基于Transformer的機器翻譯——訓練篇

前言

還在為機器翻譯模型從理論到落地卡殼？系列博客第三彈——模型訓練篇強勢登場，手把手帶你走完Transformer中日翻譯項目的最后關鍵一步！

前兩期我們搞定了數據預處理（分詞、詞表構建全流程）和模型搭建（詞嵌入、位置編碼、編碼器解碼器核心結構），而這一篇，將聚焦讓模型“學會翻譯”的核心秘籍：

  • 如何設計損失函數，讓模型精準捕捉中日語言差異？
  • 優化器參數怎么調，才能讓訓練更穩定、收斂更快？

從數據到模型，再到訓練全流程，一套代碼跑通Transformer翻譯任務。

本篇主要介紹機器翻譯項目中模型訓練部分是如何處理的，延續之前篇章預處理篇，模型篇的內容。
系列博客第一彈——基于Transformer的機器翻譯——預處理篇
系列博客第二彈——基于Transformer的機器翻譯——模型篇
系列博客第三彈——基于Transformer的機器翻譯——訓練篇

1.模型介紹

1.1模型參數配置

參數主要有源語言與目標語言詞表大小、詞嵌入維度、多頭注意力頭數、前饋神經網絡隱藏層維度、編碼器與解碼器層數、批量大小等，這些均屬于超參數，需要在訓練中不斷調整，考慮到自身硬件條件，超參數設置如下：

# 模型參數配置
SRC_VOCAB_SIZE = len(ja_vocab)  # 源語言（日語）詞匯表大小
TGT_VOCAB_SIZE = len(ch_vocab)  # 目標語言(中文)詞匯表大小
EMB_SIZE = 512                  # 詞嵌入維度（與Transformer的d_model一致）
NHEAD = 8                       # 多頭注意力的頭數
FFN_HID_DIM = 512               # 前饋網絡隱藏層維度
BATCH_SIZE = 16                 # 批量大小（每次輸入的樣本數）
NUM_ENCODER_LAYERS = 3          # 編碼器層數
NUM_DECODER_LAYERS = 3          # 解碼器層數
NUM_EPOCHS = 16                 # 訓練輪數（完整遍歷數據集的次數）

接著初始化網絡模型：

transformer = Seq2SeqTransformer(NUM_ENCODER_LAYERS,NUM_DECODER_LAYERS,EMB_SIZE,SRC_VOCAB_SIZE,TGT_VOCAB_SIZE,FFN_HID_DIM
)

1.2模型結構

可以直接打印模型，查看模型結構，如下：

transformer

輸出結果：

Seq2SeqTransformer((transformer_encoder): TransformerEncoder((layers): ModuleList((0-2): 3 x TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True))(linear1): Linear(in_features=512, out_features=512, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=512, out_features=512, bias=True)(norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False))))(transformer_decoder): TransformerDecoder((layers): ModuleList((0-2): 3 x TransformerDecoderLayer((self_attn): MultiheadAttention((out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True))(multihead_attn): MultiheadAttention((out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True))(linear1): Linear(in_features=512, out_features=512, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=512, out_features=512, bias=True)(norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True)(norm3): LayerNorm((512,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(dropout3): Dropout(p=0.1, inplace=False))))(generator): Linear(in_features=512, out_features=26854, bias=True)(src_tok_emb): TokenEmbedding((embedding): Embedding(24058, 512))(tgt_tok_emb): TokenEmbedding((embedding): Embedding(26854, 512))(positional_encoding): PositionalEncoding((dropout): Dropout(p=0.1, inplace=False))
)

1.3參數初始化

一般主要有兩種初始化模型參數的方法，包括He初始化（即一般默認的初始化方法）和Xavier初始化方法。

  • He初始化：適用于使用ReLU或其變種Leaky ReLU這類激活函數的神經網絡。
  • Xavier初始化：適用于tanh、sigmoid等這類對稱激活函數。

