使用PyTorch設計卷積神經網絡（CNN）來處理遙感圖像Indian Pines數據集

目錄

使用PyTorch設計卷積神經網絡（CNN）來處理遙感圖像Indian Pines數據集，以下是設計和實現這些網絡的步驟：

1.數據準備：

????????1.1 首先，需要加載Indian Pines數據集。

????????1.2 將數據集轉換為PyTorch張量，以便能夠使用PyTorch框架進行處理。

2.數據預處理：

????????2.1 根據需要對數據進行歸一化或標準化。

????????2.2 將數據集分割為訓練集和測試集。

3.定義網絡結構：

4.定義損失函數和優化器：

????????4.1 選擇一個適合分類任務的損失函數，例如交叉熵損失。

?????????4.2 選擇一個優化器，如Adam或SGD。

5.訓練網絡：

????????使用訓練數據來訓練網絡，并通過反向傳播更新權重。

6.評估網絡：

????????在測試集上評估網絡的性能。

使用PyTorch設計卷積神經網絡（CNN）來處理遙感圖像Indian Pines數據集，以下是設計和實現這些網絡的步驟：

1.數據準備：

????????1.1 首先，需要加載Indian Pines數據集。
data = scipy.io.loadmat("D:/Indian_pines_corrected.mat")['indian_pines_corrected']
gt = scipy.io.loadmat("D:/Indian_pines_gt.mat")['indian_pines_gt'].ravel()  # 確保標簽是一個一維數組
????????因為數據集是一個MAT文件，所以使用scipy.io模塊來讀取它。
????????1.2 將數據集轉換為PyTorch張量，以便能夠使用PyTorch框架進行處理。
# 將NumPy數組轉換為PyTorch張量
X_train_tensor = torch.tensor(X_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)
X_test_tensor = torch.tensor(X_test, dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)
????????這段代碼是在使用PyTorch庫將NumPy數組轉換為PyTorch張量（tensor），這是進行深度學習訓練之前常見的步驟。?

2.數據預處理：

????????2.1 根據需要對數據進行歸一化或標準化。
# 數據預處理
num_bands = data.shape[2]
X = data.reshape(-1, num_bands)# 歸一化數據
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
????????在機器學習和數據科學中，數據預處理是一個非常重要的步驟，它可以幫助提高模型的性能和準確性。首先我們要使用Python語言中的NumPy庫進行數據預處理的常見操作。
? ? ? ? 在這段代碼中，data 變量假定是一個多維數組，通常是一個三維數組，其中包含了圖像數據或其他類型的多維數據。data.shape[2] 表示這個數組的第三個維度的大小，也就是波段數（例如在遙感圖像中）。
? ?X = data.reshape(-1, num_bands) 這行代碼的作用是將原始的多維數組 data 重塑為一個二維數組 X。其中 -1 表示讓NumPy自動計算這個維度的大小，以確保數組的元素總數保持不變。num_bands 是數組的第三個維度的大小，表示每個樣本的特征數或波段數。
????????具體來說，如果 data 是一個形狀為 (a, b, num_bands) 的數組，那么 reshape(-1, num_bands) 操作將把它轉換為一個形狀為 (a*b, num_bands) 的數組。這樣，每一行代表一個樣本，每一列代表一個特征。? ? ? ?
????????歸一化是數據預處理中的一個關鍵步驟，特別是當你的數據集包含不同量級的特征時。歸一化可以幫助算法更有效地工作，因為它確保了所有特征對模型的影響是均衡的。
????????在這里的代碼片段中，使用了 StandardScaler 來進行數據的歸一化處理，這是 scikit-learn 庫中的一個常用工具。
? ?scaler = StandardScaler()：創建一個 StandardScaler 對象。StandardScaler 是一個預處理器，用于將數據標準化（或歸一化）到均值為0，標準差為1的標準正態分布。
? ?X_scaled = scaler.fit_transform(X)：對數據集 X 執行 fit_transform 方法。這個方法首先計算數據集 X 的均值和標準差（fit 階段），然后使用這些統計量來轉換數據，使其符合標準化的要求（transform 階段）。結果 X_scaled 就是歸一化后的數據集。
????????歸一化后的數據具有以下特點：
?????????????????每個特征的均值變為0。?
?????????????????每個特征的標準差變為1。
????????2.2 將數據集分割為訓練集和測試集。
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, gt, test_size=0.2, random_state=42)
劃分訓練集和測試集是非常重要的，因為：
  • 訓練集用于訓練模型，學習數據的特征和模式。
  • 測試集用于評估模型的性能，確保模型沒有過擬合，并且能夠泛化到未見過的數據上。
?????????X_train, X_test：表示劃分后的訓練特征集和測試特征集。
???????? y_train, y_test：表示對應的訓練目標集和測試目標集。這里的目標變量 gt 應該是一個數組，包含了你想要模型預測的值。
? ? ? ? ?test_size=0.2：指定測試集占整個數據集的比例，這里是20%。這意味著80%的數據將用于訓練，20%的數據將用于測試。
? ? ? ? ?random_state=42：指定隨機數生成器的種子，以確保每次運行代碼時，數據的劃分是一致的。這有助于實驗的可重復性。

