当前位置：首页 > news >正文

第三十二周：Informer学习笔记

news 来源：原创 2025/7/5 21:17:28

摘要

本周学习的主要内容是Informer模型，Informer是一种专为长序列时间序列预测（LSTF）设计的Transformer模型。相较于传统的Transformer，Informer采用ProbSparse自注意力机制，降低了时间复杂度和内存使用的同时能够有效捕获序列中的长期依赖关系。通过自注意力蒸馏技术，Informer能够高效处理极长的输入序列。Informer的生成式解码器可以一次性预测整个长时间序列，在预测过程中大幅提高了效率。经过大规模数据集的实验验证，Informer在LSTF问题上表现优秀，为长序列时间序列预测提供了一种高效准确的解决方案，克服了传统Transformer模型的限制。

Abstract

The main content of this week’s study is the Informer model, which is a Transformer model designed specifically for Long Term Time Series Forecasting (LSTF). Compared to traditional Transformer, Informer adopts ProbSparse self-attention mechanism, which reduces time complexity and memory usage while effectively capturing long-term dependencies in sequences. Through self-attention distillation technology, Informer is able to efficiently process extremely long input sequences. Informer’s generative decoder can predict the entire long time series at once, greatly improving efficiency during the prediction process. After experimental verification on large-scale datasets, Informer has shown excellent performance in LSTF problems, providing an efficient and accurate solution for long-term time series prediction, overcoming the limitations of traditional Transformer models.

1 Informer

Informer是一种专为长序列时间序列预测（LSTF）设计的Transformer模型。传统的Transformer虽然可以捕获长时序的依赖关系，具有能够处理长时序预测问题的能力，但是其存在self-attention机制的二次计算复杂度问题、内存使用量大以及在处理LSTF问题时预测输出速度骤降的问题。Informer的出现克服了传统Transformer模型的限制。
在这里插入图片描述
本次的学习以名为Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting的论文为基础进行。

1.1 预备知识

在长序列时间序列预测问题中，transformer存在的问题有以下几点：
（1）self-attention机制的二次计算复杂度问题：每一层的计算复杂度为O(L2)，自注意力中（原子操作）的点积运算，每一对Input都要做attention运算。
（2）高内存使用量问题：Encoder-Decoder的layer堆叠导致内存开销出现瓶颈，层数过多，导致复杂度进一步增大。
（3）预测长序列输出的速度会下降：因为原始的Transformer的decoder在inference的过程中是动态输出的，即上一次的Output是下一次的Input，进而和隐藏层一起再预测下一次的Output，使得Transformer的Inference过程和RNN一样慢。

ProbSparse self-attention
ProbSparse self-attention的提出源于作者对自注意力机制特征图的思考。由于self-attention具有稀疏性，分布呈长尾分布，只有少数点积对主要注意力有贡献，其他点积只有非常微弱的作用，可以忽略。根据这一特点，作者着重对高得分点积对进行关注，尝试在每次的自注意模块的运算中仅需要计算高得分的部分，从而有效减少模型的时间和空间成本。
在这里插入图片描述
其工作原理如下所示：
（1）为每个 query 都随机采样部分的 key，默认值为5∗lnL ;

（2）计算每个 query 的稀疏性得分M （q_i,k）；

（3）选择稀疏性得分最高的 N 个 query ，N 默认值为5∗lnL;

（4）只计算 N 个 query 和 key 的点积结果，进而得到 attention 结果；

（5）其余的 L-N 个 query 就不计算了，直接将 Self-Attention 层的输入取均值（mean(V)）作为输出，这样可保证每个 ProbSparse Self-Attention 层的输入和输出序列长度都是L.
ProbSparse self-attention的核心思想：是找到某些重要的/稀疏的query，从而只计算这些query的attention值，来优化计算效率。

