動手學深度學習（Pytorch版）代碼實踐 -循環神經網絡-54~55循環神經網絡的從零開始實現和簡潔實現

54循環神經網絡的從零開始實現

在這里插入圖片描述

import math
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
import matplotlib.pyplot as plt
import liliPytorch as lp# 讀取H.G.Wells的時光機器數據集
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)# 查看數據集
# for X, Y in train_iter:
#     print('X:', X.shape)
#     print('Y:', Y.shape)
# print(vocab.token_freqs)
# print(vocab.idx_to_token)
# print(vocab.token_to_idx)# 獨熱編碼
# 將每個索引映射為相互不同的單位向量： 假設詞表中不同詞元的數目為N（即len(vocab)）， 詞元索引的范圍為0
# 到N-1。 如果詞元的索引是整數i， 那么我們將創建一個長度為N的全0向量， 并將第i處的元素設置為1。 
# 此向量是原始詞元的一個獨熱向量。
# print(F.one_hot(torch.tensor([0,3,6]), len(vocab)))
"""
tensor([[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,        0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,        0, 0, 0, 0]])
"""# 每次采樣的小批量數據形狀是二維張量： （批量大小，時間步數）。 
# one_hot函數將這樣一個小批量數據轉換成三維張量， 張量的最后一個維度等于詞表大小（len(vocab)）。
# 我們經常轉換輸入的維度，以便獲得形狀為 （時間步數，批量大小，詞表大小）的輸出。 
# 這將使我們能夠更方便地通過最外層的維度， 一步一步地更新小批量數據的隱狀態。# X = torch.arange(10).reshape((2, 5))
# print(X)
# tensor([[0, 1, 2, 3, 4],
#         [5, 6, 7, 8, 9]])
# print(X.T)
# tensor([[0, 5],
#         [1, 6],
#         [2, 7],
#         [3, 8],
#         [4, 9]])
# print(F.one_hot(X.T, 28).shape) # torch.Size([5, 2, 28])
# print(F.one_hot(X.T, 28))
"""
tensor([[[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0]],[[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0]],[[0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0]],[[0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0]],[[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0]]])
"""# 初始化模型參數
def get_params(vocab_size, num_hiddens, device):# 設置輸入和輸出的數量為詞匯表的大小num_inputs = num_outputs = vocab_size# 定義一個函數，用于以正態分布初始化權重def normal(shape):return torch.randn(size=shape, device=device) * 0.01# 初始化隱藏層參數W_xh = normal((num_inputs, num_hiddens))  # 輸入到隱藏層的權重W_hh = normal((num_hiddens, num_hiddens))  # 隱藏層到隱藏層的權重（循環權重）b_h = torch.zeros(num_hiddens, device=device)  # 隱藏層的偏置# 初始化輸出層參數W_hq = normal((num_hiddens, num_outputs))  # 隱藏層到輸出層的權重b_q = torch.zeros(num_outputs, device=device)  # 輸出層的偏置# 將所有參數收集到一個列表中params = [W_xh, W_hh, b_h, W_hq, b_q]# 設置每個參數的requires_grad屬性為True，以便在反向傳播期間計算梯度for param in params:param.requires_grad_(True)return params  # 返回參數列表# 循環神經網絡模型
# 初始化時返回隱狀態
def init_rnn_state(batch_size, num_hiddens, device):# batch_size：批量的大小，即每次輸入到RNN的序列數量。# num_hiddens：隱藏層單元的數量，即隱藏狀態的維度。return (torch.zeros((batch_size, num_hiddens), device=device), ) # 返回一個包含一個張量的元組def rnn(inputs, state, params):# inputs的形狀：(時間步數量，批量大小，詞表大小)# state：初始隱藏狀態，通常是一個元組，包含隱藏層的狀態。# params：RNN的參數，包含權重和偏置。W_xh, W_hh, b_h, W_hq, b_q = paramsH, = state # 當前的隱藏狀態。outputs = []# X的形狀：(批量大小，詞表大小)for X in inputs:H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h)Y = torch.mm(H, W_hq) + b_qoutputs.append(Y)return torch.cat(outputs, dim=0), (H,)# 存儲從零開始實現的循環神經網絡模型的參數
class RNNModelScratch: #@save"""從零開始實現的循環神經網絡模型"""def __init__(self, vocab_size, num_hiddens, device,get_params, init_state, forward_fn):self.vocab_size, self.num_hiddens = vocab_size, num_hiddensself.params = get_params(vocab_size, num_hiddens, device)self.init_state, self.forward_fn = init_state, forward_fndef __call__(self, X, state): # 前向傳播方法X = F.one_hot(X.T, self.vocab_size).type(torch.float32)return self.forward_fn(X, state, self.params)def begin_state(self, batch_size, device): # 初始化隱藏狀態return self.init_state(batch_size, self.num_hiddens, device)# X = torch.arange(10).reshape((2, 5))
num_hiddens = 512
