昇思25天學習打卡營第9天|MindSpore使用靜態圖加速（基于context的開啟方式）

在Graph模式下，Python代碼并不是由Python解釋器去執行，而是將代碼編譯成靜態計算圖，然后執行靜態計算圖。

在靜態圖模式下，MindSpore通過源碼轉換的方式，將Python的源碼轉換成中間表達IR（Intermediate Representation），并在此基礎上對IR圖進行優化，最終在硬件設備上執行優化后的圖。MindSpore使用基于圖表示的函數式IR，稱為MindIR，詳情可參考中間表示MindIR。

MindSpore的靜態圖執行過程實際包含兩步，對應靜態圖的Define和Run階段，但在實際使用中，在實例化的Cell對象被調用時用戶并不會分別感知到這兩階段，MindSpore將兩階段均封裝在Cell的__call__方法中，因此實際調用過程為：

model(inputs) = model.compile(inputs) + model.construct(inputs)，其中model為實例化Cell對象。

使用Graph模式有兩種方式：一是調用@jit裝飾器修飾函數或者類的成員方法，所修飾的函數或方法將會被編譯成靜態計算圖。jit使用規則詳見jit API文檔。二是設置ms.set_context(mode=ms.GRAPH_MODE)，使用Cell類并且在construct函數中編寫執行代碼，此時construct函數的代碼將會被編譯成靜態計算圖。Cell定義詳見Cell API文檔。

由于語法解析的限制，當前在編譯構圖時，支持的數據類型、語法以及相關操作并沒有完全與Python語法保持一致，部分使用受限。借鑒傳統JIT編譯的思路，從圖模式的角度考慮動靜圖的統一，擴展圖模式的語法能力，使得靜態圖提供接近動態圖的語法使用體驗，從而實現動靜統一。為了便于用戶選擇是否擴展靜態圖語法，提供了JIT語法支持級別選項jit_syntax_level，其值必須在[STRICT，LAX]范圍內，選擇STRICT則認為使用基礎語法，不擴展靜態圖語法。默認值為LAX，更多請參考本文的擴展語法（LAX級別）章節。全部級別都支持所有后端。

  • STRICT: 僅支持基礎語法，且執行性能最佳。可用于MindIR導入導出。

  • LAX: 支持更多復雜語法，最大程度地兼容Python所有語法。由于存在可能無法導出的語法，不能用于MindIR導入導出。

本文主要介紹，在編譯靜態圖時，支持的數據類型、語法以及相關操作，這些規則僅適用于Graph模式。

使用靜態圖加速

背景介紹
AI編譯框架分為兩種運行模式，分別是動態圖模式以及靜態圖模式。MindSpore默認情況下是以動態圖模式運行，但也支持手工切換為靜態圖模式。兩種運行模式的詳細介紹如下：

動態圖模式

動態圖的特點是計算圖的構建和計算同時發生（Define by run），其符合Python的解釋執行方式，在計算圖中定義一個Tensor時，其值就已經被計算且確定，因此在調試模型時較為方便，能夠實時得到中間結果的值，但由于所有節點都需要被保存，導致難以對整個計算圖進行優化。

在MindSpore中，動態圖模式又被稱為PyNative模式。由于動態圖的解釋執行特性，在腳本開發和網絡流程調試過程中，推薦使用動態圖模式進行調試。 如需要手動控制框架采用PyNative模式，可以通過以下代碼進行網絡構建：

%%capture captured_output
# 實驗環境已經預裝了mindspore==2.2.14，如需更換mindspore版本，可更改下面mindspore的版本號
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.PYNATIVE_MODE)  # 使用set_context進行動態圖模式的配置class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)

[[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
…
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]
[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715
-0.0582641 -0.10854103 -0.08558805 0.06099342]]

在這里插入圖片描述

靜態圖模式

相較于動態圖而言，靜態圖的特點是將計算圖的構建和實際計算分開（Define and run）。有關靜態圖模式的運行原理，可以參考靜態圖語法支持。

在MindSpore中，靜態圖模式又被稱為Graph模式，在Graph模式下，基于圖優化、計算圖整圖下沉等技術，編譯器可以針對圖進行全局的優化，獲得較好的性能，因此比較適合網絡固定且需要高性能的場景。

如需要手動控制框架采用靜態圖模式，可以通過以下代碼進行網絡構建：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE)  # 使用set_context進行運行靜態圖模式的配置
?
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)

[[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
…
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]
[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091
0.02790363 0.06269836 0.01838502 0.04387159]]

