当前位置：首页 > news >正文

End-to-End从混沌到秩序：基于LLM的Pipeline将非结构化数据转化为知识图谱

news 来源：原创 2025/8/10 9:03:07

摘要：本文介绍了一种将非结构化数据转换为知识图谱的端到端方法。通过使用大型语言模型（LLM）和一系列数据处理技术，我们能够从原始文本中自动提取结构化的知识。这一过程包括文本分块、LLM 提示设计、三元组提取、归一化与去重，最终利用 NetworkX 和 ipycytoscape 构建并可视化知识图谱。该方法不仅能够高效地从文本中提取知识，还能通过交互式可视化帮助用户更好地理解和分析数据。通过实验，我们展示了该方法在处理复杂文本时的有效性和灵活性，为知识图谱的自动化构建提供了新的思路。

🧠 向所有学习者致敬！

“学习不是装满一桶水，而是点燃一把火。” —— 叶芝

我的博客主页： https://lizheng.blog.csdn.net

🌐 欢迎点击加入AI人工智能社区！

🚀 让我们一起努力，共创AI未来！ 🚀

从纯文本构建知识图谱是一项挑战。它通常需要识别重要术语，弄清楚它们之间的关系，并使用自定义代码或机器学习工具来提取这种结构。我们将创建一个由大型语言模型（LLM）驱动的端到端流水线，自动将原始文本转换为交互式知识图谱。
我们将使用几个关键的 Python 库来完成这项工作。让我们先安装它们。

# 安装库（只运行一次）pip install openai networkx "ipycytoscape>=1.3.1" ipywidgets pandas

安装完成后，你可能需要重启 Jupyter 内核或运行时，以便更改生效。

现在我们已经安装好了，让我们将所有内容导入到脚本中。

import openai             # 用于 LLM 交互
import json               # 用于解析 LLM 响应
import networkx as nx     # 用于创建和管理图数据结构
import ipycytoscape       # 用于交互式笔记本中的图可视化
import ipywidgets         # 用于交互式元素
import pandas as pd       # 用于以表格形式显示数据
import os                 # 用于访问环境变量（API 密钥更安全）
import math               # 用于基本数学运算
import re                 # 用于基本文本清理（正则表达式）
import warnings           # 抑制潜在的弃用警告

完美！我们的工具箱已经准备好了。所有必要的库都已加载到我们的环境中。

什么是知识图谱？

想象一个网络，有点像社交网络，但除了人之外，它还连接事实和概念。这基本上就是一个知识图谱（KG）。它有两个主要部分：

节点（或实体）：这些是“事物”——比如“居里夫人”、“物理学”、“巴黎”、“诺贝尔奖”。在我们的项目中，我们提取的每个独特的主语或宾语都将变成一个节点。
边（或关系）：这些是事物之间的连接，显示它们如何关联。关键在于，这些连接有意义，并且通常有方向。例如：“居里夫人” — 获得 → “诺贝尔奖”。其中的“获得”部分是关系，定义了边。

最简单的知识图谱示例

一个简单的图，显示两个节点（例如，“居里夫人”和“镭”）通过一个标记为“发现”的有向边连接。再添加一个小集群，如（“巴黎” — 位于 → “索邦大学”）。这可视化了节点-边-节点的概念。

知识图谱之所以强大，是因为它们以更接近我们思考连接的方式结构化信息，使我们更容易发现见解，甚至推断出新的事实。

主语-谓语-宾语（SPO）三元组

那么，我们如何从纯文本中获取这些节点和边呢？我们寻找简单的事实陈述，通常以 主语-谓语-宾语（SPO） 三元组的形式出现。

主语：事实是关于谁或什么的（例如，“居里夫人”）。将成为一个节点。
谓语：连接主语和宾语的动作或关系（例如，“发现”）。将成为边的标签。
宾语：主语相关的事物（例如，“镭”）。将成为另一个节点。

