当前位置: 首页 > news >正文

Python torchvision.datasets 下常用数据集配置和使用方法

torchvision.datasets 提供了许多常用的数据集类,以下是一些常用方法(datasets中有大量数据集处理方法,这里仅展示了部分数据集处理方法)及其实现类的介绍、用法和输入参数解释:

CIFAR

  • CIFAR10 :包含 10 个类别的彩色图像数据集,共有 60000 张 32x32 的图像,其中训练集 50000 张,测试集 10000 张。

    • 参数:

      • root :数据集根目录,用于存储或检索数据集。

      • train :布尔值,若为 True,则创建训练集;否则创建测试集。

      • transform :可调用函数,对 PIL 图像进行变换并返回变换后的版本,如 transforms.RandomCrop

      • target_transform :可调用函数,对目标进行变换。

      • download :布尔值,若为 True,则从网上下载数据集并放入根目录,若数据集已存在则不再下载。

  • CIFAR100 :与 CIFAR10 类似,但包含 100 个类别,每个类别有 600 张图像,共 60000 张图像,训练集和测试集分别为 50000 和 10000 张。

使用方法演示:

import torchvision
import torchvision.transforms as transforms# 定义数据预处理方式
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])# 加载训练集
trainset = torchvision.datasets.CIFAR10(root='./data',train=True,download=True,transform=transform
)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=2
)# 加载测试集
testset = torchvision.datasets.CIFAR10(root='./data',train=False,download=True,transform=transform
)
testloader = torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False,num_workers=2
)# 输出训练集中的前 4 张图像及其标签
dataiter = iter(trainloader)
images, labels = next(dataiter)
print(' '.join(f'{trainset.classes[labels[j]]}' for j in range(4)))

MNIST

  • MNIST :手写数字数据集,包含 60000 张训练图像和 10000 张测试图像,每个图像是 28x28 的灰度图像。

    • 参数:

      • root :数据集根目录。

      • train :布尔值,指示是否为训练集。

      • transform :对图像进行变换的函数。

      • target_transform :对目标进行变换的函数。

      • download :布尔值,指示是否下载数据集。

  • Fashion-MNIST :与 MNIST 类似,但包含时尚产品的灰度图像,共 10 个类别,每个类别 7000 张图像,训练集和测试集分别为 60000 和 10000 张。

  • KMNIST :与 MNIST 类似,但基于日文字符数据集,用于替代 MNIST 数据集进行实验。

使用方法演示:

import torchvision
import torchvision.transforms as transforms
# 加载 MNIST 数据集
transform = transforms.Compose([transforms.ToTensor()])trainset = torchvision.datasets.MNIST(root='./data',train=True,download=True,transform=transform
)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=2
)testset = torchvision.datasets.MNIST(root='./data',train=False,download=True,transform=transform
)
testloader = torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False,num_workers=2
)# 输出训练集中的前 4 张图像及其标签
dataiter = iter(trainloader)
images, labels = next(dataiter)
print(' '.join(f'{labels[j].item()}' for j in range(4)))

ImageFolder

  • ImageFolder不是具体某个数据集。它是一个通用的图像数据加载工具类,是PyTorch中用于加载图像分类数据集的一个实用类,特别适用于将文件夹结构映射到类别标签上‌。它能够自动遍历指定目录下的所有子文件夹,并将每个子文件夹视为一个不同的类别或标签,从而将图像数据加载并组织成PyTorch的Dataset对象‌

    • 参数:

      • root :根目录路径,图像按类别文件夹存放。

      • transform :对 PIL 图像进行变换的函数。

      • target_transform :对目标进行变换的函数。

      • loader :给定路径加载图像的函数。

      • is_valid_file :检查图像文件是否有效的函数。

使用方法演示:

import torchvision
import torchvision.transforms as transforms
# 假设数据存储在 ./data/custom_data/ 下,按文件夹分类
transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])
])dataset = torchvision.datasets.ImageFolder(root='./data/custom_data/',transform=transform
)
dataloader = torch.utils.data.DataLoader(dataset,batch_size=4,shuffle=True,num_workers=2
)# 输出数据集中的前 4 张图像及其标签
dataiter = iter(dataloader)
images, labels = next(dataiter)
print(' '.join(f'{dataset.classes[labels[j]]}' for j in range(4)))

