深度学习代码学习笔记2

1、torch.max

correct = 0
total = 0
for xb,yb in valid_dl:outputs = model(xb)_,predicted = torch.max(outputs.data,1)total += yb.size(0)  #yb.size(0) 返回的是张量 yb 在第 0 维的大小，也就是 yb 中的样本数量。correct += (predicted == yb).sum().item()  
print('正确率：%d %%'%(100 * correct /total))

def accuracy(predictions, labels):# predictions.data 是模型的预测结果# torch.max(predictions.data, 1) 返回每一行的最大值和对应的索引。 # [1] 表示我们只关心索引，即选择模型预测类别的索引。pred = torch.max(predictions.data, 1)[1]   # 取出每一行的最大值索引，得到预测类别# labels.data.view_as(pred) 将 labels 调整为与 pred 形状一致，方便比较# eq() 函数逐元素比较 pred 和 labels 的值，如果相等返回 True，不相等返回 Falserights = pred.eq(labels.data.view_as(pred)).sum()  # 统计预测正确的样本数'''pred.eq(labels.data.view_as(pred)):pred 是模型预测的类别（索引形式）。
labels.data.view_as(pred) 将标签（真实类别）转换为与 pred 相同的形状（通常是一个一维向量），这样就可以逐元素比较。
eq() 是 torch 中的一个方法，用于比较两个张量的元素，返回一个布尔张量，元素相等则返回 True，否则返回 False。'''# 返回正确的数量以及总样本数return rights, len(labels)

torch.max(input, dim)：

  • 输入：一个张量 input，以及一个维度 dim。
  • 输出：返回一个元组 (values, indices):
    • values：沿着 dim 维度的最大值。
    • indices：最大值对应的索引。

torch.max(outputs.data, 1)与torch.max(outputs.data, 0)

如果 outputs 的形状是 [784, 10]，这意味着你有 784 个样本，每个样本对应 10 个类的输出（比如 logits 或预测值）。在这种情况下，torch.max(outputs.data, 1) 和 torch.max(outputs.data, 0) 的结果含义会有所不同，具体如下：

1. torch.max(outputs.data, 1)

  • 维度：dim=1

  • 操作：沿着第二维（每个样本的类别）查找最大值。

  • 输出：

    • 返回一个张量，其中包含每个样本的最大值（即 logits 的最高值），以及一个索引张量，表示该最大值对应的类别。
    • 输出形状为 [784] 和 [784]（索引），表示每个样本的预测类别。

  • 示例：

    import torch# 假设 outputs 是 [784, 10] 的张量
outputs = torch.randn(784, 10)  # 随机生成示例输出max_values, predicted = torch.max(outputs.data, 1)  # 查找每个样本的最大值及其对应的索引。outputs.data[i][0]---outputs.data[i][9]
print(predicted)  # 输出：每个样本的预测类别（索引）

2. torch.max(outputs.data, 0)

  • 维度：dim=0

  • 操作：沿着第一维（所有样本）查找每个类别的最大值。

  • 输出：

    • 返回一个张量，包含每个类别在所有样本中的最大值，以及对应的索引。
    • 输出形状为 [10]（最大值）和 [784]（索引），表示每个类别在 784 个样本中的最大值。

  • 示例：

    import torch# 假设 outputs 是 [784, 10] 的张量
outputs = torch.randn(784, 10)  # 随机生成示例输出max_values, indices = torch.max(outputs.data, 0)  # 查找每个类别的最大值及其对应的样本索引
print(max_values)  # 输出：每个类别的最大值
print(indices)     # 输出：每个最大值对应的样本索引

总结

操作维度输出形状作用
torch.max(outputs, 1)1[784] (最大值), [784] (索引)返回每个样本的最大值及对应的类索引（预测类别）
torch.max(outputs, 0)0[10] (最大值), [784] (索引)返回每个类别在所有样本中的最大值及对应的样本索引

因此，当 outputs 的形状是 [784, 10] 时，选择 torch.max(outputs.data, 1) 可以用来获取每个样本的预测类别，而 torch.max(outputs.data, 0) 可以用来分析每个类别在样本中的最大预测值。