示例：句子 “居里夫人发现了镭” 完美地分解为三元组：(居里夫人, 发现, 镭)。

这直接翻译到我们的图中：

(居里夫人) -[发现]-> (镭)。

我们的 LLM 的工作就是读取文本并为我们识别这些基本的 SPO 事实。

配置我们的 LLM 连接

要使用 LLM，我们需要告诉脚本如何与之通信。这意味着提供一个 API 密钥，有时还需要一个特定的 API 端点（URL）。

我们将使用 NebiusAI LLM 的 API，但你可以使用 Ollama 或任何其他在 OpenAI 模块下工作的 LLM 提供商。

# 如果使用标准 OpenAI
export OPENAI_API_KEY='your_openai_api_key_here'# 如果使用本地模型，如 Ollama
export OPENAI_API_KEY='ollama' # 对于 Ollama，可以是任何非空字符串
export OPENAI_API_BASE='http://localhost:11434/v1'# 如果使用其他提供商，如 Nebius AI
export OPENAI_API_KEY='your_provider_api_key_here'
export OPENAI_API_BASE='https://api.studio.nebius.com/v1/' # 示例 URL

首先，让我们指定我们想要使用的 LLM 模型。这取决于你的 API 密钥和端点可用的模型。

# --- 定义 LLM 模型 ---# 选择在你的配置端点可用的模型。# 示例：'gpt-4o', 'gpt-3.5-turbo', 'llama3', 'mistral', 'deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct', 'gemma'llm_model_name = "deepseek-ai/DeepSeek-V3" # <-- **_ 更改为你使用的模型 _**

好的，我们已经记录下了目标模型。现在，让我们从之前设置的环境变量中获取 API 密钥和基础 URL（如果需要）。

# --- 获取凭据 ---api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_API_BASE") # 如果未设置，则为 None（例如，对于标准 OpenAI）

客户端已准备好与 LLM 通信。

最后，让我们设置一些控制 LLM 行为的参数：

温度：控制随机性。较低的值意味着更专注、更确定性的输出（适合事实提取！）。我们将温度设置为 0.0，以实现最大的可预测性。
最大令牌数：限制 LLM 响应的长度。

# --- 定义 LLM 调用参数 ---llm_temperature = 0.0 # 较低的温度用于更确定性、事实性的输出。0.0 是提取的最佳选择。
llm_max_tokens = 4096 # LLM 响应的最大令牌数（根据模型限制调整）

定义我们的输入文本（原材料）

现在，我们需要将要转换为知识图谱的文本。我们将使用居里夫人的传记作为示例。

unstructured_text = """
Marie Curie, born Maria Skłodowska in Warsaw, Poland, was a pioneering physicist and chemist.
She conducted groundbreaking research on radioactivity. Together with her husband, Pierre Curie,
she discovered the elements polonium and radium. Marie Curie was the first woman to win a Nobel Prize,
the first person and only woman to win the Nobel Prize twice, and the only person to win the Nobel Prize
in two different scientific fields. She won the Nobel Prize in Physics in 1903 with Pierre Curie
and Henri Becquerel. Later, she won the Nobel Prize in Chemistry in 1911 for her work on radium and
polonium. During World War I, she developed mobile radiography units, known as 'petites Curies',
to provide X-ray services to field hospitals. Marie Curie died in 1934 from aplastic anemia, likely
caused by her long-term exposure to radiation."""

让我们打印出来，看看它的长度。

print("--- 输入文本已加载 ---")
print(unstructured_text)
print("-" \* 25)# 基本统计信息可视化char_count = len(unstructured_text)
word_count = len(unstructured_text.split())
print(f"总字符数：{char_count}")
print(f"大约单词数：{word_count}")
print("-" \* 25)#### 输出结果 ####
--- 输入文本已加载 ---
Marie Curie, born Maria Skłodowska in Warsaw, Poland, was a pioneering physicist and chemist.
She conducted groundbreaking research on radioactivity. Together with her husband, Pierre Curie,# [... 文本其余部分在此打印 ...]includes not only her scientific discoveries but also her role in breaking gender barriers in academia
and science.-------------------------
总字符数：1995
大约单词数：324---

所以，我们有大约 324 个单词的居里夫人的文本，虽然在生产环境中不太理想，但足以看到知识图谱构建的过程。

切分它：文本分块

LLM 通常有一个处理文本的限制（它们的“上下文窗口”）。

我们的居里夫人文本相对较短，但对于更长的文档，我们肯定需要将它们分解为更小的部分，或分块。即使是这种文本，分块有时也能帮助 LLM 更专注于特定部分。

我们将定义两个参数：

分块大小：每个分块中我们希望的最大单词数。
重叠：一个分块的末尾与下一个分块的开头之间应该有多少单词重叠。这种重叠有助于保留上下文，避免事实被尴尬地截断在分块之间。

