当前位置: 首页 > news >正文

NLP双雄争霸:GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码

NLP双雄争霸:GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码

在这里插入图片描述


前言:

在自然语言处理(NLP)的版图上,GPT与BERT如双子星般照亮了智能时代的语言星空。一个是凭借千亿参数横扫生成任务的“文本造物主”,从ChatGPT的对话奇迹到GitHub Copilot的代码魔法,用自回归的笔触书写着人机交互的新可能;另一个是扎根语义理解的“语言解剖学家”,从谷歌搜索的精准排序到智能客服的意图捕捉,以双向编码的手术刀剖开文本背后的意义脉络。

这对技术双雄的诞生,标志着NLP正式进入“生成”与“理解”并行的二元时代。GPT系列以Transformer解码器为引擎,在“暴力规模”中解锁零样本学习的密码,让机器第一次拥有了媲美人类的创造性表达;而BERT则以编码器架构重构语义建模范式,通过掩码语言模型的精巧设计,将词语、句子乃至篇章的深层关联转化为可计算的数字向量。两者的技术路径看似背道而驰,却共同构成了人类破解语言智能的“双螺旋”——一个负责让机器“会说话”,一个专注让机器“听得懂”。

本文将深入二者的技术内核,剖析从GPT-1到GPT-4的规模进化史,解码BERT双向预训练的语义密码,并通过多维度对比揭示它们如何定义NLP的两极。更重要的是,我们将看到这对“宿敌”如何在产业落地中走向融合,催生T5、BART等新一代模型,共同勾勒出通用语言智能的未来轮廓。


一、GPT系列的发展历程:从GPT-1到GPT-4:自回归模型如何引领生成式AI革命?

1.1 GPT系列的迭代演进

GPT(Generative Pre-trained Transformer)系列是OpenAI推动生成式AI发展的核心成果,其演进历程体现了“规模扩展+架构优化”的双重突破。

  • 参数与数据量的指数增长

    模型发布时间参数量训练数据量核心突破
    GPT-120181.17亿约5GB(BookCorpus)首次验证Transformer预训练潜力
    GPT-2201915亿40GB(WebText)零样本任务适配能力
    GPT-320201750亿45TB(Common Crawl)少样本学习与多任务泛化
    GPT-42023约1.8万亿*多模态混合数据多模态输入、逻辑推理增强
    *注:OpenAI未公开GPT-4具体参数量,业界推测其采用混合专家模型(MoE)架构。
  • 技术里程碑

    • GPT-2:因“过于危险”暂缓开源,引发AI伦理大讨论。
    • GPT-3:API开放推动商业化落地(如Jasper.ai文案生成工具)。
    • GPT-4:支持图像输入,在律师考试、生物学竞赛中超越90%人类。

1.2 模型架构:Transformer解码器的极致优化

GPT系列基于Transformer解码器堆叠,通过自注意力机制实现长程依赖建模。

  • 核心设计
    • 自回归生成:逐词预测下一个token(如“AI”→”AI是”→”AI是人类”)。
    • 掩码注意力:仅允许关注左侧上下文,保证生成连贯性。
  • 架构升级
    • 稀疏注意力(GPT-3):减少计算量,支持更长序列(如2048 token)。
    • 模块化扩展(GPT-4):引入MoE架构,动态激活专家网络提升效率。

1.3 训练方法:自监督学习与规模化挑战

  • 预训练任务
    • 基于无监督文本的下一词预测(Language Modeling)。
    • 扩展至多模态数据后,增加图文对齐目标(如CLIP联合训练)。
  • 训练策略
    • 分布式并行:数据并行(分割批量数据)+模型并行(分割网络层)。
    • 硬件优化:针对GPU/TPU集群定制计算图与通信协议。

1.4 应用效果与局限性

  • 成功案例
    • 代码生成:GitHub Copilot基于GPT-3,提升开发者效率40%以上。
    • 创意写作:小说《赛博朋克茶馆》由GPT-4辅助完成并出版。
  • 关键局限
    • 幻觉问题:生成内容缺乏事实性验证(如虚构历史事件)。
    • 逻辑缺陷:复杂数学推理错误率仍超30%(GPT-4实测数据)。

GPT系列通过“暴力美学”验证了模型规模的威力,但其黑箱特性与伦理风险也促使行业探索可解释性与可控性增强方案。


二、BERT的核心技术与优势:双向Transformer与掩码语言模型:BERT如何重塑自然语言理解?

