Text2SQL在Spark NLP中的实现与应用：将自然语言问题转换为SQL查询的技术解析
概述
SQL 仍然是当前行业中最受欢迎的技能之一
免责声明：Spark NLP 中的 Text2SQL 注释器在 v3.x（2021 年 3 月）中已被弃用，不再使用。如果您想测试该模块，请使用 Spark NLP for Healthcare 的早期版本。
自新千年伊始，每日产生的数据量呈指数级增长。其中大部分数据存储在关系型数据库中。在过去，只有大型公司能够使用结构化查询语言（SQL）查询这些数据。随着手机的普及，越来越多的个人数据被存储，因此，越来越多来自不同背景的人试图查询和使用自己的数据。尽管数据科学的热度不断攀升，但大多数人仍缺乏编写 SQL 查询数据的必要知识。此外，大多数人也没有时间去学习和理解 SQL。即使是 SQL 专家，反复编写类似的查询也是枯燥乏味的任务。正因如此，如今海量的数据无法被有效获取 [1]。您可以查看 这一系列文章 和 一篇博客文章，以了解更多关于 Text2SQL 及该研究领域的最新趋势 [2]。
我们的目标是让人们能够直接用人类语言与数据对话。因此，这类自然语言接口帮助任何背景的用户轻松查询和分析海量数据。为了构建这种自然语言接口，系统必须理解用户的问题，并自动将其转换为对应的 SQL 查询。
来自 Spider 数据集的一个具有挑战性的 Text-to-SQL 任务
Text2SQL 是自然语言处理研究中的一个重大挑战，目前最先进的模型（SOTA）仍然难以达到人类基线水平的准确率，这是由于问题本身的固有特性。因此，目前最先进的模型在 Spider 数据集 上的准确率仅为 70%，而 Spider 数据集是 Text2SQL 研究中最广泛使用的基准数据集之一。
还有其他几个 Text2SQL 基准数据集，例如 ATIS、GeoQuery、Scholar、Advising 等，以及 WikiSQL，它们覆盖了整个 SQL 查询范围的不同领域。
一些 Text-to-SQL 数据集的图表（图片来自 Spider 项目）
Spider 数据集上的 Text2SQL 任务排行榜
如左图所示，Spider 数据集在图表中占据了最大面积，使其成为第一个复杂且跨领域的 Text-to-SQL 数据集，它具有以下特点：
- 大规模：包含超过 10,000 个问题，以及大约 6,000 个对应的、独特的 SQL 查询。
- 复杂性：大多数 SQL 查询涵盖了几乎所有重要的 SQL 组件，包括 GROUP BY、ORDER BY、HAVING 和嵌套查询。此外，所有数据库都包含多个通过外键关联的表。
- 跨领域：包含 200 个复杂的数据库。我们将 Spider 数据集划分为训练集、开发集和测试集，基于数据库进行划分。这样，我们可以在未见过的数据库上测试系统的性能。
Spark NLP：大规模的自然语言处理
Spark NLP 是基于 Apache Spark ML 构建的自然语言处理库，每天的下载量超过 10,000 次，总下载量达到 180 万。它是增长最快的自然语言处理库之一，支持 Python、R、Scala 和 Java 等流行编程语言。它为机器学习管道提供了简单、高效且准确的自然语言处理注释，这些注释可以在分布式环境中轻松扩展。
Spark NLP 提供了 330 多个预训练的管道和模型，涵盖 46 种以上的语言。它支持最先进的 Transformer 模型，例如 BERT、XLNet、ELMO、ALBERT 和 Universal Sentence Encoder，这些模型可以在集群中无缝使用。此外，它还提供分词、词性标注、命名实体识别、依存句法分析、拼写检查、多类文本分类、多类情感分析等 自然语言处理任务。如需了解更多详细信息和示例 Colab 笔记本，我们强烈建议您查看我们的 工作坊仓库。
Spark NLP for Healthcare 2.7 于 2020 年 10 月 28 日发布
Spark NLP 中实现的 Text2SQL 算法
我们在 Spark NLP 中实现了一种名为 IRNet 的深度学习架构。中间表示（IRNet） 旨在解决复杂且跨领域的 Text-to-SQL 任务中的两个主要挑战：自然语言中表达的意图与预测列之间的不匹配，以及由于大量超出领域词汇导致的问题。让我们看看 IRNet 提供了什么。
- IRNet 将自然语言分解为 3 个阶段，而不是端到端地合成 SQL 查询：模式编码器（Schema Encoder）、解码器（Decoder）和自然语言编码器（NL Encoder）。
- 在第一阶段，对数据库模式和问题进行模式链接。IRNet 采用基于语法的神经模型来合成
SemQL查询，这是一种我们设计的中间表示（IR），用于连接自然语言和 SQL。模式编码器以数据库模式为输入，输出表和列的表示。 - 解码器用于使用上下文无关语法合成