文本分块过程

我们的完整文本被划分为三个重叠的段（分块）。清晰标记“分块 1”、“分块 2”、“分块 3”。突出显示分块 1 与 2 之间以及分块 2 与 3 之间的重叠部分。标记“分块大小”和“重叠大小”。

让我们设置我们期望的大小和重叠。

# --- 分块配置 ---chunk_size = 150 # 每个分块的单词数（根据需要调整）
overlap = 30 # 分块之间的重叠单词数（必须小于分块大小）print(f"分块大小设置为：{chunk_size} 单词")
print(f"重叠设置为：{overlap} 单词")# --- 基本验证 ---
if overlap >= chunk_size and chunk_size > 0:
print(f"错误：重叠 ({overlap}) 必须小于分块大小 ({chunk_size})。")
raise SystemExit("分块配置错误。")
else:
print("分块配置有效。")### 输出结果 ###
分块大小设置为：150 单词
重叠设置为：30 单词
分块配置有效。

好的，计划是将分块大小设置为 150 个单词，分块之间的重叠为 30 个单词。

首先，我们需要将文本拆分为单独的单词。

words = unstructured_text.split()
total_words = len(words)print(f"文本拆分为 {total_words} 个单词。")# 显示前 20 个单词print(f"前 20 个单词：{words[:20]}")### 输出结果 ###
文本拆分为 324 个单词。
前 20 个单词：['Marie', 'Curie,', 'born', 'Maria', 'Skłodowska', 'in',
'Warsaw,', 'Poland,', 'was', 'a', 'pioneering', 'physicist', 'and',
'chemist.', 'She', 'conducted', 'groundbreaking', 'research', 'on',
'radioactivity.']

输出确认我们的文本有 324 个单词，并显示了前几个单词。现在，让我们应用我们的分块逻辑。

我们将逐步遍历单词列表，每次抓取 chunk_size 个单词，然后回退 overlap 个单词以开始下一个分块。

chunks = []
start_index = 0
chunk_number = 1print(f"开始分块过程...")
while start_index < total_words:end_index = min(start_index + chunk_size, total_words)chunk_text = " ".join(words[start_index:end_index])chunks.append({"text": chunk_text, "chunk_number": chunk_number})    # print(f"  Created chunk {chunk_number}: words {start_index} to {end_index-1}") # Uncomment for detailed log    # 计算下一个分块的起始位置next_start_index = start_index + chunk_size - overlap    # 确保有进展if next_start_index <= start_index:if end_index == total_words:break # 已经处理了最后一部分next_start_index = start_index + 1    start_index = next_start_indexchunk_number += 1    # 安全中断（可选）if chunk_number > total_words: # 简单安全检查print("警告：分块循环超出总单词数，中断。")breakprint(f"\n文本成功拆分为 {len(chunks)} 个分块。")#### 输出结果 ####
开始分块过程...文本成功拆分为 3 个分块。

End-to-End从混沌到秩序：基于LLM的Pipeline将非结构化数据转化为知识图谱

摘要：本文介绍了一种将非结构化数据转换为知识图谱的端到端方法。通过使用大型语言模型（LLM）和一系列数据处理技术，我们能够从原始文本中自动提取结构化的知识。这一过程包括文本分块、LLM 提示设计、三元组提取、归一化与去重，最终利用 NetworkX 和 ipycytoscape 构建并可…...

编程日记 2025/8/10 9:03:07

使用Ingress发布应用程序

使用Ingress发布应用程序文章目录使用Ingress发布应用程序[toc]一、什么是Ingress二、定义Ingress三、什么是Ingress控制器四、部署nginx Ingress控制器1.了解nginx Ingress控制器的部署方式2.安装nginx Ingress控制器3.本地实际测试五、使用Ingress对外发布应用程序1.使用D…...

编程日记 2025/8/11 1:11:46

llama-factory微调报错：

报错信息 [INFO] [utils.py:789:see_memory_usage] CPU Virtual Memory: used 81.51 GB, percent 64.9% W0419 10:14:27.573000 108354 site-packages/torch/distributed/elastic/multiprocessing/api.py:897] Sending process 108373 closing signal SIGTERM W0419 10:14:27…...

