当前位置: 首页 > news >正文

大模型评测与可解释性

随着大模型在各个领域展现出惊人的能力,我们对其性能的评估和对其决策过程的理解变得尤为重要。一个模型即使在基准测试中表现出色,也可能在实际应用中遇到意想不到的问题。同时,由于大模型的复杂性,它们常常被视为“黑箱”,这给其在关键领域的应用带来了挑战。

本章将深入探讨大模型效果评估的多维度方法,以及大模型可解释性(Explainable AI, XAI)的核心概念、技术和实践工具,帮助我们更全面地理解和信任AI。

5.1 大模型效果评估:多维度衡量性能

评估大模型的性能远不止一个单一的准确率指标那么简单。我们需要从多个维度进行衡量,以全面了解模型的能力、局限性及其在实际应用中的表现。

5.1.1 通用任务评估指标

不同类型的大模型在不同任务上有着各自的评估指标。

5.1.1.1 自然语言处理 (NLP) 任务

对于文本生成、文本分类、问答等NLP任务,常用的指标包括:

  • 困惑度 (Perplexity, PPL): 主要用于评估语言模型的流畅性和生成文本的质量。困惑度越低,表示模型对文本的预测能力越强,生成的文本越自然。
  • BLEU (Bilingual Evaluation Understudy): 用于评估机器翻译或文本摘要等生成任务的质量。它衡量生成文本与参考文本(人工翻译/摘要)之间N-gram重叠的程度。值越高表示越好。
  • ROUGE (Recall-Oriented Understudy for Gisting Evaluation): 同样用于文本摘要和翻译,但更侧重于召回率,衡量生成文本包含了多少参考文本中的信息。分为ROUGE-N(N-gram重叠)、ROUGE-L(最长公共子序列)和ROUGE-S(跳跃二元组)。
  • METEOR (Metric for Evaluation of Translation with Explicit Ordering): 结合了精确率和召回率,并考虑了词干、同义词和短语对齐等,比BLEU更灵活。
  • BERTScore: 基于预训练的BERT模型计算生成文本与参考文本的语义相似度,而非简单的N-gram重叠,更能反映语义层面的质量。
  • 准确率 (Accuracy)、精确率 (Precision)、召回率 (Recall)、F1-score: 这些是分类任务的通用指标,尤其适用于文本分类、情感分析等。
    • 准确率: 正确预测的样本占总样本的比例。
    • 精确率: 预测为正例的样本中,真正为正例的比例。
    • 召回率: 真正为正例的样本中,被模型正确预测为正例的比例。
    • F1-score: 精确率和召回率的调和平均值,在两者之间取得平衡。
  • 人类评估 (Human Evaluation): 这是衡量文本生成质量的“黄金标准”,通过人类评分员对生成文本的流畅性、连贯性、信息量、事实准确性等进行主观评价。

5.1.1.2 计算机视觉 (CV) 任务

对于图像分类、目标检测、图像生成等CV任务,常用指标包括:

  • 准确率 (Accuracy): 图像分类任务的基本指标。
  • 平均精确率 (mAP, Mean Average Precision): 目标检测任务的核心指标,衡量在不同召回率阈值下的平均精确率。
  • 交并比 (IoU, Intersection over Union): 衡量目标检测或图像分割中预测框/掩码与真实框/掩码之间的重叠程度。
  • FID (Fréchet Inception Distance): 用于评估图像生成模型的质量,衡量生成图像的分布与真实图像分布之间的相似度。FID值越低越好。
  • IS (Inception Score): 同样用于评估图像生成模型,通过Inception-v3模型对生成图像进行分类,衡量图像的清晰度和多样性。IS值越高越好。
  • PSNR (Peak Signal-to-Noise Ratio) / SSIM (Structural Similarity Index Measure): 用于图像超分辨率、去噪等图像恢复任务,衡量图像质量。

5.1.1.3 多模态任务

对于视觉问答(VQA)、图像字幕生成、跨模态检索等任务,评估通常结合不同模态的指标:

