【动手学深度学习】(十)PyTorch 神经网络基础+GPU

news2025/11/4 8:08:15

文章目录

  • 一、层和块
    • 1.自定义块
    • 2.顺序块
    • 3.在前向传播函数中执行代码
  • 二、参数管理
    • 1.参数访问
    • 2.参数初始化
    • 3.参数绑定
  • 三、自定义层
    • 1.不带参数的层
    • 2.带参数的层
  • 四、读写文件
    • 1.加载和保存张量
    • 2.加载和保存模型参数
    • 五、使用GPU
  • [相关总结]
    • state_dict()

一、层和块

在这里插入图片描述
为了实现复杂神经网络块，引入了神经网络块的概念。使用块进行抽象的一个好处是可以将一些块组合成更大的组件。
从编程的角度来看，块由类表示。

import torch
from torch import nn
from torch.nn import functional as F

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
# nn.Sequential定义了一种特殊的Module

X = torch.rand(2, 20)
# print(X)
net(X)

tensor([[ 0.0479, 0.0093, -0.0509, 0.0863, -0.0410, -0.0043, -0.1234, -0.0119,
0.0347, -0.0381],
[ 0.1190, 0.0932, -0.0282, 0.2016, -0.0204, -0.0272, -0.1753, 0.0427,
-0.1553, -0.0589]], grad_fn=)

1.自定义块

每个块必须提供的基本功能：

  • 1.将输入数据作为其前向传播函数的参数。
  • 2.通过前向传播函数来生成输出
  • 3.计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
  • 4.存储和访问前向传播计算所需的参数。
  • 5.根据需要初始化模型参数。

ex:编写块

class MLP(nn.Module):
    def __init__(self):
        # 用模型参数声明层
        super().__init__() #调用父类
        self.hidden = nn.Linear(20, 256) #隐藏层
        self.out = nn.Linear(256, 10) #输出层
        
    def forward(self, X):
        return self.out(F.relu(self.hidden(X)))
    
#  实例化多层感知机的层， 然后在每次调用正向传播函数时调用这些层
net = MLP()
net(X)

tensor([[-0.1158, -0.1282, -0.1533,  0.0258,  0.0228,  0.0202, -0.0638, -0.1078,
          0.0511,  0.0913],
        [-0.1663, -0.0860, -0.2551,  0.1551, -0.0917, -0.0747, -0.2828, -0.2308,
          0.1149,  0.1360]], grad_fn=<AddmmBackward>)

2.顺序块

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        for block in args:
#             _module的类型是OrderedDict
            self._modules[block] = block
        
    def forward(self, X):
#       OrderedDict保证了按照成员添加的顺序遍历它们
        for block in self._modules.values():
            X = block(X)
        return X
    
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)

当MySequential的前向传播函数被调用时， 每个添加的块都按照它们被添加的顺序执行。

3.在前向传播函数中执行代码

self.rand_weight在实例化中被随机初始化，之后为常量，因此它永远不会被反向传播

class FixedHiddenMLP(nn.Module):
    def __init__(self):
        super().__init__()
#       rand_weight不参加训练
        self.rand_weight = torch.rand((20, 20), requires_grad=False)
        self.linear = nn.Linear(20, 20)
        
    def forward(self, X):
        X = self.linear(X)
#       将X和rand_weight做矩阵乘法
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        X = self.linear(X)
        while X.abs().sum() > 1:
            X /= 2
#       矩阵求和
        return X.sum()
    
net = FixedHiddenMLP()
net(X)

tensor(-0.1869, grad_fn=<SumBackward0>)

混合搭配各种组合块

class NestMLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
                                nn.Linear(64, 32), nn.ReLU())
        self.linear = nn.Linear(32, 16)
        
    def forward(self, X):
        return self.linear(self.net(X))
    
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)

tensor(-0.1363, grad_fn=<SumBackward0>)

二、参数管理

在选择了架构并设置完超参数后，我们就进入了训练阶段。此时，我们的目标是找到损失函数最小的模型参数值。

# 首先关注具有单隐层的多层感知机
import torch
from torch import nn
#                    net[0]           net[1]       net[2]
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)


tensor([[ 0.0699],
        [-0.0591]], grad_fn=<AddmmBackward>)

