当前位置：首页 > news >正文

机器学习——ROC曲线、PR曲线

news 来源：原创 2025/8/24 14:05:20

一、ROC曲线简介

1.1 ROC曲线的构成

1.横轴（假正率，FPR）：

$FPR=FP/(FP+TN)$

表示负样本被错误分类为正的比例（越小越好）

2.纵轴（真正率，TPR，即召回率）：

$TPR=TP/(TP+FN)$

表示正样本被正确识别的比例（越大越好）

3.曲线绘制：通过调整分类阈值（如逻辑回归的概率阈值），计算不同阈值下的（FPR, TPR）点，连接这些点形成曲线

1.2 关键指标：AUC

1.AUC：ROC曲线下的面积，范围在0.5（随机猜测）到1（完美模型）之间

AUC = 0.9：模型有90%的概率将随机正样本排在负样本之前
AUC对类别分布不敏感，适合不平衡数据评估

1.3 ROC曲线的核心作用

1.模型性能比较：AUC越高，模型整体区分能力越强

2.阈值选择：通过曲线形状选择最佳分类阈值（如平衡误诊与漏诊的医疗场景）

3.可视化权衡：曲线越靠近左上角，模型在TPR和FPR间的权衡越好

1.4 ROC vs. 精确率-召回率曲线（PR Curve）

1.ROC：关注整体排序能力，适合类别相对均衡的场景

2.PR Curve：聚焦正类的识别质量（精确率 vs. 召回率），更适合极端类别不平衡（如欺诈检测）

1.5 实例应用

1.医学诊断：调整阈值以降低漏诊（提高TPR）或减少误诊（降低FPR）

2.信用评分：通过AUC评估模型区分高风险/低风险客户的能力

二、PR曲线简介

2.1 PR曲线的构成

1.横轴（召回率，即TPR）：

$Recall=TP/(TP+FN)$

表示正样本被正确识别的比例（关注“漏检”问题）

2.纵轴（精确率）：

$Precision= TP/(TP+FP)$

表示预测为正的样本中实际为正的比例（关注“误检”问题）

3.曲线绘制：通过调整分类阈值（如概率阈值），计算不同阈值下的（Recall, Precision）点，连接这些点形成曲线

2.2 关键指标：AUC-PR

1.AUC-PR：PR曲线下的面积，范围在0（最差）到1（完美模型）之间

类别越不平衡，AUC-PR的评估越敏感。例如，在欺诈检测中，正样本占比仅1%时，AUC-PR比AUC-ROC更有参考价值

2.3 PR曲线的核心作用

1.聚焦正类性能：直接反映模型对正类的识别能力，避免负类数量主导评估结果

2.高不平衡场景：当正样本极少时（如罕见病诊断、欺诈检测），PR曲线比ROC曲线更可靠

3.阈值选择：通过曲线形状选择平衡精确率和召回率的最佳阈值（例如，医疗场景需高召回率，推荐系统需高精确率）

2.4 PR曲线 vs ROC曲线

对比维度	PR曲线	ROC曲线
核心关注点	正类的识别质量（Precision vs. Recall）	整体排序能力（TPR vs. FPR）
使用场景	正样本极少（极端不平衡）	类别相对均衡或关注整体性能
对类别不平衡敏感度	高度敏感	不敏感（因FPR受负类数量影响较小）
AUC解释	AUC-PR越低，模型漏检或误检越严重	AUC-ROC反映整体排序能力

2.5 实例应用

1.罕见病筛查：需高召回率（减少漏诊），允许一定误诊（低精确率）

2.垃圾邮件检测：需高精确率（避免正常邮件被误判为垃圾），可容忍少量漏检（低召回率）

3.推荐系统：平衡精确率（推荐内容相关性）和召回率（覆盖用户兴趣范围）

2.6 注意事项

1.负样本主导时慎用：若负样本占比过高（如99%），PR曲线可能波动较大，需结合其他指标（如F1分数）

2.随机基线的差异：ROC曲线的随机基线是AUC=0.5，而PR曲线的随机基线为：

$随机模型AUC-PR = 正样本比例 / (正样本比例 + 负样本比例)$

例如正样本占1%，随机模型的AUC-PR ≈ 0.01

三、代码实现

1.导入所需要的包

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_curve, auc, precision_recall_curve, average_precision_score

2.加载数据集，进行训练

 随机生成数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 使用随机森林分类器进行训练
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)# 获取预测结果
y_pred_proba = clf.predict_proba(X_test)[:, 1]