  • VQA Accuracy: 直接回答问题的准确率。
  • Retrieval Recall@K: 在跨模态检索(如给定文本找图片,或给定图片找文本)中,衡量在返回的前K个结果中包含正确匹配项的比例。
  • Flicker30k / COCO Captioning Metrics: 结合BLEU、ROUGE、CIDEr等语言模型指标,评估图像字幕生成质量。
  • 人类评估: 对于多模态任务,人类评估同样不可或缺,因为它能捕捉到模型在理解和融合多模态信息方面的微妙之处。
5.1.2 零样本 / 少样本评估

大模型一个显著的优势是其零样本(Zero-shot)少样本(Few-shot) 能力。评估这些能力对于衡量模型的通用性和泛化能力至关重要。

  • 零样本: 在不进行任何特定任务微调的情况下,直接让模型执行任务。例如,给CLIP一个图像,以及一组未见过的类别名称,让它直接分类。
  • 少样本: 只提供极少量(例如1到5个)的示例,让模型学习并执行任务。例如,给GPT-3几个问答对,然后让它回答新的问题。

这些评估方法通常通过构建特定的基准测试集来完成,例如BIG-bench for LLMs,或通过Prompt Engineering来引导模型。

5.1.3 鲁棒性与公平性评估
  • 鲁棒性 (Robustness): 评估模型在面对输入噪声、对抗性攻击、数据漂移或分布外数据时的性能。例如,对图片添加微小扰动后,模型是否仍然能正确分类。
  • 公平性 (Fairness): 评估模型在处理不同人群(例如,不同种族、性别、年龄等)数据时是否存在偏见或歧视。这通常通过计算模型在不同敏感属性子集上的性能差异来衡量。

评估工具: Hugging Face Evaluate库为NLP、CV等任务提供了丰富的评估指标实现。 对于公平性评估,有如AIF360Fairlearn等工具。

5.2 大模型可解释性 (XAI):揭开“黑箱”的神秘面纱

随着AI模型变得越来越复杂,它们通常被称为“黑箱”,即我们知道它们能做什么,但不知

相关文章:

大模型评测与可解释性

随着大模型在各个领域展现出惊人的能力,我们对其性能的评估和对其决策过程的理解变得尤为重要。一个模型即使在基准测试中表现出色,也可能在实际应用中遇到意想不到的问题。同时,由于大模型的复杂性,它们常常被视为“黑箱”,这给其在关键领域的应用带来了挑战。 本章将深…...

【TTS回顾】StyleTTS 深度剖析:TTS+风格迁移

写在前面 这篇博客我们回顾一下StyleTTS,当时的背景是,文本转语音(TTS)技术,早已不再满足于仅仅将文字转化为可听的语音。行业需要的是“真人TTS”,AI 不仅能“说得清楚”,更能“说得生动”、“说得有感情”,甚至能模仿特定人物的说话风格。富有表现力的语音合成,即能…...

GStreamer (四)交叉编译

交叉编译 下载链接库交叉编译1、下载Gstreamer (方式二 ),进入到编译目录2、在gst-build目录下创建交叉编译配置文件cross_file.txt3、修改meson_options.txt中libmount选项为false,否则编译前需要先编译libmount。4、在gst-build…...

电路设计基础

只有当电容两端的电压等于0伏的时候,就是这一点的电压和这一点电压之间没有压差的时候,我门才可以把电容当成是一根导线,如果当我电容比如说它己经充到有一个1伏的电压了,这个时候我们是不可以把电容当成是导线的,所以…...

C语言——函数递归与迭代

(1)递归的例子: 顺序打印一个整数,打印整数的每一位。 例如: input:1234 output:1 2 3 4 input:520 output:5 2 0 我们可能会想到用这种方法:(但是运行之后,我们发现结果是事…...

详解 C# 中基于发布-订阅模式的 Messenger 消息传递机制:Messenger.Default.Send/Register

🧑 博主简介:CSDN博客专家、CSDN平台优质创作者,高级开发工程师,数学专业,10年以上C/C, C#, Java等多种编程语言开发经验,拥有高级工程师证书;擅长C/C、C#等开发语言,熟悉Java常用开…...

8 种快速易用的Python Matplotlib数据可视化方法

你是否曾经面对一堆复杂的数据,却不知道如何让它们变得直观易懂?别慌,Python 的 Matplotlib 库是你数据可视化的最佳伙伴!它简单易用、功能强大,能将枯燥的数字变成引人入胜的图表。无论是学生、数据分析师还是程序员&…...

