当前位置：首页 > news >正文

Hugging Face 的 Trainer类用法

news 来源：原创 2025/6/9 4:32:53

一、使用方法

Hugging Face 的 Trainer 类是一个高级API，用于简化训练、评估和预测的流程。以下是如何使用 Trainer 类的基本步骤：

1. 导入必要的类和函数

首先，您需要导入 Trainer 类以及其他可能需要的类或函数。

from transformers import Trainer, TrainingArguments

2. 准备数据集

您需要准备一个训练数据集和一个验证数据集。数据集可以是 Dataset 类的实例，通常使用 load_dataset 函数来加载。

from datasets import load_dataset
raw_datasets = load_dataset("your_dataset_name")
train_dataset = raw_datasets["train"]
eval_dataset = raw_datasets["test"]

3. 初始化模型和分词器

根据您的任务选择一个预训练模型和相应的分词器。

from transformers import AutoTokenizer, AutoModelForSequenceClassification
model_name = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=num_labels)

4. 准备训练参数

定义训练参数，如学习率、训练批次大小、评估频率等。

training_args = TrainingArguments(output_dir="./results",num_train_epochs=3,per_device_train_batch_size=16,per_device_eval_batch_size=64,warmup_steps=500,weight_decay=0.01,logging_dir="./logs",logging_steps=10,
)

5. 创建 `Trainer` 实例

使用上述准备好的参数创建 Trainer 实例。

trainer = Trainer(model=model,args=training_args,train_dataset=train_dataset,eval_dataset=eval_dataset,tokenizer=tokenizer,compute_metrics=compute_metrics,  # 这是一个自定义函数，用于计算评估指标
)

6. 训练模型

调用 train 方法开始训练模型。

trainer.train()

7. 评估模型

在训练期间或之后，可以使用 evaluate 方法来评估模型。

eval_result = trainer.evaluate()

8. 预测

使用 predict 方法进行预测。

predictions = trainer.predict(test_dataset)

9. 保存和加载模型

保存和加载模型以便后续使用。

trainer.save_model("./save_directory")
model = AutoModelForSequenceClassification.from_pretrained("./save_directory")

注意事项

Trainer 类提供了许多参数和回调函数，可以根据需要进行自定义。
compute_metrics 函数必须返回一个字典，其中包含评估指标。
数据集需要是 Dataset 类的实例，并且数据集中的数据需要是模型可以理解的格式。
Trainer 类也支持多GPU和TPU训练。
使用 Trainer 类可以极大地简化训练流程，特别是对于常见的NLP任务，如文本分类、命名实体识别等。

二、使用了Transformers提供的Trainer类，不能说他使用了Transformers模型是吗？

是的，使用 Trainer 类并不一定意味着使用了 Transformers 提供的预训练模型。

Trainer 是 Hugging Face Transformers 框架中的通用训练工具，它确实是为 Transformers 的预训练模型设计的，但理论上，它也可以用于非 Transformers 的模型，只要这些模型的输入和输出格式符合 Trainer 的要求。
例如，如果你自己定义了一个 PyTorch 模型，且其输入格式类似于 Transformers 模型（例如，包含 input_ids, attention_mask, labels 等），你也可以使用 Trainer 来训练这个模型。

但在代码1中，明确使用了 AutoModelForSequenceClassification.from_pretrained("roberta-base")，所以可以肯定代码1中使用了 Hugging Face 提供的 Transformers 预训练模型。

三、非`Transformers` 的预训练模型也可以使用Trainer类吗？

是的，Trainer 类可以用于训练非 Transformers 的模型，只要满足以下条件：

模型格式：模型是一个标准的 PyTorch nn.Module，并且支持前向传播返回损失值或 logits。
数据格式：数据集包含 input_ids, attention_mask, 和 labels（或者可以自定义数据格式）。
自定义训练逻辑（如果需要）：通过修改 Trainer 的默认行为，可以为任意模型定义特定的训练逻辑。

