第9.1講、Tiny Encoder Transformer：極簡文本分類與注意力可視化實戰

項目簡介

本項目實現了一個極簡版的 Transformer Encoder 文本分類器，并通過 Streamlit 提供了交互式可視化界面。用戶可以輸入任意文本，實時查看模型的分類結果及注意力權重熱力圖，直觀理解 Transformer 的內部機制。項目采用 HuggingFace 的多語言 BERT 分詞器，支持中英文等多種語言輸入，適合教學、演示和輕量級 NLP 應用開發。

主要功能

  • 多語言支持：集成 HuggingFace bert-base-multilingual-cased 分詞器，支持 100+ 語言。
  • 極簡 Transformer 結構：自定義實現位置編碼、單層/多層 Transformer Encoder、分類頭，結構清晰，便于學習和擴展。
  • 注意力可視化：可實時展示輸入文本的注意力熱力圖和每個 token 被關注的占比，幫助理解模型關注機制。
  • 高效演示：訓練時僅用 AG News 數據集的前 200 條數據，并只訓練 10 個 batch，保證頁面加載和交互速度。

代碼結構與核心實現

1. 數據加載與預處理

使用 HuggingFace datasets 庫加載 AG News 數據集，并用 BERT 分詞器對文本進行編碼：

from datasets import load_dataset
from transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased")
dataset = load_dataset("ag_news")
dataset["train"] = dataset["train"].select(range(200))  # 只用前200條數據def encode(example):tokens = tokenizer(example["text"],padding="max_length",truncation=True,max_length=64,return_tensors="pt")return {"input_ids": tokens["input_ids"].squeeze(0),"label": example["label"]}encoded_train = dataset["train"].map(encode)

2. Tiny Encoder 模型結構

模型包含詞嵌入層、位置編碼、若干 Transformer Encoder 層和分類頭，支持輸出每層的注意力權重：

import torch.nn as nnclass PositionalEncoding(nn.Module):# ... 位置編碼實現，見下文詳細代碼 ...class TransformerEncoderLayerWithTrace(nn.Module):# ... 支持 trace 的單層 Transformer Encoder，見下文詳細代碼 ...class TinyEncoderClassifier(nn.Module):# ... 嵌入、位置編碼、編碼器堆疊、分類頭，見下文詳細代碼 ...

3. 訓練流程

采用交叉熵損失和 Adam 優化器，僅訓練 10 個 batch，極大提升演示速度：

import torch.optim as optim
from torch.utils.data import DataLoadertrain_loader = DataLoader(encoded_train, batch_size=16, shuffle=True)
model = TinyEncoderClassifier(...)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=1e-3)model.train()
for i, batch in enumerate(train_loader):if i >= 10:  # 只訓練10個batchbreakinput_ids = batch["input_ids"]labels = batch["label"]logits, _ = model(input_ids)loss = criterion(logits, labels)optimizer.zero_grad()loss.backward()optimizer.step()

4. Streamlit 可視化界面

  • 提供文本輸入框，用戶可輸入任意文本。
  • 實時推理并展示分類結果。
  • 可視化 Transformer 第一層各個注意力頭的權重熱力圖和每個 token 被關注的占比（條形圖）。
import streamlit as st
import seaborn as sns
import matplotlib.pyplot as pltuser_input = st.text_input("請輸入文本：", "We all have a home called China.")
if user_input:# ... 推理與注意力可視化代碼，見下文詳細代碼 ...

訓練與推理流程詳解

  1. 數據加載與預處理

    • 加載 AG News 數據集，僅取前 200 條樣本。
    • 用多語言 BERT 分詞器編碼文本，填充/截斷到 64 長度。

  2. 模型結構

    • 詞嵌入層將 token id 映射為向量。
    • 位置編碼為每個 token 添加可區分的位置信息。
    • 堆疊若干 Transformer Encoder 層，支持輸出注意力權重。
    • 分類頭對第一個 token 的輸出做分類（類似 BERT 的 [CLS]）。

  3. 訓練流程

    • 損失函數為交叉熵，優化器為 Adam。
    • 只訓練 1 個 epoch，且只訓練 10 個 batch，保證演示速度。

  4. 推理與可視化

    • 用戶輸入文本，模型輸出預測類別編號。
    • 可視化注意力熱力圖和每個 token 被關注的占比，直觀展示模型關注點。

適用場景

  • Transformer 原理教學與可視化演示
  • 注意力機制理解與分析
  • 多語言文本分類任務的快速原型開發
  • NLP 課程、講座、實驗室演示

完整案例說明：

Tiny Encoder

1. 代碼主要功能

該腳本實現了一個基于 Transformer Encoder 的文本分類模型，并通過 Streamlit 提供了可視化界面，
支持輸入一句話并展示模型的分類結果及注意力權重熱力圖。

