当前位置：首页 > news >正文

【NLP 16、实践 ③ 找出特定字符在字符串中的位置】

news 来源：原创 2025/6/10 10:43:08

看着父亲苍老的白发和渐渐老态的面容

希望时间再慢一些

—— 24.12.19

一、定义模型

1.初始化模型

① 初始化父类

super(TorchModel, self).__init__()：调用父类 nn.Module 的初始化方法，确保模型能够正确初始化。

② 创建嵌入层

self.embedding = nn.Embedding(len(vocab), vector_dim)：创建一个嵌入层，将词汇表中的每个词映射到一个 vector_dim 维度的向量。

③ 创建RNN层

self.rnn = nn.RNN(vector_dim, vector_dim, batch_first=True)：创建一个 RNN 层，输入和输出的特征维度均为 vector_dim，并且输入数据的第一维是批量大小。

④ 创建线性分类层

self.classify = nn.Linear(vector_dim, sentence_length + 1)：创建一个线性层，将 RNN 输出的特征向量映射到 sentence_length + 1 个分类标签。+1 是因为可能有某个词不存在的情况，此时的真实标签被设为 sentence_length。

⑤ 定义损失函数

self.loss = nn.functional.cross_entropy：定义交叉熵损失函数，用于计算模型预测值与真实标签之间的差异。

class TorchModel(nn.Module):def __init__(self, vector_dim, sentence_length, vocab):super(TorchModel, self).__init__()self.embedding = nn.Embedding(len(vocab), vector_dim)  #embedding层# self.pool = nn.AvgPool1d(sentence_length)   #池化层#可以自行尝试切换使用rnnself.rnn = nn.RNN(vector_dim, vector_dim, batch_first=True)# +1的原因是可能出现a不存在的情况，那时的真实label在构造数据时设为了sentence_lengthself.classify = nn.Linear(vector_dim, sentence_length + 1)self.loss = nn.functional.cross_entropy

2、前向传播定义

① 输入嵌入

x = self.embedding(x)：将输入 x 通过嵌入层转换为向量表示

② RNN处理

rnn_out, hidden = self.rnn(x)：将嵌入后的向量输入到RNN层，得到每个时间步的输出 rnn_out 和最后一个时间步的隐藏状态 hidden。

③ 提取特征

x = rnn_out[:, -1, :]：从RNN的输出中提取最后一个时间步(最后一维)的特征向量。

④ 分类

y_pred = self.classify(x)：将提取的特征向量通过线性层进行分类，得到预测值 y_pred。

⑤ 损失计算

如果提供了真实标签 y，则计算并返回损失值；否则，返回预测值。

    #当输入真实标签，返回loss值；无真实标签，返回预测值def forward(self, x, y=None):x = self.embedding(x)#使用pooling的情况，先使用pooling池化层会丢失模型语句的时序信息# x = x.transpose(1, 2)# x = self.pool(x)# x = x.squeeze()#使用rnn的情况# rnn_out：每个字对应的向量  hidden：最后一个输出的隐含层对应的向量rnn_out, hidden = self.rnn(x)# 中间维度改变，变成(batch_size数据样本数量, sentence_length文本长度, vector_dim向量维度)x = rnn_out[:, -1, :]  #或者写hidden.squeeze()也是可以的，因为rnn的hidden就是最后一个位置的输出#接线性层做分类y_pred = self.classify(x)if y is not None:return self.loss(y_pred, y)   #预测值和真实值计算损失else:return y_pred

二、数据

1.建立词表

① 定义字符集

定义一个字符集 chars，包含字母 'a' 到 'k'。

② 定义字典

初始化一个字典 vocab，其中键为 'pad'，值为 0。

③ 遍历字符集

使用 enumerate 遍历字符集 chars，为每个字符分配一个唯一的序号，从 1 开始。

④ 定义unk键

添加一个特殊的键 'unk'，其值为当前字典的长度（即 26）。

⑤ 返回词汇表

将生成的词汇表返回

#字符集随便挑了一些字，实际上还可以扩充
#为每个字生成一个标号
#{"a":1, "b":2, "c":3...}
#abc -> [1,2,3]
def build_vocab():chars = "abcdefghijk"  #字符集vocab = {"pad":0}for index, char in enumerate(chars):vocab[char] = index+1   #每个字对应一个序号vocab['unk'] = len(vocab) #26return vocab

