当前位置: 首页 > news >正文

【通俗理解】神经网络中步长缩小的奥秘:优化算法与卷积操作的影响

【通俗理解】神经网络中步长缩小的奥秘:优化算法与卷积操作的影响

关键词提炼

#神经网络 #步长缩小 #优化算法 #卷积操作 #AdaGrad #感受野

第一节:步长缩小的类比与核心概念【尽可能通俗】

神经网络中,步长缩小就像是运动员在赛跑中逐渐调整自己的步伐,以适应不同的赛道和体力状况。这种调整可能是为了跑得更快、更稳,也可能是为了更好地适应比赛环境。同样地,神经网络中的步长缩小也是为了更好地适应不同的数据集和网络结构,从而提高模型的性能和精度。

第二节:步长缩小的核心概念与应用

2.1 核心概念

核心概念定义比喻或解释
步长(Stride)在卷积神经网络中,卷积核在输入数据上每次移动的距离。像是运动员跑步时的步伐大小,决定了每次移动的距离。
优化算法用于调整神经网络参数以最小化损失函数的算法,如AdaGrad。像是教练给运动员制定的训练计划,帮助运动员提高成绩。
卷积操作在神经网络中,通过卷积核与输入数据进行局部连接和加权求和的操作。像是运动员在比赛中与赛道的互动,决定了比赛的结果。

2.2 步长缩小的原因

原因描述
优化算法的影响优化算法如AdaGrad会根据梯度平方的估计值调整步长,使步长随时间增大而减小。
卷积操作的需求较大的步长会导致输出特征图的尺寸减小,从而减少感受野,因此需要调整步长。

2.3 与运动员跑步的类比

步长缩小在神经网络中就像运动员在跑步过程中逐渐调整步伐,以适应不同的赛道和体力状况。
优化算法就像是教练给运动员制定的训练计划,帮助运动员在比赛中更好地发挥;而卷积操作则像是运动员与赛道的互动,决定了比赛的结果。
通过调整步长,神经网络能够更好地适应不同的数据集和网络结构,从而提高模型的性能和精度。

第三节:公式探索与推演运算

3.1 AdaGrad算法中的步长调整

AdaGrad算法是一种自适应学习率算法,它会根据梯度平方的累计值来调整步长。在AdaGrad中,步长的调整公式可以表示为:

θ t + 1 = θ t − η G t + ϵ ⋅ g t \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \cdot g_t θt+1=θtGt+ϵ ηgt

其中, θ t \theta_t θt表示参数向量, η \eta η表示初始学习率, G t G_t Gt表示梯度平方的累计值, ϵ \epsilon ϵ是一个小常数,用于防止分母为零, g t g_t gt表示当前梯度。

随着训练时间的增加, G t G_t Gt会逐渐增大,从而使得步长 η G t + ϵ \frac{\eta}{\sqrt{G_t + \epsilon}} Gt+ϵ η逐渐减小。

3.2 卷积操作中的步长与感受野

在卷积神经网络中,步长决定了卷积核在输入数据上每次移动的距离。较大的步长会导致输出特征图的尺寸减小,从而减少感受野。感受野是卷积神经网络中一个重要的概念,它表示卷积核能够看到的输入数据的范围。

假设输入数据的尺寸为 N × N N \times N N×N,卷积核的尺寸为 K × K K \times K K×K,步长为 S S S,则输出特征图的尺寸 M M M可以表示为:

M = ⌊ N − K S ⌋ + 1 M = \left\lfloor \frac{N - K}{S} \right\rfloor + 1 M=SNK+1

其中, ⌊ ⋅ ⌋ \left\lfloor \cdot \right\rfloor 表示向下取整。

当步长 S S S增大时,输出特征图的尺寸 M M M会减小,从而导致感受野减小。因此,在需要较大的感受野时,可以通过减小步长来实现。

3.3 公式比对与推演

公式/概念描述应用场景
AdaGrad步长调整 θ t + 1 = θ t − η G t + ϵ ⋅ g t \theta_{t+1} = \theta_t - \frac{\eta}{\sqrt{G_t + \epsilon}} \cdot g_t θt+1=θtGt+ϵ ηgt优化算法中调整步长,提高模型收敛速度和精度。
卷积操作步长与感受野 M = ⌊ N − K S ⌋ + 1 M = \left\lfloor \frac{N - K}{S} \right\rfloor + 1 M=SNK+1卷积操作中调整步长,控制输出特征图尺寸和感受野。