在這里插入圖片描述

靜態圖模式的使用場景

MindSpore編譯器重點面向Tensor數據的計算以及其微分處理。因此使用MindSpore API以及基于Tensor對象的操作更適合使用靜態圖編譯優化。其他操作雖然可以部分入圖編譯，但實際優化作用有限。另外，靜態圖模式先編譯后執行的模式導致其存在編譯耗時。因此，如果函數無需反復執行，那么使用靜態圖加速也可能沒有價值。

有關使用靜態圖來進行網絡編譯的示例，請參考網絡構建。

靜態圖模式開啟方式

通常情況下，由于動態圖的靈活性，我們會選擇使用PyNative模式來進行自由的神經網絡構建，以實現模型的創新和優化。但是當需要進行性能加速時，我們需要對神經網絡部分或整體進行加速。MindSpore提供了兩種切換為圖模式的方式，分別是基于裝飾器的開啟方式以及基于全局context的開啟方式。

基于裝飾器的開啟方式

MindSpore提供了jit裝飾器，可以通過修飾Python函數或者Python類的成員函數使其被編譯成計算圖，通過圖優化等技術提高運行速度。此時我們可以簡單的對想要進行性能優化的模塊進行圖編譯加速，而模型其他部分，仍舊使用解釋執行方式，不丟失動態圖的靈活性。無論全局context是設置成靜態圖模式還是動態圖模式，被jit修飾的部分始終會以靜態圖模式進行運行。

在需要對Tensor的某些運算進行編譯加速時，可以在其定義的函數上使用jit修飾器，在調用該函數時，該模塊自動被編譯為靜態圖。需要注意的是，jit裝飾器只能用來修飾函數，無法對類進行修飾。jit的使用示例如下：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
?
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
?
@ms.jit  # 使用ms.jit裝飾器，使被裝飾的函數以靜態圖模式運行
def run(x):model = Network()return model(x)
?
output = run(input)
print(output)

[[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
…
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]
[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392
0.10143848 -0.0200909 -0.09724037 0.0114444 ]]

在這里插入圖片描述

除使用修飾器外，也可使用函數變換方式調用jit方法，示例如下：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
?
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
?
def run(x):model = Network()return model(x)
?
run_with_jit = ms.jit(run)  # 通過調用jit將函數轉換為以靜態圖方式執行
output = run(input)
print(output)

[[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
…
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]
[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197
-0.1572069 -0.14151613 -0.04531277 0.07521383]]

在這里插入圖片描述

當我們需要對神經網絡的某部分進行加速時，可以直接在construct方法上使用jit修飾器，在調用實例化對象時，該模塊自動被編譯為靜態圖。示例如下：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
?
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?@ms.jit  # 使用ms.jit裝飾器，使被裝飾的函數以靜態圖模式運行def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
model = Network()
output = model(input)
print(output)

[[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
…
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]
[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117
-0.06813788 0.01986085 0.0216996 -0.05345828]]

在這里插入圖片描述

基于context的開啟方式

context模式是一種全局的設置模式。代碼示例如下：

import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE)  # 使用set_context進行運行靜態圖模式的配置
?
class Network(nn.Cell):def __init__(self):super().__init__()self.flatten = nn.Flatten()self.dense_relu_sequential = nn.SequentialCell(nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))
?def construct(self, x):x = self.flatten(x)logits = self.dense_relu_sequential(x)return logits
?
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)

[[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
…
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]
[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456
0.02748473 -0.19415936 -0.00278988 0.04024826]]

在這里插入圖片描述

靜態圖的語法約束

在Graph模式下，Python代碼并不是由Python解釋器去執行，而是將代碼編譯成靜態計算圖，然后執行靜態計算圖。因此，編譯器無法支持全量的Python語法。MindSpore的靜態圖編譯器維護了Python常用語法子集，以支持神經網絡的構建及訓練。詳情可參考靜態圖語法支持。

JitConfig配置選項

在圖模式下，可以通過使用JitConfig配置選項來一定程度的自定義編譯流程，目前JitConfig支持的配置參數如下：

  • jit_level: 用于控制優化等級。
  • exec_mode: 用于控制模型執行方式。
  • jit_syntax_level: 設置靜態圖語法支持級別，詳細介紹請見靜態圖語法支持。

靜態圖高級編程技巧

使用靜態圖高級編程技巧可以有效地提高編譯效率以及執行效率，并可以使程序運行的更加穩定。

在這里插入圖片描述

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/41396.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/41396.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/41396.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