2.1 BERT的架构革新:双向Transformer编码器

与GPT的单向解码器对比
BERT(Bidirectional Encoder Representations from Transformers)的核心突破在于双向上下文建模,彻底改变了传统语言模型的单向生成范式。

  • 架构设计
    • 堆叠Transformer编码器:12~24层编码器堆叠,每层包含自注意力与全连接网络。
    • 双向注意力机制:每个token可同时关注左右两侧上下文(如“苹果”在“吃苹果”和“苹果公司”中动态调整语义)。
  • 与GPT的差异
    维度BERT(编码器)GPT(解码器)
    注意力方向双向(全上下文)单向(仅左侧上下文)
    任务类型理解类任务(分类、匹配)生成类任务(文本续写)
    预训练目标掩码语言模型 + 下一句预测下一词预测

2.2 预训练任务:掩码语言模型(MLM)与下一句预测(NSP)

通过巧妙的预训练任务设计,BERT学习深层语义与句间逻辑

  1. 掩码语言模型(MLM)

    • 操作方式:随机遮盖输入中15%的token(如“猫[MASK]在沙发上”),要求模型预测被遮盖的词。
    • 技术优势
      • 迫使模型理解双向上下文关系(需综合左右信息推测“坐”或“躺”)。
      • 对比GPT的单向预测,MLM显著提升语义消歧能力。
    • 改进变体:RoBERTa取消NSP任务,仅用动态掩码策略提升性能。
  2. 下一句预测(NSP)

    • 目标:判断两个句子是否为连续上下文(如“巴黎是法国首都” vs. “明天天气晴朗”)。
    • 作用:增强模型对段落逻辑、对话连贯性的理解能力,助力问答与文本匹配任务。

2.3 BERT在自然语言理解任务中的优势

微调少量数据即可在多项NLP任务中刷新SOTA(State-of-the-art)

  • 典型任务性能对比(BERT-base vs. 传统模型)

    任务BERT准确率传统模型(LSTM/CNN)提升幅度
    情感分析(SST-2)92.3%88.5%+3.8%
    命名实体识别(CoNLL)96.4% F191.2% F1+5.2%
    文本相似度(STS-B)89.5%82.1%+7.4%
  • 实际应用案例

    • 谷歌搜索:2019年引入BERT优化搜索结果,长尾查询匹配准确率提升10%。
    • 智能客服:基于BERT的意图识别模型减少30%人工转接率。

2.4 BERT的局限性

  1. 生成能力薄弱
    • 编码器架构无法直接生成文本,需额外接解码器(如BERT+GPT混合架构)。
  2. 计算效率问题
    • 预训练阶段MLM任务需多次预测被遮盖词,训练速度慢于自回归模型。
  3. 长文本处理缺陷
    • 原始BERT最大输入长度512 token,难以处理书籍或长文档。

BERT通过双向预训练范式重新定义了自然语言理解的上限,其衍生的RoBERTa、ALBERT等模型持续推动NLP进步,但其生成短板也催生了T5等“编码器-解码器”一体化架构的兴起。


三、GPT与BERT的对比分析:生成与理解的博弈——GPT和BERT如何定义NLP两极?

