当前位置: 首页 > news >正文

【大模型】ChatGPT 提示词优化进阶操作实战详解

目录

一、前言

二、ChatGPT 提示词几个基本的优化原则

2.1 明确的提示词

2.1.1 提示词具体而清晰

2.1.1.1操作案例演示

2.2 确定焦点

2.2.1 操作案例演示

2.3 保持提示词的相关性

2.3.1 什么是相关性

2.3.2 提示词相关性操作案例一

2.3.2 提示词相关性操作案例二

三、ChatGPT 提示词进阶及常用优化策略

3.1 提示词常用优化策略总结

3.2 ChatGPT 提示词优化操作实战

3.2.1 身份设定

3.2.1.1 操作案例

3.2.2 使用明确的提示词

3.2.2.1 操作案例

3.2.3 提示词突出主题

3.2.3.1 操作案例

3.2.4 提供背景信息

3.2.4.1 操作案例

3.2.5 使用引导性语言

3.2.5.1 操作案例

3.2.6 分段提问,逐步深入

3.2.6.1 操作案例

3.2.7 指定回答格式

3.2.7.1 操作案例

3.2.8 提供参考示例

3.2.8.1 操作案例

四、写在文末


一、前言

在使用各种AI工具进行内容创作,对话问答的过程中,相信细心的小伙伴们也留意到了,不管是ChatGPT,还是国内外各种开源大模型AI工具,在与它们进行交互的时候,如果你掌握了一套高效的提示词(Prompt)编写技巧,使用AI工具的时候更加得心应手,从而产出的内容质量也更高,本文将通过实际案例深入探究ChatGPT的提示词优化技巧,掌握了这些技巧将会为你在实际使用包括ChatGPT在内的各种AI工具时,生成更符合预期的内容输出。  

二、ChatGPT 提示词几个基本的优化原则

优化ChatGPT或其他AI聊天机器人的提示词(Prompt)是提高对话质量、准确性和用户体验的关键。以下是一些基本原则和技巧,可以帮助你优化提示词。

2.1 明确的提示词

何谓明确的提示词,可以对照下面几点进行检查

2.1.1 提示词具体而清晰

确保你的问题或请求尽可能具体,避免模糊不清的表述。这就跟有人跟你说,你能给我写一篇文章吗?对于接收者来说,这就不是一个清晰的指令。如果要下发一个清晰而明确的提示词,比如,不要只说“告诉我关于科技的信息”,而是更具体地问:“请列出2023年最重要的五项科技创新。”

2.1.1.1操作案例演示

比如在下面的示例中,我们向GPT发起指令“能帮我写一篇文章吗”,对于GPT来说,这不是一个清晰的指令,所以它给出的回答也很明确,需要提问者给出更多的需求点,也就是要写的这篇文章的详细描述,这也符合我们日常工作过程中的沟通习惯。

如果进一步明确提示词,可以像下面这样问:

帮我写一篇文章,主题是关于职场励志方面的,300字左右,文章结构清晰,富有层次和文采

不难发现,当指令更加明确的时候,GPT给出的答案也更加符合我们预期的需求

2.2 确定焦点

焦点,即聚焦,表示我们给出的提示词需要能够让ChatGPT能够聚焦到一个中心的位置,简单来说,当你跟别人谈事情,或描述一个需求的时候,别人能够从你的描述和表达中抓住重点,这个重点在这里就可以理解为焦点

比如当你跟别人说,“给我推荐一本书”,对听众来说,这个范围太宽泛,就无从说起,但是你说“给我推荐一本关于职场规划的书”,这下子别人就能一下子抓住问题的焦点了,这个焦点就是“职场励志”。

2.2.1 操作案例演示

比如当我向ChatGPT问 “给我推荐一本书” ,可以看到,ChatGPT第一反应也是很难抓住问题的焦点,从而需要提问者给出更多的信息。

此时换另一种方式提问,“给我推荐一本关于职场规划的书”,此时给出的答案就更加符合我们的预期了

再比如,我们问ChatGPT一个关于数据库的优化策略问题,从下面的回答来看,尽管ChatGPT也给出了不少看似专业的方案,但是显得大而全,可能你希望得到的是关于如何优化sql的答案,所以你不妨换下面这样问,让问题更加聚焦。

请提供mysql数据库sql层面常用的优化方式

再比如下面的这样的问题,由于没有明确的焦点,ChatGPT无法确定该推荐什么配置

如果你明确一个焦点,即对于ChatGPT来说,你需要给它一个它可以get到的认为很关键的信息,所以我们换成下面的问题

请推荐一款可以做大数据库开发的电脑

2.3 保持提示词的相关性

2.3.1 什么是相关性

在使用ChatGPT或其他AI聊天机器人时,提示词相关性是指提示词与预期回答之间的匹配程度。一个相关的提示词能够引导AI生成准确、有用且符合用户需求的回复。提高提示词的相关性是确保高质量对话的关键。具体来说,提示词的相关性主要体现在下面几个方面:

  • 单一焦点

    • 尽量让每个提示词专注于一个主要问题或请求,避免同时提出多个不相关的问题。

  • 上下文信息

    • 提供背景:如果需要,为AI提供足够的背景信息,以便它能够更好地理解问题的上下文。这有助于生成更相关和具体的回答。

    • 前后连贯:如果是在多轮对话中,保持提示词之间的连贯性,使AI能够基于之前的对话内容给出更相关的回答。

  • 突出关键词

    • 使用关键词来强调问题的核心部分,帮助AI更快地识别和理解重点。

  • 主题一致

    • 确保提示词中的主题与你期望的回答主题一致,避免偏离主题。

2.3.2 提示词相关性操作案例一

在下面的案例中,我们将chatgpt当作一个专业的理财顾问,用几个相关的问题连续发出指令,从而得到较为深入专业的解答。

问题1:请提供实现财务自由的方法

输入提示词之后,chatgpt给出了关于实现财务自由的一些列切实可行的方法

问题2:请重点谈谈第七点

根据第一次的回答,屏幕前的你可能对其中的某几点很有兴趣,想要进一步深入了解,那么就可以结合这一点继续向ChatGPT提问,由于ChatGPT具备一定的上下文环境文本记忆力,所以我们就第一次的回答选择继续提问是可以的

问题3:详细谈谈如何制定具体的储蓄计划

就问题2的回答,我们对其中的储蓄计划更有兴趣,于是就第二次的回答进一步提问

2.3.2 提示词相关性操作案例二

基于上面的几轮对话,可以看到,如果能够保持每个提示词专注于一个主要问题或请求,ChatGPT能够给出相对专业且准确的回答,紧接着上面的对话,我们在当前的对话窗口中向ChatGPT问另一个领域的问题

问题1:如何成为DBA

很明显,这是一个与上述问题不相关的领域

问题2:聊聊第九点储蓄习惯

这里我们还想紧接着上述对实现财务自由中的某个点希望ChatGPT能够继续回答,从回答的内容来看,尽管给出的答案有一定的参考性,但是脱离了上下文的背景,不一定是最优的结果,即脱离了相关性这个原则

问题3:是否可以再解释下如何制定具体的储蓄计划中的第九点呢

基于上面的这个情况,如果还想紧接着上面关于财务自由中的储蓄计划的问题深入了解的话,就需要让ChatGPT重新回到上面的问题背景中

提示词相关性总结和注意点:

  • 如果是多轮对话,确保对话中的多个问题保持语义上的相关性

    • 即不要一会问经济问题,一会问技术问题,一会问美食,否则给出的答案准确性难以保障;

      • gpt尽管具有一定的记忆力,但是太分散的主题会破坏记忆力的连贯性,从而造成混乱;

  • 保持提示词的连贯性

    • 确保在多轮对话中,你的问题在chatgpt看来是具有连贯性的,而不是东一句西一句的海空天空的聊,这种连贯性在一些模型训练场景中尤为重要;

  • 建议一个对话窗口为某一个单一类型的主题

    • 这样既可以确保对话窗口中ChatGPT的记忆,同时也能让问题的相关性得到长期的保障;

三、ChatGPT 提示词进阶及常用优化策略

优化ChatGPT提示词是提高对话质量和效率的关键,也是人们在跟它进行对话是否能够获取到高质量的答案的关键,在上一小节中,我们谈到了几个关于chatgpt 优化的基本原则,其实也是对于初步接触chatgpt 的同学在于它进行对话时必须要掌握的,接下来,将更加详细的来分享chatgpt 提示词的一些关键的优化策略和使用技巧。

3.1 提示词常用优化策略总结

总的来说,结合实际使用经验,总结如下一些关于chatgpt 提示词的优化使用技巧,提供参考:

  • 使用角色扮演

    • 也称设定身份,通过设定角色从而引导AI进入特定的情境,生成更相关和生动的回答。

      • 好的提示词:假设你是一名资深旅游博主,请写一篇关于云南旅游的攻略;

      • 不好的提示词:写一篇关于旅行的攻略;

  • 提示词明确而具体

    • 确保你的问题或请求尽可能具体和明确,避免模糊不清的表述。

      • 好的提示词:请列出2023年最重要的五项科技创新,并简要描述每项创新的影响。

      • 不好的提示词:告诉我关于科技的信息。

  • 提示词突出主题

    • 即强调重点,让GPT能够捕捉关键信息,可以通过加粗、斜体或使用引号来突出关键词,帮助AI更好地识别关键信息。

      • 不好的提示词:写一篇关于人工智能的文章。

      • 好的提示词:请写一篇关于人工智能的文章,重点讨论其在医疗领域的应用。

  • 提供背景信息

    • 背景即上下文语义信息,在提出问题之前,提供一些必要的背景信息,帮助AI更好地理解你的需求。

      • 不好的提示词:解释一下量子计算。

      • 好的提示词:我正在研究量子计算的基本原理,请解释一下量子比特(qubit)的概念及其在量子计算中的作用。

  • 使用引导性语言

    • 使用指令性动词,比如使用明确的动词,如“解释”、“描述”、“比较”等,从而引导AI完成特定任务。

      • 不好的提示词:我想知道关于气候变化的信息。

      • 好的提示词:请解释气候变化的原因及其对全球环境的影响。

  • 分段提问,逐步深入

    • 分解复杂问题,对于一些复杂的问题,一句提示词很难描述清楚,或者在一次的对话中也很难得到准确的答案,这时可以考虑将其分解为几个小问题,逐个询问,这样更容易得到全面的答案。

