当前位置: 首页 > news >正文

【机器学习】—Transformers的扩展应用:从NLP到多领域突破

好久不见!喜欢就关注吧~

云边有个稻草人-CSDN博客

目录

引言

一、Transformer架构解析

(一)、核心组件

(二)、架构图

二、领域扩展:从NLP到更多场景

1. 自然语言处理(NLP)

2. 计算机视觉(Vision Transformers, ViT)

3. 时间序列分析

4. 多模态学习

三、Transformer扩展中的挑战与未来

(一)、挑战

1. 计算复杂性

2. 数据需求

3. 可解释性

(二)、未来趋势

(彩蛋 )                    ————————《初雪》————————


引言

自从Google在2017年提出Transformer架构以来(论文《Attention is All You Need》),这一模型在NLP(自然语言处理)中引发了革命。从BERT到GPT,Transformer的性能在文本生成、分类、翻译等任务中大幅领先传统方法。然而,随着研究的深入,Transformer不再局限于NLP,它在计算机视觉(CV)、时间序列分析、多模态学习等领域的表现同样令人瞩目。

在本篇文章中,我们将深入探讨Transformers的原理、扩展应用以及实现示例。通过4500字的内容,帮助你全面了解这一强大架构如何跨越领域界限,并在多个行业场景中大放异彩。

一、Transformer架构解析

(一)、核心组件

Transformer以自注意力机制(Self-Attention)为核心,消除了传统RNN和LSTM模型的顺序依赖问题,能够高效捕获全局信息。以下是Transformer的主要模块:

1.自注意力机制(Self-Attention)
通过查询(Query)、键(Key)和值(Value)矩阵,计算序列中不同位置的相关性。

2.多头注意力(Multi-Head Attention)
多头注意力在不同子空间中捕获信息,通过并行的方式提升表示能力。

3.位置编码(Positional Encoding)
为弥补序列信息的丢失,位置编码为每个输入Token注入位置信息。

4.前馈神经网络(Feed-Forward Network)
每个编码层中还包括一个简单的全连接网络,用于逐点映射特征。

(二)、架构图

Transformer由堆叠的编码器(Encoder)和解码器(Decoder)组成,编码器提取特征,解码器生成目标序列。

二、领域扩展:从NLP到更多场景

1. 自然语言处理(NLP)

NLP是Transformer的起点,经典应用包括:

  • 文本分类(例如情感分析)
  • 机器翻译(例如Google Translate)
  • 文本生成(例如ChatGPT)

示例代码:文本分类

以下示例使用Hugging Face库对文本进行情感分类:

from transformers import BertTokenizer, BertForSequenceClassification
import torch# 加载预训练的BERT模型和分词器
model_name = "bert-base-uncased"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name, num_labels=2)# 样本数据
texts = ["I love programming.", "I hate bugs."]
labels = torch.tensor([1, 0])  # 1表示正面情感,0表示负面情感# 数据处理
inputs = tokenizer(texts, padding=True, truncation=True, return_tensors="pt")
outputs = model(**inputs, labels=labels)# 获取损失和预测结果
loss = outputs.loss
logits = outputs.logits
print(f"Loss: {loss.item()}, Predictions: {torch.argmax(logits, dim=1)}")

2. 计算机视觉(Vision Transformers, ViT)

在计算机视觉中,传统卷积神经网络(CNN)长期占据主导地位,但Transformer凭借其全局特性逐渐展现优势。Vision Transformer(ViT)是其中的代表模型。

核心思想

  • 将图像分割为固定大小的Patch,每个Patch类似于NLP中的Token。
  • 为每个Patch添加位置编码。
  • 利用Transformer处理这些Patch序列。

示例代码:ViT图像分类

以下是使用预训练ViT模型进行图像分类的示例:

from transformers import ViTForImageClassification, ViTFeatureExtractor
from PIL import Image
import torch# 加载模型和特征提取器
model_name = "google/vit-base-patch16-224"
feature_extractor = ViTFeatureExtractor.from_pretrained(model_name)
model = ViTForImageClassification.from_pretrained(model_name)# 加载并预处理图像
image = Image.open("path/to/image.jpg").convert("RGB")
inputs = feature_extractor(images=image, return_tensors="pt")# 前向传播
outputs = model(**inputs)
logits = outputs.logits
predicted_class = logits.argmax(-1).item()print(f"Predicted class: {predicted_class}")