COCO

  • CocoCaptionstorchvision.datasets 中的 COCO 数据集,全称为 Microsoft Common Objects in Context(MS COCO),是计算机视觉领域一个大规模、丰富的数据集,广泛应用于目标检测、分割和字幕生成等任务。包含超过 33 万张图片,其中 20 万张有标注。每张图片有 5 个字幕描述场景,标注了 80 个对象类别和 91 种材料类别,还包含 150 万个目标实例,25 万个带关键点标注的行人。适用于目标检测、图像分割、关键点检测、图像字幕生成等多种任务。

    • 参数:

      • root :存储图像的根目录。

      • annFile :标注文件的路径。

      • transform :对 PIL 图像进行变换的函数。

      • target_transform :对目标进行变换的函数。

      • transforms :同时对输入样本及其目标进行变换的函数。

  • CocoDetection :COCO 数据集中的目标检测任务数据集,参数与 CocoCaptions 类似。

import torchvision
import torchvision.transforms as transforms# 定义数据预处理方式
transform = transforms.Compose([transforms.ToTensor(),
])# 加载 COCO 数据集中的目标检测任务数据集
train_dataset = torchvision.datasets.CocoDetection(root='./data/coco/images/train2017',annFile='./data/coco/annotations/instances_train2017.json',transform=transform
)# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=4,shuffle=True,num_workers=2
)# 输出数据集中的前 4 张图像及其标注信息
dataiter = iter(train_loader)
images, targets = next(dataiter)
for i in range(4):print(f"图像 {i+1} 的标注信息:{targets[i]}")

 SVHN

  • SVHN :SVHN(Street View House Numbers)数据集是一个用于数字识别、目标检测等任务的计算机视觉数据集,由斯坦福大学于 2011 年发布,数据均采自 Google 街景图像中的门牌号码。主要用于训练数字识别模型,例如在停车场管理系统、道路交通管理系统等场景中,自动识别车辆号码中的数字。训练集包含 73257 张图像,用于训练模型。测试集包含 26032 张图像,用于评估模型性能。所有图像的大小为 32×32 像素,通道数为 3,是彩色图像,这增加了数据的复杂性,使其更接近现实世界的场景。对应 10 个类别,即数字 0 至 9,其中数字 “0” 的标签为 10。每个图像中可能包含多个数字,因此是一个多标签分类问题。

  • 参数:
    • download :布尔值,指示是否下载数据集。

    • target_transform :对目标进行变换的函数。

    • transform :对图像进行变换的函数。

    • split :指定数据集的分割方式,可选值为 'train'、'test' 或 'extra'。

    • root :数据集根目录。

import torchvision
import torchvision.transforms as transforms# 定义数据预处理方式
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])# 加载 SVHN 训练集和测试集
train_dataset = torchvision.datasets.SVHN(root='./data',split='train',download=True,transform=transform
)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=4,shuffle=True,num_workers=2
)test_dataset = torchvision.datasets.SVHN(root='./data',split='test',download=True,transform=transform
)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size=4,shuffle=False,num_workers=2
)# 输出训练集中的前 4 张图像及其标签
dataiter = iter(train_loader)
images, labels = next(dataiter)
print(' '.join(f'{labels[j].item()}' for j in range(4)))

 STL10

STL10 数据集是一个用于开发无监督特征学习、深度学习和自监督学习算法的图像识别数据集。所有图像均为 96×96 像素的彩色图像,比 CIFAR-10 的图像分辨率更高。共有 113000 张图像,包含 10 个类别,如飞机、鸟、车等。训练集有 5000 张标注图像,每个类别 500 张;测试集有 8000 张标注图像,每个类别 800 张;还有 100000 张无标签图像用于无监督学习。