# net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
#                       init_rnn_state, rnn)
# state = net.begin_state(X.shape[0], d2l.try_gpu()) # 初始化隱藏狀態
# 調用模型實例的 __call__ 方法執行前向傳播。
# Y, new_state = net(X.to(d2l.try_gpu()), state)
# Y：模型輸出。
# new_state：更新后的隱藏狀態。# print(Y.shape, len(new_state), new_state[0].shape)
# torch.Size([10, 28]) 1 torch.Size([2, 512])
# 輸出形狀是（時間步數 X 批量大小，詞表大小）， 而隱狀態形狀保持不變，即（批量大小，隱藏單元數)def predict_ch8(prefix, num_preds, net, vocab, device):  #@save"""在prefix后面生成新字符prefix：生成文本的前綴，即初始輸入字符序列。num_preds：要預測的字符數。net：訓練好的循環神經網絡模型。vocab：詞匯表，包含字符到索引和索引到字符的映射。"""state = net.begin_state(batch_size=1, device=device)outputs = [vocab[prefix[0]]] # outputs：用于存儲生成字符的索引列表。get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))for y in prefix[1:]:  # 預熱期,遍歷前綴中的剩余字符（從第二個字符開始）。_, state = net(get_input(), state) # 調用 net 進行前向傳播，更新隱藏狀態 state。outputs.append(vocab[y]) # 將當前字符的索引添加到 outputs 中。for _ in range(num_preds):  # 預測num_preds步# 調用 net 進行前向傳播，獲取預測結果 y 和更新后的隱藏狀態 state。y, state = net(get_input(), state)# 使用 y.argmax(dim=1) 獲取預測的字符索引，并將其添加到 outputs 中。outputs.append(int(y.argmax(dim=1).reshape(1)))return ''.join([vocab.idx_to_token[i] for i in outputs])# print(predict_ch8('time traveller ', 10, net, vocab, d2l.try_gpu()))
# time traveller cfjwsthaqc# 梯度裁剪
"""
在訓練深層神經網絡（特別是循環神經網絡）時，梯度爆炸（gradients exploding）問題會導致梯度值變得非常大，
從而導致模型不穩定甚至訓練失敗。為了防止梯度爆炸，可以對梯度進行裁剪，使得梯度的范數不超過某個預設的閾值。
"""
def grad_clipping(net, theta):  #@save"""裁剪梯度net：神經網絡模型。theta：梯度裁剪的閾值。"""if isinstance(net, nn.Module):params = [p for p in net.parameters() if p.requires_grad]else:params = net.params# 計算梯度范數, L2 范數norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))if norm > theta:for param in params:param.grad[:] *= theta / norm# 將每個參數的梯度按比例縮放，使得新的梯度范數等于 theta。# 訓練
def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):"""訓練網絡一個迭代周期（定義見第8章）"""state, timer = None, d2l.Timer()metric = lp.Accumulator(2)  # 訓練損失之和,詞元數量for X, Y in train_iter:if state is None or use_random_iter:# 在第一次迭代或使用隨機抽樣時初始化statestate = net.begin_state(batch_size=X.shape[0], device=device)else:if isinstance(net, nn.Module) and not isinstance(state, tuple):# state對于nn.GRU是個張量state.detach_()else:# state對于nn.LSTM或對于我們從零開始實現的模型是個張量for s in state:s.detach_()y = Y.T.reshape(-1)X, y = X.to(device), y.to(device)y_hat, state = net(X, state)l = loss(y_hat, y.long()).mean()if isinstance(updater, torch.optim.Optimizer):updater.zero_grad()l.backward()grad_clipping(net, 1)updater.step()else:l.backward()grad_clipping(net, 1)# 因為已經調用了mean函數updater(batch_size=1)metric.add(l * y.numel(), y.numel())return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()#@save
def train_ch8(net, train_iter, vocab, lr, num_epochs, device,use_random_iter=False):"""訓練模型（定義見第8章）"""loss = nn.CrossEntropyLoss()animator = lp.Animator(xlabel='epoch', ylabel='perplexity',legend=['train'], xlim=[10, num_epochs])# 初始化if isinstance(net, nn.Module):updater = torch.optim.SGD(net.parameters(), lr)else:updater = lambda batch_size: d2l.sgd(net.params, lr, batch_size)predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device)# 訓練和預測for epoch in range(num_epochs):ppl, speed = train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter)if (epoch + 1) % 10 == 0:print(predict('time traveller'))animator.add(epoch + 1, [ppl])print(f'困惑度 {ppl:.1f}, {speed:.1f} 詞元/秒 {str(device)}')print(predict('time traveller '))print(predict('traveller '))# 順序抽樣方法
num_epochs, lr = 500, 1
# train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu())
# plt.show()
"""
困惑度 1.0, 95138.3 詞元/秒 cuda:0
time traveller you can show black is white by argument said filby
traveller you can show black is white by argument said filby
"""# 隨機抽樣方法
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,init_rnn_state, rnn)
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(),use_random_iter=True)
plt.show()
"""
困惑度 1.3, 109268.9 詞元/秒 cuda:0
time traveller held in his hand was a glitteringmetallic framewor
traveller held in his hand was a glitteringmetallic framewor
"""