1.参数访问

当通过Sequential类定义模型时， 我们可以通过索引来访问模型的任意层。 这就像模型是一个列表一样，每层的参数都在其属性中。 如下所示，我们可以检查第二个全连接层的参数

# net[2]为最后一个输出层
print(net[2].state_dict())

目标参数

# 目标参数
# 访问具体参数
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)

参数是复合的对象，包含值、梯度和额外信息。 这就是我们需要显式参数值的原因。

net[2].weight.grad == None
# 未进行反向传播,所以没有梯度

True

一次性访问所有参数

# 访问第一个全连接层的参数
print(*[(name, param.shape) for name, param in net[0].named_parameters()])
# 访问所有层
print(*[(name, param.shape) for name, param in net.named_parameters()])
# ReLU没有参数

('weight', torch.Size([8, 4])) ('bias', torch.Size([8]))
('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1]))

# net 根据名字获取参数
net.state_dict()['2.bias'].data

tensor([0.1021])

从嵌套块收集参数

def block1():
    return nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 4), 
                        nn.ReLU())
def block2():
    net = nn.Sequential()
    for i in range(4):
#       向nn.Sequential中添加4个block1
        net.add_module(f'block {i}', block1())
    return net

rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
rgnet(X)

tensor([[-0.2192],
        [-0.2192]], grad_fn=<AddmmBackward>)

# 通过print了解网络结构
print(rgnet)

Sequential(
  (0): Sequential(
    (block 0): Sequential(
      (0): Linear(in_features=4, out_features=8, bias=True)
      (1): ReLU()
      (2): Linear(in_features=8, out_features=4, bias=True)
      (3): ReLU()
    )
    (block 1): Sequential(
      (0): Linear(in_features=4, out_features=8, bias=True)
      (1): ReLU()
      (2): Linear(in_features=8, out_features=4, bias=True)
      (3): ReLU()
    )
    (block 2): Sequential(
      (0): Linear(in_features=4, out_features=8, bias=True)
      (1): ReLU()
      (2): Linear(in_features=8, out_features=4, bias=True)
      (3): ReLU()
    )
    (block 3): Sequential(
      (0): Linear(in_features=4, out_features=8, bias=True)
      (1): ReLU()
      (2): Linear(in_features=8, out_features=4, bias=True)
      (3): ReLU()
    )
  )
  (1): Linear(in_features=4, out_features=1, bias=True)
)

2.参数初始化

1.内置初始化

# _:表示替换函数
def init_normal(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, mean=0, std=0.01)
        nn.init.zeros_(m.bias)
        
net.apply(init_normal)
net[0].weight.data[0], net[0].bias.data[0]

(tensor([0.0033, 0.0066, 0.0160, 0.0042]), tensor(0.))

我们还可以将所有参数初始化为给定的常数

def init_constant(m):
    if type(m) == nn.Linear:
        nn.init.constant_(m.weight, 1)
        nn.init.zeros_(m.bias)
        
net.apply(init_constant)
net[0].weight.data[0], net[0].bias.data[0]

(tensor([1., 1., 1., 1.]), tensor(0.))

对某些块应用不同的初始化方法

def xavier(m):
    if type(m) == nn.Linear:
        nn.init.xavier_normal(m.weight)

def init_42(m):
    if type(m) == nn.Linear:
        nn.init.constant_(m.weight, 42)

net[0].apply(xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)

tensor([ 0.6464,  0.5056, -0.7737, -0.7057])
tensor([[42., 42., 42., 42., 42., 42., 42., 42.]])