  • 参数:

    • root :数据集根目录。

    • split :指定数据集的分割方式,可选值为 'train'、'test'、'unlabeled' 等。

    • folds :指定使用哪个折叠的数据,可选值为 0-9 或 None。

    • transform :对图像进行变换的函数。

    • target_transform :对目标进行变换的函数。

    • download :布尔值,指示是否下载数据集。

# 加载 STL10 训练集和测试集
train_dataset = torchvision.datasets.STL10(root='./data',split='train',download=True,transform=transform
)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=4,shuffle=True,num_workers=2
)test_dataset = torchvision.datasets.STL10(root='./data',split='test',download=True,transform=transform
)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size=4,shuffle=False,num_workers=2
)# 输出训练集中的前 4 张图像及其标签
dataiter = iter(train_loader)
images, labels = next(dataiter)
print(' '.join(f'{labels[j].item()}' for j in range(4)))

VOC

PASCAL VOC(Visual Object Classes)数据集是计算机视觉领域的重要资源,最初由英国牛津大学的计算机视觉小组创建,并在 PASCAL VOC 挑战赛中使用。VOC 2007 包含 9963 张标注过的图片,标注出 24640 个物体;VOC 2012 包含 11540 张图片,共 27450 个物体,类别数均为 20,包括人、动物(猫、狗、鸟等)、交通工具(汽车、自行车、飞机等)和室内物品(椅子、桌子等)等。

  • 参数:
    • transforms :同时对输入样本及其目标进行变换的函数。

    • target_transform :对目标进行变换的函数。

    • transform :对 PIL 图像进行变换的函数。

    • download :布尔值,指示是否下载数据集。

    • image_set :选择使用的图像集,可选值为 'train'、'trainval' 或 'val',若 year 为 2007,还可以是 'test'。

    • year :数据集年份,支持 2007 到 2012 年。

    • root :VOC 数据集的根目录。

  • VOCDetection :Pascal VOC 数据集中的目标检测任务数据集,参数与 VOCSegmentation 类似。

# 加载 VOC 数据集中的目标检测任务数据集
train_dataset = torchvision.datasets.VOCDetection(root='./data',year='2007',image_set='train',download=True
)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=4,shuffle=True,num_workers=2
)test_dataset = torchvision.datasets.VOCDetection(root='./data',year='2007',image_set='val',download=True
)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size=4,shuffle=False,num_workers=2
)# 输出训练集中的前 4 张图像及其标注信息
dataiter = iter(train_loader)
for i in range(4):image, target = next(dataiter)print(f"图像 {i+1} 的标注信息:{target}")

相关文章:

Python torchvision.datasets 下常用数据集配置和使用方法

torchvision.datasets 提供了许多常用的数据集类,以下是一些常用方法(datasets中有大量数据集处理方法,这里仅展示了部分数据集处理方法)及其实现类的介绍、用法和输入参数解释: CIFAR CIFAR10 :包含 10 个…...

unity使用iTextSharp生成PDF文件

iTextSharp 可以在VS中工具下面得NuGet包管理器中下载 ,具体操作可以搜一下 很多 , 我直接把我得生成pdf代码附上 我这个是生成我一个csv文件内容和图片 using System.IO; using UnityEngine; using iTextSharp.text; using iTextSharp.text.pdf; using…...

django admin 添加自定义页面

在Django中,你可以通过多种方式向Django Admin添加自定义页面。以下是一些常见的方法: 方法1:使用ModelAdmin的get_urls()方法 如果你只是想添加一个简单的页面来展示信息,你可以在你的ModelAdmin类中重写get_urls()方法。 from…...

