长短期记忆网络：从理论到创新应用的深度剖析
一、引言
1.1 研究背景
深度学习在人工智能领域的发展可谓突飞猛进，而长短期记忆网络（LSTM）在其中占据着至关重要的地位。随着数据量的不断增长和对时序数据处理需求的增加，传统的神经网络在处理长序列数据时面临着梯度消失和梯度爆炸等问题，难以有效地捕捉长期依赖关系。LSTM 作为循环神经网络（RNN）的一种变体，通过引入门控机制，成功解决了这些难题。
目前，LSTM 在多个领域都取得了显著的研究成果。在自然语言处理领域，它被广泛应用于文本生成、机器翻译、情感分析等任务。例如，2016 年谷歌公司应用 LSTM 来做语音识别和文字翻译，其中 Google 翻译用的就是一个 7 - 8 层的 LSTM 模型。在语音识别方面，LSTM 可以将连续的语音输入序列转化为文本输出，并在语音识别准确率上取得了显著的提升。此外，LSTM 还在图像识别、智能推荐等领域发挥着重要作用。
1.2 研究目的
本论文旨在深入分析长短期记忆网络的特性与应用，为其未来的发展提供新的视角。通过对 LSTM 的基本原理、内部结构以及门控机制的深入研究，揭示其在处理时序数据方面的优势。同时，结合实际应用案例，探讨 LSTM 在不同领域的具体应用方法和效果。此外，分析 LSTM 目前面临的挑战，如计算复杂度较高、训练时间长、解释性较差等问题，并提出相应的解决方案。通过对 LSTM 的全面研究，期望为深度学习领域的发展提供有益的参考和借鉴。
二、长短期记忆网络的核心原理
2.1 门控机制解析
遗忘门、输入门和输出门是长短期记忆网络（LSTM）的核心组成部分，它们协同工作，实现了对信息的精确控制和有效处理。
2.1.1 遗忘门的信息筛选
遗忘门决定了上一时刻的单元状态有多少信息需要被遗忘。例如，在自然语言处理任务中，当分析一个句子时，遗忘门可以根据当前的词汇和上下文，决定之前的一些词汇信息是否需要被保留。比如在处理 “我昨天去了公园，今天又去了商场。” 这个句子时，当分析到 “今天又去了商场” 时，遗忘门可能会决定逐渐遗忘 “我昨天去了公园” 中的一些具体细节，而保留 “去了某个地方” 这个较为抽象的信息。遗忘门通过一个 sigmoid 函数生成一个在 0 到 1 之间的值，这个值表示上一时刻的状态信息的保留程度。值越接近 1，表示保留的信息越多；值越接近 0，表示遗忘的信息越多。
2.1.2 输入门与输出门的功能
输入门决定了当前时刻的输入信息有多少能够被保存到单元状态中。它由两部分组成，一个 sigmoid 层决定哪些值将被更新，一个 tanh 层生成新的候选值向量。输入门的 sigmoid 层和 tanh 层的输出相乘，得到更新后的候选值。例如，在处理新的词汇输入时，输入门会根据词汇的重要性，决定将其多少信息添加到单元状态中。输出门则决定了下一个隐藏状态的值。它通过一个 sigmoid 层决定哪些单元状态将被输出，然后通过 tanh 层生成输出状态的候选值，最后将这两部分结合起来形成最终的输出。输出门的作用在于控制信息的输出，使得 LSTM 能够根据当前的任务需求，有选择地输出合适的信息。
2.2 与传统循环神经网络的对比
2.2.1 解决长期依赖问题
传统的循环神经网络（RNN）在处理长序列数据时，容易出现梯度消失和梯度爆炸的问题，导致难以捕捉长期依赖关系。而长短期记忆网络通过引入门控机制，有效地解决了这个问题。具体来说，遗忘门可以控制长期信息的遗忘程度，输入门可以控制新信息的流入，输出门可以控制信息的输出。这样，LSTM 能够在处理长序列数据时，更好地保留和利用长期信息。例如，在机器翻译任务中，传统的 RNN 可能会在翻译长句子时，由于梯度消失问题，而无法准确地利用句子开头的信息。而 LSTM 则可以通过门控机制，有效地保留句子开头的信息，并在翻译过程中合理地利用这些信息，从而提高翻译的准确性。
2.2.2 参数和计算复杂度差异