順序抽樣:
在這里插入圖片描述

隨機抽樣:
在這里插入圖片描述

55循環神經網絡的簡潔實現

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
import matplotlib.pyplot as plt# 加載時光機器數據集并設置批量大小和序列長度
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)# 定義RNN模型
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)# 用零張量初始化隱藏狀態
state = torch.zeros((1, batch_size, num_hiddens))
# print(state.shape) # torch.Size([1, 32, 256])# X = torch.rand(size=(num_steps, batch_size, len(vocab)))
# Y, state_new = rnn_layer(X, state)
# print(Y.shape, state_new.shape, X.shape)
# torch.Size([35, 32, 256]) torch.Size([1, 32, 256]) torch.Size([35, 32, 28])# 完整的循環神經網絡模型定義了一個RNNModel類
#@save
class RNNModel(nn.Module):"""循環神經網絡模型"""def __init__(self, rnn_layer, vocab_size, **kwargs):super(RNNModel, self).__init__(**kwargs)self.rnn = rnn_layerself.vocab_size = vocab_sizeself.num_hiddens = self.rnn.hidden_size# 如果RNN是雙向的，num_directions應該是2，否則應該是1if not self.rnn.bidirectional:self.num_directions = 1self.linear = nn.Linear(self.num_hiddens, self.vocab_size)else:self.num_directions = 2self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)def forward(self, inputs, state):X = F.one_hot(inputs.T.long(), self.vocab_size)X = X.to(torch.float32)Y, state = self.rnn(X, state)# 全連接層首先將Y的形狀改為(時間步數*批量大小,隱藏單元數)# 它的輸出形狀是(時間步數*批量大小,詞表大小)。output = self.linear(Y.reshape((-1, Y.shape[-1])))return output, statedef begin_state(self, device, batch_size=1):if not isinstance(self.rnn, nn.LSTM):# nn.GRU以張量作為隱狀態return  torch.zeros((self.num_directions * self.rnn.num_layers,batch_size, self.num_hiddens),device=device)else:# nn.LSTM以元組作為隱狀態return (torch.zeros((self.num_directions * self.rnn.num_layers,batch_size, self.num_hiddens), device=device),torch.zeros((self.num_directions * self.rnn.num_layers,batch_size, self.num_hiddens), device=device))# 訓練與預測device = d2l.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)
"""
perplexity 1.3, 236379.1 tokens/sec on cuda:0
time traveller held in his hand was a glitteringmetallic framewo
traveller fith a slan but move anotle bothe thon st stagee 
"""
plt.show()
print(d2l.predict_ch8('time traveller', 10, net, vocab, device))
# time traveller held in h

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/41642.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/41642.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/41642.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

