精读论文:Unifying Multi-Domain Multi-Task Learning: Tensor and Neural Network Perspectives(附翻译)
Unifying Multi-Domain Multi-Task Learning:Tensor and Neural Network Perspectives
目录
- Unifying Multi-Domain Multi-Task Learning:Tensor and Neural Network Perspectives
- 一、总结
- 二、翻译
- 0. 摘要
- 1. 引言
- Multi-Domain 和 Multi-Task Learning
- 域自适应和域泛化
- 2. 方法——单输出模型
- 2.1 公式:向量矩阵内积
- 2.2 语义描述符设计
- One-hot encoding z
- 带常数的One-hot encoding z
- 分布式编码 z
- 2.3 现有算法的整合
- 2.4 双面网络视图
- 2.5 应用到Zero-Shot Learning
- 2.5.1 Zero-Shot Learning
- 2.5.1 Zero-Shot Domain Adaptation
- 3. 方法——多输出模型
- 3.1 公式:张量内积
- 3.2 张量分解
- 3.3 门控神经网络架构
- 4. 实验
- 4.1 Multi-domain Multi-task Object Recognition
一、总结
太难了,文章告吹
二、翻译
0. 摘要
abstract:
多领域学习旨在从几个不同但相关领域的同时学习中获益。在这篇文章中,我们提出了一个单一的框架,将多领域学习(MDL)和相关但更好的研究方向多任务学习(MTL)相结合。通过利用语义描述符的概念,我们展示了我们的框架如何包含各种经典的和最近的MDL/MTL算法,结合不同语义描述符编码,作为具有的特殊情况。作为第二个贡献,我们提出了该框架的更高阶概括,能够同时进行多任务多域学习。这种概括分别在多重线性代数和门控神经网络中具有两个数学上等效的视图。此外,通过利用语义描述符,它为神经网络提供了zero-shot learning(ZSL)的能力,在没有任何训练数据的前提下,为没见过的类进行了分类,以及zero-shot domain adaptation,在没有任何训练数据的前提下,为没见过的domain进行了分类。实际上,该框架提供了一种功能强大但易于实现的方法,可以灵活地应用于MTL,MDL,ZSL和ZSDA。
1. 引言
multi domain是指在一个任务中的数据出现几个不同但是相关的domains。例如用不同的摄像机类型对一个对象进行识别。[Dredze et al., 2010, Daume III, 2007, ´Yang and Hospedales, 2015]MDL模型旨在学习一种跨域参数共享策略,可以反映域的异同的。这种选择性参数共享的目的是要使得域间的差异具有鲁棒性,同时与从多个域中分别学习相比,可以利用来自多个域的数据来提高性能。
在本章中,我们从神经网络和张量分解的角度得出一个包含MDL和MTL的通用框架。通过关于在跨域、跨任务共享结构编码的假设中,可以理解许多经典和最新的MDL / MTL算法。例如,假设每个任务/域的模型都是全局和特定于任务的参数向量的线性组合[Evgeniou and Pontil,2004,Daume III,2007]。我们的框架包括这些特殊情况,与语义描述符向量参数化任务/域的特定设置相关。此向量可用于从我们的框架中恢复现有模型,但更笼统地说,它使人们可以放宽通常隐含的假设,即域是原子/类别实体,并利用有关任务/域的可用元数据来指导共享结构,以获得更好的MDL / MTL [Yang and Hospedales,2015; Yang and Hospedales,2016b]。例如,在监视视频分析中,利用与每个域对应的一天中的时间和一周中的一天的知识来获得更好的MDL。最后,语义任务/域描述符的思想使我们的框架超越了传统的MDL / MTL设置,并解决了零镜头学习[Yang and Hospedales,2015]和零镜头域适应[Yang and Hospedales, 2015,Yang和Hospedales,2016b] –仅通过指定任务/域的语义描述符元数据,就可以在没有任何训练数据的情况下为新任务/域部署模型。
Multi-Domain 和 Multi-Task Learning
