当前位置：首页 > news >正文

TensorFlow/Keras实现知识蒸馏案例

news 来源：原创 2025/6/21 9:15:10

创建一个“教师”模型（一个稍微复杂点的网络）。
创建一个“学生”模型（一个更简单的网络）。
使用“软标签”（教师模型的输出概率）和“硬标签”（真实标签）来训练学生模型。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np# 0. 准备一些简单的数据 (例如 MNIST)
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()# 数据预处理
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)# 将标签转换为独热编码
y_train_cat = keras.utils.to_categorical(y_train, num_classes=10)
y_test_cat = keras.utils.to_categorical(y_test, num_classes=10)# 1. 定义教师模型
teacher_model = keras.Sequential([keras.Input(shape=(28, 28, 1)),layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),layers.MaxPooling2D(pool_size=(2, 2)),layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),layers.MaxPooling2D(pool_size=(2, 2)),layers.Flatten(),layers.Dense(128, activation="relu"),layers.Dense(10, name="teacher_logits"), # 输出 logitslayers.Activation("softmax") # 输出概率，用于评估],name="teacher",
)
teacher_model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"]
)
print("--- 训练教师模型 ---")
teacher_model.fit(x_train, y_train_cat, epochs=5, batch_size=128, validation_split=0.1, verbose=2)
loss, acc = teacher_model.evaluate(x_test, y_test_cat, verbose=0)
print(f"教师模型在测试集上的准确率: {acc:.4f}")# 2. 定义学生模型 (更小更简单)
student_model = keras.Sequential([keras.Input(shape=(28, 28, 1)),layers.Flatten(),layers.Dense(32, activation="relu"),layers.Dense(10, name="student_logits"), # 输出 logitslayers.Activation("softmax") # 输出概率，用于评估],name="student",
)# 3. 定义蒸馏损失函数
class Distiller(keras.Model):def __init__(self, student, teacher):super().__init__()self.teacher = teacherself.student = studentself.student_loss_fn = keras.losses.CategoricalCrossentropy(from_logits=False) # 学生模型使用真实标签的损失self.distillation_loss_fn = keras.losses.KLDivergence() # KL散度作为蒸馏损失self.alpha = 0.1  # 蒸馏损失的权重self.temperature = 3  # 蒸馏温度，用于平滑教师模型的输出def compile(self,optimizer,metrics,student_loss_fn,distillation_loss_fn,alpha,temperature,):super().compile(optimizer=optimizer, metrics=metrics)self.student_loss_fn = student_loss_fnself.distillation_loss_fn = distillation_loss_fnself.alpha = alphaself.temperature = temperaturedef train_step(self, data):x, y = data # y 是真实标签 (硬标签)# 获取教师模型的软标签# 注意：我们通常使用教师模型的 logits (softmax之前的输出) 并应用温度# 但为了简化，这里直接使用教师模型的softmax输出，并在损失函数中处理温度# 更严谨的做法是在教师模型输出logits后，除以temperature再进行softmaxteacher_predictions_raw = self.teacher(x, training=False) # 教师模型不参与训练with tf.GradientTape() as tape:# 学生模型对输入的预测student_predictions_raw = self.student(x, training=True)# 计算学生损失 (使用硬标签)student_loss = self.student_loss_fn(y, student_predictions_raw)# 计算蒸馏损失 (使用教师的软标签)# 软化教师和学生的概率分布# 使用教师模型的 logits (如果可用) 并除以 temperature 会更好# 这里为了简化，我们假设 teacher_predictions_raw 是概率，学生也是# 实际上 KLDivergence 期望 y_true 和 y_pred 都是概率分布# KLDivergence(softmax(teacher_logits/T), softmax(student_logits/T))# 这里我们简化为直接使用softmax输出，并在KLDivergence内部处理# 注意：KLDivergence的输入应该是概率分布。