传统 RNN 的参数数量相对较少，计算复杂度也较低。而 LSTM 由于引入了三个门控机制和单元状态，参数数量相对较多，计算复杂度也较高。具体来说，LSTM 的参数包括遗忘门、输入门、输出门的权重矩阵和偏置项，以及单元状态的权重矩阵和偏置项。这些参数的数量随着隐藏层单元数量的增加而增加。在计算复杂度方面，LSTM 的门控机制需要进行多次矩阵乘法和非线性激活函数的计算，因此计算复杂度较高。然而，虽然 LSTM 的计算复杂度较高，但它在处理长序列数据时的性能优势往往可以弥补这一不足。
三、长短期记忆网络的优势与挑战
3.1 优势分析
3.1.1 长期依赖处理能力
长短期记忆网络在处理序列数据方面表现出卓越的长期依赖处理能力。例如在股票价格预测中，股票价格的走势受到多种因素的影响，包括宏观经济数据、公司财务报表、行业动态等，这些因素在时间序列上跨度较大。LSTM 能够有效地捕捉这些长期依赖关系，从而更准确地预测股票价格的未来走势。通过对历史价格数据的学习，LSTM 可以记住长期的价格趋势和波动模式，当新的市场信息出现时，能够结合这些长期记忆进行更精准的预测。据统计，在一些股票预测案例中，使用 LSTM 的预测准确率比传统方法提高了 10% - 15%。
3.1.2 抗噪性和并行计算性能
LSTM 具有较强的抗噪性，这在实际应用中非常重要。例如在语音识别任务中，输入的语音信号可能会受到环境噪声、口音差异等因素的干扰。LSTM 的门控机制能够选择性地忽略或减少对噪声的响应，从而提高模型的鲁棒性和泛化能力。同时，LSTM 的门控机制使得各个时间步之间的计算可以并行进行，提高了训练和推理的效率。在大规模数据处理场景下，这种并行计算性能的优势更加明显。以自然语言处理任务为例，处理大量文本数据时，LSTM 能够比传统 RNN 更快地完成训练和预测任务，提高工作效率。
3.2 挑战探讨
3.2.1 计算复杂度高
长短期记忆网络的高计算复杂度带来了一系列影响。首先，它需要更多的计算资源和时间来进行训练和推理。这对于资源有限的设备或实时性要求较高的应用场景来说是一个挑战。例如，在移动设备上进行语音识别或在实时交易系统中进行预测时，高计算复杂度可能导致响应时间过长，影响用户体验。其次，高计算复杂度也使得模型的调参和优化变得更加困难。为了解决这个问题，可以采用一些计算优化方法。例如，使用近似计算方法或其他优化算法来加速训练过程，如截断或压缩技术来减少参数量和计算量。还可以通过模型简化的方法，如使用更简单的模型结构或减少隐藏层的数量，来降低计算复杂度。
3.2.2 难以解释和数据依赖
LSTM 的难以解释性主要源于其复杂的内部结构和门控机制。这使得人们很难直观地理解模型是如何做出决策的，对于一些对解释性要求较高的领域，如金融领域或医疗领域，可能带来一定的困扰。此外，LSTM 有更多的参数需要训练，因此需要更多的数据来避免过拟合。如果训练数据不足，LSTM 可能面临泛化能力不足的问题。为了解决难以解释的问题，可以考虑使用更简单的模型，如门控循环单元（GRU），它比 LSTM 具有更少的参数和门控机制，但仍然能够较好地处理序列数据。对于数据依赖问题，可以通过数据增强技术来生成更多的样本，或者借助迁移学习来利用其他相关任务的数据来提高模型性能。
四、长短期记忆网络的发展历程
4.1 诞生与早期发展
4.1.1 1997 年的提出
长短期记忆网络在 1997 年由 Sepp Hochreiter 和 Jürgen Schmidhuber 提出。当时，深度学习领域正面临着处理序列数据时的难题，传统的循环神经网络在处理长序列数据时容易出现梯度消失和梯度爆炸问题，难以有效地捕捉长期依赖关系。LSTM 的提出为解决这些问题带来了新的思路。其主要贡献在于引入了门控机制，包括遗忘门、输入门和输出门，以及一个细胞状态。这些机制使得 LSTM 能够更好地控制信息的流动，从而有效地处理长序列数据中的长期依赖问题。
4.1.2 早期的优化改进