這里采用Xavier初始化，代碼如下：

# 參數初始化（Xavier均勻初始化，緩解梯度消失/爆炸）
for p in transformer.parameters():if p.dim() > 1:  # 僅初始化非標量參數nn.init.xavier_uniform_(p)

為了加快模型的訓練速度，這里使用GPU加速，即將模型遷移至GPU上進行訓練。

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
transformer = transformer.to(device)

如果未配置GPU環境，此處會默認使用CPU。

2.訓練策略

2.1損失函數

因為該問題最終是一個分類問題，預測詞表中的一個單詞。而分類問題，一般采用交叉熵損失函數。同時，因為此前我們填充<PAD_IDX>字符使輸入句子長度保持一致，所以在計算交叉熵的時候，應該將該字符產生的損失忽略。
代碼如下：

loss_fn = torch.nn.CrossEntropyLoss(ignore_index=PAD_IDX)

2.2優化器

優化器大都會選用自適應優化器Adam，相對于常規的SGD(隨機梯度下降方法)，避免了頻繁調整參數，同時能夠更快的收斂。代碼如下：

optimizer = torch.optim.Adam(transformer.parameters(),  # 待優化的模型參數lr=0.0001,                  # 學習率（控制參數更新步長）betas=(0.9, 0.98),          # 動量參數（控制歷史梯度的衰減）eps=1e-9                    # 數值穩定性參數（防止除零）
)

2.3訓練過程

整體的訓練過程主要包括五個步驟：

  1. 梯度清零
  2. 計算模型輸出
  3. 計算損失
  4. 方向傳播
  5. 參數更新

模型輸入包括兩部分，輸入的源語言，和目標語言已經生成的部分，分別對應于編碼器的輸入和解碼器的輸入。
因為是逐個token進行預測，所以編碼器的輸入不包括句子的最后一個token即EOS_IDX，模型預測輸出到EOS_IDX即結束，相應的監督標簽為目標語言不包括第一個token即BOS_IDX。
相應代碼為：

src = src.to(device)       # 將源序列移動到GPU/CPUtgt = tgt.to(device)       # 將目標序列移動到GPU/CPUtgt_input = tgt[:-1, :]    # 目標輸入去掉最后一個詞tgt_output = tgt[1:, :]   # 目標輸出去掉第一個詞

因為模型在進行訓練時，不能關注到目標輸入后續的token，因此需要掩碼注意力機制

2.3.1順序掩碼

采用下三角掩碼，防止模型在預測第i個詞時關注到第i+1、i+2… 個詞（即 “未來信息”）

  1. 通過torch.triu(torch.ones((3,3))) 生成上三角矩陣（對角線及以上為 1，其余為 0）
  2. ==1 轉為布爾矩陣（True 表示原位置為 1），再 transpose(0,1) 轉置（行變列，列變行）
  3. masked_fill 填充：True 位置（有效）填 0.0，False 位置（無效，未來信息）填-inf
    本案例主要通過函數generate_square_subsequent_mask函數實現，代碼如下：
def generate_square_subsequent_mask(sz):# 1. 生成上三角矩陣（對角線及以上為1，其余為0）mask = (torch.triu(torch.ones((sz, sz), device=device)) == 1).transpose(0, 1)# 2. 將0的位置填充為-inf（無效位置），1的位置填充為0（有效位置）mask = mask.float().masked_fill(mask == 0, float('-inf')).masked_fill(mask == 1, float(0.0))return mask