3.定義網絡結構：

????????根據選擇，設計一個一維卷積網絡或全連接網絡。對于一維卷積，可使用torch.nn.Conv1d，而對于全連接網絡，可使用torch.nn.Linear。
# 為Conv1d增加通道維度
X_train_tensor = X_train_tensor.unsqueeze(1)
X_test_tensor = X_test_tensor.unsqueeze(1)# 定義網絡
class SpectralCNN(nn.Module):def __init__(self, num_bands, num_classes):super(SpectralCNN, self).__init__()self.conv1 = nn.Conv1d(in_channels=1, out_channels=64, kernel_size=3, padding=1)self.pool = nn.MaxPool1d(kernel_size=2)self.conv2 = nn.Conv1d(in_channels=64, out_channels=128, kernel_size=3, padding=1)# 計算經過兩次卷積和池化后的輸出大小# 卷積后，寬度保持不變；池化后，寬度減半conv_output_size = num_bandspool_output_size = int(np.ceil(conv_output_size / 2))  # 第一次池化后的大小pool_output_size = int(np.ceil(pool_output_size / 2))  # 第二次池化后的大小# 更新全連接層的輸入大小self.fc1 = nn.Linear(128 * pool_output_size, num_classes)def forward(self, x):x = F.relu(self.conv1(x))x = self.pool(x)x = F.relu(self.conv2(x))x = self.pool(x)x = x.view(x.size(0), -1)  # 扁平化特征向量x = self.fc1(x)return x
這段代碼定義了一個使用PyTorch框架的卷積神經網絡（CNN）類 SpectralCNN，它繼承自 nn.Module。這個網絡專門設計用于處理光譜數據，其中 num_bands 表示輸入數據的波段數，num_classes 表示輸出的類別數。下面是對這段代碼的詳細解釋：
  1. 初始化方法 (__init__):
    • 首先，它調用父類?nn.Module?的初始化方法。
  2. 卷積層 (self.conv1 和 self.conv2):
    • self.conv1?是第一個一維卷積層，具有1個輸入通道（對應于波段數），64個輸出通道，卷積核大小為3，填充為1。填充為1意味著在輸入的兩側各添加一個零填充，以保持輸出的寬度不變。
    • self.conv2?是第二個一維卷積層，具有64個輸入通道（第一個卷積層的輸出通道數），128個輸出通道，卷積核和填充與第一個卷積層相同。
  3. 池化層 (self.pool):
    • 使用最大池化 (MaxPool1d)，池化窗口大小為2。這將減少特征圖的寬度，但保持高度不變。
  4. 計算輸出大小:
    • 通過兩次卷積和池化操作后，需要計算全連接層的輸入大小。這里使用了?np.ceil?函數來向上取整，以確保即使在池化后，輸出大小也能正確計算。
  5. 全連接層 (self.fc1):
    • 根據經過兩次卷積和池化后的特征圖大小，創建一個全連接層，將特征圖展平后連接到?num_classes?個輸出節點。