2、Dropout

关于 Dropout(0.5) 的理解，我们来详细说明一下它的工作原理。

Dropout 的工作原理

  1. 定义：

    • Dropout(0.5) 表示在每次前向传播中，每个神经元有 50% 的概率被“丢弃”。这意味着有 50% 的神经元在当前迭代中不会参与计算，输出值被设置为 0。

  2. 示例：

    • 假设你的输入张量形状为 [64, 784]，这里 64 是批量大小，784 是每个样本的特征数（例如，一个 28x28 的图像展平后得到的特征向量）。
    • 在前向传播中，Dropout 会随机选择 50% 的神经元进行丢弃。重要的是，这并不意味着只会有 32 个神经元参与计算，而是对于每个样本（每一行），可能有一部分神经元会被丢弃。

具体过程

  • 对于输入的每个样本（每一行），Dropout 会独立地选择哪些神经元被丢弃。例如，假设我们有以下输入：

    Input (x): [64, 784] (64 个样本，每个样本 784 个特征)

  • ==在每次前向传播时，Dropout 会随机将某些特征（神经元）设置为 0。==比如说，某次前向传播可能会得到如下的输出：

    Output (x'): [64, 784] (仍然是 64 个样本，但某些特征被置为 0)

    Sample 1: [0.5, 0, 0.2, 0, 0.8, ...]  # 一些神经元被丢弃
Sample 2: [0, 0.3, 0, 0.9, 0.7, ...]  # 不同的丢弃情况

关键点

  • 样本数量不变：输入张量的形状 [64, 784] 在经过 Dropout 后仍然是 [64, 784]，而不是 [32, 784]。每个样本都有 784 个特征（神经元）。
  • 随机性：每次前向传播时丢弃的神经元都是随机的，不同的迭代可能会丢弃不同的神经元。
  • 训练与推理：在训练时使用 Dropout，而在推理（测试）时，所有神经元都被使用，通常输出会根据 Dropout 的比例进行缩放（乘以保留的概率）。

总结

  • Dropout 会随机丢弃一些神经元的输出，但并不改变输入的样本数量和形状。输入 [64, 784] 经过 Dropout 处理后，仍然是 [64, 784]，只是某些神经元的输出被置为 0。

2、常用模块

这些包在 Python 中有各自的作用，通常用于处理图像、文件操作和时间管理等。下面我逐一解释这些包的功能及其典型用途。

1. imageio

  • 作用：

    • imageio 是一个用于读取和写入图像、视频、动图等多媒体文件的库。
    • 它支持多种图像格式，如 PNG、JPEG、GIF、TIFF，以及视频格式，如 MP4、AVI 等。
    • 常用于读取图片或视频帧、保存图片、生成 GIF 等。

  • 常用方法：

    • imageio.imread()：读取图像文件。
    • imageio.imwrite()：保存图像文件。
    • imageio.mimwrite()：保存多张图像作为 GIF 动图。
    • imageio.get_reader() 和 imageio.get_writer()：用于读取或写入视频。

  • 示例：

    import imageio
img = imageio.imread('image.png')  # 读取图片
imageio.imwrite('new_image.png', img)  # 保存图片

2. time

  • 作用：

    • time 是 Python 的标准库，用于处理时间相关的任务。
    • 它可以获取当前时间、暂停程序执行、格式化时间、计算时间差等。

  • 常用方法：

    • time.time()：返回当前时间的时间戳（从 1970 年 1 月 1 日以来的秒数）。
    • time.sleep(seconds)：暂停程序执行指定的秒数。
    • time.localtime()：将时间戳转换为结构化时间。
    • time.strftime()：格式化时间为字符串。

  • 示例：

    import time
print(time.time())  # 输出当前时间的时间戳
time.sleep(2)  # 暂停程序执行 2 秒

3. copy

  • 作用：

    • copy 是 Python 的标准库，提供了对象的浅复制和深复制功能。
    • 浅复制 只复制对象的引用，某些情况下修改副本会影响原对象。
    • 深复制 递归复制对象中的所有内容，副本与原对象完全独立。