例子：使用 `Trainer` 训练一个自定义模型

你可以这样使用 Trainer 训练一个普通的 PyTorch 模型：

from torch import nn
from transformers import Trainer, TrainingArguments# 自定义 PyTorch 模型
class CustomModel(nn.Module):def __init__(self, input_dim, num_labels):super().__init__()self.fc = nn.Linear(input_dim, num_labels)def forward(self, input_ids=None, labels=None):logits = self.fc(input_ids)loss = Noneif labels is not None:loss_fn = nn.CrossEntropyLoss()loss = loss_fn(logits, labels)return {"loss": loss, "logits": logits}# 创建自定义模型
model = CustomModel(input_dim=768, num_labels=2)# 定义数据集 (确保与 Trainer 的输入兼容)
from datasets import Dataset
import numpy as npdata = {"input_ids": np.random.rand(100, 768).astype(np.float32), "labels": np.random.randint(0, 2, 100)}
dataset = Dataset.from_dict(data)# 设置训练参数
training_args = TrainingArguments(output_dir="./results",num_train_epochs=3,per_device_train_batch_size=8,evaluation_strategy="epoch",
)# 创建 Trainer 实例
trainer = Trainer(model=model,args=training_args,train_dataset=dataset,eval_dataset=dataset,
)# 开始训练
trainer.train()

总结：

Trainer 不局限于 Transformers 的预训练模型，可以用于任何符合要求的 PyTorch 模型。
如果你在代码中明确使用了 Transformers 的模型加载器（如 AutoModel*），那就可以说是使用了 Transformers 的预训练模型。

四、Trainer类封装这个用法可以自动进行分布式训练吗？我的设备有2块GPU，这个训练过程竟然把2块GPU都使用了？

是的，Trainer类可以自动支持分布式训练，并且它会根据设备环境（如多GPU）自动启用适合的分布式训练模式。这也是Trainer类强大的一个特点。

为什么`Trainer`会使用两块GPU？

Trainer基于Hugging Face的transformers库，它底层依赖PyTorch，并且与torch.distributed深度集成。
如果检测到有多个GPU可用，它会自动启用DataParallel或DistributedDataParallel模式（视具体配置而定），以充分利用所有的可用GPU资源进行训练。

分布式训练的具体机制：

默认行为：
- 当调用Trainer时，系统会自动检查设备环境（通过torch.cuda.device_count()等方法）。
- 如果有多个GPU，Trainer会自动启用DataParallel或DistributedDataParallel进行训练。
分布式通信后端：
- Trainer使用torch.distributed的通信后端（如NCCL）来协调多个GPU之间的参数同步。
- 每个GPU处理一部分数据（称为“mini-batch”），然后在每次迭代后通过通信后端同步参数。
训练参数控制：
- 通过TrainingArguments中的参数，可以显式控制分布式训练的行为。
  - device：Trainer会自动分配到cuda设备。
  - per_device_train_batch_size：指定单个GPU的batch size，多个GPU时会自动按设备数扩展。
  - distributed：内部自动检测，不需要用户手动设置。

如何确认`Trainer`是否使用了两块GPU？

查看日志输出：
- 如果Trainer检测到多个GPU，会在训练日志中显示类似信息：
```
Using distributed mode with NCCL backend
```
- 还可以看到每个设备的负载情况和训练进度。
监控GPU资源：
- 使用nvidia-smi命令查看GPU的利用情况。如果两块GPU的显存和计算资源都有明显使用，说明分布式训练正在运行。

如何手动控制分布式训练行为？

如果需要更明确地控制分布式训练，可以通过调整TrainingArguments参数实现：

示例：

training_args = TrainingArguments(output_dir="./results",evaluation_strategy="epoch",save_strategy="epoch",learning_rate=2e-5,per_device_train_batch_size=16,  # 单GPU的batch sizeper_device_eval_batch_size=16,num_train_epochs=1,weight_decay=0.01,logging_dir="./logs",logging_steps=10,save_total_limit=2,load_best_model_at_end=True,metric_for_best_model="accuracy",greater_is_better=True,report_to="none",fp16=True,  # 启用混合精度训练（更快）dataloader_num_workers=4,  # 加速数据加载local_rank=-1,  # -1表示不强制指定GPU分布，自动分配
)