通过比对可以看出,AdaGrad算法中的步长调整与卷积操作中的步长设置虽然应用场景不同,但都涉及到步长的调整。在AdaGrad中,步长调整是为了提高模型的收敛速度和精度;而在卷积操作中,步长调整则是为了控制输出特征图的尺寸和感受野。

第四节:核心代码与可视化

由于步长缩小涉及的是神经网络训练过程中的动态调整,这里我们提供一个简化的Python代码示例,用于演示AdaGrad算法中步长的调整过程。同时,我们将使用matplotlib库来可视化步长随时间的变化。

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 初始化参数
theta = np.random.randn(10)  # 参数向量
eta = 0.1  # 初始学习率
epsilon = 1e-8  # 小常数,防止分母为零
G = np.zeros_like(theta)  # 梯度平方的累计值# 模拟训练过程
num_iterations = 100
for t in range(num_iterations):# 生成随机梯度g_t = np.random.randn(10)# 更新梯度平方的累计值G += g_t**2# 计算步长step_size = eta / np.sqrt(G + epsilon)# 更新参数theta -= step_size * g_t# 记录步长变化if t == 0 or t == num_iterations - 1 or (t + 1) % 10 == 0:print(f"Iteration {t+1}: Step size = {step_size.mean():.6f}")# 可视化步长随时间的变化
sns.set_theme(style="whitegrid")
plt.plot(range(1, num_iterations+1), eta / np.sqrt(G + epsilon))
plt.xlabel('Iteration')
plt.ylabel('Step Size')
plt.title('Step Size Adjustment in AdaGrad')
plt.yscale('log')  # 使用对数刻度更好地展示步长变化
plt.show()
输出内容描述
步长变化打印信息在训练过程中打印出关键迭代步的步长变化值。
步长随时间变化的图示(对数刻度)可视化展示了AdaGrad算法中步长随时间逐渐减小的过程。

通过运行上述代码,我们可以观察到AdaGrad算法中步长随时间逐渐减小的过程。在初始阶段,步长较大,随着训练时间的增加,步长逐渐减小,从而提高了模型的收敛速度和精度。

参考文献

  1. 神经网络中的步长(Stride)和填充(Padding)
  2. AdaGrad算法详解

相关文章:

【通俗理解】神经网络中步长缩小的奥秘:优化算法与卷积操作的影响

【通俗理解】神经网络中步长缩小的奥秘:优化算法与卷积操作的影响 关键词提炼 #神经网络 #步长缩小 #优化算法 #卷积操作 #AdaGrad #感受野 第一节:步长缩小的类比与核心概念【尽可能通俗】 在神经网络中,步长缩小就像是运动员在赛跑中逐…...

C语言:C语言实现对MySQL数据库表增删改查功能

基础DOME可以用于学习借鉴&#xff1b; 具体代码 #include <stdio.h> #include <mysql.h> // mysql 文件&#xff0c;如果配置ok就可以直接包含这个文件//宏定义 连接MySQL必要参数 #define SERVER "localhost" //或 127.0.0.1 #define USER "roo…...

2023.11 Graph-Enriched Biomedical Language Models: A Research Proposal

Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics: Student Research Workshop, pages 82–92 November 1–4, 2023. ©20…...

HTML详解(1)

1.HTML定义 HTML&#xff1a;超文本标记语言。超文本&#xff1a;通过链接可以把多个网页链接到一起标记&#xff1a;标签&#xff0c;带括号的文本后缀&#xff1a;.html 标签语法&#xff1a;<strong>需加粗文字</strong> 成对出现&#xff0c;中间包裹内容&l…...