Multi-Domain versus Multi-Task Learning:领域和任务之间的差异可能很细微,可以通过为多任务学习提出的方法来解决某些多领域学习问题,反之亦然。 但是,为了更好地理解这项工作,将它们区分开是很有用的。域指的是解决同一任务但具有不同统计偏差的多个数据集。 例如用于物体识别的摄像机类型;每天或每年进行监视视频分析;或更多人为的数据偏见。另一方面,任务指的是要识别的不同对象类别。换句话说,任务更改会影响监督学习问题的输出标签空间,而域更改则不会。
Office数据集是具有多个域的经典基准测试。 它包含来自三个数据源(Amazon网站,webcam,和DSLR)的同一组类别的图像(例如杯子,笔记本电脑,键盘)。在这种情况下,多任务学习可以通过共享有关如何识别键盘和笔记本电脑的信息来提高性能。 而多域学习可以通过共享有关如何识别Amazon产品和webcam图像中的类的知识来提高性能。些问题可以解释为任一设置。 例如,在School dataset中,目标是根据学生的特征预测他们的考试成绩。 该数据集被广泛用于评估MTL算法,其中来自不同学校的学生被分组为不同的任务。 但是,有人可以说,学校分组可以更好地解释为域而不是任务。
根据经验,当将来自域A的模型直接应用于域B时性能降低,就会出现多域学习问题。而多任务学习问题发生在无法将任务A的模型有效地应用于任务B的情况下,因为它们的标签空间根本不同。 在某些问题中,多域和多任务设置会同时发生。 例如,在Office数据集中,既有多种相机类型,又有多个对象要识别。现有的方法很少可以处理此设置。 MTL方法将一个多类问题分解为多个1-v-all任务,并跨任务共享信息。而MDL方法通常处理多个域中的单输出问题。 我们的高阶泛化解决了诸如Office所带来的问题所要求的同时多域多任务学习。
域自适应和域泛化
Relation to Domain Adaptation and Domain Generalisation:
数据集偏差/域移位(dataset bias/domain-shift)意味着在一个域上训练的模型在部署到另一个域时通常性能较弱。 提出了两种缓解此问题的方法:
- (i)domain adaptation(DA):将预先训练的模型校准到目标域,使用有标签的数据(监督域适应 supervised
DA)或无标签的数据(无监督域适应unsupervised DA)或者半监督域适应semi-supervised DA。 - (ii)domain generalisation(DG):训练一个对领域偏差不敏感的模型,例如学习领域不变特征(domain
invariant)
多领域学习的目标不同于所提到的领域适应和领域概括。 MDL可以看作是DA的双向概括,每个域都使其他域受益,因此所有域都具有最佳性能。 而不是像DA中那样,仅从源→目标域迁移知识。传统的MDL不予DG重合,因为DML旨在提高所有给定域的表现,而不是解决一个保留域(held-out domain)。但是,我们的MDL的zero shot domain adaptation扩展是针对DG的,旨在解决保留域。不同之处在于我们需要为保留域提供语义描述符,而DG则不需要。 但是,在存在此类描述符的情况下,ZSDA有望胜过DG。
2. 方法——单输出模型
Methodology – Single Output Models:
我们从最流行的MTL / MDL方法做出的线性模型假设开始,即域/任务对应于单变量线性回归或二元分类问题。我们还假定域/任务是同质的,即不同的域/任务具有模型表示和相同大小的实例特征向量。
2.1 公式:向量矩阵内积
Vector-Matrix Inner Product:
假设我们有M个domain(tasks),第i个domain有个实例。我们把第i个domain(task)中的第j个实例的D维特征向量和它相关联的B维语义描述符表示为,对应的标签为。所有domain/task i的权重向量能堆叠成一个权重矩阵。在不失一般性的前提下,我们将所有领域(任务)的经验风险降至最低:
是预测和实际标签的损失,对于第i个domain/task而言,线性模型使得预测为:
现在,我们介绍一个工作中的关键思想:不是直接学习,每个任务/领域的模型是由其描述符的线性函数生成的,称为权重生成函数
也就是说,第i个域/任务的线性模型是由其B维语义描述和D×B矩阵W相乘产生的。如果所有语义描述符都(作为列)堆叠到矩阵Z中,则
相比于在等式1中学习每个domain的模型,我们现在学习由矩阵W参数化的权重生成函数。通过代入式 3入式 2,我们可以将第i个任务/领域的预测重新编写为双线性形式
