三种不同的梯度下降算法和正则方程的线性回归预测结果对比
本文采用批量梯度下降BGD、随机梯度下降SGD、小批量梯度下降MBGD、和正则方程,四种思路来构造不同的线性回归预测器。
我们经常会用到梯度下降法来对机器学习算法进行训练。也就是批量梯度下降法BGD,随机梯度下降法SGD,小批量梯度下降MBGD法。
可以参考此链接资料:http://www.cnblogs.com/maybe2030/p/5089753.html#_label0
一、LinearRegression.py
import numpy as npclass LR(object):def __init__(self, input_data, realresult, theta=None):""":param input_data: 输入数据:param realresult: 真实数据:param theta: 线性回归的参数,默认为None"""# 获得输入数据的形状row, col = np.shape(input_data)# 构造输入数据数组self.input_data = [0]*row# 给每组输入数据增添常数项1for (index, data) in enumerate(input_data):Data = [1.0]# 把input_data拓展到Data内,即把input_data的每一维数据添加到DataData.extend(list(data))self.input_data[index] = Dataself.input_data = np.array(self.input_data)# 构造输入数据对应的结果self.result = np.array(realresult)# 参数theta不为None时,利用theta构造模型参数if theta is not None:self.theta = thetaelse:# 随机生成服从标准正态分布的参数self.theta = np.random.normal(0, 1, (col+1, 1))def Cost(self):"""这是计算损失函数的函数"""# 在线性回归中的损失函数定义为真实结果与预测结果之间的均方误差# 首先计算输入数据的预测结果predict = self.input_data.dot(self.theta)# 计算真实结果与预测结果之间的均方误差cost = (predict - self.result).T[0]cost = np.average(cost ** 2)return costdef BGD(self, alpha):"""BGD:batch gradient descent批量梯度下降,能收敛到全局最优解,但计算所需的内存空间巨大这是利用BGD算法进行一次迭代调整参数的函数:param alpha: 学习率"""# 定义梯度增量数组gradient_increasment = []# 对输入的训练数据及其真实结果进行遍历for (input_data, real_result) in zip(self.input_data, self.result):# 计算每组input_data的梯度增量,并放入梯度增量数组g = (input_data.dot(self.theta) - real_result) * input_datagradient_increasment.append(g)# 按列计算属性的平均梯度增量ave_g = np.average(gradient_increasment, 0)# 改变平均梯度增量数组的形状ave_g = ave_g.reshape(len(ave_g), 1) # 将行向量变成列向量# 更新模型参数self.thetaself.theta = self.theta - alpha * ave_gdef Shuffle_Sequence(self):"""这是运行SGD算法或MBGD算法之前,随机打乱原始数据集的函数"""# 首先获得训练集的规模,然后按照规模生成自然数序列length = len(self.input_data)random_sequence = list(range(length))# 利用numpy的随机打乱函数打乱训练数据下标random_sequence = np.random.permutation(random_sequence)# 返回数据集随机打乱后的数据序列return random_sequencedef SGD(self, alpha):"""SGD:stochastic gradient descent随机梯度下降,属于贪心算法,求得的是次优解;频繁的调节超参数,加快了收敛速度这是利用SGD算法进行一次迭代调整参数的函数:param alpha:学习率"""# 首先将数据集随机打乱,减少数据集顺序对参数调优的影响shuffle_sequence = self.Shuffle_Sequence()self.input_data = self.input_data[shuffle_sequence]self.result = self.result[shuffle_sequence]# 对训练数据进行遍历,利用每组训练数据对参数进行调整for (input_data, real_result) in zip(self.input_data, self.result):# 计算每组数据input_data的梯度增量g = (input_data.dot(self.theta) - real_result) * input_data# 调整每组input_data的梯度增量的形状g = g.reshape(len(g), 1)# 更新线性回归的模型参数self.theta = self.theta - alpha * gdef MBGD(self, alpha, batch_size):"""MBGD函数,根据小批量样本规模batch_size将训练数据集划分为多个小批量训练样本,遍历这些小批量样本,与BGD类似,计算每个小批量样本上的平均梯度增量并结合学习率alpha来更新模型参数self.theta:param alpha: 学习率:param batch_size: 小批量样本规模"""# 首先利用shuffle_sequence函数将训练数据集随机打乱,减少数据集顺序对参数调优的影响shuffle_sequence = self.Shuffle_Sequence()self.input_data = self.input_data[shuffle_sequence]self.result = self.result[shuffle_sequence]# 遍历每个小批量样本for