      • 不好的提示词:请给我一个详细的市场分析报告,包括行业趋势、竞争对手分析和未来预测。

      • 好的提示词:

        1. 请提供当前行业的总体趋势。

        2. 请列出主要竞争对手,并分析他们的优势和劣势。

        3. 请预测未来五年内该行业的发展趋势。

  • 指定回答格式

    • 明确答案的格式要求:如果你希望GPT的回答以某个特定格式接收答案,可以在提示词中明确指出。

      • 不好的提示词:给我一份项目计划。

      • 好的提示词:请以列表形式给出一个为期三个月的项目计划,包括每个阶段的主要任务和时间表。

  • 提供参考示例

    • 通过提供一个范本或示例,从而进一步澄清你的需求,特别是当需要生成特定类型的文本时,这种方式很有效果。

      • 不好的提示词:写一篇产品描述。

      • 好的提示词:请写一篇产品描述,参考下面的这个示例:[示例链接或示例文本]。

3.2 ChatGPT 提示词优化操作实战

下面结合实际操作详细聊聊如何掌握chatgpt 提示词的常用优化技巧

3.2.1 身份设定

在使用ChatGPT或其他AI聊天机器人时,设定一个明确的身份(或角色)对于提高对话的质量和相关性非常重要。对于GPT来说,当为它设定了身份之后,它就相当于是这个身份,这个领域在非常厉害的人物了,这样给出的回答也会显得更加的专业。

身份设定可以帮助AI更好地理解上下文、调整语气和风格,并生成更符合用户需求的回复。

身份设定的重要性如下:

  • 增强上下文理解

    • 提供背景:通过设定身份,你可以为AI提供更多的背景信息,帮助它更好地理解对话的上下文。例如,如果你设定自己是一名医生,AI会更倾向于使用医学术语和专业知识来回答问题。

    • 一致性:身份设定有助于保持对话的一致性,使AI能够根据设定的角色持续生成相关的回答。

  • 调整语气和风格

    • 专业性:设定特定的身份可以引导AI使用相应的语气和风格。例如,如果你设定自己是一名律师,AI会使用更正式和专业的语言。

    • 个性化:身份设定可以让AI根据不同的角色采用不同的沟通方式,从而让对话更加自然和个性化。例如,设定自己是一名朋友,AI会使用更轻松和友好的语气。

  • 提高回答的相关性

    • 领域知识:通过设定身份,你可以引导AI使用特定领域的知识和术语。例如,如果你设定自己是一名程序员,AI会在回答技术问题时使用编程相关的术语和概念。

    • 目标导向:身份设定可以帮助AI更好地理解你的需求和目标,从而生成更相关的回答。例如,如果你设定自己是一名学生,AI会在回答学习相关的问题时提供更具体的建议和支持。

  • 增强用户体验

    • 互动性:设定身份可以使对话更加互动和有趣。例如,如果你设定自己是一名小说家,AI可以在回答问题时提供更多创意和灵感。

    • 情感连接:通过设定身份,AI可以更好地与用户建立情感连接,使对话更加贴近用户的实际体验。例如,设定自己是一名心理咨询师,AI会使用更具同情心和支持性的语言。

  • 避免误解和歧义

    • 清晰意图:设定身份可以帮助AI更清晰地理解你的意图,减少误解和歧义。例如,如果你设定自己是一名教师,AI会更倾向于提供教育方面的建议和资源。

    • 文化敏感性:通过设定身份,你可以确保AI的回答更加符合特定的文化和社会背景,避免不必要的误解。

  • 提高效率

    • 快速定位:身份设定可以帮助AI更快地定位到你需要的信息和答案,从而提高对话的效率。例如,如果你设定自己是一名市场分析师,AI会在回答市场趋势相关的问题时提供更具体的数据和分析。

    • 减少重复提问:通过设定身份,AI可以更好地记住之前的对话内容,减少重复提问和不必要的解释。

3.2.1.1 操作案例

问题一:我想去桂林玩,帮我制定一份旅游攻略

这里即以普通路人的身份问GPT,希望GPT给出一个旅游攻略

问题二:我想去桂林玩,请你以导游的身份,帮我制定一份旅游攻略

在第二个问题中,我们明确为chatgpt指定了一个“导游”的身份,可以看到相对第一个问题,给出的答案区别就出来了

问题三:我想去桂林玩,请你以导游的身份,帮我制定一份为期3天的旅游攻略,另外我希望日程不要安排的太紧凑,本人更偏向于宁静且能拍照的地方,在回答时,记得附上每个地方的价格,本人预算大概在5000左右

在这个问题中,我们不仅明确了GPT的身份,同时进一步完善了个人的需求

3.2.2 使用明确的提示词

确保你的问题或请求尽可能具体和明确,避免模糊不清的表述。

3.2.2.1 操作案例

问题一:告诉我关于科技的信息。

很明显这个问题不够清晰具体,这在GPT提示词基本的优化原则中也有提到,从GPT的回答来看,答案就很宽泛,因为GPT得到的指令不够明确

问题二:请列出2023年最重要的五项科技创新,并简要描述每项创新的影响。

这个问题我们通过一些关键词,进一步明确了问题的焦点,从而GPT给出的答案也更准确

3.2.3 提示词突出主题

即强调重点,让GPT能够捕捉关键信息,可以通过加粗、斜体或使用引号来突出关键词,帮助AI更好地识别关键信息。

3.2.3.1 操作案例

问题一:写一篇关于人工智能的文章。

尽管我们在问题中突出了人工智能这个主题,但是从答案来看,仍然显得比较宽泛

问题二:请写一篇关于人工智能的文章,重点讨论其在医疗领域的应用,字数500字左右。

在问题一的基础上,我们在提示词中对需要突出的重点进行加粗,从而使主题更明确

3.2.4 提供背景信息

背景即上下文语义信息,在提出问题之前,提供一些必要的背景信息,帮助AI更好地理解你的需求。具体来说提供背景信息的作用如下:

  • 提高理解准确性

    • 明确上下文:背景信息帮助AI更好地理解问题或请求的具体情境。例如,如果你正在询问一个特定历史事件的影响,提供该事件的时间、地点和关键人物可以帮助AI更准确地回答。

    • 减少歧义:背景信息可以消除可能存在的歧义,确保AI正确理解你的意图。例如,如果你提到“苹果”,背景信息可以澄清你是指水果还是科技公司。

  • 增强回答的相关性

    • 针对性回答:通过提供背景信息,AI可以生成更加具体和相关的回答。例如,如果你在询问某个法律问题,并提供了案件的具体情况,AI可以给出更具针对性的法律建议。

    • 避免泛泛而谈:背景信息可以帮助AI避免给出过于泛泛的回答,而是提供更详细和具体的答案。

  • 提高回答的质量

    • 深入分析:背景信息使AI能够进行更深入的分析和推理。例如,如果你在讨论一项新技术的应用,并提供了技术的详细描述,AI可以提供更全面的分析和见解。

    • 专业性:对于专业领域的问题,背景信息可以使AI采用更专业的术语和知识,生成更高水平的回答。

  • 个性化体验

    • 用户需求:背景信息可以帮助AI更好地了解用户的需求和偏好,从而提供更加个性化的回答。例如,如果你在询问旅游建议并提供了你的旅行偏好,AI可以推荐更适合你的目的地和活动。

    • 情感连接:通过背景信息,AI可以更好地与用户建立情感连接,使对话更加贴近用户的实际体验。例如,如果你在讨论个人经历,背景信息可以使AI提供更具同情心和支持性的回答。

3.2.4.1 操作案例

假设你想询问关于某个项目的管理方法,下面是两种提示词,一种提供背景信息,另外一种不提供,通过两种回答效果来看,有了背景信息,GPT给出的答案更加贴合实际业务场景。

问题一:

请告诉我如何有效地管理项目。

问题二

我正在负责一个软件开发项目,团队成员分布在不同的城市,项目周期为6个月。请告诉我如何有效地管理这个项目,特别是远程协作和时间管理方面的建议。

3.2.5 使用引导性语言

在使用ChatGPT或其他AI聊天机器人时,采用引导性语言来提问可以显著提高对话的质量和效率。引导性语言能够帮助AI更好地理解你的需求,并生成更具体、相关且有用的回复。

3.2.5.1 操作案例

问题一,请告诉我关于太阳能发电的信息。

不使用引导语言

问题二,使用引导性语言

请解释一下太阳能发电的基本原理,并列举其在住宅和商业建筑中的应用。此外,请提供一些关于太阳能电池板安装和维护的建议。

通过使用引导性语言,你可以更有效地与ChatGPT互动,获得更具体、相关且高质量的回答。这不仅提高了对话的质量,还增强了用户体验。

3.2.6 分段提问,逐步深入

分解复杂问题,对于一些复杂的问题,一句提示词很难描述清楚,或者在一次的对话中也很难得到准确的答案,这时可以考虑将其分解为几个小问题,逐个询问,这样更容易得到全面的答案。

3.2.6.1 操作案例

比如在下面的案例中,我们向ChatGPT提问写一篇关于竹文化的文章,由于ChatGPT一次性的回答中,文字数量是有限制的,即未能给出完整的回答,在这种情况下,我们就可以分段提问,根据ChatGPT的多次回复,从而得到最终我们想要的答案。

问题一

作为国内顶级985高校的文学院的导师,请帮我写一篇关于竹的长篇文章

得到了上面的回答之后,其实并不是说GPT就完整的回答了这个问题,如果我们认为它还没有回答完整,有两种方式可以让GPT继续这个问题的回答。

方式一:直接输入“继续”

输入继续之后,可以看到GPT基于上一次回答了四个方面的基础上又补充了几点

方式二:找到某一个板块继续深入提问

也可以就其中的某一块内容,如果你觉得chatgpt给出的回答不是很完善,还可以在此基础上继续提问

问题2:

关于第五点:竹在中国哲学与伦理思想中的意义 ,是否可以再深入解答一下

通过这种逐步深入的方式,通过gpt的多次回答,就可以让我们最初的问题得到一个全面而完整的答案。

3.2.7 指定回答格式

即明确答案的格式要求,如果你希望GPT的回答以某个特定格式接收答案,可以在提示词中明确指出。在某些场景下,比如你希望GPT可以给你生成一份工作总结,或者PPT大纲,则需要按照一定的格式输出才方便进行后续的操作,此时就可以指定GPT回答问题时的输出格式。

3.2.7.1 操作案例

问题一:

请以列表形式给出一个为期三个月的项目计划,包括每个阶段的主要任务和时间表。

问题二:

作为一名资深健身教练,请为一个新手制定一份为期3个月的训练计划,并以下面这种格式输出:1、XXX--
2、XXX--
3、XXX--  

不难发现,当你指定了格式要求之后,GPT也能按照你的要求进行输出

3.2.8 提供参考示例

在使用ChatGPT或其他AI聊天机器人时,提供参考示例是一种非常有效的技巧,可以帮助AI更好地理解你的需求,并生成更符合预期的回复,提供参考示例的意义及其好处如下:

. 明确期望

  • 具体化需求

    • 通过提供参考示例,你可以更具体地表达你对输出内容的期望。这有助于AI生成与示例风格、格式和内容相似的回答。

      • 例如,如果你希望AI生成一篇产品描述,提供一个类似的产品描述示例可以让AI更好地理解你需要的风格和细节。

  • 提高相关性

    • 上下文匹配

      • 参考示例提供了具体的上下文,使AI能够更好地理解问题或请求的具体情境,从而生成更相关的回答。

      • 例如,如果你在询问某个技术问题,并提供了一个类似的解决方案示例,AI可以基于这个示例生成更具体的解答。

  • 减少误解

    • 避免歧义:参考示例可以帮助消除可能存在的歧义,确保AI正确理解你的意图。通过示例,你可以清楚地展示你希望得到的内容类型。

      • 例如,如果你在询问关于某个历史事件的影响,并提供了一篇类似的历史分析文章作为参考,AI可以更好地理解你需要的分析深度和角度。

  • 提升回答质量

    • 高质量标准

      • 参考示例通常是你认为高质量的样本,通过提供这样的示例,你可以引导AI生成同样高质量的内容。

      • 例如,如果你希望AI生成一篇研究报告,并提供了一篇高质量的研究报告作为参考,AI可以更好地模仿这种高标准的写作。

  • 节省提示词编写时间

    • 快速理解:参考示例可以帮助AI更快地理解你的需求,从而减少多次提问和调整的时间。

      • 例如,如果你在询问如何写一封求职信,并提供了一封优秀的求职信作为参考,AI可以更快地生成符合要求的求职信草稿。

3.2.8.1 操作案例

假设你想让ChatGPT生成一篇产品描述,如果是不提供参考示例的情况下提问

请为我写一篇关于新款智能手表的产品描述。

提供参考示例的情况下提问

请为我写一篇关于华为P70 系列产品的介绍,我将上传一份示例文档,作为你的参考,如果收到了,请回复:收到

在上传了文档之后,GPT将会读取文档内容,然后重新生成一篇类似的产品介绍

四、写在文末

本文用较大的篇幅详细介绍了CahtGPT等对话大模型中非常重要的提示词常用的优化技巧,并通过案例演示了分析各种技巧的使用场景,其实还是需要在实际工作中多加练习才能深刻体会各种技巧的妙处,并加深对各种技巧的理解,希望对看到的伙伴有用哦,本篇到此结束,感谢观看。

相关文章:

【大模型】ChatGPT 提示词优化进阶操作实战详解

目录 一、前言 二、ChatGPT 提示词几个基本的优化原则 2.1 明确的提示词 2.1.1 提示词具体而清晰 2.1.1.1操作案例演示 2.2 确定焦点 2.2.1 操作案例演示 2.3 保持提示词的相关性 2.3.1 什么是相关性 2.3.2 提示词相关性操作案例一 2.3.2 提示词相关性操作案例二 三…...

【计算机网络】实验11:边界网关协议BGP

实验11 边界网关协议BGP 一、实验目的 本次实验旨在验证边界网关协议(BGP)的实际作用,并深入学习在路由器上配置和使用BGP协议的方法。通过实验,我将探索BGP在不同自治系统之间的路由选择和信息交换的功能,理解其在互…...

【Linux系统】System V 的 IPC 机制在 Linux 系统中的实现

System V 的 IPC(Inter-Process Communication,进程间通信) 机制是 UNIX 系统中的一大特色,用于在不同进程之间共享数据或同步操作。Linux 系统完整实现了 System V 的 IPC 机制,并在其基础上进行了优化和扩展。这些机…...

计算机网络安全

从广义来说,凡是涉及到网络上信息的机密性、报文完整性、端点鉴别等技术和理论都是网络安全的研究领域。 机密性指仅有发送方和接收方能理解传输报文的内容,而其他未授权用户不能解密(理解)该报文报文完整性指报文在传输过程中不…...

30.100ASK_T113-PRO 用QT编写视频播放器(一)

1.再buildroot中添加视频解码库 X264, 执行 make menuconfig Target packages -->Libraries --> Multimedia --> X264 CLI 还需要添加 FFmpeg 2. 保存,重新编译 make all 3.将镜像下载开发板...

攻防世界 ctf刷题 新手区1-10

unserialize3 因为我上个笔记写了 php返序列化 所以先趁热打铁 看这个题目名字 我们就知道是 反序列化呀 因为flag有值所以 我们先输个 111 看看有没有线索 没线索但是这边 有个发现就是他是使用get方式传参的 可能他会把我们的输入 进行传入后台有可能进行反…...