3. 时间序列分析

时间序列数据(如金融数据、传感器数据)往往具有长时间依赖性。传统方法(如LSTM)难以建模长距离依赖,而Transformer的全局注意力机制非常适合这一任务。

应用场景

  • 股票价格预测
  • 能源消耗预测
  • 医疗监测数据分析

示例代码:时间序列预测

以下实现了一个基于Transformer的时间序列模型:

import torch
from torch import nnclass TimeSeriesTransformer(nn.Module):def __init__(self, input_dim, hidden_dim, nhead, num_layers):super(TimeSeriesTransformer, self).__init__()self.encoder_layer = nn.TransformerEncoderLayer(d_model=hidden_dim, nhead=nhead)self.transformer_encoder = nn.TransformerEncoder(self.encoder_layer, num_layers=num_layers)self.fc = nn.Linear(hidden_dim, 1)def forward(self, src):out = self.transformer_encoder(src)out = self.fc(out[-1])  # 取最后一个时间步的输出return out# 模拟输入数据
src = torch.rand(10, 32, 64)  # [时间步, 批量大小, 特征维度]
model = TimeSeriesTransformer(input_dim=64, hidden_dim=64, nhead=8, num_layers=3)# 预测
output = model(src)
print(output.shape)  # 输出: [批量大小, 1]

4. 多模态学习

多模态学习旨在将不同模态(如文本、图像、音频)结合处理,跨模态任务正在成为研究热点。CLIP(Contrastive Language-Image Pretraining)是一个标志性模型。

CLIP关键点

  • 将图像和文本映射到同一嵌入空间。
  • 通过对比学习优化,使相关图像和文本的嵌入更接近。

示例代码:CLIP跨模态匹配

from transformers import CLIPProcessor, CLIPModel
from PIL import Image# 加载模型和处理器
model_name = "openai/clip-vit-base-patch32"
processor = CLIPProcessor.from_pretrained(model_name)
model = CLIPModel.from_pretrained(model_name)# 图像和文本输入
image = Image.open("path/to/image.jpg")
texts = ["A photo of a cat", "A photo of a dog"]# 数据预处理
inputs = processor(text=texts, images=image, return_tensors="pt", padding=True)# 前向传播
outputs = model(**inputs)
logits_per_image = outputs.logits_per_image
probs = logits_per_image.softmax(dim=-1)print(f"Matching probabilities: {probs}")

三、Transformer扩展中的挑战与未来

(一)、挑战

1. 计算复杂性

Transformer在处理长序列时计算复杂度为 O(n2)O(n^2)O(n2)。如能优化稀疏注意力,将有效缓解这一问题。

2. 数据需求

许多领域缺乏大规模标注数据,可通过迁移学习、自监督学习等方式缓解。

3. 可解释性

Transformer是“黑箱”模型,亟需提高其透明性,尤其在关键领域如医疗和金融。

(二)、未来趋势

  1. 高效Transformer

    • 稀疏注意力(Sparse Attention)
    • 低秩分解(Low-Rank Decomposition)
  2. 自监督学习
    通过挖掘未标注数据的潜力,如SimCLR、MAE。

  3. 跨领域融合
    将Transformer与领域知识相结合,如生物信息学、物理学。

完——


放松一下吧~~~

(彩蛋 )                    ————————《初雪》————————

첫 눈_EXO_高音质在线试听_첫 눈歌词|歌曲下载_酷狗音乐

我是云边有个稻草人

期待与你的下一次相遇!

相关文章:

【机器学习】—Transformers的扩展应用:从NLP到多领域突破

好久不见!喜欢就关注吧~ 云边有个稻草人-CSDN博客 目录 引言 一、Transformer架构解析 (一)、核心组件 (二)、架构图 二、领域扩展:从NLP到更多场景 1. 自然语言处理(NLP) 2…...