start in np.arange(0, len(shuffle_sequence), batch_size):# 判断start + batch_size是否大于数组长度# 防止最后一组小批量样本规模可能小于batch_sizeend = np.min([start + batch_size, len(shuffle_sequence)])# 获取训练小批量样本集及其标签mini_batch = shuffle_sequence[start:end]mini_train_input_data = self.input_data[mini_batch]mini_train_result = self.result[mini_batch]# 定义梯度增量数组gradient_increasment = []for (data, result) in zip(mini_train_input_data, mini_train_result):# 计算每组data的梯度增量,并放入梯度值增量数组g = (data.dot(self.theta) - result) * datagradient_increasment.append(g)# 按列计算每组小样本训练集的平均梯度增量ave_g = np.average(gradient_increasment, 0)# 改变平均梯度增量数组的形状ave_g = ave_g.reshape(len(ave_g), 1) # 将行向量变成列向量# 更新模型参数self.thetaself.theta = self.theta - alpha * ave_gdef train_BGD(self, iter, alpha):"""这是利用BGD算法迭代优化的函数:param iter: 迭代次数:param alpha: 学习率:return: cost"""# 定义平均训练损失数组,记录每轮迭代的训练数据集的损失cost = []# 开始进行迭代训练for i in range(iter):# 利用学习率alpha,结合BGD算法对模型进行训练self.BGD(alpha)# 记录每次迭代的平均训练损失cost.append(self.Cost())cost = np.array(cost)return costdef train_SGD(self, iter, alpha):"""这是利用SGD算法迭代优化的函数:param iter: 迭代次数:param alpha: 学习率:return: cost"""# 定义平均训练损失数组,记录每轮迭代的训练数据集的损失cost = []# 开始进行迭代训练for i in range(iter):# 利用学习率alpha,结合SGD算法对模型进行训练self.SGD(alpha)# 记录每次迭代的平均训练损失cost.append(self.Cost())cost = np.array(cost)return costdef train_MBGD(self, iter, batch_size, alpha):"""这是利用MBGD算法迭代优化的函数:param iter: 迭代次数:param alpha: 学习率:param batch_size: 小批量样本规模:return: cost"""# 定义平均训练损失数组,记录每轮迭代的训练数据集的损失cost = []# 开始进行迭代训练for i in range(iter):# 利用学习率alpha,结合MBGD算法对模型进行训练self.MBGD(alpha, batch_size)# 记录每次迭代的平均训练损失cost.append(self.Cost())cost = np.array(cost)return costdef predict(self, data):"""这是对一组测试数据预测的函数:param data: 测试数据:return: predict_result"""# 对测试数据加一维,以适应矩阵乘法temp = [1.0]temp.extend(data)data = np.array(temp)# 计算预测结果,计算结果形状为(1,)predict_result = data.dot(self.theta).T[0]return predict_resultdef test(self, test_data):"""这是对测试数据集的线性回归预测函数:param test_data: 测试数据集"""# 定义预测结果数组predict_result = []# 对测试数据进行遍历for data in test_data:# 预测每组data的结果predict_result.append(self.predict(data))predict_result = np.array(predict_result)return predict_resultdef getNormalEquation(self):"""x.T * x * theta = x.T * Y"为正则方程,theta = (x.T*x)^(-1)*(x.T*Y)这是利用正则方程计算模型参数self.theta""""""0.001 * np.eye(np.shape(self.input_data.T))是防止出现原始X.T不可逆"""# 获得输入数据数组形状col, row = np.shape(self.input_data.T)# 计算输入数据矩阵的转置XT = self.input_data.T + 0.001 * np.eye(col, row)# 计算矩阵的逆inv = np.linalg.inv(XT.dot(self.input_data))# 计算模型参数self.thetaself.theta = inv.dot(XT.dot(self.result))
二、boston house price.py
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mplfrom sklearn.datasets import load_boston
from sklearn.model_selection import train_test_splitfrom LinearRegression import LRdef Merge(data, col):"""这是生成DataFrame数据的函数:param data: 输入数据,为行向量:param col: 列名称数组"""data = np.array(data).Treturn pd.DataFrame(data, columns=col)#.....导入数据及划分训练数据与测试数据....