# 实际应用中，更常见的做法是先获取教师的logits，然后进行如下操作：# teacher_logits = self.teacher.get_layer('teacher_logits').output# soft_teacher_targets = tf.nn.softmax(teacher_logits / self.temperature)# soft_student_predictions = tf.nn.softmax(self.student.get_layer('student_logits').output / self.temperature)# dist_loss = self.distillation_loss_fn(soft_teacher_targets, soft_student_predictions) * (self.temperature ** 2)# 为了代码的简洁性，我们这里直接使用Keras内置的KLDivergence，它期望概率输入# 我们不显式地在这里应用temperature到softmax，而是理解为蒸馏目标本身就比较“软”# 实际上，更标准的蒸馏损失是 KL(softmax(teacher_logits/T) || softmax(student_logits/T))# Keras 的 KLDivergence(y_true, y_pred) 计算的是 sum(y_true * log(y_true / y_pred))# 当y_true是教师的软标签时，它已经是概率了。distillation_loss = self.distillation_loss_fn(tf.nn.softmax(teacher_predictions_raw / self.temperature), # 软化教师的预测tf.nn.softmax(student_predictions_raw / self.temperature)  # 软化学生的预测)# KLDivergence 期望 y_true 和 y_pred 都是概率。# 如果教师输出的是logits，正确的软化方式是：# soft_teacher_labels = tf.nn.softmax(teacher_logits / self.temperature)# soft_student_probs = tf.nn.softmax(student_logits / self.temperature)# dist_loss = self.distillation_loss_fn(soft_teacher_labels, soft_student_probs)# Hinton论文中的蒸馏损失通常乘以 T^2# 但这里KLDivergence的实现可能有所不同，我们先简化# loss = self.alpha * student_loss + (1 - self.alpha) * distillation_loss # Hinton论文是这样# 或者，更常见的是：loss = (1 - self.alpha) * student_loss + self.alpha * (self.temperature**2) * distillation_loss# 计算梯度trainable_vars = self.student.trainable_variablesgradients = tape.gradient(loss, trainable_vars)# 更新学生模型的权重self.optimizer.apply_gradients(zip(gradients, trainable_vars))# 更新指标self.compiled_metrics.update_state(y, student_predictions_raw)results = {m.name: m.result() for m in self.metrics}results.update({"student_loss": student_loss, "distillation_loss": distillation_loss})return resultsdef test_step(self, data):x, y = datay_prediction = self.student(x, training=False)student_loss = self.student_loss_fn(y, y_prediction)self.compiled_metrics.update_state(y, y_prediction)results = {m.name: m.result() for m in self.metrics}results.update({"student_loss": student_loss})return results# 4. 初始化和编译蒸馏器
distiller = Distiller(student=student_model, teacher=teacher_model)
distiller.compile(optimizer=keras.optimizers.Adam(),metrics=["accuracy"],student_loss_fn=keras.losses.CategoricalCrossentropy(from_logits=False),distillation_loss_fn=keras.losses.KLDivergence(),alpha=0.2, # 蒸馏损失的权重 (原始学生损失权重为 1-alpha)temperature=5.0, # 蒸馏温度
)# 5. 训练学生模型 (通过蒸馏器)
print("\n--- 训练学生模型 (蒸馏) ---")
distiller.fit(x_train, y_train_cat, epochs=10, batch_size=256, validation_split=0.1, verbose=2)# 评估蒸馏后的学生模型
loss, acc = student_model.evaluate(x_test, y_test_cat, verbose=0)
print(f"蒸馏后的学生模型在测试集上的准确率: {acc:.4f}")# (可选) 单独训练一个没有蒸馏的学生模型作为对比
print("\n--- 训练学生模型 (无蒸馏) ---")
student_model_scratch = keras.Sequential([keras.Input(shape=(28, 28, 1)),layers.Flatten(),layers.Dense(32, activation="relu"),layers.Dense(10, activation="softmax"),],name="student_scratch",
)
student_model_scratch.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"]
)
student_model_scratch.fit(x_train, y_train_cat, epochs=10, batch_size=256, validation_split=0.1, verbose=2)
loss_scratch, acc_scratch = student_model_scratch.evaluate(x_test, y_test_cat, verbose=0)
print(f"从零开始训练的学生模型在测试集上的准确率: {acc_scratch:.4f}")