2.3.2完整掩碼組合

這里主要4 種掩碼，分別用于源序列和目標序列的注意力計算。

2.3.2.1源序列自注意力掩碼

源序列是輸入，無需掩蓋 “未來信息”，因此全為 0（允許關注所有位置）。

2.3.2.2目標序列自注意力掩碼

可以通過調用 generate_square_subsequent_mask實現。

2.3.2.3源序列填充掩碼

標記源序列中PAD的位置，讓模型在注意力計算時忽略這些無效位置。

2.3.2.4目標序列填充掩碼

類似源序列，標記目標序列中PAD的位置。

2.3.2.5完整代碼

上述四種掩碼的生成代碼可表述為以下代碼：

def create_mask(src, tgt):src_seq_len = src.shape[0]  # 源序列長度（seq_len）tgt_seq_len = tgt.shape[0]  # 目標序列長度（seq_len）# 目標序列的注意力掩碼（下三角掩碼，防止關注未來詞）tgt_mask = generate_square_subsequent_mask(tgt_seq_len)# 源序列的注意力掩碼（全0，允許關注所有位置）src_mask = torch.zeros((src_seq_len, src_seq_len), device=device).type(torch.bool)# 源序列的填充掩碼（標記<pad>的位置）src_padding_mask = (src == PAD_IDX).transpose(0, 1)# 目標序列的填充掩碼（標記<pad>的位置）tgt_padding_mask = (tgt == PAD_IDX).transpose(0, 1)return src_mask, tgt_mask, src_padding_mask, tgt_padding_mask

2.3.3訓練代碼

由上述代碼可得，訓練過程可表述為以下代碼：

  1. 獲取當前批量的輸入與目標輸出序列
  2. 生成掩碼
  3. 計算模型預測輸出
  4. 清空梯度
  5. 計算預測輸出與目標輸出之間的損失
  6. 方向傳播
  7. 更新梯度
for idx, (src, tgt) in enumerate(train_iter):  # 遍歷訓練數據迭代器src = src.to(device)       # 將源序列移動到GPU/CPUtgt = tgt.to(device)       # 將目標序列移動到GPU/CPUtgt_input = tgt[:-1, :]    # 目標輸入去掉最后一個詞tgt_output = tgt[1:, :]   # 目標輸出去掉第一個詞# 生成掩碼（注意力掩碼+填充掩碼）src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)# 前向傳播：模型預測logits = model(src, tgt_input, src_mask, tgt_mask,src_padding_mask, tgt_padding_mask, src_padding_mask)optimizer.zero_grad()      # 清空優化器梯度tgt_out = tgt[1:, :]       # 目標輸出（去掉第一個詞，與預測對齊）loss = loss_fn(            # 計算損失logits.reshape(-1, logits.shape[-1]),  # 展平預測結果（[seq_len*batch_size, vocab_size]）tgt_out.reshape(-1)                    # 展平真實標簽（[seq_len*batch_size]）)loss.backward()            # 反向傳播計算梯度optimizer.step()           # 更新模型參數losses += loss.item()      # 累加單批損失

為了減小梯度抖動，采用當前iter內所有損失的平均和，同時為了可視化損失折線圖，加入了tensorboard可視化，并加入進度條來顯示訓練過程，當前訓練過程。代碼如下：

def train_epoch(model, train_iter, optimizer):model.train()  # 開啟訓練模式（啟用Dropout等）losses = 0     # 累計損失值for idx, (src, tgt) in enumerate(train_iter):  # 遍歷訓練數據迭代器src = src.to(device)       # 將源序列移動到GPU/CPUtgt = tgt.to(device)       # 將目標序列移動到GPU/CPUtgt_input = tgt[:-1, :]    # 目標輸入去掉最后一個詞tgt_output = tgt[1:, :]   # 目標輸出去掉第一個詞# 生成掩碼（注意力掩碼+填充掩碼）src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)# 前向傳播：模型預測logits = model(src, tgt_input, src_mask, tgt_mask,src_padding_mask, tgt_padding_mask, src_padding_mask)optimizer.zero_grad()      # 清空優化器梯度tgt_out = tgt[1:, :]       # 目標輸出（去掉第一個詞，與預測對齊）loss = loss_fn(            # 計算損失logits.reshape(-1, logits.shape[-1]),  # 展平預測結果（[seq_len*batch_size, vocab_size]）tgt_out.reshape(-1)                    # 展平真實標簽（[seq_len*batch_size]）)# 寫入tensorboardwriter.add_scalar('train_loss',loss.item(),idx)loss.backward()            # 反向傳播計算梯度optimizer.step()           # 更新模型參數losses += loss.item()      # 累加單批損失train_bar.set_postfix({'loss': '{:.6f}'.format(loss.item())})train_bar.update()return losses / len(train_iter)  # 返回平均訓練損失