2. 主要模塊說明

  • Tokenizer 初始化：
    • 使用 HuggingFace 的多語言 BERT Tokenizer 對輸入文本進行分詞和編碼。
  • 模型結構：
    • 包含詞嵌入層、位置編碼、若干 Transformer Encoder 層（帶注意力權重 trace）、分類器。
  • 數據處理與訓練：
    • 加載 AG News 數據集，編碼文本，訓練模型并保存。
    • 若已存在訓練好的模型則直接加載。
  • Streamlit 可視化：
    • 提供文本輸入框，實時推理并展示分類結果。
    • 可視化 Transformer 第一層各個注意力頭的權重熱力圖。

3. 數據流向說明

  1. 輸入：
    • 用戶在 Streamlit 網頁輸入一句英文（或多語言）文本。
  2. 分詞與編碼：
    • Tokenizer 將文本轉為固定長度的 token id 序列（input_ids）。
  3. 模型推理：
    • input_ids 輸入 TinyEncoderClassifier，經過嵌入、位置編碼、若干 Transformer 層，輸出 logits（分類結果）和注意力權重（trace）。
  4. 分類輸出：
    • 取 logits 最大值作為類別預測，顯示在網頁上。
  5. 注意力可視化：
    • 取第一層注意力權重，分別繪制每個 head 的熱力圖，幫助理解模型關注的 token 關系。