2.自定义初始化
有时,深度学习框架没有需要的初始化方法,如下:
在这里插入图片描述

# 自定义初始化
def my_init(m):
    if type(m) == nn.Linear:
        print(
            "Init",
            *[(name, param.shape) for name, param in m.named_parameters()][0])
        nn.init.uniform_(m.weight, -10, 10)
        m.weight.data *= m.weight.data.abs() >= 5
        
net.apply(my_init)
net[0].weight[:2]

Init weight torch.Size([8, 4])
Init weight torch.Size([1, 8])
tensor([[-0.0000, -0.0000,  0.0000,  0.0000],
        [ 6.8114,  0.0000, -7.4551, -9.6630]], grad_fn=<SliceBackward>)

也可以直接设置参数

net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
net[0].weight.data[0]

3.参数绑定

# 参数绑定
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), shared, nn.ReLU(), shared,
                   nn.ReLU(), nn.Linear(8, 1))
net(X)
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
print(net[2].weight.data[0] == net[4].weight.data[0])

tensor([True, True, True, True, True, True, True, True])
tensor([True, True, True, True, True, True, True, True])

三、自定义层

1.不带参数的层

import torch
import torch.nn.functional as F
from torch import nn

class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()
        
    def forward(self, X):
        return X - X.mean()
        
layer = CenteredLayer()
layer(torch.FloatTensor([1, 2, 3, 4, 5]))

tensor([-2., -1.,  0.,  1.,  2.])

将层作为组件合并到更复杂的模型中

# 将层作为组件合并到构建更复杂的模型中
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())

Y = net(torch.rand(4, 8))
# print(Y)
Y.mean()

tensor(3.2596e-09, grad_fn=<MeanBackward0>)

2.带参数的层

# 带参数的图层
class MyLinear(nn.Module):
    def __init__(self, in_units, units):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units,))
        
    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)
    
dense = MyLinear(5, 3)
dense.weight

Parameter containing:
tensor([[ 0.7481,  0.6183,  0.0382],
        [ 0.6040,  2.3991,  1.3484],
        [-0.3165,  0.0117, -0.4763],
        [-1.3920,  0.6106,  0.9668],
        [ 1.4701,  0.3283, -2.1701]], requires_grad=True)

# 使用自定义层直接执行正向传播计算
dense(torch.rand(2,5))

tensor([[1.5235, 2.6890, 0.0000],
[0.9825, 0.3581, 0.0000]])

# 使用自定义层构建模型
net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
net(torch.rand(2, 64))

tensor([[11.0573],
[25.9441]])

四、读写文件

有时我们希望保存训练的模型， 以备将来在各种环境中使用（比如在部署中进行预测）。 此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果， 以确保在服务器电源被不小心断掉时，不会损失几天的计算结果。

1.加载和保存张量

单个张量：直接调用load和save进行读写，

# 这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入
import torch
from torch import nn
from torch.nn import functional as F

x = torch.arange(4)
torch.save(x, 'x-file')

# 将存储在文件中的数据读回内存
x2 = torch.load('x-file')
x2

tensor([0, 1, 2, 3])
存储一个张量列表,读回内存

y = torch.zeros(4)
torch.save([x, y], 'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)

(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))

写入或读取从字符串映射到张量的字典

# 写入或读取从字符串映射到张量的字
# 读取或写入模型中的所有权重时，这很方便
mydict = {'x':x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2

{‘x’: tensor([0, 1, 2, 3]), ‘y’: tensor([0., 0., 0., 0.])}

2.加载和保存模型参数

    # 深度学习框架提供了内置函数来保存和加载整个网络
    # 保存模型的参数而不是保存整个模型
    # 模型本身难以序列化，为了恢复模型，我们需要用代码生成架构

    class MLP(nn.Module):
        def __init__(self):
            super().__init__()
            self.hidden = nn.Linear(20, 256)
            self.output = nn.Linear(256, 10)

        def forward(self, x):
            return self.output(F.relu(self.hidden(x)))

    net = MLP()
    X = torch.randn(size=(2, 20))
    Y = net(X)

将模型的参数存储在一个叫做“mlp.params”的文件中

# print(net.state_dict())
torch.save(net.state_dict(), 'mlp.params')

# 恢复模型，我们需要实例化原始多层感知机模型的一个备份
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
# 从train模式调整为test模式
clone.eval()

MLP(
(hidden): Linear(in_features=20, out_features=256, bias=True)
(output): Linear(in_features=256, out_features=10, bias=True)
)