3.1 任务目标差异:生成 vs 理解

架构设计决定核心能力边界

维度GPTBERT
任务类型自回归生成(如续写、对话)双向语义理解(如分类、匹配)
输入输出输入为前缀,输出补全后续内容输入完整文本,输出语义表征
典型场景写故事、代码补全、客服聊天情感分析、搜索引擎排序、问答系统

示例对比

  • 输入:“人工智能的未来是……”
    • GPT输出:“……充满机遇与挑战,人类需在伦理与技术间找到平衡。”
    • BERT应用:判断该句情感倾向为“中立”(而非生成后续内容)。

3.2 训练策略差异:自回归 vs 自编码

预训练目标塑造模型特性

  1. GPT的自回归训练

    • 方法:从左到右预测下一个词(如“AI”→”AI是”→”AI是人类”)。
    • 优势:天然适配生成任务,保证输出连贯性。
    • 缺陷:无法利用右侧上下文(如无法根据后文修正前文错误)。
  2. BERT的自编码训练

    • 方法:通过掩码语言模型(MLM)重建被遮盖的词语。
    • 优势:捕获全局上下文关系,提升语义消歧能力(如区分“苹果”指水果还是公司)。
    • 缺陷:预训练与生成任务不对齐,需额外设计解码器。

训练效率对比

  • GPT:训练时仅计算单向注意力,并行度高,但需逐步生成。
  • BERT:MLM任务需随机遮盖词并预测,训练速度较慢(约为GPT的70%)。

3.3 实际应用中的互补性

结合两者优势的混合架构兴起

  1. Pipeline级联

    • BERT→GPT流程:先用BERT理解用户意图,再用GPT生成回复(如客服系统)。
    • 案例:ChatGPT的早期版本结合BERT进行敏感内容过滤。
  2. 端到端融合

    • BART/T5架构:编码器-解码器结构,兼容理解与生成任务。
    • 示例:T5将翻译任务转换为“输入英文→输出中文”的文本到文本范式。
  3. 多模态扩展

    • GPT-4V:在GPT生成框架中融合视觉编码器(类似CLIP),支持图文交互。
    • Florence:基于BERT的双塔结构扩展至图像-文本跨模态检索。

3.4 关键能力对比表

能力维度GPT-4BERT-Large
文本生成质量⭐⭐⭐⭐⭐(创造性、连贯性)⭐(需额外解码器)
语义理解深度⭐⭐⭐(侧重生成导向的理解)⭐⭐⭐⭐⭐(细粒度语义建模)
零样本学习⭐⭐⭐⭐(通过Prompt适配任务)⭐⭐(依赖微调)
训练成本极高(千卡GPU/TPU集群)高(但远低于GPT)
实时推理速度较慢(逐词生成)较快(一次编码全文)

3.5 局限性对比

模型生成局限理解局限
GPT事实性错误(幻觉)、逻辑断裂对隐含语义的深层推理能力不足
BERT无法直接生成文本长文本全局依赖捕捉有限

GPT与BERT分别代表了生成与理解的技术巅峰,二者的竞争与融合推动NLP从“单一任务专家”迈向“通用智能代理”。未来趋势可能更倾向生成-理解一体化模型(如GPT-4已支持多模态输入与复杂推理),但模型效率与可控性仍是待解难题。


结语:

GPT与BERT的技术分野,恰似人类语言智能的一体两面:一面是天马行空的生成力,一面是抽丝剥茧的理解力。当GPT-4用图像输入拓展感知边界,当BERT衍生模型深入医疗文本挖掘临床规律,我们看到的不仅是技术路径的竞争,更是人工智能向语言本质的集体叩问。

二者的局限性同样耐人寻味:GPT的“幻觉”暴露了生成式模型的认知短板,BERT的“失语”则揭示了理解与创造之间的鸿沟。但正是这种不完美,为技术演进指明了方向——从早期的Pipeline级联到如今的端到端融合,从单一模态的深耕到多模态的语义贯通,NLP正迈向“理解即生成,生成即理解”的新境界。或许正如T5的“文本到文本”框架所暗示的:在智能的终极形态里,语言的输入与输出本就是同一枚硬币的两面。

站在AGI的前夜,这对技术双雄的故事远未终结。当算力浪潮推动模型参数向万亿级跃迁,当可解释性研究揭开神经网络的“黑箱”一角,我们或将见证更震撼的智能涌现——但不变的,是人类对语言本质的探索热情,以及用技术解构复杂世界的永恒追求。GPT与BERT的博弈,不过是这场远征中两枚闪耀的路标,指引着我们向更具生命力的语言智能进发。

相关文章:

NLP双雄争霸:GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码

NLP双雄争霸:GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码 前言: 在自然语言处理(NLP)的版图上,GPT与BERT如双子星般照亮了智能时代的语言星空。一个是凭借千亿参数横扫生成任务的“文本造物主”&…...