编程日记 2025/8/11 1:18:17

【LLaMAFactory】LoRa + 魔搭微调大模型实战

前言环境准备之前是在colab上玩，这次在国内的环境上玩玩。魔搭：https://www.modelscope.cn/ 现在注册，有100小时的GPU算力使用。注册好了之后： 魔搭社区这里使用qwen2.5-7B-Instruct模型，这里后缀Instruct是指…...

编程日记 2025/8/6 12:30:18

【愚公系列】《Python网络爬虫从入门到精通》054-Scrapy 文件下载

🌟【技术大咖愚公搬代码：全栈专家的成长之路，你关注的宝藏博主在这里！】🌟 📣开发者圈持续输出高质量干货的"愚公精神"践行者——全网百万开发者都在追更的顶级技术博主！ &#x1f…...

编程日记 2025/8/11 1:11:48

db中查询关于null的sql该怎么写

正确示例 # 等于null select * from 表名 where 字段名 is NULL; # 不等于null select * from 表名 where 字段名 is not NULL;若需要同时判断字段不等于某个值且不为null select * from users where age ! 30 and age is not null; select * from users where age ! 30 or a…...

编程日记 2025/7/31 7:25:41

React 文章列表

自定义hook 在src/hooks文件夹下封装 useChannel.js // 获取频道列表的逻辑 import { useEffect , useState } from "react" import { getChannelAPI } from "/apis/article"function useChannel(){// 获取频道的逻辑 const [channelList,setChannelList…...

编程日记 2025/8/11 1:14:36

中间件--ClickHouse-12--案例-1-日志分析和监控

1、案例背景一家互联网公司需要实时分析其服务器日志、应用日志和用户行为日志，以快速发现潜在问题并优化系统性能。 2、需求分析目标：实时分析日志数据，快速发现问题并优化系统性能。数据来源： 服务器日志：如 Ng…...

编程日记 2025/8/11 1:12:17

QML中的3D功能--自定义着色器开发

在 Qt 3D 中使用自定义着色器可以实现高度定制化的渲染效果。以下是完整的自定义着色器开发方案。一、基础着色器创建 1. 创建自定义材质 qml import Qt3D.Core 2.15 import Qt3D.Render 2.15 import Qt3D.Extras 2.15Entity {components: [Transform { translation: Qt.v…...

编程日记 2025/8/11 1:11:46

如何防止接口被刷

目录 🛡️ 一、常见的防刷策略分类 🔧 二、技术实现细节 ✅ 1. 基于 IP 限流 ✅ 2. 给接口加验证码 ✅ 3. 使用 Token 限制接口访问权限 ✅ 4. 给接口加冷却时间（验证码类经典） ✅ 5. 使用滑动窗口限流算法（更精…...

编程日记 2025/8/11 1:23:09

18、TimeDiff论文笔记

TimeDiff **1. 背景与动机****2. 扩散模型基础****3. TimeDiff 模型****3.1 前向扩散过程****3.2 后向去噪过程** 4、TimeDiff（架构）原理训练推理其他关键点解释 DDPM（相关数学）1、正态分布2、条件概率1. **与多个条件相关**&…...

编程日记 2025/8/11 1:18:28

docker底层原理

一句话，dockerfile里面的一行指令，就是一个layer层 docker底层原理在机器上安装docker服务器端的程序，就会在机器上自动创建以下目录，默认安装路径是/var/lib/ docker服务器端的工作目录的作用如下，镜像的每一层的元数…...

编程日记 2025/8/10 19:03:42

YOLO拓展-NMS算法

1.概述 NMS（non maximum suppression）即非极大值抑制，其本质就是搜索局部极大值，抑制非极大值元素，可以理解为局部最大搜索。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据…...

编程日记 2025/8/10 1:20:04

Docker Swarm 容器与普通 Docker 容器的网卡差异

问题背景在 Docker Swarm 网络空间启动的容器有两张网卡（eth0 和 eth1），而普通 Docker 容器只有一张网卡（eth0）。以下通过分析 ip addr show 和 ip link show 的输出，解释原因。命令输出解析 Docker S…...

编程日记 2025/8/10 18:57:22

【Linux】线程ID、线程管理、与线程互斥

📚 博主的专栏 🐧 Linux | 🖥️ C | 📊 数据结构 | 💡C 算法 | 🌐 C 语言上篇文章： 【Linux】线程：从原理到实战，全面掌握多线程编程！-CSDN博客下…...