Taro 鸿蒙技术内幕系列(三) - 多语言场景下的通用事件系统设计

基于 Taro 打造的京东鸿蒙 APP 已跟随鸿蒙 Next 系统公测&#xff0c;本系列文章将深入解析 Taro 如何实现使用 React 开发高性能鸿蒙应用的技术内幕 背景 在鸿蒙生态系统中&#xff0c;虽然原生应用通常基于 ArkTS 实现&#xff0c;但在实际研发过程中发现&#xff0c;使用 C…...

Java图书管理系统(简易保姆级)

前面学习了这么多知识&#xff0c;为了巩固之前的知识&#xff0c;我们就要写一个图书管理系统来帮助大家复习&#xff0c;让大家的知识融会贯通~~~ 话不多说&#xff0c;直接开始今天的内容~ 首先呢&#xff0c;我们要有一个大体的思路&#xff1a; 实现效果思路有两种情况&a…...

maven 中<packaging>pom</packaging>配置使用

在 Maven 项目的 pom.xml 文件中&#xff0c; 元素用于指定项目的打包类型。默认情况下&#xff0c;如果 元素没有被显式定义&#xff0c;Maven 会假设其值为 jar。但是&#xff0c;当您设置 pom 时&#xff0c;这意味着该项目是一个 POM&#xff08;Project Object Model&…...

uniapp使用腾讯云获取位置转为省市区

腾讯云获取位置转为省市区 腾讯位置服务提供了多种SDK程序包&#xff0c;其中的JavaScript版本的SDK适用于微信小程序&#xff0c;所以我们下载这个SDK包。 下载地址 在小程序项目中&#xff0c;创建lib目录&#xff0c;把SDK文件放入其中 <script>var QQMapWX requ…...

【git实践】分享一个适用于敏捷开发的分支管理策略

文章目录 1. 背景2. 分支管理实践2.1. 敏捷开发中分支管理面临的问题2.2. 分支管理策略2.3. 还需要注意的一些问题 3.总结 1. 背景 在实际的开发工作中&#xff0c;我们往往会面临多任务并行研发&#xff0c;多个环境管理的情况&#xff0c;这种情况下&#xff0c;一个合适的分…...

rpm方式安装postgres数据库及普通用户管理数据库

一、安装postgres 数据库 下载rpm安装包 wget https://ftp.postgresql.org/pub/repos/yum/15/redhat/rhel-7.9-x86_64/postgresql15-libs-15.5-1PGDG.rhel7.x86_64.rpm wget https://ftp.postgresql.org/pub/repos/yum/15/redhat/rhel-7.9-x86_64/postgresql15-15.5-1PGDG.rh…...

使用PgBackRest备份远程PG数据库

文章目录 环境准备总体要求1. 在 PostgreSQL 服务器上配置1.1 配置 PostgreSQL1.2 配置 SSH 密钥1.4 安装PgBackRest1.4.1 使用源码编译1.4.2 直接安装 配置文件 2. 在 PgBackRest 服务器安装PgBackRest2.1 安装 PgBackRest2.2 创建必要的目录2.3 编辑配置文件2.4 配置 SSH 密钥…...

笔记mfc11

Subclass(子类化)是MFC中最常用的窗体技术之一。子类化完成两个工作&#xff1a;一是把窗体类对象attach到一个windows窗体实体中&#xff08;即把一个窗体的hwnd赋给该类&#xff09;。另外就是把该类对象的消息加入到消息路由中&#xff0c;使得该类可以捕获消息。 让edit能…...

Softing线上研讨会 | Ethernet-APL:推动数字时代的过程自动化

| &#xff08;免费&#xff09;线上研讨会时间&#xff1a;2024年11月19日 16:00~16:30 / 23:00~23:30 Ethernet-APL以10Mb/s的传输速率为过程工业中的现场设备带来了无缝以太网连接和本质安全电源&#xff0c;这不仅革新了新建工厂&#xff0c;也适用于改造现有工厂。 与现…...