此一般公式包含许多MTL / MDL方法。 正如我们将看到的,现有MTL / MDL算法在设计空间上的两个关键轴是描述符z的编码和矩阵W的分解或正则化。我们将在以下两节中讨论它们。
2.2 语义描述符设计
Semantic Descriptor Design:
One-hot encoding z
One-hot encoding z:
在最简单情境下,z是one-hot encoding vector用来索引domains。模型生成函数仅仅从矩阵W中选择一列。例如当存在3个domain或者task时,,在这种情况下描述符的长度和domain/task的数量一致B=M,所有的堆积是M×M矩阵。学习“权重生成函数”就等于独立学习每个域的权重。
带常数的One-hot encoding z
One-hot encoding z with a constant:
one-hot encoding的一个缺点是彼此间是正交的,这就证明了所有的domain/task是独立的,没有交叉的domain/task信息共享。为了对所有域/任务的公共的共享结构进行编码,构造z的另一种方法是在单次编码后附加一个常数项。图中展示了一个矩阵Z(B=M+1)。这个任务(域)i的预测是,即特定任务/域和全局共享预测的总和。学习权重生成器对应于训练local和共享预测器。 一些经典的MDL / MTL算法使用了这种方法。
分布式编码 z
Distributed encoding z:
在大多数MDL / MTL研究中,域或任务被假定为原子类别,可以通过上述索引方法有效地进行编码。但是,结构化的域/任务元数据通常是可用的,例如域(任务)由多个因素(对于一批视频监视数据而言,时间:白天/夜晚,日期:工作日/周末)建立索引。假设有两个分类变量(A,B)描述一个域,并且每个变量都有两个状态(1,2),那么最多存在四个不同的域。图2(左)说明了1-hot编码的语义描述符。但是,此编码不会利用元数据中编码的共享提示(例如,在监视示例中,工作日白天应该与工作日夜晚和非工作日白天更相似,而不是非工作日夜晚)。现在,预测权数是由描述符给出的W列进行线性组合得出的,学习权重生成函数意味着学习每个因子(例如,白天,黑夜,工作日,周末)的权重。 我们将在以后的实验中证明,与现有的MTL / MDL方法相比,利用结构化域/任务描述符的功能可改善信息共享。
2.3 现有算法的整合
Unification of Existing Algorithms:
各种MDL / MTL方法的主要方法都在等式3中的W加约束进行编码或对描述符z进行编码。除了加强局部和共享组件之外(我们解释为one-hot+常数描述符),很多研究通过在(每个任务的权重向量的组合D×T)加强低秩结构来获得信息共享。对建模的流行方式为:
- (i)添加正则项使得成为低秩矩阵
- (ii)低秩因式分解,在或上施加一些约束
我们假设我们的权重生成函数,D×B的矩阵W被两个点成的因素向量P,Q替代(P是D×K,Q是K×B的),那么等式三则变成
也就是说,我们通过将任务/域描述符与矩阵P和Q组合来生成用于预测的特定权重; 学习拟合P和Q即可。
那么,各种现有算法便是我们通用框架的特殊情况。我们通过MDL / MTL(其中M = 3个域/任务)对此进行说明。 观察到RMTL,FEDA,MTFL ,TNMTL和GO-MTL对应于Z,P和Q的特定设置,如表1所示。
2.4 双面网络视图
A Two-sided Network View:
我们现在提供了上述方法类的替代神经网络视图。通过式 6代入式 2,我们看到预测是
在数学上等效的神经网络模型如图所示。NN的引入可以使我们更好地理解我们的框架及其所包含的方法。左侧可以理解为一个全局表示学习网络,,右边可以被当作一个为编码的任务/域z生成模型的网络(权重向量),这种解释允许将现有的MTL / MDL模型实现为神经网络,并通过标准神经网络库方便地进行优化,通过适当设置输入z并激活适当的权重正则化。除了现有方法以外,我们还利用语义描述符作为输入,这使得信息共享可以以域元数据为指导。此外,作为NN,双方都可以任意深化。例如,表示学习网络可以是从原始图像中提取特征的全尺寸CNN,并且可以通过反向传播对所有内容进行端到端训练。
2.5 应用到Zero-Shot Learning
2.5.1 Zero-Shot Learning
Zero-Shot Learning:
Zero-Shot Learning旨在消除针对特定任务的训练数据的需求。在字符[和对象识别等领域已进行了广泛的研究。通常对于ZSL,训练和测试数据的标签空间是不相交的,因此对于测试时的类别的数据是之前没见过的。取而代之的是,在给定一些中级信息的情况下构造测试分类器。大多数现有的ZSL方法的数据流可以说明为:X→Z→Y,或者Z→Y,X→Y,其中Z时语义描述符,例如属性或者语义词向量。在我们的框架中,ZSL可以通过上图实现,是后者的数据流形式。通过依次提供每个新颖的语义向量(假设测试类别被t索引)以及全新的类别,对于的Zero-Shot识别为。在这篇文章中,我们关注的是在zero-shot domain adaptation(参数化域)。
2.5.1 Zero-Shot Domain Adaptation
Zero-Shot Domain Adaptation:
超越传统的ZSL,我们将任务的零镜头学习概念推广到领域的零镜头学习概念。 在这种情况下,意味着在测试之前没有看到目标域的训练数据。 面临的挑战是仅基于其语义描述符为新测试域构建良好的模型。 我们将此问题设置表示为s Zero-Shot Domain Adaptation(ZSDA)。
ZSDA可以通过分布式而不是单编码域描述符来实现,因为在实践中,仅有域的子集是有效学习Q所必需的。因此适用于没见过的domain模型可以在没有任何训练数据的情况下建立,通过应用它的语义描述符到模型生成矩阵Q:。生成的特定领域模型可以用来预测重新表示的输入:
3. 方法——多输出模型
Methodology – Multiple Output Models:
到目前为止,每个模型的最终输出都是标量(单个输出)。 但是,对于某些实际应用,需要或需要多个输出。 例如,假设我们有M = 2个手写数字数据集(域):MNIST和USPS。 对于任何MNIST或USPS图像,都将提取D维特征向量。 任务是将图像从0到9进行分类,因此每个数据集都有D×C(C = 10)个模型参数。 因此,所有数字和数据集的完整模型应包含D×C×M参数。 我们将这种多域设置表示为多域多任务学习,每个域都具有多个任务。 在最近的一些文献中类似的设置称为多线性多任务学习。
3.1 公式:张量内积
Vector-Tensor Inner Product:
上一节中的关键思想是通过描述符向量生成模型向量。 为了使这种想法适应新的环境,我们建议
其中×n表示张量和向量的n模乘积(在某些研究中也称为张量收缩,因为它是向量和矩阵、向量或矩阵的内积的泛化),现在生成的是一个权重矩阵而不是一个向量。权重生成函数现在由尺寸为D×C×B的三阶张量参数化,它通过用其B维语义描述符z和张量相乘来合成第i个域的模型矩阵。这是自然的扩展:如果所需模型是向量(单个输出),则权重生成函数是矩阵(二阶张量)乘语义描述符z(方程3); 当所需模型为矩阵(多个输出)时,权重生成函数为z乘三阶张量。
给定one-hot编码描述符分别指代MNIST和USPS。上述等数会从张量切出适当的矩阵。模型预测变为:
变成了C维的向量而不是一个标量了。然而,在传统的分类(one-hot encoded)域的情况下,该方法无法提供信息共享。 为此,我们接下来转向张量分解。
3.2 张量分解
Tensor (De)composition:
回想一下,许多经典的(基于矩阵的)多任务学习方法的关键直觉是利用由行秩分解引起的信息共享。 即,由因子矩阵P和Q组成用于所有任务W的权重矩阵。 对于具有多个输出的MDL,我们旨在将此思想扩展到权重张量W的分解。 与矩阵情况相比,有多种分解张量的方法,包括CP,Tucker和Tensor-Train分解。
3.3 门控神经网络架构
Gated Neural Network Architectures:
我们先前在第2.4节中展示了用于单输出模型的矩阵分解与双面神经网络之间的联系。 接下来,我们将得出张量分解与门控神经网络之间的联系。 首先,我们在表中概述不同张量(分解)方法所使用的因素。
要建立与神经网络的连接,我们需要引入两个新层:
- (i)Hadamard Product
Layer:输入是两个相等长度的向量u和v,输出是,它是执行Hadamard(按元素)乘积的确定性层,其中输入大小为,输出大小为。 - (ii)Kronecker Product
Layer:输入是两个任意长度的向量u和v,输出是,它是确定性层,接受大小为的输入并返回大小为的Kronecker乘积。
图4展示了基于NN的多域学习方法。M个域的单域学习学习需要M个单层NN,每个NN具有D×C权重矩阵(图a)。将这组权重矩阵视为对应的D×C×M张量,我们可以使用引入的层来定义门控网络((b)-(d)),该门控网络对该张量的低秩版本进行建模,并带有相应的式中的张量分解假设。相比于a中每个域都包含了一个独立的神经网络,b-d在所有域中包含了一个网络。每个实例的域通过其相应的描述符发信号给网络,网络的右侧使用描述符相应地综合识别权重。