2.随机生成样本

① 采样

random.sample(list(vocab.keys()), sentence_length)：从词汇表 vocab 的键中随机选择 sentence_length 个不同的字符，生成列表 x

② 标签生成

index('a')：检查列表 x 中是否包含字符 "a"，如果包含，记录 "a" 在列表中的索引位置为 y，否则，设置 y 为 sentence_length。

③ 转换

将列表 x 中的每个字符转换为其在词汇表中的序号，如果字符不在词汇表中，则使用 unk 的序号

④ 返回结果

返回转换后的列表 x 和标签 y

#随机生成一个样本
def build_sample(vocab, sentence_length):#注意这里用sample，是不放回的采样，每个字母不会重复出现，但是要求字符串长度要小于词表长度x = random.sample(list(vocab.keys()), sentence_length)#指定哪些字出现时为正样本if "a" in x:y = x.index("a")else:y = sentence_lengthx = [vocab.get(word, vocab['unk']) for word in x]   #将字转换成序号，为了做embeddingreturn x, y

3.建立数据集

① 初始化数据集

创建两个空列表 dataset_x 和 dataset_y，用于存储生成的样本和对应的标签

② 生成样本

使用 for 循环，循环次数为 sample_length，即需要生成的样本数量。在每次循环中，调用 build_sample 函数生成一个样本 (x, y)，其中 x 是输入数据，y 是标签

③ 存储样本

将生成的样本 x 添加到 dataset_x 列表中。将生成的标签 y 添加到 dataset_y 列表中

④ 返回数据集

将 dataset_x 和 dataset_y 转换为 torch.LongTensor 类型，以便在 PyTorch 中使用。返回转换后的数据集。

#建立数据集
#输入需要的样本数量。需要多少生成多少
def build_dataset(sample_length, vocab, sentence_length):dataset_x = []dataset_y = []for i in range(sample_length):x, y = build_sample(vocab, sentence_length)dataset_x.append(x)dataset_y.append(y)return torch.LongTensor(dataset_x), torch.LongTensor(dataset_y)

三、模型测试、训练、评估

1.建立模型

① 参数：

vocab：词汇表，通常是一个包含所有字符或单词的列表或字典

char_dim：字符的维度，即每个字符在嵌入层中的向量长度

sentence_length：句子的最大长度

② 过程：

使用传入的参数 char_dim、sentence_length 和 vocab 实例化一个 TorchModel 对象并返回

#建立模型
def build_model(vocab, char_dim, sentence_length):model = TorchModel(char_dim, sentence_length, vocab)return model

2.测试模型

① 设置模型为评估模式

model.eval()：将模型设置为评估模式，禁用 dropout 等训练时的行为

② 生成测试数据集

调用 build_dataset 函数生成 200 个用于测试的样本

③ 打印样本数量

输出当前测试集中样本的数量

④ 模型预测

使用 torch.no_grad() 禁用梯度计算，提高推理速度并减少内存消耗，然后对生成的测试数据进行预测

⑤ 计算准确率

遍历预测结果和真实标签，统计正确和错误的预测数量，并计算准确率

⑥ 输出结果

打印正确预测的数量和准确率，并返回准确率

#测试代码
#用来测试每轮模型的准确率
def evaluate(model, vocab, sample_length):model.eval()x, y = build_dataset(200, vocab, sample_length)   #建立200个用于测试的样本print("本次预测集中共有%d个样本"%(len(y)))correct, wrong = 0, 0with torch.no_grad():y_pred = model(x)      #模型预测for y_p, y_t in zip(y_pred, y):  #与真实标签进行对比if int(torch.argmax(y_p)) == int(y_t):correct += 1else:wrong += 1print("正确预测个数：%d, 正确率：%f"%(correct, correct/(correct+wrong)))return correct/(correct+wrong)

3.模型训练

① 配置参数

设置训练轮数epoch_num、批量大小batch_size、训练样本数train_sample、字符维度char_dim、句子长度sentence_length和学习率learning_rate