DAY35|动态规划Part03|LeetCode:01背包问题 二维、01背包问题 一维、416. 分割等和子集

目录 01背包理论基础(一) 基本思路 C代码 01背包理论基础(二) 基本思路 C代码 LeetCode:416. 分割等和子集 基本思路 C代码 01背包理论基础(一) 题目链接:卡码网46. 携带研究材料 文字…...

三款电容麦的对比

纸面参数 第一款麦克风 灵敏度: -36 dB 2 dB(0 dB1V/Pa at 1 kHz) 灵敏度较低,需要更高的增益来拾取同样的音量。频率响应: 40 Hz - 18 kHz 响应范围较窄,尤其在高频区域。等效噪音级: ≤18 dB(A计权) 噪…...

【实战攻略】如何从零开始快速实现深度学习新想法?——四步走战略

标题 【实战攻略】如何从零开始快速实现深度学习新想法?——四步走战略 【核心结论】 通过四步走战略,即找到baseline论文、深入baseline代码、搭建自己的pipeline、融入核心算法,新手也能快速实现深度学习新想法。 【通俗解释&#xff0…...

Python+OpenCV系列:入门环境搭建、图像读写、像素操作、色彩空间和通道、

入门环境搭建、图像读写、像素操作、色彩空间和通道 **Python与OpenCV环境搭建、图像处理与色彩空间介绍****引言****1. Python和OpenCV的环境搭建****1.1 安装Python和OpenCV****1.2 配置开发环境** **2. 图像的读取、显示与保存****2.1 图像的读取****2.2 图像的显示****2.3 …...

如何在鸿蒙API9和x86模拟器中使用MQTT

目录 引言 安装MQTT软件包 避免MQTT软件包自动升级 程序的编写 运行测试 结语 引言 虽然我的课主要是OpenHarmony南向开发的,但是结课时有个同学说他在写鸿蒙APP时无法将MQTT库加入到设备中,希望我帮忙看看。由于他没有鸿蒙的真机,只能…...

http multipart/form-data 数据如何分块传输是一次传输还是多次

multipart/form-data 是一种用于 HTTP 协议中传输数据的格式,它用于传输数据量较大的数据,如文件等。在 multipart/form-data 中,数据可以被分成多个部分(chunk),这些部分之间通过特定的分隔符进行分隔。 …...

️️耗时一周,肝了一个超丝滑的卡盒小程序

前言 先看看成品效果: 在上个月,我出于提升自己的英语造句能力的目的,想要找一个阅读或者练习造句类的英语学习 APP,但是最终找了几个 APP 不是不太好用就是要付费。于是我转换思路,找到了一本书,叫《36…...

ubuntu的matlab使用心得

1.读取视频 v VideoReader(2222.mp4);出问题,报错: matlab 错误使用 VideoReader/initReader (第 734 行) 由于出现意外错误而无法读取文件。原因: Unable to initialize the video properties 出错 audiovideo.internal.IVideoReader (第 136 行) init…...

vscode插件 live-server配置https

背景:前端有时候需要在本地搭建https环境测试某些内容(如https下访问http资源,下载) 步骤: 1.vscode集成开发软件(应该所有前端开发同学都安装了,我用webstorm,vscode备用) 2.vscode安装live…...

腾讯最新图标点选验证码

注意,本文只提供学习的思路,严禁违反法律以及破坏信息系统等行为,本文只提供思路 如有侵犯,请联系作者下架 本文识别已同步上线至OCR识别网站: http://yxlocr.nat300.top/ocr/iconclick/9 注意:后续点选验证码内容我不会再讲那么详细,毕竟点选验证训练很多读者都会,而…...

安防视频监控平台Liveweb视频汇聚管理系统管理方案

智慧安防监控Liveweb视频管理平台能在复杂的网络环境中,将前端设备统一集中接入与汇聚管理。国标GB28181协议视频监控/视频汇聚Liveweb平台可以提供实时远程视频监控、视频录像、录像回放与存储、告警、语音对讲、云台控制、平台级联、磁盘阵列存储、视频集中存储、…...

VBA信息获取与处理第四个专题第二节:将工作表数据写入VBA数组

《VBA信息获取与处理》教程(版权10178984)是我推出第六套教程,目前已经是第一版修订了。这套教程定位于最高级,是学完初级,中级后的教程。这部教程给大家讲解的内容有:跨应用程序信息获得、随机信息的利用、电子邮件的发送、VBA互…...

神经网络入门实战:(六)PyTorch 中的实用工具 SummaryWriter 和 TensorBoard 的说明

(一) SummaryWriter 这里先讲解 SummaryWriter ,TensorBoard 会在第二大点进行说明。 SummaryWriter 是 PyTorch 中的一个非常实用的工具,它主要用于将深度学习模型训练过程中的各种日志和统计数据记录下来,并可以与 TensorBoard 配合使用&am…...

SpringBoot的validation参数校验

文章目录 前言一、引入validation 依赖二、validation中的注解说明 (1)Validated(2)Valid(3)NotNull(4)NotBlank(5)NotEmpty(6)Patte…...

RPC与HTTP调用模式的架构差异

RPC(Remote Procedure Call,远程过程调用)和 HTTP 调用是两种常见的通信模式,它们在架构上有以下一些主要差异: 协议层面 RPC:通常使用自定义的二进制协议,对数据进行高效的序列化和反序列化&am…...