我们注意到,我们可以进一步统一所有三种设计,以及2.4节中提出的单输出模型,将它们作为Tucker网络的特殊情况,如表3所示。因此,我们可以理解所有这些基于因式分解的方法,通过它们与将叠加模型参数(矩阵W或张量W)分解为更小数量的参数,组成特定领域()、特定任务()和共享组件()。需要特别注意的是,尽管我们的模型具有与张量分解相同的因式分解假设,但是训练模型的方法并不是通过训练一组模型并将其分解–实际上根本不使用矩阵/张量分解。而是通过反向传播对(d)的单个Tucker网络进行端到端训练,以最大程度地减少多域/任务损失。网络体系结构要求反向传播训练各个因子,以使它们对应的张量组成解决多域多任务问题。总而言之,我们的框架可以看作是“有区别训练的”张量分解,或者是门控神经网络,其中NN的权重由第二个输入(描述符z)动态参数化。
4. 实验
Experiments:
我们探索了关于对象识别(第4.1节),监视图像分析(第4.2节)和人识别/软生物学(第4.3节)的三组实验。 第一个识别实验遵循将域/任务作为原子实体的常规设置,而后一个实验探索信息域描述符的潜在好处,包括零触发域自适应。
我们使用TensorFlow来实现我们的框架,并采用每种方法的神经网络解释,从而可以轻松地基于SGD的反向传播进行优化。 对于二元分类问题,我们使用铰链损失(hinge loss);对于多分类问题,我们使用(分类)交叉熵损失。
4.1 Multi-domain Multi-task Object Recognition
Multi-domain Multi-task Object Recognition:
在本节中,我们假设使用常规的原子域(因此域描述符只是指示符,而不是分布式代码),但将探索多域多任务(MDMTL)设置。 因此,每个域中都有一个多类问题,我们的方法(第3节)利用了跨域和任务共享的信息。为了处理每个域中的多类识别,它概括了现有的矢量值MTL / MDL方法,并实现了由低秩张量参数化的矩阵值权重生成函数。
数据集:
我们首先使用著名的Office数据集评估多域多任务设置。Office包括三个域(数据源),Amazon:从Amazon下载的图像,DSLR:数码相机捕获的高质量图像,webcam:网络摄像头捕获的低质量图像。 对于每个域,都有多个类别的对象要识别,例如键盘,杯子,耳机。 除了原始的Office数据集外,还应添加一个第四域:Caltech-256。 因此,我们评估了识别四个领域中共有的10个类别。下图是800维的SURF特征。我们预处理数据是通过将每个例子的特征向量的和变为一,然后应用z-score函数。
设置:
我们比较了三种建议的方法变体:CP,Tucker,TT网络,和两个baseline。
- SDL:独立训练每个域。
- Aggregation:忽略域并为所有数据训练聚合模型。
对于这两个baseline,我们使用没有隐藏层的前馈神经网络,因此没有要调整的超参数。对于我们的方法,张量的rank用10折交叉验证来选择,例如CP-network的K,Tucker-network的(),TT-network的()。KD,KC和KB的grid分别为[16,64,256],[2,4,8]和[2,4]。 多类别识别的错误率在九种递增的训练测试比率上被计算(10%,20%,…,90%),每一个比率上我们随机重复实验十次。
结果与分析:
结果如图6所示。我们可以看到,与SDL相比,所提出的方法表现良好。 当训练数据非常小时,聚合是一个不错的选择,因为更多数据的好处超过了混合域的缺点。但是,域偏差的存在最终使单个模型无法在所有域上正常工作。我们提出的方法可以针对各个领域生成不同的模型,因此它们通常优于基线。Tucker和TT网络优于CP网络,因为它们在选择多个张量等级时具有更大的灵活性。 但是,缺点是,这还会引入更多的超参数进行调整。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- learnOpenGL 1.8 坐标系统
一个物体从被我们创建到在屏幕上显示出来,需要经过多个坐标空间。 我们的顶点坐标起始于局部空间(Local Space),在这里它称为局部坐标(Local Coordinate),它在之后会变为世界坐标(World Coordinate),观察坐标(View Coordinate),裁剪坐标(Clip Coordinate),并最后以屏幕坐…...