② 建立字表

调用 build_vocab 函数生成字符到索引的映射。

③ 建立模型

调用 build_model 函数创建模型。

④ 选择优化器

torch.optim.Adam(model.parameters(), lr=learning_rate)：使用 Adam 优化器

⑤ 训练过程

model.train()：模型进入训练模式。每个 epoch 中，按批量生成训练数据，计算损失，反向传播并更新权重。记录每个 epoch 的平均损失。

⑥ 评估模型

每个 epoch 结束后，调用 evaluate 函数评估模型性能。

⑦ 记录日志

记录每个 epoch 的准确率和平均损失。

⑧ 绘制图表

绘制准确率和损失的变化曲线。

⑨ 保存模型和词表

保存模型参数和词表

def main():#配置参数epoch_num = 20        #训练轮数batch_size = 40       #每次训练样本个数train_sample = 1000    #每轮训练总共训练的样本总数char_dim = 30         #每个字的维度sentence_length = 10   #样本文本长度learning_rate = 0.001 #学习率# 建立字表vocab = build_vocab()# 建立模型model = build_model(vocab, char_dim, sentence_length)# 选择优化器optim = torch.optim.Adam(model.parameters(), lr=learning_rate)log = []# 训练过程for epoch in range(epoch_num):model.train()watch_loss = []for batch in range(int(train_sample / batch_size)):x, y = build_dataset(batch_size, vocab, sentence_length) #构造一组训练样本optim.zero_grad()    #梯度归零loss = model(x, y)   #计算lossloss.backward()      #计算梯度optim.step()         #更新权重watch_loss.append(loss.item())print("=========\n第%d轮平均loss:%f" % (epoch + 1, np.mean(watch_loss)))acc = evaluate(model, vocab, sentence_length)   #测试本轮模型结果log.append([acc, np.mean(watch_loss)])#画图plt.plot(range(len(log)), [l[0] for l in log], label="acc")  #画acc曲线plt.plot(range(len(log)), [l[1] for l in log], label="loss")  #画loss曲线plt.legend()plt.show()#保存模型torch.save(model.state_dict(), "model.pth")# 保存词表writer = open("vocab.json", "w", encoding="utf8")writer.write(json.dumps(vocab, ensure_ascii=False, indent=2))writer.close()return

四、模型预测

1.训练并保存模型

if __name__ == "__main__":main()

2.预测数据

用保存的训练好的模型进行预测

① 初始化参数

设置每个字的维度 char_dim 和样本文本长度 sentence_length

② 加载字符表

从指定路径加载字符表 vocab

③ 建立模型

调用 build_model 函数构建模型

④ 加载模型权重

从指定路径加载预训练的模型权重

⑤ 序列化输入

将输入字符串转换为模型所需的输入格式

⑥ 模型预测

将输入数据传递给模型进行预测

⑦ 输出结果

打印每个输入字符串的预测类别和概率值

#使用训练好的模型做预测
def predict(model_path, vocab_path, input_strings):char_dim = 30  # 每个字的维度sentence_length = 10  # 样本文本长度vocab = json.load(open(vocab_path, "r", encoding="utf8")) #加载字符表model = build_model(vocab, char_dim, sentence_length)     #建立模型model.load_state_dict(torch.load(model_path,weights_only=True))             #加载训练好的权重x = []for input_string in input_strings:x.append([vocab[char] for char in input_string])  #将输入序列化model.eval()   #测试模式with torch.no_grad():  #不计算梯度result = model.forward(torch.LongTensor(x))  #模型预测for i, input_string in enumerate(input_strings):print("输入：%s, 预测类别：%s, 概率值：%s" % (input_string, torch.argmax(result[i]), result[i])) #打印结果

3.调用函数进行预测

if __name__ == "__main__":# main()test_strings = ["kijabcdefh", "gijkbcdeaf", "gkijadfbec", "kijhdefacb"]predict("model.pth", "vocab.json", test_strings)

【NLP 16、实践 ③ 找出特定字符在字符串中的位置】

看着父亲苍老的白发和渐渐老态的面容希望时间再慢一些 —— 24.12.19 一、定义模型 1.初始化模型 ① 初始化父类 super(TorchModel, self).__init__()： 调用父类 nn.Module 的初始化方法，确保模型能够正确初始化。 ② 创建嵌入层 self.embedding n…...