R语言机器学习论文(六):总结

文章目录 介绍参考文献介绍 本文采用R语言对来自进行数据描述、数据预处理、特征筛选和模型构建。 最后我们获得了一个能有效区分乳腺组织的随机森林预测模型,它的性能非常好,这意味着它可能拥有非常好的临床价值。 在本文中,我们利用R语言对来自美国加州大学欧文分校的B…...

工业—使用Flink处理Kafka中的数据_ProduceRecord2

使用 Flink 消费 Kafka 中 ProduceRecord 主题的数据,统计在已经检验的产品中,各设备每 5 分钟 生产产品总数,将结果存入HBase 中的 gyflinkresult:Produce5minAgg 表, rowkey“...

【嵌套查询】.NET开源 ORM 框架 SqlSugar 系列

.NET开源 ORM 框架 SqlSugar 系列 【开篇】.NET开源 ORM 框架 SqlSugar 系列【入门必看】.NET开源 ORM 框架 SqlSugar 系列【实体配置】.NET开源 ORM 框架 SqlSugar 系列【Db First】.NET开源 ORM 框架 SqlSugar 系列【Code First】.NET开源 ORM 框架 SqlSugar 系列【数据事务…...

SpringBoot整合JWT

一. JWT简介 1. 什么是JWT? JWT(JSON Web Token)是为了在网络应用环境间传递声明而执行的一种基于JSON的开放标准。 它将用户信息加密到token里,服务器不保存任何用户信息。服务器通过使用保存的密钥验证token的正确性,只要正确即通过验证&…...

使用docker创建cloudstack虚拟主机

文章目录 概要 环境准备: 1.使用rockyLinux:8镜像 2.配置yum源 3.添加vim cloudstack.repo为以下内容 4.前期我们已经搭好了cloudstack平台,这里需要映射几个目录到容器里面, 5.创建Dockerfile 6.构建镜像 7.使用命令创建…...

mybatis-xml映射文件及mybatis动态sql

规范 XML映射文件的名称与Mapper接口名称一致,并且将XML映射文件和Mapper接口放置在相同包下(同包同名)。 XML映射文件的namespace属性为Mapper接口全限定名一致。 XML映射文件中sql语句的id与Mapper接口中的方法名一致,并保持返回类型一致…...

Qt | TCP服务器实现QTcpServer,使用线程管理客户端套接字

点击上方"蓝字"关注我们 01、QTcpServer >>> QTcpServer 是 Qt 网络模块中的一个类,用于实现TCP服务器。它允许创建一个服务器,可以接受来自客户端的连接。QTcpServer 是事件驱动的,这意味着它将通过信号和槽机制处理网络事件。 常用函数 构造函数: QT…...

rustdesk远程桌面使用

文章目录 简介1.客户端rustdesk使用2.基于 S6-overlay 的镜像 服务端部署3.声明 简介 为什么使用rustdesk,因为向日葵,todesk,免费版本的有各种各样的坑,比如限制你的登录,需要你重新登录使用,画面模糊&am…...

C#中图片的Base64编码与解码转换详解

在C#中,我们可以使用Base64编码将图片转换为字符串,也可以将Base64编码的字符串转换回图片。这通常用于在需要文本表示图像数据的场合(例如在Web开发中传输图像数据)。 将图片转换为Base64字符串 要将图片文件转换为Base64字符串…...

瑞芯微方案主板Linux修改系统串口波特率教程,触觉智能RK3562开发板演示

遇到部分串口工具不支持1500000波特率,这时候就需要进行修改,本文以触觉智能RK3562开发板修改系统波特率为115200为例,介绍瑞芯微方案主板Linux修改系统串口波特率教程。 温馨提示:瑞芯微方案主板/开发板串口波特率只支持115200或…...

阿里云整理(二)

阿里云整理 1. 访问网站2. 专业名词2.1 域名2.2 域名备案2.3 云解析DNS2.4 CDN2.5 WAF 1. 访问网站 用户使用浏览器访问网站大体分为几个过程: 用户在浏览器输入域名URL,例如www.baidu.com。 不过,浏览器并不知道为该域名提供服务的服务器具…...

python实现一个简单的不断发送dns查询的功能

the code below: import socket import struct import time import randomdef create_dns_query(domain"example123.com"):# DNS HeaderID random.randint(0, 65535) # 随机查询IDFLAGS 0x0100 # Standard queryQDCOUNT 1 # One questionANCOUNT 0 # …...

鲲鹏麒麟使用Docker部署Redis5

本次部署采用Docker方式进行部署,服务器为鲲鹏服务器,CPU架构为ARM64,操作系统版本信息为 # cat /etc/kylin-release Kylin Linux Advanced Server release V10 (Tercel)镜像 下载镜像鲲鹏麒麟Redis5镜像包 部署 1、上传镜像到服务器 2、…...

MySQL悲观锁和乐观锁

MySQL悲观锁和乐观锁 在数据库中,锁是用来管理并发控制的一种机制,确保数据的一致性和完整性。MySQL中的悲观锁和乐观锁是两种不同的并发控制策略,它们在处理并发事务时采用不同的方法。 悲观锁(Pessimistic Locking&#xff09…...

【AI模型对比】Kimi与ChatGPT的差距:真实对比它们在六大题型中的全面表现!