强制使用单GPU：

如果只想使用一块GPU，可以设置CUDA_VISIBLE_DEVICES环境变量：

export CUDA_VISIBLE_DEVICES=0

然后运行代码，Trainer就只会使用GPU 0。

总结：

Trainer默认支持多GPU分布式训练，自动检测和利用设备资源。
可以通过TrainingArguments进一步优化训练过程或限制设备使用。
如果观察到两块GPU均有负载，说明分布式训练已经正常工作。你可以利用这种特性来加速训练过程。

Hugging Face 的 Trainer类用法

一、使用方法 Hugging Face 的 Trainer 类是一个高级API，用于简化训练、评估和预测的流程。以下是如何使用 Trainer 类的基本步骤： 1. 导入必要的类和函数首先，您需要导入 Trainer 类以及其他可能需要的类或函数。 from transformers im…...

编程日记 2025/5/30 3:13:21

RabbitMQ前置概念

文章目录 1.AMQP协议是什么？2.rabbitmq端口介绍3.消息队列的作用和使用场景4.rabbitmq工作原理5.整体架构核心概念6.使用7.消费者消息推送限制（work模型）8.fanout交换机9.Direct交换机10.Topic交换机（推荐）11.声明队列…...

编程日记 2025/6/1 18:11:35

IDEA2023版中TODO的使用

介绍：TODO其实本质上还是注释，只不过加上了TODO这几个字符，可以让使用者快速找到。注意：在类、接口等文件中，注释是使用// 即：// TODO 注释内容在配置文件中，注释是使用# 即：# TO…...

编程日记 2025/6/4 4:12:29

（STM32笔记）十二、DMA的基础知识与用法第二部分

我用的是正点的STM32F103来进行学习，板子和教程是野火的指南者。之后的这个系列笔记开头未标明的话，用的也是这个板子和教程。 DMA的基础知识与用法二、DMA传输设置1、数据来源与数据去向外设到存储器存储器到外设存储器到存储器 2、每次传输大小3、传…...

编程日记 2025/6/4 16:46:31

windows系统“GameInputRedist.dll”文件丢失或错误导致游戏运行异常如何解决？windows系统DLL文件修复方法

GameInputRedist.dll是存放在windows系统中的一个重要dll文件，缺少它可能会造成部分游戏不能正常运行。当你的电脑弹出提示“无法找到GameInputRedist.dll”或“计算机缺少GameInputRedist.dll”等错误问题，请不用担心，我们将深入解析DLL文件…...

编程日记 2025/6/4 1:35:55

使用分割 Mask 和 K-means 聚类获取天空的颜色

引言在计算机视觉领域，获取天空的颜色是一个常见任务，广泛应用于天气分析、环境感知和图像增强等场景。本篇博客将介绍如何通过已知的天空区域 Mask 提取天空像素，并使用 K-means 聚类分析天空颜色，最终根据颜色占比查表得到主导…...

编程日记 2025/6/3 18:49:36

UML系列之Rational Rose笔记四：时序图（顺序图_序列图）

时序图有很多画法，这基本上能算rose里面要求最乱的一种图了；有些人的需求是BCE模式，这是正常规范点的，有些人就不需要，有些需要用数据库交互，有些不需要；没有一个较为统一的需求；在此…...

编程日记 2025/6/3 23:28:21

nginx反向代理http 和 https(案例)

说明：在香港开了一台虚拟机，主要用于将来自国外访问的80和443代理到大陆IDC机房 (1) 定义80和443的upstream 211.155.82.174 是keepalive中VIP对应的公网IP（在国内访问www.playyx.com解析到211.155.82.174） upstream new_server…...

编程日记 2025/6/2 20:58:49

Dify应用-工作流

目录 DIFY 工作流参考 DIFY 工作流 2025-1-15 老规矩感谢参考文章的作者,避免走弯路。 2025-1-15 方便容易上手在dify的一个桌面上,添加多个节点来完成一个任务。每个工作流必须有一个开始和结束节点。节点之间用线连接即可。每个节点可以有输入和输出输出类型有,字符串,…...