编程日记 2025/6/3 10:19:53

一.photoshop导入到spine

这里使用的是 photoshoptospine脚本下载地址:https://download.csdn.net/download/boyxgb/90156744 脚本的使用,可以通过文件的脚本的浏览,浏览该脚本使用该脚本,也可以将该脚本放在photoshop安装文件夹里的script文件夹下,具体路径:Photoshop\Presets\Scripts,重启photosho…...

编程日记 2025/6/3 21:52:02

macos ➜ ~ node -v v16.20.2➜ ~ npm --version 8.19.4全局安装 docsify-cli 工具 npm i docsify-cli -g➜ ~ docsify -vdocsify-cli version:4.4.4初始化项目 docsify init ./docsls -ah docs . .. .nojekyll README.md index.htmlindex.html 入口文件README.md 会…...

编程日记 2025/6/1 13:58:37

在Windows Server路由和远程访问服务中启用L2TP/IPsec VPN

背景路由和远程访问服务（Routing and Remote Access Services，RRAS）是Windows Server上的一个角色，包含很多功能，可以用来搭建VPN。然而，在什么也不做的初始配置中，它只允许PPTP协议连接。然而…...

编程日记 2025/6/3 21:51:59

感知机收敛性定理证明

1. 问题描述感知机收敛性定理假设： 存在一个参数向量 θ（被归一化为单位向量，，以及一个正数 ，使得对所有训练样本满足： 这是线性可分的假设，意味着每个样本点与正确超平面之间有一个至少为的…...

编程日记 2025/6/3 18:06:27

监控易平台：提升IDC 数据中心运维效率与质量

一、引言随着信息技术的飞速发展，IDC 数据中心作为信息存储、处理和传输的核心枢纽，其规模和复杂性不断增加。数据中心的稳定运行对于企业业务的连续性和发展至关重要，然而，传统的运维方式在面对日益增长的运维需求时&#xff0c…...

编程日记 2025/6/3 21:51:53

WordPress 资源展示型下载类主题 CeoMax-Pro_v7.6 开心版

WordPress 资源展示型下载类主题 CeoMax-Pro_v7.6 开心版； CeoMax-Pro是一款极致美观强大的WordPress付费资源下载主题，它能满足您所有付费资源下载的业务需求！ 你的想法与业务不能被主题所限制！CeoMax-Pro强大的功能&#xff0…...

编程日记 2025/6/3 10:39:02

java数据类型(补充-引用类型)

Java还提供了引用数据类型（Reference Types）。这些类型的变量存储的是对象的引用，而不是直接存储值。引用数据类型主要包括以下几类： 类型描述类(Class)每个对象都有自己的状态（属性或字段）、行为&#xf…...

编程日记 2025/6/2 23:22:29

【WRF教程第四期】WRF 初始化概述：以4.5版本为例

WRF 初始化（WRF Initialization） Building Initialization Programs编译方式理想案例初始化（Initialization for Idealized Cases）理想化案例的输入可用的理想化案例现实案例初始化（Initialization for Real Data Ca…...

编程日记 2025/6/3 17:05:44

「Mac畅玩鸿蒙与硬件47」UI互动应用篇24 - 虚拟音乐控制台

本篇将带你实现一个虚拟音乐控制台。用户可以通过界面控制音乐的播放、暂停、切换歌曲，并查看当前播放的歌曲信息。页面还支持调整音量和动态显示播放进度，是音乐播放器界面开发的基础功能示例。关键词 UI互动应用音乐控制播放控制动态展示状态管理按钮…...

编程日记 2025/6/3 20:00:16

Navicat 17 功能简介 | SQL 美化

SQL美化本期，我们将深入挖掘 Navicat 的实用的SQL代码美化功能。你只需简单地点击“SQL 美化”按钮，即可轻松完成 SQL 的格式化。随着 17 版本的发布，Navicat 也带来了众多的新特性，包括兼容更多数据库、全新的模型设计、可视化…...