Java并发编程|CompletableFuture原理与实战:从链式操作到异步编排

🔥 本文系统讲解Java并发编程核心类CompletableFuture,涵盖线程池配置策略、异步编程实践、异常处理机制等关键技术。通过电商订单系统与物流调度实战案例,深度解析:1)CompletableFuture链式操作与异步编排 2)多线程任务聚合与结果处理 3)生产级异常处理方案 4)组合操…...

动态自适应分区算法(DAPS)设计流程详解

动态自适应分区算法(Dynamic Adaptive Partitioning System, DAPS)是一种通过实时监测系统状态并动态调整资源分配策略的智能算法,广泛应用于缓存优化、分布式系统、工业制造等领域。本文将从设计流程的核心步骤出发,结合数学模型…...

优雅实现网页弹窗提示功能:JavaScript与CSS完美结合

在现代Web开发中,弹窗提示是提升用户体验的重要元素之一。本文将深入探讨如何实现一个优雅、可复用的弹窗提示系统,避免常见问题如重复触发、样式混乱等。 核心代码解析 // 控制弹窗是否可以显示的标志 let alertStatus true;// 显示提示信息 functio…...

LeetCode-Hot100

数组 1.数组——最大子数组和 解题思路:动态规划 动态规划解决问题的步骤:1.理解题意。题目要求只返回结果,不要求得到最大的连续子数组的哪一个,这样的问题常常可以用动态规划。 2.定义子问题:eg:以 −…...

【Redis】有序集合类型Sortedset 常用命令详解

此类型和 set 一样也是 string 类型元素的集合,且不允许重复的元素 不同的是每个元素都会关联一个double类型的分数,redis正是通过分数来为集合中的成员进行从小到大的排序 有序集合的成员是唯一,但分数(score)却可以重复 1. zadd - 添加 语法…...

前缀和-724.寻找数组的中心下标-力扣(LeetCode)

一、题目解析 我们需要求出中心下标处两边的和是否相等。 二、算法解析 解法1:暴力枚举 O(n*2)(时间复杂度) 固定i,计算[0,i-1]的和,计算[i1,n-1]的和,然后比较是否相等。遍历i为n次,每次计算n-1个数据的值&#xff…...

缓存与数据库数据一致性:旁路缓存、读写穿透和异步写入模式解析

旁路缓存模式、读写穿透模式和异步缓存写入模式是三种常见的缓存使用模式,以下是对三种经典缓存使用模式在缓存与数据库数据一致性方面更全面的分析: 一、旁路缓存模式(Cache - Aside Pattern) 1.数据读取流程 应用程序首先向缓…...

HTML邮件背景图兼容 Outlook

在 HTML 邮件中设置背景图片时,Outlook(尤其是桌面版的 Outlook for Windows)经常不会正确显示背景图,这是因为outlook 是使用 Word 作为邮件渲染引擎,而不是标准的 HTML/CSS 渲染方式。 推荐的解决方案:使…...

Linux之七大难命令(The Seven Difficult Commands of Linux)

Linux之七大难命令 、背景 作为Linux的初学者,肯定要先掌握高频使用的指令,这样才能让Linux的学习在短时间内事半功倍。但是,有些指令虽然功能强大,但因参数多而让初学者们很害怕,今天介绍Linux中高频使用&#xff0…...

每日Html 4.24

&#x1f4da; 每日一个Html小知识 &#x1f40d; 每天花1分钟&#xff0c;解锁一个Html实用技巧/冷知识&#xff01;无论是新手还是老手&#xff0c;这里都有让你眼前一亮的编程干货。 ✨ 今日主题&#xff1a;<dialog> 标签 &#x1f4a1; 你知道吗&#xff1f; 浏览…...

YOLOv11改进-双Backbone架构:利用双backbone提高yolo11目标检测的精度

一、引言&#xff1a;为什么我们需要双Backbone&#xff1f; 在目标检测任务中&#xff0c;YOLO系列模型因其高效的端到端检测能力而备受青睐。然而&#xff0c;传统YOLO模型大多采用单一Backbone结构&#xff0c;即利用一个卷积神经网络&#xff08;CNN&#xff09;作为特征提…...