Spring Boot 整合 ELK 全面指南:实现日志采集、分析与可视化

一、ELK简介 1.1 什么是ELK&#xff1f; ELK 是三个开源工具的组合&#xff1a; Elasticsearch&#xff1a;一个分布式全文搜索和分析引擎&#xff0c;用于存储和查询日志数据。Logstash&#xff1a;一个数据处理管道工具&#xff0c;用于收集、解析和处理日志数据。Kibana&…...

D80【 python 接口自动化学习】- python基础之HTTP

day80 requests请求加入headers 学习日期&#xff1a;20241126 学习目标&#xff1a;http定义及实战 -- requests请求加入headers 学习笔记&#xff1a; requests请求加入headers import requestsurlhttps://movie.douban.com/j/search_subjects params{"type":…...

在Windows环境下打包Qt C++项目为独立可执行文件的完整指南

目录 1. 配置Qt环境变量步骤&#xff1a; 2. 使用Release模式编译项目步骤&#xff1a; 3. 使用windeployqt工具收集依赖项步骤&#xff1a; 4. 精简复制后的文件目录方法一&#xff1a;使用windeployqt的选项方法二&#xff1a;手动删除不必要的文件方法三&#xff1a;使用静态…...

已存大量数据的mysql库实现主从各种报错----解决方案(看评论)

背景何谓“先死后生”本文使用技术1、实施流程图2、实施2.1、数据库备份2.2、搭建Mysql的Master-Slave2.2.1、准备工作2.2.2、开始部署2.2.3、账号配置2.2.4、slave 同步配置2.2.5、验证 2.3、Master做数据恢复 结语 背景 计划对已有大量数据的mysql库的主从搭建&#xff0c;使…...

Java爬虫:深入探索1688接口的奥秘

在数字化时代&#xff0c;数据成为了企业最宝贵的资产之一。对于电商企业来说&#xff0c;获取和分析数据的能力直接关系到其市场竞争力。阿里巴巴旗下的1688平台&#xff0c;作为中国领先的批发贸易平台&#xff0c;拥有海量的商家和商品信息&#xff0c;成为了众多企业获取数…...

Linux——基础命令(1)

目录 一、认识Linux 终端命令格式 查阅命令帮助信息 -help 辅助操作 自动补全 清屏和查看当前工作目录 二、基本命令 文件和目录常用命令 1.ls-查看文件与目录 2.cd切换目录 &#xff08;1&#xff09;touc创建文件或修改文件时间 &#xff08;2&#xff09;mkdir创…...

Java知识及热点面试题总结(一)

今天开始对Java进行总复习&#xff0c;主要针对热点面试题&#xff0c;我们再根据试题内容延申相关知识&#xff1b; 1.、Java中equals与“”的区别详解 讲二者区别之前&#xff0c;先大概讲解一下基本数据类型和引用类型的概念&#xff0c;当然&#xff0c;有一定基础的朋友…...

基于 AI 的软件工程: 超级程序员

徐昊 《AI时代的软件工程》-极客时间课程学习总结 帮助你更好地利用 LLM 提高效率,还可以站在一个更全面的立场上,讨论如何将 LLM 引入团队或是组织。 核心观点: AI 辅助业务建模:通过将模型转化为 Mermaid 格式,将我们的模型表达为大语言模型能够理解的形式。通过添加注…...

Spring Boot 2 和 Spring Boot 3 中使用 Spring Security 的区别

文章目录 Spring Boot 2 和 Spring Boot 3 中使用 Spring Security 的区别1. Jakarta EE 迁移2. Spring Security 配置方式的变化3. PasswordEncoder 加密方式的变化4. permitAll() 和 authenticated() 的变化5. 更强的默认安全设置6. Java 17 支持与语法提升7. PreAuthorize、…...