3.计算ROC曲线和PR曲线

# 计算ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
roc_auc = auc(fpr, tpr)# 计算PR曲线
precision, recall, _ = precision_recall_curve(y_test, y_pred_proba)
average_precision = average_precision_score(y_test, y_pred_proba)

4.绘制ROC曲线和PR曲线

# 绘制ROC曲线
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (area = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend(loc="lower right")# 绘制PR曲线
plt.subplot(1, 2, 2)
plt.plot(recall, precision, color='blue', lw=2, label=f'PR curve (AP = {average_precision:.2f})')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall (PR) Curve')
plt.legend(loc="best")# 显示图像
plt.tight_layout()
plt.show()

四、曲线可视化展示

4.1 曲线截图

4.2 图像分析

1.ROC曲线分析

ROC曲线：展示了分类模型在不同阈值下的真阳性率（TPR）与假阳性率（FPR）之间的关系。
曲线下的面积（AUC）：图中显示AUC为0.92，表示模型具有很高的区分能力。AUC值越接近1，模型性能越好。
对角线：图中的虚线表示随机猜测的模型性能，曲线越远离这条线，模型性能越好。

2.PR曲线分析

PR曲线：展示了分类模型在不同阈值下的精确率（Precision）与召回率（Recall）之间的关系。
平均精确率（AP）：图中显示AP为0.94，表示模型在不同召回率下的精确率平均值很高，说明模型在处理不平衡数据集时表现良好。
曲线形状：曲线越靠近左上角，模型性能越好。图中曲线在大部分区域都保持较高的精确率，说明模型在不同召回率下都能保持较高的精确度。

3.总结

这两个图表明该模型在分类任务中表现优异，具有很高的区分能力和精确度。
ROC曲线适合评估模型的整体性能，而PR曲线更适合评估模型在不平衡数据集上的表现

机器学习——ROC曲线、PR曲线

一、ROC曲线简介 1.1 ROC曲线的构成 1.横轴（假正率，FPR）： 表示负样本被错误分类为正的比例（越小越好） 2.纵轴（真正率，TPR，即召回率）： 表示正样…...

编程日记 2025/8/24 14:05:20

目录： 1、点击事件标准案例1.1、效果图2.1、代码实现 1、点击事件标准案例 1.1、效果图 2.1、代码实现 class FavoriteWidget extends StatefulWidget {const FavoriteWidget({super.key});overrideState<FavoriteWidget> createState() > _FavoriteWidge…...

编程日记 2025/8/21 15:22:24

深入解析Spring Boot自动装配：原理、设计与最佳实践

引言 Spring Boot作为现代Java开发中的一股清流，凭借其简洁、快速和高效的特性，迅速赢得了广大开发者的青睐。而在Spring Boot的众多特性中，自动装载（Auto-configuration）无疑是最为耀眼的明珠之一。本文将深入剖析Sp…...

编程日记 2025/8/24 5:59:15

【责任链】模式解决流程中多个接口的流程问题

业务需求整体流程有5步骤，每个步骤调用一个接口，每个接口成功才能进行下一步。如a->b->c->d->e， 比如入学报到 a：报班，根据名字生成学号uid b：根据学号分配班级获取班级编号cid c&#xff1a…...

编程日记 2025/8/23 14:10:05

excel常见错误包括（#N/A、#VALUE!、#REF!、#DIV/0!、#NUM!、#NAME?、#NULL! ）

目录 1. #N/A2. #VALUE!3. #REF!4. #DIV/0!5. #NUM!6. #NAME?7. #NULL!8.图表总结在 Excel 中，可能会遇到以下常见的错误值，每个都有特定的含义和成因： 1. #N/A 含义： 表示“Not Available”（不可用）。…...

编程日记 2025/8/20 9:19:02

【湖南大学】2025我们该如何看待DeepSeek

大家好，我是樱木。 DeepSeek 官方网站：https://www.deepseek.com/ 一、DeepSeek 到底是什么？ TA 到底厉害在哪里？ 故事从 ChatGPT 说起去年我们看到 Open AI 发布ChatGPT 后，全球的注意力到了 AI 身上。我们来拆…...