在 LSTM 提出后，早期的研究主要集中在对其进行优化改进。其中，引入遗忘门机制是一个重要的改进措施。遗忘门的作用是决定上一时刻的单元状态有多少信息需要被遗忘。通过遗忘门，LSTM 可以更加灵活地控制信息的保留和遗忘，从而更好地适应不同的任务需求。例如，在自然语言处理任务中，当分析一个句子时，遗忘门可以根据当前的词汇和上下文，决定之前的一些词汇信息是否需要被保留。此外，早期的优化还包括对门控机制的参数调整和改进，以及对细胞状态的更新方式进行优化等。这些早期的优化改进为 LSTM 的进一步发展奠定了基础。
4.2 变体与现代应用
4.2.1 门控递归单元（GRU）
门控递归单元（GRU）是长短期记忆网络的一种变体。GRU 旨在简化 LSTM 的模型结构，同时保持其处理长期依赖的能力。GRU 合并了 LSTM 的遗忘门和输入门成为一个单独的更新门，并且将细胞状态和隐藏状态合并。更新门决定保留多少之前的记忆信息，重置门决定如何结合新的输入信息和之前的记忆信息。相比 LSTM，GRU 具有更简单的结构，计算效率更高，训练时间更短。在很多任务中，GRU 的表现与 LSTM 相似，有时甚至更好。
4.2.2 现代应用领域实例
长短期记忆网络及其变体在现代的应用非常广泛。在语音识别领域，LSTM 和 GRU 被广泛应用于将连续的语音输入序列转化为文本输出。例如，苹果的 Siri 和谷歌的语音助手都使用了 LSTM 或 GRU 来提高语音识别的准确率。在机器翻译领域，LSTM 和 GRU 可以有效地捕捉源语言和目标语言之间的长期依赖关系，从而提高翻译的准确性。例如，谷歌翻译用的就是一个 7 - 8 层的 LSTM 模型。此外，在自然语言处理的其他任务，如文本生成、情感分析、问答系统等领域，LSTM 和 GRU 也发挥着重要作用。在图像识别领域，虽然 LSTM 和 GRU 不是主要的模型架构，但它们可以与卷积神经网络（CNN）结合，用于处理图像序列或视频数据。例如，在视频分类任务中，可以使用 LSTM 或 GRU 来捕捉视频中的时间信息，从而提高分类的准确性。
五、长短期记忆网络的应用领域
5.1 自然语言处理
5.1.1 文本生成中的作用
在文本生成方面，长短期记忆网络（LSTM）发挥着重要作用。例如，一些智能写作助手采用 LSTM 技术，能够根据给定的主题或开头，生成连贯的文本内容。以某新闻自动生成系统为例，它利用 LSTM 对大量的新闻稿件进行学习，捕捉新闻文本的语言模式和结构特点。当输入一个新闻事件的关键信息时，系统能够自动生成一篇较为完整的新闻报道。LSTM 通过对历史文本信息的记忆和处理，预测下一个可能出现的词汇或语句，逐步构建出完整的文本。在这个过程中，LSTM 的门控机制能够有效地筛选和保留有用的信息，同时遗忘不相关的内容，从而确保生成的文本具有较高的质量和连贯性。
5.1.2 情感分析的应用效果
在情感分析任务中，LSTM 也表现出显著的优势。它可以准确地捕捉文本中的情感倾向，无论是积极、消极还是中性。例如，在社交媒体舆情监测中，LSTM 能够对大量的用户评论进行分析，快速判断用户对某个产品、事件或话题的情感态度。LSTM 的长期依赖处理能力使得它能够考虑到文本中的上下文信息，从而更准确地理解用户的情感表达。例如，在分析 “这部手机外观很漂亮，但是电池续航不太好。” 这句话时，LSTM 可以综合考虑前后两个部分的内容，得出相对客观的情感分析结果。与传统的情感分析方法相比，LSTM 能够更好地处理复杂的语言表达和语境依赖问题，提高情感分析的准确率和可靠性。
5.2 其他领域应用
5.2.1 图像识别中的创新应用
在图像识别领域，虽然 LSTM 不是主要的模型架构，但它可以与卷积神经网络（CNN）结合，产生创新的应用。例如，在视频分类任务中，LSTM 可以与 CNN 协同工作。CNN 负责提取视频中每一帧的图像特征，而 LSTM 则对这些连续的图像特征序列进行处理，捕捉视频中的时间信息。以一个交通监控视频分类系统为例，该系统通过 CNN 提取视频帧中的车辆、行人等特征，然后将这些特征序列输入到 LSTM 中。LSTM 能够学习到不同时间点的特征变化，从而判断视频中的交通状况是正常、拥堵还是事故等。这种结合方式充分发挥了 CNN 在空间特征提取和 LSTM 在时间序列处理方面的优势，提高了视频分类的准确性。