代码解释:

数据准备: 使用了经典的 MNIST 数据集。
教师模型 (teacher_model): 一个包含两个卷积层和一个全连接层的简单卷积神经网络。它首先在数据集上进行正常的训练。
学生模型 (student_model): 一个非常简单的模型，只有一个全连接层。我们的目标是让这个小模型通过蒸馏学习到教师模型的部分能力。
Distiller 类:
- __init__: 初始化时接收教师模型和学生模型。
- compile: 配置优化器、指标，以及两个关键的损失函数：student_loss_fn (学生模型直接与真实标签计算损失) 和 distillation_loss_fn (学生模型与教师模型的软标签计算损失)。alpha 用于平衡这两种损失，temperature 用于平滑教师模型的输出概率，使其更“软”，包含更多类别间的信息。
- train_step: 这是自定义训练的核心。
  - 首先，获取教师模型对当前批次数据的预测 (teacher_predictions_raw)。教师模型设置为 training=False，因为我们不希望在蒸馏过程中更新教师模型的权重。
  - 然后，在 tf.GradientTape 上下文中，获取学生模型的预测 (student_predictions_raw)。
  - 学生损失 (student_loss): 学生模型的预测与真实标签 (y) 之间的交叉熵损失。
  - 蒸馏损失 (distillation_loss):
    - 我们使用 tf.nn.softmax(predictions / self.temperature) 来软化教师和学生的预测。温度 T 越大，概率分布越平滑，类别之间的差异信息越能被学生模型学习到。
    - 然后使用 KLDivergence 计算软化的学生预测与软化的教师预测之间的KL散度。KL散度衡量两个概率分布之间的差异。
    - Hinton 等人的原始论文中，蒸馏损失项通常还会乘以 temperature**2 来保持梯度的大小与不使用温度时的梯度大小相当。
  - 总损失 (loss): 学生损失和蒸馏损失的加权和。alpha 控制蒸馏损失的贡献程度。常见的组合是 (1 - alpha) * student_loss + alpha * scaled_distillation_loss。
  - 最后，计算梯度并更新学生模型的权重。
- test_step: 在评估阶段，我们只关心学生模型在真实标签上的表现。
训练和评估:
- 创建 Distiller 实例。
- 编译 Distiller，传入必要的参数。
- 调用 distiller.fit() 来训练学生模型。
- 最后，评估蒸馏后的学生模型的性能。
对比: (可选) 我们还训练了一个同样结构但没有经过蒸馏的学生模型 (student_model_scratch)，以便对比蒸馏带来的效果。通常情况下，蒸馏后的学生模型性能会优于从零开始训练的同结构小模型，尤其是在复杂任务或小模型容量有限时。

关键概念:

软标签 (Soft Labels): 教师模型输出的概率分布（经过温度平滑）。与硬标签（one-hot 编码的真实类别）相比，软标签包含了更多关于类别之间相似性的信息。例如，教师模型可能认为一张图片是数字 “7” 的概率是 0.7，是数字 “1” 的概率是 0.2，是其他数字的概率很小。这种信息对学生模型很有价值。
温度 (Temperature, T): 一个超参数，用于在计算 softmax 时平滑概率分布。较高的温度会产生更软的概率分布（熵更高），使非目标类别的概率也相对提高，从而让学生模型学习到更多类别间的细微差别。
KL 散度 (Kullback-Leibler Divergence): 用于衡量两个概率分布之间差异的指标。在蒸馏中，我们希望最小化学生模型的软输出与教师模型的软输出之间的KL散度。
损失函数组合: 总损失函数通常是学生模型在真实标签上的标准损失（如交叉熵）和蒸馏损失（如KL散度）的加权和。

在这里插入图片描述

TensorFlow/Keras实现知识蒸馏案例

创建一个“教师”模型（一个稍微复杂点的网络）。创建一个“学生”模型（一个更简单的网络）。使用“软标签”（教师模型的输出概率）和“硬标签”（真实标签）来训练学生模型。 import tens…...