多特征線性回歸

多特征線性回歸

目錄 一、多特征符號意義說明：二、多特征模型表示：三、Numpy向量表示、內積計算：1.向量表示：2.內積計算： 四、多元線性回歸梯度下降算法： 一、多特征符號意義說明： x下標j：表示第j個…
閱讀更多...
怎么做外貿推廣：10個詳細教程和工具

怎么做外貿推廣：10個詳細教程和工具

1. 介紹 1.1 什么是外貿推廣 外貿推廣指的是將產品或服務推廣到國際市場的過程。它的主要目的是吸引海外客戶，增加銷售額，并擴大企業的全球影響力。外貿推廣不僅僅是銷售產品，它還包括品牌建設、市場研究和客戶關系管理。 谷歌外貿推廣案例…
閱讀更多...
機器學習---線性回歸

機器學習---線性回歸

1、線性回歸 例如：對于一個房子的價格，其影響因素有很多，例如房子的面積、房子的臥室數量、房子的衛生間數量等等都會影響房子的價格。這些影響因子不妨用 x i x_{i} xi?表示，那么房價 y y y可以用如下公式表示： y …
閱讀更多...
吳恩達機器學習 第三課 week3 強化學習（月球著陸器自動著陸）

吳恩達機器學習 第三課 week3 強化學習（月球著陸器自動著陸）

目錄 01 學習目標 02 概念 2.1 強化學習 2.2 深度Q學習（Deep Q-Learning ） 03 問題描述 04 算法中的概念及原理 05 月球著陸器自動著陸的算法實現 06 拓展：基于pytorch實現月球著陸器著陸 07 總結 寫在最前：關于強化學習…
閱讀更多...
python conda查看源，修改源

python conda查看源，修改源

查看源 conda config --show-sources 修改源 可以直接vim .condarc修改源，
閱讀更多...
Shell學習——Shell變量

Shell學習——Shell變量

文章目錄 Shell變量使用變量只讀變量刪除變量變量類型字符串變量： 在 Shell中，變量通常被視為字符串。整數變量： 在一些Shell中，你可以使用 declare 或 typeset 命令來聲明整數變量。數組變量： Shell 也支持數組&#…
閱讀更多...
平價貓糧新選擇！福派斯鮮肉貓糧，讓貓咪享受美味大餐！

平價貓糧新選擇！福派斯鮮肉貓糧，讓貓咪享受美味大餐！

福派斯鮮肉貓糧，作為一款備受鏟屎官們青睞的貓糧品牌，憑借其卓越的品質和高性價比，為眾多貓主帶來了健康與美味的雙重享受。接下來，我們將從多個維度對這款貓糧進行解析，讓各位鏟屎官更加全面地了解它的魅力所在。 1?…
閱讀更多...
【三】ubuntu24虛擬機集群配置免密登陸

【三】ubuntu24虛擬機集群配置免密登陸

文章目錄 環境背景1. 配置域名映射2. 配置免密登錄2.1 在每臺機器上生成SSH密鑰對：2.2 將公鑰分發到其他機器：2.2.1 報錯問題2.2.2 修復方法 3. 驗證免密登錄在 ubuntu1 上：在 ubuntu2 上：在 ubuntu3 上： 測試連接 環境…
閱讀更多...
三級_02_網絡系統結構與設計的基本原則

三級_02_網絡系統結構與設計的基本原則

1.下列關于接入技術特征的描述中，錯誤的是()。 無線統一網絡中AC如果發現某個AP出現故障，將自動調高周圍AP的發射功率以覆蓋出現的空洞 ADSL技術具有非對稱帶寬特性 APON是一種無線接入技術 Cable Modem利用頻分復用的方法將信道分為上行信道和下行信…
閱讀更多...
Linux系統的服務——以Centos7為例

Linux系統的服務——以Centos7為例

一、Linux系統的服務簡介 服務是向外部提供對應功能的進程，其運行在系統后臺，能夠7*24小時持續不斷的提供外界隨時發來的服務請求，且服務進程常駐在內存中，具有固定的端口號，通過端口號就能找到服務內容。 提供服務的一…
閱讀更多...
【PB案例學習筆記】-27制作一個控制任務欄顯示與隱藏的小程序