统一输入表示
原始 Transformer 使用点乘自注意机制并采用时间戳作为位置信息编码。然而，在 LSTF 问题中，时序建模不仅需要用到局部时序信息，还需要层次时间戳（week, month, year）和不可知的时间戳（holidays, events）。常规的自注意机制很难直接适配，编码器和解码器之间的 query-key 不匹配会降低预测性能。因此，Informer 给出一个统一的输入表示如下图所示：
在这里插入图片描述
Informer输入的嵌入由三个独立的部分组成——标量投影、局部时间戳（Position）和全局时间戳（Minutes, Hours, Week, Month, Holiday 等）。其中局部位置编码PE和传统Transformer所用的正余弦位置编码相同，全局位置编码SE是一个大小有限的可学习的表示，其 vocab size 大小有限制（最多60个，即以每分钟为最细粒度）。即自注意的相似性计算可以访问全局上下文，且计算消耗在长输入上也是可承受的。

1.2 模型框架

Informer模型框架如下图所示，左侧是Encoder部分，它接收超长的输入数据。然后将传统的Self-Attention层替换为作者提出的ProbSpare Self-Attention层。蓝色的部分是Self-Attention distilling操作来进行特征压缩。Encoder模块通过堆叠上述的两个操作来提高算法的鲁棒性。右侧是Decoder部分，它接收一系列的长序列输入，并将预测目标位置填充为0，再通过经过Mask的Attention层，最后一步生成预测输出。

在这里插入图片描述
Encoder
该部分输入是时序长度为seq_len的过去数据，首先进行的是编码操作，包含数值编码、位置编码、时间编码。接着通过由若干个Encoder组成的Encoder Stack提取数据特征并合并所有Encoder提取到的特征图。
在这里插入图片描述

在Encoder模块，Informer用到了Self-Attention Distilling。通过知识蒸馏抽取最重要的Attention信息。蒸馏操作减少了算法所需的内存和时间。具体是在相邻的Attention Block之间加入卷积池化操作，来对特征进行降采样。Informer中的Distilling操作，本质上就是一个1维卷积+ELU激活函数+最大池化。
公式如下：
在这里插入图片描述
Distilling操作的代码实现如下所示：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass ConvLayer(nn.Module):def __init__(self, c_in):super(ConvLayer, self).__init__()self.downConv = nn.Conv1d(in_channels=c_in,out_channels=c_in,kernel_size=3,padding=2,padding_mode='circular')self.norm = nn.BatchNorm1d(c_in)self.activation = nn.ELU()self.maxPool = nn.MaxPool1d(kernel_size=3, stride=2, padding=1)def forward(self, x):x = self.downConv(x.permute(0, 2, 1))x = self.norm(x)x = self.activation(x)x = self.maxPool(x)x = x.transpose(1,2)return x

Decoder
Informer使用的Decoder和传统的Decoder不同，生成式decoder一次性生成所有的预测输出，而传统的Transformer是将上一步的输出放入decoder在得到下一步的输出，这样每步只能输出一个time step的数据。
这种形式的decoder的start token 是从input中sample一个较短的序列（需要预测的序列的之前一个片断），decoder输入是encoder输入的后面部分的截取+与预测目标形状相同的0矩阵。
在这里插入图片描述

为了让算法生成长序列的输出，Informer需要如下的输入：
在这里插入图片描述
其中， X^t_token为start token序列，X^t_o为需要预测序列，用0填充。
需要注意的是，第一个attention层中的query、key、value都是根据Decoder输入的embedding乘上权重矩阵得到的，而第二个attention层中的query是根据前面attention层的输出乘上权重矩阵得到的，key和value是根据Encoder的输出乘上权重矩阵得到的。其代码实现如下所示：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass DecoderLayer(nn.Module):def __init__(self, self_attention, cross_attention, d_model, d_ff=None,dropout=0.1, activation="relu"):super(DecoderLayer, self).__init__()d_ff = d_ff or 4*d_modelself.self_attention = self_attentionself.cross_attention = cross_attentionself.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)self.norm1 = nn.LayerNorm(d_model)self.norm2 = nn.LayerNorm(d_model)self.norm3 = nn.LayerNorm(d_model)self.dropout = nn.Dropout(dropout)self.activation = F.relu if activation == "relu" else F.geludef forward(self, x, cross, x_mask=None, cross_mask=None):x = x + self.dropout(self.self_attention(x, x, x,attn_mask=x_mask)[0])x = self.norm1(x)x = x + self.dropout(self.cross_attention(x, cross, cross,attn_mask=cross_mask)[0])y = x = self.norm2(x)y = self.dropout(self.activation(self.conv1(y.transpose(-1,1))))y = self.dropout(self.conv2(y).transpose(-1,1))return self.norm3(x+y)class Decoder(nn.Module):def __init__(self, layers, norm_layer=None):super(Decoder, self).__init__()self.layers = nn.ModuleList(layers)self.norm = norm_layerdef forward(self, x, cross, x_mask=None, cross_mask=None):for layer in self.layers:x = layer(x, cross, x_mask=x_mask, cross_mask=cross_mask)if self.norm is not None:x = self.norm(x)return x