嵌入式Linux驱动开发:LED实验

在嵌入式Linux驱动开发中&#xff0c;LED实验可以通过多种方式实现&#xff0c;主要包括设备树下的LED实验、新字符设备驱动的LED实验和GPIO子系统的LED实验。这三种方式在硬件资源管理、驱动架构和开发流程上有显著区别&#xff0c;下面从多个维度进行对比分析&#xff1a; 1.…...

系统与网络安全------弹性交换网络(2)

资料整理于网络资料、书本资料、AI&#xff0c;仅供个人学习参考。 Eth-Trunk 组网中经常会遇到的问题 链路聚合技术 概述 Eth-Trunk&#xff08;链路聚合技术&#xff09;作为一种捆绑技术&#xff0c;可以把多个独立的物理接口绑定在一起&#xff0c;作为一个大带宽的逻辑…...

Kotlin Multiplatform--01:项目结构基础

Kotlin Multiplatform--01&#xff1a;项目结构基础 引言Common CodeTargetsExpected 和 actual1.使用函数2.使用接口 引言 以下为使用 Android Studio 创建的默认 Kotlin Multiplatform 的项目结构&#xff0c;本章将对项目结构进行简单介绍&#xff0c;让读者对 Kotlin Multi…...

SEO(Search Engine Optimization,搜索引擎优化)相关知识点

SEO&#xff08;Search Engine Optimization&#xff09;是指搜索引擎优化&#xff0c;是计算机领域中通过技术手段和内容策略&#xff0c;提升网站在搜索引擎&#xff08;如Google、Bing、百度&#xff09;中自然&#xff08;非付费&#xff09;排名的系统性方法。是一种通过优…...

轻松完成视频创作,在线视频编辑器,无需下载软件,功能多样实用!

小白工具的在线视频编辑https://www.xiaobaitool.net/videos/edit/ 功能丰富、操作简便&#xff0c;在线裁剪或编辑视频工具&#xff0c;轻松完成视频创作能满足多种视频编辑需求。 格式支持广泛&#xff1a;可编辑超百种视频格式&#xff0c;基本涵盖常见和小众视频格式&#…...

typescript学习笔记(全)

1.安装 全局安装 npm i -g typescript局部安装 npm i typescript初始化 tsc --init就会在所在目录下创建出一个tsconfig.json的ts配置文件 2.编译 如果是全局安装 tsc index.ts就会在同目录下编译出一个index.js文件 如果是局部安装 npx tsc index.ts3.特性 1.静态类…...

centos挂载新的硬盘

如果要将 nvme0n1 挂载到 /data 目录&#xff08;而不是 /&#xff09;&#xff0c;操作会更简单&#xff0c;无需迁移系统文件。以下是详细步骤&#xff1a; 1. 检查磁盘情况 lsblk输出&#xff1a; NAME MAJ:MIN RM SIZE RO TYPE MOUNTPOINT sda 8:0 …...

​​客户案例 | 西昊智能家具:日事清【目标】【日程】【项目】助力高效OKR管理

随着社会现代化、科技化的发展&#xff0c;人们越来越青睐智能化的家具产品&#xff0c;以此来提升家居的安全性、便利性与舒适性。目前&#xff0c;智能家具的行业规模正在不断扩张&#xff0c;产业也逐渐步入高质量增长模式。面对繁荣的市场前景&#xff0c;西昊智能家具与日…...