SemQL查询，IRNet 确定性地从合成的 SemQL 查询中推断出 SQL 查询，并利用领域知识。 - 最后，自然语言编码器将自然语言输入编码为嵌入向量。这些嵌入向量随后用于通过双向 LSTM 构建隐藏状态。
合成 SemQL 查询的神经模型概览。基本上，IRNet 由自然语言编码器、模式编码器和解码器构成。如图所示，从模式中选择了“书名”列，而第二列“年份”是从记忆中选择的。（来源）
Spark NLP 中的实现方式
Text2SQL 是在 Spark NLP for Healthcare 2.7.0 中宣布的一项功能，这是撰写本文时的最新版本。基本上，我们使用 Tensorflow 实现了 IRNet 算法，并在 Spider 基准数据集上进行训练，并将其封装为 Spark NLP 中的 Tex2SQLModel。目前，它仅提供了一个预训练模型，名为 text2sql_glove，因为它是使用 Spark NLP 中的 glove_6B_300 嵌入进行训练的。
正如我们之前解释的，IRNet 需要在实际构建查询之前解析数据库模式（模式编码器）。这是通过我们创建的另一个注释器 Text2SQLSchemaExporter 来完成的。
以下是获取 Spark NLP 中的 Text2SQL 管道的步骤，以便您可以使用口语查询数据库。
- 首先，我们需要从原始数据库模式准备一个 json 文件。假设我们有一个 医院记录的 SqLite，包含以下 15 个表：
来自医疗记录的 Text2SQL（图片来自 官方论文）
['Physician', 'Department', 'Affiliated_With', 'Procedures', 'Trained_In', 'Patient', 'Nurse', 'Appointment', 'Medication', 'Prescribes', 'Block', 'Room', 'On_Call', 'Stay', 'Undergoes']
然后，我们使用以下代码将该模式转换为我们的模式解析器可以理解的 json 格式。将此处理放在 Text2SQLSchemaExporter 注释器之外的原因是为了能够支持其他数据库模式，而无需更改注释器逻辑。
from sparknlp_jsl._tf_graph_builders.text2sql import util
input_schema = "hospital_records.sqlite"
output_schema = "hospital_schema_converted.json"
util.sqlite2json(input_schema, output_schema)
然后，使用 Text2SQLSchemaExporter，我们使用词嵌入处理这个模式，以创建表和列名的表示。
schema_json_path = 'hospital_schema_converted.json'
output_json_path = "db_embeddings.json"
prepare_db_schema(schema_json_path, output_json_path)
prepare_db_schema 函数来自包含 Text2SQLSchemaExporter 阶段的 Spark NLP 管道。本文末尾将分享整个管道。
下一步是准备一个管道，将文本查询的表示转换为我们的 Text2SQLModel 注释器可以理解的格式。基本上，它将接受用户以纯文本形式提出的问题，并创建算法返回查询所需的所有特征。
sql_prediction_light = get_text2sql_model (schema_json_path, output_json_path)
sql_prediction_light 函数来自包含 Text2SQLModel 阶段的 Spark NLP 管道。本文末尾将分享整个管道。
现在，我们可以开始使用纯文本查询数据库：
question = "Find the id of the appointment with the most recent start date"
annotate_and_print(question)
>> question:
SELECT T1.Appointment FROM Prescribes
AS T1 JOIN Appointment AS T2 ON
T1.Appointment = T2.AppointmentID
ORDER BY T2.Start
DESC LIMIT 1
>> query:
| | Appointment |
|---:|:------------|
| 0 | 086213939 |
另一个例子
question = "What is the name of the nurse who has the most appointments?"
