深度学习笔记18_TensorFlow实现猫狗识别

  •  🍨 本文为🔗365天深度学习训练营 中的学习记录博客
  • 🍖 原作者：K同学啊 | 接辅导、项目定制

一、我的环境

1.语言环境：Python 3.9

2.编译器：Pycharm

3.深度学习环境：TensorFlow 2.10.0

二、GPU设置

       若使用的是cpu则可忽略

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],"GPU")

三、导入数据

import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号import os,PIL,pathlib#隐藏警告
import warnings
warnings.filterwarnings('ignore')data_dir = "./data"
data_dir = pathlib.Path(data_dir)image_count = len(list(data_dir.glob('*/*')))print("图片总数为：",image_count)
#图片总数为：3400

四、数据预处理

batch_size = 8
img_height = 224
img_width = 224"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=12,image_size=(img_height, img_width),batch_size=batch_size)
class_names = train_ds.class_names
print(class_names)

运行结果： 

['cat', 'dog']

五、可视化图片

plt.figure(figsize=(15, 10))  # 图形的宽为15高为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")
plt.show()

 运行结果：

​​

再次检查数据：

for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break

 运行结果：

(32, 224, 224, 3)
(32,)

六、配置数据集

  • shuffle()：打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456
  • prefetch()：预取数据，加速运行
  • cache()：将数据集缓存到内存当中，加速运行
AUTOTUNE = tf.data.AUTOTUNEdef preprocess_image(image,label):return (image/255.0,label)# 归一化处理
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)

七、自建模型

from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropoutdef VGG16(nb_classes, input_shape):input_tensor = Input(shape=input_shape)# 1st blockx = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv1')(input_tensor)x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block1_pool')(x)# 2nd blockx = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv1')(x)x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block2_pool')(x)# 3rd blockx = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv1')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv2')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block3_pool')(x)# 4th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block4_pool')(x)# 5th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block5_pool')(x)# full connectionx = Flatten()(x)x = Dense(4096, activation='relu',  name='fc1')(x)x = Dense(4096, activation='relu', name='fc2')(x)output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)model = Model(input_tensor, output_tensor)return modelmodel=VGG16(1000, (img_width, img_height, 3))
model.summary()

运行结果：

_________________________________________________________________Layer (type)                Output Shape              Param #
=================================================================input_1 (InputLayer)        [(None, 224, 224, 3)]     0block1_conv1 (Conv2D)       (None, 224, 224, 64)      1792block1_conv2 (Conv2D)       (None, 224, 224, 64)      36928block1_pool (MaxPooling2D)  (None, 112, 112, 64)      0block2_conv1 (Conv2D)       (None, 112, 112, 128)     73856block2_conv2 (Conv2D)       (None, 112, 112, 128)     147584block2_pool (MaxPooling2D)  (None, 56, 56, 128)       0block3_conv1 (Conv2D)       (None, 56, 56, 256)       295168block3_conv2 (Conv2D)       (None, 56, 56, 256)       590080block3_conv3 (Conv2D)       (None, 56, 56, 256)       590080block3_pool (MaxPooling2D)  (None, 28, 28, 256)       0block4_conv1 (Conv2D)       (None, 28, 28, 512)       1180160block4_conv2 (Conv2D)       (None, 28, 28, 512)       2359808block4_conv3 (Conv2D)       (None, 28, 28, 512)       2359808block4_pool (MaxPooling2D)  (None, 14, 14, 512)       0block5_conv1 (Conv2D)       (None, 14, 14, 512)       2359808block5_conv2 (Conv2D)       (None, 14, 14, 512)       2359808block5_conv3 (Conv2D)       (None, 14, 14, 512)       2359808block5_pool (MaxPooling2D)  (None, 7, 7, 512)         0flatten (Flatten)           (None, 25088)             0fc1 (Dense)                 (None, 4096)              102764544fc2 (Dense)                 (None, 4096)              16781312predictions (Dense)         (None, 1000)              4097000=================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
_________________________________________________________________

八、编译

        在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

  • 损失函数（loss）：用于衡量模型在训练期间的准确率。
  • 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
  • 指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。
model.compile(optimizer="adam",loss     ='sparse_categorical_crossentropy',metrics  =['accuracy'])