5.2.2 证券预测的可行性
在证券预测方面，长短期记忆网络也具有一定的可行性。证券市场的价格走势受到多种因素的影响，包括宏观经济数据、公司财务报表、行业动态等，这些因素在时间序列上具有一定的规律。LSTM 能够有效地捕捉这些长期依赖关系，从而对证券价格的未来走势进行预测。例如，通过对历史股票价格数据的学习，LSTM 可以记住长期的价格趋势和波动模式。当新的市场信息出现时，LSTM 能够结合这些长期记忆进行更精准的预测。据统计，在一些证券预测案例中，使用 LSTM 的预测准确率比传统方法提高了 8% - 12%。然而，证券市场的复杂性和不确定性也给 LSTM 的应用带来了挑战。市场受到众多因素的影响，其中一些因素可能是难以预测的突发事件。因此，在证券预测中，LSTM 需要结合其他技术和方法，如基本面分析、技术分析等，以提高预测的准确性和可靠性。
六、结论与展望
6.1 研究结论总结
长短期记忆网络（LSTM）作为深度学习领域的重要成果，其核心原理在于独特的门控机制。遗忘门、输入门和输出门协同工作，能够有效地筛选、存储和输出信息，解决了传统循环神经网络在处理长序列数据时面临的梯度消失和梯度爆炸问题。这种机制使得 LSTM 能够更好地捕捉长期依赖关系，在处理序列数据方面表现出卓越的性能。
LSTM 的优势主要体现在长期依赖处理能力、抗噪性和并行计算性能等方面。在股票价格预测、语音识别、自然语言处理等领域，LSTM 能够准确地捕捉长期依赖关系，提高预测和分析的准确性。同时，其抗噪性使得在面对复杂的实际应用场景时，能够更好地应对噪声干扰，提高模型的鲁棒性和泛化能力。并行计算性能则在大规模数据处理场景下提高了训练和推理的效率。
在应用方面，LSTM 在自然语言处理领域表现出色，无论是文本生成还是情感分析，都能够利用其长期依赖处理能力和门控机制，生成高质量的文本内容并准确判断文本的情感倾向。在图像识别领域，与卷积神经网络结合，能够在视频分类等任务中发挥重要作用。在证券预测方面，虽然面临一定的挑战，但也具有一定的可行性，能够提高预测准确率。
6.2 未来研究方向展望
在性能优化方面，未来可以进一步探索更高效的计算优化方法。目前已经有一些近似计算方法和截断、压缩技术来减少参数量和计算量，但仍有很大的改进空间。可以研究新的算法和技术，以降低 LSTM 的计算复杂度，提高训练和推理的速度，使其能够更好地应用于资源有限的设备和实时性要求较高的场景。
在与其他技术结合方面，LSTM 可以与更多的深度学习技术和传统机器学习方法相结合。例如，可以与强化学习结合，用于智能决策系统；与图神经网络结合，处理具有复杂结构的数据。此外，还可以探索与量子计算等新兴技术的结合，以充分发挥 LSTM 的优势，提高模型的性能和应用范围。
同时，对于 LSTM 的解释性问题也需要进一步研究。虽然目前已经有一些简化模型如门控循环单元（GRU），但仍然需要更加直观和可解释的方法来理解 LSTM 的决策过程。这对于在金融、医疗等对解释性要求较高的领域的应用至关重要。
另外，数据依赖问题也是未来研究的一个重要方向。可以通过更先进的数据增强技术生成更多高质量的样本，或者进一步探索迁移学习的方法，利用其他相关任务的数据来提高模型的性能和泛化能力。
总之，长短期记忆网络在未来的深度学习领域仍具有广阔的发展前景和研究价值，通过不断地探索和创新，有望为各个领域的应用带来更多的突破和进步。
七、深度学习相关例程汇总
链接
https://blog.csdn.net/xu157303764/category_12685336.html?spm=1001.2014.3001.5482
相关文章：
长短期记忆网络：从理论到创新应用的深度剖析
一、引言 1.1 研究背景 深度学习在人工智能领域的发展可谓突飞猛进，而长短期记忆网络（LSTM）在其中占据着至关重要的地位。随着数据量的不断增长和对时序数据处理需求的增加，传统的神经网络在处理长序列数据时面临着梯度消失和梯…...