annotate_and_print(question)
>> query:
SELECT T1.Name FROM Nurse AS T1
JOIN Appointment AS T2 ON
T1.EmployeeID = T2.PrepNurse
GROUP BY T2.prepnurse
ORDER BY count(*)
DESC LIMIT 1
>> result:
| | Name |
|---:|:-----------------|
| 0 | Carla Espinosa |
再举一个例子
question = "How many patients do each physician take care of? List their names and number of patients they take care of."
annotate_and_print(question)
>> query:
SELECT T1.Name, count(*)
FROM Physician AS T1
JOIN Patient AS T2 ON
T1.EmployeeID = T2.PCP
GROUP BY T1.Name
>> result:
| | Name | count(*) |
|---:|:-----------------|-----------:|
| 0 | Christopher Turk | 1 |
| 1 | Elliot Reid | 2 |
| 2 | John Dorian | 1 |
正如您所见，它返回了相当不错的结果！实际上，由于它仅在通用数据集（Spider）上进行训练，因此在某些特定领域的数据库（如医疗保健或金融）上可能表现不佳。但这只是找到合适的数据集并重新训练模型的问题。
我们计划在未来几个月内对其他领域数据集训练新的 Text2SQL 模型。下一个将基于 MIMIC 数据集进行训练，它将在医疗记录方面表现更好。
总结
自新千年伊始，每日产生的数据量呈指数级增长。其中大部分数据存储在关系型数据库中。尽管数据科学的热度不断攀升，但大多数人仍缺乏编写 SQL 查询数据的必要知识。
结合查询非结构化文本数据的固有困难，从数据库中查找相关信息的任务需要多学科的技能。Spark NLP for Healthcare 旨在通过解析文本数据以提取有意义的实体（NerDL）、分配断言状态（AssertionDL）和医学术语代码（EntityResolver）、构建实体之间的关系（RelationExtractionDL）、将所有这些内容写入类似 OMOP 的结构化数据库模式，最后使用本文中描述的对话式纯文本查询这些记录，为这一任务提供解决方案。
您可以在 这个 Colab 笔记本 中找到所有代码和更多示例，如果您想在自己的数据上尝试，可以申请 Spark NLP Healthcare 免费试用许可证。
Spark NLP 库在企业项目中得到应用，它原生基于 Apache Spark 和 TensorFlow 构建，并提供全方位最先进的自然语言处理解决方案，为机器学习管道提供简单、高效且准确的自然语言处理注释，这些注释可以在分布式环境中轻松扩展。
相关文章：
Text2SQL在Spark NLP中的实现与应用：将自然语言问题转换为SQL查询的技术解析
概述 SQL 仍然是当前行业中最受欢迎的技能之一 免责声明：Spark NLP 中的 Text2SQL 注释器在 v3.x（2021 年 3 月）中已被弃用，不再使用。如果您想测试该模块，请使用 Spark NLP for Healthcare 的早期版本。 自新千年伊…...
Ubuntu20.04下使用dpkg方式安装WPS后，将WPS改为中文界面方法
Ubuntu20.04下使用dpkg方式安装WPS后，将WPS改为中文界面方法 说明方法 说明 Ubuntu20.04下使用dpkg方式安装WPS后，打开WPS后，发现界面是英文的，如有需要可以按照下面的方法将其改为中文界面。 方法 cd /opt/kingsoft/wps-offic…...