4. 適用場景

  • 適合教學、演示 Transformer 注意力機制和文本分類原理。
  • 可擴展用于多語言文本分類任務。
import math
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from transformers import AutoTokenizer
from datasets import load_dataset
import streamlit as st
import seaborn as sns
import matplotlib.pyplot as plt# ============================
# 位置編碼模塊
# ============================
class PositionalEncoding(nn.Module):"""位置編碼模塊：為輸入的 token 序列添加可區分位置信息。使用正弦和余弦函數生成不同頻率的編碼。"""def __init__(self, d_model, max_len=512):super().__init__()# 創建一個 (max_len, d_model) 的全零張量，用于存儲位置編碼pe = torch.zeros(max_len, d_model)# 生成位置索引 (max_len, 1)position = torch.arange(0, max_len).unsqueeze(1)# 計算每個維度對應的分母項（不同頻率）div_term = torch.exp(torch.arange(0, d_model, 2) * (-math.log(10000.0) / d_model))# 偶數位置用 sin，奇數位置用 cospe[:, 0::2] = torch.sin(position * div_term)pe[:, 1::2] = torch.cos(position * div_term)# 增加 batch 維度，形狀變為 (1, max_len, d_model)pe = pe.unsqueeze(0)# 注冊為 buffer，模型保存時一同保存，但不是參數self.register_buffer('pe', pe)def forward(self, x):"""輸入：x，形狀為 (batch, seq_len, d_model)輸出：加上位置編碼后的張量，形狀同輸入"""return x + self.pe[:, :x.size(1)]# ============================
# 單層 Transformer Encoder，支持輸出注意力權重
# ============================
class TransformerEncoderLayerWithTrace(nn.Module):"""單層 Transformer Encoder，支持輸出注意力權重。包含多頭自注意力、前饋網絡、殘差連接和層歸一化。"""def __init__(self, d_model, nhead, dim_feedforward):super().__init__()# 多頭自注意力層self.self_attn = nn.MultiheadAttention(d_model, nhead, batch_first=True)# 前饋網絡第一層self.linear1 = nn.Linear(d_model, dim_feedforward)self.dropout = nn.Dropout(0.1)# 前饋網絡第二層self.linear2 = nn.Linear(dim_feedforward, d_model)# 層歸一化self.norm1 = nn.LayerNorm(d_model)self.norm2 = nn.LayerNorm(d_model)# Dropout 層self.dropout1 = nn.Dropout(0.1)self.dropout2 = nn.Dropout(0.1)def forward(self, src, trace=False):"""前向傳播。參數：src: 輸入序列，形狀為 (batch, seq_len, d_model)trace: 是否返回注意力權重返回：src: 輸出序列attn_weights: 注意力權重（如果 trace=True）"""# 多頭自注意力，attn_weights 形狀為 (batch, nhead, seq_len, seq_len)attn_output, attn_weights = self.self_attn(src, src, src, need_weights=trace)# 殘差連接 + 層歸一化src2 = self.dropout1(attn_output)src = self.norm1(src + src2)# 前饋網絡src2 = self.linear2(self.dropout(torch.relu(self.linear1(src))))# 殘差連接 + 層歸一化src = self.norm2(src + self.dropout2(src2))# 返回輸出和注意力權重（可選）return src, attn_weights if trace else None# ============================
# Tiny Transformer 分類模型
# ============================
class TinyEncoderClassifier(nn.Module):"""Tiny Transformer 分類模型：包含嵌入層、位置編碼、若干 Transformer 編碼器層和分類頭。支持輸出每層的注意力權重。"""def __init__(self, vocab_size, d_model, n_heads, d_ff, num_layers, max_len, num_classes):super().__init__()# 詞嵌入層，將 token id 映射為向量self.embedding = nn.Embedding(vocab_size, d_model)# 位置編碼模塊self.pos_encoder = PositionalEncoding(d_model, max_len)# 堆疊多個 Transformer 編碼器層self.layers = nn.ModuleList([TransformerEncoderLayerWithTrace(d_model, n_heads, d_ff) for _ in range(num_layers)])# 分類頭，對第一個 token 的輸出做分類self.classifier = nn.Linear(d_model, num_classes)def forward(self, input_ids, trace=False):"""前向傳播。參數：input_ids: 輸入 token id，形狀為 (batch, seq_len)trace: 是否輸出注意力權重返回：logits: 分類輸出 (batch, num_classes)traces: 每層的注意力權重（可選）"""# 詞嵌入x = self.embedding(input_ids)# 加位置編碼x = self.pos_encoder(x)traces = []# 依次通過每一層 Transformer 編碼器for layer in self.layers:x, attn = layer(x, trace=trace)if trace:traces.append({"attn_map": attn})# 只取第一個 token 的輸出做分類（類似 BERT 的 [CLS]）logits = self.classifier(x[:, 0])return logits, traces if trace else None# ============================
# 模型構建與訓練函數，顯式使用CPU
# ============================
@st.cache_resource(show_spinner=False)