编程日记 2025/8/23 12:45:59

RAG中构建个人知识库

1. 添加本地模型 1.1 查看本地模型 ollama list1.2 ragflow添加本地模型 1.3 系统模型配置 2. 构建知识库 2.1 准备知识库素材 2.2 配置知识库 2.3 知识库绑定素材文件上传文件素材 - 解析文件 3. 构建交互系统 3.1 配置助理 3.2 完善提示词 3.3 设置模型参数 4. 体验效…...

编程日记 2025/8/23 15:54:19

在 Kubernetes (k8s) 中，apiserver 的 IIP和 VIP的区别

在 Kubernetes (k8s) 中，apiserver 的 IIP（Internal IP） 和 VIP（Virtual IP） 是与集群网络通信和高可用性设计相关的两个重要概念。 IIP（Internal IP） 定义： IIP 是 apiserver 所在…...

编程日记 2025/8/22 7:02:05

OpenCV--图像形态学

在图像处理领域，图像形态学是一种基于形状进行图像分析的有力工具，广泛应用于图像分割、特征提取、边缘检测、图像降噪等多个方面。借助 OpenCV 这个强大的计算机视觉库，我们可以轻松实现各种图像形态学操作。本文将深入探讨图像形态学的基本…...

编程日记 2025/8/20 2:26:35

智慧医疗数据集

WiNGPT2 更新时间：2024-11-29 访问地址: GitHub 描述： WiNGPT是一个基于GPT的医疗垂直领域大模型，旨在将专业的医学知识、医疗信息、数据融会贯通，为医疗行业提供智能化的医疗问答、诊断支持和医学知识等信息服务，…...

编程日记 2025/8/20 1:53:13

3D激光轮廓仪知识整理(待补充)

文章目录 1.原理和应用场景1.1 相机原理1.1.1 测量原理1.1.2 相机激光器1.1.3 沙姆镜头1.1.4 相机标定1.1.5 中心线提取 1.2 应用场景1.2.1 测量相关应用1.2.2 缺陷检测相关易用 2.相机参数介绍及选型介绍2.1 成像原理2.2 原始图成像2.3 生成轮廓图2.4 相机规格参数2.4.1 单轮廓…...

编程日记 2025/8/21 13:47:53

算法思想之双指针

文章目录双指针字符串序列判定字符串所有整数最小和服务交换接口失败率分析分披萨最多团队双指针双指针是指在解决问题时使用两个指针，通常分别指向数组或字符串中的不同位置，通过移动这两个指针来解决问题的一种技巧。双指针技巧常用于解决数组、链…...

编程日记 2025/8/22 10:07:54

Windows环境下PyCharm 配置miniforge

问题描述. 目前Anconda python 环境管理软件，已非常臃肿。为了替代该软件，可以使用miniforge软件来代替。 1. 安装windows miniforge软件 (1) 下载网站：https://github.com/conda-forge/miniforge?tabreadme-ov-file 从网址下载&#xff…...

编程日记 2025/8/20 10:41:33

C语言基础18

内容提要构造类型结构体共用体/联合体枚举 typedef 构造类型数据类型基本类型/基础类型整型短整型：short [int] -- 2字节基本整型：int -- 4字节长整型：long [int] -- 32位4字节/64位8字节长长整型：long long…...

编程日记 2025/8/23 23:50:27

Docker部署Jenkins服务

文章目录 1.下载Jenkins服务2.部署Java21（可选）2.1 安装Java21 3.Maven3.9.9安装4.启动Jenkins5.初始化Jenkins5.1 入门5.2 安装推荐的插件5.3 创建第一个管理员用户5.4 实例配置5.5 Jenkins已就绪5.6 开始使用Jenkins5.7 重启Jenkins 6.配置Jenkins6.1 …...

编程日记 2025/8/22 21:53:56

【题解-Acwing】798. 差分矩阵

题目：798. 差分矩阵题目描述输入一个n行m列的整数矩阵，再输入q个操作，每个操作包含五个整数 x1,y1,x2,y2,c，其中 (x1,y1)和 (x2,y2)表示一个子矩阵的左上角坐标和右下角坐标。每个操作都要将选中的子矩阵中的每个元素的值加…...

编程日记 2025/8/21 5:08:42

linux环境下的硬盘分区格式化工具介绍 fdisk,gdisk,parted,cfdisk,cgdisk,sfdisk,gparted 笔记250407

linux环境下的硬盘分区格式化工具介绍 fdisk,gdisk,parted,cfdisk,cgdisk,sfdisk,gparted 笔记250407 以下是 Linux 系统中常用的硬盘分区与格式化工具，涵盖命令行和图形界面工具，按功能分类整理： 一、分区管理工具 1. 命令行工具工具功能…...