Linux权限机制深度解读:系统安全的第一道防线

文章目录 前言‼️一、Linux权限的概念‼️二、Linux权限管理❕2.1 文件访问者的分类(人)❕2.2 文件类型和访问权限(事物属性)✔️1. 文件类型✔️2. 基本权限✔️3. 权限值的表示方法 ❕2.3 文件访问权限的相关设置方法✔️1. ch…...

【数据集】细胞数据集:肿瘤-胎儿重编程的内皮细胞驱动肝细胞癌中的免疫抑制性巨噬细胞(Sharma等人)

引用此数据集: Sharma, Ankur (2020), “Onco-fetal reprogramming of endothelial cells drives immunosuppressive macrophages in Hepatocellular Carcinoma (Sharma et al)”, Mendeley Data, V1, doi: 10.17632/6wmzcskt6k.1 下载地址:Onco-feta…...

LangChain学习笔记(一)-LangChain简介

LangChain学习笔记(一)-LangChain简介 langChain是一个人工智能大语言模型的开发框架,主要构成为下图。 ​ ​ 一、核心模块 (一)模型I/O模块 负责与现有大模型进行交互,由三部分组成: 提…...

【Dubbo03】消息队列与微服务之dubbo-admin 二进制与编译安装

实战案例:二进制安装 dubbo-admin 新版用Golang重构,提供了二进制包,可以直接部署 #下载二进制包 [rootubuntu2204 ~]#wget https://github.com/apache/dubbo-admin/releases/download/0.5.0/apache-dubbo-admin-0.5.0-bin-release.tar.gz …...

常见问题QA的前端代码

这个的后端代码参见此文 使用语言向量建立常见问题的模糊搜索-CSDN博客https://blog.csdn.net/chenchihwen/article/details/144207262?spm1001.2014.3001.5501 这段代码实现了一个简单的问答页面,页面分为左右两部分,左侧用于展示对话记录&#xff0c…...

【Java基础面试题010】Java中的基本数据类型有哪些?

相关知识补充:《Java从入门到精通(JDK17版)》_尚硅谷电子书.pdf Autism_Btkrsr/Blog_md_to_pdf - 码云 - 开源中国 (gitee.com) 回答重点 Java提供了8中基本数据类型 整型: byte:占用1字节,取值范围 -128 到 127short&#x…...

记录部署dvwa靶场踩的几个坑

DVWA reCAPTCHA key: Missing 解决方法:网上随便copy一个,粘贴到config.inc.php配置文件里,具体我也是参考这篇文章的:DVWA下载、安装You dont have permission to access this resource.Server unable to read htaccess file, de…...

【Pytorch】torch.reshape与torch.Tensor.reshape区别

问题引入: 在Pytorch文档中,有torch.reshape与torch.Tensor.reshape两个reshape操作,他们的区别是什么呢? 我们先来看一下官方文档的定义: torch.reshape: torch.Tensor.reshape: 解释: 在p…...

GPT vs Claude到底如何选?

美国当地时间6月20日,OpenAI的“劲敌”Anthropic公司发布了最新模型Claude 3.5 Sonnet。据Anthropic介绍,该模型是Claude 3.5系列模型中的首个版本,也是Anthropic迄今为止发布的“最强大、最智能”的模型。它不仅在性能上超越了竞争对手和自家…...

基于C++实现的(控制台)双人俄罗斯方块小游戏

基于win32控制台应用程序的双人俄罗斯方块小游戏 1. 课题概述 1.1 课题目标和主要内容 使用visual studio 2015在win32控制台应用程序下用多线程实现双人同时进行俄罗斯方块的桌面游戏。最终将要完成的效果如图1.1所示,左右共两片工作区,也是游戏的主…...

Linux-虚拟环境

文章目录 一. 虚拟机二. 虚拟化软件三. VMware WorkStation四. 安装CentOS操作系统五. 在VMware中导入CentOS虚拟机六. 远程连接Linux系统1. Finalshell安装2. 虚拟机网络配置3. 连接到Linux系统 七. 虚拟机快照 一. 虚拟机 借助虚拟化技术,我们可以在系统中&#…...

uniapp开发微信小程序笔记10-触底加载

前言: 触底加载需求描述: 经常在做一些商品列表页的时候,如果一次性加载大量数据会影响性能,一般都是先加载10-20条,等用户向下滑到底部时再加载新的数据并渲染上去。 1、官方提供了一个API:onReachBott…...