Y_clone = clone(X)
Y_clone == Y

tensor([[True, True, True, True, True, True, True, True, True, True],
[True, True, True, True, True, True, True, True, True, True]])

五、使用GPU

查看是否有GPU

!nvidia-smi

计算设备

import torch
from torch import nn

torch.device('cpu'), torch.cuda.device('cuda')

(device(type='cpu'), <torch.cuda.device at 0x221b068ce50>)

查看可用gpu的数量

torch.cuda.device_count()

1

这两个函数允许我们在请求的GPU不存在的情况下运行代码

def try_gpu(i=0):  #@save
    """如果存在，则返回gpu(i)，否则返回cpu()"""
    if torch.cuda.device_count() >= i + 1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')

def try_all_gpus():  #@save
    """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]"""
    devices = [torch.device(f'cuda:{i}')
             for i in range(torch.cuda.device_count())]
    return devices if devices else [torch.device('cpu')]

try_gpu(), try_gpu(10), try_all_gpus()

(device(type=‘cuda’, index=0),
device(type=‘cpu’),
[device(type=‘cuda’, index=0)])

查询张量所在的设备

x = torch.tensor([1, 2, 3])
x.device

device(type=‘cpu’)

# 存储在GPU上
X = torch.ones(2, 3, device=try_gpu())
X

tensor([[1., 1., 1.],
[1., 1., 1.]], device=‘cuda:0’)

# 第二个GPU上创建一个随机张量
Y = torch.rand(2, 3, device=try_gpu(1))
Y

tensor([[0.0755, 0.4800, 0.4188],
[0.7192, 0.1506, 0.8517]])

# 要计算X+Y，我们需要决定在哪里执行这个操作
Z = Y.cuda(0)
print(Y)
print(Z)

tensor([[0.0755, 0.4800, 0.4188],
[0.7192, 0.1506, 0.8517]])
tensor([[0.0755, 0.4800, 0.4188],
[0.7192, 0.1506, 0.8517]], device=‘cuda:0’)

# 现在数据在同一个GPU上，我们可以将它们相加
X + Z

tensor([[1.0755, 1.4800, 1.4188],
[1.7192, 1.1506, 1.8517]], device=‘cuda:0’)

Z.cuda(0) is Z

True

神经网络与GPU

net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu())

net(X)

tensor([[0.7477],
[0.7477]], device=‘cuda:0’, grad_fn=)

# 确认模型参数存储在同一个GPU上
net[0].weight.data.device

device(type=‘cuda’, index=0)

[相关总结]

state_dict()

torch.nn.Module模块中的state_dict可以用来存放训练过程中需要学习的权重和偏执系数,(模型参数,超参数,优化器等的状态信息),但是需要注意只有具有学习参数的层才有,比如:卷积层和线性层等

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.coloradmin.cn/o/1293306.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Verilog学习 | 用initial语句写出固定的波形

Verilog学习 | 用initial语句写出固定的波形

initial beginia 0;ib 1;clk 0;#10ia 1; #20ib 0;#20ia 0; endalways #5 clk ~clk; 或者 initial clk 0;initial beginia 0;#10ia 1; #40ia 0; endinitial beginib 1;#30 ib 0; endalways #5 clk ~clk;
阅读更多...
[数据集][目标检测]拉横幅识别横幅检测数据集VOC+yolo格式1962张1类别

[数据集][目标检测]拉横幅识别横幅检测数据集VOC+yolo格式1962张1类别

数据集格式&#xff1a;Pascal VOC格式(不包含分割路径的txt文件&#xff0c;仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)&#xff1a;1962 标注数量(xml文件个数)&#xff1a;1962 标注数量(txt文件个数)&#xff1a;1962 标注类别数&a…
阅读更多...
0010Java安卓程序设计-ssm基于安卓的掌上校园系统

0010Java安卓程序设计-ssm基于安卓的掌上校园系统

文章目录 **摘要**目录系统实现5.2管理员功能模块开发环境 编程技术交流、源码分享、模板分享、网课分享 企鹅&#x1f427;裙&#xff1a;776871563 摘要 随着Internet的发展&#xff0c;人们的日常生活已经离不开网络。未来人们的生活与工作将变得越来越数字化&#xff0c;…
阅读更多...
自然语言处理基础知识 学习