)
过程监督（Process Supervision）融入到 GRPO (Group Relative Policy Optimization)
下面演示如何把“过程监督（Process Supervision）”的思想融入到 GRPO (Group Relative Policy Optimization) 中，从而对每个输出的中间步骤逐一打分、计算相对优势。本文的示例代码与 grpo_train.py （来源见下文）类似&…...
ES6中Object.defineProperty 的详细用法和使用场景以及例子
ES6 Object.defineProperty() 用法总结 Object.defineProperty() 是 ES5 引入的一个方法，ES6 继续强化了该方法的使用，它允许我们为对象的属性定义或修改 属性描述符。它能够控制对象属性的行为，如读写权限、可枚举性和可配置性。 1. Objec…...
【服务器与本地互传文件】远端服务器的Linux系统 和 本地Windows系统 互传文件
rz 命令：本地上传到远端 rz 命令：用于从本地主机上传文件到远程服务器 rz 是一个用于在 Linux 系统中通过 串口 或 SSH 上传文件的命令，它实际上是 lrzsz 工具包中的一个命令。rz 命令可以调用一个图形化的上传窗口，方便用户从本…...
NVIDIA A100 SXM4与NVIDIA A100 PCIe版本区别深度对比：架构、性能与场景解析
NVIDIA A100 SXM4与PCIe版本深度对比：架构、性能与场景解析 作为NVIDIA Ampere架构的旗舰级数据中心GPU，A100系列凭借强大的计算能力和显存带宽，已成为人工智能训练、高性能计算（HPC）等领域的核心硬件。然而ÿ…...
RAG基本原理
1.RAG全称是Retrieval-Augmented Generation Generation 的含义是 基于用户的输入，生成具有上下文含义的一段文字。 Query 比如说 太阳系中，哪个行星拥有的卫星数目最多？ 回答Answer 木星，木星目前有79个卫星 这样的回答存在两个…...
WPS接入deepseek-OfficeAI助手插件下载
功能简介 OfficeAI 助手 是一款免费的智能AI办公工具软件，专为 Microsoft Office 和 WPS 用户打造。 无论你是在寻找如何输入“打勾（√）符号”的方法，还是想知道“怎么在插入表格前添加文字”，或者“该用哪个公式”&a…...
【微中子代理踩坑-前端node-sass安装失败】
微中子代理踩坑-前端node-sass安装失败-windows 1.npm版本2.python2.73.安装Visual Studio 1.npm版本 当前使用node版本13.12.0 2.python2.7 安装python2.7.9并配置环境变量 3.安装Visual Studio 安装Visual Studio 我是直接勾选了3个windows的sdk,然后就好了 最后 npm in…...
在群晖上使用Docker安装思源笔记
最近一段时间，docker的镜像地址都失效了，在群晖系统中，无论是早期版本的docker，还是最新版本中的Container Manager，注册表中都无法链接到docker的镜像，于是，就花了点时间查找资料&#x…...
后端之路——阿里云OSS云存储
一、何为阿里云OSS 全名叫“阿里云对象存储OSS”，就是云存储，前端发文件到服务器，服务器不用再存到本地磁盘，可以直接传给“阿里云OSS”，存在网上。 二、怎么用 大体逻辑： 细分的话就是： 1、准…...
华为guass在dbever和springboot配置操作
下面记录华为guass在dbever和springboot配置操作，以备忘。 1、安装dbeaver-ce-23.2.0-x86_64-setup.exe和驱动程序 Download | DBeaver Community 2、配置高斯数据库驱动 3、新建数据库连接 4、操作指引 opengauss官方文档 https://docs-opengauss.osinfra.cn/zh…...
【STM32学习】标准库实现STM32 ADC采集1路、2路、多路
目录 ADC采集 ADC配置步骤 STM32F103C8T6的ADC 输入通道 编辑 1路ADC（A4 ADC 通道4） 1路ADC源码代码链接： 2路ADC（A4 ADC 通道4、A5 ADC 通道5）基于DMA实现 多路ADC实现采集 ADC采集 ADC配置步骤 使能GPIO…...