  • 常用方法：

    • copy.copy()：执行浅复制。
    • copy.deepcopy()：执行深复制。

  • 示例：

    import copy
original = [1, 2, [3, 4]]
shallow_copy = copy.copy(original)  # 浅复制
deep_copy = copy.deepcopy(original)  # 深复制

4. PIL.Image（Pillow）

  • 作用：

    • PIL（Python Imaging Library）是一个强大的图像处理库，后来被分支为 Pillow，用于处理图像文件的读取、操作和保存。
    • 它支持多种图像格式（如 JPEG、PNG、BMP 等），并提供丰富的图像操作功能，如裁剪、缩放、旋转、滤镜处理等。

  • 常用方法：

    • Image.open()：打开图像文件。
    • Image.save()：保存图像文件。
    • Image.resize()：调整图像大小。
    • Image.rotate()：旋转图像。
    • Image.convert()：转换图像模式（如 RGB、灰度等）。

  • 示例：

    from PIL import Image
img = Image.open('image.jpg')  # 打开图片
img = img.resize((100, 100))  # 调整图片大小
img.save('resized_image.jpg')  # 保存图片

总结

  • imageio：用于读取和保存多媒体文件（图像、视频、GIF等）。
  • time：用于时间处理，如暂停、获取当前时间等。
  • copy：用于对象的浅复制和深复制。
  • PIL.Image：图像处理库，支持多种图像操作（读取、保存、裁剪、旋转等）。

这些库在图像处理、时间控制和数据复制中被广泛使用，通常会用于一些涉及图片、视频的应用中，如机器学习的预处理、生成 GIF、视频分析等。

3、datasets.ImageFolder

当你使用 torchvision.datasets.ImageFolder 给定一个 root 目录时，root 是一个包含子文件夹的主目录。ImageFolder 并不会直接加载 root 目录下的所有图片，而是会查找 root 目录下每个子文件夹，并将这些子文件夹中的图片归类到对应的类别。

具体行为如下：

  1. 子文件夹代表类别：ImageFolder 会将 root 目录下的每一个子文件夹的名称作为类别标签。每个子文件夹内部的所有图片都被视为属于该类别。

    例如，假设你的 root 目录结构如下：

    root/├── cat/│   ├── image1.jpg│   ├── image2.jpg└── dog/├── image1.jpg├── image2.jpg
    • 在这种情况下，cat 文件夹中的图片会被分配标签 0，dog 文件夹中的图片会被分配标签 1。
    • 图片路径 root/cat/image1.jpg 会被标记为类别 0，而 root/dog/image1.jpg 会被标记为类别 1。

  2. 图片的加载顺序：ImageFolder 会递归地遍历每个类别文件夹下的所有图片，并按文件路径的顺序加载它们。

  3. 文件类型：ImageFolder 只会加载文件扩展名符合常见图片格式的文件（如 .jpg, .png, .bmp 等）。

因此，ImageFolder 只加载 root 目录中的子文件夹内的图片，而不会直接加载 root 目录中的图片（如果 root 目录本身包含图片，这些图片将会被忽略）。

举个例子

假设 root 目录为 data/train/，结构如下：

data/train/├── class1/│   ├── img1.jpg│   ├── img2.jpg├── class2/│   ├── img3.jpg│   ├── img4.jpg

使用 ImageFolder 加载该数据集：

from torchvision import datasets, transforms# 定义图像预处理
transform = transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor()
])# 加载数据集
dataset = datasets.ImageFolder(root='data/train/', transform=transform)# 输出类别和样本数
print(f'类别：{dataset.class_to_idx}')  # 类别标签映射 {'class1': 0, 'class2': 1}
print(f'数据集大小：{len(dataset)}')  # 数据集大小，应该是4张图片

总结：

  • ImageFolder 会遍历 root 目录下的每个子文件夹，并将子文件夹中的图片分配到对应的类别。
  • 如果 root 目录下有图片但没有子文件夹，这些图片将会被忽略。

4、数据集

batch_size = 128image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'valid']}  #同时读入了数据和标签
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True) for x in ['train', 'valid']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'valid']}
class_names = image_datasets['train'].classes #标签名