浦语提示词工程实践(LangGPT版,服务器上部署internlm2-chat-1_8b,踩坑很多才完成的详细教程,)

首先&#xff0c;在InternStudio平台上创建开发机。 创建成功后点击进入开发机打开WebIDE。进入后在WebIDE的左上角有三个logo&#xff0c;依次表示JupyterLab、Terminal和Code Server&#xff0c;我们使用Terminal就行。&#xff08;JupyterLab可以直接看文件夹&#xff09;…...

微信小程序+Vant-自定义选择器组件(多选

实现效果 无筛选&#xff0c;如有需要可参照单选组件中的方法.json文件配置"component": true,columns需要处理成含dictLabel和dictValue字段&#xff0c;我是这样处理的&#xff1a; let list arr.map(r > {return {...r,dictValue: r.xxxId,dictLabel: r.xxx…...

Vue.js 学习总结(15)—— 如何快速删除 node_modules 依赖文件

一、删除 node_modules 依赖为什么慢&#xff1f; 直接通过图形用户界面删除 node_modules 文件夹慢&#xff0c;原因主要有以下5点原因&#xff1a; &#xff08;1&#xff09;文件数量巨大&#xff1a;node_modules依赖可能会有上万个文件和文件夹&#xff0c;那么就使得操作…...

PyTorch基础05_模型的保存和加载

目录 一、模型定义组件——重构线性回归 二、模型的加载和保存 2、序列化保存对象和加载 3、保存模型参数 一、模型定义组件——重构线性回归 回顾之前的手动构建线性回归案例&#xff1a; 1.构建数据集&#xff1b;2.加载数据集(数据集转换为迭代器)&#xff1b;3.参数初…...

Vue.js前端web练习范例:随鼠标移动的小球

技术选型:运用html、css、script、及vue组件 开发需求:编写在指定容器区域内随鼠标移动的小球&#xff0c;当鼠标超出容器&#xff0c;小球保持在边界位置不动 程序设计&#xff1a; 1、创建440px*440px的容器&#xff1b;创建30px半径的小球&#xff1b; 2、记录小球在面板中…...

计算机网络----基本概念

基本概念 在这一章从整体上介绍计算机网络的概况, 为后续的学习搭建起整体的框架; 介绍计算机网络中的基础术语和概念; 什么是因特网 『 因特网 』是一个世界范围内互联了数以亿计的计算设备的计算机网络; 因特网具体构成 因特网互联了数以亿计的计算设备, 这些设备被称为…...

创建可直接用 root 用户 ssh 登陆的 Docker 镜像

有时候我们在 Mac OS X 或 Windows 平台下需要开发以 Linux 为运行时的应用&#xff0c;IDE 或可直接使用 Docker 容器&#xff0c;或 SSH 远程连接。本地命令行下操作虽然可以用 docker exec 连接正在运行的容器&#xff0c;但 IDE 远程连接的话 SSH 总是一种较为通用的连接方…...

Linux 查看内核日志的方法

文章目录 1. dmesg 命令一. 介绍内核环形缓冲区的特点 二. 主要功能三. dmesg 使用 2. 查看kmsg文件/dev/kmsg 的用途使用 /dev/kmsg与 dmesg 的关系 3. 内核日志消息的打印行为 1. dmesg 命令 一. 介绍 dmesg&#xff08;display message 或 display driver message 的缩写&…...

详解登录MySQL时出现SSL connection error: unknown error number错误

目录 登录MySQL时出错SSL connection error: unknown error number 出错原因 使用MySQL自带的工具登录MySQL 登陆之后&#xff0c;使用如下命令进行查看 解决方法 找到MySQL8安装目录下的my.ini配置文件 记事本打开my.ini文件&#xff0c;然后按下图所示添加配置 此时再…...