文章目录 Moss前沿AI语义理解文学知识数学计算天文学知识物理学知识英语阅读理解详细对比列表总结与建议 Moss前沿AI 【OpenAI】获取OpenAI API Key的多种方式全攻略:从入门到精通,再到详解教程!! 【VScode】VSCode中的智能AI-G…...

一根网线如何用软路由给手机、电脑分配设置不同IP

众所周知,在同一个网络下,我们的互联网IP是一样的,即外网只有一个IP。很多互联网公司、游戏工作室、营利工作室都需要利用它们来实现同一网络下多台设备IP地址不同的效果。对此我们该怎么办?下面给大家简单分享一下! 在…...

面经自测——自我介绍

前言 这是作者新开的坑,一切题目都是从网上找的原题,为了总结网上有关的面经,以便在真实面试中较为流利的回答面试官的问题 面试之——自我介绍 自我介绍是面试中最常见的问题之一,主要目的是让面试官了解你的背景、技能和职业…...

uniapp 小程序 监听全局路由跳转 获取路由参数

uniapp 小程序 监听全局路由跳转 获取路由参数 app.vue中 api文档 onLaunch: function(options) {let that this;let event [navigateTo, redirectTo, switchTab, navigateBack];event.forEach(item > {uni.addInterceptor(item, { //监听跳转//监听跳转success(e) {tha…...

【LeetCode每日一题】——204.计数质数

文章目录 一【题目类别】二【题目难度】三【题目编号】四【题目描述】五【题目示例】六【题目提示】七【解题思路】八【时空频度】九【代码实现】十【提交结果】 一【题目类别】 数组 二【题目难度】 中等 三【题目编号】 204.计数质数 四【题目描述】 给定整数 n &…...

TCP的“可靠性”(下)——三次握手四次挥手

目录 建立连接(三次握手)为啥要进行握手??意义何在??常见面试题:为啥必须是三次握手? 断开连接(四次挥手)三次握手和四次挥手的相同点和不同点连接过程中涉及…...

【笔记2-5】ESP32:freertos消息队列

主要参考b站宸芯IOT老师的视频,记录自己的笔记,老师讲的主要是linux环境,但配置过程实在太多问题,就直接用windows环境了,老师也有讲一些windows的操作,只要代码会写,操作都还好,开发…...

java操作doc(二)——java利用Aspose.Words动态创建自定义doc文档

有关java动态操作word文档,上一篇写了如何使用模板动态设置对于内容以及相关单元格的动态合并问题,详细请参看如下文档: java利用Aspose.Words操作Word动态模板文档并动态设置单元格合并 这篇文档说说,如何利用Aspose.Words动态…...

计算机光电成像理论基础

一、透过散射介质成像 1.1 光在散射介质中传输 光子携带物体信息并进行成像的过程是一个涉及光与物质相互作用的物理现象。这个过程可以分为几个步骤来理解: 1. **光的发射或反射**: - 自然界中的物体可以发射光(如太阳)&am…...

【Qt中实现屏幕录制】

在Qt中实现屏幕录制可以通过使用QScreen和QVideoEncoder类来完成。以下是一个简单的示例代码,演示如何捕获屏幕并将其保存为视频文件。请确保已经安装了Qt Multimedia模块,因为我们将使用其中的类来处理视频编码。 下面是一个基本的实现步骤&#xff1a…...

repo仓库转移到自己本地的git服务器

前提条件:搭建好gitolite 以转移正点原子rk3568_linux工程为例子,将其转移到自己的git服务器。 获取完整repo仓库 将正点原子epo仓库sync出来 evanevan-X99:~/SRC/atk$ .repo/repo/repo sync -l -j10 evanevan-X99:~/SRC/atk$ .repo/repo/repo list -n…...

java操作文件(一)——java如何实现多文件打包压缩并下载

在实际开发项目过程中,文件下载是异常频繁的操作,但是多文件zip打包下载并非常见使用场景,本文介绍如何使用io流操作多文件实现压缩并下载。 特别说明: 无需依赖任何第三方包或者拆件 一、效果展示: 1.打包前文件列…...

Git仓库移除文件的暂存和修改

在使用Git进行版本控制时,有时需要移除文件的暂存状态或者撤销对文件的修改。根据不同的需求和场景,可以采取不同的命令来完成这些操作。下面将详细介绍如何在Git中移除文件的暂存以及撤销文件的修改。 请注意,在执行这些命令之前&#xff0…...

Kube-Prometheus-Stack安装时初始化导入自定义Grafana dashboards

获取Grafana dashboards的JSON文件 这里是获取已经编辑好的Grafana dashboards的JSON文件;以便内置到Kube-Prometheus-Stack的helm charts的安装zip文件中。 编辑自定义dashboards JSON文件 获取dashboards JSON文件模板 其实Kube-Prometheus-Stack内部本身已经内…...

2024-12-05OpenCV高级-滤波与增强

OpenCV高级-滤波与增强 文章目录 OpenCV高级-滤波与增强1-OpenCV平滑滤波1. 均值滤波 (cv2.blur())2. 高斯滤波 (cv2.GaussianBlur())3. 中值滤波 (cv2.medianBlur())4. 双边滤波 (cv2.bilateralFilter())总结 2-OpenCV边缘检测1. Sobel算子 (cv2.Sobel())2. Canny边缘检测 (cv…...