九、训练模型

epochs = 20history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)from tqdm import tqdm
import tensorflow.keras.backend as Kepochs = 10
lr     = 1e-4# 记录训练数据，方便后面的分析
history_train_loss     = []
history_train_accuracy = []
history_val_loss       = []
history_val_accuracy   = []for epoch in range(epochs):train_total = len(train_ds)val_total   = len(val_ds)"""total：预期的迭代数目ncols：控制进度条宽度mininterval：进度更新最小间隔，以秒为单位（默认值：0.1）"""with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=1,ncols=100) as pbar:lr = lr*0.92K.set_value(model.optimizer.lr, lr)for image,label in train_ds:   """训练模型，简单理解train_on_batch就是：它是比model.fit()更高级的一个用法想详细了解 train_on_batch 的同学，可以看看我的这篇文章：https://www.yuque.com/mingtian-fkmxf/hv4lcq/ztt4gy"""history = model.train_on_batch(image,label)train_loss     = history[0]train_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%train_loss,"accuracy":"%.4f"%train_accuracy,"lr": K.get_value(model.optimizer.lr)})pbar.update(1)history_train_loss.append(train_loss)history_train_accuracy.append(train_accuracy)print('开始验证！')with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=0.3,ncols=100) as pbar:for image,label in val_ds:      history = model.test_on_batch(image,label)val_loss     = history[0]val_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%val_loss,"accuracy":"%.4f"%val_accuracy})pbar.update(1)history_val_loss.append(val_loss)history_val_accuracy.append(val_accuracy)print('结束验证！')print("验证loss为：%.4f"%val_loss)print("验证准确率为：%.4f"%val_accuracy)

运行结果：

Epoch 1/10: 100%|█| 340/340 [01:12<00:00,  4.72it/s, train_loss=0.5849, train_acc=0.6250, lr=9.2e-5]
开始验证！
Epoch 1/10: 100%|██████████████████| 85/85 [00:06<00:00, 12.56it/s, val_loss=0.5191, val_acc=0.6250]
Epoch 2/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.5880
验证准确率为：0.5221
Epoch 2/10: 100%|█| 340/340 [01:04<00:00,  5.30it/s, train_loss=0.0058, train_acc=1.0000, lr=8.46e-5
Epoch 2/10:   0%|                                                            | 0/85 [00:00<?, ?it/s]开始验证！
Epoch 2/10: 100%|██████████████████| 85/85 [00:06<00:00, 12.27it/s, val_loss=0.0123, val_acc=1.0000]
Epoch 3/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.3964
验证准确率为：0.9074
Epoch 3/10: 100%|█| 340/340 [01:21<00:00,  4.15it/s, train_loss=0.0024, train_acc=1.0000, lr=7.79e-5
开始验证！
Epoch 3/10: 100%|██████████████████| 85/85 [00:07<00:00, 11.98it/s, val_loss=0.0075, val_acc=1.0000]
Epoch 4/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.0712
验证准确率为：0.9676
Epoch 4/10: 100%|█| 340/340 [01:04<00:00,  5.28it/s, train_loss=0.0010, train_acc=1.0000, lr=7.16e-5
Epoch 4/10:   0%|                                                            | 0/85 [00:00<?, ?it/s]开始验证！
Epoch 4/10: 100%|██████████████████| 85/85 [00:07<00:00, 12.11it/s, val_loss=0.0009, val_acc=1.0000]
结束验证！
验证loss为：0.0746
验证准确率为：0.9706
Epoch 5/10: 100%|█| 340/340 [01:03<00:00,  5.38it/s, train_loss=0.0034, train_acc=1.0000, lr=6.59e-5
开始验证！
Epoch 5/10: 100%|██████████████████| 85/85 [00:07<00:00, 11.04it/s, val_loss=0.0029, val_acc=1.0000]
结束验证！
验证loss为：0.0350
验证准确率为：0.9897
Epoch 6/10: 100%|█| 340/340 [01:02<00:00,  5.43it/s, train_loss=0.0000, train_acc=1.0000, lr=6.06e-5
Epoch 6/10:   0%|                                                            | 0/85 [00:00<?, ?it/s]开始验证！
Epoch 6/10: 100%|██████████████████| 85/85 [00:07<00:00, 11.08it/s, val_loss=0.0009, val_acc=1.0000]
Epoch 7/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.0520
验证准确率为：0.9868
Epoch 7/10: 100%|█| 340/340 [01:21<00:00,  4.15it/s, train_loss=0.0219, train_acc=1.0000, lr=5.58e-5
开始验证！
Epoch 7/10: 100%|██████████████████| 85/85 [00:08<00:00, 10.19it/s, val_loss=0.0050, val_acc=1.0000]
Epoch 8/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.0280
验证准确率为：0.9941
Epoch 8/10: 100%|█| 340/340 [01:02<00:00,  5.43it/s, train_loss=0.0003, train_acc=1.0000, lr=5.13e-5
开始验证！
Epoch 8/10: 100%|██████████████████| 85/85 [00:07<00:00, 11.22it/s, val_loss=0.0013, val_acc=1.0000]
结束验证！
验证loss为：0.0374
验证准确率为：0.9868
Epoch 9/10: 100%|█| 340/340 [01:02<00:00,  5.44it/s, train_loss=0.0004, train_acc=1.0000, lr=4.72e-5
Epoch 9/10:   0%|                                                            | 0/85 [00:00<?, ?it/s]开始验证！
Epoch 9/10: 100%|██████████████████| 85/85 [00:07<00:00, 11.24it/s, val_loss=0.0002, val_acc=1.0000]
Epoch 10/10:   0%|                                                          | 0/340 [00:00<?, ?it/s]结束验证！
验证loss为：0.0995
验证准确率为：0.9750
Epoch 10/10: 100%|█| 340/340 [01:22<00:00,  4.15it/s, train_loss=0.0001, train_acc=1.0000, lr=4.34e-
Epoch 10/10:   0%|                                                           | 0/85 [00:00<?, ?it/s]开始验证！
Epoch 10/10: 100%|█████████████████| 85/85 [00:08<00:00, 10.36it/s, val_loss=0.0002, val_acc=1.0000]
结束验证！
验证loss为：0.0219
验证准确率为：0.9941

