深度學習Week16——數據增強

文章目錄
深度學習Week16——數據增強
一、前言
二、我的環境
三、前期工作
1、配置環境
2、導入數據
2.1 加載數據
2.2 配置數據集
2.3 數據可視化
四、數據增強
五、增強方式
1、將其嵌入model中
2、在Dataset數據集中進行數據增強
六、訓練模型
七、自定義增強函數

一、前言

  • 🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客
  • 🍖 原作者：K同學啊 | 接輔導、項目定制

本篇內容分為兩個部分，前面部分是學習K同學給的算法知識點以及復現，后半部分是自己的拓展與未解決的問題

本期學習了數據增強函數并自己實現一個增強函數，使用的數據集仍然是貓狗數據集。

二、我的環境

  • 電腦系統：Windows 10
  • 語言環境：Python 3.8.0
  • 編譯器：Pycharm2023.2.3
    深度學習環境：TensorFlow
    顯卡及顯存：RTX 3060 8G

三、前期工作

1、配置環境

import matplotlib.pyplot as plt
import numpy as np
#隱藏警告
import warnings
warnings.filterwarnings('ignore')from tensorflow.keras import layers
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")if gpus:tf.config.experimental.set_memory_growth(gpus[0], True)  #設置GPU顯存用量按需使用tf.config.set_visible_devices([gpus[0]],"GPU")# 打印顯卡信息，確認GPU可用
print(gpus)

輸出：

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

這一步與pytorch第一步類似，我們在寫神經網絡程序前無論是選擇pytorch還是tensorflow都應該配置好gpu環境（如果有gpu的話）

2、 導入數據

導入所有貓狗圖片數據，依次分別為訓練集圖片(train_images)、訓練集標簽(train_labels)、測試集圖片(test_images)、測試集標簽(test_labels)，數據集來源于K同學啊

2.1 加載數據
data_dir   = "/home/mw/input/dogcat3675/365-7-data"
img_height = 224
img_width  = 224
batch_size = 32train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.3,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)

使用image_dataset_from_directory方法將磁盤中的數據加載到tf.data.Dataset中
tf.keras.preprocessing.image_dataset_from_directory()會將文件夾中的數據加載到tf.data.Dataset中，且加載的同時會打亂數據。

  • class_names
  • validation_split: 0和1之間的可選浮點數，可保留一部分數據用于驗證。
  • subset: training或validation之一。僅在設置validation_split時使用。
  • seed: 用于shuffle和轉換的可選隨機種子。
  • batch_size: 數據批次的大小。默認值：32
  • image_size: 從磁盤讀取數據后將其重新調整大小。默認：（256，256）。由于管道處理的圖像批次必須具有相同的大小，因此該參數必須提供。

輸出：

Found 3400 files belonging to 2 classes.
Using 2380 files for training.

由于原始的數據集里不包含測試集，所以我們需要自己創建一個

val_batches = tf.data.experimental.cardinality(val_ds)
test_ds     = val_ds.take(val_batches // 5)
val_ds      = val_ds.skip(val_batches // 5)print('Number of validation batches: %d' % tf.data.experimental.cardinality(val_ds))
print('Number of test batches: %d' % tf.data.experimental.cardinality(test_ds))

Number of validation batches: 60
Number of test batches: 15

我們可以通過class_names輸出數據集的標簽。標簽將按字母順序對應于目錄名稱。

class_names = train_ds.class_names
print(class_names)

[‘cat’, ‘dog’]

2.2 配置數據集
AUTOTUNE = tf.data.AUTOTUNEdef preprocess_image(image,label):return (image/255.0,label)# 歸一化處理
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds   = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds   = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
2.3 數據可視化
plt.figure(figsize=(15, 10))  # 圖形的寬為15高為10for images, labels in train_ds.take(1):for i in range(8):ax = plt.subplot(5, 8, i + 1) plt.imshow(images[i])plt.title(class_names[labels[i]])plt.axis("off")