编程日记 2025/5/30 19:30:37

C++ 只出现一次的数字 - 力扣（LeetCode）

点击链接即可查看题目：136. 只出现一次的数字 - 力扣（LeetCode） 一、题目给你一个非空整数数组 nums ，除了某个元素只出现一次以外，其余每个元素均出现两次。找出那个只出现了一次的元素。你必须设计并实现线性时间…...

编程日记 2025/5/31 15:51:07

Unity3D仿星露谷物语开发5之角色单例模式

1、目的使用单例模式创建角色对象，保证整个游戏中只有一个角色，并且让游戏对象具有全局可访问性。 2、流程 （1）创建SingletonMonobehaviour脚本 Assets下创建Scripts目录用于存放所有的脚本，再创建Misk子目录&…...

编程日记 2025/6/4 1:52:38

解析在OceanBase创建分区的常见问题｜OceanBase 用户问题精粹

在《分区策略和管理分区计划的实践方案》这篇文章中，我们介绍了在ODC中制定分区策略及有效管理分区计划的经验。有不少用户在该帖下提出了使用中的问题，其中一个关于创建分区的限制条件的问题，也是很多用户遭遇的老问题。因此本文以其为切入&…...

编程日记 2025/6/3 10:13:27

python学习路径（一）

学习 Python 的完整大纲应该从基础知识到高级应用层层递进，并以构建自己的项目为目标，最终形成自己的知识体系。以下是一个完整、详细且逻辑清晰的学习路径： 第一部分：Python 基础 1. 环境配置与工具 Python 安装与版本管理&…...

编程日记 2025/5/31 16:22:52

【Nginx-5】Nginx 限流配置指南：保护你的服务器免受流量洪峰冲击

在现代互联网应用中，流量波动是常态。无论是突发的用户访问高峰，还是恶意攻击，都可能导致服务器资源耗尽，进而影响服务的可用性。为了应对这种情况，限流（Rate Limiting）成为了一种常见的保护措施…...

编程日记 2025/6/3 10:07:27

OpenCV(python)从入门到精通——运算操作

加法减法操作 import cv2 as cv import numpy as npx np.uint8([250]) y np.uint8([10])x_1 np.uint8([10]) y_1 np.uint8([20])# 加法,相加最大只能为255 print(cv.add(x,y))# 减法，相互减最小值只能为0 print(cv.subtract(x_1,y_1))图像加法 import cv2 as…...

编程日记 2025/5/30 13:28:50

MFC 自定义网格控件

一、什么是 Custom Control？ Custom Control（自定义控件） 是 MFC（Microsoft Foundation Classes）框架中提供的一种控件类型，用于实现自定义的外观和功能。当标准控件（例如 CEdit、CButton、CLi…...

编程日记 2025/6/3 8:13:58

什么是卷积？卷积的意义

卷积是一种在数学和信号处理中广泛应用的运算方法，它通常被用于描述两个函数之间的关系。在信号处理中，卷积可以将两个信号进行组合，以得到一个新的信号，该信号反映了这两个原始信号之间的关系。具体来说，假设有两个…...

编程日记 2025/6/3 1:55:47

μC/OS-Ⅱ源码学习(7)---软件定时器

快速回顾 μC/OS-Ⅱ中的多任务 μC/OS-Ⅱ源码学习(1)---多任务系统的实现 μC/OS-Ⅱ源码学习(2)---多任务系统的实现(下) μC/OS-Ⅱ源码学习(3)---事件模型 μC/OS-Ⅱ源码学习(4)---信号量 μC/OS-Ⅱ源码学习(5)---消息队列 μC/OS-Ⅱ源码学习(6)---事件标志组本文进一…...

编程日记 2025/6/2 8:53:56

3D和AR技术在电商行业的应用有哪些？

3D展示和AR技术在电商行业的应用为消费者带来了更为直观、沉浸式的购物体验，显著提升了商品展示效果和销售转化率。以下是3D和AR技术在电商行业的具体应用： 1、商品3D展示： 通过3D技术，商品可以在电商平台上以三维形式呈现&…...

编程日记 2025/6/1 16:01:31

数据增强的几大方式

1. 随机擦除(Random Erasing) 说明随机在图像中选取一个矩形区域，将其像素值随机化或设为零，以增加模型对部分缺失信息的鲁棒性。 import numpy as np import cv2def random_erasing(image, sl0.02, sh0.2, r10.3):h, w, _ image.shapearea h * wta…...