自然语言处理基础知识 学习

参考&#xff1a;OpenBMB - 让大模型飞入千家万户 【清华NLP】刘知远团队大模型公开课全网首发&#xff5c;带你从入门到实战_哔哩哔哩_bilibili 图灵测试&#xff1a;imitation Game 模仿游戏 Part of speech tagging 词性标注 Named entity recognition &#xff1a; 命名…
阅读更多...
LED透镜粘接UV胶是一种特殊的UV固化胶，用于固定和粘合LED透镜。

LED透镜粘接UV胶是一种特殊的UV固化胶，用于固定和粘合LED透镜。

LED透镜粘接UV胶是一种特殊的UV固化胶&#xff0c;用于固定和粘合LED透镜。 它具有以下特点&#xff1a; 1. 高透明度&#xff1a;LED透镜粘接UV胶具有高透明度&#xff0c;可以确保光线的透过性&#xff0c;不影响LED的亮度和效果。 2. 快速固化&#xff1a;经过UV紫外线照射…
阅读更多...
查看端口号是否被占用

查看端口号是否被占用

windows10查看端口号是否被占用及解除占用的常用命令 netstat -ano&#xff1a;查看所有端口号占用情况 netstat -ano |findstr “XXX”&#xff1a;查看端口号为XXX的占用情况&#xff0c;如下&#xff1a; 得到进程号为12160的进程正在占用本地的9090端口号&#xff08;如果只…
阅读更多...
uni-app 微信小程序之好看的ui登录页面（四）

uni-app 微信小程序之好看的ui登录页面（四）

文章目录 1. 页面效果2. 页面样式代码 更多登录ui页面 uni-app 微信小程序之好看的ui登录页面&#xff08;一&#xff09; uni-app 微信小程序之好看的ui登录页面&#xff08;二&#xff09; uni-app 微信小程序之好看的ui登录页面&#xff08;三&#xff09; uni-app 微信小程…
阅读更多...
redis-学习笔记(list)

redis-学习笔记(list)

因为 list 可以头插头删, 尾插尾删, 所以其实更像 C 中的 deque (双端队列) ---- 知道就好, 别乱说, 具体底层编码是啥, 俺也不知道(没注意过) 可以通过组合, 把 list 当作队列 / 栈来用 list 的几种底层编码: ziplist(压缩列表) , linkedlist(链表) , quicklist ziplist 就是将…
阅读更多...
TCP聊天

TCP聊天

一、项目创建 二、代码 Client类 package tcp;import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.io.PrintWriter; import java.net.Socket; import java.util.Scanner;public class Client {public static void m…
阅读更多...
[足式机器人]Part2 Dr. CAN学习笔记-数学基础Ch0-6复数Complex Number

[足式机器人]Part2 Dr. CAN学习笔记-数学基础Ch0-6复数Complex Number

本文仅供学习使用 本文参考&#xff1a; B站&#xff1a;DR_CAN Dr. CAN学习笔记-数学基础Ch0-6复数Complex Number x 2 − 2 x 2 0 ⇒ x 1 i x^2-2x20\Rightarrow x1\pm i x2−2x20⇒x1i 代数表达&#xff1a; z a b i , R e ( z ) a , I m ( z ) b zabi,\mathrm{Re}…
阅读更多...
华为配置Smart Link负载分担示例

华为配置Smart Link负载分担示例

Smart Link基本概念 Smart Link通过两个端口相互配合工作来实现功能。这样的一对端口组成了一个Smart Link组。为了区别一个Smart Link组中的两个端口&#xff0c;我们将其中的一个叫做主端口&#xff0c;另一个叫做从端口。同时我们利用Flush报文、Smart Link实例和控制VLAN等…
阅读更多...
2. PyTorch——Tensor和Numpy