 十、模型评估

epochs_range = range(epochs)plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)plt.plot(epochs_range, history_train_accuracy, label='Training Accuracy')
plt.plot(epochs_range, history_val_accuracy, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, history_train_loss, label='Training Loss')
plt.plot(epochs_range, history_val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

十一、预测

import numpy as np# 采用加载的模型（new_model）来看预测结果
plt.figure(figsize=(18, 3))  # 图形的宽为18高为5
plt.suptitle("预测结果展示")for images, labels in val_ds.take(1):for i in range(8):ax = plt.subplot(1,8, i + 1)  # 显示图片plt.imshow(images[i].numpy())# 需要给图片增加一个维度img_array = tf.expand_dims(images[i], 0) # 使用模型预测图片中的人物predictions = model.predict(img_array)plt.title(class_names[np.argmax(predictions)])plt.axis("off")

 运行结果：

 根据代码中bug，修改后运行结果如下：

十二、总结

       本周通过tenserflow框架创建VGG16网络模型进行猫狗识别：

VGG16模型结构：

VGG16共包含：

13个卷积层（Convolutional Layer），分别用conv3-XXX表示 (XXX为输出通道数，3代表kernel_size)
3个全连接层（Fully connected Layer）,分别用FC-XXXX表示（XXX为输出神经元个数)
5个池化层（Pool layer）,分别用maxpool表示。

VGG优缺点分析：

  • VGG优点

VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）。

  • VGG缺点

1)训练时间过长，调参难度大。2)需要的存储容量大，不利于部署。例如存储VGG-16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

   tqdm是一个强大的工具，它简单易用，高度可定制，适合于各种循环任务，特别是在数据处理和机器学习领域中。通过使用tqdm，开发者可以提供更好的用户体验，准确地展示程序的执行进度。

tqdm的基本特性如下所述：

  • 易用性：tqdm的使用非常简单，通常只需在循环的迭代器上添加tqdm()。只需在 Python 循环中包裹你的迭代器，一行代码就能产生一个精美的进度条。
  • 灵活性：兼容广泛的迭代环境，包括列表、文件、生成器等。它可以和 for 循环、pandas dataframe的 apply 函数以及 Python 的 map 函数等等配合使用。
  • 高效性：对代码的运行效率影响极小。tqdm 使用了智能算法，即使在数据流非常快的情况下，也不会拖慢你的代码速度。
  • 可定制性：允许用户自定义进度条的各种属性，如进度条长度、格式等。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/1552904.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

【拥抱AIGC】通义灵码策略配置

【拥抱AIGC】通义灵码策略配置

通义灵码企业级策配置支持智能问答、行间代码生成安全过滤器相关策略配置。 适用版本 企业标准版、企业专属版 通义灵码管理员、组织内全局管理员&#xff08;专属版&#xff09;在通义灵码控制台的策略配置中进行安全过滤器的配置&#xff0c;开启后&#xff0c;企业内开发…
阅读更多...
SOMEIP_ETS_146: SD_ResetInterface