编程日记 2025/6/21 9:15:10

能源数字化转型关键引擎：Profinet转Modbus TCP网关驱动设备协同升级

在工业自动化的世界中，ModbusTCP和Profinet是两个非常重要的通讯协议。ModbusTCP以其开放性和易用性，被广泛应用于各种工业设备中；而Profinet则以其高效性和实时性，成为了众多高端设备的首选。然而，由于这两种协议的差…...

编程日记 2025/5/26 7:17:11

大模型的实践应用43-基于Qwen3(32B)+LangChain框架+MCP+RAG+传统算法的旅游行程规划系统

大家好，我是微学AI，今天给大家介绍一下大模型的实践应用43-基于Qwen3(32B)+LangChain框架+MCP+RAG+传统算法的旅游行程规划系统。本报告将阐述基于大模型Qwen3(32B)、LangChain框架、MCP协议、RAG技术以及传统算法构建的智能旅游行程规划系统。该系统通过整合多种技术优势，实…...

编程日记 2025/5/26 10:42:29

【Unity】用事件广播的方式实现游戏暂停，简单且实用！

1.前言在做Unity项目的时候，要考虑到“游戏暂停”的功能，最直接的办法是修改游戏的Time.TimeScale 0f。但是这种方式的影响也比较大，因为它会导致游戏中很多程序无法正常运行。于是我就有了一个想法，在游戏中想要暂停的对象&…...

编程日记 2025/6/3 3:22:08

二维数组以及C99中的变长数组（如何在VS2022中使用苹果的clang编译器）

一、二维数组的创建 1.1 二维数组的概念在上一篇文章中所写的称为一维数组，数组的元素都是内置类型的，如果我们把一维数组作为数组的元素，这时候就是二维数组，二维数组作为数组元素的数组被称为三维数组，二维数组以…...

编程日记 2025/6/21 9:10:21

影楼精修-肤色统一算法解析

注意：本文样例图片为了避免侵权，均使用AIGC生成； 本文介绍影楼精修中肤色统一算法的实现方案，并以像素蛋糕为例，进行分析说明。肤色统一就是将人像照片中皮肤区域的颜色进行统一，看起来颜色均匀一致&…...

编程日记 2025/6/20 0:16:06

mac的Cli为什么输入python3才有用python --version显示无效，pyenv入门笔记，如何查看mac自带的标准库模块

根据你的终端输出，可以得出以下结论： 1. 你的 Mac 当前只有一个 Python 版本系统默认的 Python 3 位于 /usr/bin/python3（这是 macOS 自带的 Python）通过 which python3 确认当前使用的就是系统自带的 Pythonbrew list python …...

编程日记 2025/5/26 10:35:39

城市内涝监测预警系统守护城市安全

一、系统背景城市内涝是指由于强降水或连续性降水超过城市排水能力，导致城市内产生积水灾害的现象。随着气候变化和城市化进程的加快，城市内涝现象愈发频繁和严重。传统的城市排水系统已难以满足当前的城市排水需求，特别是在暴雨等极端天气条…...

编程日记 2025/6/21 9:03:26

ThinkPad X250电池换电池芯（理论技术储备）

参考：笔记本电池换电芯的经验与心得分享 - 经典ThinkPad专区 - 专门网换电池芯，需要克服以下问题： 1 拆电池。由于是超声波焊接，拆解比较费力，如果暴力撬，有可能导致电池壳变形... 2 替换电池芯的时候如…...

编程日记 2025/5/29 17:31:27

2025第三届盘古初赛（计算机部分）

前言比赛的时候时间不对，打一会干一会，导致比赛时候思路都跟不上，赛后简单复现一下，希望大家批批一下计算机取证 1、分析贾韦码计算机检材，计算机系统Build版本为？【标准格式：19000】 183…...

编程日记 2025/5/25 10:24:19

qtc++ qdebug日志生成

本文介绍了将qdebug注册到日志系统，这样qdebug打印的信息将记录在日志文本文件，方便观看程序运行中的历史信息，但是需要注意的是，注册后qdebug的信息将不会打印在qtcreator的输出中，所以作者建议，在开发的时…...