编程日记 2025/8/22 12:36:21

Ubuntu 24.04 LTS系统安装RTX 4090显卡驱动和cuda并部署ollama下载DeepSeek模型【自用详细版】

自己捣鼓玩玩哈，正好有机子 1. 安装驱动前的系统配置工作卸载原有驱动并禁用nouveau sudo apt remove --purge nvidia*sudo cp /etc/modprobe.d/blacklist.conf /etc/modprobe.d/blacklist.conf.backup //备份文件sudo vim /etc/modprobe.d/blacklist.conf //修…...

编程日记 2025/8/21 1:56:06

FogFL: Fog-Assisted Federated Learning for Resource-Constrained IoT Devices

摘要提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 -在本文中，我们提出了一个支持雾的联邦学习框架–FogFL–来促进资源受限的物联网环境中延迟敏感应用的分布式学习。联邦学习（FL）是一种流行的分…...

编程日记 2025/8/22 20:05:47

音视频入门基础：RTCP专题（2）——RTCP协议简介（上）

一、引言本文对RTCP协议进行简介。在简介之前，请各位先下载RTCP的官方文档《RFC 3550》。《RFC 3550》总共有89页。本文下面所说的“页数”是指在pdf阅读器中显示的页数： 二、RTCP协议简介本段内容对应《RFC 3550》的第6节。根据《RFC 3550》第17页&…...

编程日记 2025/8/23 6:34:46

oklink js逆向（入口定位）

分析api请求，定位参数 X-Apikey 搜索关键字apikey，发现结果太多结合搜索结果，搜索关键字 apikey(，只找到5个断点后定位可见使用了字符串混淆，所以搜索不到 x-apikey 还可以通过搜索 headers，追踪调用栈的…...

编程日记 2025/8/22 20:52:21

go原子操作和锁的区别是什么？

在Go语言中，原子操作和锁都是用于实现并发编程的同步机制，但它们的工作方式和适用场景有所不同。下面是它们的主要区别： 1. 原子操作（Atomic Operations） 定义：原子操作是一种不可分割的操作，…...

编程日记 2025/8/21 13:45:31

QtConcurrent

以下是 QtConcurrent 的一些常见用法示例： QtConcurrent::run QtConcurrent::run 是最常用的函数，用于在单独的线程中运行一个函数。运行普通函数 #include <QtConcurrent> #include <QDebug> #include <QThread>void myFunction…...

编程日记 2025/8/19 2:54:42

Git 仓库在内网与 Gitee 间迁移及同步记录

Git 仓库在内网与 Gitee 间迁移及同步记录在软件开发过程中，常常会遇到需要将代码仓库进行迁移或同步的情况。近期我就碰到了要把 Gitee 代码仓库移植到内网代码仓库，并且后续还得进行同步的需求。这里把整个过程记录下来，方便以后自己参考…...

编程日记 2025/8/24 2:04:41

如何保证mysql和redis的数据一致性

保证 MySQL 和 Redis 的数据一致性是分布式系统中常见的挑战，因为 Redis 作为缓存层，可能存在与底层数据库数据不一致的情况。以下是几种常用的方案及其优缺点对比： 1. 缓存更新策略 (1) Cache-Aside Pattern（旁路缓存模式&#…...

编程日记 2025/8/21 22:13:41

Java学习——day23(反射的对象创建与方法调用)

文章目录 1. 使用反射实例化对象1.1 利用无参构造函数创建对象1.2利用带参构造函数创建对象 2.通过反射调用对象方法2.1 调用公共方法2.2 调用私有方法（需设置访问权限）3. 访问和修改对象的属性3.1 公共属性3.2 私有属性 4. 实践任务4.1工厂类 SimpleFac…...

编程日记 2025/8/17 22:13:07

遇到无法连接香港服务器可能是什么原因导致的呢

遇到无法连接香港服务器的情况时，别急着重启或联系客服，先搞清楚到底是哪里断了链条。问题可能出在服务器本身，也可能是你的本地网络、路由路径、DNS、甚至运营商的“干预”。以下是常见的几个可能原因，建议你可以逐一排查&#x…...

