论文(NeurIPS 2021 Accepted):https://openreview.net/forum?id=TUplOmF8DsM
源码(Pytorch):https://github.com/ModelTC/MQBench
官方网站:http://mqbench.tech/

MQBench 概要

  • 1 Motivation
  • 2 Introduction Towards Reproducible Quantization of QAT
    • 2.0 What to Experiment
      • Hardware-friendly Quantizer
      • Quantization Algorithm
      • Network Architecture
      • Bit-width
    • 2.1 Training Pipelines and Hyper-parameters
  • 3 Introduction Towards Deployable Quantization of QAT
    • 3.1 Fake and Real Quantization
    • 3.2 Folding Batch Normalization
    • 3.3 Block Graph
  • 4 MQBench Implementation of QAT
  • 5 MQBench Evaluation
    • 5.1 Evaluation with Academic Setting
    • 5.2 Evaluation with BN Folding
    • 5.3 Evaluation with Graph Implementation
    • 5.4 Evaluation with Reproducibility and Deployability
      • Test Accuracy
      • Hardware Gaps
      • Hardware & Architecture Robustness
      • Hardware & Architecture Robustness
  • 附录待解读ing......
  • 个人思考

1 Motivation

  1. 近年来虽然深度学习模型量化做的越来越好,但其缺乏一个系统的研究与探讨——这些研究工作是否真的可以应用于实践?量化后性能的提升是由量化算法本身带来的,还是由训练的 Tricks 带来的?且目前仍缺乏一个 Benchmark 来统一规范量化的训练流程,并彻底和公正地比较量化算法。
  2. 作者发现大多数量化相关的学术研究论文没有在实际硬件设备上测试过,也就是说实际在硬件部署时的效果是不清楚的。因为实际部署不仅会进行 Fold BN 操作,还会量化除 Weight、Activation 以外的 Parameters (即整个计算图均被量化)。
  3. 其次,大部分量化算法采用的是 Per-tensor 方案,而转为使用 Per-channel 方案后性能会发生怎样变化?

藉此作者提出 Reproducibility 和 Deployability 两个概念,并根据这两个概念来展开有关实验。以上 Motivation在 Fig1 & Table 1 中均有体现。

在这里插入图片描述

2 Introduction Towards Reproducible Quantization of QAT

为了体现 Reproducibility ,作者将在 ImageNet 图像分类任务上进行 QAT 、 PTQ 实验(PTQ 实验展示在 Appendix. C 中)。没有对检测、分割和自然语言处理任务做实验,因为对应的 Baseline 较少。个人认为本小节是对 Reproducible Quantization 的一种介绍,作者对专用硬件及其推理库量化算法模型结构位宽四个方面的实验引入了相关概念和 Setting 。

2.0 What to Experiment

Hardware-friendly Quantizer

在本文中,主要探讨均匀量化,因为其在硬件部署上比较简明,而非均匀量化在硬件上的设计过于复杂,不展开赘述。作者将w\bm{w}wx\bm{x}x 分别定义为一个神经网络中的权重矩阵和激活矩阵。一次完整的均匀量化过程包括 Quantization Operation 和 De-quantization Operation ,下面给出公式:

在这里插入图片描述
其中 s∈R+s \in \mathbb{R_{+}}sR+z∈Zz \in \mathbb{Z}zZ 分别为量化尺度(Scale)和量化零点(Zero-Point), ⌊⋅⌉\lfloor \cdot \rceil 为四舍五入操作。公式 (1) 首先将权重或激活量化为 [Nmin,Nmax][N_{min},N_{max}][Nmin,Nmax] 范围内的整数,然后再将整数反量化回原始范围。给定 ttt bits,那么整数范围就为 [−2t−1,2t−1−1][-2^{t-1},2^{t-1}-1][2t1,2t11] 。进一步划分量化器的种类,有:

  • 对称量化或非对称量化。对于对称量化,量化零点固定为0,而非对称量化具有可调整的量化零点以适应不同的范围。
  • Per-tensor 量化或 Per-channel 量化。Per-tensor 量化在一个层中只使用一个 sss 和一个 zzz 来量化整个张量;而 Per-channel 量化则独立地量化每一个权重核(也就是 wi,:\bm{w}_{i,:}wi,: ,每一个通道)。
  • FP32 (32-bit 浮点数) scale 或 POT (二的幂次) scale。FP32的量化尺度几乎是连续的;POT的量化尺度更具挑战性,但可以提供进一步的加速。