def build_and_train_model(d_model, n_heads, d_ff, num_layers):device = torch.device('cpu')  # 顯式指定使用CPUtokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased")dataset = load_dataset("ag_news")dataset["train"] = dataset["train"].select(range(200))  # 只用前200條數據MAX_LEN = 64def encode(example):tokens = tokenizer(example["text"], padding="max_length", truncation=True, max_length=MAX_LEN, return_tensors="pt")return {"input_ids": tokens["input_ids"].squeeze(0), "label": example["label"]}encoded_train = dataset["train"].map(encode)encoded_train.set_format(type="torch")train_loader = DataLoader(encoded_train, batch_size=16, shuffle=True)model = TinyEncoderClassifier(vocab_size=tokenizer.vocab_size,d_model=d_model,n_heads=n_heads,d_ff=d_ff,num_layers=num_layers,max_len=MAX_LEN,num_classes=4).to(device)  # 模型放到CPUcriterion = nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=1e-3)model.train()for epoch in range(1):  # 訓練1個epochfor i, batch in enumerate(train_loader):if i >= 10:  # 只訓練10個batchbreakinput_ids = batch["input_ids"].to(device)  # 輸入轉到CPUlabels = batch["label"].to(device)logits, _ = model(input_ids)loss = criterion(logits, labels)optimizer.zero_grad()loss.backward()optimizer.step()return model, tokenizer# ============================
# Streamlit 頁面設置
# ============================
st.set_page_config(page_title="TinyEncoder")
st.title("🌍 Tiny Encoder Transformer")# 固定模型參數
# d_model: 隱藏層維度,
# n_heads: 注意力頭數,
# d_ff: 前饋層維度,
# num_layers: Transformer 層數
d_model = 64
n_heads = 2
d_ff = 128
num_layers = 1# 構建并訓練模型
with st.spinner("模型構建中..."):model, tokenizer = build_and_train_model(d_model, n_heads, d_ff, num_layers)# ============================
# 推理與注意力權重可視化
# ============================
model.eval()
device = torch.device('cpu')
model.to(device)user_input = st.text_input("請輸入文本：", "We all have a home called China.")
if user_input:tokens = tokenizer(user_input, return_tensors="pt", max_length=64, padding="max_length", truncation=True)input_ids = tokens["input_ids"].to(device)  # 放CPUwith torch.no_grad():logits, traces = model(input_ids, trace=True)pred_class = torch.argmax(logits, dim=-1).item()st.markdown(f"### 🔍 預測類別編號: `{pred_class}`")if traces:attn_map = traces[0]["attn_map"]if attn_map is not None:seq_len = input_ids.shape[1]token_list = tokenizer.convert_ids_to_tokens(input_ids[0])if '[PAD]' in token_list:valid_len = token_list.index('[PAD]')else:valid_len = seq_lentoken_list = token_list[:valid_len]if attn_map.dim() == 4:# [batch, heads, seq_len, seq_len]heads = attn_map.size(1)fig, axes = plt.subplots(1, heads, figsize=(5 * heads, 3))if heads == 1:axes = [axes]for i in range(heads):matrix = attn_map[0, i][:valid_len, :valid_len].cpu().detach().numpy()sns.heatmap(matrix, ax=axes[i], cbar=False, xticklabels=token_list, yticklabels=token_list)axes[i].set_title(f"Head {i}")axes[i].tick_params(labelsize=6)# 顯示每個 token 被關注的占比attn_sum = matrix.sum(axis=0)attn_ratio = attn_sum / attn_sum.sum()fig2, ax2 = plt.subplots(figsize=(5, 2))ax2.bar(range(valid_len), attn_ratio)ax2.set_xticks(range(valid_len))ax2.set_xticklabels(token_list, rotation=90, fontsize=6)ax2.set_title(f"Head {i} Token Attention Ratio")st.pyplot(fig2)st.pyplot(fig)elif attn_map.dim() == 3:# [heads, seq_len, seq_len]heads = attn_map.size(0)fig, axes = plt.subplots(1, heads, figsize=(5 * heads, 3))if heads == 1:axes = [axes]for i in range(heads):matrix = attn_map[i][:valid_len, :valid_len].cpu().detach().numpy()sns.heatmap(matrix, ax=axes[i], cbar=False, xticklabels=token_list, yticklabels=token_list)axes[i].set_title(f"Head {i}")axes[i].tick_params(labelsize=6)# 顯示每個 token 被關注的占比attn_sum = matrix.sum(axis=0)attn_ratio = attn_sum / attn_sum.sum()fig2, ax2 = plt.subplots(figsize=(5, 2))ax2.bar(range(valid_len), attn_ratio)ax2.set_xticks(range(valid_len))ax2.set_xticklabels(token_list, rotation=90, fontsize=6)ax2.set_title(f"Head {i} Token Attention Ratio")st.pyplot(fig2)st.pyplot(fig)elif attn_map.dim() == 2:# [seq_len, seq_len]fig, ax = plt.subplots(figsize=(5, 3))sns.heatmap(attn_map[:valid_len, :valid_len].cpu().detach().numpy(), ax=ax, cbar=False, xticklabels=token_list, yticklabels=token_list)ax.set_title("Attention Map")ax.tick_params(labelsize=6)st.pyplot(fig)# 顯示每個 token 被關注的占比matrix = attn_map[:valid_len, :valid_len].cpu().detach().numpy()attn_sum = matrix.sum(axis=0)attn_ratio = attn_sum / attn_sum.sum()fig2, ax2 = plt.subplots(figsize=(5, 2))ax2.bar(range(valid_len), attn_ratio)ax2.set_xticks(range(valid_len))ax2.set_xticklabels(token_list, rotation=90, fontsize=6)ax2.set_title("Token Attention Ratio")st.pyplot(fig2)else:st.warning("注意力權重維度異常，無法可視化。")