这两行代码：

image, label = image_datasets['train'][0]  #train的第一张图片
print(image_datasets['train'])
print(image.shape,label)  
print(image[0])    #这是图像的第一个通道（通常是 RGB 图像的红色通道）

Dataset ImageFolderNumber of datapoints: 6552Root location: ./data/flower_data/trainStandardTransform
Transform: Compose(Resize(size=[96, 96], interpolation=bilinear, max_size=None, antialias=True)RandomRotation(degrees=[-45.0, 45.0], interpolation=nearest, expand=False, fill=0)CenterCrop(size=(64, 64))RandomHorizontalFlip(p=0.5)RandomVerticalFlip(p=0.5)ColorJitter(brightness=(0.8, 1.2), contrast=(0.9, 1.1), saturation=(0.9, 1.1), hue=(-0.1, 0.1))RandomGrayscale(p=0.025)ToTensor()Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]))
torch.Size([3, 64, 64]) 0
tensor([[-0.1828, -0.2342, -0.2856,  ..., -1.6213, -1.6213, -1.7069],[-0.1999, -0.2856, -0.3198,  ..., -1.5357, -1.6213, -1.7069],[-0.2856, -0.3541, -0.4226,  ..., -1.5014, -1.6213, -1.6898],...,[-1.2959, -1.3130, -1.3815,  ..., -1.1075, -1.1418, -0.8849],[-1.2959, -1.3302, -1.4158,  ..., -1.0219, -1.0904, -0.7308],[-1.2959, -1.3473, -1.4500,  ..., -0.9877, -1.0733, -0.6623]])

#print(image_datasets['train'][0].shape)
print(image_datasets['train'][0][0][0].shape) #训练集第一个文件夹的第一张图片的B通道有负数，因为被标准化了 #训练集第一个文件夹的第一张图片的B通道有负数，因为被标准化了
print(image_datasets['train'][0][0][0])

torch.Size([64, 64])
tensor([[-1.7925, -1.8097, -1.7925,  ..., -0.9877, -1.0733, -1.1075],[-1.7754, -1.7754, -1.8268,  ..., -0.9705, -1.0733, -1.1932],[-1.7412, -1.7754, -1.8097,  ..., -1.0390, -1.1589, -1.2274],...,[ 0.3309,  0.4166,  0.4679,  ..., -1.8953, -1.9124, -1.9124],[ 0.3823,  0.4679,  0.4337,  ..., -1.8782, -1.8953, -1.8953],[ 0.5364,  0.4679,  0.5022,  ..., -1.8268, -1.8782, -1.8953]]

  • image_datasets['train'][0] 返回一个元组 (image, label)，其中：

    • image 是经过数据变换后的图像张量。
    • label 是对应的标签（类别）。

    这里，image 是一个三维张量 (C, H, W)，即通道、高度、宽度，label 是一个整数，表示图像的类别。

image, label = image_datasets['train'][0]

这一行将元组解包为 image 和 label，分别表示图片张量和标签。然后你打印 image[0]，即图像张量的第一个通道，以及标签。

在 Python 中，解包（unpacking） 指的是将一个包含多个元素的容器（如元组、列表等）中的各个元素分别赋值给多个变量。解包可以让你快速地从容器中提取元素，方便后续操作。

元组解包

假设你有一个包含两个元素的元组：

tup = (10, 20)

现在，你可以使用解包将 tup 中的两个元素分别赋值给变量 a 和 b：

a, b = tup
print(a)  # 输出 10
print(b)  # 输出 20

在这里，a 被赋值为元组中的第一个元素（10），b 被赋值为第二个元素（20）。这种方式被称为解包。

代码中的解包

在你的代码中：

image, label = image_datasets['train'][0]
  • image_datasets['train'][0] 返回的其实是一个包含两个元素的元组 (image, label)：
    • image 是图像张量。
    • label 是图像对应的标签（类别）。

通过解包，image 和 label 分别被赋值为元组中的第一个和第二个元素。

相当于以下代码：

# 没有解包的情况下：
tup = image_datasets['train'][0]  # tup 是一个元组 (image, label)
image = tup[0]  # 获取第一个元素（图像）
label = tup[1]  # 获取第二个元素（标签）