Pytest --capture 参数详解:如何控制测试执行过程中的输出行为

--capture 选项用于控制测试用例执行过程中标准输出(stdout)和标准错误输出(stderr)的捕获行为。 --capture 的选项值: fd(默认) 捕获文件描述符级别的输出(stdout 和 stderr&#x…...

JMeter实时性能压测可视化系统整合

一、相关工具简介: JMeter、Grafana 和 InfluxDB 结合实时地收集、分析和展示性能测试数据,进行更好地理解系统的性能表现,及时发现潜在问题并进行优化。 1,JMeter 实时生成性能数据,并将其发送到 InfluxDB 进行存储。2,InfluxDB 存储的数据。3,通过Grafana的仪表板,用…...

USB 声卡全解析:提升音频体验的得力助手

在当今数字化的时代,音频领域的追求愈发多元。无论是热衷聆听高品质音乐的爱好者,还是在专业音频工作中精雕细琢的人士,亦或是在游戏世界里渴望极致音效沉浸的玩家,都始终在寻觅能让音频体验更上一层楼的妙法。而 USB 声卡&#x…...

GoReplay开源工具使用教程

目录 一、GoReplay环境搭建 1、Mac、Linux安装GoReplay环境 二、GoReplay录制与重播 1、搭建练习接口 2、录制命令 3、重播命令 三、GoReplay单个命令 1、常用命令 2、其他命令 3、命令示例 4、性能测试 5、正则表达式 四、gorepaly组合命令 1、组合命令实例 2、…...

Qt开源控件:图像刻度轴绘制器 (附源码)工程项目私信博主

项目简介 图像刻度轴绘制器是一款基于 Qt/C 开发的小型绘图工具,旨在实现带有刻度轴的图像显示功能。该项目主要用于需要精确测量或标注图像坐标的场景。通过左侧和底部的坐标轴以及对应的刻度线,可以直观地了解图像内容在二维空间中的位置。 项目功能 …...

下载 M3U8 格式的视频

要下载 M3U8 格式的视频(通常是 HLS 视频流),可以尝试以下几种方法: 方法 1:使用下载工具(推荐) 1. IDM(Internet Download Manager): 安装 IDM 并启用浏…...

Mock.js的学习使用

Mock.js 介绍:是一个功能强大的JavaScript库,用于模拟接口请求和生成随机数据。 作用: 帮助开发者独立开发、前后端分离快速原型验证测试异常情况增加单元测试的真实性 原理: 通过拦截XMLHttpRequest或fetch等网络请求&#x…...

在 Windows Server 2022 Datacenter 上配置 MySQL 8.0 的主从复制

在 Windows Server 2022 Datacenter 上配置 MySQL 8.0 的主从复制。以下是详细的步骤: 1. 使用 root 用户登录 确保你以 root 用户登录到 MySQL 服务器。 mysql -u root -p输入你的 root 密码后进入 MySQL 命令行界面。 2. 配置主服务器 (master) 2.1 编辑 my.…...

6.1 innoDb逻辑存储结构和架构-简介

InnoDB 是 MySQL 默认的存储引擎,以其强大的事务支持、崩溃恢复能力和高效的数据处理能力广受欢迎。本文从逻辑存储结构、内存架构、磁盘结构到后台线程,逐步剖析 InnoDB 的关键概念,帮助您更好地理解和应用。 1. 逻辑存储结构 InnoDB 的数据…...

论文阅读——量子退火Experimental signature of programmable quantum annealing

摘要:量子退火是一种借助量子绝热演化解决复杂优化问题的通用策略。分析和数值证据均表明,在理想化的封闭系统条件下,量子退火可以胜过基于经典热化的算法(例如模拟退火)。当前设计的量子退火装置的退相干时间比绝热演…...

vue3项目最新eslint9+prettier+husky+stylelint+vscode配置

一、eslint9和prettier通用配置 安装必装插件 ESlint9.x pnpm add eslintlatest -DESlint配置 vue 规则 , typescript解析器 pnpm add eslint-plugin-vue typescript-eslint -DESlint配置 JavaScript 规则 pnpm add eslint/js -D配置所有全局变量 globals pnpm add globa…...