VSCode遠程服務器

VSCode遠程服務器

一、安裝VSCode Windows安裝Visual Studio Code(VS Code)-CSDN博客 二、VSCode中安裝Remote-SSH插件 1、在應用商店中搜索Remote - SSH并安裝 2、安裝后會出現下面標注的圖標 三、開始SSH連接 1、點擊加號，創建SSH連接 2、輸入地址，格式是：…
閱讀更多...
服務器部署 tomcat mysql nginx配置安裝

服務器部署 tomcat mysql nginx配置安裝

一、安裝配置tomcat 下載并解壓 Tomcat 首先，從 Apache Tomcat 官方網站下載最新版本的 Tomcat。以 Tomcat 9 為例：下載慢的話，也可以本地上傳到root目錄下進行解壓 sudo wget https://dlcdn.apache.org/tomcat/tomcat-9/v9.0.58/bin/apache-tomcat-9.0.58.tar.gz sudo tar …
閱讀更多...
文件打開的系統錯誤分析流程

文件打開的系統錯誤分析流程

當用戶出現“Open file failed”錯誤時，手動產生dump文件。 （1）打開資源管理器，選擇AppNameXXX.exe進程，右擊鼠標選擇“創建轉儲文件” (2) 生成轉儲文件 3.獲取用戶轉儲文件 4.用Visual studio2015打開dump文件分析…
閱讀更多...
人工智能系列-numpy（三）

人工智能系列-numpy（三）

🌈個人主頁：羽晨同學 💫個人格言:“成為自己未來的主人~” 副本和視圖 副本 副本是一個數據的完整的拷貝，如果我們對副本進行修改，它不會影響到原始數據，物理內存不再同一位置。副本一般發生在Pytho…
閱讀更多...
MySQL——statement對象詳解

MySQL——statement對象詳解

JDBC中的statement對象用于向數據庫發送SQL語句，想完成對數據庫的增刪改查，只需要通過這個對象向數據庫發送增刪改查語句即可。 Statement對象的executeUpdate方法，用于向數據庫發送增、刪、改的sql語句，executeUpdate執行完成后…
閱讀更多...
Vue前端打包

Vue前端打包

關于NGINX 介紹:Nginx是一款輕量級的Web服務器/反向代理服務器及電子郵件(IMAP/POP3)代理服務器。其特點是占有內存少，并發能力強，在各大型互聯網公司都有非常廣泛的使用。 NGiMx 官網:https://nginx.org/ conf 配置文件目錄 html靜態資源文件目錄 lo…
閱讀更多...
華為OD面試分享18

華為OD面試分享18

2024年OD統一考試（D卷）完整題庫：華為OD機試2024年最新題庫（Python、JAVA、C++合集） 正文開始 7月3日上午一面 問項目 String變量直接引用和new一個String變量的區別 談談多線程 canel的工作原理 MVC的執行過程 redis怎么用的 編程題-網絡連通區域數量 7月3日晚上二面 編程…
閱讀更多...
html+js+css在線倒計時

html+js+css在線倒計時

代碼在圖片后面 點贊加關注 謝謝大佬照顧&#x1f61c; 圖例 時間到前 時間到后 源代碼 <!DOCTYPE html> <html lang"en"> <head> <meta charset"UTF-8"> <meta name"viewport" content"widthdevice-width,…
閱讀更多...
10.09面試題目記錄

10.09面試題目記錄

艾融軟件 - 線上面試題 排序算法的時間復雜度 O(n^2&#xff09;&#xff1a;冒泡&#xff0c;選擇&#xff0c;插入 O(logn&#xff09;&#xff1a;折半插入排序 O(nlogn)&#xff1a;希爾&#xff0c;歸并&#xff0c;快速&#xff0c;堆 O(nk)&#xff1a;桶&#xff0c;…
閱讀更多...
ListView 的簡單使用及 ArrayAdapter 中參數詳解

ListView 的簡單使用及 ArrayAdapter 中參數詳解

&#x1f604;作者簡介&#xff1a; 小曾同學.com,一個致力于測試開發的博主??&#xff0c;主要職責&#xff1a;測試開發、CI/CD&#xff0c;日常還會涉及Android開發工作。 如果文章知識點有錯誤的地方&#xff0c;還請大家指正&#xff0c;讓我們一起學習&#xff0c;一起…
閱讀更多...
【ARMv8/v9 GIC 系列 5.2 -- GIC 分組介紹：Group 0 |Group 1| Non-Secure Group 1】