编程日记 2025/5/30 8:42:26

装备制造业：建立项目“四算”管理：以合同为源头，以项目为手段实现合同的测算、预算、核算与决算的管控体系

尊敬的各位管理层： 大家好！作为装备制造业的 CFO，我今天要向大家汇报的是如何建立项目“四算”管理，即以合同为源头，以项目为手段实现合同的测算、预算、核算与决算的管控体系。在当前市场竞争激烈、成本压力不断增大…...

编程日记 2025/6/2 21:00:08

Centos7将/dev/mapper/centos-home磁盘空间转移到/dev/mapper/centos-root

1、查看存储 df -h文件系统容量已用可用已用% 挂载点 devtmpfs 126G 0 126G 0% /dev tmpfs 126G 0 126G 0% /dev/shm tmpfs 126G 19M 126G 1% /run tmpfs …...

编程日记 2025/5/31 19:17:01

1. docker 安装MantisBT docker pull vimagick/mantisbt:latest 2.先运行实例，复制配置文件 docker run -p 8084:80 --name mantisbt -d vimagick/mantisbt:latest 3. 复制所需要配置文件到本地路径 docker cp mantisbt:/var/www/html/config/config_inc.php.…...

编程日记 2025/6/2 20:59:05

【Vue - Element 】实现表单输入框的远程搜索功能

需求表单是一个常见的元素，而在表单中，常常需要用户从大量的数据中选择一个或多个选项。为了提高用户体验，提供远程搜索功能可以帮助用户快速找到所需的选项，而不是从冗长的下拉列表中手动查找。以该需求为例，我…...

编程日记 2025/6/2 8:04:37

学习华为熵减：激发组织活力（系列之三）

目录为什么学习华为？ 学习华为什么？ 一、势：顺势而为，在风口上猪都会飞起来。二、道：就是认识和利用规律层面，文化和制度创新就是企业经营之道。三、法：就是一套价值管理的变革方法论。…...

编程日记 2025/6/2 8:09:10

多种vue前端框架介绍

学如逆水行舟，不进则退。在现今的软件开发领域，Vue.js凭借其高效、灵活和易于上手的特性，成为了前端开发的热门选择。对于需要快速搭建企业级后台管理系统的开发者而言，使用现成的Vue后台管理系统模板无疑是一个明智之举。本文…...

编程日记 2025/6/2 20:59:21

C语言重点回顾（持续更新中~）

个人见解，有异议可以留言~ 第一讲：初识C语言目录 1.编译和链接 2.main函数 3.库函数 4.关键字 5.字符和字符串 6.转义字符 1.编译和链接初始的C语言源代码是一个文本文件，要想将一个文本文件变成一个执行文件，需要经过编…...

编程日记 2025/6/2 19:33:57

Navicat Premium 原生支持阿里云 PolarDB 数据库

近日，我司旗下的 Navicat Premium 软件通过了阿里云 PolarDB 数据库产品生态集成认证，这标志着 Navicat 通过原生技术全面实现了对秒级弹性、高性价比、稳定可靠的PolarDB 数据库三大引擎（PolarDB MySQL版、PolarDB PostgreSQL版和 PolarDB f…...

编程日记 2025/6/4 8:53:03

青少年编程与数学 02-006 前端开发框架VUE 25课题、UI数据

青少年编程与数学 02-006 前端开发框架VUE 25课题、UI数据一、UI数据二、Element Plus处理响应式数据三、Vuetify处理响应式数据课题摘要:本文探讨了UI数据在用户界面中的重要性和处理方法。UI数据包括展示数据、用户输入、状态数据等，对用户体验和应用交互性有直…...

编程日记 2025/6/2 23:48:58

用css和html制作太极图

目录 css相关参数介绍边距边框伪元素选择器太极图案例实现、代码效果 css相关参数介绍边距 <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title><style>*{margin: 0;padding: 0;}div{width: …...