在這里插入圖片描述

四 、數據增強

使用下面兩個函數來進行數據增強：

  • tf.keras.layers.experimental.preprocessing.RandomFlip:水平和垂直隨機翻轉每個圖像。
  • tf.keras.layers.experimental.preprocessing.RandomRotation:隨機旋轉每個圖像
data_augmentation = tf.keras.Sequential([tf.keras.layers.experimental.preprocessing.RandomFlip("horizontal_and_vertical"),tf.keras.layers.experimental.preprocessing.RandomRotation(0.3),
])

第一個層表示進行隨機的水平和垂直翻轉，而第二個層表示按照0.3的弧度值進行隨機旋轉。

# Add the image to a batch.
image = tf.expand_dims(images[i], 0)plt.figure(figsize=(8, 8))
for i in range(9):augmented_image = data_augmentation(image)ax = plt.subplot(3, 3, i + 1)plt.imshow(augmented_image[0])plt.axis("off")

五、增強方式

1. 將其嵌入model中

model = tf.keras.Sequential([data_augmentation,layers.Conv2D(16, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(32, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(64, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Flatten(),layers.Dense(128, activation='relu'),layers.Dense(len(class_names))
])


Epoch 1/20
43/43 [==============================] - 18s 103ms/step - loss: 1.2824 - accuracy: 0.5495 - val_loss: 0.4272 - val_accuracy: 0.8941
Epoch 2/20
43/43 [==============================] - 3s 55ms/step - loss: 0.3326 - accuracy: 0.8815 - val_loss: 0.1882 - val_accuracy: 0.9309
Epoch 3/20
43/43 [==============================] - 3s 54ms/step - loss: 0.1614 - accuracy: 0.9488 - val_loss: 0.1493 - val_accuracy: 0.9412
Epoch 4/20
43/43 [==============================] - 2s 54ms/step - loss: 0.1215 - accuracy: 0.9557 - val_loss: 0.0950 - val_accuracy: 0.9721
Epoch 5/20
43/43 [==============================] - 3s 54ms/step - loss: 0.0906 - accuracy: 0.9666 - val_loss: 0.0791 - val_accuracy: 0.9691
Epoch 6/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0614 - accuracy: 0.9768 - val_loss: 0.1131 - val_accuracy: 0.9559
Epoch 7/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0603 - accuracy: 0.9807 - val_loss: 0.0692 - val_accuracy: 0.9794
Epoch 8/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0577 - accuracy: 0.9793 - val_loss: 0.0609 - val_accuracy: 0.9779
Epoch 9/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0511 - accuracy: 0.9825 - val_loss: 0.0546 - val_accuracy: 0.9779
Epoch 10/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0462 - accuracy: 0.9871 - val_loss: 0.0628 - val_accuracy: 0.9765
Epoch 11/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0327 - accuracy: 0.9895 - val_loss: 0.0790 - val_accuracy: 0.9721
Epoch 12/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0242 - accuracy: 0.9938 - val_loss: 0.0580 - val_accuracy: 0.9794
Epoch 13/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0354 - accuracy: 0.9907 - val_loss: 0.0797 - val_accuracy: 0.9735
Epoch 14/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0276 - accuracy: 0.9900 - val_loss: 0.0810 - val_accuracy: 0.9691
Epoch 15/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0243 - accuracy: 0.9931 - val_loss: 0.1063 - val_accuracy: 0.9676
Epoch 16/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0253 - accuracy: 0.9914 - val_loss: 0.1142 - val_accuracy: 0.9721
Epoch 17/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0205 - accuracy: 0.9937 - val_loss: 0.0726 - val_accuracy: 0.9706
Epoch 18/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0154 - accuracy: 0.9948 - val_loss: 0.0741 - val_accuracy: 0.9765
Epoch 19/20
43/43 [==============================] - 3s 56ms/step - loss: 0.0155 - accuracy: 0.9966 - val_loss: 0.0870 - val_accuracy: 0.9721
Epoch 20/20
43/43 [==============================] - 3s 55ms/step - loss: 0.0259 - accuracy: 0.9907 - val_loss: 0.1194 - val_accuracy: 0.9721

這樣做的好處是：
數據增強這塊的工作可以得到GPU的加速（如果你使用了GPU訓練的話）
注意：只有在模型訓練時（Model.fit）才會進行增強，在模型評估(Model.evaluate)以及預測(Model.predict)時并不會進行增強操作。