)
OpenCV CUDA 模块中的矩阵算术运算-----在频域（复数频谱）中执行逐元素乘法并缩放的函数mulAndScaleSpectrums()
操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 mulAndScaleSpectrums()是OpenCV CUDA模块中用于在频域（复数频谱）中执行逐元素乘法并缩放 的函数。 这个函数主要用于在…...
批量剪辑 + 矩阵分发 + 数字人分身源码搭建全技术解析，支持OEM
在互联网内容生态蓬勃发展的当下，企业与创作者对内容生产与传播效率的要求日益增长。批量剪辑、矩阵分发和数字人分身技术的融合，成为提升内容创作与运营效能的关键方案。从源码层面实现三者的搭建与整合，需要深入理解各功能技术原理…...
Spring Boot 与 RabbitMQ 的深度集成实践（三）
高级特性实现 消息持久化 在实际的生产环境中，消息的可靠性是至关重要的。消息持久化是确保 RabbitMQ 在发生故障或重启后，消息不会丢失的关键机制。它涉及到消息、队列和交换机的持久化配置。 首先，配置队列持久化。在创建队列时…...
部署java项目
1.编写shell脚本部署服务 restart.sh #!/bin/bash # # start the user program # echo "-------------------- start jk service --------------------" LOG_DIR"/home/joy/usr/app/ers-log" LOG_FILE"$LOG_DIR/log_$(date "%Y%m%d").txt&…...
)
中国城市间交通驾车距离矩阵(2024)
中国城市间交通驾车距离矩阵(2024) 1852 数据简介 中国城市中心的交通驾车距离，该数据为通过审图号GS(2024)0650的中国城市地图得其城市中心距离，再通过高德地图api计算得出其交通驾车最短距离矩阵，单位为KM，方便大家研究使用。…...
物联网数据湖架构
物联网海量数据湖分析架构（推荐实践） ┌──────────────┐ │ IoT设备端 │ └──────┬───────┘│（MQTT/HTTP）▼ ┌──────────────┐ │ EMQX等 │ 可选（也可…...
Python将Excel单元格某一范围生成—截图（进阶版—带样式+批量+多级表头）
目录 专栏导读1、库的介绍2、库的安装3、核心代码4、通用版——带样式5、进阶版（可筛选+自动截图）多级表头版总结专栏导读 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手 🏳️🌈 博客主页：请点击——> 一晌小贪欢的博客主页求关注 👍 该…...
使用Python将 Excel 中的图表、形状和其他元素导出为图片
目录 为什么将 Excel 中的图表、形状和其他元素导出为图片？ 工具与设置 Python 将 Excel 图表导出为图片 将图表导出为图片 将图表工作表导出为图片 Python 将 Excel 中的形状和其他元素导出为图片 微软 Excel 是一个功能强大的数据分析和可视化工具ÿ…...
从编程助手到AI工程师：Trae插件Builder模式实战Excel合并工具开发
Trae插件下载链接：https://www.trae.com.cn/plugin 引言：AI编程工具的新纪元 在软件开发领域，AI辅助编程正在经历一场革命性的变革。Trae插件（原MarsCode编程助手）最新推出的Builder模式，标志着AI编程工具…...
AI大模型从0到1记录学习numpy pandas day25
第 3 章 Pandas 3.1 什么是Pandas Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）…...
【云实验】Excel文件转存到RDS数据库
实验名称：Excel文件转存到RDS数据库 说明：把Excel的数据通过数据管理服务DMS（Data Management Service）导入到RDS MySQL数据库中。 流程：创建一个RDS for MySQL的实例，再创建数据库和账号，通过D…...
用Python实现数据库数据自动化导出PDF报告：从MySQL到个性化文档的全流程实践
本文将介绍如何使用Python构建一个自动化工具，实现从MySQL数据库提取员工数据，并为每位员工生成包含定制化表格的PDF报告。通过该方案，可显著提升数据导出效率，避免手动操作误差，同时支持灵活的格式定制。 需求&#…...