编程日记 2025/6/2 10:08:20

GraphReader: 将长文本结构化为图，并让 agent 自主探索，结合的大模型长文本处理增强方法

GraphReader: 将长文本结构化为图，并让 agent 自主探索，结合的大模型长文本处理增强方法论文大纲理解为什么大模型和知识图谱不够？还要多智能体设计思路数据分析解法拆解全流程核心模式提问为什么传统的长文本处理方法会随着文本长度增加而…...

编程日记 2025/6/3 13:16:03

VTK 模型封闭 closeSurface 补洞，网格封闭性检测

网格封闭性检测见： vtk Edges 特征边提取网格封闭性检测_vtkfeatureedges-CSDN博客由于以前做过3D打印模型，要求模型必须是封闭的，原来对模型封闭有研究过，不过没有记录；现在又遇到，整理一下&#xff…...

编程日记 2025/5/31 10:41:02

【译】仅有 Text2SQL 是不够的：用 TAG 统一人工智能和数据库

原文地址：Text2SQL is Not Enough: Unifying AI and Databases with TAG 摘要通过数据库为自然语言问题提供服务的人工智能系统有望释放出巨大的价值。此类系统可让用户利用语言模型（LM）的强大推理和知识能力，以及数据管理系统…...

编程日记 2025/5/31 22:54:55

Java：链接redis报错：NoSuchElementException: Unable to validate object

目录前言报错信息排查1、确认redis密码设置是否有效2、确认程序配置文件，是否配置了正确的redis登录密码3、检测是否是redis持久化的问题4、确认程序读取到的redis密码没有乱码原因解决前言一个已经上线的项目，生产环境的redis居然没有设置密码&…...

编程日记 2025/6/3 8:13:48

每日一题 334. 递增的三元子序列

334. 递增的三元子序列使用贪心来找到三个数字 class Solution { public:bool increasingTriplet(vector<int>& nums) {int first INT_MAX;int second INT_MAX;for(int num : nums){if(num < first){first num;}else if(num < second){second num;}els…...

编程日记 2025/6/3 8:03:41

金仓 Kingbase 日常运维 SQL 汇总

编程日记 2025/6/3 8:13:41

JAVA开发ERP时在 PurchaseOrderServiceImpl.java 中添加日志记录进行调试

在 PurchaseOrderServiceImpl.java 中添加日志记录，以便在保存订单时输出参数进行调试。可以使用 Spring 的日志框架（SLF4J 和 Logback）来实现这一点。添加日志记录引入 SLF4J 依赖: 确保项目中已经包含了 SLF4J 和 Logback 的依赖。通常在…...

编程日记 2025/6/4 13:24:57

36.3 grafana-dashboard看图分析

kube-prometheus中的grafana总结 db使用 sqlit，volume类型为emptydir 无法持久化，pod扩缩就重新创建通过configMap设置的prometheus DataSource 通过 prometheus-k8s svc对应的域名访问下面对应两个prometheus容器，有HA 各个dashboard通过 …...

编程日记 2025/5/30 20:12:19

面试题整理5----进程、线程、协程区别及僵尸进程处理

面试题整理5----进程、线程、协程区别及僵尸进程处理 1. 进程、线程与协程的区别1.1 进程（Process）1.2 线程（Thread）1.3 协程（Coroutine）2. 总结对比 3. 僵尸进程3.1 什么是僵尸进程？3.2 僵尸进…...

编程日记 2025/6/3 2:44:40

【C语言程序设计——基础】顺序结构程序设计（头歌实践教学平台习题）【合集】

目录😋 <第1关：顺序结构的应用> 任务描述相关知识编程要求测试说明我的通关代码: 测试结果： <第2关：交换变量值> 任务描述相关知识编程要求测试说明我的通关代码: 测试结果： <第…...

编程日记 2025/6/3 8:13:29

LLM大语言模型私有化部署-OpenEuler22.03SP3上容器化部署Dify与Qwen2.5

背景 Dify 是一款开源的大语言模型(LLM) 应用开发平台。其直观的界面结合了 AI 工作流、 RAG 管道、 Agent 、模型管理、可观测性功能等，让您可以快速从原型到生产。相比 LangChain 这类有着锤子、钉子的工具箱开发库， Dify 提供了更接近生产需要的完整…...