16.磁环在EMC设计中的选型与运用

磁环在EMC设计中的选型与运用 1. 磁环选型的参数和注意事项2. 磁环的选型方法3. 非晶磁环 1. 磁环选型的参数和注意事项 &#xff08;1&#xff09;损耗电阻R(f)和L(f)是频率的函数&#xff0c;因此IL也是频率的函数&#xff1b; &#xff08;2&#xff09;fL段&#xff0c;R(f…...

oralce 查询未提交事务和终止提交事务

查询提交记录 SELECT s.sid,s.serial#,s.username,s.status,t.start_time,t.used_ublk,t.log_io,t.phy_io FROM v$session sJOIN v$transaction t ON s.saddr t.ses_addr; 查到的记录如下&#xff1a; 如果要终止第一次提交&#xff0c;如下操作 ALTER SYSTEM KILL SESSION…...

智能小助手部署 Win10 + ollama的Deepseek + CentOS+ maxKB

一、适用场景 1、企业内部知识管理 &#xff08;1&#xff09;快速查询政策与流程文档&#xff1a; 员工通过自然语言提问&#xff0c;MaxKB 能迅速定位相关文档并给出准确答案&#xff0c;减少人工检索成本&#xff0c;提升企业内部知识获取的效率。 &#xff08;2&#xff0…...

CentOS 7 系统中,防火墙要怎么使用?

在 CentOS 7 系统中&#xff0c;默认有两个防火墙管理工具&#xff1a; firewalld&#xff08;默认的动态防火墙&#xff0c;基于 D-Bus 管理&#xff09; iptables&#xff08;传统的静态防火墙&#xff0c;底层由 netfilter 提供支持&#xff09; 是否需要关闭这两个防火墙…...

网页版 deepseek 对话问答内容导出为 PDF 文件和 Word 文件的浏览器插件下载安装和使用说明

文章目录 网页版 deepseek 浏览器扩展应用程序插件1. 预览效果2. 功能介绍3. 浏览器扩展应用程序下载3.1. 下载方式13.2. 下载方式24. 安装教程4.1. Chrome 浏览器安装步骤4.2. Edge 浏览器安装步骤5. 使用说明网页版 deepseek 浏览器扩展应用程序插件 1. 预览效果 预览效果 导…...

MySQL 报错解析:SQLSyntaxErrorException caused by extra comma before FROM

一、遇到的错误 在日常开发中&#xff0c;尤其是使用 MyBatis 等 ORM 框架操作 SQL 时&#xff0c;我们经常会遇到类似下面的错误。 ### Error querying database. Cause: java.sql.SQLSyntaxErrorException: You have an error in your SQL syntax; check the manual that co…...

高光谱相机在生物医学中的应用:病理分析、智慧中医与成分分析

高光谱成像技术&#xff08;Hyperspectral Imaging, HSI&#xff09;通过捕捉物质的连续光谱信息与空间信息&#xff0c;形成“光谱立方体”&#xff0c;能够揭示传统成像技术无法获取的分子级特征。作为国内光谱技术领域的领军企业&#xff0c;深圳市中达瑞和科技有限公司依托…...

2025 年“泰迪杯”数据挖掘挑战赛B题——基于穿戴装备的身体活动监测问题分析

摘要 本文聚焦于基于穿戴设备采集的加速度计数据,深入研究志愿者在日常活动中的行为特征,构建了多个数学建模框架,实现从身体活动监测、能耗预测、睡眠阶段识别到久坐预警等多个目标。我们依托于多源数据融合与机器学习模型,对人体活动状态进行识别与分析,为健康管理、行…...

10.接口而非实现编程

10.接口而非实现编程 目录介绍 01.接口编程原则 1.1 接口指导思想 02.如何理解接口 2.1 重点搞清楚接口2.2 抽象的思想 03.来看一个案例 3.1 图片存储的案例3.2 业务拓展问题3.3 代码演变设计思想3.4 重构后的代码 04.定义接口的场景 4.1 要有接口意识4.2 接口具体的场景4.3 …...

基于大语言模型的AI智能体开发:构建具备工具使用能力的智能助手

本文将结合大语言模型&#xff08;LLM&#xff09;与工具调用能力&#xff0c;构建新一代AI智能体系统。通过ReAct框架实现智能思考-行动循环&#xff0c;集成网络搜索、计算器、API调用等外部工具&#xff0c;并基于LangChain实现可扩展的智能体架构。 一、新一代AI智能体技术…...