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/84000.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/84000.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/84000.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

【Java】泛型在 Java 中是怎樣實現的?

【Java】泛型在 Java 中是怎樣實現的?

先說結論 , Java 的泛型是偽泛型 , 在運行期間不存在泛型的概念 , 泛型在 Java 中是 編譯檢查 運行強轉 實現的 泛型是指 允許在定義類 , 接口和方法時使用的類型參數 , 使得代碼可以在不指定具體類型的情況下操作不同的數據類型 , 從而實現類型安全的代碼復用 的語言機制 . …
閱讀更多...
linux如何查找軟連接的實際地址

linux如何查找軟連接的實際地址

在Linux系統中，查找軟連接（符號鏈接，即symbolic link）的實際地址可以通過多種方法實現。軟連接是一個特殊的文件類型，它包含了一個指向另一個文件或目錄的引用。要找到軟連接所指向的實際文件或目錄，可以使…
閱讀更多...
Token類型與用途詳解：數字身份的安全載體圖譜

Token類型與用途詳解：數字身份的安全載體圖譜

在現代數字身份體系中，Token如同"數字DNA"，以不同形態流轉于各類應用場景。根據Okta的最新研究報告，平均每個企業應用使用2.7種不同類型的Token實現身份驗證和授權。本文將系統梳理主流Token類型及其應用場景，通過行業典…
閱讀更多...
火山 RTC 引擎9 ----集成 appkey

火山 RTC 引擎9 ----集成 appkey

一、集成 appkey 1、網易RTC 初始化過程 1）、添加頭文件 實現互動直播 - 互動直播 2.0網易云信互動直播產品的基本功能包括音視頻通話和連麥直播，當您成功初始化 SDK 之后，您可以簡單體驗本產品的基本業務流程，例如主播加入房間…
閱讀更多...
詳細介紹Qwen3技術報告中提到的模型架構技術

詳細介紹Qwen3技術報告中提到的模型架構技術

詳細介紹Qwen3技術報告中提到的一些主流模型架構技術，并為核心流程配上相關的LaTeX公式。 這些技術都是當前大型語言模型（LLM）領域為了提升模型性能、訓練效率、推理速度或穩定性而采用的關鍵組件。 1. Grouped Query Attention (GQA) - 分組…
閱讀更多...
光電效應理論與實驗 | 從愛因斯坦光量子假說到普朗克常量測定

光電效應理論與實驗 | 從愛因斯坦光量子假說到普朗克常量測定

注：本文為“光電效應”相關文章合輯。 英文引文，機翻未校。 中文引文，略作重排，未整理去重。 圖片清晰度受引文原圖所限。 如有內容異常，請看原文。 Photoelectric Effect 光電效應 Discussion dilemma Under the…
閱讀更多...
Visual Studio 2019/2022：當前不會命中斷點，還沒有為該文檔加載任何符號。

Visual Studio 2019/2022：當前不會命中斷點，還沒有為該文檔加載任何符號。

1、打開調試的模塊窗口，該窗口一定要在調試狀態下才會顯示。 vs2019打開調試的模塊窗口 2、Visual Studio 2019提示未使用調試信息生成二進制文件 未使用調試信息生成二進制文件 3、然后到debug目錄下看下確實未生成CoreCms.Net.Web.WebApi.pdb文件。 那下面的…
閱讀更多...
打破性能瓶頸：用DBB重參數化模塊優化YOLOv8檢測頭

打破性能瓶頸：用DBB重參數化模塊優化YOLOv8檢測頭

文章目錄 引言DBB 重參數化模塊簡介DBB 的優勢 YOLOv8 檢測頭的結構分析使用 DBB 模塊魔改檢測頭替換策略代碼實現改進后的效果預期 實驗與驗證總結與展望 引言 在目標檢測領域，YOLO 系列算法一直以其高效的檢測速度和不錯的檢測精度受到廣泛關注。隨著版本的不斷更…
閱讀更多...
如何成為更好的自己？

如何成為更好的自己？

成為更好的自己是一個持續成長的過程，需要結合自我認知、目標規劃和行動力。以下是一些具體建議，幫助你逐步提升： 1. 自我覺察：認識自己 反思與復盤：每天花10分鐘記錄當天的決策、情緒和行為，分析哪些做得…
閱讀更多...
免費使用GPU的探索筆記

免費使用GPU的探索筆記

多種有免費時長的平臺 https://www.cnblogs.com/java-note/p/18760386 Kaggle免費使用GPU的探索 https://www.kaggle.com/ 注冊Kaggle賬號 訪問Kaggle官網，使用郵箱注冊賬號。 發現gpu都是灰色的 返回home，右上角的頭像點開 驗證手機號 再次code-you…
閱讀更多...
CSS- 4.2 相對定位（position: relative）

CSS- 4.2 相對定位（position: relative）

本系列可作為前端學習系列的筆記，代碼的運行環境是在HBuilder中，小編會將代碼復制下來，大家復制下來就可以練習了，方便大家學習。 HTML系列文章 已經收錄在前端專欄，有需要的寶寶們可以點擊前端專欄查看！ 點…
閱讀更多...
如何使用Antv X6使用拖拽布局？