IOS ARKit进行图像识别

先讲一下基础控涧,资源的话可以留言,抽空我把它传到GitHub上,这里没写收积分,竟然充值才能下载,我下载也要充值,牛! ARSCNView 可以理解画布或者场景 1 配置 ARWorldTrackingConfiguration AR追…...

【el-table】表格后端排序

在需要排序的列添加属性 sortable,后端排序,需将sortable设置为custom 如果需要自定义轮转添加 sort-orders 属性,数组中的元素需为以下三者之一:ascending 表示升序,descending 表示降序,null 表示还原为原…...

【iOS】多线程基础

【iOS】多线程基础 文章目录 【iOS】多线程基础前言进程与线程进程进程的状态进程的一个控制结构进程的上下文切换 线程为什么要用线程什么是线程线程和进程的关系线程的上下文切换 线程和进程的优缺点 小结 前言 笔者由于对于GCD不是很了解,导致了项目中网络请求哪…...

c#控制台项目的发布+相对路径的用法(绝对路径下素材丢失问题)

发布 生成 ->发布选定任务 生成了以后,素材需要手动拖过去 文件相对路径...

Keil5配色方案修改为类似VSCode配色

1. 为什么修改Keil5配色方案 视觉习惯:如果你已经习惯了VSCode的配色方案,尤其是在使用ESP-IDF开发ESP32时,Keil5的默认配色可能会让你感到不习惯。减少视觉疲劳:Keil5的默认背景可能过于明亮,长时间使用可能会导致视…...

网络安全框架及模型-PPDR模型

网络安全框架及模型-PPDR模型 概述: 为了有效应对不断变化的网络安全环境,人们意识到需要一种综合性的方法来管理和保护网络安全。因此,PPDR模型应运而生。它将策略、防护、检测和响应四个要素结合起来,提供了一个全面的框架来处理网络安全问题。 工作原理: PPDR模型的…...

Observability:如何在 Kubernetes pod 中轻松添加应用程序监控

作者:来自 Elastic Jack Shirazi•Sylvain Juge•Alexander Wert Elastic APM K8s Attacher 允许将 Elastic APM 应用程序代理(例如 Elastic APM Java 代理)自动安装到 Kubernetes 集群中运行的应用程序中。该机制使用变异 webhook&#xff0…...

solana粗略的学习总结

最近在研究solana 的东西,简单做一下总结,很久没有写文章了。写的不对的地方欢迎评论区或者私信。及时改正。 Solana 架构概述 1.0 核心模块 Solana 的架构包括以下核心模块: Proof of History (PoH):通过时间排序机制优化交易…...

【Pip】完整的 `pip` 配置文件详解:优化你的包管理与环境设置

目录 引言一、pip 配置文件概述1.1 配置文件的位置1.2 配置文件的格式 二、常见配置选项详细说明2.1 设置镜像源2.2 配置超时时间2.3 配置下载缓存2.4 配置安装选项2.5 配置信任主机2.6 配置代理2.7 配置包安装路径 三、pip 配置文件的进阶设置3.1 包源(Channels&am…...

pytorch加载预训练权重失败

问题 给当前模型换了个开源的主干网络,并且删除了某些层后,但是发现预训练权重一直加载不上。strict为True时加载报错,strict为False时又什么都加载不上,然后不知道哪里出问题了。 解决 当strict为False时,load_sta…...

mysql线上问题集合

1、too many connections 连接数量太多,可以先通过以下命令先调整最大连接数,得以连接上mysql进行问题排查。 临时修改: gdb -p mysql进程id -ex "set max_connections500" -batchgdb:这是 GNU 调试器,用于…...