DS B/B+/B*树及其应用(21)

文章目录 前言一、常见的搜索结构内查找外查找 二、B树的概念三、B树的插入分析四、B树的插入实现B树的节点设计B树的查找B树插入Key / Key & Value的过程B树的完整插入代码B树的中序遍历B树的删除B树的性能分析 五、B树六、B*树七、B树系列总结及其应用总结 前言 我们计算…...

04-stm32的标准外设库

一、概述 1、STM32标准外设库&#xff08;Standard Peripheral Library&#xff09;是STMicroelectronics为STM32系列微控制器提供的一个软件库&#xff0c;它提供了一组API函数来简化对STM32微控制器硬件的访问。这个库包含了对各种外设&#xff08;如GPIO、USART、SPI、I2C等…...

ORACLE RAC环境使用ASM机制零宕机时间更换存储的实践

ORACLE RAC使用存储&#xff0c;随时系统的发展&#xff0c;磁盘空间以及存储的老化、更换是一个典型的动作&#xff1b;基于ASM数据自动均衡分配到各个磁盘LUN的特性&#xff0c;可以使用此方式进行在线的迁移&#xff0c;ORACLE MOS上有一个文档&#xff1a;中文版&#xff1…...

03_JavaScript

文章目录 一、概述1.1、JavaScript简介1.2、JavaScript组成部分1.3、为什么要学习JavaScript1.4、学习的目的1.5、JavaScript与Java的关系 二、使用位置及运行说明2.1、使用位置2.2、如何运行 三、JavaScript基础语法3.1、变量3.2、运算符3.3、控制流程3.3.1、分支结构3.3.2、循…...

Kafka消息可视化工具Offset Explorer

参考文献 Kafka消息可视化工具&#xff1a;Offset Explorer&#xff08;原名kafka Tool&#xff09;的使用方法【转】 - paul_hch - 博客园 https://zhuanlan.zhihu.com/p/722232008 正文 官网下载地址为Offset Explorer 双击offsetexplorer_64bit.exe 安装 双击 使用kafka…...

AXP2101入门

目录 核心功能与特性封装与配置安全与可靠性 AXP2101 是一款由全志公司开发的单电池 NVDC 电源管理集成电路&#xff08;PMIC&#xff09;&#xff0c;专为锂离子/锂聚合物单电池应用设计&#xff0c;适用于需要多通道电源输出的设备。 核心功能与特性 1.输入与充电管理 输入…...

Bytebase 取得 SOC 2 Type 1 认证

我们很高兴地宣布&#xff0c;Bytebase 已成功取得 SOC 2 Type 1 认证&#xff0c;印证了我们在数据库 DevSecOps 平台始终以最高标准保障安全性、可用性和保密性的承诺。 为了实现并维持 SOC 2 合规性&#xff0c;我们与 Vanta 合作进行自动安全监控和合规性验证。审计由独立…...

反爬系列 IP 限制与频率封禁应对指南

在数据采集领域&#xff0c;IP 限制与频率封禁是反爬机制中最常见的防御手段。随着网站安全策略的升级&#xff0c;单靠传统爬虫技术已难以应对高强度的检测。本文将从反爬机制解析、实战应对策略两个维度&#xff0c;系统讲解如何突破 IP 限制与频率封禁。 一、反爬机制解析 …...

Java的进阶学习

注解 Java注解(Annotation)又称为Java标注&#xff0c;是JDK5.0引入的一种注释机制&#xff0c;可以用在类、方法、变量、参数成员上&#xff0c;在编译期间&#xff0c;会被编译到字节码文件中&#xff0c;运行时通过反射机制获得注解内容进行解析。 内置注解 Java语言已经定…...