boston = load_boston()
input_data = boston.data
result = boston.target # 为行向量
# 只取第6维特征,平均房间数目
input_data = np.array(input_data)[:, 5] # 为行向量
# 保存原始数据集
data = Merge([input_data, result], ['平均房间数目', '房价'])
data.to_excel('./原始数据.xlsx')
# 改变数据集的与真实房价数组的形状
input_data = input_data.reshape(len(input_data), 1) # 将行向量变为列向量,为数组类型
result = np.array(result).reshape(len(result), 1)
# 将数据集分成训练数据集和测试数据集
train_data, test_data, train_result, test_result = \train_test_split(input_data, result, test_size=0.3, random_state=50)# 解决matplotlib中的中文乱码问题,以便于后面实验结果的可视化
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False# 利用散点图可视化测试数据集,并保存可视化结果
plt.scatter(test_data, test_result, alpha=0.5, c='b', s=10)
plt.grid(True)
plt.xlabel('房间数')
plt.ylabel('真实房价')
plt.legend(labels='真实房价', loc='best')
plt.savefig('./测试集可视化.jpg', bbox_inches='tight')
plt.show()
plt.close()# ....开始构建线性回归模型....
# BGD优化的线性回归模型
LinearRegression_BGD = LR(train_data, train_result, theta=None)
# SGD优化的线性回归模型
LinearRegression_SGD = LR(train_data, train_result, theta=None)
# MBGD优化的线性回归模型
LinearRegression_MBGD = LR(train_data, train_result, theta=None)
# 正则方程优化的线性回归模型
LinearRegression_NormalEquation = LR(train_data, train_result, theta=None)# ....训练模型....
iter = 30000 # 迭代次数
alpha = 0.001 # 学习率
batch_size = 64 # 小批量样本规模
# BGD的平均训练损失
BGD_train_cost = LinearRegression_BGD.train_BGD(iter, alpha)
# SGD的平均训练损失
SGD_train_cost = LinearRegression_SGD.train_SGD(iter, alpha)
# MBGD的平均训练损失
MBGD_train_cost = LinearRegression_MBGD.train_MBGD(iter, batch_size, alpha)
# 利用正则方程获取的参数
LinearRegression_NormalEquation.getNormalEquation()# 3种梯度下降算法平均训练损失结果可视化,并保存可视化结果
col = ['BGD', 'SGD', 'MBGD']
iter = np.arange(iter)
plt.plot(iter, BGD_train_cost, 'r-.')
plt.plot(iter, SGD_train_cost, 'b-')
plt.plot(iter, MBGD_train_cost, 'k--')
plt.grid(True)
plt.xlabel('迭代次数')
plt.ylabel('平均损失函数')
plt.legend(labels=col, loc='best')
plt.savefig('./3种梯度下降算法的平均训练损失.jpg', bbox_inches='tight')
plt.show()
plt.close()# 整合3种梯度下降算法的平均训练损失到DataFrame
train_cost = [BGD_train_cost, SGD_train_cost, MBGD_train_cost]
train_cost = Merge(train_cost, col=['BGD', 'SGD', 'MBGD'])
# 保存三种梯度下降算法的平均训练损失及其统计信息
train_cost.to_excel('./3种梯度下降算法的平均训练损失.xlsx')
# train_cost.describe().to_excel('./3种梯度下降算法的平均训练损失统计')
print("3种梯度下降算法的平均训练损失统计\n", train_cost.describe())# 计算4种调优算法下的拟合曲线
x = np.arange(int(np.min(test_data)), int(np.max(test_data) + 1))
x = x.reshape(len(x), 1) # 将行向量转化为列向量
# BGD算法的拟合曲线
BGD = LinearRegression_BGD.test(x)
# SGD算法的拟合曲线
SGD = LinearRegression_SGD.test(x)
# MBGD算法的拟合曲线
MBGD = LinearRegression_MBGD.test(x)
# 正则方程的拟合曲线
NormalEquation = LinearRegression_NormalEquation.test(x)# 4种模型的拟合直线可视化,并保存可视化结果
col = ['BGD', 'SGD', 'MBGD', '正则方程']
plt.plot(x, BGD, 'r-.')