本文选用了5钟专用硬件及其推理库来做实验:针对 GPU 的NVIDIA TensorRT、针对专用集成电路(ASIC)的 HUAWEI ACL 、针对移动数字信号处理器(DSP)的 Qualcomm SNPE、针对 ARM 中央处理器(CPU)的 TVM、针对 X86 服务器端 CPU 的 FBGEMM 。硬件环境的详细设置展示在 Appendix. E 中。这些推理库的属性展示在在 Table 2 中上半部分。
在这里插入图片描述

Quantization Algorithm

作者比较了6种 QAT 算法,而其他的算法因为怎么调整量化器配置和其他要求也无法部署,故不再展开。所对比的算法都使用 Per-tensor、Symmetry 设置,称为学术环境,展示在 Table 2 的下半部分。有关这些算法的详细说明以及它们可以扩展到可部署量化的原因参见 Appendix. F。

Network Architecture

涉及的模型为 ResNet-18、ResNet-50、MobileNetV2、EfficientNet-Lite、RegNetX-600MF。

Bit-width

在本文中,作者主要对 8-bit PTQ(见 Appendix. C)和 4-bit QAT 进行了实验。在测试量化模型准确性时作者采用伪量化来模拟算法。作者没有进行 3-bit 量化,因为它不能在一般硬件上部署;而对于 2-bit 量化,作者发现大多数算法在硬件上不收敛。

2.1 Training Pipelines and Hyper-parameters

作者对所有 QAT 算法都进行 Fine-tuning,每个模型都由相同的预训练模型初始化。这消除了初始化时的不一致性。作者对训练数据采用标准数据预处理,包括 RandomResizeCrop 成224分辨率、RandomHorizontalFlip、参数 brightness= 0.2 contrast= 0.2 saturation=0.2 hue=0.1 的 ColorJitter 。测试数据被居中裁剪为224分辨率。作者在训练中还使用0.1的 Label Smoothing 来引入正则化项。所有的模型都只训练100个 Epochs,第一个 Epoch 均进行 Linear Warmup。学习率采用余弦退火策略,Optimizer采用 Momentum 为0.9、更新方式为 Nesterov 的 SGD。其他训练超参数展示在 Table 3 中。至于为什么使用这些超参数,作者在 Appendix. A 中进行了详细讨论。
在这里插入图片描述

3 Introduction Towards Deployable Quantization of QAT

3.1 Fake and Real Quantization

设权重矩阵为 w^\bm{\hat{w}}w^ ,激活矩阵为 x^\bm{\hat{x}}x^ ,卷积输出为 y\bm{y}y 那么有如下乘积计算:

在这里插入图片描述在GPU上进行 FP32 的模拟实验时,使用公式 (2) 左部分的 Fake Quantize;在实际硬件部署加速时,使用公式 (2) 右部分的 Real Quantize,以保证计算过程是以整数形式进行的。在 Fig 2 中作者展示了二者在计算图上的区别。

在这里插入图片描述
在实际部署时,模型推理中的累积计算使用 INT32。为了进一步优化加速卷积运算,可以将公式 (2) 中的右侧后两项提前计算并储存下来,因为 w\bm{w}wzwz_{w}zwzxz_{x}zx 在部署时均是已知、值不变的;对于 Bias 偏置项 b^\hat{b}b^ ,其将被量化成INT32精度的 bˉ=b^sb\bar{b}=\frac{\hat{b}}{s_b}bˉ=sbb^ ,其中 sb=swsx{s_b=s_w s_x}sb=swsx。也就是说,Bias可以 Fuse 进公式 (2) 里。在 Fig 2 (b) 中,INT32 形式的累计运算还会被进一步量化成 INT8 形式,该过程称为再量化(Requantization),有公式为:

在这里插入图片描述

3.2 Folding Batch Normalization

Batch Normalization(BN) 层用于减少内部协变量移位,同时平滑损失函数,促进快速收敛。本质上其引入了两步线性变换。在实际部署中,BN 层可以 Fuse(或称为 Fold )到卷积核中,进一步减少运算量。有推理时 Fold BN 公式:

在这里插入图片描述

其中 μ\muμ 是 Running Mean, σ2\sigma^{2}σ2 是 Running Variance, γ\gammaγ 是 缩放因子, β{\beta}β 是偏移因子。 ϵ\epsilonϵ 是避免分母为0的微小值。

在这里插入图片描述

但在学术界很少考虑 BN Folding 问题,这在部署方面来说是棘手的。设当前 Batch Mean 为 μ~\tilde{\mu}μ~ ,当前 Batch Variance 为 σ~2\tilde{\sigma}^{2}σ~2 。作者给出了 BN Folding 的5种策略(具体构建在 Fig 3 中):

  • Strategy 0:如 Fig 3 (a) 所示。无论训练还是推理,完全移除 BN 层,直接执行公式 (4) ,得到 wfold\bm{w}_{fold}wfold 。再由 wfold\bm{w}_{fold}wfold 进入量化器后得到 w^fold\hat{\bm{w}}_{fold}w^fold 。原先 BN 层的所有参数都不会被更新。这不适合 QAT 的 Fine-tuning,且无法以高学习率进行。因为会出现梯度爆炸情况,需要广泛调参。
  • Strategy 1:如 Fig 3 (b) 所示。无论训练还是推理,也是完全移除 BN 层,但是允许缩放因子 γ\gammaγ 和偏移因子 β\betaβ 参与梯度更新,不允许 Running Mean μ\muμ 和 Running Variance σ2\sigma^{2}σ2 更新。这种策略仍然可以平滑损失函数,并尽可能维护模型准确度,避免数据上的同步,显著减少训练时间。
  • Strategy 2:如 Fig 3 (c) 所示。也是完全移除 BN 层,不仅允许利用运行时统计情况来更新 μ\muμσ2\sigma^{2}σ2 ,还允许允许缩放因子 γ\gammaγ 和偏移因子 β\betaβ 参与梯度更新。但是卷积将在训练期间计算两次,产生额外开销。具体来说,第一次卷积运算以FP32形式进行,基于 Output Feature Maps 统计出 Batch Mean μ~\tilde{\mu}μ~ 和 Batch Variance σ~2\tilde{\sigma}^{2}σ~2 来更新 μ\muμσ2\sigma^{2}σ2 。第二次卷积运算则是正常的前向计算过程。需要注意的是,在训练时, Fold Weight 操作使用的是 σ~2\tilde{\sigma}^{2}σ~2 来参与而不是 σ2\sigma^{2}σ2 ,Fold Bias 操作使用的是 μ~\tilde{\mu}μ~ 而不是 μ\muμ 。在推理时,Weight 和 Bias 才会与 μ\muμσ2\sigma^{2}σ2 进行 Merge 。
  • Strategy 3:如 Fig 3 (d) 所示。也是完全移除 BN 层,不仅允许利用运行时统计情况来更新 μ\muμσ2\sigma^{2}σ2 ,还允许允许缩放因子 γ\gammaγ 和偏移因子 β\betaβ 参与梯度更新。类似于 Strategy 2 ,也有两次卷积计算。同样第一次卷积是统计出 μ~\tilde{\mu}μ~σ~2\tilde{\sigma}^{2}σ~2 来更新 μ\muμσ2\sigma^{2}σ2 ,第二次是正常的前向计算过程。有区别的是,在训练时, Fold Weight 操作使用的是 σ2\sigma^{2}σ2 ,以避免统计数据出现巨大波动,而Fold Bias 操作使用的仍是 μ~\tilde{\mu}μ~ 。接着会在第二次卷积计算后通过乘积计算来消去 σ\sigmaσ,取而代之的是 σ~\tilde{\sigma}σ~
  • Strategy 4:如 Fig 3 (e) 所示,来自于 Pytorch 官方用例。相比于 Strategy 3,该策略不用进行两次卷积计算。但在训练时,该策略保留了 BN 层,μ\muμσ2\sigma^{2}σ2μ~\tilde{\mu}μ~σ~2\tilde{\sigma}^{2}σ~2γ\gammaγβ{\beta}β 均来自于该 BN层。Weight 先和 γ\gammaγσ\sigmaσ Merge 到一起,然后过伪量化、卷积计算后再把 μ\muμσ\sigmaσ 给抵消掉。BN 层此时使用 μ~\tilde{\mu}μ~σ~2\tilde{\sigma}^{2}σ~2 参与 Feature Maps 的标准化,好处就是 μ~\tilde{\mu}μ~σ~2\tilde{\sigma}^{2}σ~2 是由量化过的 Weight 结果统计而来的。在推理时, BN 层使用的是 μ\muμσ2\sigma^{2}σ2,那么就会和 σγ\frac{\sigma}{\gamma}γσ 中和掉,也就是说最后也可以转换为 Fig 3 (a) 所示的形式。