DRNN 神经网络的Jacobian 信息辨识

DRNN 神经网络的 Jacobian 信息辨识 1. 基本原理 Jacobian 矩阵用于描述多输入多输出系统中输入和输出之间的偏导关系&#xff0c;其形式为&#xff1a; 对于 DRNN&#xff08;Dynamic Recurrent Neural Network&#xff09;&#xff0c;其动态特性使得 y(t)\mathbf{y}(t)y(t…...

麒麟系统x86安装达梦数据库

一、安装准备前工作 操作系统&#xff1a;银河麒麟V10&#xff0c;CPU&#xff1a; x86_64 架构 下载地址&#xff0c;麒麟官网&#xff1a;https://www.kylinos.cn/ 数据库&#xff1a;dm8_20220915_x86_kylin10_64 下载地址&#xff0c;达梦数据库官网&#xff1a;https://…...

uniapp定义new plus.nativeObj.View实现APP端全局弹窗

为什么要用new plus.nativeObj.View在APP端实现弹窗&#xff1f;因为uni.showModal在APP端太难看了。 AppPopupView弹窗函数参数定义 参数一:弹窗信息(所有属性可不填&#xff0c;会有默认值) 1.title:"", //标题 2.content:"", //内容 3.confirmBoxCo…...

git branch -d 删除分支

Git进行版本控制时&#xff0c;删除分支是常见的操作。特别是当特定的功能开发完成或者分支不再需要时&#xff0c;删除分支可以帮助保持仓库的整洁。删除本地分支和删除远端分支是两个独立的操作。如果需要同时删除本地和远端的分支&#xff0c;需要分别执行以下两个命令。 一…...

kafka生产者和消费者命令的使用

kafka-console-producer.sh 生产数据 # 发送信息 指定topic即可 kafka-console-producer.sh \ --bootstrap-server bigdata01:9092 \ --topic topicA # 主题# 进程 29124 ConsoleProducer kafka-console-consumer.sh 消费数据 # 消费数据 kafka-console-consumer.sh \ --boo…...

MyBatis框架介绍、部署及使用

一、MyBatis介绍 1.1 框架概念 **框架&#xff1a;**就是软件的半成品&#xff0c;完成了软件开发过程中的通用操作&#xff0c;开发者只需很少或者不用进行加工&#xff0c;就能 实现特定的功能。从而简化开发人员在开发过程中的步骤&#xff0c;提高开发效率。 1.2 常用框架…...

MySQL INSERT CRTATE DELETE DORP UPDATE WHERE 的用法

MySQL INSERT CRTATE DELETE DORP UPDATE WHERE 的用法 -- 创建数据库 CREATE DATABASE example_db;-- 使用数据库 USE example_db;-- 创建表 CREATE TABLE employees (id INT AUTO_INCREMENT PRIMARY KEY,name VARCHAR(100),position VARCHAR(50),salary DECIMAL(10, 2) );…...

《安富莱嵌入式周报》第346期:开源2GHz带宽,12bit分辨率,3.2Gsps采样率示波,开源固件安全分析器, 开源口袋电源,开源健康测量,FreeCAD

周报汇总地址&#xff1a;嵌入式周报 - uCOS & uCGUI & emWin & embOS & TouchGFX & ThreadX - 硬汉嵌入式论坛 - Powered by Discuz! 视频&#xff1a; https://www.bilibili.com/video/BV1TYBhYKECK/ 《安富莱嵌入式周报》第346期&#xff1a;开源2GHz带…...

Spring ApplicationListener监听

【JavaWeb】Spring ApplicationListener-CSDN博客 ApplicationEvent以及Listener是Spring为我们提供的一个事件监听、订阅的实现&#xff0c;内部实现原理是观察者设计模式&#xff0c;设计初衷也是为了系统业务逻辑之间的解耦&#xff0c;提高可扩展性以及可维护性。事件发布…...

蓝桥杯练习题

目录 1.劲舞团 2.数字诗意 3.封闭图形个数 4.回文数组 欢迎 1.劲舞团 0劲舞团 - 蓝桥云课 #include <iostream> using namespace std; int main() {int num1,M0;long long c[1000000];int cnt0;string a,b ;while(cin>>a>>b>>c[cnt])//系统自动输入…...