SOMEIP_ETS_146: SD_ResetInterface

测试目的&#xff1a; 验证DUT在重置后&#xff0c;TestFieldUINT8的值是否至少与重置前设置的值不同&#xff0c;符合SOME/IP规范。 描述 本测试用例旨在确保DUT的ETS能够正确响应重置请求&#xff0c;并且在重置后&#xff0c;特定的测试字段&#xff08;TestFieldUINT8&a…
阅读更多...
数据仓库的建设——从数据到知识的桥梁

数据仓库的建设——从数据到知识的桥梁

数据仓库的建设——从数据到知识的桥梁 前言数据仓库的建设 前言 企业每天都在产生海量的数据&#xff0c;这些数据就像无数散落的珍珠&#xff0c;看似杂乱无章&#xff0c;但每一颗都蕴含着潜在的价值。而数据仓库&#xff0c;就是那根将珍珠串起来的线&#xff0c;它能够把…
阅读更多...
仅需10G显存，使用 Unsloth 微调 Qwen2 并使用 Ollama 推理

仅需10G显存，使用 Unsloth 微调 Qwen2 并使用 Ollama 推理

节前&#xff0c;我们组织了一场算法岗技术&面试讨论会&#xff0c;邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。 针对大模型技术趋势、算法项目落地经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。 总结链接如…
阅读更多...
YOLOv11改进 | 注意力篇 | YOLOv11引入ACmix注意力机制

YOLOv11改进 | 注意力篇 | YOLOv11引入ACmix注意力机制

1. ACmix介绍 1.1 摘要&#xff1a;卷积和自注意力是表示学习的两种强大技术&#xff0c;它们通常被认为是两种彼此不同的同行方法。 在本文中&#xff0c;我们表明它们之间存在很强的潜在关系&#xff0c;从某种意义上说&#xff0c;这两种范式的大量计算实际上是通过相同的操…
阅读更多...
Linux 进程状态、僵尸进程与孤儿进程

Linux 进程状态、僵尸进程与孤儿进程

目录 0.前言 1. 进程状态 1.1 定义 1.2 常见进程 2.僵尸进程 2.1 定义 2.2 示例 2.3 僵尸进程的危害与防止方法 3. 孤儿进程 3.1 介绍 3.2 示例 4.小结 &#xff08;图像由AI生成&#xff09; 0.前言 在上一篇文章中&#xff0c;我们介绍了进程的基本概念、进程控制块&#…
阅读更多...
蓝桥杯—STM32G431RBT6(IIC通信--EEPROM(AT24C02)存储器进行通信)

蓝桥杯—STM32G431RBT6(IIC通信--EEPROM(AT24C02)存储器进行通信)

一、什么是IIC&#xff1f;24C02存储器有什么用&#xff1f; IIC &#xff08;IIC 是半双工通信总线。半双工意味着数据在某一时刻只能沿一个方向传输&#xff0c;即发送数据的时候不能接收数据&#xff0c;接收数据的时候不能发送数据&#xff09;即集成电路总线&#xff08;…
阅读更多...
Activiti7 工作流引擎学习

Activiti7 工作流引擎学习

目录 一. 什么是 Activiti 工作流引擎 二. Activiti 流程创建步骤 三. Activiti 数据库表含义 四. BPMN 建模语言 五. Activiti 使用步骤 六. 流程定义与流程实例 一. 什么是 Activiti 工作流引擎 Activiti 是一个开源的工作流引擎&#xff0c;用于业务流程管理&#xf…
阅读更多...
第二弹：面向对象编程中的类与对象

第二弹：面向对象编程中的类与对象

文章目录 面向对象编程中的类与对象1. 类与对象的定义1.1 类和对象的概念1.2 类的基本定义 2. 类的封装2.1 类的封装语法2.2 类成员访问权限2.3 struct和class的区别2.4 类封装与成员函数定义分离 3. 类对象的创建与销毁3.1 静态与动态对象的创建3.2 对象的销毁 4. 构造函数和析…
阅读更多...
深入解析 ConcurrentHashMap：从 JDK 1.7 到 JDK 1.8

深入解析 ConcurrentHashMap：从 JDK 1.7 到 JDK 1.8

✨探索Java基础 ConcurrentHashMap✨ 引言 ConcurrentHashMap 是 Java 中一个线程安全的高效 Map 集合。它在多线程环境下提供了高性能的数据访问和修改能力。本文将详细探讨 ConcurrentHashMap 在 JDK 1.7 和 JDK 1.8 中的不同实现方式&#xff0c;以及它们各自的优缺点。 …
阅读更多...
（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识