深入理解 ZAB：ZooKeeper 原子广播协议的工作原理
目录 ZAB 协议：ZooKeeper 如何做到高可用和强一致？🔒ZAB 协议的核心目标 🎯ZAB 协议的关键概念 💡ZAB 协议的运行阶段 🎬阶段一：Leader 选举 (Leader Election) 🗳️阶段二ÿ…...
Javascript本地存储的方式有哪些？区别及应用场景？（含Deep Seek讲解）
JavaScript本地存储方式的区别与适用场景 1. Cookie 特点: Cookie是一种较早的本地存储技术，主要通过HTTP协议在客户端和服务器之间传递数据。它的大小通常被限制为4KB以内，并且每次HTTP请求都会携带Cookie信息。缺点: 数据量有限制（最多4K…...
二元Logistic回归
二元Logistic回归 在机器学习领域，二元Logistic回归是一种非常经典的分类模型，广泛用于解决具有两类标签的分类问题。Logistic回归通过逻辑函数（Sigmoid函数）将预测结果映射到概率值，并进行分类。 一、Logistic回归 …...
Android framework 问题记录
一、休眠唤醒，很快熄屏 1.1 问题描述 机器休眠唤醒后，没有按照约定的熄屏timeout 进行熄屏，很快就熄屏（约2s~3s左右） 1.2 原因分析： 抓取相关log，打印休眠背光 相关调用栈 //具体打印调用栈…...
企业网站架构部署与优化 --web技术与nginx网站环境部署
一、Web 基础 本节将介绍Web 基础知识,包括域名的概念、DNS 原理、静态网页和动态网页的 相关知识。 1、域名和DNS 1.1、域名的概念 网络是基于TCP/IP 协议进行通信和连接的，每一台主机都有一个唯一的标识(固定的IP 地址),用以区别在网络上成千上万个用户和计算机。…...
Scala与Spark：原理、实践与技术全景详解
Scala与Spark：原理、实践与技术全景详解 一、引言 在大数据与分布式计算领域，Apache Spark 已成为事实标准的计算引擎，而 Scala 作为其主要开发语言，也逐渐成为数据工程师和后端开发者的必备技能。本文将系统梳理 Scala 语言基础…...
【聚类】层次聚类
层次聚类 文章目录 层次聚类1. 算法介绍2. 公式及原理3. 伪代码 1. 算法介绍 背景与目标 层次聚类（Hierarchical Clustering）是一类无需事先指定簇数的聚类方法，通过构造一棵“树状图”（dendrogram）来呈现数据的多层次…...
Windows环境安装LibreOffice实现word转pdf
前言：最近在工作中遇到了一个需求要实现word转pdf，本来我在上一个公司使用aspose.words工具使用的得心应手，都已经把功能点实现了，两句代码轻轻松松，但是被告知不能用商业版的东西，公司要求只能用开源的&am…...
)
【FAQ】HarmonyOS SDK 闭源开放能力 —Vision Kit (3)
1.问题描述： 通过CardRecognition识别身份证拍照拿到的照片地址，使用该方法获取不到图片文件，请问如何解决？ 解决方案： //卡证识别实现页，文件名为CardDemoPage，需被引入至入口页 import { …...
【聚类】K-means++
K-means 文章目录 K-means1. 算法介绍2. 公式及原理3. 伪代码 1. 算法介绍 背景与目标 k-means 是 David Arthur 和 Sergei Vassilvitskii 于2007年提出的改进 k-means 初始化方法，其核心目标是： 在保证聚类质量的前提下，通过更合理地选择初始…...
Java实现PDF加水印功能：技术解析与实践指南
Java实现PDF加水印功能：技术解析与实践指南 在当今数字化办公环境中，PDF文件因其跨平台兼容性和格式稳定性而被广泛应用。然而，为了保护文档的版权、标记文档状态（如“草稿”“机密”等）或增加文档的可追溯性…...