从零开始学习SLAM|技术路线

概念 视觉SLAM&#xff08;Simultaneous Localization and Mapping&#xff09;系统中&#xff0c;整个过程通常分为 前端 和 后端 两个主要部分。前端处理的是从传感器数据&#xff08;如相机图像、激光雷达等&#xff09;中提取和处理信息&#xff0c;用于实时定位和建图&am…...

vue3:十一、主页面布局(修改顶部导航栏样式-右侧:用户信息+退出登录+全屏显示)

一、效果 完成效果,增加顶部导航栏,右侧用户信息(其中个人中心需要后续进行页面开发,这里只写了退出登录功能),以及全屏功能 二、搭建并引入右侧组件 将右侧内容封装到单独的组件,直接引入(像左侧导航条等内容也是可以做成这种形式) 1、新建右侧组件的页面 在layout中…...

车载客流记录仪简介

一、产品概述 车载客流记录仪技术是采用智能视频分析算法&#xff0c;通过人体形态特征&#xff08;头部和肩部&#xff09;及上下车的运动规律研判&#xff0c;在设定区域内分析出上下车人数数量&#xff0c;实现相关人数数据的统计和记录。能够为公共交通企业、公共交通管理…...

2025新版懒人精灵零基础及各板块核心系统视频教程-全分辨率免ROOT自动化开发

2025新版懒人精灵零基础安装调试lua基础UI设计交互常用方法封装项目实战项目打包安装板块-视频教程(初学者必修课) 1.懒人精灵核心API基础和lua基础视频教程&#xff1a;https://www.bilibili.com/video/BV1Vm9kYJEfM/ 其它板块教程(包含&#xff1a;对接AI、实战、插件、UI、…...

从 Java 到 Kotlin:在现有项目中迁移的最佳实践!

全文目录&#xff1a; 开篇语 1. 为什么选择 Kotlin&#xff1f;1.1 Kotlin 与 Java 的兼容性1.2 Kotlin 的优势1.3 Kotlin 的挑战 2. Kotlin 迁移最佳实践2.1 渐进式迁移2.1.1 步骤一&#xff1a;将 Kotlin 集成到现有的构建工具中2.1.2 步骤二&#xff1a;逐步迁移2.1.3 步骤…...

矩阵运营的限流问题本质上是平台与创作者之间的流量博弈

矩阵运营的限流问题本质上是平台与创作者之间的流量博弈&#xff0c;要系统性解决这一问题&#xff0c;需从技术规避、内容优化、运营策略三个维度构建防御体系。以下结合平台算法逻辑与实战案例&#xff0c;深度解析限流成因及破解之道&#xff1a; 一、技术层&#xff1a;突…...

一种Spark程序运行指标的采集与任务诊断实现方式

一种Spark程序运行指标的采集与任务诊断实现方式 编写时间:2023年8月2日 第一次校准时间:2023年8月2日 文章目录 一种Spark程序运行指标的采集与任务诊断实现方式数据链路采集器的类图CustomSparkListener采集的指标task相关stage相关Job相关Executors相关诊断诊断分类调度阶…...

Gazebo 仿真环境系列教程(一):环境安装与基础使用

文章目录 一、版本说明与技术背景1.1 Gazebo 版本分支1.2 版本选择建议 二、系统环境准备2.1 硬件要求2.2 软件依赖 三、Gazebo Garden 安装流程3.1 添加官方软件源3.2 执行安装命令3.3 环境验证 四、Gazebo Classic 安装方法4.1 添加软件仓库4.2 安装核心组件4.3 验证安装 五、…...

Nginx 中间件

Nginx&#xff08;发音为 "engine-x"&#xff09;是一款开源的高性能 HTTP 服务器和反向代理服务器&#xff0c;最初由 Igor Sysoev 开发。 它以其高性能、稳定性、丰富的功能集和低资源消耗而闻名&#xff0c;广泛应用于全球的 Web 服务架构中。 作为中间件&#…...