Decoder构成是由两个DecoderLayer构成，而每个DecoderLayer的内部，还包括：一个mask self-attention；一个multi cross-attention,负责target sequence和source sequence的交互用的；两个conv1，类似FFN；三个layer norm,一个dropout。
将Masked multi-head attention应用于ProbSparse self-attention，将mask的点积设置为-∞。它可以防止每个位置都关注未来的位置，从而避免了自回归。
经过Decoder后，每个placeholder(待预测位置)都有一个向量，然后输入到一个全连接层得到预测结果。

1.3 实验分析

（1）数据集
作者在四个数据集上进行了实验，包括两个真实数据集和两个公共基准数据集：

ETT：收集自中国两个县的电力变压器温度数据集，有2小时、1小时、15分钟三种粒度，每个数据点包括油温以及6个电力负载指标。数据集/验证集/测试集分别为12/4/4个月。

ECL：收集自321个用户的用电量。作者将其转化为两年间的用户每小时的电量使用量，以MT_320为预测目标。数据集/验证集/测试集分别为15/3/4个月。

Weather：收集自2010-2013四年间美国1600个地点的每小时气候数据。包括预测目标湿球温度以及11个气候指标。数据集/验证集/测试集分别为28/10/10个月。
（2）基线和评估指标
论文中选择了五种时间序列预测方法进行比较，包括 ARIMA、Prophet、LSTMa、LST net和 DeepAR。为了更好地探索 ProbSparse 自注意力在 Informer 中的表现，作者在实验中将规范的自注意力变体（Informer）、高效变体 Reformer和最相关的工作 LogSparse 自注意力纳入实验。
评估指标：Mean Absolutc Error (MAE)，Mcan Squared Error (MSE).
（3）实验结果
下图总结了4个数据集上所有方法的单变量/多变量评估结果。作为对预测能力的更高要求，作者逐渐延长了预测范围，其中LSTF问题设置被精确控制，以便在每种方法的单个GPU上易于处理。最佳结果以粗体突出显示。
在这里插入图片描述

以上结果表明lnformer在提高LSTF问题的预测能力方面取得了成功。 Informer模型显示的结果明显优于递归神经网络LSTM，且与基于RNN的模型相比，自注意力机制中较短的网络路径获得了更好的预测能力。
下图是对 self-attention的消融实验，探讨的是针对的attention部分的区别。Informer 将所有的ProbSparse Attention换成标准的self-attention。
在这里插入图片描述
可以看到，当输入序列长度为1440时，中间两个模型已经无法处理了，而Informer和Reformer依然坚挺，但是Informer效果要好很多；输入越长，效果会越好。
下图是对自注意力蒸馏操作的消融实验。Informer ⁺ 模型是使用原始self-attention并移除卷积蒸馏操作，在输入长度为720时取得了好的效果，但是无法处理更长的输入。Informer ⁺对于更长的预测，更长的输入带来的性能提升更加明显。

下图是对生成式Decoder的消融实验结果。Informer 模型是使用原始self-attention并移除卷积蒸馏操作,也就是只保留生成式Decoder部分；下面那个模型是从Informer 模型中再移除生成式Decode,用原始的动态解码过程代替。
在这里插入图片描述