嵌入式开发学习日志(linux系统编程--文件读写函数(2))Day25

一、linux操作命令 【wc】:指定字符统计; 【file 文件名】:可以查看文件的类型; 二、写入函数【fwrite】————可写入二进制文件 形式: size_t fwrite(const void *ptr, size_t size, size_t nmemb, FILE…...

离线服务器Python环境配置指南

离线服务器Python环境配置指南:避坑与实战 0. 场景分析:当服务器与世隔绝时 典型困境: 无法访问国际网络(如PyPI、Conda官方源)服务器处于内网隔离环境安全策略限制在线安装 解决方案矩阵: 方法适用场…...

Java线程池调优与实践经验

在Java面试中,线程池调优是一个常见且重要的考察点,尤其是当涉及Spring生态时,ThreadPoolTaskExecutor的使用经验通常会被深入追问。以下是针对该问题的结构化回答,结合原理、实践和调优经验: 1. 线程池调优的核心参数…...

Python 包管理工具核心指令uvx解析

uvx 是 Python 包管理工具 uv 的重要组成部分,主要用于在隔离环境中快速运行 Python 命令行工具或脚本,无需永久安装工具包。以下是其核心功能和使用场景的详细解析: 一、uvx 的定位与核心功能 工具执行器的角色 uvx 是 uv tool run 的别名&a…...

力扣-三数之和

1.题目描述 2.题目链接 LCR 007. 三数之和 - 力扣&#xff08;LeetCode&#xff09; 3.题目代码 import java.util.*; class Solution {public List<List<Integer>> threeSum(int[] nums) {Arrays.sort(nums);int tempnums.length-1;Set<List<Integer>…...

【AI模型学习】ESM2

文章目录 1. 版本2. 开始2.1 安装2.2 使用预训练模型2.2.1 代码2.2.2 讲解 2.2 结构预测 3. 任务类型总结1. 蛋白质结构预测&#xff08;ESMfold&#xff09;2. 特征嵌入提取&#xff08;esm-extract&#xff09;3. 零镜头变体预测&#xff08;ESM-1v/ESM-2&#xff09;4. 逆向…...

c++11特性——可变参数模板及emplace系列接口

文章目录 可变参数模板基本语法和使用sizeof...运算符 从语法角度理解可变参数模板包扩展通过编译时递归解析参数包直接对解析行为展开 emplace系列接口举例讲解emplace_back的实现 可变参数模板 可变参数模板是c11新特性中极其重要的一节。前文我们提到过&#xff0c;c11中对…...

深入理解 Pre-LayerNorm :让 Transformer 训练更稳

摘要 在超深 Transformer 与大语言模型&#xff08;LLM&#xff09;时代&#xff0c;归一化策略直接决定了模型能否稳定收敛、推理性能能否最大化。把归一化层从 “残差之后” 挪到 “子层之前”&#xff08;Pre-LayerNorm&#xff0c;Pre-LN&#xff09;&#xff0c;再将传统…...

vue3:十三、分类管理-表格--分页功能

一、实现效果 实现分页功能,并且可对分页功能和搜索框功能能动态显示 1、显示分页 2、分页功能和搜索栏隐藏 二、基础搭建 1、官网参考 Pagination 分页 | Element Plus 使用分页的附加功能 2、表格中底部写入分页 (1)样式class 在全局js中写入顶部外边距样式margin-t…...

工商总局可视化模版-Echarts的纯HTML源码

概述 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;适合各类工商监管场景使用。 主要内容 本套模版采用现代化设计风格&#xff0c;主要包含以下核心功能模块&…...

8.2 线性变换的矩阵

一、线性变换的矩阵 本节将对每个线性变换 T T T 都指定一个矩阵 A A A. 对于一般的列向量&#xff0c;输入 v \boldsymbol v v 在空间 V R n \pmb{\textrm V}\pmb{\textrm R}^n VRn 中&#xff0c;输出 T ( v ) T(\boldsymbol v) T(v) 在空间 W R m \textrm{\pmb W}\…...

工业路由器WiFi6+5G的作用与使用指南,和普通路由器对比

工业路由器的技术优势 在现代工业环境中&#xff0c;网络连接的可靠性与效率直接影响生产效率和数据处理能力。WiFi 6&#xff08;即802.11ax&#xff09;和5G技术的结合&#xff0c;为工业路由器注入了强大的性能&#xff0c;使其成为智能制造、物联网和边缘计算的理想选择。…...