為了避免長時間等待，因此使用當前數據集的10%，其中9%作為訓練集，1%作為測試集。代碼如下：

train_iter = DataLoader(train_data[:int(len(train_data)*0.09)], batch_size=BATCH_SIZE,shuffle=True, collate_fn=generate_batch)
test_iter = DataLoader(train_data[int(len(train_data)*0.09):int(len(train_data)*0.1)], batch_size=BATCH_SIZE,shuffle=True, collate_fn=generate_batch)

3.訓練結果

假如此時按照每個iter來進行記錄損失（上述代碼就是如此），結果會出現劇烈波動，整體還是會保持下降趨勢，結果如下：
在這里插入圖片描述
此時將其改成每個epoch來記錄損失，取當前epoch的平均值，結果如下：
在這里插入圖片描述
此時只統計了12個點，當然你可以通過增加epoch輪數來增加統計的點數，但是曲線的變化趨勢往往是判斷模型過擬合和欠擬合的關鍵，因此一般采用每多個iter內的加權值來統計一次損失。這里為了方便起見，采用的仍是按照epoch進行統計的。

同時為了可視化訓練進度，此處加入了進度條來實時展示訓練的進度。統計損失使用tensorboard進行可視化。
完整訓練過程代碼為：
訓練函數：

writer=SummaryWriter('./logs')
def train_epoch(model, train_iter, optimizer,epoch):model.train()  # 開啟訓練模式（啟用Dropout等）losses = 0     # 累計損失值for idx, (src, tgt) in enumerate(train_iter):  # 遍歷訓練數據迭代器src = src.to(device)       # 將源序列移動到GPU/CPUtgt = tgt.to(device)       # 將目標序列移動到GPU/CPUtgt_input = tgt[:-1, :]    # 目標輸入去掉最后一個詞tgt_output = tgt[1:, :]   # 目標輸出去掉第一個詞# 生成掩碼（注意力掩碼+填充掩碼）src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)# 前向傳播：模型預測logits = model(src, tgt_input, src_mask, tgt_mask,src_padding_mask, tgt_padding_mask, src_padding_mask)optimizer.zero_grad()      # 清空優化器梯度tgt_out = tgt[1:, :]       # 目標輸出（去掉第一個詞，與預測對齊）loss = loss_fn(            # 計算損失logits.reshape(-1, logits.shape[-1]),  # 展平預測結果（[seq_len*batch_size, vocab_size]）tgt_out.reshape(-1)                    # 展平真實標簽（[seq_len*batch_size]）)loss.backward()            # 反向傳播計算梯度optimizer.step()           # 更新模型參數losses += loss.item()      # 累加單批損失train_bar.set_postfix({'loss': '{:.6f}'.format(loss.item())})train_bar.update()# 寫入tensorboardwriter.add_scalar('train_loss',losses / len(train_iter),epoch)return losses / len(train_iter)  # 返回平均訓練損失

驗證函數：

def evaluate(model, test_iter,epoch):model.eval()losses = 0for src, tgt in test_iter:src = src.to(device)tgt = tgt.to(device)tgt_input = tgt[:-1, :]tgt_output = tgt[1:, :]src_mask, tgt_mask, src_padding_mask, tgt_padding_mask = create_mask(src, tgt_input)logits = model(src, tgt_input, src_mask, tgt_mask, src_padding_mask, tgt_padding_mask, src_padding_mask)tgt_out = tgt[1:, :]loss = loss_fn(logits.reshape(-1, logits.shape[-1]), tgt_out.reshape(-1))losses += loss.item()test_bar.set_postfix({'loss': '{:.6f}'.format(loss.item())})test_bar.update()writer.add_scalar('test_loss',losses / len(test_iter),epoch)return losses / len(test_iter)