编程日记 2025/6/4 17:19:08

软件测试入门—功能需求分析：以一个旅游管理系统为例

在软件测试的旅程中，功能需求分析是测试人员构建高质量测试用例的基础，它确保软件的各项功能都能按照预期正常运行。接下来，我们将以一个旅游管理系统为例，详细阐述如何进行功能需求分析，帮助大家更清晰地掌握这一重要…...

编程日记 2025/6/2 23:50:02

深度解析Linux中关于操作系统的知识点

操作系统概述与核心概念任何计算机系统都包含一个基本的程序集合，成为操作系统OS 操作系统是一款进行软硬件管理的软件操作系统包括： 内核（进程管理，内存管理，驱动管理） 其他程序（例如数据…...

编程日记 2025/6/2 23:50:34

【深度学习】关键技术-激活函数（Activation Functions）

激活函数（Activation Functions） 激活函数是神经网络的重要组成部分，它的作用是将神经元的输入信号映射到输出信号，同时引入非线性特性，使神经网络能够处理复杂问题。以下是常见激活函数的种类、公式、图形特点及其应…...

编程日记 2025/6/2 23:49:31

分布式ID的实现方案

1. 什么是分布式ID 对于低访问量的系统来说，无需对数据库进行分库分表，单库单表完全可以应对，但是随着系统访问量的上升，单表单库的访问压力逐渐增大，这时候就需要采用分库分表的方案，来缓解压力。 …...

编程日记 2025/6/2 7:46:00

电脑有两张网卡，如何实现同时访问外网和内网？

要是想让一台电脑用两张网卡，既能访问外网又能访问内网，那可以通过设置网络路由还有网卡的 IP 地址来达成。检查一下网卡的连接得保证电脑的两张网卡分别连到外网和内网的网络设备上，像路由器或者交换机啥的。给网卡配上不一样的 IP 地…...

编程日记 2025/6/2 23:50:19

Linux 查看内存命令

目录 1. free 2. vmstat 3. top 4. htop 5. /proc/meminfo 1. free free命令是最常用的查看内存使用情况的命令。它显示系统的总内存、已使用内存、空闲内存和交换内存的总量。 free -h -h 选项：以易读的格式（如GB、MB）显示内存大小。…...

编程日记 2025/5/30 9:06:20

无法联网怎么在docker中安装Ribbitmq

如果无法连接互联网，无法在Docker中安装RabbitMQ。但是，您可以使用本地镜像或者手动下载RabbitMQ的Docker镜像并进行安装。以下是使用本地镜像的步骤： 从可以上网的计算机上拉取RabbitMQ的官方Docker镜像： docker pull rabbitmq:…...

编程日记 2025/6/4 4:39:14

Spring Boot 定时任务搭建及Quartz对比详解

前言： 之前在帮别人搭建定时任务时被问到为什么不用 Quartz 反而使用 SpringBoot 定时任务以下是 SpringBoot 定时任务的使用情况大家可参考具体情况选择使用 1. 概述： Spring Boot 定时器是基于 Spring Framework 的 Task Scheduling 模块实现的…...

编程日记 2025/6/4 16:12:20

集中式架构vs分布式架构

一、集中式架构如何准确理解集中式架构 1. 集中式架构的定义集中式架构是一种将系统的所有计算、存储、数据处理和控制逻辑集中在一个或少数几个节点上运行的架构模式。这些中央节点（服务器或主机）作为系统的核心，负责处理所有用户请求和…...

编程日记 2025/5/30 16:38:55

中国数字安全产业年度报告（2024）

数字安全是指，在全球数字化背景下，合理控制个人、组织、国家在各种活动中面临的数字风险，保障数字社会可持续发展的政策法规、管理措施、技术方法等安全手段的总和。数字安全领域可从三个方面对应新质生产力的三大内涵:一是基于大型语言模型…...

编程日记 2025/6/2 4:17:27

Python Wi-Fi密码测试工具

Python Wi-Fi测试工具相关资源文件已经打包成EXE文件，可双击直接运行程序，且文章末尾已附上相关源码，以供大家学习交流，博主主页还有更多Python相关程序案例，秉着开源精神的想法，望大家喜欢，点…...