2. 在Dataset數據集中進行數據增強

batch_size = 32
AUTOTUNE = tf.data.AUTOTUNEdef prepare(ds):ds = ds.map(lambda x, y: (data_augmentation(x, training=True), y), num_parallel_calls=AUTOTUNE)return ds

model = tf.keras.Sequential([layers.Conv2D(16, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(32, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(64, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Flatten(),layers.Dense(128, activation='relu'),layers.Dense(len(class_names))
])

Epoch 1/20
75/75 [==============================] - 11s 133ms/step - loss: 0.8828 - accuracy: 0.7113 - val_loss: 0.1488 - val_accuracy: 0.9447
Epoch 2/20
75/75 [==============================] - 2s 33ms/step - loss: 0.1796 - accuracy: 0.9317 - val_loss: 0.0969 - val_accuracy: 0.9658
Epoch 3/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0999 - accuracy: 0.9655 - val_loss: 0.0362 - val_accuracy: 0.9879
Epoch 4/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0566 - accuracy: 0.9810 - val_loss: 0.0448 - val_accuracy: 0.9853
Epoch 5/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0426 - accuracy: 0.9807 - val_loss: 0.0142 - val_accuracy: 0.9937
Epoch 6/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0149 - accuracy: 0.9944 - val_loss: 0.0052 - val_accuracy: 0.9989
Epoch 7/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0068 - accuracy: 0.9974 - val_loss: 7.9693e-04 - val_accuracy: 1.0000
Epoch 8/20
75/75 [==============================] - 2s 33ms/step - loss: 0.0015 - accuracy: 1.0000 - val_loss: 4.8532e-04 - val_accuracy: 1.0000
Epoch 9/20
75/75 [==============================] - 2s 33ms/step - loss: 4.5804e-04 - accuracy: 1.0000 - val_loss: 1.9160e-04 - val_accuracy: 1.0000
Epoch 10/20
75/75 [==============================] - 2s 33ms/step - loss: 1.7624e-04 - accuracy: 1.0000 - val_loss: 1.1390e-04 - val_accuracy: 1.0000
Epoch 11/20
75/75 [==============================] - 2s 33ms/step - loss: 1.1646e-04 - accuracy: 1.0000 - val_loss: 8.7005e-05 - val_accuracy: 1.0000
Epoch 12/20
75/75 [==============================] - 2s 33ms/step - loss: 9.0645e-05 - accuracy: 1.0000 - val_loss: 7.1111e-05 - val_accuracy: 1.0000
Epoch 13/20
75/75 [==============================] - 2s 33ms/step - loss: 7.4695e-05 - accuracy: 1.0000 - val_loss: 5.9888e-05 - val_accuracy: 1.0000
Epoch 14/20
75/75 [==============================] - 2s 33ms/step - loss: 6.3227e-05 - accuracy: 1.0000 - val_loss: 5.1448e-05 - val_accuracy: 1.0000
Epoch 15/20
75/75 [==============================] - 2s 33ms/step - loss: 5.4484e-05 - accuracy: 1.0000 - val_loss: 4.4721e-05 - val_accuracy: 1.0000
Epoch 16/20
75/75 [==============================] - 2s 33ms/step - loss: 4.7525e-05 - accuracy: 1.0000 - val_loss: 3.9201e-05 - val_accuracy: 1.0000
Epoch 17/20
75/75 [==============================] - 2s 33ms/step - loss: 4.1816e-05 - accuracy: 1.0000 - val_loss: 3.4528e-05 - val_accuracy: 1.0000
Epoch 18/20
75/75 [==============================] - 2s 33ms/step - loss: 3.7006e-05 - accuracy: 1.0000 - val_loss: 3.0541e-05 - val_accuracy: 1.0000
Epoch 19/20
75/75 [==============================] - 2s 33ms/step - loss: 3.2878e-05 - accuracy: 1.0000 - val_loss: 2.7116e-05 - val_accuracy: 1.0000
Epoch 20/20
75/75 [==============================] - 2s 33ms/step - loss: 2.9274e-05 - accuracy: 1.0000 - val_loss: 2.4160e-05 - val_accuracy: 1.0000