JS手写代码篇---手写 instanceof 方法

2、手写 instanceof 方法 instancecof用于检测一个对象是否是某个构造函数的实例。它通常用于检查对象的类型,尤其是在处理继承关系时。 eg: const arr [1,2,3,4,5]console.log(arr instanceof Array); // trueconsole.log(arr instanceof Object); // true那这是…...

浮点数截断法:四舍五入的精确模拟

理论解释: 1. 目标 假设 a 3.14159,我们想四舍五入到 小数点后两位(即 3.14 或 3.15)。 2. 步骤拆解 (1) a * 100 把 a 放大 100 倍,让小数点后两位变成整数部分: 3.14159 * 100 314.159 (2) 0.5 关…...

c++ 类的语法3

测试下默认构造函数。demo1&#xff1a; void testClass3() {class Demo { // 没显示提供默认构造函数&#xff0c;会有默认构造函数。public:int x; // 普通成员变量&#xff0c;可默认构造};Demo demo1;//cout << "demo1.x: " << demo1.x << en…...

EasyExcel导出excel再转PDF转图片详解

封装EasyExcel导出工具类 相关的依赖自己网上搜索加上&#xff0c;这里不在阐述 Slf4j Service public class AgentExcelUtils {public String syncDynamicHeadWrite(String fileName,String sheetName,List<List<String>> headList,List<?> data) throws…...

【知识产权出版社-注册安全分析报告-无验证方式导致安全隐患】

前言 由于网站注册入口容易被黑客攻击&#xff0c;存在如下安全问题&#xff1a; 1. 暴力破解密码&#xff0c;造成用户信息泄露 2. 短信盗刷的安全问题&#xff0c;影响业务及导致用户投诉 3. 带来经济损失&#xff0c;尤其是后付费客户&#xff0c;风险巨大&#xff0c;造…...

Oc语言学习 —— 重点内容总结与拓展(上)

隐藏和封装 有四种访问控制符&#xff1a;private(当前类访问权限)&#xff0c;package(与映像访问权限相同)&#xff0c;protect(子类访问权限)&#xff0c;public(公共访问权限)。 访问控制符 1.private&#xff08;当前类访问权限&#xff09; 成员变量只能在当前类的内部…...

全面且深度学习c++类和对象(上)

文章目录 过程和对象类的引入&#xff0c;类的定义类的访问限定符及封装类的访问限定符封装 类的实例化类大小内存对齐规则&#xff1a; this指针this特性 过程和对象 C语言面向过程设计&#xff0c;c面向对象设计&#xff0c; 举例&#xff1a;洗衣服 C语言&#xff1a;放衣服…...

QML元素 - RectangularGlow

QML 的 RectangularGlow 是 Qt Quick Effects 模块中专门为矩形元素设计的外发光效果&#xff0c;适用于为卡片、按钮、面板等矩形或圆角矩形添加柔和的边缘光晕&#xff0c;相比通用 Glow 更高效且支持圆角匹配。以下是详细使用技巧和优化指南&#xff1a; 1. 基本用法 impor…...

GraphPad Prism项目的管理

《2025新书现货 GraphPad Prism图表可视化与统计数据分析&#xff08;视频教学版&#xff09;雍杨 康巧昆 清华大学出版社教材书籍 9787302686460 GraphPadPrism图表可视化 无规格》【摘要 书评 试读】- 京东图书 GraphPad Prism统计数据分析_夏天又到了的博客-CSDN博客 项目…...

uniapp自定义日历计划写法(vue2)

文章目录 uniapp自定义日历计划写法(vue2)1、效果2、实现源码前言:我们有时候需要实现的日历找不到相应的插件的时候,往往需要手动去写一个日历,以下就是我遇到这样的问题时,手搓出来的一个解决方案,希望可以帮助到更多的人。创作不易,请多多支持uniapp自定义日历计划写…...