编程日记 2025/6/4 13:05:19

深入探讨DICOM医学影像中的MPPS服务及其具体实现

深入探讨DICOM医学影像中的MPPS服务及其具体实现 1. 引言在医疗影像的管理和传输过程中，DICOM（数字影像和通信医学）标准发挥着至关重要的作用。除了DICOM影像的存储和传输（如影像存储SCP和影像传输SCP），…...

编程日记 2025/6/4 10:57:09

【Rust自学】12.3. 重构 Pt.1：改善模块化

12.3.0. 写在正文之前第12章要做一个实例的项目——一个命令行程序。这个程序是一个grep(Global Regular Expression Print)，是一个全局正则搜索和输出的工具。它的功能是在指定的文件中搜索出指定的文字。这个项目分为这么几步： 接收命令行参数读取…...

编程日记 2025/6/2 22:19:54

Cosmos：英伟达发布世界基础模型，为机器人及自动驾驶开发加速！

1. 简介在2025年消费电子展（CES）上，NVIDIA发布了全新的Cosmos平台，旨在加速物理人工智能（AI）系统的开发，尤其是自主驾驶车辆和机器人。该平台集成了生成式世界基础模型（WFM&#x…...

编程日记 2025/6/2 22:20:10

【Docker】保姆级 docker 容器部署 MySQL 及 Navicat 远程连接

🥰🥰🥰来都来了，不妨点个关注叭！ 👉博客主页：欢迎各位大佬!👈 文章目录 1. docker 容器部署 MySQL1.1 拉取mysql镜像1.2 启动容器1.3 进入容器1.4 使用 root 用户登录 2. Navicat 连…...

编程日记 2025/6/4 6:59:04

Java IDEA中Gutter Icons图标的含义

前些天发现了一个蛮有意思的人工智能学习网站,8个字形容一下"通俗易懂，风趣幽默"，感觉非常有意思,忍不住分享一下给大家。 👉点击跳转到教程前言： 很多人刚开始用IDEA来学习编程，会发现下面这些图标。但是…...

编程日记 2025/6/2 12:50:01

Broker收到消息之后如何存储

1.前言此文章是在儒猿课程中的学习笔记，感兴趣的想看原来的课程可以去咨询儒猿课堂《从0开始带你成为RocketMQ高手》，我本人觉得这个作者还是不错，都是从场景来进行分析，感觉还是挺适合我这种小白的。这块主要都是我自己的学习笔…...

编程日记 2025/6/3 12:59:46

RuoYi框架上传图片或文件到阿里云OSS详细教程

为了提供一个更加详细的教程，我们将深入探讨每个步骤，并添加一些额外的细节和最佳实践建议。以下是关于如何在Ruoyi框架中集成阿里云OSS实现文件上传功能的详尽指南。详细教程环境准备注册阿里云账号：访问阿里云官网并创建一个账户。创…...

编程日记 2025/6/3 12:23:42

【论文笔记】SmileSplat：稀疏视角+pose-free+泛化

还是一篇基于dust3r的稀疏视角重建工作，作者联合优化了相机内外参与GS模型，实验结果表明优于noposplat。 abstract 在本文中，提出了一种新颖的可泛化高斯方法 SmileSplat，可以对无约束（未标定相机的）稀疏多…...

编程日记 2025/5/30 15:13:58

python实现收到一封邮件时自动触发执行读取邮件内容及后续操作

要实现收到一封邮件时自动触发执行 getEmailData()，可以结合定时任务或实时事件监控机制来实现。以下是两种常用的方法： 方法 1：轮询方式（定时检测） 使用 schedule 或 time.sleep 循环定期检测收件箱： i…...

编程日记 2025/6/2 7:02:19

【Vim Masterclass 笔记12】S06L26 + L27：Vim 文本的搜索、查找及替换同步练习（含点评课）

文章目录 S06L26 Exercise 07 - Search, Find, and Replace1 训练目标2 操作指令2.1. 打开 search-practice.txt 文件2.2. 同一行内的搜索练习2.3. 当前文件内的搜索练习2.4. 单词搜索练习2.5. 全局替换练习 3 退出 Vim S06L27 同步练习点评课写在前面 Vim 的文本检索、查找与…...