我们可以看到，生成式Decoder比传统的动态编码效果要好，这可能是因为动态编码存在这错误传递的问题。
在这里插入图片描述

上图显示了训练/测试阶段的总运行时间。在训练阶段，Informer(红线)在基于Transformer 的方法中实现了最好的训练效率。在测试阶段，Informer比其他采用生成式解码的方法要快得多。
在这里插入图片描述

上图总结了理论时间复杂度和内存使用情况的比较。lnformer的性能与运行时实验—致。

总结

本周对Informer进行了学习，其关注的问题依然是长时间序列预测问题。也是从self-attention 机制的缺陷出发，做了一些优化于改进工作，像ProbSparse self-attention，self-attention蒸馏机制，生成式 Decoder，其中还有比较关键的就是在LSTF问题中统一了输入表示。通过本次的学习我明白了Informer的基本知识，但对于模型的数学原理还不是很熟后续还需要进一步学习。

第三十二周：Informer学习笔记

目录摘要Abstract1 Informer1.1 预备知识1.2 模型框架1.3 实验分析总结摘要本周学习的主要内容是Informer模型，Informer是一种专为长序列时间序列预测（LSTF） 设计的Transformer模型。相较于传统的Transformer，Informer采用Pr…...

编程日记 2025/7/5 21:17:28

计算机视觉核心任务

1. 计算机视频重要分类计算机视觉的重要任务可以大致分为以下几类： 1. 图像分类（Image Classification） 识别图像属于哪个类别，例如猫、狗、汽车等。应用场景：物品识别、人脸识别、医疗影像分类。代表模型&#…...

编程日记 2025/7/5 20:09:13

【python】matplotlib（animation）

文章目录 1、matplotlib.animation1.1、FuncAnimation1.2、修改 matplotlib 背景 2、matplotlib imageio2.1、折线图2.2、条形图2.3、散点图 3、参考 1、matplotlib.animation 1.1、FuncAnimation matplotlib.animation.FuncAnimation 是 Matplotlib 库中用于创建动画的一个…...

编程日记 2025/7/5 5:16:53

【Linux网络编程】之守护进程

【Linux网络编程】之守护进程进程组进程组的概念组长进程会话会话的概念会话ID 控制终端控制终端的概念控制终端的作用会话、终端、bash三者的关系前台进程与后台进程概念特点查看当前终端的后台进程前台进程与后台进程的切换作业控制相关概念作业状态（一般指后…...

编程日记 2025/7/5 21:04:14

Vue.js如何根据访问路径切换页面

Vue Router 在前端工程中，路由指的是，根据不同的访问路径，展示不同组件的内容。 Vue Router是Vue.js的官方路由。 Vue Router介绍。要使用vue Router，得先安装 npm install vue-router4这里的4，指的是第4个版本在s…...

编程日记 2025/7/5 0:09:27

Vue与Konva：解锁Canvas绘图的无限可能

前言在现代Web开发中，动态、交互式的图形界面已成为提升用户体验的关键要素。Vue.js，作为一款轻量级且高效的前端框架，凭借其响应式数据绑定和组件化开发模式，赢得了众多开发者的青睐。而当Vue.js邂逅Konva.js，两者结…...

编程日记 2025/6/30 23:46:56

collabora online+nextcloud+mariadb在线文档协助

1、环境龙蜥os 8.9 docker 2、安装docker dnf -y install dnf-plugins-core dnf config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo sed -i shttps://download.docker.comhttps://mirrors.tuna.tsinghua.edu.cn/docker-ce /etc/yum.repos.…...

编程日记 2025/7/5 20:10:50

linux基础命令1

1、linux目录结构——树型结构根目录：/ 用户主目录(家目录)：~或者 /home/edu 根目录下常见的文件夹: 2、常见的命令 1、pwd 查看当前目录 cd 切换目录 cd ~ 切换到家目录 2、ls 查看当前目录的文件信息语法:ls [选项] [参…...