编程日记 2025/8/23 12:06:32

Python----计算机视觉处理（Opencv:道路检测完整版：透视变换，提取车道线，车道线拟合，车道线显示，）

Python----计算机视觉处理（Opencv:道路检测之道路透视变换) Python----计算机视觉处理（Opencv:道路检测之提取车道线） Python----计算机视觉处理（Opencv:道路检测之车道线拟合） Python----计算机视觉处理&#xff0…...

编程日记 2025/8/20 15:55:07

javaweb自用笔记：Maven分模块设计与开发、Maven继承与聚合、Maven私服

Maven分模块设计与开发 Maven继承与聚合继承版本锁定 dependencies引入依赖，dependencyManagement不代表依赖被引入，如果要使用dependencyManagement下的依赖，还需要在dependencies里面定义聚合如果没有用聚合，将这个项目打…...

编程日记 2025/8/23 14:49:22

在PyCharm中出现全角字符与非英文符号混合输入的问题

在PyCharm中出现全角字符与非英文符号混合输入的问题（如 １２４３４５ｄｆｓ＄￥ｃｖｄ）&#xff0…...

编程日记 2025/8/23 16:40:57

数字身份DID协议：如何用Solidity编写去中心化身份合约

本文提出基于以太坊的自主主权身份（SSI）实现方案，通过扩展ERC-734/ERC-735标准构建链上身份核心合约，支持可验证声明、多密钥轮换、属性隐私保护等特性。设计的三层架构体系将身份控制逻辑与数据存储分离，在测试网环境…...

编程日记 2025/8/24 8:17:37

Linux的RPM包管理详解

Linux的RPM包管理详解引言 RPM（Red Hat Package Manager）是Linux系统中一种重要的软件包管理工具，它以“.rpm”为扩展名，广泛应用于基于Red Hat的Linux发行版，如CentOS、Fedora、openSUSE等。RPM包不仅简化了软件包…...

编程日记 2025/8/21 17:05:47

其它理论原则

ABC理论假设（Assumption）影响行为（Behavior），行为最终影响结果（Consequence）。如果产品经理认为同事是一个不讲道理的人，那么产品经理在和他交流时就会产生抵触的行为&#xff0c…...

编程日记 2025/8/24 9:31:52

C++中的类和对象（上）

1 类的定义 1.1 类定义的格式 1 class为定义类的关键字，Stack为类的名字，{}中为类的主体，注意类定义结束时后面分号不能省略》。类体中内容称为类的成员：类中的变量称为类的属性或成员变量; 类中的函数称为类的方法或者成员函数…...

编程日记 2025/8/17 22:14:05

LLaMA-Factory 数据集成从入门到精通

一、框架概述 LLaMA-Factory 框架通过Alpaca/Sharegpt双格式体系实现多任务适配，其中Alpaca专注结构化指令微调（含SFT/DPO/预训练），Sharegpt支持多角色对话及多模态数据集成。核心配置依托 dataset_info.json 实现数据源映射、格…...

编程日记 2025/8/23 22:07:26

高级：JVM面试题深度剖析

一、引言在Java技术面试中，JVM（Java虚拟机）相关知识是考察重点之一。深入理解JVM的内存模型、垃圾回收机制、类加载机制等，不仅能帮助开发者优化Java应用性能，还能在面试中展现深厚的技术功底。本文将针对这些高频知…...

编程日记 2025/8/22 1:20:44

Spring MVC 中 @ResponseBody 注解深度使用教程

一、注解核心作用 ResponseBody 是 Spring MVC 中处理响应体内容的核心注解，主要功能： 跳过视图解析器：直接返回数据而非视图名称自动数据转换：根据返回值类型自动转换响应格式（JSON/XML/纯文本）RESTfu…...

编程日记 2025/8/23 12:20:37

数据结构第一轮复习--第七章查找（包含课程代码）

基于数组实现顺序查找代码 //顺序查找的实现 typedef struct{ //查找表的数据结构（顺序表） ElemType *elem; //指向开辟的动态数组基址 （起始地址） int TableLen; //表的长度 }SSTable; //顺序查找 int Search_Seq(SSTable ST…...

编程日记 2025/8/21 10:12:12

Springboot JPA 集成ShardingSphere

Spring Boot集成JPA与ShardingSphere可通过以下步骤实现分库分表功能，需重点关注依赖配置、分片规则定义及JPA适配问题： 一、依赖配置 1‌. 引入核心依赖‌ 在pom.xml中添加ShardingSphere和JPA相关依赖： <!-- ShardingSphere JDBC --&…...