Nginx核心服务

一&#xff0e;正向代理 正向代理&#xff08;Forward Proxy&#xff09;‌是一种位于客户端和原始服务器之间的代理服务器&#xff0c;其主要作用是将客户端的请求转发给目标服务器&#xff0c;并将响应返回给客户端 Nginx 的 正向代理 充当客户端的“中间人”&#xff0c;代…...

条件随机场 (CRF) 原理及其在语义分割中的应用

条件随机场 (CRF) 原理及其在语义分割中的应用 一、条件随机场的原理 条件随机场 (Conditional Random Fields, CRF) 是一种判别式概率无向图模型。它用于在给定观测序列 (如图像中的像素) 的条件下&#xff0c;对另一组序列 (如像素的语义标签) 进行建模和预测。 与生成式模…...

2025年Y2大型游乐设施操作证备考练习题

Y2 大型游乐设施操作证备考练习题 单选题 1、《游乐设施安全技术监察规程&#xff08;试行&#xff09;》规定&#xff1a;对操作控制人员无法观察到游乐设施的运行情况&#xff0c;在可能发生危险的地方应&#xff08; &#xff09;&#xff0c;或者采取其他必要的安全措施。…...

L53.【LeetCode题解】二分法习题集2

目录 1.162. 寻找峰值 分析 代码 提交结果 2.153. 寻找旋转排序数组中的最小值 分析 图像的增长趋势可以分这样几类 逐个击破 比较明显的 先增后减再增 用二段性给出left和right的更新算法 代码 提交结果 其他做法 提交结果 3.LCR 173. 点名(同剑指offer 53:0~…...

趣味编程:抽象图(椭圆组成)

概述&#xff1a;本篇博客主要讲解由椭圆图案组合而成的抽象图形。 1.效果展示 该程序的实际运行是一个动态的效果&#xff0c;因此实际运行相较于博客图片更加灵动。 2.源码展示 // 程序名称&#xff1a;椭圆组合而成的抽象图案// #include <graphics.h> #include <…...

RPA浪潮来袭,职业竞争的新风口已至?

1. RPA职业定义与范畴 1.1 RPA核心概念 RPA&#xff08;Robotic Process Automation&#xff0c;机器人流程自动化&#xff09;是一种通过软件机器人模拟人类操作&#xff0c;实现重复性、规律性任务自动化的技术。它能够自动执行诸如数据输入、文件处理、系统操作等任务&…...

【Elasticsearch】字段别名

在 Elasticsearch 中&#xff0c;字段别名&#xff08;Field Alias&#xff09;主要用于查询和检索阶段&#xff0c;而不是直接用于写入数据。 为什么不能通过字段别名写入数据&#xff1f; 字段别名本质上是一个映射关系&#xff0c;它将别名指向实际的字段。Elasticsearch …...

【Linux笔记】防火墙firewall与相关实验(iptables、firewall-cmd、firewalld)

一、概念 1、防火墙firewall Linux 防火墙用于控制进出系统的网络流量&#xff0c;保护系统免受未授权访问。常见的防火墙工具包括 iptables、nftables、UFW 和 firewalld。 防火墙类型 包过滤防火墙&#xff1a;基于网络层&#xff08;IP、端口、协议&#xff09;过滤流量&a…...

人工智能解析:技术革命下的认知重构

当生成式AI能够自主创作内容、设计方案甚至编写代码时&#xff0c;我们面对的不仅是工具革新&#xff0c;更是一场关于智能本质的认知革命。人工智能解析的核心&#xff0c;在于理解技术如何重塑人类解决问题和创造价值的底层逻辑——这种思维方式的转变&#xff0c;正成为数字…...

Neo4j实现向量检索

最近因为Dify、RagFlow这样的智能体的镜像拉取的速度实在太麻烦&#xff0c;一狠心想实现自己的最简单的RAG。 因为之前图数据库使用到了neo4j&#xff0c;查阅资料才发现​​Neo4j从5.11版本开始支持向量索引&#xff0c;提供一个真实可用的单元测试案例。 Neo4j建向量索引表…...