差分探头为什么要选择使用屏蔽双绞线

市面上很多各种品牌的差分探头&#xff0c;其使用的线缆都使用了屏蔽双绞线&#xff08;STP&#xff09;&#xff0c;这主要是因为在测试过程中因高压线路周围强电场或磁场在信号线与地线间感应出共模电压而产生的电磁耦合效应会对测试结果产生干扰&#xff0c;而屏蔽双绞线可以…...

Qt—用SQLite实现简单的注册登录界面

1.实现目标 本次实现通过SQLite制作一个简易的登录窗口&#xff0c;当点击注册按钮时&#xff0c;登录窗口会消失&#xff0c;会出现一个新的注册界面&#xff1b;完成注册或退出注册时&#xff0c;注册窗口会消失&#xff0c;重新出现登录窗口。注册过的用户信息会出现在SQLi…...

Visual Studio旧版直链

[Visual Studio 2019 社区版]&#xff08;https://aka.ms/vs/16/release/vs_community.exe&#xff09; [Visual Studio 2019 专业版]&#xff08;https://aka.ms/vs/16/release/vs_professional.exe&#xff09; [Visual Studio 2019 企业版]&#xff08;https://aka.ms/vs/16…...

elementUI源码学习

学习笔记。 最近在看element的table表格优化&#xff0c;又去看了一下element源码框架。element 的架构是很优秀&#xff0c;通过大量的脚本实现工程化&#xff0c;让组件库的开发者专注于事情本身&#xff0c;比如新加组件&#xff0c;一键生成组件所有文件&#xff0c;并完成…...

【LeetCode 热题 100】搜索插入位置 / 搜索旋转排序数组 / 寻找旋转排序数组中的最小值

⭐️个人主页&#xff1a;小羊 ⭐️所属专栏&#xff1a;LeetCode 热题 100 很荣幸您能阅读我的文章&#xff0c;诚请评论指点&#xff0c;欢迎欢迎 ~ 目录 搜索插入位置搜索二维矩阵在排序数组中查找元素的第一个和最后一个位置搜索旋转排序数组寻找旋转排序数组中的最小值…...

捌拾伍- 量子傅里叶变换 (3)

前期的内容在 捌拾叁- 量子傅里叶变换 前期的内容在 捌拾肆- 量子傅里叶变换 (2) 9. 之前的 之前的公式写错了&#xff01; Markdown 的 KaTeX 真难用&#xff01;&#xff01;&#xff01; 而且之前的公式是从 j1 – jn &#xff0c;但量子计算都是从 0 开始的&#xff0c…...

探索ISBN查询接口:为图书管理系统赋能

在开发图书管理应用时&#xff0c;ISBN&#xff08;国际标准书号&#xff09;查询接口是获取图书元数据的核心工具。通过扫描图书条形码得到ISBN&#xff0c;再调用API即可轻松获取书名、作者、出版社、封面等信息。本文详细介绍几种主流ISBN查询API&#xff0c;包括国际和国内…...

Linux 内核中 inet_accept 的实现与自定义传输协议优化

在 Linux 内核中,网络协议栈的核心功能由一系列精心设计的函数实现,其中 inet_accept 是 TCP 协议接受新连接的关键入口。本文将深入分析该函数的实现逻辑,并探讨在实现自定义传输协议时如何权衡性能优化与代码简化。 一、inet_accept 函数解析 1. 功能概述 inet_accept 是…...

SAP-ABAP:SAP DMS(文档管理系统)的详细说明,涵盖其核心功能、架构、配置及实际应用

1. DMS 概述 SAP DMS&#xff08;Document Management System&#xff09;是SAP系统中用于管理企业文档的核心模块&#xff0c;支持文档的全生命周期管理&#xff08;创建、存储、版本控制、审批、归档&#xff09;。它与其他模块&#xff08;如物料管理MM、生产计划PP、设备维…...