编程日记 2025/8/24 13:14:24

详细介绍javaspringboot操控redis的高级特性1. 事务支持2. 发布/订阅3. Pipeline批量操作

Spring Boot 对 Redis 的操作提供了丰富的高级特性，以下是对事务支持、发布 / 订阅、Pipeline 批量操作的详细介绍： 事务支持原理：Redis 事务是一个单独的隔离操作，它可以包含多个命令，这些命令要么全部执行&#x…...

编程日记 2025/8/24 7:22:56

第一次3D打印，一个简单的小方块（Rhino）

一、建模打开犀牛，我们选择立方体我们点击上册的中心点输入0，然后回车0 而后我们输长度：10，回车确认同样的，宽度10 高度同样是10 回车确认后，我们得到一个正方形二、导出模型我们选择文件—>保存…...

编程日记 2025/8/17 23:25:02

数据分享：汽车测评数据

说明：如需数据可以直接到文章最后关注获取。 1.数据背景 Car Evaluation汽车测评数据集是一个经典的机器学习数据集，最初由 Marko Bohanec 和 Blaz Zupan 创建，并在 1997 年发表于论文 "Classifier learning from examples: Common …...

编程日记 2025/8/22 23:01:17

硬盘分区格式之GPT（GUID Partition Table）笔记250406

硬盘分区格式之GPT（GUID Partition Table）笔记250406 GPT（GUID Partition Table）硬盘分区格式详解 GPT（GUID Partition Table）是替代传统 MBR 的现代分区方案，专为 UEFI（统一可扩展固…...

编程日记 2025/8/19 2:54:48

辉视智慧医院：以科技温度重塑医疗未来新生态

大家是否想过，医院里的广播对讲系统也能变身‘智慧管家’？今天带您走进辉视智慧医院，看看他们如何用四大黑科技，让医患沟通更暖心、更高效！ 一、物联网技术：医疗设备‘开口说话’，广播系统秒变‘…...

编程日记 2025/8/24 2:04:42

Google 发布 Sec-Gemini v1：用 AI 重塑网络安全防御格局？

在网络威胁日益复杂化、自动化程度不断提高的今天，防御方常常感到力不从心。为了扭转这一局面，Google 近日迈出了重要一步，宣布推出专为网络安全领域量身打造的实验性 AI 模型——Sec-Gemini v1。该模型由 Google 内部的 Sec-Gemini 团队成员…...

编程日记 2025/8/22 17:52:57

Android 使用ninja加速编译的方法

ninja的简介随着Android版本的更迭，makefile体系逐渐增多，导致make单编模块的时间越来越长，每次都需要半个小时甚至更长时间，其原因为每次make都会重新加载所有mk文件，再生成ninja编译，此完整过程十分耗时…...

编程日记 2025/8/24 13:18:30

windterm终端软件使用

windterm终端软件使用下载安装包：https://github.com/kingToolbox/WindTerm/releases ssh连接： 可以复用vscode连接ssh信息 onekey 相当于服务器主机的用户名和密码点击配置标签如Linux，输入用户名如root, identity file指定本地公钥&a…...

编程日记 2025/8/22 1:17:29

《操作系统真象还原》第六章——完善内核

文章目录 [toc]前言调用约定和混合编程调用约定混合编程实现打印函数print.S显卡的端口控制实现单个字符打印put_char定义数据类型put_char编码修改内核main.c验证put_char 实现字符串打印put_str 结语前言学完上一章后，我们已经完成了一个操作系统最基本的三个…...

编程日记 2025/8/19 13:57:49

上海餐饮市场数据分析与可视化

上海作为中国的经济中心和国际化大都市，其餐饮市场具有高度的多样性和竞争性。随着消费者需求的不断变化，餐饮行业的从业者和投资者需要深入了解市场现状和趋势，以便制定更有效的商业策略。本文将通过数据分析和可视化技术，深入探讨上海餐饮市场的现状和趋势，为餐饮从业者…...

编程日记 2025/8/22 1:10:00

不花钱也能玩GPT-4o，国内可用

家人们！最近GPT-4o生图功能真的离谱到不真实，各种吉卜力、宫崎骏、3D风格等刷爆小红书。由于只有GPT官网，只有Plus用户才能用，很多小伙伴们都没有机会体验过GPT，本期就分享一个国内也能直接玩的方法。第一步&#x…...

编程日记 2025/8/23 18:25:02