（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识

学员闯关手册&#xff1a;https://aicarrier.feishu.cn/wiki/ZcgkwqteZi9s4ZkYr0Gcayg1n1g?open_in_browsertrue 课程视频&#xff1a;https://www.bilibili.com/video/BV1mS421X7h4/ 课程文档&#xff1a;https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Python 关…
阅读更多...
如何使用ssm实现基于JSP的高校听课评价系统

如何使用ssm实现基于JSP的高校听课评价系统

TOC ssm753基于JSP的高校听课评价系统jsp 绪论 1.1 研究背景 现在大家正处于互联网加的时代&#xff0c;这个时代它就是一个信息内容无比丰富&#xff0c;信息处理与管理变得越加高效的网络化的时代&#xff0c;这个时代让大家的生活不仅变得更加地便利化&#xff0c;也让时…
阅读更多...
【LeetCode: 1870. 准时到达的列车最小时速 | 二分】

【LeetCode: 1870. 准时到达的列车最小时速 | 二分】

&#x1f680; 算法题 &#x1f680; &#x1f332; 算法刷题专栏 | 面试必备算法 | 面试高频算法 &#x1f340; &#x1f332; 越难的东西,越要努力坚持&#xff0c;因为它具有很高的价值&#xff0c;算法就是这样✨ &#x1f332; 作者简介&#xff1a;硕风和炜&#xff0c;…
阅读更多...
各种饺子的做法

各种饺子的做法

【羊肉馅水饺】 材料:羊肉1000克、洋葱2个、香油3汤匙、盐适量、姜2片、料酒1汤匙、白胡椒粉、十三香1茶匙、 做法&#xff1a; 1.把羊肉剁成肉馅&#xff0c;羊肉选用带一些肥肉的&#xff0c;味道比较香&#xff0c;如果羊肉比较瘦&#xff0c;可以放一些猪的肥肉一起剁成馅…
阅读更多...
电商店铺多开自动回复软件

电商店铺多开自动回复软件

在电商平台上开设多个店铺&#xff0c;即店铺多开&#xff0c;是一种扩展业务和增加销售额的策略。然而&#xff0c;店铺多开需要谨慎规划和执行&#xff0c;以避免违反平台规定和管理上的混乱。以下是如何实现店铺多开的详细步骤和注意事项。 1. 确定多开目标 在决定多开店铺…
阅读更多...
4个顶级的大模型推理引擎

4个顶级的大模型推理引擎

LLM 在文本生成应用中表现出色&#xff0c;例如具有高理解度和流畅度的聊天和代码完成模型。然而&#xff0c;它们的庞大规模也给推理带来了挑战。基本推理速度很慢&#xff0c;因为 LLM 会逐个生成文本标记&#xff0c;需要对每个下一个标记进行重复调用。随着输入序列的增长&…
阅读更多...
【CKA】七、七层负载-Ingress应用

【CKA】七、七层负载-Ingress应用

7、七层负载-Ingress应用 1. 考题内容&#xff1a; 2. 答题思路&#xff1a; 1、要先查到集群中使用的ingressclass 2、编写yaml 我考的题只是把 hi 服务换成了 hello&#xff0c;其他都一模一样 3. 官网地址&#xff1a; https://kubernetes.io/zh-cn/docs/concepts/serv…
阅读更多...
Pytorch实现RNN实验

Pytorch实现RNN实验

一、实验要求 用 Pytorch 模块的 RNN 实现生成唐诗。要求给定一个字能够生成一首唐诗。 二、实验目的 理解循环神经网络&#xff08;RNN&#xff09;的基本原理&#xff1a;通过构建一个基于RNN的诗歌生成模型&#xff0c;学会RNN是如何处理序列数据的&#xff0c;以及如何在…
阅读更多...
LabVIEW提高开发效率技巧----快速实现原型和测试

LabVIEW提高开发效率技巧----快速实现原型和测试

在LabVIEW开发中&#xff0c;DAQ助手&#xff08;DAQ Assistant&#xff09;和Express VI为快速构建原型和测试功能提供了极大的便利&#xff0c;特别适合于简单系统的开发和早期验证阶段。 DAQ助手&#xff1a;是一种可视化配置工具&#xff0c;通过图形界面轻松设置和管理数据…
阅读更多...
HISTCITE分析进阶

HISTCITE分析进阶

不可否认histcite是一个很好的文献分析的工具，他能很好的找到最重要的那几篇文章，同时也能找到研究的发文趋势、研究机构和著名的研究学者等。但是它是一个很老的软件，因而很多东西都没能跟上下载的分析。我在使用过程中，尝试做一些改变使其更好用，同时也做一些记录。 1.…
阅读更多...
最新文章

Copyright @ 2022~2023