前端方法的总结及记录

个人简介 &#x1f468;‍&#x1f4bb;‍个人主页&#xff1a; 魔术师 &#x1f4d6;学习方向&#xff1a; 主攻前端方向&#xff0c;正逐渐往全栈发展 &#x1f6b4;个人状态&#xff1a; 研发工程师&#xff0c;现效力于政务服务网事业 &#x1f1e8;&#x1f1f3;人生格言&…...

【Arthas实战】常见使用场景与命令分享

简介: Arthas是一款Java诊断工具&#xff0c;适用于多种场景&#xff0c;如接口响应变慢、CPU占用过高、热更新需求等。其核心命令包括实时监控面板&#xff08;dashboard&#xff09;、线程状态查看&#xff08;thread&#xff09;、方法调用链路追踪&#xff08;trace&#x…...

SearchClassUtil

路径扫描工具SearchClassUtil&#xff0c;用于扫描指定包&#xff08;XXXX&#xff09;下的所有.class文件&#xff0c;并将它们的全限定类名&#xff08;如tomcat.SearchClassUtil&#xff09;收集到列表中返回。该工具使用递归文件遍历和反射机制&#xff0c;是实现 Spring 框…...

开放世界地形渲染:以三角洲行动为例(下篇)

本文主要介绍如何提升室外画面渲染的品质 版权声明 本文为“优梦创客”原创文章&#xff0c;您可以自由转载&#xff0c;但必须加入完整的版权声明文章内容不得删减、修改、演绎本文视频版本&#xff1a;见文末 渲染品质提升 要提升画面的品质&#xff0c;就是去提升渲染的画…...

GpuGeek 网络加速:破解 AI 开发中的 “最后一公里” 瓶颈

摘要&#xff1a; 网络延迟在AI开发中常被忽视&#xff0c;却严重影响效率。GpuGeek通过技术创新&#xff0c;提供学术资源访问和跨国数据交互的加速服务&#xff0c;助力开发者突破瓶颈。 目录 一、引言&#xff1a;当算力不再稀缺&#xff0c;网络瓶颈如何破局&#xff1f; …...

关于 Web安全:1. Web 安全基础知识

一、HTTP/HTTPS 协议详解 1. HTTP协议基础 什么是 HTTP&#xff1f; HTTP&#xff08;HyperText Transfer Protocol&#xff09;是互联网中浏览器和服务器之间传输数据的协议&#xff0c;基于请求-响应模式。它是一个无状态协议&#xff0c;意思是每次请求都是独立的&#x…...

debugfs:Linux 内核调试的利器

目录 一、什么是 debugfs&#xff1f;二、debugfs 的配置和启用方式2.1 内核配置选项2.2 挂载 debugfs2.3 Android 系统中的 debugfs 三、debugfs 的典型应用场景3.1 调试驱动开发3.2 内核子系统调试3.3 性能分析 四、常见 debugfs 子目录与功能示例4.1 /sys/kernel/debug/trac…...

Spyglass:跨时钟域同步(同步使能)

相关阅读 Spyglasshttps://blog.csdn.net/weixin_45791458/category_12828934.html?spm1001.2014.3001.5482 简介 同步使能方案主要用于数据信号跨时钟域同步&#xff0c;该方案将一个控制信号同步至目标时钟域并用其作为数据信号的捕获触发器的使能信号&#xff0c;如图1所示…...

安装Minikube

环境 CentOS7 参考 minikube start | minikube 创建虚拟机,参考 模拟Gitlab安装-CSDN博客 下载二进制包 curl -LO https://storage.googleapis.com/minikube/releases/latest/minikube-linux-amd64 报错不能解析host,配置host 下载成功 安装 sudo install minikube-linux-am…...

图像锐化调整

一、背景介绍 之前找多尺度做对比度增强时候&#xff0c;发现了一些锐化相关算法&#xff0c;正好本来也要整理锐化&#xff0c;这里就直接顺手对之前做过的锐化大概整理了下&#xff0c;方便后续用的时候直接抓了。 这里整理的锐化主要是两块&#xff1a;一个是参考论文&#…...