六、訓練模型

model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])epochs=20
history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)

loss, acc = model.evaluate(test_ds)
print("Accuracy", acc)

使用方法一：

15/15 [==============================] - 1s 58ms/step - loss: 0.0984 - accuracy: 0.9646
Accuracy 0.9645833373069763

使用方法二：


15/15 [==============================] - 1s 58ms/step - loss: 2.7453e-05 - accuracy: 1.0000
Accuracy 1.0

七、自定義增強函數

import random
def aug_img(image):seed = random.randint(0, 10000)  # 隨機種子# 隨機亮度image = tf.image.stateless_random_brightness(image, max_delta=0.2, seed=[seed, 0])# 隨機對比度image = tf.image.stateless_random_contrast(image, lower=0.8, upper=1.2, seed=[seed, 1])# 隨機飽和度image = tf.image.stateless_random_saturation(image, lower=0.8, upper=1.2, seed=[seed, 2])# 隨機色調image = tf.image.stateless_random_hue(image, max_delta=0.2, seed=[seed, 3])# 隨機翻轉水平和垂直image = tf.image.stateless_random_flip_left_right(image, seed=[seed, 4])image = tf.image.stateless_random_flip_up_down(image, seed=[seed, 5])# 隨機旋轉image = tf.image.rot90(image, k=random.randint(0, 3))  # 旋轉0, 90, 180, 270度return image

image = tf.expand_dims(images[3]*255, 0)
print("Min and max pixel values:", image.numpy().min(), image.numpy().max())

Min and max pixel values: 2.4591687 241.47968

plt.figure(figsize=(8, 8))
for i in range(9):augmented_image = aug_img(image)ax = plt.subplot(3, 3, i + 1)plt.imshow(augmented_image[0].numpy().astype("uint8"))plt.axis("off")

在這里插入圖片描述
然后我們使用了第二種增強方法，以下為他的結果：

15/15 [==============================] - 1s 57ms/step - loss: 0.1294 - accuracy: 0.9604
Accuracy 0.9604166746139526

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/web/24430.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/24430.shtml
英文地址，請注明出處：http://en.pswp.cn/web/24430.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

Geoserver源碼解讀一（環境搭建）

Geoserver源碼解讀一（環境搭建）

一、Github地址 https://github.com/geoserver/geoserver 1.1 克隆代碼 git clone https://github.com/geoserver/geoserver.git 1.2 選擇版本 版本選擇參考我的上一篇文章 Geoserver 以及 Geotools各版本和jdk版本對照表 此處我選擇的是兼容jdk8的最后一個版本 git che…
閱讀更多...
netty+springboot+vue聊天室（需要了解netty）

netty+springboot+vue聊天室（需要了解netty）

先看看這個使用websocket實現的聊天室，因為前端是使用websocket，和下面的demo的前端差不多就不解釋實現原理，所以建議還是看看(要是會websocket的大佬請忽略) springbootwebsocketvue聊天室 目錄 一、實現內容二、代碼實現1.后端2.前端源碼…
閱讀更多...
html+CSS+js部分基礎運用17

html+CSS+js部分基礎運用17

在圖書列表中，為書名“零基礎學JavaScript”和“HTML5CSS3精彩編程200例”添加顏色。（請用class或style屬性實現），效果如下圖1所示： 圖1 圖書列表 Class和style的綜合應用。（1）應用class的對象、…
閱讀更多...
命令行打包最簡單的android項目從零開始到最終apk文件

命令行打包最簡單的android項目從零開始到最終apk文件

準備好需要的工具 AndroidDevTools - Android開發工具 Android SDK下載 Android Studio下載 Gradle下載 SDK Tools下載 jdk的鏈接我就不發出來，自己選擇，我接下來用的是8版本的jdk和android10的sdk sdk的安裝和環境變量的配置 sdk tool壓縮包打開后是這樣子，打開sdk mana…
閱讀更多...
高防CDN是如何應對DDoS和CC攻擊的