2. PyTorch——Tensor和Numpy

2.1Tensor和Numpy Tensor和Numpy数组之间具有很高的相似性&#xff0c;彼此之间的互操作也非常简单高效。需要注意的是&#xff0c;Numpy和Tensor共享内存。由于Numpy历史悠久&#xff0c;支持丰富的操作&#xff0c;所以当遇到Tensor不支持的操作时&#xff0c;可先转成Numpy…
阅读更多...
java设计模式学习之【装饰器模式】

java设计模式学习之【装饰器模式】

文章目录 引言装饰器模式简介定义与用途实现方式 使用场景优势与劣势装饰器模式在Spring中的应用画图示例代码地址 引言 在日常生活中&#xff0c;我们常常对基本事物添加额外的装饰以增强其功能或美观。例如&#xff0c;给手机加一个保护壳来提升其防护能力&#xff0c;或者在…
阅读更多...
阿里云磁盘在线扩容

阿里云磁盘在线扩容

我们从阿里云的控制面板中给硬盘扩容后结果发现我们的磁盘空间并没有改变 注意&#xff1a;本次操作是针对CentOS 7的 &#xfeff;#使用df -h并没有发现我们的磁盘空间增加 #使用fdisk -l发现确实还有部分空间 运行df -h命令查看云盘分区大小。 以下示例返回分区&#xf…
阅读更多...
Java的三种代理模式实现

Java的三种代理模式实现

代理模式的定义&#xff1a; Provide a surrogate or placeholder for another object to control access to it.&#xff08;为其他对象提供一种代理以控制对这个对象的访问。&#xff09; 简单说&#xff0c;就是设置一个中间代理来控制访问原目标对象&#xff0c;达到增强原…
阅读更多...
复杂gRPC之go调用go

复杂gRPC之go调用go

1. 复杂的gRPC调用 我们使用了一个较为复杂的proto文件&#xff0c;这个文件的功能主要是用来定位的&#xff0c;详细内容可以看代码中的注解 syntax "proto3"; //指定生成的所属的package&#xff0c;方便调用 option go_package "./"; package route…
阅读更多...
渗透测试——七、网站漏洞——命令注入和跨站请求伪造(CSRF)

渗透测试——七、网站漏洞——命令注入和跨站请求伪造(CSRF)

渗透测试 一、命令注入二、跨站请求伪造(CSRF)三、命令注入页面之注人测试四、CSRF页面之请求伪造测试 一、命令注入 命令注入(命令执行) 漏洞是指在网页代码中有时需要调用一些执行系统命令的函数例如 system()、exec()、shell_exec()、eval()、passthru()&#xff0c;代码未…
阅读更多...
B站缓存视频M4S合并MP4（js + ffmpeg ）

B站缓存视频M4S合并MP4（js + ffmpeg ）

文章目录 B站缓存视频转MP4&#xff08;js ffmpeg &#xff09;1、说明 2、ffmpeg2.1 下载地址2.2 配置环境变量2.3 测试2.4 转换MP4命令 3、处理程序 B站缓存视频转MP4&#xff08;js ffmpeg &#xff09; 注意&#xff1a;这样的方式只用于个人之间不同设备的离线观看。请…
阅读更多...
链式二叉树的创建及遍历(数据结构实训)

链式二叉树的创建及遍历(数据结构实训)

题目&#xff1a; 链式二叉树的创建及遍历 描述&#xff1a; 树的遍历有先序遍历、中序遍历和后序遍历。先序遍历的操作定义是先访问根结点&#xff0c;然后访问左子树&#xff0c;最后访问右子树。中序遍历的操作定义是先访问左子树&#xff0c;然后访问根&#xff0c;最后访问…
阅读更多...
阿里云实时数据仓库HologresFlink

阿里云实时数据仓库HologresFlink

1. 实时数仓Hologres特点 专注实时场景&#xff1a;数据实时写入、实时更新&#xff0c;写入即可见&#xff0c;与Flink原生集成&#xff0c;支持高吞吐、低延时、有模型的实时数仓开发&#xff0c;满足业务洞察实时性需求。亚秒级交互式分析&#xff1a;支持海量数据亚秒级交…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023