编程日记 2025/5/27 15:20:57

YOLOv11 OBB 任务介绍与数据集构建要求及训练脚本使用指南

YOLO（You Only Look Once）是一个高效且广泛应用于目标检测任务的深度学习框架。在目标检测任务中，传统的边界框（AABB）通过四个参数来定义目标的位置信息：中心坐标、宽度、高度以及目标的旋转角度。然而&…...

编程日记 2025/6/2 12:49:49

Leecode刷题C语言之超过阈值的最小操作数②

执行结果:通过执行用时和内存消耗如下： // 最小堆的节点结构体 typedef struct {long long* heap;int size;int capacity; } MinHeap;// 初始化最小堆 MinHeap* createMinHeap(int capacity) {MinHeap* minHeap (MinHeap*)malloc(sizeof(MinHeap));minHeap->s…...

编程日记 2025/6/3 16:02:49

【Linux】11.Linux基础开发工具使用（4）

文章目录 3. Linux调试器-gdb使用3.1 背景3.2 下载安装3.3 使用gdb查询3.4 开始使用 3. Linux调试器-gdb使用 3.1 背景程序的发布方式有两种，debug模式和release模式 Linux gcc/g出来的二进制程序，默认是release模式要使用gdb调试，必须…...

编程日记 2025/6/1 7:13:32

Cesium中的CustomDataSource 详解

Cesium CustomDataSource 详解在 Cesium 中，CustomDataSource 是一个强大的类，用于处理自定义的地理数据。它提供了一种方法，可以通过程序方式添加、管理和更新动态的地理实体，而无需依赖外部数据格式（如 GeoJSON 或…...

编程日记 2025/6/2 7:33:35

win32汇编环境,窗口程序中组合框的应用举例

;运行效果 ;win32汇编环境,窗口程序中组合框的应用举例 ;比如在窗口程序中生成组合框，增加子项，删除某项，取得指定项内容等 ;直接抄进RadAsm可编译运行。重点部分加备注。 ;以下是ASM文件 ;>>>>>>>>>>>>…...

编程日记 2025/6/3 4:17:28

Wireshark 使用教程：网络分析从入门到精通

一、引言在网络技术的广阔领域中，网络协议分析是一项至关重要的技能。Wireshark 作为一款开源且功能强大的网络协议分析工具，被广泛应用于网络故障排查、网络安全检测以及网络协议研究等诸多方面。本文将深入且详细地介绍 Wireshark 的使用方法&#x…...

编程日记 2025/6/4 17:46:59

菜品管理(day03)

公共字段自动填充问题分析业务表中的公共字段： 而针对于这些字段，我们的赋值方式为： 在新增数据时, 将createTime、updateTime 设置为当前时间, createUser、updateUser设置为当前登录用户ID。在更新数据时, 将updateTime 设置为当前时间…...

编程日记 2025/6/4 3:39:54

Scira - 一个极简的开源 AI 搜索引擎

支持实时搜索、学术论文分析、社交媒体洞察、YouTube 搜索、航班追踪、电影搜索，功能倒是挺多。但是目前只支持 xAI 的 Grok 还不能换模型，不过用的 Vercel SDK 支持下 DeepSeek 应该很容易 https://index.html.zone/ai/scira...

编程日记 2025/5/26 20:15:19

利用源码安装httpd

方法一： 1，下载源码 [rootopenEuler-1 ~]# wget https://archive.apache.org/dist/httpd/httpd-2.4.46.tar.gz [rootopenEuler-1 ~]# ls anaconda-ks.cfg httpd-2.4.46.tar.gz mysql-8.0.36-linux-glibc2.12-x86_64.tar.xz 2，进行压缩 […...

编程日记 2025/6/3 20:56:12

软件测试 —— Selenium（等待）

软件测试 —— Selenium（等待） 一个例子强制等待使用示例：为什么不推荐使用强制等待？更好的选择隐式等待 implicitly_wait（）隐式等待和强制等待的区别隐式等待（Implicit Wait）强制等…...

编程日记 2025/6/4 4:29:41