plt.plot(x, SGD, 'b-')
plt.plot(x, MBGD, 'k--')
plt.plot(x, NormalEquation, 'g:')
plt.scatter(test_data, test_result, alpha=0.5, c='b', s=10)
plt.grid(True)
plt.xlabel('房间数')
plt.ylabel('预测值')
plt.legend(labels=col, loc='best')
plt.savefig('./不同模型或梯度下降算法的预测值比较.jpg', bbox_inches='tight')
plt.show()
plt.close()# 利用测试集进行线性回归预测
# BGD算法的预测结果
BGD_predict = LinearRegression_BGD.test(test_data)
# SGD算法的预测结果
SGD_predict = LinearRegression_SGD.test(test_data)
# MBGD算法的预测结果
MBGD_predict = LinearRegression_MBGD.test(test_data)
# 正则方程的预测结果
NormalEquation_predict = LinearRegression_NormalEquation.test(test_data)# 保存预测数据
# x.tolist()是将numpy.array转化为python的list类型的函数
data = [test_data.T.tolist()[0], test_result.T.tolist()[0], BGD_predict,SGD_predict, MBGD_predict, NormalEquation_predict]
col = ['平均房间数目', '真实房价', 'BGD预测结果', 'SGD预测结果', 'MBGD预测结果', '正则方程预测结果']
data = Merge(data, col)
data.to_excel('./测试数据与不同模型和梯度下降算法的预测结果.xlsx')# 计算四种算法的均方误差及其统计信息
# test_result之前的形状为(num,1),首先计算其转置后
test_result = test_result.T[0]
# BGD算法的均方误差
BGD_error = ((BGD_predict - test_result) ** 2)
# SGD算法的均方误差
SGD_error = ((SGD_predict - test_result) ** 2)
# BGD算法的均方误差
MBGD_error = ((MBGD_predict - test_result) ** 2)
# BGD算法的均方误差
NormalEquation_error = ((NormalEquation_predict - test_result) ** 2)
# 整合四种算法的均方误差到DataFrame
error = [BGD_error, SGD_error, MBGD_error, NormalEquation_error]
col = ['BGD', 'SGD', 'MBGD', '正则方程']
error = Merge(error, col)
# 保存四种均方误差及其统计信息
error.to_excel('./四种算法的预测均方误差原始数据.xlsx')
print("四种算法的预测均方误差统计\n", error.describe())
三.结果对比
1.记录每次迭代的平均训练损失,即每次迭代得到的预测值和真实值的均方误差
2.利用四种不同的调优算法,得到的回归曲线
四、结论
MBGD在训练集上相对于BDG有较快的收敛速度;也避免了SGD算法的由于过早收敛且波动较大的问题。与梯度下降算法相比,正则方程由于时间复杂度大,更适合小数据集;另外,正则表达式的调参效果无法与梯度下降算法相比,且在测试集上的性能比较差,误差相比其他的较大。
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
- 2021-10-29 Mac安装redis和git
转自:https://blog.csdn.net/ncj393437906/article/details/117819606 下载 brew install redis 启动服务 brew services start redis 测试 redis-cli set name jack get name 得到结果是jack 这是在安装了homebrew的基础之上安装的 安装homebrew brew install git如果没有安装…...
2024/3/4 16:36:56 - 基于JAVA的知轩藏书小说爬取与分析软件
一、基于JAVA的知轩藏书小说爬取与分析软件 摘 要 随着网络的发展,电子小说越来越多,对于从海量的小说中快速有效的获取到有效的信息成为一大难题。Java为目前较为流行的语言之一,对Java网络爬虫技术的开发是很有必要的。在Java网络爬虫开发…...