2024/4/11 21:31:08 - HTTP第二阶段笔记
HTTP经典五层模型低三层物理层:主要作用是定义物理设备如何传输数据 数据链路层:在通信的实体间建立数据链路连接 网络层:为数据在结点之间传输创建逻辑链路传输层向用户提供可靠的端到端(End-to-End)服务 传输层向高层屏蔽了下层数据通信的细节应用层为应用软件提供了很多服…...
2024/4/11 21:31:07 - Python下载腾讯非VIP视频(末尾附赠VIP付费视频爬虫教程)
开发工具 **Python版本:**3.6.4 相关模块: PIL模块; requests模块; click模块; 以及一些Python自带的模块。 相关文件 关注公众号“python工程狮”回复‘腾讯’获取。 环境搭建 安装Python并添加到环境变量,pip安装需要的相关模块即可。 原理简介 做之前随手Google了一下…...
2024/4/19 18:06:44 - 如何判断一个三位数是否包含某个数字?
/* * 数组元素求和 * 有这样的一个数组,元素是{768,27,95,88,171,996,51,210}。 * 求出该数组中满足要求的元素和, * 要求是:求和的元素个位、十位、百位都不能是7,并且只能是偶数. */ public class Exercise6 {public static void main(String[] args) {int[] ints = {768…...
2024/4/24 17:56:02 - 正则表达式,json表达式
jmeter-关联(正则表达式) 一:什么时候需要关联关联是请求与请求之间存在数据依赖关系,需要从上一个请求中获取下一个请求中需要回传回去的数据 服务器返回的动态变化而且队业务有影响的需要关联 看下脚本是否正确,检查脚本是否有动态数据影响 一大串字符串,每次请求的参数…...
2024/4/10 11:19:48 - java如何自定义全局查找整个项目文件
前几天老大给了个excel,里面有从其他公司购买的一些数据表,让我统计一下有哪些表我们的系统有用到,这个excel里面有上千个表名,手工用idea的全局搜索一个一个的查找显然是不可能的,这样也不符合我们作为程序员的身份,于是我想到了以下的解决方案,记录一下。其实方案也是…...
2024/4/23 19:28:42 - 【论文笔记】Unsupervised Information Extraction: Regularizing Discriminative Approaches with RelDist loss
文章目录Unsupervised Information Extraction: Regularizing Discriminative Approaches with Relation Distribution Losses导读Abstract1. Introduction2. Related Work3. Model description3.1 Unsupervised relation classifier3.2 Link PredictorNegative Sampling3.3 Re…...
2024/5/2 23:36:01 - 简单工厂
序:学习设计模式也有好长时间了 是时候总结一波了 就先拿我们最先接触的简单工厂来做一些总结吧 什么是简单工厂 首先简单工厂并不是一种设计模式,而是一个最简单的工厂模式 它可以根据不同的参数,创建并返回不同的类,其中这些类具有一个公共的父类或者同一个接口。 简单工…...
2024/4/11 21:31:05 - less基本使用
1、less中的注释: 以//开头的注释,不会被编译到css文件中 以/**/包裹的注释会被编译到css文件中 2、less中的变量: a、使用@来声明一个变量:例 @red:red b、作为普通属性值来使用:直接使用@red c、作为选择器和属性名使用:#@{selector}的形式 d、作为url:@{url} e、变量…...
2024/4/11 21:31:05 - argument not a density mechanism name.错误解决办法
在神经元类加入离子机制section.insert(’…’) 运行时出现 argument not a density mechanism name.错误 解决办法: 重新编译相应机制文件mod.file 重启后解决...
2024/4/11 21:31:06 - leetcode算法题-剑指Offer篇(16)
1、最长不含重复字符的子字符串 1.1 题目描述:请从字符串中找出一个最长的不包含重复字符的子字符串,计算该最长子字符串的长度。1.2 题解 1.2.1 动态规划 + 哈希表public int lengthOfLongestSubstring(String s) {Map<Character, Integer> dic = new HashMap<>…...
2024/5/3 0:01:55 - Docker 一篇文章总结Docker的网络模式
Docker网络现状为了解决容器网络性能低下、功能不足的问题,Docker启动了子项目“Libnetwork”。Libnetwork提出了新的容器网络模型(Container Network Model,简称CNM),定义了标准的API用于为容器配置网络,其底层可以适配各种网络驱动(如图Docker-network01所示)。CNM有…...
2024/4/11 21:31:01 - scanf和scanf_s
从入门到放弃,c语言的入门 目前不知scanf的不安全性...