4.定義損失函數和優化器：

????????4.1 選擇一個適合分類任務的損失函數，例如交叉熵損失。
?????????4.2 選擇一個優化器，如Adam或SGD。
# 初始化模型
num_classes = len(np.unique(gt))
model = SpectralCNN(num_bands=X_train.shape[1], num_classes=num_classes)# 定義損失函數和優化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
損失函數 (criterion):?
? ? ? ? 這里使用的是?nn.CrossEntropyLoss()，這是一個常用于多分類問題的損失函數。它結合了?LogSoftmax?層和?NLLLoss（負對數似然損失），使得模型在訓練時可以優化分類任務的性能。CrossEntropyLoss?會計算模型輸出的對數概率和目標類別的負對數似然損失。
優化器 (optimizer):
? ? ? ? 這里使用的是?torch.optim.Adam?優化器，它是 Adam（自適應矩估計）算法的實現。Adam 優化器是一種流行的算法，因為它結合了動量（Momentum）和 RMSprop 的優點。在你的代碼中，model.parameters()?指定了優化器需要更新的模型參數，lr=0.001?設置了學習率為0.001，這是每次參數更新時使用的步長。

5.訓練網絡：

????????使用訓練數據來訓練網絡，并通過反向傳播更新權重。
# 訓練模型
num_epochs = 10000  # 設置訓練輪數# 開始訓練模型
for epoch in range(num_epochs):model.train()optimizer.zero_grad()outputs = model(X_train_tensor)loss = criterion(outputs, y_train_tensor)loss.backward()optimizer.step()print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')
這段代碼展示了一個基本的深度學習模型訓練循環，這是一個迭代過程，模型在每個周期（epoch）上學習數據的特征。下面是對代碼的解釋：
  1. 訓練循環:
    for epoch in range(num_epochs):?這個循環會執行指定次數的訓練周期。num_epochs?應該在代碼的其他地方定義。
  2. 訓練模式:
    model.train()?將模型設置為訓練模式，這會啟用如 Dropout 等特定于訓練階段的層。
  3. 梯度清零:
    optimizer.zero_grad()?清除之前的梯度，以防止它們在反向傳播時累積。
  4. 前向傳播:
    outputs = model(X_train_tensor)?執行模型的前向傳播，計算給定輸入的輸出。
  5. 計算損失:
    loss = criterion(outputs, y_train_tensor)?計算模型輸出和目標標簽之間的損失。
  6. 反向傳播:
    loss.backward()?計算損失相對于模型參數的梯度。
  7. 參數更新:
    optimizer.step()?更新模型的參數以減少損失。
  8. 打印損失:
    print?語句在每個周期結束時打印當前周期的損失值，這有助于監控訓練過程。

6.評估網絡：

????????在測試集上評估網絡的性能。
# 測試模型
def evaluate_model(model, X_test_tensor, y_test_tensor):model.eval()  # 設置模型為評估模式with torch.no_grad():  # 禁用梯度計算outputs = model(X_test_tensor)_, predicted = torch.max(outputs.data, 1)total = y_test_tensor.size(0)correct = (predicted == y_test_tensor).sum().item()print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))# 在訓練結束后評估模型
evaluate_model(model, X_test_tensor, y_test_tensor)
這里定義的 evaluate_model 函數是一個用于評估模型性能的實用工具，特別是在分類任務中。下面是這段代碼的詳細解釋：
  1. 設置評估模式:
    • model.eval()?將模型設置為評估模式，這會禁用如 Dropout 等在訓練時使用的特定層。
  2. 禁用梯度計算:
    • with torch.no_grad():?上下文管理器禁用了梯度計算，這在評估階段是有用的，因為它減少了內存消耗并加速了計算。
  3. 執行前向傳播:
    • outputs = model(X_test_tensor)?執行模型的前向傳播，得到模型對測試數據的預測輸出。
  4. 獲取預測結果:
    • _, predicted = torch.max(outputs.data, 1)?計算模型輸出中概率最高的類別索引，即預測的類別。這里?outputs.data?是一個二維張量，第一維是批次中的樣本，第二維是類別的概率。
  5. 計算正確預測數量:
    • correct = (predicted == y_test_tensor).sum().item()?計算預測正確的樣本數量。這里使用?.sum()?來累加所有正確的預測，并通過?.item()?將其轉換為一個標量。
  6. 計算準確率:
    • total = y_test_tensor.size(0)?獲取測試集的樣本總數。
    • print?語句打印出模型在測試集上的準確率，即正確預測的樣本數占總樣本數的比例