【C#】用 DevExpress 创建带“下拉子表”的参数表格视图
展示如何用 DevExpress 创建带“下拉子表”的参数表格视图。主表为 参数行 ParamRow，子表为 子项 ChildParam。 一、创建模型类 public class ParamRow {public string Pn { get; set; }public string DisplayName { get; set; }public string Value { get; set; }…...
Go语言八股文之Mysql优化
💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。 非常期待和您一起在这个小…...
学习记录：DAY29
项目开发日志：技术实践与成长之路 前言 回顾这几天的状态，热情总是比我想象中更快被消耗完。比起茫然徘徊的小丑，我更希望自己是对着风车冲锋的疯子。 今天继续深入项目的实际业务。 状态好点的时候，再看自己EMO时写的东西&…...
LLaMA-Factory：了解webUI参数
Finetuning method参数 full（全量微调） 更新模型全部参数，完全适配新任务 效果最好，但资源消耗最大适用于计算资源充足的场景存在过拟合的风险，需要大量数据支持 freeze（冻结微调） 固定底层参…...
【实战】GPT-SoVITS+内网穿透：3分钟搭建可公网访问的语音克隆系统
💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…...
HTML向四周扩散背景
<!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8" /><meta name"viewport" content"widthdevice-width, initial-scale1.0" /><title>扩散背景效果</title><style>body {…...
React 个人笔记 Hooks编程
作用 配合函数式编程，保证在不产生类的时候完成一个整体的组件 常用组件 useStateuseContextuseReduceruseEffectuseMemouseCallback 前三个值为自变量 后三者为因变量 前三者相当于其他编程函数的变量声明，而后三者相当于对变量进行了(if now ! pr…...
CSS- 4.6 radiu、shadow、animation动画
本系列可作为前端学习系列的笔记，代码的运行环境是在HBuilder中，小编会将代码复制下来，大家复制下来就可以练习了，方便大家学习。 HTML系列文章 已经收录在前端专栏，有需要的宝宝们可以点击前端专栏查看！ 点…...
ngx_http_scgi_module 技术指南
一、快速上手示例 http {# 定义 SCGI 参数（标准 CGI 环境变量）include /etc/nginx/scgi_params;server {listen 80;location /app/ {# 将请求转发到本地 9000 端口的 SCGI 服务器scgi_pass localhost:9000;# 只转发非空的 HTTPS 参数scgi…...
NFT市场开发技术全解析：从架构设计到实现
NFT（非同质化代币）市场已成为区块链领域的热门应用场景，涵盖艺术品、游戏资产、虚拟地产等多个领域。本文将从技术栈选择、核心功能实现、开发流程、挑战与优化等方面，系统梳理NFT市场的开发要点，并结合实际案例与代码…...
第六十一篇 Java反射解析：用咖啡调配理解动态编程的艺术
引言：一杯咖啡引发的技术思考 在星巴克的收银台前，我们总能看到店员熟练地根据顾客需求调配不同口味的咖啡：美式、拿铁、卡布奇诺… 这让我联想到编程世界中的对象创建。如果每新增一种咖啡就要修改收银系统，这样的设计显然不够优…...
【android bluetooth 协议分析 01】【HCI 层介绍 7】【ReadLocalName命令介绍】
1. HCI_Read_Local_Name Read Local Name 是 HCI（Host Controller Interface）命令之一，属于 BR/EDR 控制器的 HCI Command 类别，其主要功能是 读取本地设备（Controller）的人类可读名称（Local N…...
window xampp apache使用腾讯云ssl证书配置https
下载腾讯云ssl证书： 编辑Apache根目录下 conf/httpd.conf 文件： #LoadModule ssl_module modules/mod_ssl.so和#Include conf/extra/httpd-ssl.conf，去掉前面的#号注释。 编辑Apache根目录下 conf/httpd-ssl.conf 文件： <Vi…...
企业开发工具git的使用：从入门到高效团队协作
前言：本文介绍了Git的安装、本地仓库的创建与配置，以及工作区、暂存区和版本库的区分。详细讲解了版本回退、撤销修改等操作，并深入探讨了分支管理，包括分支的创建、切换、合并、删除及冲突解决。此外，还介绍了远程操作…...