2024/4/11 21:31:00 - Mybatis-XML复杂映射基础讲解
复杂映射XML方式 为了快速学习,快速上手,这里只对常用基本映射方式讲解,如需学习全特性,请参考结果映射章节结果映射章节 一对一关键标签:<association><!--id: 是上下文唯一id,<select resultMap="id">引用,type:类似select标签中resultType…...
2024/4/26 21:18:45 - numpy的广播
#造数 k=np.arange(0,11) #修改类型 修改为3行4列 k=k.reshape(3,4) #修改为一列 k=np.arange(12).reshape(12,1)简单的加减法与相同类型的数组的加法与不同类型的数组的的加减法(存在列或行相同)...
2024/4/11 21:30:58 - 睡前故事
爱而不得 我尽力了,从特别关心到取消,从置顶聊条到取消,从单独分组到大众分组,从都是你名字的地方到删除,从互相关注的软件到取消,从哪里都是你的东西到清空。 后来,我的生活里再也没有出现你了,想哭又哭不出想笑也笑不出来,每天还要装作若无其事的样子,不过这样也好…...
2024/4/11 21:30:57 - Jni:使用openssl库进行rsa加密解密(Linux编译篇)
前面两篇中,已经介绍过如何搭建jni环境以及编写自己的一个jni调用(包括引入第三方类库 如openssl) Jni:使用openssl库进行rsa加密解密 (环境搭建篇) Jni:使用openssl库进行rsa加密解密(实现篇) 下面我们要说的是,如何在linux下面编译出我们需要的c++类库,也就是 libxxx…...
2024/4/22 4:49:03 - jmeter参数化
参数化 函数参数化进入jmeter页面,点击选项将生成的函数字符串拷贝到需要的参数里面CSV参数化在脚本的根目录下面创建一个CSV文件(也可以创建TXT文档) 引用变量可以加一个debug调试器 一定要加循环次数正则表达式正则表达式:取值首先确定边界值要取的数据用(.*?)代替分析接…...
2024/4/26 4:38:59 - Maven下载及配置环境变量
1.下载下载对应版本号的压缩文件解压到一个专门放环境变量的文件夹中2.配置环境变量在setting中配置本地仓库3.在IDEA中配置...
2024/4/11 21:30:54 - 中缀转后缀
总结: 维护一个符号的栈,优先级大的可以压在优先级小的符号的上面。从左到右遍历 数字直接输出 左括号,直接压入堆栈,但是优先级最小(只有右括号可以弹出左括号) 右括号,一直弹出运算符知道遇到左括号 运算符,将优先级大于等于自己的弹出后再塞入 结束后弹出所有运算符…...
2024/4/11 21:30:53
最新文章
- 基于Spring Boot的校园疫情防控系统设计与实现
基于Spring Boot的校园疫情防控系统设计与实现 开发语言:Java框架:springbootJDK版本:JDK1.8数据库工具:Navicat11开发软件:eclipse/myeclipse/idea 系统部分展示 管理员登录首页界面图,管理员进入校园疫…...
2024/5/3 0:30:03 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 字符串匹配算法之BF与KMP算法
目录 BF算法(暴力匹配算法) KMP算法 核心思想: next数组 next数组的优化 BF算法(暴力匹配算法) #include <assert.h> int BF(const char* str, const char* sub) {assert(str ! NULL && sub ! NULL);if (str NULL || sub NULL){return -1;}int…...
2024/5/2 2:35:56 - 利用Spark将Kafka数据流写入HDFS
利用Spark将Kafka数据流写入HDFS 在当今的大数据时代,实时数据处理和分析变得越来越重要。Apache Kafka作为一个分布式流处理平台,已经成为处理实时数据的事实标准。而Apache Spark则是一个强大的大数据处理框架,它提供了对数据进行复杂处理…...
2024/4/30 15:37:05 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/5/2 11:19:01 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/5/2 16:04:58 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/5/2 23:55:17 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/5/2 9:47:31 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/5/2 9:47:31 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/5/2 6:03:07 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/5/2 9:47:30 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/5/2 23:47:43 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/5/2 5:31:39 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/5/1 20:22:59 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/5/2 9:47:28 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/5/2 9:47:27 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/5/2 0:07:22 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/5/2 8:37:00 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/5/2 9:47:26 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/5/2 9:47:25 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/5/2 23:47:16 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/5/2 18:46:52 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/5/2 7:30:11 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/5/1 20:56:20 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57