【CanMV K230】AI_CUBE1.4

《k230-AI 最近小伙伴有做模型的需求。所以我重新捡起来了。正好把之前没测过的测一下。 这次我们用的是全新版本。AICUBE1.4.dotnet环境9.0 注意AICUBE训练模型对硬件有所要求。最好使用独立显卡。 有小伙伴说集显也可以。emmmm可以试试哈 集显显存2G很勉强了。 我们依然用…...

STM32外设AD-定时器触发 + DMA读取模板

STM32外设AD-定时器触发 DMA读取模板 一&#xff0c;方法思路二&#xff0c;定时器基础与配置1&#xff0c;定时器时钟源 (Clock Source)2&#xff0c;预分频器 (Prescaler - PSC)3&#xff0c;自动重装载寄存器 (Auto-Reload Register - ARR) / 周期 (Period)4&#xff0c;触…...

数据库故障排查指南:从入门到精通

1. 常见数据库故障类型 1.1 连接故障 数据库连接超时连接池耗尽网络连接中断认证失败1.2 性能故障 查询执行缓慢内存使用过高CPU使用率异常磁盘I/O瓶颈1.3 数据故障 数据不一致数据丢失数据损坏事务失败2. 故障排查流程 2.1 初步诊断 -- 检查数据库状态SHOW STATUS;SHOW PRO…...

【AT32】 AT32 移植 Freemodbus 主站

基于野火开发板 at32f437zgt6芯片 和at32 官方开发工具 移植了网上一套开源的freemodbus 主站 这里对modbus 协议不做过多的讲解 主要已实现代码为主 AT32 Work Bench 参考之前我之前的配置 与stm32cubemx软件差不多 注意485芯片的收发脚配置即可 AT32 IDE 说实话这软件太垃…...

内网环境下如何使用ntpdate实时同步时间

背景介绍 NTP&#xff08;Network Time Protocol&#xff09;是一种网络协议&#xff0c;用于同步计算机系统的时间。ntpdate是一个用于手动同步时间的命令行工具&#xff0c;它可以从指定的NTP服务器获取当前时间并更新本地系统时间。 ntpdate 服务介绍 功能&#xff1a;ntp…...

python版本管理工具-pyenv轻松切换多个Python版本

在使用python环境开发时&#xff0c;相信肯定被使用版本所烦恼&#xff0c;在用第三方库时依赖兼容的python版本不一样&#xff0c;有没有一个能同时安装多个python并能自由切换的工具呢&#xff0c;那就是pyenv&#xff0c;让你可以轻松切换多个Python 版本。 pyenv是什么 p…...

工商总局可视化模版 – 基于ECharts的大数据可视化HTML源码

概述 在大数据时代&#xff0c;数据可视化已成为各行各业进行数据分析和决策的重要工具。幽络源今天为大家带来一款基于ECharts的工商总局数据可视化HTML模版&#xff0c;帮助开发者快速搭建专业级工商广告数据展示平台。这款模版设计规范&#xff0c;功能完善&#xff0c;适合…...

计算机网络 : 网络基础

计算机网络 &#xff1a; 网络基础 目录 计算机网络 &#xff1a; 网络基础引言1. 网络发展背景2. 初始协议2.1 初始协议2.2 协议分层2.2.1 软件分层的好处2.2.2 OSI七层模型2.2.3 TCP/IP五层&#xff08;四层&#xff09;模型 2.3 TCP/IP协议2.3.1TCP/IP协议与操作系统的关系&…...

eSwitch manager 简介

eSwitch manager 的定义和作用 eSwitch manager 通常指的是能够配置和管理 eSwitch&#xff08;嵌入式交换机&#xff09;的实体或接口。在 NVIDIA/Mellanox 的网络架构中&#xff0c;Physical Function&#xff08;PF&#xff09;在 switchdev 模式下充当 eSwitch manager&am…...