2024/3/28 3:19:25 - 元宇宙仍处于黎明前的暗夜,底层技术基础决定产业未来走向
科技云报道原创。 1492年,哥伦布带领船队从西班牙启航,这一次的航行让他发现了全新的大陆——美洲,后人将此定位为“世界的开端”和“全球化进程的开始”。 2021年,人们发现了“元宇宙”这块新大陆,这也标志着人们正…...
2024/3/6 2:55:22 - 21天好习惯第一期—7
牛客小白月赛39 1.A—憧憬 题解:数学题目,详细见代码。 AC代码如下: #include <bits/stdc.h> using namespace std; int main() {int n;cin>>n;int a[n][4];for(int i0;i<n;i){cin>>a[i][0]>>a[i][1]>>…...
2024/3/6 2:55:18 - Java字节流
目录 IO流概述和分类 IO流概述: IO流分类: 字节流写数据 字节流写数据的方法 字节流读数据 IO流概述和分类 IO流概述: IO:输入/输出(Input/Output) 流:是一种抽象概念,是对数据…...
2024/3/12 4:06:07 - 容器 : 列表(list)、集合(set)、元组(tuple)
列表(list): 线性表:数组(查快该慢)、栈、队列、链表(单、双)——基于链表实现 定义方式: 1、弱数据语言定义 ls [1…...
2024/3/6 2:55:17 - 浮动路由配置实验
思路先配置直连路由,然后再配置静态路由,最后配置浮动路由 一、配置直连路由 1)新建拓扑图,添加需要用到的设备,并连接网线,启动设备。 2)对PC机进行配置: PC1 ip 192.168.1.1 子网掩…...
2024/3/24 9:14:30 - 第一章(5)计算机网络体系结构之计算机网络的标准化工作及相关组织
目录 一、为什么需要标准 二、计算机网络的标准化 三、计算机网络的标准化工作步骤 四、相关组织(权威) 一、为什么需要标准 没有普通话,不可否认会阻碍社会发展,推行了普通话之后,我们更加关注语义的内容&#x…...
2024/3/6 2:55:15 - 数据库sql 2008实验六触发器
关于触发器,我已知有MYsql,和传统sql sever 2008。它们的触发器不同: 传统sql(老师让我们用的): (1)DML触发器:是指触发器在数据库中发生数据操作语言(DML)事件时将启用。DML事件即指在表或视…...
2024/3/14 23:54:32 - stm32单片机通过串口通信实现将GY_33颜色传感器的接收到的颜色和RGB值上传给上位机
目录 硬件连接 实现串口1和串口3相互通信 对GY_33的数据分析 GY_33数据处理 GY_33的配套软件使用 代码 主要思路:注:这里我使用串口1和串口3,可以更改串口 1.上位机通过串口1发送数据给stm32单片机 2.stm32通过串口3发送数据给GY_33 3.GY_33通…...
2024/3/19 5:30:57 - neo4j桌面版安装
一、下载neo4j桌面版安装驱动 1.在neo4j官网下载neo4j桌面版。 2.填写相关信息并保存激活码 (1)点击下载链接 (2)填写相关信息 (3)保存激活码 建议创建记事本,保存红圈内激活码 二、安装neo4…...
2024/3/27 11:50:06 - python自己创建分析网络图的库
文章目录node.pygraph.pystat.pyplotnodes.pyplotgraph.py调用各函数,观察功能实现最终得到的结果的文件夹结构与题目要求相同GraphStat _init_.pyNetworkBuilder _init_.pynode.pygraph.pystat.py Visualization _init_.pyplotnodes.pyplotgraph.py node.py #返…...
2024/3/24 15:50:10 - “21天养成好习惯“第一期-5
#include <stdio.h> int main(){ int a; printf(“Input integer number:”); scanf("%d",&a); if(a1){ printf(“Monday\n”); }else if(a2){ printf(“Tuesday\n”); }else if(a3){ printf(“Wednesday\n”); }else if(a4){ printf(“Thursday\n”); }el…...
2024/3/19 19:47:03 - 输出一段时间内以10min为间隔的所有时间日期
SELECT TO_DATE(20211020 160000,YYYYMMDD HH24MISS) 10 / 24 / 60 * level AS dt FROM dual CONNECT BY level < ( TO_DATE(20211020 160000,YYYYMMDD HH24MISS) - TO_DATE(20211020 150000,YYYYMMDD HH24MISS) ) * 24 * 6;...