编程日记 2025/6/3 13:11:39

C语言中的转义字符

C语言中的转义字符常见字符ASCII码表...

编程日记 2025/5/31 10:54:51

ilqr算法原理推导及代码实践

目录一. ilqr原理推导1.1 ilqr问题描述1.2 ilqr算法原理1.3 ilqr算法迭代过程二. ilqr实践代码一. ilqr原理推导 1.1 ilqr问题描述本文参考知乎博主: LQR与iLQR：从理论到实践【详细】基础LQR只能处理线性系统 (指可以使用 x ( k 1 ) A x ( k ) B u ( k )…...

编程日记 2025/6/3 4:30:39

系列1:基于Centos-8.6部署Kubernetes (1.24-1.30)

每日禅语 “木末芙蓉花，山中发红萼，涧户寂无人，纷纷开自落。”这是王维的一首诗，名叫《辛夷坞》。这首诗写的是在辛夷坞这个幽深的山谷里，辛夷花自开自落，平淡得很，既没有生的喜悦&#xff…...

编程日记 2025/5/31 5:13:24

finereport新的数据工厂插件使用场景一通过accessToken获取数据

1 有两个接口，一个接口获取一个accessToken，一个接口根据accessToken来获取数据。代码示例为： @RequestMapping(value = {"df_test/getAccessToken"},method = {RequestMethod.GET})@ResponseBodypublic String getAccessToken(HttpServletRequest req, HttpServ…...

编程日记 2025/5/28 0:16:20

matlab绘图时设置左、右坐标轴为不同颜色

目录一、需求描述二、实现方法一、需求描述当图中存在两条曲线，需要对两条曲线进行分别描述时，应设置左、右坐标轴为不同颜色，并设置刻度线，且坐标轴颜色需要和曲线颜色相同。二、实现方法 1.1、可以实现： 1…...

编程日记 2025/5/31 10:54:45

魏裕雄的JAVA学习总结

JAVA学习总结 Java面向对象程序设计知识总结第1章初识Java与面向对象程序设计JAVA概述面向对象程序设计思想JAVA开发环境搭建第一个JAVA程序JAVA常用开发工具第2章 Java编程基础变量与常量运算符与表达式选择结构循环结构方法数组JVM中的堆内存与栈内存第3章面向对象程序设…...

编程日记 2025/5/31 10:54:43

深度学习从入门到精通——图像分割实战DeeplabV3

DeeplabV3算法参数配置关于数据集的配置训练集参数数据预处理模块DataSet构建模块测试一下数据集去正则化模型加载模块DeepLABV3 参数配置关于数据集的配置 parser argparse.ArgumentParser()# Datset Optionsparser.add_argument("--data_root", typestr, defa…...

编程日记 2025/6/1 9:02:54

SAP抓取外部https报错SSL handshake处理方法

一、问题描述 SAP执行报表抓取https第三方数据，数据获取失败。报错消息： SSL handshake with XXX.COM:449 failed: SSSLERR_SSL_READ (-58)#SAPCRYPTO:SSL_read() failed##SapSSLSessionStartNB()==SSSLERR_SSL_READ# SSL:SSL_read() failed (536875120/0x20001070)# …...

编程日记 2025/6/2 17:13:16

Electron-Vue 开发下 dev/prod/webpack server各种路径设置汇总

背景在实际开发中，我发现团队对于这几个路径的设置上是纯靠猜的，通过一点点地尝试来找到可行的路径，这是不应该的，我们应该很清晰地了解这几个概念，以下通过截图和代码进行细节讲解。 npm run dev 下的路径如何处理&…...

编程日记 2025/6/4 8:32:22

穷举vs暴搜vs深搜vs回溯vs剪枝专题一＞全排列II

题目： 解析： 这题设计递归函数，主要把看如何剪枝代码： class Solution {private List<List<Integer>> ret;private List<Integer> path;private boolean[] check;public List<List<Integer>> p…...