编程日记 2025/5/25 7:52:19

Tomcat 配置 HTTPS 访问全攻略（CentOS 环境）

Tomcat 配置 HTTPS 访问全攻略（CentOS 环境） 一、环境说明操作系统：CentOS Tomcat 版本：Apache Tomcat/9.0.105 服务器 IP：192.168.1.35 目标：将 Tomcat 默认的 HTTP 访问升级为 HTTPS，提…...

编程日记 2025/5/29 19:04:26

20250516使用TF卡将NanoPi NEO core开发板出厂的Ubuntu core22.04.3系统降级到Ubuntu core16.04.2

20250516使用TF卡将NanoPi NEO core开发板出厂的Ubuntu core22.04.3系统降级到Ubuntu core16.04.2 2025/5/16 10:58 缘起：NanoPi NEO core核心板出厂预制的OS操作系统为Ubuntu core22.04.3系统。【虽然是友善之臂提供的最新的系统，但是缺少很多用用程序…...

编程日记 2025/6/1 8:45:33

针对大事务问题对业务存储过程改造

针对大事务问题对业务存储过程改造一、问题描述 1. 问题现象业务调用存储过程没有成功，发现存在大事务，单独拿出来执行发现问题。 greatsql> INSERT INTOywdb1.t1(TIMEKEY,zbbh,zcbl,zcblms,zjzh,zjzhms,cbzh,ljzjzh,xmbh,xmmc,sfgj,dd,ddsm,cb…...

编程日记 2025/5/29 17:38:11

如何解决Move to iOS 不起作用的问题?

iPhone 16系列已经上市有一段时间了。你已经把旧的 Android 手机换成了 iPhone 16 了吗？然而，当您兴奋地准备传输数据时，您发现 Move to iOS 无法正常工作。这确实令人沮丧。但不用担心，因为我们找到了 9 个有效的解决方案&#x…...

编程日记 2025/6/20 9:17:10

npm cross-env工具包介绍（跨平台环境变量设置工具）

文章目录 cross-env：跨平台环境变量设置工具什么是cross-env？为什么需要cross-env？平台差异带来的问题 cross-env的工作原理核心功能技术实现安装与基本使用安装步骤基本使用方法运行效果高级使用技巧设置多个环境变量环境变量传递与链式命…...

编程日记 2025/5/30 16:44:18

分布式锁: Redis和ZooKeeper两种分布式锁对比

在分布式系统中，分布式锁是协调多节点共享资源访问的核心机制。Redis 和 ZooKeeper 是两种常用的分布式锁实现方案，但两者的设计理念、适用场景和优缺点存在显著差异。本文将从一致性模型、性能、可靠性、实现原理等维度进行对比，并提供技术…...

编程日记 2025/5/29 22:23:00

笔试强训：Day5

一、笨小猴（哈希数学） 笨小猴_牛客题霸_牛客网 #include <iostream> #include <cmath> using namespace std; string s; bool isprime(int x){//试除法if(x2) return true;if(x<2||x%20) return false;int nsqrt(x);for(int i3;i<n;i…...

编程日记 2025/5/24 0:01:58

Flask框架搭建

1、安装Flask 打开终端运行以下命令： pip install Flask 2、创建项目目录在Windows上： venv\Scripts\activate 执行 3、创建 app.py 文件可以在windows终端上创建app.py文件 （1）终端中创建使用echo命令 echo "fr…...

编程日记 2025/5/31 15:33:07

【Kubernetes】单Master集群部署（第二篇）

目录前言一、实验环境二、操作系统初始化配置三、部署 docker引擎四、部署 etcd 集群 4.1 准备签发证书环境 4.2 准备cfssl证书生成工具 4.3 生成Etcd证书 4.4 启动etcd服务 4.5 检查群集状态五、部署 Master 组件 5.1 准备软件包 5.2 创建用于生成CA证书、…...