但是，通过解包，你可以直接用 image, label = image_datasets['train'][0] 一步完成，而不需要额外的 tup[0] 和 tup[1] 访问操作，简化了代码。

总结

解包 就是从元组（或其他容器）中将每个元素分别赋值给多个变量。例如，你可以从 image_datasets['train'][0] 返回的元组中提取出图像张量 image 和对应的标签 label，简化后续代码的处理。

5、优化器&加载保存模型

1. optimizer.param_groups

optimizer.param_groups 是 PyTorch 中优化器的一个属性，表示优化器管理的参数组。每个参数组是一个字典，包含与优化相关的信息，比如模型的参数（权重）、学习率等。

常见内容：
  • params: 这是模型中要更新的参数列表（张量），通常是模型的权重和偏置。
  • lr: 学习率，用于控制梯度下降时的步长。
  • momentum: 动量参数，适用于带动量的优化算法（如 SGD）。
  • weight_decay: 权重衰减（L2正则化）系数。
  • dampening: 动量的抑制因子。
  • nesterov: 是否使用 Nesterov 动量。
示例：
# 打印所有参数组信息
for param_group in optimizer.param_groups:print(param_group)
示例输出（一个带有动量的 SGD 优化器）：
{'params': [tensor1, tensor2, ...], 'lr': 0.001, 'momentum': 0.9, 'weight_decay': 0.01, 'nesterov': True}
  • 这里 params 存储模型中的参数（如权重和偏置），其他则是用于调整这些参数的超参数。

2. model.state_dict()

model.state_dict() 是 PyTorch 中一个非常重要的函数，用于获取模型的参数和持久性状态，并以字典形式返回。这个字典的键是模型中各层的名称，值是这些层对应的张量（即权重和偏置）。

常见用途：
  • 保存模型参数：可以通过 state_dict() 来保存模型的所有参数，通常保存为 .pt 文件。
  • 加载模型参数：通过加载保存的 state_dict() 来恢复模型的参数。
示例：
# 打印模型的 state_dict
for param_tensor in model.state_dict():print(param_tensor, "\t", model.state_dict()[param_tensor].size())
示例输出：
fc.weight      torch.Size([10, 512])
fc.bias        torch.Size([10])
conv1.weight   torch.Size([64, 3, 7, 7])
conv1.bias     torch.Size([64])
  • 输出中，fc.weight 和 fc.bias 是全连接层的权重和偏置，conv1.weight 和 conv1.bias 是卷积层的权重和偏置。
常用操作：

  1. 保存模型参数：

    torch.save(model.state_dict(), 'model_weights.pth')

  2. 加载模型参数：

    model.load_state_dict(torch.load('model_weights.pth'))

总结：

  • optimizer.param_groups：包含优化器参数和超参数（如学习率、动量等），帮助控制模型权重的更新过程。
  • model.state_dict()：保存或加载模型的所有参数（权重、偏置等），通常用于模型的持久化和恢复。

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/bicheng/56896.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

[Halcon矩阵] 通过手眼标定矩阵计算相机旋转角度

[Halcon矩阵] 通过手眼标定矩阵计算相机旋转角度

📢博客主页：https://loewen.blog.csdn.net📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！📢本文由 丶布布原创，首发于 CSDN，转载注明出处🙉📢现…
阅读更多...
C++服务端的配置文件库介绍

C++服务端的配置文件库介绍

文章目录 1. inih 库原理使用方法 2. Boost.PropertyTree 库原理使用方法 3. jsoncpp 库原理使用方法 在 C 项目中，灵活地读取用户配置是提升软件可用性的重要部分。本文将介绍几种常见的 C 配置库，包括它们的原理和使用方法。 1. inih 库 原理 inih …
阅读更多...
桥接模式、NAT模式 和 主机模式（Host-Only）区别

桥接模式、NAT模式 和 主机模式（Host-Only）区别

在虚拟化和网络配置中，桥接模式、NAT模式 和 主机模式（Host-Only）是虚拟机常用的网络连接模式。它们各自的网络特性和使用场景不同。下面详细分析它们的区别和适用场景。 1. 桥接模式 (Bridged Mode) 原理： 虚拟机的网卡会直接与…
阅读更多...
06.队列介绍+实现