编程日记 2025/8/10 19:06:22

服务器简介（含硬件外观接口介绍）

服务器（Server）是指提供资源、服务、数据或应用程序的计算机系统或设备。它通常比普通的个人计算机更强大、更可靠，能够长时间无间断运行，支持多个用户或客户端的请求。简单来说，服务器就是专门用来存储、管理和提供数…...

编程日记 2025/8/10 2:26:57

自动驾驶---决策规划之导航增强端到端

1 背景自动驾驶算法通常包括几个子任务，包括3D物体检测、地图分割、运动预测、3D占用预测和规划。近年来，端到端方法将多个独立任务整合到多任务学习中，优化整个系统，包括中间表示，以实现最终的规划任务。随着端到端技…...

编程日记 2025/8/11 1:27:20

Datawhale AI春训营世界科学智能大赛--合成生物赛道：蛋白质固有无序区域预测小白经验总结

一、报名大赛二、跑通baseline 在魔塔社区创建实例，根据教程完成速通第一个分数~ Datawhale-学用 AI,从此开始三、优化实例（这里是我的学习优化过程） 1.先将官方给的的模型训练实例了解一遍（敲一敲代码） 训练模…...

编程日记 2025/8/3 8:39:56

基于Java(Struts2 + Hibernate + Spring)+MySQL实现的（Web）在线预约系统

基于Struts2 Hibernate Spring的在线预约系统 1.引言 1.1编写目的针对医院在线预约挂号系统，提供详细的设计说明，包括系统的需求、功能模块、界面设计、设计方案等，以辅助开发人员顺利进行系统的开发并让项目相关者可以对这个系统进行分…...

编程日记 2025/8/8 13:58:11

PHP获取大文件行数

在PHP中获取大文件的行数时，直接读取整个文件到内存中可能会导致内存溢出，特别是对于非常大的文件。因此，最有效的方法是逐行读取文件并计数。以下是一些实现方法： 方法一：使用 fgets() fgets() 函数逐行读取文件&am…...

编程日记 2025/8/11 1:23:33

2024年网站开发语言选择指南：PHP/Java/Node.js/Python如何选型？

2024年网站开发语言选择指南：PHP/Java/Node.js/Python如何选型？ 一、8大主流Web开发语言技术对比 1. PHP开发：中小型网站的首选方案最新版本：PHP 8.3（2023年11月发布）核心优势： 全球78%的网站…...

编程日记 2025/8/11 1:25:10

Win7模拟器2025中文版：重温经典，掌上电脑体验

随着科技的快速发展，现代操作系统变得越来越高级，但许多用户仍然怀念经典的Windows 7系统。如果你也想重温那种熟悉的操作体验，Win7模拟器2025中文版是一个不错的选择。这款软件能够让你在手机上轻松实现Windows 7系统的模拟，带来…...

编程日记 2025/8/11 1:12:16

HTML5+CSS3小实例：CSS立方体

实例：CSS立方体技术栈：HTML+CSS 效果：源码：【HTML】 <!DOCTYPE html> <html lang="zh-CN"> <head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0&q…...

编程日记 2025/8/11 1:16:53

使用 Vite 快速搭建现代化 React 开发环境

1.检查环境说明：检测环境，node版本为18.20.6。 2.创建命令说明：创建命令，选择对应的选项。 npm create vitelatest 3.安装依赖说明：安装相关依赖。 npm i...

编程日记 2025/8/11 1:14:35

Linux网络编程——基于ET模式下的Reactor

一、前言上篇文章中我们已经讲解了多路转接剩下的两个接口：poll和epoll，并且知道了epoll的两种工作模式分别是 LT模式和ET模式，下来我们就实现的是一个简洁版的 Reactor，即半同步半异步I/O，在linux网络中&#xff0c…...

编程日记 2025/8/9 14:22:34

【现代深度学习技术】循环神经网络04：循环神经网络

【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重…...

编程日记 2025/8/7 12:15:21

1. 认识DartGoogle为Flutter选择了Dart语言已经是既

1. 认识Dart Google为Flutter选择了Dart语言已经是既定的事实，无论你多么想用你熟悉的语言，比如JavaScript、TypeScript、ArkTS等来开发Flutter，至少目前都是不可以的。 Dart 是由谷歌开发的计算机编程语言，它可以被应用于 Web/…...