Kafka从指定时间开始消费数据

需求-故障定位:flink消费kafka数据,某个时间点漏数据 背景:kafka数据保留3天,如果第二天,发现程序异常导致数据丢失,需要定位是topic源头无数据,还是程序处理出现异常。 # 1, 设置一个新的gro…...

Android 俩个主题的不同之处 “Theme.AppCompat vs android:Theme.Material.Light.NoActionBar”

这两种主题继承关系有明显的不同,具体区别如下: Theme.AppCompat vs android:Theme.Material.Light.NoActionBar Theme.AppCompat 是 AppCompat 支持库提供的主题,目的是提供向后兼容的支持,适用于较早版本的 Android&#xff08…...

FreeSWITCH mod_conference 的按键会控

又是一篇命题作文 mod_conference 官方文档: https://developer.signalwire.com/freeswitch/FreeSWITCH-Explained/Modules/mod_conference_3965534/ 英文不好的可以看中文: http://www.freeswitch.org.cn/books/references/1.7-mod_conference.html…...

LSTM-CNN-BP-RF-SVM五模型咖喱融合策略混合预测模型

目录 效果一览基本介绍程序设计参考资料 效果一览 基本介绍 LSTM-CNN-BP-RF-SVM五模型咖喱融合策略混合预测模型 Matlab代码注释清晰。 程序设计 完整程序和数据获取方式:私信博主回复LSTM-CNN-BP-RF-SVM五模型咖喱融合策略混合预测模型(Matlab&#…...

LeetCode 64. 最小路径和(HOT100)

第一次错误代码&#xff1a; class Solution { public:int minPathSum(vector<vector<int>>& grid) {int dp[205][205] {0};int m grid.size(),n grid[0].size();for(int i 1 ;i<m;i){for(int j 1;j<n;j){dp[i][j] min(dp[i][j-1],dp[i-1][j])gr…...

SQL基础语法全解析(上篇)

一、基本概念 1. 数据库术语 数据库&#xff08;database&#xff09; - 保存有组织的数据的容器&#xff08;通常是一个文件或一组文件&#xff09;。数据表&#xff08;table&#xff09; - 某种特定类型数据的结构化清单。模式&#xff08;schema&#xff09; - 关于数据库…...

蓝牙定位的MATLAB程序,四个锚点、三维空间

这段代码通过RSSI信号强度实现了在三维空间中的蓝牙定位&#xff0c;展示了如何使用锚点位置和测量的信号强度来估计未知点的位置。代码涉及信号衰减模型、距离计算和最小二乘法估计等基本概念&#xff0c;并通过三维可视化展示了真实位置与估计位置的关系。 目录 程序描述 运…...

vue3-Import declaration conflicts with local declaration of dayjs

同步发布于我的网站 &#x1f680; 概述错误描述 原代码报错信息 原因分析解决方案 修改导入语句使用泛型 代码解释总结 概述 在使用 Vue3 和 dayjs 时&#xff0c;可能会遇到一个常见的错误&#xff1a;“Import declaration conflicts with local declaration of ‘dayjs’…...

node.js基础学习-express框架-静态资源中间件express.static(十一)

前言 在 Node.js 应用中&#xff0c;静态资源是指那些不需要服务器动态处理&#xff0c;直接发送给客户端的文件。常见的静态资源包括 HTML 文件、CSS 样式表、JavaScript 脚本、图片&#xff08;如 JPEG、PNG 等&#xff09;、字体文件和音频、视频文件等。这些文件在服务器端…...

通过waitress启动flask应用

假设你有一个名为 app.py 的文件&#xff0c;app 是指你的 Flask 应用实例。并且在这个文件中创建了一个 Flask 应用实例&#xff0c;那么你可以这样导入和使用它。 示例结构 假设你的项目结构如下&#xff1a; my_flask_app/ │ ├── app.py ├── waitress_server.py └─…...

linux 获取公网流量 tcpdump + python + C++

前言 需求为&#xff0c;统计linux上得上下行公网流量&#xff0c;常规得命令如iftop 、sar、ifstat、nload等只能获取流量得大小&#xff0c;不能区分公私网&#xff0c;所以需要通过抓取网络包并排除私网段才能拿到公网流量。下面提供了一些有效得解决思路&#xff0c;提供了…...