常用网络工具分析（ping，tcpdump等）
写在前面 本文看下常用网络工具。 1：ping 1.1：用途 用于检验网络的连通性。 1.2：实战 在Linux环境中执行：ping www.sina.com.cn： [rootlocalhost ~]# ping www.sina.com.cn PING spool.grid.sinaedge.com (111.…...
计算机视觉：主流数据集整理
第一章：计算机视觉中图像的基础认知 第二章：计算机视觉：卷积神经网络(CNN)基本概念(一) 第三章：计算机视觉：卷积神经网络(CNN)基本概念(二) 第四章：搭建一个经典的LeNet5神经网络(附代码) 第五章࿱…...
1.1 go环境搭建及基本使用
golang下载地址： Download and install - The Go Programming Language (google.cn) 验证安装是否成功： go version 查看go环境 go env 注意：Go1.11版本之后无需手动配置环境变量,使用go mod 管理项目，也不需要把项目放到GO…...
《深入理解JVM》实战笔记（一）：内存区域、对象布局与OOM排查指南
JVM发展史与Java内存区域深度解析 Java虚拟机（JVM）是Java编程语言的核心部分，它允许Java程序跨平台运行，提供了一个抽象层，使得Java代码能够在不同操作系统和硬件平台上运行。本文将从JVM的发展历程开始，深…...
《筑牢元宇宙根基：AI与区块链的安全信任密码》
在科技浪潮汹涌澎湃的当下，元宇宙已不再是科幻作品中的遥远构想，而是逐渐步入现实，成为人们热议与探索的前沿领域。从沉浸式的虚拟社交，到创新的数字经济模式，元宇宙的发展前景广阔，潜力无限。但要让元宇宙…...
Docker构建时，设定默认进入的工作目录的方法
在 Docker 中，你可以通过不同的方式来设定容器默认进入的目录，以下针对不同场景分别介绍具体方法： 1. 使用 Dockerfile 设定工作目录 如果你是通过构建镜像的方式来运行容器，那么可以在 Dockerfile 中使用 WORKDIR 指令来设置容器启动时的默认工作目录。以下是具体步骤：…...
Linux nohup
nohup 是 Linux 系统中一个非常实用的命令，它的英文全称是 “no hang up”（不挂断），主要用于在用户退出登录或者终端会话关闭后，让指定的程序在后台持续运行，而不会受到 HUP（hangup）…...
【Linux探索学习】第二十七弹——信号（上）：Linux 信号基础详解
Linux学习笔记： https://blog.csdn.net/2301_80220607/category_12805278.html?spm1001.2014.3001.5482 前言： 前面我们已经将进程通信部分讲完了，现在我们来讲一个进程部分也非常重要的知识点——信号，信号也是进程间通信的一…...
ok113i平台——usb触摸屏驱动开发
在嵌入式Linux系统中，如果USB触摸屏能够检测到并且在手指移动时有数据，但点击无法触发，这可能是因为触摸屏驱动或配置的问题。以下是一些可能的解决方法： 1. 确认驱动支持 首先，确保您使用的触摸屏驱动程序完全支持您…...
【Bluedroid】AVRCP 连接源码分析（二）
接着上一篇【Bluedroid】AVRCP 连接源码分析（一）-CSDN博客，继续AVRCP连接的源码分析。 getcapabilities_cmd packages/modules/Bluetooth/system/btif/src/btif_rc.cc /***************************************************************************** Function …...
Jenkins 自动构建Job
1.创建Job 登录Jenkins,点击新建Item,创建项目 选择Pipeline，然后点击确定 接下来主要在Pipeline script中编写脚本 2.签出Git仓库 2.1配置Git账号 Manage Jenkins->Security->Credentials 在凭据界面，选择全局 添加凭据，添加Git用…...
现代企业软件测试人员需求与发展方向深度解析
引言 现代互联网软件行业是不断创新的引擎。应用程序越来越复杂，部署周期越来越短，用户期望越来越高，运营规模也越来越庞大。在这种动态环境中，软件测试人员的角色不再仅限于在发布前阶段“查找错误”。相反，测试人员…...
2.19学习（php文件后缀）
misc buu-后门查杀 下载附件，我们用火绒安全扫一下然后点击详情进入该文件所在文件夹，再用记事本打开该文件，搜索flag无果，再试试pass（由题目中的密码联系到pass，password，key等）&a…...
AI Agent实战：打造京东广告主的超级助手 | 京东零售技术实践
前言 自2022年末ChatGPT的问世，大语言模型（LLM）技术引发全球关注。在大模型技术落地的最佳实践中，智能体（Agent）架构显现出巨大潜力，成为业界的普遍共识，各大公司也纷纷启动Agent技…...