编程日记 2025/5/27 8:39:17

JavaScript性能优化实战（10）：前端框架性能优化深度解析

引言 React、Vue、Angular等框架虽然提供了强大的抽象和开发效率，但不恰当的使用方式会导致严重的性能问题，针对这些问题，本文将深入探讨前端框架性能优化的核心技术和最佳实践。 React性能优化核心技术 React通过虚拟DOM和高效的渲染机制提供了出色的性能，但当应用规模…...

编程日记 2025/5/29 12:42:39

vue3中预览Excel文件

1.前言有时候项目中需要预览Excel文件，特别是对于.xls格式的Excel文件许多插件都不支持，经过尝试，最终有三种方案可以实现.xlsx和.xls格式的Excel文件的预览，各有优缺点 2.luckyexcel插件 2.1说明该插件优点在于能保留源文件…...

编程日记 2025/5/28 15:14:17

VsCode和AI的前端使用体验：分别使用了Copilot、通义灵码、iflyCode和Trae

1、前言大杂烩~每次开发一行代码，各个AI争先恐后抢着提供帮助备注：四款插件都需要先去官网注册账号，安装好之后有个账号验证。 2、插件详解 2.1、AI分析的答案 GitHub Copilot 定位：老牌 AI 代码补全工具，深度集成…...

编程日记 2025/5/29 7:56:41

【问题排查】easyexcel日志打印Empty row!

问题原因日志打印I/O 操作开销（如 Log4j 的 FileAppender）会阻塞业务线程，直到日志写入完成，导致接口响应变慢问题描述在线上环境，客户反馈导入一个不到1MB的excel文件，耗时将近5分钟。问题排…...

编程日记 2025/5/29 23:27:47

若依框架SpringBoot从Mysql替换集成人大金仓（KingBase）数据库

一、安装人大金仓数据库 1、下载前往人大金仓数据库下载自己想要的版本（建议下载Mysql兼容版）人大金仓官网，点击服务与支持，点击安装包下载点击软件版本，选择数据库选择合适的版本，点击下载&#xff0…...

编程日记 2025/6/3 11:36:58

Graph Representation Learning【图最短路径优化/Node2vec/Deepwalk】

文章目录 Q1：网络性质：1.数据读取与邻接表构建：2.基本特征和连通性： 算法思路：1. 广度优先搜索（BFS）标记前驱:2. 回溯生成所有最短路径: 实验结果：复杂度分析： Q2&#x…...

编程日记 2025/5/27 7:39:42

ZYNQ Overlay硬件库使用指南：用Python玩转FPGA加速

在传统的FPGA开发中，硬件设计需要掌握Verilog/VHDL等硬件描述语言，这对软件开发者而言门槛较高。Xilinx的PYNQ框架通过Overlay硬件库彻底改变了这一现状——开发者只需调用Python API即可控制FPGA的硬件模块，实现硬件加速与灵活配置。本文将深入探讨ZYNQ Overlay的核心概念、…...

编程日记 2025/5/29 10:27:46

Git基础使用方法与命令总结

Git 是一个分布式版本控制系统，用于跟踪代码或文件的修改历史。以下是 Git 的基础使用方法和常用命令，适合快速上手： 1. 安装与配置安装 Git 下载地址：https://git-scm.com/downloads（支持 Windows/macOS/Linux&…...

编程日记 2025/5/26 7:50:21

rust语言，与c,go语言一样也是编译成二进制文件吗？

是的，Rust 和 C、Go 一样，默认情况下会将代码编译成二进制可执行文件（如 ELF、PE、Mach-O 等格式），但它们的编译过程和运行时特性有所不同： 1. Rust（类似 C，直接编译为机器码&#x…...

编程日记 2025/5/29 18:29:11

从银行排队到零钱支付：用“钱包经济学”重构Java缓存认知

"当你的系统还在频繁访问数据库银行时，聪明的开发者早已学会用钱包零钱策略实现毫秒级响应——本文将用理财思维拆解缓存设计精髓，教你如何让代码学会小额快付的架构艺术。" 【缓存】作为程序员必须理解的概念之一，让我们用 ‌「钱…...