编程日记 2025/8/1 23:36:44

学习设计模式《三》——适配器模式

一、基础概念适配器模式的本质是【转换匹配，复用功能】； 适配器模式定义：将一个类的接口转换为客户希望的另外一个接口；适配器模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。适配器模式的目的：复用…...

编程日记 2025/8/3 7:54:25

【Java面试系列】Spring Boot微服务架构下的分布式事务处理与性能优化 - 2025-04-19详解 - 3-5年Java开发必备知识

【Java面试系列】Spring Boot微服务架构下的分布式事务处理与性能优化 - 2025-04-19详解 - 3-5年Java开发必备知识引言在微服务架构中，分布式事务处理和性能优化是面试中高频出现的主题。随着系统规模的扩大，如何保证数据一致性和系统性能成为开发者…...

编程日记 2025/8/11 0:10:27

Elasticsearch只返回指定的字段（用_source）

在Elasticsearch中，当你想要查询文档但不返回所有字段，只返回指定的字段（比如这里的id字段），你可以使用_source参数来实现这一点。但是，有一点需要注意：Elasticsearch的_source字段默认是返回的…...

编程日记 2025/8/7 20:06:02

【Linux “sed“ 命令详解】

本章目录: 1. 命令简介sed 的优势： 2. 命令的基本语法和用法基本语法：参数说明：常见用法场景：示例1：替换文本示例2：删除空行示例3：从命令输出中处理内容 3. 命令的常用选项及参数常用命令动作&a…...

编程日记 2025/8/9 17:20:56

JMETER使用

接口测试流程: 1.获取接口文档，熟悉接口业务 2.编写接口测试用例以及评审正例:输入正常的参数，验证接口能否正常返回反例:权限异常(为空、错误、过期)、参数异常(为空、长度异常、类型异常)、其他异常(黑名单、调用次数限制)、兼容异常(一个接口被多种…...

编程日记 2025/8/4 1:55:58

JavaWeb 课堂笔记 —— 13 MySQL 事务

本系列为笔者学习JavaWeb的课堂笔记，视频资源为B站黑马程序员出品的《黑马程序员JavaWeb开发教程，实现javaweb企业开发全流程（涵盖SpringMyBatisSpringMVCSpringBoot等）》，章节分布参考视频教程，为同样学习…...

编程日记 2025/8/9 15:44:47

离线安装elasticdump并导入和导出数据

离线安装elasticdump 在 CentOS 或 RHEL 系统上安装 elasticdump，你可以使用 npm（Node.js 的包管理器）来安装，因为 elasticdump 是一个基于 Node.js 的工具。以下是步骤先在外网环境下安装下载nodejs和npm（注意x8…...

编程日记 2025/8/6 23:40:03

WhatTheDuck：一个基于浏览器的CSV查询工具

今天给大家介绍一个不错的小工具：WhatTheDuck。它是一个免费开源的 Web 应用程序，允许用户上传 CSV 文件并针对其内容执行 SQL 查询分析。 WhatTheDuck 支持 SQL 代码自动完成以及语法高亮。 WhatTheDuck 将上传的数据存储为 DuckDB 内存表，继…...

编程日记 2025/8/6 22:25:01

关于数字信号与图像处理——基于Matlab的图像增强技术

本篇博客是在做数字信号与图像处理实验中的收获。具体内容包括：根据给定的代码放入Matlab中分别进行两次运行测试——比较并观察运行后的实验结果与原图像的不同点——画出IJ的直方图，并比较二者差异。接下来会对每一步进行具体讲解。题目&#xff1a…...

编程日记 2025/8/7 20:17:40

MySQL数据库 - 锁

锁此笔记参考黑马教程，仅学习使用，如有侵权，联系必删文章目录锁1. 概述1.1 介绍1.2 分类 2. 全局锁2.1 介绍2.2 语法2.3 特点（弊端） 3. 表级锁3.1 介绍3.2 表锁3.3 元数据锁（meta data lock&#xff0…...