编程日记 2025/7/1 23:11:03

[LVGL] 在VC_MFC中移植LVGL

前言： 0. 在MFC中开发LVGL的优点是可以用多个Window界面做辅助扩展【类似GUIguider】 1.本文基于VC2022-MFC单文档框架移植lvgl8 2. gitee上下载lvgl8.3 源码，并将其文件夹改名为lvgl lvgl: LVGL 是一个开源图形库，提供您创建具有易于使用…...

编程日记 2025/7/5 0:40:42

Spring Boot整合MQTT

MQTT是基于代理的轻量级的消息发布订阅传输协议。 1、下载安装代理进入mosquitto下载地址：Download | Eclipse Mosquitto，进行下载，以win版本为例下载完成后，在本地文件夹找到下载的代理安装文件使用管理员身份打开安装安装…...

编程日记 2025/7/5 1:26:39

elasticsearch实战三 elasticsearch与mysql数据实时同步

一介绍 elasticsearch数据不是一直不变的，需要与mysql、oracle等数据库的数据做同步。本博客里涉及到的项目地址：https://www.aliyundrive.com/s/7bRWpTYsxWV 方案一： 同步调用，即操作mysql数据后，接着操作elastic…...

编程日记 2025/7/5 20:53:07

netcore openTelemetry+prometheus+grafana

一、netcore项目二、openTelemetry 三、prometheus 四、grafana添加Dashborad aspire/src/Grafana/dashboards at main dotnet/aspire GitHub 导入：aspnetcore.json和aspnetcore-endpoint.json 效果：...

编程日记 2025/7/5 20:41:29

StochSync：可在任意空间中生成360°全景图和3D网格纹理

StochSync方法可以用于在任意空间中生成图像，尤其是360全景图和3D网格纹理。该方法利用了预训练的图像扩散模型，以实现零-shot生成，消除了对新数据收集和单独训练生成模型的需求。StochSync 结合了 Diffusion Synchronization（DS&…...

编程日记 2025/7/5 20:28:52

MybatisPlus较全常用复杂查询引例（limit、orderby、groupby、having、like...）

MyBatis-Plus 是一个 MyBatis 的增强工具，在 MyBatis 的基础上只做增强不做改变，为简化开发、提高效率而生。以下是 MyBatis-Plus 中常用复杂查询（如 LIMIT、ORDER BY、GROUP BY、HAVING、LIKE 等）的引例： 1. 环境准备…...

编程日记 2025/7/2 5:02:55

大数据项目2：基于hadoop的电影推荐和分析系统设计和实现

前言大数据项目源码资料说明： 大数据项目资料来自我多年工作中的开发积累与沉淀。我分享的每个项目都有完整代码、数据、文档、效果图、部署文档及讲解视频。可用于毕设、课设、学习、工作或者二次开发等，极大提升效率！ 1、项目目标本…...

编程日记 2025/7/5 19:48:36

win10的Unet项目导入阿里云训练

win10配置文件 annotated-types0.7.0 certifi2024.12.14 charset-normalizer3.4.1 click8.1.8 colorama0.4.6 contourpy1.1.1 cycler0.12.1 docker-pycreds0.4.0 eval_type_backport0.2.2 filelock3.16.1 fonttools4.55.3 fsspec2024.12.0 gitdb4.0.12 GitPython3.1.44 idna3.…...

编程日记 2025/7/2 18:44:02

Linux（20）——调度作业

目录一、调度延迟的用户作业： 1、延迟的用户作业： 2、查看延迟的用户作业： 3、从计划中删除作业： 二、调度周期性用户作业： 1、周期性用户作业： 2、调度周期性用户作业： 3、用户作业格…...

编程日记 2025/7/5 20:33:23

DeepSeek赋能Vue：打造超丝滑进度条开发指南

前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏关注哦 💕 目录 Deep…...

编程日记 2025/7/5 5:40:26

在CT107D单片机综合训练平台上，8个数码管分别单独依次显示0~9的值，然后所有数码管一起同时显示0~F的值，如此往复。

题目：在CT107D单片机综合训练平台上，8个数码管分别单独依次显示0~9的值，然后所有数码管一起同时显示0~F的值，如此往复。延时函数分析LED首先实现8个数码管单独依次显示0~9的数字所有数码管一起同时显示0~F的值，如此往…...