编程日记 2025/5/28 8:21:15

Json rpc 2.0比起传统Json在通信中的优势

JSON-RPC 2.0 相较于直接使用传统 JSON 进行通信，在协议规范性、开发效率、通信性能等方面具有显著优势。以下是核心差异点及技术价值分析： 一、结构化通信协议，降低开发成本传统 JSON 通信需要开发者自定义数据结构和处理逻辑，…...

编程日记 2025/5/27 8:41:45

无缝部署您的应用程序：将 Jenkins Pipelines 与 ArgoCD 集成

在 DevOps 领域，自动化是主要目标之一。这包括自动化软件部署方式。与其依赖某人在部署软件的机器上进行 rsync/FTP/编写软件，不如使用 CI/CD 的概念。 CI，即持续集成，是通过代码提交创建工件的步骤。这可以是 Docker 镜像&#…...

编程日记 2025/5/27 15:21:31

网络安全-等级保护(等保) 2-5-1 GB/T 25070—2019 附录B (资料性附录)第三级系统安全保护环境设计示例

################################################################################ 文档标记说明： 淡蓝色：时间顺序标记。橙色：为网络安全标准要点。引用斜体：为非本文件内容，个人注解说明。加粗标记&#xff1a…...

编程日记 2025/5/27 20:45:23

精准掌控张力动态，重构卷对卷工艺设计

一、MapleSim Web Handling Library仿真和虚拟调试解决方案在柔性材料加工领域，卷对卷（Roll-to-Roll）工艺的效率与质量直接决定了产品竞争力。如何在高动态生产场景中实现张力稳定、减少断裂风险、优化加工速度，是行业长期面临的…...

编程日记 2025/5/26 7:49:29

怎么使用python进行PostgreSQL 数据库连接？

使用Python连接PostgreSQL数据库在Python中连接PostgreSQL数据库，最常用的库是psycopg2。以下是详细的使用指南： 安装psycopg2 首先需要安装psycopg2库： pip install psycopg2 # 或者使用二进制版本（安装更快） pi…...

编程日记 2025/5/17 5:38:18

SQL Server权限设置的几种方法

SQL Server 的权限设置是数据库安全管理的核心，正确配置权限可以有效防止数据泄露、误操作和恶意篡改。下面详细介绍 SQL Server 权限设置的方法，涵盖从登录名创建到用户授权的完整流程。一、权限设置的基本概念 SQL Server 的权限体系主要包括以下几…...

编程日记 2025/5/29 13:14:45

Neo4j（一） - Neo4j安装教程（Windows）

文章目录前言一、JDK与Neo4j版本对应关系二、JDK11安装及配置1. JDK11下载2. 解压3. 配置环境变量3.1 打开系统属性设置3.2 新建系统环境变量3.3 编辑 PATH 环境变量3.4 验证环境变量是否配置成功三、Neo4j安装（Windows）1. 下载并解压Neo4j安装包1.1 下…...

编程日记 2025/5/30 0:13:00

idea启用lombok

有lombok的项目在用idea打开的时候会提示启用lombok，但是。。。不小心就落下了...

编程日记 2025/5/27 8:33:12

uniapp婚纱预约小程序

uniapp婚纱预约小程序，这套设计bug很多，是一个半成品，一个客户让我修改，很多问题，页面显示不了，评论不能用，注册不能用，缺少表，最后稍微改一下，但是也有小问题…...

编程日记 2025/5/29 8:45:18

基于OpenCV的SIFT特征匹配指纹识别

文章目录引言一、概述二、关键代码解析1. SIFT特征提取与匹配2. 指纹身份识别3. 姓名映射三、使用示例四、技术分析五、完整代码六、总结引言指纹识别是生物特征识别技术中最常用的方法之一。本文将介绍如何使用Python和OpenCV实现一个简单的指纹识别系统，该系…...