【PB案例學習筆記】-27制作一個控制任務欄顯示與隱藏的小程序

寫在前面 這是PB案例學習筆記系列文章的第27篇，該系列文章適合具有一定PB基礎的讀者。 通過一個個由淺入深的編程實戰案例學習，提高編程技巧，以保證小伙伴們能應付公司的各種開發需求。 文章中設計到的源碼，小凡都上傳到了gite…
閱讀更多...
柯西施瓦茨不等式證明過程

柯西施瓦茨不等式證明過程

柯西-施瓦茨不等式（Cauchy-Schwarz Inequality）是數學分析中的一個重要不等式，它在向量空間、內積空間等多個領域都有廣泛應用。對于實數或復數域上的內積空間，柯西-施瓦茨不等式可以表述為： 對于任意向量 u \mathbf…
閱讀更多...
Android Gradle 開發與應用 (七): Gradle 插件開發與發布

Android Gradle 開發與應用 (七): Gradle 插件開發與發布

目錄 一、概述 二、Gradle插件的基礎知識 2.1 Gradle插件的定義 2.2 Gradle插件的種類 2.3 Gradle插件的生命周期 三、開發一個Gradle插件 3.1 創建Gradle插件項目 3.2 編寫插件實現 3.3 配置插件元數據 3.4 構建和測試插件 3.5 在項目中應用插件 四、發布Gradle插…
閱讀更多...
計算機未來大方向的選擇

計算機未來大方向的選擇

選專業要了解自己的興趣所在。 即想要學習什么樣的專業，如果有明確的專業意向，就可以有針對性地選擇那些專業實力較強的院校。 2.如果沒有明確的專業意向，可以優先考慮一下院校。 確定一下自己想要選擇綜合性院校還是理工類院校或是像財經或者…
閱讀更多...
C語言結構體的相關知識

C語言結構體的相關知識

前言 從0開始記錄我的學習歷程，我會盡我所能，寫出最最大白話的文章，希望能夠幫到你，謝謝。 1.結構體類型的概念及定義 1.1、概念： 結構體是一種構造類型的數據結構， 是一種或多種基本類型或構造類型的數…
閱讀更多...
springboot集成gzip和zip數據壓縮傳輸-滿足2k數據自動壓縮(適用大數據信息傳輸)

springboot集成gzip和zip數據壓縮傳輸-滿足2k數據自動壓縮(適用大數據信息傳輸)

文章目錄 1）、springboot的gzip壓縮-滿足2k數據自動壓縮1.1后端壓縮1.2前端解壓1.3 滿足最小響應大小（2KB）和指定MIME類型的響應進行GZIP壓縮yml配置自定義配置或者使用Java配置 2）、gzip壓縮1.1接口使用-數據壓縮發送前端1.2 接口…
閱讀更多...
Java面試題系列 - 第3天

Java面試題系列 - 第3天

題目：Java集合框架詳解與高效使用策略 背景說明：Java集合框架是Java標準庫的重要組成部分，提供了一系列容器類，如List、Set、Map等，用于存儲和操作集合數據。熟練掌握集合框架的使用，對于編寫高效、健壯的…
閱讀更多...
機器學習之神經網絡

機器學習之神經網絡

簡介 神經網絡(Neural Network)是一種模仿人類大腦的機器學習算法,由一系列相互連接的神經元組成。它能夠自動學習數據的特征和規律,并對新的輸入數據進行預測和分類。 神經網絡作為一種模仿生物大腦機制的機器學習算法,其產生和發展主要源于以下幾個方面的背景: 對人腦認知…
閱讀更多...
第11章 規劃過程組（二）（11.8排列活動順序）

第11章 規劃過程組（二）（11.8排列活動順序）

第11章 規劃過程組（二）11.8排列活動順序，在第三版教材第390~391頁； 文字圖片音頻方式 第一個知識點：主要工具與技術（重要知識點） 1、箭線圖法(ADM) （雙代號網絡圖或活動箭線圖&am…
閱讀更多...
template配置項詳情——03

template配置項詳情——03

<body> // vue.config是vue全局配置對象 // productionTip 屬性可能設置是否生產提示信息 //默認值是&#xff1a;true,如果是false 則表示組織生產提示信息 vue.congfig.productionTip false //指定掛載位置 //注意&#xff1a;以下代碼只有vue框架能夠看懂的代碼。…
閱讀更多...
最新文章

Copyright @ 2022~2023