物联网技术在银行安全用电系统中的应用与实践研究

摘要 随着金融科技的快速发展&#xff0c;银行业电子设备数量激增&#xff0c;用电安全管理问题日益突出。本文基于2019年农业银行与2020年中国邮政储蓄银行发布的安全用电相关政策&#xff0c;分析了银行场景下存在的五大用电安全隐患&#xff0c;提出以物联网技术为核心的安…...

589. N叉树的前序遍历迭代法:null指针与栈的巧妙配合

一、题目描述 给定一个N叉树的根节点&#xff0c;返回其节点值的前序遍历结果。前序遍历的定义是&#xff1a;先访问根节点&#xff0c;再依次遍历每个子节点&#xff08;从左到右&#xff09;。例如&#xff0c;对于如下N叉树&#xff1a; 1/ | \3 2 4 / \ 5 6前序遍历结果…...

【洗车店专用软件】佳易王洗车店多项目会员管理系统:一卡多用扣次软件系统实操教程 #扣次洗车管理软件

一、软件试用版资源文件下载说明 &#xff08;一&#xff09;若您想体验软件功能&#xff0c;可通过以下方式获取软件试用版资源文件&#xff1a; 访问头像主页&#xff1a;进入作者头像主页&#xff0c;找到第一篇文章&#xff0c;点击文章最后的卡片按钮&#xff0c;即可了解…...

小红书笔记详情接口如何调用?实操讲解。

调用小红书笔记详情接口通常需要经过申请权限、构建请求、发送请求并处理响应等步骤&#xff0c;以下是详细的实操讲解&#xff1a; 一、申请接口权限 注册小红书开放平台账号 访问小红书开放平台官网/第三方开放平台&#xff0c;按照提示完成注册流程&#xff0c;提供必要的…...

leetcode 57. Insert Interval

题目描述 代码&#xff1a;由于intervals已经按照左端点排序&#xff0c;并且intervals中的区间全部不重叠&#xff0c;那么可以断定intervals中所有区间的右端点也已经是有序的。先二分查找intervals中第一个其右端点>newInterval左端点的区间。然后按照类似于56. Merge In…...

杰理ac696配置mic

省电容mic有概率不出声解决办法如下...

COMSOL随机参数化表面流体流动模拟

基于粗糙度表面的裂隙流研究对于理解地下水的流动、污染物传输以及与之相关的地质灾害&#xff08;如滑坡&#xff09;等方面具有重要意义。本研究通过蒙特卡洛方法生成随机表面形貌&#xff0c;并利用COMSOL Multiphysics对随机参数化表面的微尺度流体流动进行模拟。 参数化…...

Linux远程连接服务

远程连接服务器简介 远程连接服务器通过文字或图形接口方式来远程登录系统&#xff0c;让你在远程终端前登录linux主机以取得可操作主机接口&#xff08;shell&#xff09;&#xff0c;而登录后的操作感觉就像是坐在系统前面一样。 远程连接服务器的功能 分享主机的运算能力 远…...

用Python绘制梦幻星空

用Python绘制梦幻星空 在这篇教程中&#xff0c;我们将学习如何使用Python创建一个美丽的星空场景。我们将使用Python的图形库Pygame和随机库来创建闪烁的星星、流星和月亮&#xff0c;打造一个动态的夜空效果。 项目概述 我们将实现以下功能&#xff1a; 创建深蓝色的夜…...

EWOMAIL

1、错误 Problem: problem with installed package selinux-policy-targeted-3.14.3-41.el8.noarch package fail2ban-server-1.0.2-3.el8.noarch requires (fail2ban-selinux if selinux-policy-targeted), but none of the providers can be installed - package fail2ban-…...

网安面试经(1)

1.说说IPsec VPN 答&#xff1a;IPsec VPN是利用IPsec协议构建的安全虚拟网络。它通过加密技术&#xff0c;在公共网络中创建加密隧道&#xff0c;确保数据传输的保密性、完整性和真实性。常用于企业分支互联和远程办公&#xff0c;能有效防范数据泄露与篡改&#xff0c;但部署…...