编程日记 2025/5/29 16:44:07

Vue3 加快页面加载速度使用CDN外部库的加载提升页面打开速度服务器分发

介绍 CDN（内容分发网络）通过全球分布的边缘节点，让用户从最近的服务器获取资源，减少网络延迟，显著提升JS、CSS等静态文件的加载速度。公共库（如Vue、React、Axios）托管在CDN上，减少…...

编程日记 2025/5/31 9:18:11

C++23：ranges::iota、ranges::shift_left和ranges::shift_right详解

文章目录引言ranges::iota定义与功能使用场景代码示例 ranges::shift_left定义与功能使用场景代码示例 ranges::shift_right定义与功能使用场景代码示例总结引言 C23作为C编程语言的一个重要版本，为开发者带来了许多新的特性和改进。其中，ranges::io…...

编程日记 2025/6/19 20:51:37

Spring 框架中适配器模式的五大典型应用场景

Spring 框架中适配器模式的应用场景在 Spring 框架中，适配器模式（Adapter Pattern）被广泛应用于将不同组件的接口转化为统一接口，从而实现组件间的无缝协作。以下是几个典型的应用场景： 1. HandlerAdapter - MVC 请…...

编程日记 2025/5/29 17:15:39

【Unity】 HTFramework框架（六十五）ScrollList滚动数据列表

更新日期：2025年5月16日。 Github 仓库：https://github.com/SaiTingHu/HTFramework Gitee 仓库：https://gitee.com/SaiTingHu/HTFramework 索引一、ScrollList滚动数据列表二、使用ScrollList1.快捷创建ScrollList2.ScrollList的属性3.自定义…...

编程日记 2025/5/29 10:49:13

Android SwitchButton 使用详解：一个实际项目的完美实践

Android SwitchButton 使用详解：一个实际项目的完美实践引言在最近开发的 Android 项目中，我遇到了一个需要自定义样式开关控件的需求。经过多方比较，最终选择了功能强大且高度可定制的 SwitchButton 控件。本文将基于实际项目中的使用案…...

编程日记 2025/5/27 4:54:39

【C++ 基础数论】质数判断

质数判断质数：对于所有大于 1 的自然数而言，如果该数除 1 和自身以外没有其它因数 / 约数，则该数被称为为质数，质数也叫素数。如何判定一个数是否为质数呢？ 一个简单的方法是试除法 ： 对于一个数 n&…...

编程日记 2025/5/26 9:42:50

【数据结构】手撕AVL树(万字详解)

目录 AVL树的概念为啥要有AVL树？概念 AVL树节点的定义AVL树的插入AVL树的旋转左单旋右单旋左右双旋右左双旋 AVL树的查找AVL树的验证end AVL树的概念为啥要有AVL树？ 在上一章节的二叉搜索树中，我们在插入节点的操作中。有可能一直往一边插…...

编程日记 2025/5/29 19:53:22

Chrome代理IP配置教程常见方式附问题解答

在网络隐私保护和跨境业务场景中，为浏览器配置代理IP已成为刚需。无论是访问地域限制内容、保障数据安全，还是管理多账号业务，掌握Chrome代理配置技巧都至关重要。本文详解三种主流代理设置方式，助你快速实现精准流量管控。方式一…...

编程日记 2025/5/29 14:48:36

SpringBoot + Shiro + JWT 实现认证与授权完整方案实现

SpringBoot Shiro JWT 实现认证与授权完整方案下面博主将详细介绍如何使用 SpringBoot 整合 Shiro 和 JWT 实现安全的认证授权系统，包含核心代码实现和最佳实践。一、技术栈组成技术组件- 作用版本要求SpringBoot基础框架2.7.xApache Shiro认证和授权核心1.…...

编程日记 2025/5/31 10:38:06

深入解析VPN技术原理：安全网络的护航者

在当今信息化迅速发展的时代，虚拟私人网络（VPN）技术成为了我们在互联网时代保护隐私和数据安全的重要工具。VPN通过为用户与网络之间建立一条加密的安全通道，确保了通讯的私密性与完整性。本文将深入解析VPN的技术原理、工作机制以…...

编程日记 2025/5/26 10:06:28

相关文章：