SpringBoot外部化配置

外部化配置&#xff08;Externalized Configuration&#xff09;是指将应用的配置从代码中剥离出来&#xff0c;放在外部文件或环境中进行管理的一种机制。 通俗地说&#xff0c;就是你不需要在代码里写死配置信息&#xff08;比如数据库账号、端口号、日志级别等&#xff09;…...

Gut(IF: 23.1)|深度多组学破局肝癌免疫联合治疗耐药的空间微环境图谱

肝细胞癌&#xff08;HCC&#xff09;是癌症相关死亡的主要原因之一&#xff0c;晚期患者预后极差。近年来&#xff0c;免疫检查点抑制剂&#xff08;ICI&#xff09;联合治疗&#xff08;如抗CTLA-4的tremelimumab和抗PD-L1的durvalumab&#xff09;已成为晚期HCC的一线治疗方…...

2025年保姆级教程:Powershell命令补全、主题美化、文件夹美化及Git扩展

文章目录 1. 美化 Powershell 缘起2. 安装 oh-my-posh 和 posh-git3. 安装文件夹美化主题【可选】 1. 美化 Powershell 缘起 背景&#xff1a;用了 N 年的 Windows 系统突然觉得命令行实在太难用了&#xff0c;没有补全功能、界面也不美观。所以&#xff0c;我决定改变它。但是…...

LeetCode-链表-合并两个有序链表

LeetCode-链表-合并两个有序链表 ✏️ 关于专栏&#xff1a;专栏用于记录 prepare for the coding test。 文章目录 LeetCode-链表-合并两个有序链表&#x1f4dd; 合并两个有序链表&#x1f3af;题目描述&#x1f50d; 输入输出示例&#x1f9e9;题目提示&#x1f9ea;AC递归&…...

SpringBoot3+Vue3(2)-前端基本页面配置-登录界面编写-Axios请求封装-后端跨越请求错误

前端&#xff1a; 清理文件 main.js 刷新后页面上什么都没有了 App.vue就留这 1.基本页面配置 新建Vue组件 单页面&#xff0c;考路由才操作。 1.前端根目录下安装路由 2.创建路由文件夹 main.js中添加路由配置 App.vue 添加上路由 welcomeView.vue 浏览器刷新&…...

Android Framework学习八:SystemServer及startService原理

文章目录 SystemServer、SystemServiceManger、SystemService、serviceManager的关系SystemServer进程的执行包含的ServiceSystemServer启动服务的流程startService Framework学习系列文章 SystemServer、SystemServiceManger、SystemService、serviceManager的关系 管理机制&a…...

远程访问家里的路由器:异地访问内网设备或指定端口网址

在一些情况下&#xff0c;我们可能需要远程访问家里的路由器&#xff0c;以便进行设置调整或查看网络状态等&#xff0c;我们看看怎么操作&#xff1f; 1.开启远程访问 在路由本地电脑或手机&#xff0c;登录浏览器访问路由管理后台&#xff0c;并设置开启WEB远程访问。 2.内…...

大语言模型 17 - MCP Model Context Protocol 介绍对比分析 基本环境配置

MCP 基本介绍 官方地址&#xff1a; https://modelcontextprotocol.io/introduction “MCP 是一种开放协议&#xff0c;旨在标准化应用程序向大型语言模型&#xff08;LLM&#xff09;提供上下文的方式。可以把 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 提供了一种…...

python生成requirements.txt文件

方法一&#xff1a;只生成项目所用到的python包(常用) 首先安装pipreqs pip install pipreqs 然后进入到你所在的项目根目录&#xff0c;运行以下命令&#xff1a; pipreqs ./ --encodingutf-8 方法二&#xff1a;把本地所有安装包写入文件 pip freeze > requirements.txt …...

如何在PyCharm2025中设置conda的多个Python版本

前言 体验的最新版本的PyCharm(Community)2025.1.1&#xff0c;发现和以前的版本有所不同。特别是使用Anaconda中的多个版本的Python的时候。 关于基于Anaconda中多个Python版本的使用&#xff0c;以及对应的Pycharm&#xff08;2023版&#xff09;的使用&#xff0c;可以参考…...