【ARMv8/v9 GIC 系列 5.2 -- GIC 分組介紹：Group 0 |Group 1| Non-Secure Group 1】

請閱讀【ARM GICv3/v4 實戰學習 】 文章目錄 GIC Interrupt grouping中斷分組配置寄存器GIC 中斷分組介紹Group 0（安全組0）Group 1（安全組1）Non-Secure Group 1（非安全組1）總結及例子GIC Interrupt grouping ARM GICv3 通過中斷分組機制，與ARMv8異常模型和安全模型進行…
閱讀更多...
一文讓你徹底搞懂什么是CDN

一文讓你徹底搞懂什么是CDN

一、引言 在當今互聯網時代&#xff0c;網站的加載速度和穩定性是用戶體驗的關鍵因素之一。而CDN&#xff08;Content Delivery Network&#xff0c;內容分發網絡&#xff09;作為提升網站性能的重要技術手段&#xff0c;受到了廣泛的關注和應用。本篇博客將深入探討CDN的工作…
閱讀更多...
實現原理：遠程過程調用（RPC）

實現原理：遠程過程調用（RPC）

Hi~&#xff01;這里是奮斗的小羊&#xff0c;很榮幸您能閱讀我的文章&#xff0c;誠請評論指點&#xff0c;歡迎歡迎 ~~ &#x1f4a5;&#x1f4a5;個人主頁&#xff1a;奮斗的小羊 &#x1f4a5;&#x1f4a5;所屬專欄&#xff1a;C語言 &#x1f680;本系列文章為個人學習…
閱讀更多...
墨烯的C語言技術棧-C語言基礎-006

墨烯的C語言技術棧-C語言基礎-006

六.常量 C語言的常量為 字面常量 const修飾的常變量 #define定義的 枚舉常量 int main() { // 四個都是字面常量 30; 3.14; "w"; // 字符常量 "abc"; // const修飾的常變量 const int a 10; // 在C語言中,const修飾的a,本質是變量,但不能直…
閱讀更多...
圖像的灰度直方圖

圖像的灰度直方圖

先來認識一下灰度直方圖&#xff0c;灰度直方圖是圖像灰度級的函數&#xff0c;用來描述每個灰度級在圖像矩陣中的像素個數或者占有率。接下來使用程序實現直方圖&#xff1a; 首先導入所需的程序包&#xff1a; In [ ]: import cv2 import numpy as np import matplotlib…
閱讀更多...
PCA算法降維代碼示例

PCA算法降維代碼示例

這段代碼將數據進行PCA降維至3維&#xff0c;并繪制一個三維散點圖&#xff0c;展示降維后的前3個主成分。 import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.decomposition import PCA from sklearn.preprocessing import StandardS…
閱讀更多...
JAVA 發送短信信息工具類(騰訊云)

JAVA 發送短信信息工具類(騰訊云)

發送短信信息工具類 import cn.hutool.core.collection.CollUtil; import com.tencentcloudapi.common.Credential; import com.tencentcloudapi.common.exception.TencentCloudSDKException; import com.tencentcloudapi.sms.v20210111.SmsClient; import com.tencentcloudapi…
閱讀更多...
pyecharts可視化案例大全（21~30）

pyecharts可視化案例大全（21~30）

pyecharts可視化案例大全（21~30） 二十一、直方圖帶標記線(最大值，平均值等)二十二、折線圖帶自定義標記點二十三、折線圖帶百分號顯示二十四、象形圖自定義圖形二十五、水球圖自定義圖形二十六、GEO添加自定義坐標二十七、GEO 帶漣漪效果散點圖二十八、GEO熱力圖二十九、GEO…
閱讀更多...
關于一致性哈希

關于一致性哈希

什么是一致性哈希&#xff1f; 定義和基本原理 一致性哈希&#xff08;Consistent Hashing&#xff09;是一種哈希算法&#xff0c;廣泛應用于分布式系統中&#xff0c;主要用于解決動態節點變化&#xff08;如節點增加或減少&#xff09;時的數據分布和負載均衡問題。 定義…
閱讀更多...
基于Java中的SSM框架實現野生動物公益保護系統項目【項目源碼+論文說明】計算機畢業設計

基于Java中的SSM框架實現野生動物公益保護系統項目【項目源碼+論文說明】計算機畢業設計

基于Java中的SSM框架實現野生動物公益保護系統演示 摘要 本系統按照網站系統設計的基本流程&#xff0c;遵循系統開發生命周期法和結構化方法&#xff0c;基于Java語言設計并實現了野生動物公益保護系統。該系統基于瀏覽器/服務器模式&#xff0c;采用JSP技術&#xff0c;后臺…
閱讀更多...
最新文章

Copyright @ 2022~2023