調用函數：

from tqdm.notebook import tqdm
epoch_bar = tqdm(desc='training routine',total=NUM_EPOCHS,position=0)train_bar = tqdm(desc='split=train',total=len(train_iter),position=0,leave=True)
test_bar=tqdm(desc='split=test',total=len(test_iter),position=0,leave=True)
best_loss = float('inf')
for epoch in range(1, NUM_EPOCHS+1):start_time = time.time()train_loss = train_epoch(transformer, train_iter, optimizer,epoch)test_loss = evaluate(transformer, test_iter,epoch)if test_loss < best_loss:best_loss = test_loss# 保存時分開保存torch.save(transformer.state_dict(), './share/model_weights.pth')  # 只保存權重torch.save({'ja_vocab': ja_vocab, 'ch_vocab': ch_vocab}, './share/vocab.pth')  # 保存詞表print(f"Epoch: {epoch}, Train loss: {train_loss:.3f}, Model saved.")epoch_bar.set_postfix({'train_loss': '{:.6f}'.format(train_loss)})epoch_bar.update()train_bar.n = 0test_bar.n=0end_time = time.time()print((f"Epoch: {epoch}, Train loss: {train_loss:.3f}, "f"Epoch time = {(end_time - start_time):.3f}s"))

訓練結果：
在這里插入圖片描述
在這里插入圖片描述

結語

至此，基于Transformer的機器翻譯任務就介紹完畢了，至于模型性能的評價指標如BLEU并未做介紹，感興趣的可以自行探索，希望本案例，能夠對你有所幫助，感謝支持！
系列博客第一彈——基于Transformer的機器翻譯——預處理篇
系列博客第二彈——基于Transformer的機器翻譯——模型篇
系列博客第三彈——基于Transformer的機器翻譯——訓練篇

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/pingmian/93861.shtml
繁體地址，請注明出處：http://hk.pswp.cn/pingmian/93861.shtml
英文地址，請注明出處：http://en.pswp.cn/pingmian/93861.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

智能編程中的智能體與 AI 應用：概念、架構與實踐場景

智能編程中的智能體與 AI 應用：概念、架構與實踐場景

一、智能體&#xff08;Intelligent Agent&#xff09;在編程中的定義與架構1. 智能體的核心概念 智能體是指在特定環境中能夠自主感知、決策并執行動作的軟件實體&#xff0c;具備以下特征&#xff1a;自主性&#xff1a;無需人工干預即可根據環境變化調整行為。交互性&#x…
閱讀更多...
數組實現各類數據結構

數組實現各類數據結構

目錄 一、數組實現單鏈表 二、數組實現雙鏈表 三、數組實現棧 四、數組模擬隊列 五、數組模擬單調棧 六、數組模擬單調隊列&#xff08;滑動窗口&#xff09; 七、數組模擬堆 一、數組實現單鏈表 #include<iostream> #include<algorithm> #include<cstr…
閱讀更多...
數據處理與統計分析 —— apply自定義函數

數據處理與統計分析 —— apply自定義函數

目錄 一、向量化與偽向量化 1、向量化 2、np.vectorize 偽向量化&#xff08;特定場景&#xff09; 3、apply&#xff08;自定義函數&#xff09; 二、apply函數 1、對series中使用apply 2、對dataframe中使用apply 3、apply函數案例-泰坦尼克號數據集] 數據集下載鏈接&#xf…
閱讀更多...
如何有效利用大語言模型來智能加速產業聯盟的產業鏈轉化路徑？

如何有效利用大語言模型來智能加速產業聯盟的產業鏈轉化路徑？

觀點作者&#xff1a;科易網AI技術轉移研究院在科技創新浪潮席卷全球的今天&#xff0c;科技成果轉化已成為衡量一個國家創新能力的重要標志。然而&#xff0c;一項權威調查顯示&#xff0c;我國科技成果轉化率不足30%&#xff0c;大量有價值的創新成果仍停留在實驗室階段&…
閱讀更多...
視頻加水印 視頻加水印軟件 視頻加動態水印