06.队列介绍+实现

目录 一、队列的概念 二、队列的实现 1、头文件定义 2、功能函数实现 3、主函数测试 一、队列的概念 队列就像吃饭排队类似，先来先吃，先进先出。 队头：队列的头部。 队尾：队列的尾部。 入队：在队尾操作。 出队&…
阅读更多...
根据输入的速度梯度张量A和涡量w计算得到李太克斯（Liutex）相关的量，包括r（可能是一个向量）、R和Omega

根据输入的速度梯度张量A和涡量w计算得到李太克斯（Liutex）相关的量，包括r（可能是一个向量）、R和Omega

这段代码是用一种可能类似于 MATLAB 的语言编写的函数，其主要功能是根据输入的速度梯度张量A和涡量w计算得到李太克斯（Liutex）相关的量，包括r（可能是一个向量）、R和Omega。 具体步骤如下： 首先&…
阅读更多...
SpringBoot实现的物流优化策略

SpringBoot实现的物流优化策略

1系统概述 1.1 研究背景 随着计算机技术的发展以及计算机网络的逐渐普及，互联网成为人们查找信息的重要场所，二十一世纪是信息的时代，所以信息的管理显得特别重要。因此，使用计算机来管理智能物流管理系统的相关信息成为必然。开发…
阅读更多...
STM32—BKP备份寄存器RTC实时时钟

STM32—BKP备份寄存器RTC实时时钟

1.BKP简介 BKP(Backup Registers)备份寄存器BKP可用于存储用户应用程序数据。当VDD（2.0~3.6V）电源被切断，他们仍然由VBAT(1.8~3.6V)维持供电。当系统在待机模式下被唤醒，或系统复位或电源复位时，他们也不会被复位TAMP…
阅读更多...
如果用Java设计MySQL中表级锁、行级锁和间歇锁会是怎么的？

如果用Java设计MySQL中表级锁、行级锁和间歇锁会是怎么的？

在 MySQL 中，锁机制是确保数据一致性和并发控制的重要手段。MySQL 支持多种锁类型，包括表级锁、行级锁等，每种锁的适用场景、影响范围和实现机制各不相同。我们将逐一介绍它们，并通过模拟代码展示不同锁的实现。 1. 锁类型及其影…
阅读更多...
【GAMES101笔记速查——Lecture 16 Ray Tracing4】

【GAMES101笔记速查——Lecture 16 Ray Tracing4】

上节课的内容：辐射度量学、光线传播、反射方程、渲染方程、全局光照、概率论复习 这节课要介绍一种真实的渲染方法-蒙特卡洛路径追踪 目录 1 简单回顾 1.1 渲染方程（The Rendering Equation） 1.2 概率 2 蒙特卡洛积分（Monte…
阅读更多...
ubuntu 24.04 下载安装离线包，ubuntu 24.04 配置xrdp

ubuntu 24.04 下载安装离线包，ubuntu 24.04 配置xrdp

ubuntu 24.04 配置xrdp 1. 安装gnome-tweaks sudo apt install gnome-tweaks 2. 配置 cat <<EOF > ~/.xsessionrc export GNOME_SHELL_SESSION_MODEubuntu export XDG_CURRENT_DESKTOPubuntu:GNOME export XDG_CONFIG_DIRS/etc/xdg/xdg-ubuntu:/etc/xdg EOF 3.…
阅读更多...
使用poi-tl动态写入目录更新问题解决

使用poi-tl动态写入目录更新问题解决

在使用poi-tl动态写完word后&#xff0c;是无法更新目录的&#xff0c;使用poi-tl提供的插件也是不行的&#xff0c;而且很多使用poi手动写入的也是不行&#xff0c;最多就是让你在打开文件时提示你更新目录/更新域&#xff0c;用户体验很差&#xff0c;要点击好几次而且wps还不…
阅读更多...
SQL Injection | SQL 注入概述