高防CDN是如何應對DDoS和CC攻擊的

高防CDN（內容分發網絡）主要通過分布式的網絡架構來幫助網站抵御DDoS（分布式拒絕服務）和CC（挑戰碰撞）攻擊。 下面是高防CDN如何應對這些攻擊的詳細描述： 1. DDoS攻擊防護 DDoS攻擊通過大量的惡…
閱讀更多...
SREC用什么軟件編程：全面解析與編程工具選擇

SREC用什么軟件編程：全面解析與編程工具選擇

SREC用什么軟件編程：全面解析與編程工具選擇 在嵌入式系統開發中，SREC文件格式扮演著至關重要的角色，用于存儲和傳輸二進制數據。然而，對于許多初學者和開發者來說，如何選擇合適的軟件來編寫SREC文件卻是一個令人困惑…
閱讀更多...
STM32串口DMA 空閑中斷使用筆記

STM32串口DMA 空閑中斷使用筆記

這里只記錄注意要點： 1，要開啟串口 全局中斷 和對應的接收DMA 中斷，兩個中斷必須同時開 2，裸機程序需要在主循環外調用一次 這個函數 HAL_UARTEx_ReceiveToIdle_DMA(&huart2, rx_buff, BUFF_SIZE); 3，要在串口中…
閱讀更多...
【動態規劃-BM71 最長上升子序列(一)】

【動態規劃-BM71 最長上升子序列(一)】

題目 BM71 最長上升子序列(一) 分析 dp[i] 考慮到下標i&#xff0c;其組成的最長上升子序列長度 可以用動態規劃的原因&#xff1a; 到i的結果可以由到j &#xff08;j<i) 的結果推出&#xff0c;只需要判斷下標j對應的數字是否比下標i 對應的字母小即可 注意&#xf…
閱讀更多...
vs2013 - 打包

vs2013 - 打包

文章目錄 vs2013 - 打包概述installshield2013limitededitionMicrosoft Visual Studio 2013 Installer Projects選擇哪種來打包? 筆記VS2013打包和VS2019打包的區別打包工程選擇view打包工程中單擊工程名稱節點&#xff0c;就可以在屬性框中看到要改的屬性(e.g. 默認是x86, 要…
閱讀更多...
「動態規劃」當小偷改行去當按摩師，會發生什么？

「動態規劃」當小偷改行去當按摩師，會發生什么？

一個有名的按摩師會收到源源不斷的預約請求&#xff0c;每個預約都可以選擇接或不接。在每次預約服務之間要有休息時間&#xff0c;因此她不能接受相鄰的預約。給定一個預約請求序列&#xff0c;替按摩師找到最優的預約集合&#xff08;總預約時間最長&#xff09;&#xff0c;…
閱讀更多...
滲透測試之內核安全系列課程：Rootkit技術初探（三）

滲透測試之內核安全系列課程：Rootkit技術初探（三）

今天&#xff0c;我們來講一下內核安全&#xff01; 本文章僅提供學習&#xff0c;切勿將其用于不法手段&#xff01; 目前&#xff0c;在滲透測試領域&#xff0c;主要分為了兩個發展方向&#xff0c;分別為Web攻防領域和PWN&#xff08;二進制安全&#xff09;攻防領域。在…
閱讀更多...
Linux安裝RocketMQ教程【帶圖文命令巨詳細】

Linux安裝RocketMQ教程【帶圖文命令巨詳細】

巨詳細Linux安裝Nacos教程RocketMQ教程 1、檢查殘留版本2、上傳壓縮包至服務器2.1壓縮包獲取2.2創建相關目錄 3、安裝RocketMQ4、配置RocketMQ4.1修改runserver.sh和runbroker.sh啟動腳本4.2新增broker.conf配置信息4.3啟動關閉rocketmq4.4配置開機自啟動&#xff08;擴展項&am…
閱讀更多...
AI Agentic Design Patterns with AutoGen（下）：工具使用、代碼編寫、多代理群聊