编程日记 2025/6/3 1:26:29

Nginx中Server块配置的详细解析

Nginx中Server块配置的详细解析一、Server块简介在Nginx配置文件中，server块是非常关键的部分。它用于定义虚拟主机，一个server块就代表一个虚拟主机。这使得我们可以在一台Nginx服务器上通过不同的配置来处理多个域名或者基于不同端口的服务请求。 …...

编程日记 2025/6/2 10:39:44

【后端面试总结】Redis的三种模式原理介绍及优缺点

Redis作为一款高性能的键值对数据库，提供了多种模式以满足不同场景下的需求。本文将详细介绍Redis的三种主要模式：主从复制模式、哨兵模式（Sentinel）和集群模式（Cluster），包括它们的原理、配置、…...

编程日记 2025/6/2 17:13:15

TCP协议详解

目录一. TCP协议概述 1. 概念 2. 特点 (1) 面向连接 (2) 可靠传输 (3) 面向字节流 (4) 全双工通信 (5) 流量控制和拥塞控制二. TCP协议报文格式 1. 源端口号和目的端口号 (16位) 2. 序号和确认序号 (32位) 3. 首部长度 (4位) 4. 保留位 (6位) 7. 控制位 8.…...

编程日记 2025/5/31 10:54:36

Webpack学习笔记（2）

1.什么是loader? 上图是Webpack打包简易流程，webpack本身只能理解js和json这样的文件，loader可以让webpack解析其他类型文件，并且将文件转换成模块供我们使用。 test识别出那些文件被转换，use定义转换时使用哪个loader转换上图…...

编程日记 2025/6/4 8:24:37

【漏洞复现】Grafana 安全漏洞（CVE-2024-9264）

🏘️个人主页：点燃银河尽头的篝火(●’◡’●) 如果文章有帮到你的话记得点赞👍+收藏💗支持一下哦一、漏洞概述 1.1漏洞简介漏洞名称：Grafana 安全漏洞 (CVE-2024-9264)漏洞编号：CVE-2024-9264 | CNNVD-202410-1891漏洞类型：命令注入、本地文件包含漏洞威胁等级：…...

编程日记 2025/6/2 1:52:23

C++实现最大字段和

又是一道非常基础且经典的动态规划题目：假设有一个整数序列，我们将连续的几个元素组成的序列称为子段，要求我们得出所有子段和中最大的一个~ 例如：{-2,11，-4,13，-5，-2}，这一序列中&a…...

编程日记 2025/6/2 17:13:11

当我用影刀AI Power做了一个旅游攻略小助手

在线体验地址：旅游攻略小助手https://power.yingdao.com/assistant/ca1dfe1c-9451-450e-a5f1-d270e938a3ad/share 运行效果图展示： 话不多说一起看下效果图： 智能体的截图： 工作流截图： 搭建逻辑： 其实这…...

编程日记 2025/5/30 13:02:17

一、定义模型

1.初始化模型

① 初始化父类

② 创建嵌入层

③ 创建RNN层

④ 创建线性分类层

⑤ 定义损失函数

2、前向传播定义

① 输入嵌入

② RNN处理

③ 提取特征

④ 分类

⑤ 损失计算

二、数据

1.建立词表

① 定义字符集

② 定义字典

③ 遍历字符集

④ 定义unk键

⑤ 返回词汇表

2.随机生成样本

① 采样

② 标签生成

③ 转换

④ 返回结果

3.建立数据集

① 初始化数据集

② 生成样本

③ 存储样本

④ 返回数据集

三、模型测试、训练、评估

1.建立模型

① 参数：

② 过程：

2.测试模型

① 设置模型为评估模式

② 生成测试数据集

③ 打印样本数量

④ 模型预测

⑤ 计算准确率

⑥ 输出结果

3.模型训练

① 配置参数

② 建立字表

③ 建立模型

④ 选择优化器

⑤ 训练过程

⑥ 评估模型

⑦ 记录日志

⑧ 绘制图表

⑨ 保存模型和词表

四、模型预测

1.训练并保存模型

2.预测数据

① 初始化参数

② 加载字符表

③ 建立模型

④ 加载模型权重

⑤ 序列化输入

⑥ 模型预测

⑦ 输出结果

3.调用函数进行预测

相关文章：