SQL Injection | SQL 注入概述

关注这个漏洞的其他相关笔记&#xff1a;SQL 注入漏洞 - 学习手册-CSDN博客 0x01&#xff1a;SQL 注入漏洞介绍 SQL 注入就是指 Web 应用程序对用户输入数据的合法性没有判断&#xff0c;前端传入后端的参数是可控的&#xff0c;并且参数会带入到数据库中执行&#xff0c;导致…
阅读更多...
(10) GTest c++单元测试（mac版）

(10) GTest c++单元测试（mac版）

文章目录 概要安装实现机制-断言&#xff08;简单、独立的测试&#xff09;实现机制-测试套件实现机制-Test Fixture和事件 概要 官方文档 https://google.github.io/googletest/ 安装 git clone https://github.com/google/googletestcd googletestmkdir build && c…
阅读更多...
JavaScript 了解专用工作者线程

JavaScript 了解专用工作者线程

目录 一、何为专用工作者线程二、专用工作者线程的全局对象三、创建专用工作者线程的方法四、专用工作者线程特点END 一、何为专用工作者线程 最简单的WEB工作者线程,执行在页面加载外的其他任意如网络请求,繁杂计算操作并可以与页面通信. 二、专用工作者线程的全局对象 专用…
阅读更多...
十、结构型（外观模式）

十、结构型（外观模式）

外观模式&#xff08;Facade Pattern&#xff09; 概念 外观模式&#xff08;Facade Pattern&#xff09;是一种结构型设计模式&#xff0c;旨在为复杂子系统提供一个简化的统一接口。通过外观模式&#xff0c;客户端可以与子系统交互&#xff0c;而无需了解子系统的内部复杂性…
阅读更多...
数字化营销助企业在生态平台实现内卷突围

数字化营销助企业在生态平台实现内卷突围

在当今数字化时代&#xff0c;企业竞争激烈&#xff0c;内卷化严重。而数字化生态平台建设与数字化营销为企业带来了新机遇。 数字化生态平台意义重大。它能整合企业内外资源&#xff0c;提高运营效率。打破地域限制&#xff0c;拓展市场&#xff0c;吸引更多客户。还能为企业创…
阅读更多...
AdGuard v4.7.61 拦截所有广告 解锁高级版

AdGuard v4.7.61 拦截所有广告 解锁高级版

AdGuard v4.7.61 拦截所有广告 解锁高级版 下载链接&#xff1a;夸克网盘分享
阅读更多...
三、MyBatis实践(3)：多表映射,动态语句,高级扩展

三、MyBatis实践(3)：多表映射,动态语句,高级扩展

三、MyBatis多表映射 3.1 多表映射概念 多表查询结果映射思路 上面课程中&#xff0c;我全面讲解了单表的mybatis操作&#xff01;但是开发中更多的是多表查询需求&#xff0c;这种情况我们如何让进行处理&#xff1f; MyBatis 思想是&#xff1a;数据库不可能永远是你所想或所…
阅读更多...
【AI副业项目】太离谱了！爆涨粉47W+,下一个风口项目AI+大健康养S赛道，单月变现30W，教你如何用AI做爆款健康养生账号

【AI副业项目】太离谱了！爆涨粉47W+,下一个风口项目AI+大健康养S赛道，单月变现30W，教你如何用AI做爆款健康养生账号

我一直说小红薯平台是最适合新手素人做的平台&#xff0c;去中心化的平台&#xff0c;任何普通人都可以在这个平台分一杯羹的平台。 但但但是很多朋友发小红薯作品都是超低的小眼睛&#xff0c;连最基本的流量都没拿到。 从他们的经历来看就是小红薯太难做了。那是没有掌握技…
阅读更多...
【Vue】Vue3.0 （十二）、watchEffect 和watch的区别及使用

【Vue】Vue3.0 （十二）、watchEffect 和watch的区别及使用

上篇文章&#xff1a; 【Vue】Vue3.0 &#xff08;十二&#xff09;、watch对ref定义的基本类型、对象类型&#xff1b;reactive定义的对象类型的监视使用 &#x1f3e1;作者主页&#xff1a;点击&#xff01; &#x1f916;Vue专栏&#xff1a;点击&#xff01; ⏰️创作时间&…
阅读更多...
最新文章

Copyright @ 2022~2023