编程日记 2025/8/6 16:32:39

免费多平台运行器，手机畅玩经典主机大作

软件介绍飞鸟模拟器是一款面向安卓设备的免费游戏平台，支持PS2/PSP/NDS等十余种经典主机游戏运行。该软件突破传统模拟器复杂操作模式，采用智能核心加载技术，用户只需双击主程序即可开启游戏之旅，真正实现"即下即玩"…...

编程日记 2025/8/7 9:34:09

计算机软考中级知识点记忆——排序算法冒泡排序-插入排序- 归并排序等各种排序算法知识点整理

一、📌 分类与比较排序算法最优时间复杂度平均时间复杂度最坏时间复杂度空间复杂度稳定性应用场景与特点算法策略冒泡排序 O(n) O(n) O(n) O(1) 稳定简单易实现，适用于小规模数据排序。交换排序策略插入排序 O(n) O(n) O…...

编程日记 2025/8/4 8:35:20

STC32G12K128单片机GPIO模式SPI操作NorFlash并实现FatFS文件系统

STC32G12K128单片机GPIO模式SPI操作NorFlash并实现FatFS文件系统 Norflash简介NorFlash操作驱动代码文件系统测试代码 Norflash简介 NOR Flash是一种类型的非易失性存储器，它允许在不移除电源的情况下保留数据。NOR Flash的名字来源于其内部结构中使用的NOR逻辑门。…...

编程日记 2025/8/8 9:37:30

uniapp-x 二维码生成

支持X，二维码生成，支持微信小程序，android，ios，网页 - DCloud 插件市场免费的单纯用爱发电的...

编程日记 2025/8/3 4:57:23

当HTTP遇到SQL注入：Java开发者的攻防实战手册

一、从HTTP请求到数据库查询：漏洞如何产生？危险的参数拼接：Servlet中的经典错误漏洞代码重现： public void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {String category = request.getParameter("…...

编程日记 2025/8/8 21:18:21

[dp20_完全背包] 介绍 | 零钱兑换

目录 1. 完全背包题解背包必须装满 2.零钱兑换题解 1. 完全背包链接： DP42 【模板】完全背包描述你有一个背包，最多能容纳的体积是V。现在有n种物品，每种物品有任意多个，第i种物品的体积为vivi ,价值为wiwi。 &a…...

编程日记 2025/8/8 16:36:35

精打细算 - GPU 监控

精打细算 - GPU 监控在上一篇，咱们历经千辛万苦，终于让应用程序在 Pod 的“驾驶舱”里成功地“点火”并用上了 GPU。太棒了！但是，车开起来是一回事，知道车速多少、油耗多少、引擎水温是否正常，则是另一回事，而且同样重要，对吧？我们的 GPU 应用跑起来了，但新的问题…...

编程日记 2025/8/6 16:11:42

故障诊断 | CNN-BiGRU-Attention故障诊断

效果一览摘要在现代工业生产中，设备的稳定运行至关重要，故障诊断作为保障设备安全、高效运行的关键技术，其准确性和及时性直接影响着生产效率与成本[[doc_refer_1]][[doc_refer_2]]。随着工业设备复杂性的不断增加，传统故障诊断方法已难以满足实际需求。深度学习技术凭借…...

编程日记 2025/8/10 1:39:01

单片机AIN0、AIN1引脚功能

目录 1. 模拟-数字转换器（ADC） 2. 交流电源（AC） 总结这两部分有什么区别？ 在这个电路图中，两个部分分别是模拟-数字转换器（ADC）和交流电源（AC）。以下是这…...

编程日记 2025/8/5 8:15:36

交换机与路由器的主要区别：深入分析其工作原理与应用场景

在现代网络架构中，交换机和路由器是两种至关重要的设备。它们在网络中扮演着不同的角色，但很多人对它们的工作原理和功能特性并不十分清楚。本文将深入分析交换机与路由器的主要区别，并探讨它们的工作原理和应用场景。一、基本定义 1. 交换…...

编程日记 2025/8/1 20:03:47

uniApp小程序保存定制二维码到本地（V3）

这里的二维码组件用的 uv-ui 的二维码可以按需引入 QRCode 二维码 | 我的资料管理-uv-ui 是全面兼容vue32、nvue、app、h5、小程序等多端的uni-app生态框架 <uv-qrcode ref"qrcode" :size"280" :value"payCodeUrl"></uv-qrcode>&l…...

编程日记 2025/8/3 10:08:34