将Google文档导入WordPress：简单实用的几种方法
Google文档是内容创作者非常实用的写作工具。它支持在线编辑、多人协作，并能够自动保存内容。但当我们想把Google文档中的内容导入WordPress网站时，可能会遇到一些小麻烦，比如格式错乱、图片丢失等问题。本文将为大家介绍几种简单实用的方法&…...
Spring的过滤器获取请求体中JSON参数，同时解决Controller获取不到请求体参数的问题。
Spring的过滤器获取请求体中JSON参数，同时解决Controller获取不到请求体参数的问题。 文章目录 前言一、需求场景描述二、原因解析三、自定义 HttpServletRequestWrapper 来保存数据解决Controller获取不到的问题。四、案例(要注意的点) 前言 Spring的过滤器获取请…...
全链路优化：如何让单点登录认证接口并发性能翻倍？
背景 最近针对一个单点登录认证项目进行性能优化，在 8核 16G 环境下的认证并发能力从每秒800次提升至每秒1600次，性能提升一倍，整理此次优化过程中的相关性能优化操作总结和大家分享一下。 Nginx配置优化 在并发认证场景下，Ngi…...
基于大语言模型的推荐系统（1）
推荐系统（recommendation system）非常重要。事实上，搜索引擎，电子商务，视频，音乐平台，社交网络等等，几乎所有互联网应用的核心就是向用户推荐内容，商品，电影&…...
嵌入式八股文（四）计算机网络篇
目录 第一章 基础概念 1. 服务 2. 协议 3. 接口 4. 网络体系结构 5. OSI七层模型 6. TCP/IP四层参考模型 7. 最大传输单元MTU及分片操作 8. 流量控制 9. 数据链路层提供的功能 10. 汇集树 11. 生成树协议 12. 拥塞控制及途径 6. 包调度 7. 隧道 8. 抖动 9. 逆…...
【龙智】Confluence到期日提醒插件Data Center v1.8.0发布：Confluence 9兼容、表格提醒强化，Slack通知升级
还在为Confluence中重要内容的逾期而焦头烂额？ 还在苦于手动核查任务的截止日期？ 不仅效率低下，还时常遗漏关键信息？ 别担心，你的帮手来了！ Confluence到期日提醒插件——由Atlassian全球白金合作伙伴龙…...
Luckfox Pico Max运行RKNN-Toolkit2中的Yolov5 adb USB仿真
1：下载rknn-toolkit2 git clone https://github.com/rockchip-linux/rknn-toolkit2 2：修改onnx目录下的yolov5的test.py的代码 # pre-process config print(--> Config model) rknn.config(mean_values[[0, 0, 0]], std_values[[255, 255, …...
AI IDE - Trae -学习与实践
1.应用场景 主要用于使用AI IDE进行快速的开发，提高开发效率；节约开发时间； 额外话：可以预见搞出来的东西终将取代了我们自身； 2.学习/操作 1.文档阅读 Trae - Ship Faster with Trae -- 官网，下载安装 …...
内外网文件传输 安全、可控、便捷的跨网数据传输方案
一、背景与痛点 在内外网隔离的企业网络环境中，员工与外部协作伙伴（如钉钉用户）的文件传输面临以下挑战： 安全性风险：内外网直连可能导致病毒传播、数据泄露。 操作繁琐：传统方式需频繁切换网络环境&…...
pycharm 调试 debug 进入 remote_sources
解决办法1： pycharm函数跳转到remote_sources中的文件中_pycharm修改remotesource包存放地址-CSDN博客 file->settings->project structure将项目文件夹设为"Sources"（此时文件夹会变为蓝色）。 解决方法2 Debug:使用Pychar…...
Docker国内镜像源部署deepseek
部署deepseek时Docker拉取国内镜像失败可能是由于国内网络环境复杂或镜像源配置不正确导致的。 具体原因可能包括： 网络问题：国内网络环境复杂，可能导致访问国内镜像仓库的速度较慢或无法访问，进而影响Docker镜像的拉取…...
Ubuntu 下 nginx-1.24.0 源码分析 - ngx_os_specific_init函数
ngx_os_specific_init 声明在 src/os/unix/ngx_os.h ngx_int_t ngx_os_specific_init(ngx_log_t *log); 定义在 src\os\unix\ngx_linux_init.c ngx_int_t ngx_os_specific_init(ngx_log_t *log) {struct utsname u;if (uname(&u) -1) {ngx_log_error(NGX_LOG_ALERT, log,…...