如何使用Antv X6使用拖拽布局？

拖拽效果圖 拖拽后 布局預覽 官方： X6 圖編輯引擎 | AntV 安裝依賴 # npm npm install antv/x6 --save npm install antv/x6-plugin-dnd --save npm install antv/x6-plugin-export --save需要引入的代碼 import { Graph, Shape } from antv/x6; import { Dnd } …
閱讀更多...
數據庫健康監測器（BHM）實戰：如何通過 HTML 報告識別潛在問題

數據庫健康監測器（BHM）實戰：如何通過 HTML 報告識別潛在問題

在數據庫運維中，健康監測是保障系統穩定性與性能的關鍵環節。通過 HTML 報告，開發者可以直觀查看數據庫的運行狀態、資源使用情況與潛在風險。 本文將圍繞 數據庫健康監測器（Database Health Monitor, BHM） 的核心功能展開分析，結合 Prometheus + Grafana + MySQL Export…
閱讀更多...
PCB設計實踐（二十四）PCB設計時如何避免EMI

PCB設計實踐（二十四）PCB設計時如何避免EMI

PCB設計中避免電磁干擾（EMI）是一項涉及電路架構、布局布線、材料選擇及制造工藝的系統工程。本文從設計原理到工程實踐，系統闡述EMI產生機制及綜合抑制策略，覆蓋高頻信號控制、接地優化、屏蔽技術等核心維度，為高密度、…
閱讀更多...
嵌入式硬件篇---陀螺儀｜PID

嵌入式硬件篇---陀螺儀｜PID

文章目錄 前言1. 硬件準備主控芯片陀螺儀模塊電機驅動電源其他2. 硬件連接3. 軟件實現步驟(1) MPU6050初始化與數據讀取(2) 姿態解算（互補濾波或DMP）(3) PID控制器設計(4) 麥克納姆輪協同控制4. 主程序邏輯5. 關鍵優化與調試技巧(1) 傳感器校準(2) PID參數整定先調P再調D最后…
閱讀更多...
【Linux基礎I/O】文件調用接口、文件描述符、重定向和緩沖區

【Linux基礎I/O】文件調用接口、文件描述符、重定向和緩沖區

【Linux基礎I/O一】文件描述符和重定向 1.C語言的文件調用接口2.操作系統的文件調用接口2.1open接口2.2close接口2.3write接口2.4read接口 3.文件描述符fd的本質4.標準輸入、輸出、錯誤5.重定向5.1什么是重定向5.2輸入重定向和輸出重定向5.3系統調用的重定向dup2 6.緩沖區 1.C語…
閱讀更多...
鴻蒙HarmonyOS 【ArkTS組件】通用屬性-背景設置

鴻蒙HarmonyOS 【ArkTS組件】通用屬性-背景設置

📑往期推文全新看點（附帶最新鴻蒙全棧學習筆記） 嵌入式開發適不適合做鴻蒙南向開發？看完這篇你就了解了~ 鴻蒙崗位需求突增！移動端、PC端、IoT到底該怎么選？ 分享一場鴻蒙開發面試經驗記錄（三面…
閱讀更多...
【76. 最小覆蓋子串】

【76. 最小覆蓋子串】

Leetcode算法練習 筆記記錄 76. 最小覆蓋子串 76. 最小覆蓋子串 滑動窗口的hard題目，思路先找到第一個覆蓋的窗口，不斷縮小左邊界，找到更小的窗口并記錄。 思路很簡單，寫起來就不是一會事了，看題解看了幾個h&#xff0…
閱讀更多...
Spring事務簡單操作

Spring事務簡單操作

什么是事務？ 事務是一組操作的集合，是一個不可分割的操作 事務會把所有的操作作為?個整體, ?起向數據庫提交或者是撤銷操作請求. 所以這組操作要么同時 成功, 要么同時失敗. 事務的操作 分為三步： 1. 開啟事start transaction/ begin …
閱讀更多...
Rust 學習筆記：關于錯誤處理的練習題

Rust 學習筆記：關于錯誤處理的練習題

Rust 學習筆記：關于錯誤處理的練習題 Rust 學習筆記：關于錯誤處理的練習題想看到回溯，需要把哪個環境變量設置為 1？以下哪一項不是使用 panic 的好理由？以下哪一項最能描述為什么 File::open 返回的是 Result 而不是 O…
閱讀更多...
最新文章

Copyright @ 2022~2023