視頻加水印 視頻加水印軟件 視頻加動態水印

如果你有一個視頻&#xff0c;你想給他加一個水印&#xff0c;那么你可以使用這個工具&#xff0c;準備好你的視頻和水印。水印一般采用PNG&#xff0c;打開這個工具&#xff0c;把你的視頻和水印拖進這個方框當中。視頻限制是MP4&#xff0c;水印限制是PNG&#xff0c;它可以把…
閱讀更多...
面向DeepSeek chat coding實錄（二）

面向DeepSeek chat coding實錄（二）

向DeepSeek的提問 幫我設計以下兩個python class Span 屬性&#xff1a; hash值&#xff08;在init函數中通過時間初始化&#xff09; 創建時間&#xff1a;時間&#xff08;在init函數中通過時間初始化&#xff09; 結束時間&#xff1a;時間&#xff08;可選&#xff0c;默認…
閱讀更多...
Hi3516CV610-00S 海思SOC芯片 可申請開發資料

Hi3516CV610-00S 海思SOC芯片 可申請開發資料

1.1 概述Hi3516CV610 是一顆應用在安防市場的 IPC SoC。在開放操作系統、新一代視頻編解碼標準、網絡安全和隱私保護、人工智能方面引領行業發展&#xff0c;主要面向室內外場景下的槍機、球機、半球機、海螺機、槍球一體機、雙目長短焦機等產品形態&#xff0c;打造極具競爭力…
閱讀更多...
算法題Day4

算法題Day4

目錄 13. 練習13 : 整數十位 14. 練習14 : 時間轉換 15. 練習15 : 小雨的游泳時間 13. 練習13 : 整數十位 解題方法: #include <iostream> using namespace std; int a; int main() {cin >> a;cout << a % 100 / 10 << endl;return 0; } 14. 練習…
閱讀更多...
加速你的故障排查：使用 Elasticsearch 構建家電手冊的 RAG 應用

加速你的故障排查：使用 Elasticsearch 構建家電手冊的 RAG 應用

作者&#xff1a;來自 Elastic Alessandro Brofferio 學習如何使用 Elasticsearch 構建 RAG 應用&#xff0c;輕松排查你的家電問題。 想要獲得 Elastic 認證嗎&#xff1f;來看看下一次 Elasticsearch 工程師培訓什么時候開始吧&#xff01; Elasticsearch 擁有大量新功能&am…
閱讀更多...
6.Shell腳本修煉手冊---grep命令使用指南

6.Shell腳本修煉手冊---grep命令使用指南

grep 命令&#xff1a;從文本中精準篩選信息的實用指南 文章目錄grep 命令&#xff1a;從文本中精準篩選信息的實用指南一、什么是 grep&#xff1f;為什么要用它&#xff1f;二、grep 基本語法三、常用選項詳解&#xff08;附實例&#xff09;&#xff08;一&#xff09;模式選…
閱讀更多...
Python day51

Python day51

浙大疏錦行 Python day51 復習日&#xff0c;DDPM class DenoiseDiffusion():def __init__(self, eps_model: nn.Module, n_steps: int, device: torch.device):super().__init__()self.eps_model eps_modelself.n_steps n_stepsself.device deviceself.beta torch.linsp…
閱讀更多...
數據結構：生成 (Generating) 一棵 AVL 樹

數據結構：生成 (Generating) 一棵 AVL 樹

目錄 搭建“創世”的舞臺 注入序列&#xff0c;觀察演化 注入 10 注入 20 注入 30 注入 40 注入 50 注入 25 再次審視 上一講&#xff0c;我們已經從最根本的邏輯出發&#xff0c;推導出了 AVL 樹失衡時所必需的修復操作——旋轉 (Rotation)。 現在&#xff0c;我們將…
閱讀更多...
github 上傳代碼步驟

github 上傳代碼步驟

登錄GitHub → 點擊右上角 ?? → New Repository??。填寫倉庫名稱&#xff08;建議與本地項目同名&#xff09;&#xff0c;選擇 ??Public/Private??。??關鍵&#xff1a;不要勾選?? “Initialize with README”&#xff08;避免與本地倉庫沖突&#xff09;。點擊 …
閱讀更多...
陪診小程序系統開發：開啟智慧就醫新時代