C++算法基础笔记
算法学习 C语法字符和字符串输入输出输出控制 字符串拼接和扩充检查字符串是否存在大写、小写字母字符数组换行 C语法 字符和字符串输入输出 在C 中使用如下语法实现对容器中的对象进行遍历，类似于js或python的for in语法 for (element_declaration : container)…...
江苏地区电子行业DeepSeek AI+OdooERP业务升级规划方案
作者：Odoo技术开发/资深信息化负责人 日期：2025年2月22日 一、江苏电子行业现状与痛点分析 行业特点 产业集群效应显著：江苏电子产业以无锡、苏州、南京为核心，形成了涵盖PCB、集成电路、新能源、智能终端等领域的完整产业链&…...
Spring事务原理 二
在上一篇博文《Spring事务原理 一》中，我们熟悉了Spring声明式事务的AOP原理，以及事务执行的大体流程。 本文中，介绍了Spring事务的核心组件、传播行为的源码实现。下一篇中，我们将结合案例，来讲解实战中有关事务的易…...
【实用工具】在 Windows 上使用 JVMS 管理多版本 JDK
文章目录 前言JVMS 的主要功能安装 JVMS初始化 JVMS管理 JDK 版本远程添加（这块比较吃网络，如果不成功可以看下面手动添加）安装指定版本的 JDK查看本地已安装的 JDK 版本切换 JDK 版本 手动添加 JDK 前言 在 Java 开发过程中，针对…...
前端面试-JavaScript 数据类型详解
目录 一、数据类型分类 二、核心区别对比 1. 存储方式 2. 比较方式 3. 类型检测方法 三、特殊类型详解 1. Symbol 2. BigInt 3. null vs undefined 四、常见面试扩展问题 五、总结 一、数据类型分类 JavaScript 数据类型分为 基本数据类型（原始类型&…...
Oracle 连接报错：“ORA-12541：TNS:no listener ”，服务组件中找不到监听服务
一、 报错： navicat连接数据库报错：ORA-12541：TNS:no listener 二、排查问题 三、 解决问题 删除Oracle安装目录下选中的配置：listener.ora 及 listener*.bak相关的 cmd，用管理员打开 执行：netca 命…...
go-micro
一，课程介绍 1，主讲老师: 大地 2，合作网站: www.itying.com 3，我的专栏: https://www.itying.com/category_Z9-b0.html 4,必备基础：学习本教程要有golang和go web基础 5，大地老师Golang入门实战系列教…...
SVN把英文换中文
原文链接：SVN设置成中文版本 都是英文，换中文 Tortoise SVN 安装汉化教程(乌龟SVN) https://pan.quark.cn/s/cb6f2eee3f90 下载中文包...
Ubuntu 下 nginx-1.24.0 源码分析 - ngx_atoi 函数
ngx_atoi 声明在 src/core/ngx_string.h ngx_int_t ngx_atoi(u_char *line, size_t n); 定义在 src/core/ngx_string.c ngx_int_t ngx_atoi(u_char *line, size_t n) {ngx_int_t value, cutoff, cutlim;if (n 0) {return NGX_ERROR;}cutoff NGX_MAX_INT_T_VALUE / 10;cutlim…...
DeepSeek R1/V3满血版——在线体验与API调用
前言：在人工智能的大模型发展进程中，每一次新模型的亮相都宛如一颗投入湖面的石子，激起层层波澜。如今，DeepSeek R1/V3 满血版强势登场，为大模型应用领域带来了全新的活力与变革。 本文不但介绍在线体验 DeepSeek R1/…...
深度学习技术文章质量提升指南（基于CSDN评分算法优化）
一、质量缺陷诊断（基于CSDN质量分V5.0算法） 根据1提供的评分框架，当前文章可能存在的质量短板： 技术深度不足：缺乏具体模型实现细节与数学推导结构完整性缺失：未形成"理论-实践-应用"完整闭环代…...
力扣-回溯-37 解数独
思路 双层递归，而且在传递参数使用&的好处是不用在复制一次样本，浪费时间 class Solution { public:bool isVaild(vector<vector<char>> &board, int row, int cal, char val){for(int i 0; i < 9;i){if(board[row][i] val) …...