这么做，分析其优缺点，达到能够应用的地步。 本实战篇中心思想就是把项目…
阅读更多...
Mariadb操作命令指南

Mariadb操作命令指南

MariaDB简介 ​ 以下内容仅是站长或网友个人学习笔记、总结和研究收藏。不保证正确性，因使用而带来的风险与本站无关！ 数据库应用程序与主应用程序分开存在，并存储数据集合。 每个数据库都使用一个或多个API来创建，访问&#xf…
阅读更多...
分立元件实现稳压

分立元件实现稳压

电路原理图 优点：电压精度高，可以调整输出电压 缺点：压差大时效率较低，发热严重。 参考连接 TL431-高效5V精密稳压器-电路知识干货 (qq.com)https://mp.weixin.qq.com/s?__bizMzkxNzIxNTc5OQ&mid2247484878&idx1&…
阅读更多...
操作系统教材第6版——个人笔记1

操作系统教材第6版——个人笔记1

第一章 计算机操作系统概述 操作系统是计算机系统中最重要的系统软件，它统一管理计算机系统的硬件资源与信息资源，控制与调度上层软件的执行并为其提供易于使用的接口。从资源管理、程序控制、操作控制、人机交互、程序接口、系统结构6个角度深入观察操…
阅读更多...
Github 如何配置 PNPM 的 CI 环境

Github 如何配置 PNPM 的 CI 环境

最近出于兴趣在写一个前端框架 echox，然后在 Github 上给它配置了最简单的 CI 环境，这里简单记录一下。 特殊目录 首先需要在项目根目录里面创建 Github 仓库中的一个特殊目录：.github/workflows，用于存放 Github Actions 的工作…
阅读更多...
269 基于matlab的四连杆机构动力学参数计算

269 基于matlab的四连杆机构动力学参数计算

基于matlab的四连杆机构动力学参数计算。将抽油机简化为4连杆机构，仿真出悬点的位移、速度、加速度、扭矩因数、游梁转角等参数，并绘出图形。程序已调通，可直接运行。 269机构动力学参数计算 位移、速度、加速度 - 小红书 (xiaohongshu.com)
阅读更多...
段码屏|液晶显示模块|超低功耗LCD驱动芯片

段码屏|液晶显示模块|超低功耗LCD驱动芯片

1 简介 PC164S32 是一款支持 128 点 (32 4)显示 的多功能 LCD 控制器芯片，内部存储器RAM数据直接映射到 LCD 显示。可软件配置特性使其适用于包括 LCD 模块和显示子系统在内的多种 LCD 应用。主控制器与 PC164S32接口仅需3 或 4 条线。内置的省电模式极大的降低了功…
阅读更多...
我给线程池管理框架hippo4j找bug

我给线程池管理框架hippo4j找bug

1 虚拟机参数不生效 hippo4j的docker启动脚本位于 docker/docker-startup.sh 。从下图可以看到 JAVA_OPT放在了jar包名 hippo4j-server.jar之后，而只有项目参数才放在jar包名之后。 实际上这里JAVA_OPT中包含虚拟机参数，而虚拟机参数要放在jar包名之前…
阅读更多...
使用 CNN 训练自己的数据集

使用 CNN 训练自己的数据集

CNN（练习数据集） 1.导包：2.导入数据集：3. 使用image_dataset_from_directory()将数据加载tf.data.Dataset中：4. 查看数据集中的一部分图像，以及它们对应的标签：5.迭代数据集 train_ds&#xff0…
阅读更多...
【漏洞复现】DT-高清车牌识别摄像机 任意文件读取漏洞

【漏洞复现】DT-高清车牌识别摄像机 任意文件读取漏洞

0x01 产品简介 DT-高清 车牌识别摄像机是一款先进的安防设备，采用高清图像传感器和先进的识别算法，能够精准、快速地识别车牌信息。其高清晰该摄像机结合了智能识别技术，支持实时监宴图像质量确保在各种光照和天气条件下都能准确捕捉车牌信息…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023