AI Agentic Design Patterns with AutoGen（下）：工具使用、代碼編寫、多代理群聊

文章目錄 四、工具使用: 國際象棋游戲4.1 準備工具4.2 創建兩個棋手代理和棋盤代理4.3 注冊工具到代理4.4 創建對話流程&#xff0c;開始對話4.5 增加趣味性&#xff1a;加入閑聊 五、代碼編寫&#xff1a;財務分析5.1導入和配置代碼執行器5.2 創建 代碼執行/編寫 代理5.3 定義…
閱讀更多...
win10重裝系統？電腦系統重裝一鍵清晰，干貨分享！

win10重裝系統？電腦系統重裝一鍵清晰，干貨分享！

在電腦的使用過程中&#xff0c;由于各種原因&#xff0c;我們可能會遇到系統崩潰、運行緩慢或者出現各種難以解決的問題。這時&#xff0c;重裝系統往往是一個有效的解決方案。今天&#xff0c;我們就來詳細介紹一下如何在Win10環境下進行系統的重裝&#xff0c;幫助大家輕松解…
閱讀更多...
【三十三】springboot+序列化實現返回值脫敏和返回值字符串時間格式化問題

【三十三】springboot+序列化實現返回值脫敏和返回值字符串時間格式化問題

互相交流入口地址 整體目錄&#xff1a; 【一】springboot整合swagger 【二】springboot整合自定義swagger 【三】springboot整合token 【四】springboot整合mybatis-plus 【五】springboot整合mybatis-plus 【六】springboot整合redis 【七】springboot整合AOP實現日志操作 【…
閱讀更多...
【Java每日一題】2.和數最大操作II-動態規劃

【Java每日一題】2.和數最大操作II-動態規劃

題目難度&#xff1a;中等 主要提升&#xff1a;for循環思想、動態規劃思想、數組操作 一、題目描述&#xff1a; 給你一個整數數組 nums &#xff0c;如果 nums 至少包含 2 個元素&#xff0c;你可以執行以下操作中的任意一個&#xff1a; &#xff08;1&#xff09;選擇 n…
閱讀更多...
Java學習-JDBC(一)

Java學習-JDBC(一)

JDBC 概念 JDBC(Java Database Connectivity)Java數據庫連接JDBC提供了一組獨立于任何數據庫管理系統的APIJava提供接口規范&#xff0c;由各個數據庫廠商提供接口的實現&#xff0c;廠商提供的實現類封裝成jar文件&#xff0c;也就是我們俗稱的數據庫驅動jar包JDBC充分體現了…
閱讀更多...
什么是虛擬局域網？快解析有哪些的虛擬化應用功能？

什么是虛擬局域網？快解析有哪些的虛擬化應用功能？

什么是虛擬局域網&#xff1f;從字面上理解就是不是真實存在的局域網。虛擬局域網是將網絡用戶和設備集中在一起&#xff0c;從而可以對不同地域和商業的需要有一定的支持性。虛擬局域網有它的優點&#xff0c;在使用過程中可以為企業提供更安全、更穩定、更靈活的服務保障體系…
閱讀更多...
記錄jenkins pipeline ,git+maven+sonarqube+打包鏡像上傳到阿里云鏡像倉庫

記錄jenkins pipeline ,git+maven+sonarqube+打包鏡像上傳到阿里云鏡像倉庫

1、階段視圖&#xff1a; 2、準備工作 所需工具與插件 jdk&#xff1a;可以存在多版本 maven&#xff1a;可以存在多版本 sonar-scanner 憑證令牌 gitlab&#xff1a;credentialsId sonarqube:配置在sonarqube208服務中 3、jenkinsfile pipeline {agent anystages {stage(從…
閱讀更多...
ugpowermill編程入門：從基礎到進階的全面解析

ugpowermill編程入門：從基礎到進階的全面解析

ugpowermill編程入門&#xff1a;從基礎到進階的全面解析 在制造行業中&#xff0c;UG PowerMill編程是一款廣泛應用的數控編程軟件&#xff0c;它以其高效、精確的加工能力深受工程師們的喜愛。對于初學者來說&#xff0c;如何快速入門并熟練掌握UG PowerMill編程技能是一項重…
閱讀更多...
最新文章

Copyright @ 2022~2023