【JAVA】Java高级:Java中的常用设计模式——设计模式的基本思想与应用场景

在软件开发中&#xff0c;设计模式是一种被反复使用的解决特定问题的最佳实践。它们提供了一种标准化的方式来解决常见的设计问题&#xff0c;使得代码更具可读性、可维护性和可扩展性。特别是在Java开发中&#xff0c;设计模式的使用可以极大地提高代码的质量和开发效率。 设…...

QT 跨平台实现 SSDP通信 支持多网卡

一.多网卡场景 在做SSDP通信的时候,客户端发出M-search命令后, 主机没有捕捉到SSDP的消息,你可以查看下,是不是局域网下,既打开了wifi,又连接了本地网络,mac os下很容易出现这种场景。此时,我们发送消息时,需要遍历所有网卡并发送M-search命令。 二.QT相关接口介绍 1…...

疑难Tips:NextCloud域名访问登录时卡住,显示违反内容安全策略

[ 知识是人生的灯塔,只有不断学习,才能照亮前行的道路 ] 1使用域名访问Nextcloud用户登录时卡住,显示违反内容安全策略 我使用官方Docker镜像来部署NextCloud 28.0.5,并通过Openresty反向代理Nextcloud,但是在安装后无法稳定工作,每次登录后,页面会卡死在登录界面,无法…...

区块链:非对称加密

在区块链技术中&#xff0c;非对称加密是一项核心技术&#xff0c;用于保障数据的安全性和用户的隐私。它通过公钥和私钥的配合&#xff0c;实现了信息加密、解密、身份验证和数字签名等功能。 1. 非对称加密的基本原理 非对称加密使用两个密钥&#xff1a; 公钥&#xff1a…...

量子安全与经典密码学:一些现实方面的讨论

量子安全与经典密码学 背景&#xff1a;量子安全与经典密码学量子计算对传统密码学的威胁 安全性分析经典密码学的数学复杂性假设**量子密码学的物理不可克隆性假设** **性能与实现难度**后量子算法在经典计算机上的运行效率**量子通信设备的技术要求与成本** **可扩展性与适用…...

WordCloud参数的用法:

-------------词云图集合------------- 用WordcloudPyQt5写个词云图生成器1.0 WordCloud去掉停用词&#xff08;fit_wordsgenerate&#xff09;的2种用法 通过词频来绘制词云图&#xff08;jiebaWordCloud&#xff09; Python教程95&#xff1a;去掉停用词词频统计jieba.toke…...

数据库(总结自小林coding)|索引失效的场景、慢查询、原因及如何优化?undo log、redo log、binlog 作用、MySQL和Redis的区别

数据库&#xff08;总结自小林coding&#xff09;|索引失效的场景、慢查询、原因及如何优化&#xff1f;undo log、redo log、binlog 作用、MySQL和Redis的区别 说一下索引失效的场景&#xff1f;什么是慢查询&#xff1f;原因是什么&#xff1f;可以怎么优化&#xff1f;undo …...

(计算机组成原理)期末复习

第一章 计算机的基本组成&#xff1a;硬件软件&#xff08;程序&#xff09;计算机系统 软件有系统软件&#xff08;系统管理工具&#xff09;&#xff0c;应用软件 计算机硬件&#xff1a;包括主机和外设&#xff0c;主机包括CPU和内存&#xff0c;***CPU由运算器和控制器所组…...

Linux下一次性关闭多个同名进程

要一次性关闭多个同名的 Python 进程&#xff0c;例如&#xff1a; 你可以使用以下几种方法。在执行这些操作之前&#xff0c;请务必确认这些进程确实是你希望终止的&#xff0c;以避免意外关闭其他重要的进程。 方法一&#xff1a;使用 pkill 命令 pkill 是一个用于根据名称…...