【git config --global alias | Git分支操作效率提升实践指南】
git config --global alias | Git分支操作效率提升实践指南 背景与痛点分析 在现代软件开发团队中，Git分支管理是日常工作的重要组成部分。特别是在规范的开发流程中，我们经常会遇到类似 feature/user-management、bugfix/login-issue 或 per/cny/dev …...
VR 互动实训与展示，借科技开启沉浸式体验新篇
对于企业而言，产品设计与展示是极为关键的环节，这直接关系到能否成功吸引客户，以及精准获取市场反馈。在当下科技飞速发展的时代，VR 互动实训为这一至关重要的环节注入了全新活力，带来了前所未有的体验。以某智能家居企…...
一文了解VR拍摄制作
虚拟现实（VR）技术通过计算机技术模拟环境，使用户能够身临其境地沉浸在虚拟世界中进行交互体验。 在VR拍摄中，主要利用这一技术来创建360度全景视频或图片，让观众能够全方位地感受拍摄场景。这种拍摄方式不仅改变了我们…...
【内测征集】LarkVR 播控系统上新：VR 应用一站式专业播控与管理工具
Paraverse平行云自主研发的LarkXR实时云渲染平台，作为行业领先的企业级云渲染解决方案，在国际市场占据重要地位。公司自2016年创立以来，始终引领3D/XR云化技术的创新发展，目前已在全球范围内为超过10,000名开发者和1,000家企业客户…...
Windows逆向工程提升之二进制分析工具：HEX查看与对比技术
公开视频 -> 链接点击跳转公开课程博客首页 -> 链接点击跳转博客主页 目录 十六进制查看工具 应用于逆向工程的知识点 编辑 二进制对比工具 应用于逆向工程的知识点 十六进制查看工具 十六进制查看器是逆向工程的基础工具，它可以以十六进制格式…...
电脑A和电脑B都无法ping通电脑C网络，电脑C可以ping通电脑A和B，使用新系统测试正常，排除硬件问题。
主要硬件：研华AIMB-705主板、i5-6500 C机在防火墙高级设置里启用以下两项规则后，A/B机可正常访问C机网络。（直接关闭防火墙也可解决此问题） 文件和打印机共享 (回显请求 - ICMPv4-In) 核心网络诊断 - ICMP 回显请求 (ICMPv4-In)…...
【VMware】虚拟机运行 Linux Ubuntu、MAC 安装和配置
文章目录 一、VMware Workstation Pro 下载二、VMware Workstation Pro 安装三、Ubuntu Linux虚拟机镜像下载安装与配置 1、Ubuntu系统镜像下载 2、创建虚拟机（VMware）及硬件配置 3、编辑虚拟机设置 4、安装Ubuntu系统及系统…...
遨游科普：三防平板是什么？有什么作用？
在数字化与智能化浪潮席卷全球的今天，电子设备的可靠性已成为衡量其价值的核心标准之一。三防平板，这一“硬核”的工业设备，正凭借其卓越的环境适应能力，从专业领域走向大众视野，成为极端场景下不可或缺的数字化工具。…...
电脑闪屏可能的原因
1. 显示器 / 屏幕故障 屏幕排线接触不良：笔记本电脑屏幕排线（屏线）松动或磨损，导致信号传输不稳定，常见于频繁开合屏幕的设备。屏幕面板损坏：液晶屏内部灯管老化、背光模块故障或面板本身损坏，…...
VR 互动实训的显著优势
（一）沉浸式学习，提升培训效果 在 VR 互动实训中，员工不再是被动的知识接受者，而是主动的参与者。以销售培训为例，员工戴上 VR 设备，就能置身于逼真的销售场景中，与虚拟客户进行面对…...
2025.05.19【Connectedscatter】连接散点图详解
How to add a legend to base R plot The legend() function allows to add a legend. See how to use it with a list of available customization. Image on the chart background The rasterImage function allows to add an image on the background of the chart. 文章目…...