陪診小程序系統開發：開啟智慧就醫新時代

在數字化浪潮的推動下&#xff0c;智慧醫療正逐漸成為現實。陪診小程序系統的開發&#xff0c;作為智慧醫療領域的一次重要創新&#xff0c;正以其獨特的魅力與優勢&#xff0c;引領著就醫新時代的到來。它不僅改變了傳統就醫模式&#xff0c;更以科技的力量&#xff0c;讓醫療…
閱讀更多...
朝花夕拾(七)--------從混淆矩陣到分類報告全面解析?

朝花夕拾(七)--------從混淆矩陣到分類報告全面解析?

目錄 ??機器學習模型評估指南&#xff1a;從混淆矩陣到分類報告全面解析?? ??1. 引言?? ??2. 混淆矩陣&#xff1a;模型評估的基石?? ??2.1 什么是混淆矩陣&#xff1f;?? 2.2二分類問題的混淆矩陣 ??二分類場景下的具體案例? ?分析案例: 1.??案例…
閱讀更多...
Python讀取和設置PNG圖片的像素值

Python讀取和設置PNG圖片的像素值

在Python中&#xff0c;可以使用Pillow庫或OpenCV庫來讀取和寫入PNG圖片的像素值。以下是兩種方法的詳細說明&#xff1a;1. 使用Pillow庫Pillow是Python中常用的圖像處理庫&#xff0c;支持多種圖像格式&#xff0c;包括PNG。讀取像素值from PIL import Imageimg Image.open(…
閱讀更多...
SkyWalking + Elasticsearch8 容器化部署指南：國內鏡像加速與生產級調優

SkyWalking + Elasticsearch8 容器化部署指南：國內鏡像加速與生產級調優

SkyWalking Elasticsearch8 Docker 部署文檔本文提供在 Ubuntu 服務器上&#xff0c;使用 Docker Compose 部署 SkyWalking&#xff08;OAPUI&#xff09;與 Elasticsearch 8 的完整步驟&#xff0c;數據/日志落地到 /media/disk2 前置條件 Ubuntu&#xff0c;已具備 sudo 權限…
閱讀更多...
有符號和無符號的區別

有符號和無符號的區別

有符號&#xff08;Signed&#xff09;和無符號&#xff08;Unsigned&#xff09;是計算機編程中用來描述整數數據類型能否表示負數的兩個概念。它們的主要區別在于能否表示負數以及數值的表示范圍。以下是它們的核心區別&#xff1a;1. 能否表示負數有符號&#xff08;Signed&…
閱讀更多...
8月21日作業

8月21日作業

1、Makefile中頭文件發生過修改的解決&#xff1a; 處插入*.h依賴&#xff0c;對.h文件打的時間戳進行檢查2、頭刪和輸出//五、頭刪 void delete_head(seq_p s) {empty(s);for(int i1;i<s->len;i){s->data[i-1]s->data[i];}s->len--; }//六、輸出 void output(s…
閱讀更多...
Lucene 8.5.0 的 `.pos` 文件**邏輯結構**

Lucene 8.5.0 的 `.pos` 文件**邏輯結構**

Lucene 8.5.0 的 .pos 文件**邏輯結構**&#xff08;按真實實現重新整理&#xff09; .pos 文件 ├─ Header (CodecHeader) ├─ TermPositions TermCount ← 每個 term 一段&#xff0c;順序由詞典隱式決定 │ ├─ PackedPosDeltaBlock N ← 僅當 **無 payl…
閱讀更多...
最新文章

Copyright @ 2022~2023