代碼匯總：

import scipy.io
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler# 加載數據和標簽
data = scipy.io.loadmat("D:/Indian_pines_corrected.mat")['indian_pines_corrected']
gt = scipy.io.loadmat("D:/Indian_pines_gt.mat")['indian_pines_gt'].ravel()  # 確保標簽是一個一維數組# 數據預處理
num_bands = data.shape[2]
X = data.reshape(-1, num_bands)# 歸一化數據
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, gt, test_size=0.2, random_state=42)# 將NumPy數組轉換為PyTorch張量
X_train_tensor = torch.tensor(X_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.long)
X_test_tensor = torch.tensor(X_test, dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.long)# 為Conv1d增加通道維度
X_train_tensor = X_train_tensor.unsqueeze(1)
X_test_tensor = X_test_tensor.unsqueeze(1)# 定義網絡
class SpectralCNN(nn.Module):def __init__(self, num_bands, num_classes):super(SpectralCNN, self).__init__()self.conv1 = nn.Conv1d(in_channels=1, out_channels=64, kernel_size=3, padding=1)self.pool = nn.MaxPool1d(kernel_size=2)self.conv2 = nn.Conv1d(in_channels=64, out_channels=128, kernel_size=3, padding=1)# 計算經過兩次卷積和池化后的輸出大小# 卷積后，寬度保持不變；池化后，寬度減半conv_output_size = num_bandspool_output_size = int(np.ceil(conv_output_size / 2))  # 第一次池化后的大小pool_output_size = int(np.ceil(pool_output_size / 2))  # 第二次池化后的大小# 更新全連接層的輸入大小self.fc1 = nn.Linear(128 * pool_output_size, num_classes)def forward(self, x):x = F.relu(self.conv1(x))x = self.pool(x)x = F.relu(self.conv2(x))x = self.pool(x)x = x.view(x.size(0), -1)  # 扁平化特征向量x = self.fc1(x)return x# 初始化模型
num_classes = len(np.unique(gt))
model = SpectralCNN(num_bands=X_train.shape[1], num_classes=num_classes)# 定義損失函數和優化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# 訓練模型
num_epochs = 10000  # 設置訓練輪數# 開始訓練模型
for epoch in range(num_epochs):model.train()optimizer.zero_grad()outputs = model(X_train_tensor)loss = criterion(outputs, y_train_tensor)loss.backward()optimizer.step()print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')# 測試模型
def evaluate_model(model, X_test_tensor, y_test_tensor):model.eval()  # 設置模型為評估模式with torch.no_grad():  # 禁用梯度計算outputs = model(X_test_tensor)_, predicted = torch.max(outputs.data, 1)total = y_test_tensor.size(0)correct = (predicted == y_test_tensor).sum().item()print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))# 在訓練結束后評估模型
evaluate_model(model, X_test_tensor, y_test_tensor)

訓練結果展示：

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/43249.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/43249.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/43249.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

LLM推理引擎怎么選？TensorRT vs vLLM vs LMDeploy vs MLC-LLM

LLM推理引擎怎么選？TensorRT vs vLLM vs LMDeploy vs MLC-LLM

LLM擅長文本生成應用程序，如聊天和代碼完成模型，能夠高度理解和流暢。但是它們的大尺寸也給推理帶來了挑戰。有很多個框架和包可以優化LLM推理和服務，所以在本文中我將整理一些常用的推理引擎并進行比較。 TensorRT-LLM TensorRT-LLM是NV發布…
閱讀更多...
imazing電腦怎么下載 imazing怎么下載軟件 使用iMazing下載和卸載Apple設備上的應用程序

imazing電腦怎么下載 imazing怎么下載軟件 使用iMazing下載和卸載Apple設備上的應用程序

iMazing官方版是一款管理蘋果設備的軟件，是一款幫助用戶管理 iOS手機的PC端應用程序，能力遠超 iTunes 提供的終極 iOS 設備管理器。在iMazing官方版上與蘋果設備連接后，可以輕松傳輸文件，瀏覽保存信息等，功能比iTunes更…
閱讀更多...
泛微開發修煉之旅--35關于基于頁面擴展和自定義按鈕實現與后端交互調用的方法