编程日记 2025/7/5 20:58:50

清除el-table选中状态 clearSelection

如何在Vue应用中使用Element UI的el-table组件，通过this.$refs.multipleTable.clearSelection()方法来清除所有选中行的状态。适合前端开发者了解表格组件的交互操作。 // el-table绑定ref<el-table selection-change"selsChange" ref"multipl…...

编程日记 2025/7/5 1:11:26

【算法】动态规划专题⑥ —— 完全背包问题 python

目录前置知识进入正题模板前置知识【算法】动态规划专题⑤ —— 0-1背包问题滚动数组优化完全背包问题是动态规划中的一种经典问题，它与0-1背包问题相似，但有一个关键的区别：在完全背包问题中，每种物品都有无限的数量可用。…...

编程日记 2025/7/5 21:09:05

论文笔记-COLING2025-LLMTreeRec

论文笔记-COLING2025-LLMTreeRec: Unleashing the Power of Large Language Models for Cold-Start Recommendations LLMTreeRec: 释放大语言模型在冷启动推荐中的力量摘要1.引言2.框架2.1项目树构建2.2以LLM为中心的基于树的推荐2.2.1推荐链策略2.2.2检索策略 3.实验3.1实验设…...

编程日记 2025/7/5 21:13:16

c++ haru生成pdf输出饼图

#define PI 3.14159265358979323846 // 绘制饼图的函数 void draw_pie_chart(HPDF_Doc pdf, HPDF_Page page, float *data, int data_count, float x, float y, float radius) { float total 0; int i; // 计算数据总和 for (i 0; i < data_count; i) { tot…...

编程日记 2025/7/5 5:15:16

【‌Unity】Unity中物体的static属性作用

‌Unity中物体的static属性主要用于优化游戏性能和简化渲染过程。‌ Unity中物体的static属性的作用优化渲染性能‌：当物体被标记为static时，Unity会在游戏运行时将其视为静止的物体，这意味着这些物体的渲染信息不会随着每一帧的更新而变化…...

编程日记 2025/7/4 23:22:24

Rust 测试指南：从入门到进阶

1. 测试基础：#[test] 属性 Rust 测试的基本单位是函数。只要在一个函数前面标注 #[test] 属性，那么在运行 cargo test 时，Rust 会自动识别并执行它。例如，新建一个库工程 adder，cargo new adder --lib，在 …...

编程日记 2025/7/5 0:01:30

Elasticsearch 生产集群部署终极方案

Elasticsearch 集群部署 1.集群部署1.1 新增用户1.2 优化操作系统1.3 JDK1.4 elasticsearch1.5 开机自启动 2.安全认证功能2.1 生成CA证书2.2 生成密钥2.3 上传至其他节点2.4 修改属主、属组2.5 配置文件添加参数2.6 各节点添加密钥库密码2.7 设置用户密码 1.集群部署 1.1 新增…...

编程日记 2025/7/5 20:31:49

电路笔记(元器件)：AD 5263数字电位计(暂记)

AD5263 是四通道、15 V、256位数字电位计，可通过SPI/I2C配置具体电平值。配置模式： W引脚作为电位器的抽头，可在A-B之间调整任意位置的电阻值。也可将W与A(或B)引脚短接，A-W间的电阻总是0欧姆，通过数字接口调整电位器…...

编程日记 2025/7/5 20:44:09

如何在电脑后台定时进行自动截图？自动截图后如何快捷保存？如何远程查看？

7-2 有时候需要对电脑的屏幕进行在后台连续性的截图保存，并且要可以远程查看，无界面，以达到对电脑的使用过程进行完全了解的目的，一般用于对小孩使用电脑的掌握，如果父母在外地，不方便就近管理&#xff0c…...

编程日记 2025/7/5 19:29:05

解决react中函数式组件usestate异步更新

问题：在点击modal组件确认后调用后端接口，使用setstateone（false）使modal组件关闭，但是设置后关闭不了，在设置setstateone（false）前后打印出了对应的stateone都为true，但…...