【阅读记录-章节5】Build a Large Language Model (From Scratch)

目录 5. Pretraining on unlabeled data5.1 Evaluating generative text models5.1.1 Evaluating generative text models5.1.2 Calculating the text generation loss评估模型生成文本的质量 5.1.3 Calculating the training and validation set losses 5.2 Training an LLM5.…...

神经网络中的优化方法(一)

目录 1. 与纯优化的区别1.1 经验风险最小化1.2 代理损失函数1.3 批量算法和小批量算法 2. 神经网络中优化的挑战2.1 病态2.2 局部极小值2.3 高原、鞍点和其他平坦区域2.4 悬崖和梯度爆炸2.5 长期依赖2.6 非精确梯度2.7 局部和全局结构间的弱对应 3. 基本算法3.1 随机梯度下降(小…...

输出1~n中能被3整除,且至少有一位数字是5的所有整数.:JAVA

链接&#xff1a;登录—专业IT笔试面试备考平台_牛客网 来源&#xff1a;牛客网 输出1~n中能被3整除&#xff0c;且至少有一位数字是5的所有整数. 输入描述: 输入一行&#xff0c;包含一个整数n。(1 < n < 100000) 输出描述: 输出所有满足条件的数&#xff0c;以换…...

MySQL 主从同步一致性详解

MySQL主从同步是一种数据复制技术&#xff0c;它允许数据从一个数据库服务器&#xff08;主服务器&#xff09;自动同步到一个或多个数据库服务器&#xff08;从服务器&#xff09;。这种技术主要用于实现读写分离、提升数据库性能、容灾恢复以及数据冗余备份等目的。下面将详细…...

农民工的鞋

宽阔明亮接待厅,有一女子步匆匆,经过卫生间门口,脚踢鞋子吃一惊,看着沾满黄泥鞋,不由喃喃问出声:&ldquo;一双鞋子脏兮兮,为何随意丢大厅?&rdquo;这时走来保洁员,言语一出冒火星:&ldquo;是谁这样腌臜人,乱扔破鞋不文明?如此缺德无廉耻,就该电劈五雷轰。…...

泽连斯基准备认清现实了吗?

泽连斯基大抵是熬不过这个严冬,不得不承认没了&ldquo;金主爸爸&rdquo;美国的支持,是等不到&ldquo;乌克兰的春天&rdquo;了。据塔斯社2月5日报道,泽连斯基在接受英国记者采访时说:&ldquo;如今我们无法收复所有领土,我们的想法很现实:我们不能为了一个可…...

太火爆了!倒闭商场为电影《哪吒2》重开电影院

2月2日,河南周口。倒闭商场为哪吒2重开电影院,原本冷清的商场人声鼎沸。拍摄者:商场没开,就电影院开了!...

中方将反制! 一图透视美国为何此时宣布加征关税

2月1日,特朗普签署行政令对来自加拿大和墨西哥进口商品征收25%的关税,对来自中国的商品征收10%的关税。对于美方的错误做法,中方将向世贸组织提起诉讼,并将采取相应反制措施坚定维护自身权益。根据谭主梳理,美国对外国加征关税有7种方式,流程往往需要至少半年的时间。这一…...

孔庆东:侠之大者的现代启示录

侠之大者的现代启示录孔庆东龙蛇交替,石火电光。老衲春节之夜秉烛炮制的粗浅影评《侠骨丹心映九州》,于正月初二黄昏亮相后,没想到两天多的时间,阅读量就突破250万&mdash;&mdash;假如是军队人数,足够横扫欧亚大陆,再一次打到多瑙河畔了。这有点勾起了孔和尚的人来…...

肖志夫∣特朗普:华盛顿撞机事故都是奥巴马和拜登惹的祸

当地时间2025年1月30日,美国白宫网站发表特朗普总统《航空安全即时评估》的声明称:1月29日的撞机事故都是奥巴马和拜登惹的祸,因为他们降低了航空安全标准。声明说,1月29日,一架商用飞机和一架军用直升机在罗纳德&middot;里根华盛顿国家机场附近可怕地相撞。今天,美国…...