泛微開發修煉之旅--35關于基于頁面擴展和自定義按鈕實現與后端交互調用的方法

文章鏈接：35關于基于頁面擴展和自定義按鈕實現與后端交互調用的方法
閱讀更多...
vue3中使用 tilwindcss報錯 Unknown at rule @tailwindcss

vue3中使用 tilwindcss報錯 Unknown at rule @tailwindcss

解決方法： vscode中安裝插件 Tailwind CSS IntelliSense 在項目中的 .vscode中 settings.json添加 "files.associations": {"*.css": "tailwindcss"}
閱讀更多...
基于YOLOv9的腦腫瘤區域檢測

基于YOLOv9的腦腫瘤區域檢測

數據集 腦腫瘤區域檢測，我們直接采用kaggle公開數據集，Br35H 數據中已對醫學圖像中腦腫瘤位置進行標注 數據集我已經按照YOLO格式配置好，數據內容如下 數據集中共包含700張圖像，其中訓練集500張，驗證集200張 模型訓…
閱讀更多...
Perl語言入門到高級學習

Perl語言入門到高級學習

Perl語言介紹 Perl，全稱為Practical Extraction and Report Language，即“實用報表提取語言”，是一種高級、通用、直譯式、動態的編程語言。Perl最初由Larry Wall設計，并于1987年12月18日首次發布。經過多年的不斷發展和更新，Perl已經成為一種功能豐富且應用廣泛的計算機程…
閱讀更多...
AI繪畫：藝術與科技的交融，創新浪潮與無限可能

AI繪畫：藝術與科技的交融，創新浪潮與無限可能

在科技日新月異的當下，AI 繪畫作為人工智能領域的一顆璀璨新星，正以驚人的速度在國內嶄露頭角，引發了藝術與技術交融的全新變革。隨著人工智能技術的飛速發展，AI繪畫已成為藝術與科技交融的新寵。2024年，AI繪畫行業在國…
閱讀更多...
昇思MindSpore學習筆記2-03 LLM原理和實踐--基于MindSpore通過GPT實現情感分類

昇思MindSpore學習筆記2-03 LLM原理和實踐--基于MindSpore通過GPT實現情感分類

摘要： 昇思MindSpore AI框架中使用openai-gpt的方法、步驟。 沒調通，存疑。 一、環境配置 %%capture captured_output # 實驗環境已經預裝了mindspore2.2.14，如需更換mindspore版本，可更改下面mindspore的版本號 !pip uninsta…
閱讀更多...
Autogen智能體實戰-Autogen框架介紹

Autogen智能體實戰-Autogen框架介紹

文章目錄 一，Autogen簡介二，Autogen原理1，Autogen原理圖解2，拆解Autogen是如何完成繪制特斯拉股票趨勢圖的 這篇文章介紹一個開源的Agent框架-微軟的Autogen。 一，Autogen簡介 官網:https://microsoft.github.io/aut…
閱讀更多...
前端頁面操作防抖函數封裝及應用

前端頁面操作防抖函數封裝及應用

1、使用背景 函數防抖其實是作為一名前端同學必備的技能了，之前一直偷懶都借用頁面loading或者按鈕loading來實現。最近在開發微信小程序，過多的loading會帶來不好的體驗，同時在跳轉頁面的時候，不好用loading來防抖。所以就會出現…
閱讀更多...
【Unity】RPG2D龍城紛爭（九）戰斗系統之角色移動

【Unity】RPG2D龍城紛爭（九）戰斗系統之角色移動

更新日期：2024年7月8日。 項目源碼：第五章發布（正式開始游戲邏輯的章節） 索引 簡介一、角色戰斗狀態二、角色移動1.角色起飛（移動前）2.角色降落（移動后）3.生成移動路徑4.角色移動三、整合簡介 之前的章節做了這么多準備工作，現在終于要進入我們最為核心的戰斗系統的編…
閱讀更多...
在idea中查看某個接口的所有實現類圖