StepX-Edit:一个通用图像编辑框架——论文阅读笔记

一. 前言 代码&#xff1a;https://github.com/stepfun-ai/Step1X-Edit 论文&#xff1a;https://arxiv.org/abs/2504.17761 近年来&#xff0c;图像编辑技术发展迅速&#xff0c;GPT- 4o、Gemini2 Flash等前沿多模态模型的推出&#xff0c;展现了图像编辑能力的巨大潜力。 这…...

vue原生table表格实现动态添加列,一行添加完换行继续添加。el-select输入框背景颜色根据所选内容不同而改变

效果如下 动态添加列 代码如下 <template><div class"table-container"><button click"addColumn">添加列</button><div class"scroll-container"><div class"table-grid"><div v-for"(r…...

maven之pom.xml

MAVEN 1、基础配置​2、项目信息3、依赖管理​4、构建配置​5、继承与聚合​6、仓库与SCM​7、其他高级配置​ Maven的pom.xml文件是项目的核心配置文件&#xff0c;用于定义项目结构、依赖关系和构建过程 https://www.runoob.com/maven/maven-pom.html 1、基础配置​ **<…...

深度学习Y8周:yolov8.yaml文件解读

&#x1f368; 本文为&#x1f517;365天深度学习训练营中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 本周任务&#xff1a;根据yolov8n、yolov8s模型的结构输出&#xff0c;手写出yolov8l的模型输出、 文件位置&#xff1a;./ultralytics/cfg/models/v8/yolov8.…...

充电桩APP的数据分析:如何用大数据优化运营?

随着新能源汽车的普及&#xff0c;充电桩作为基础设施的核心环节&#xff0c;其运营效率直接影响用户体验和行业可持续发展。充电桩APP积累了海量用户行为、充电记录、设备状态等数据&#xff0c;如何利用这些数据优化运营成为关键课题。大数据分析能够帮助运营商精准定位问题、…...

shell脚本之函数详细解释及运用

什么是函数 通俗地讲&#xff0c;所谓函数就是将一组功能相对独立的代码集中起来&#xff0c;形成一个代码块&#xff0c;这个代码可 以完成某个具体的功能。从上面的定义可以看出&#xff0c;Shell中的函数的概念与其他语言的函数的 概念并没有太大的区别。从本质上讲&#…...

校平机的原理、应用及发展趋势

一、校平机的定义与作用 校平机&#xff08;Leveling Machine&#xff09;是一种用于矫正金属板材、带材或卷材表面平整度的工业设备。其核心功能是通过机械作用消除材料内部残余应力&#xff0c;修正材料在加工、运输或存储过程中产生的弯曲、波浪形、翘曲等缺陷&#xff0c;…...

NFM算法解析:如何用神经网络增强因子分解机的特征交互能力?

在推荐系统和广告点击率预测等场景中&#xff0c;特征交叉&#xff08;Feature Interaction&#xff09;是提升模型效果的关键。传统的因子分解机&#xff08;FM&#xff09;通过二阶特征交互取得了显著效果&#xff0c;但其线性建模方式和有限阶数限制了模型的表达能力。今天&…...

Python人工智能算法 模拟退火算法:原理、实现与应用

模拟退火算法&#xff1a;从物理启发到全局优化的深度解析 一、算法起源与物理隐喻 模拟退火算法&#xff08;Simulated Annealing, SA&#xff09;起源于20世纪50年代的固体退火理论&#xff0c;其核心思想可追溯至Metropolis等人提出的蒙特卡罗模拟方法。1983年&#xff0c…...

服务器网络配置 netplan一个网口配置两个ip(双ip、辅助ip、别名IP别名)

文章目录 问答 问 # This is the network config written by subiquity network:ethernets:enp125s0f0:dhcp4: noaddresses: [192.168.90.180/24]gateway4: 192.168.90.1nameservers:addresses:- 172.0.0.207- 172.0.0.208enp125s0f1:dhcp4: trueenp125s0f2:dhcp4: trueenp125…...

FTP与NFS服务详解

一、FTP服务 &#xff08;一&#xff09;Linux下FTP客户端管理工具 1. ftp工具 安装命令&#xff1a;yum install ftp -y连接服务器&#xff1a;ftp 服务器IP&#xff0c;输入账号密码登录。常用命令&#xff1a; 命令说明ls查看远程目录文件put上传单个文件到远程服务器get…...