2024/3/13 2:30:10 - spring的ioc
spring的核心技术:ioc,aop,能实现模块之间、类之间的解耦合。 依赖:class a 中使用了class b的属性或者方法,则称class a依赖class b。 1.ioc(Inversion of control):控制反转 使用ioc的目的是减少对代码的改动,实现…...
2024/3/26 2:29:08 - 57 - II. 和为s的连续正数序列
剑指 Offer 57 - II. 和为s的连续正数序列 思路:滑动窗口 初始化:左边界i1,有边界j2,元素和s3,结果列表res循环:当i>j跳出: 当s>target:向右移动左边界ii1,并更新元素和当s&…...
2024/3/19 17:53:26 - C语言之查漏补缺二
目录引用与指针的关系python global 的用法头文件引用 "" 和 <> 的区别puts与printf 的区别引用与指针的关系 相同:1、都是地址的概念,指针指向某一内存,它的内容是所指内存的地址;引用则是某块内存的别名 2、从…...
2024/3/22 10:09:37 - 怎样取消股东资格
1、协商退出。 这种退股是以股东共同意思表示为依据的退出。根据共同意思的形成时间,又分两种情况,一种情况是在公司成立伊始订立的合同或者章程中事先规定好股东退股的情形,例如章程中可以约定公司连续三年亏损,股东可以提出退股…...
2024/3/22 9:16:26 - Vue_03_模板语法(下)
一、样式绑定 样式绑定: 1. class绑定 使用方式:v-bind:class"expression" expression的类型:字符串、数组、对象 2. style绑定 v-bind:style"expression" …...
2024/3/28 21:01:23 - Spring Boot(Cloud) 优雅停机
为了解决在微服务重启的过程中,可能出现一部分 http 请求处理失败的问题,提供一下方案 拟用方案: 第一步:重启前先从主动将服务剔除,并等待一段时间 第二步:停止服务并重启 一、主动将服务剔除 该方案主…...
2024/3/27 21:28:01
最新文章
- python coding with ChatGPT 专题1 | 树的直径
文章目录 定义题目特点 树的表示字典存储邻接表TreeNode类 深度优先 (两次DFS法)动态规划 (树形DP)优势 相似题目参考资料 定义 树上任意两节点之间最长的简单路径即为树的「直径」。 题目 给定一棵树,求出这棵树的…...
2024/3/29 21:18:16 - 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 - JavaScript中 数组API
在JavaScript中,数组是一种非常常用的数据结构,它可以用来存储多个元素并按照索引进行访问。JavaScript提供了丰富的数组API,可以方便地对数组进行各种操作和处理。下面将介绍一些常用的JavaScript数组API方法,并给出详细的解释和…...
2024/3/29 19:56:27 - 蓝桥杯练习题——搜索
1.八皇后 Checker Challenge 题目链接 注意数组空间要开大点,防止对角线数组存不下 #include<iostream> #include<cstring> using namespace std; const int N 50; int a[N]; int st1[N], st2[N], st3[N]; int n, cnt;// 行数 void dfs(int u){if(u…...
2024/3/29 19:01:13 - 如何使用极狐GitLab 自定义 Pages 根域名
本文作者:徐晓伟 GitLab 是一个全球知名的一体化 DevOps 平台,很多人都通过私有化部署 GitLab 来进行源代码托管。极狐GitLab 是 GitLab 在中国的发行版,专门为中国程序员服务。可以一键式部署极狐GitLab。 本文主要讲述了极狐GitLab Pages …...
2024/3/28 6:59:08 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/3/29 18:08:39 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/3/29 18:08:34 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/3/29 2:45:46 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/3/29 16:26:39 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/3/29 5:19:52 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/3/29 18:08:00 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/3/29 11:11:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/3/29 1:13:26 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/3/29 8:28:16 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/3/29 7:41:19 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/3/29 18:07:15 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/3/29 9:57:23 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/3/29 0:49:46 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/3/29 18:06:57 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/3/29 17:27:19 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/3/29 18:06:36 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/3/29 18:06:22 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/3/28 18:26:34 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/3/29 18:06:01 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/3/28 20:09:10 - 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