在idea中查看某個接口的所有實現類圖

一、選中某個接口右鍵 ---> Diagrams ---> show Diagrams，然后就會進入一個新的 tab 頁； 二、然后在出來的圖上選中某個接口右鍵 ---> show Implementations，就會顯示選中接口的所有實現類列表； 三、最后 ctrl A 全部選…
閱讀更多...
Defender Cloud Apps部署方案

Defender Cloud Apps部署方案

目錄 Defender Cloud Apps是什么? Defender Cloud Apps：保護您的云應用程序免受威脅 1. 全面的云應用發現與評估 2. 實時的用戶活動監控 3. 深度的數據保護 4. 合規性管理與報告 5. 統一的安全管理 Defender Cloud Apps主要功能 1. 可見性和洞察 2. 數據保…
閱讀更多...
uniapp父頁面調用子頁面 組件方法記錄

uniapp父頁面調用子頁面 組件方法記錄

文章目錄 導文如何點擊父頁面，觸發子頁面函數先寫一個子頁面的基礎內容父元素 如何點擊父頁面，修改子頁面的值先寫一個子頁面的基礎內容父元素 導文 如何點擊父頁面，觸發子頁面函數？ 如何點擊父頁面，修改子頁面的值&am…
閱讀更多...
英區PayPal賬號3分鐘綁定WISE英鎊的銀行收款賬戶

英區PayPal賬號3分鐘綁定WISE英鎊的銀行收款賬戶

正文開始，我們先登錄英區PayPal賬號后 有很多銀行給我們選擇，但是沒有WISE的選項，所以我們手動輸入“WISE”，然后如下圖所示點擊“Enter Your Bank Detailds”輸入銀行詳細信息按鈕。 然后輸入我們的WISE英鎊賬戶的收款銀行信息&a…
閱讀更多...
Advanced Electronic Materials：磁性智能皮膚作為人機界面

Advanced Electronic Materials：磁性智能皮膚作為人機界面

近年來，電子可穿戴設備的普及率迅速上升，柔性可穿戴設備因其高生物相容性、功能性、適應性和低成本而在人機界面上引起了極大的關注。柔性磁性智能皮膚是這一快速發展的柔性可穿戴電子領域的一部分，為人類感知發展開辟了一條新的道路。磁感是…
閱讀更多...
SpringCloud第一篇Docker基礎

SpringCloud第一篇Docker基礎

文章目錄 一、常見命令二、數據卷三、數據掛載四、自定義鏡像五、網絡 一、常見命令 Docker最常見的命令就是操作鏡像、容器的命令，詳見官方文檔： https://docs.docker.com/ 需求： 在DockerHub中搜索Nginx鏡像，查看鏡像的名稱 …
閱讀更多...
k8s集群如kubeadm init和kube-flannel.yam問題

k8s集群如kubeadm init和kube-flannel.yam問題

查看k8s中角色內容kubectl get all (顯示pod和server以及delment) 刪除應用資源選擇刪除先刪除部署查看部署和pod沒了服務還在，但資源和功能以及刪除，刪除服務kubectl delete 服務名（部署名），get pods 獲取默認空間的容…
閱讀更多...
A133 Android10 root修改

A133 Android10 root修改

1.前言 客戶應用需求root相關的權限，我們需要修改系統的權限才可以滿足客戶需求 2.修改方法 frameworks層：注釋掉 diff --git a/frameworks/base/core/jni/com_android_internal_os_Zygote.cpp b/frameworks/base/core/jni/com_android_internal_os_…
閱讀更多...
從資金到未來：技術融資如何重塑IT顧問在AI與網絡安全的角色？

從資金到未來：技術融資如何重塑IT顧問在AI與網絡安全的角色？

一方面是人工智能 （AI） 和機器學習 （ML） 的雙引擎，另一方面是網絡安全和數據泄露威脅中不斷變化的威脅形勢，IT 格局正在經歷翻天覆地的變化。這場數字革命對 IT 顧問來說既是挑戰也是機遇，但要成…
閱讀更多...
最新文章

Copyright @ 2022~2023