编程日记 2025/7/5 21:04:14

skia-macos源码编译

1、下载git-hub 源码 2、下载依赖库 3、编译，注意选项 bin/gn gen out/release --args"is_official_buildfalse skia_use_system_expatfalse skia_use_system_icufalse skia_use_libjpeg_turbofalse skia_use_system_libpngfalse skia_use_system_libwebpfal…...

编程日记 2025/7/4 1:42:04

本地部署DeepSeek（Mac版本，带图形化操作界面）

一、下载安装：Ollama 官网下载：Download Ollama on macOS 二、安装Ollama 1、直接解压zip压缩包，解压出来就是应用程序 2、直接将Ollama拖到应用程序中即可 3、启动终端命令验证 # 输入 ollama 代表已经安装成功。 4、下载模型点击模型…...

编程日记 2025/7/2 21:18:14

离线统信系统的python第三方库批量安装流程

一、关于UOS本机操作系统：UOS（基于Debian的Linux发行版） CPU：海光x86 二、具体步骤 1、在联网的电脑上用控制台的pip命令批量下载指定版本的第三方库方法A cd <目标位置的绝对路径> pip download -d . --platform many…...

编程日记 2025/6/30 7:51:16

群晖安装Gitea

安装Docker Docker运行Gitea 上传gitea包，下载地址：https://download.csdn.net/download/hmxm6/90360455 打开docker 点击印象，点击新增，从文件添加点击启动可根据情况，进行高级设置，没有就下一步点击应…...

编程日记 2025/7/1 17:14:58

jmeter逻辑控制器9

1，简单控制器2，录制控制器3，循环控制器4，随机控制器5，随机顺序控制器6，if控制器7，模块控制器8，Include控制器9，事物控制器本文永久更新地址: 1，简单控制器不…...

编程日记 2025/7/3 21:48:18

Spring统一修改RequestBody

我们编写RestController时，有可能多个接口使用了相同的RequestBody，在一些场景下需求修改传入的RequestBody的值，如果是每个controller中都去修改，代码会比较繁琐，最好的方式是在一个地方统一修改，比如将he…...

编程日记 2025/7/4 17:25:19

自动化xpath定位元素（附几款浏览器xpath插件）

在 Web 自动化测试、数据采集、前端调试中，XPath 仍然是不可或缺的技能。虽然 CSS 选择器越来越强大，但面对复杂 DOM 结构时，XPath 仍然更具灵活性。因此，掌握 XPath，不仅能提高自动化测试的稳定性，还能在爬…...

编程日记 2025/6/28 11:58:35

go-elasticsearch创建ik索引并进行查询操作

es-go client引入gomod go get github.com/elastic/go-elasticsearch/v8latest连接es服务器（不经过安全校验) cfg : elasticsearch.Config{Addresses: []string{"http://localhost:9200",}, } es, err : elasticsearch.NewClient(cfg) if err ! nil {pa…...

编程日记 2025/7/5 17:26:53

【东莞常平】戴尔R710服务器不开机维修分享

1：2025-02-06一位老客户的朋友刚开工公司ERP服务器一台戴尔老服务器故障无法开机，于是经老客户介绍找到我们。 2：服务器型号是DELL PowerEdge R710 这个服务器至少也有15年以上的使用年限了。 3：客户反馈的故障问题为：…...

编程日记 2025/7/1 21:22:16

rebase和merge

rebase 和merge区别： rebase变基，改变基底：rebase会抹去提交记录。 git pull 默认merge，git pull --rebase 变基 rebase C、D提交属于feature分支，是基于master分支，在B提交额外拉出来的，当…...

编程日记 2025/7/2 16:16:14

SSA-TCN麻雀算法优化时间卷积神经网络时间序列预测未来Matlab实现

SSA-TCN麻雀算法优化时间卷积神经网络时间序列预测未来Matlab实现目录 SSA-TCN麻雀算法优化时间卷积神经网络时间序列预测未来Matlab实现预测效果基本介绍程序设计参考资料预测效果基本介绍 1.Matlab实现SSA-TCN麻雀算法优化时间卷积神经网络时间序列预测未来（优…...

编程日记 2025/7/3 1:24:30

2025牛客寒假算法基础集训营5（补题）

C 小L的位运算显然，如果两次反置的价格小于等于交换的价格，那么直接全部反置就好了。反之，由于交换一定低于两次反置，我们尽可能用交换来消去不正确的位置。不正确的位置类型只有00，01，10，11&…...

编程日记 2025/7/3 17:50:15

Kotlin Android 环境搭建

Kotlin Android 环境搭建引言随着移动应用的日益普及，Android 开发成为了一个热门的技术领域。Kotlin 作为一种现代的编程语言，因其简洁、安全、互操作性强等特点，被越来越多的开发者所喜爱。本文将详细介绍 Kotlin Android 环境搭建的步骤，帮助您快速上手 Kotlin Andr…...

编程日记 2025/7/5 12:27:32

DeepSeek图解10页PDF

以前一直在关注国内外的一些AI工具，包括文本型、图像类的一些AI实践，最近DeepSeek突然爆火，从互联网收集一些资料与大家一起分享学习。本章节分享的文件为网上流传的DeepSeek图解10页PDF，免费附件链接给出。 1 本地 1 本地部…...

编程日记 2025/7/4 20:19:05

Kafka中的KRaft算法

我们之前的Kafka值依赖于Zookeeper注册中心来启动的，往里面注册我们节点信息 Kafka是什么时候不依赖Zookeeper节点了在Kafka2.8.0开始就可以不依赖Zookeeper了可以用KRaft模式代替Zookeeper管理Kafka集群 KRaft Controller和KRaft Leader的关系两者关系 Lea…...

编程日记 2025/7/2 10:59:07

C++20新特性

编程日记 2025/7/2 12:15:42

[LUA ERROR] bad light userdata pointer

Cocos2d项目，targetSdkVersion30，在 android 13 设备运行报错: [LUA ERROR] bad light userdata pointer ，导致黑屏。参考 cocos2dx 适配64位 arm64-v8a 30 lua 提示 bad light userdata pointer 黑屏-CSDN博客的方法下载最新的Cocos2dx …...

编程日记 2025/7/2 17:04:43

Maven 安装配置（完整教程）

文章目录一、Maven 简介二、下载 Maven三、配置 Maven3.1 配置环境变量3.2 Maven 配置3.3 IDEA 配置四、结语一、Maven 简介 Maven 是一个基于项目对象模型（POM）的项目管理和自动化构建工具。它主要服务于 Java 平台，但也支持其他编程语言…...

编程日记 2025/7/2 16:17:52

JAVA：CloseableHttpClient 进行 HTTP 请求的技术指南

1、简述 CloseableHttpClient 是 Apache HttpComponents 提供的一个强大 HTTP 客户端库。它允许 Java 程序与 HTTP/HTTPS 服务交互，可以发送 GET、POST 等各种请求类型，并处理响应。该库广泛用于 REST API 调用、文件上传和下载等场景。 2、特性 Close…...

编程日记 2025/6/30 19:30:45

WebRTC 客户端与ZLMediaKit通讯

1 web浏览器js方式要使用 WebRTC 客户端与 ZLMediaKit 通讯，您需要设置一个 WebRTC 客户端并与 ZLMediaKit 进行连接。以下是一个基本的步骤和示例代码，帮助您实现这一目标。 ### 步骤 1. **安装 ZLMediaKit**：确保您已经在服务器上安装并…...

编程日记 2025/7/1 22:36:38

openssl使用

openssl使用提取密钥对数字证书pfx包含公钥和私钥，而cer证书只包含公钥。提取需输入证书保护密码 openssl pkcs12 -in xxx.pfx -nocerts -nodes -out pare.key提取私钥 openssl rsa -in pare.key -out pri.key提取公钥 openssl rsa -in pare.key -pubout -ou…...

编程日记 2025/7/2 17:11:49

目录

摘要

Abstract

1 Informer

1.1 预备知识

1.2 模型框架

1.3 实验分析

总结

相关文章：