有一个细节就是,图中作者把 Weight 的 Merge 操作(即 w\bm{w}w 转变为 wfold\bm{w}_{fold}wfold )拆写成 wγσ\bm{w} \frac{\gamma}{\sigma}wσγwγσ~\bm{w} \frac{\gamma}{\tilde{\sigma}}wσ~γ,个人认为是想说明 γ\gammaγσ\sigmaσσ~\tilde{\sigma}σ~ 是可训练或可变化的。

3.3 Block Graph

大多数学术界的工作只量化了输入、权重核,没有讨论其他的运算操作的量化细节,如 ResNet 的 Elementwise-add 和 InceptionV3 的 Concatenation 。此外,不同的硬件将考虑不同级别的图形优化并构建不同的量化神经网络的图形。作者将特殊运算的计算图构建方法总结在 Fig 4 中(只展示 ResNet-18/-34 的 Basic Block 示例,Bottleneck Block 也类似如此)。关于 MobileNetV2 的 Inverted Residual Bottleneck Block 的细节展示在 Appendix. G 中。

在这里插入图片描述
Fig 4 的左图展示了用于量化 Basic Block 的传统学术实现。可以看到只有卷积层的输入进行了伪量化,该计算图的输入和输出以及 Element-wise Add 都以全精度运行。也就是说,从块整体来看,网络吞吐量没有降低,并且将显著影响延迟。值得注意的是,Downsample 块的输入也单独量化了,这增加了不必要的成本。

Fig 4 的中间图展示了 TensorRT 对 Basic Block 的实现。从计算图整体来看,输入和输出都低比特位的,这降低了吞吐量。与左图不同,该图的低比特输入可确保两个分支使用相同的低比特激活,这剔除了不必要的成本。需要注意的是,Element-wise 操作和 Downsample 分支的输出被 Fuse 到 左分支的卷积层中的 Bias 项里了,同 Bias 一起进行 32-bits 运算,因此 Downsample 层的输出也进行了伪量化。

Fig 4 的右图展示了 FBGEMM 和 TVM 的实现。唯一的区别是,他们需要对元素加法的所有输入进行量化(也不进行 Fuse 了?)。在低比特对称量化中会严重影响模型准确度。

4 MQBench Implementation of QAT

作者使用 Pytorch 1.8 来实现 MQBench,并使用 torch.fx 库(也成为 FX 库)。Trace 一个全精度模型并将其转换为量化模型只需要一个API调用,代码演示如下所示:

在这里插入图片描述
有关更多信息参见作者官方 Repository。

5 MQBench Evaluation

本节,作者将对量化算法、网络架构以及硬件进行全面的评估和分析。作者讨论了如下评估指标:

  • Test Accuracy:也就是 ImageNet Validation Dataset 的 Top-1 准确度。其能直接反映算法对于任务的性能。
  • Hardware Gap:测试集在理论准确度和硬件实际准确度上的差异度。其能反应该算法的可部署性。
  • Hardware Robustness:在硬件环境中运行5次测试集后取平均的准确度。
  • Architecture Robustness:在5种模型架构上运行测试集后取平均的准确度。

在 Appendix. B 种作者还会展示更多的细节。

5.1 Evaluation with Academic Setting

在这里插入图片描述
如 Table 4 所示,该实验重现了量化算法在学术环境下 4-bits 量化的表现(例如 Per-tensor,对称量化且不进行 BN Folding )。大多数研究论文采用这种设置。括号内展示的是原论文的性能,括号旁是作者实际在统一超参数下复现的结果。作者得出了如下令人惊讶的结果:

  • 算法之间的差异并不像原论文中所报告的那样明显。
  • 没有哪种算法在各种体系结构上都能获得最好或最差的性能。
  • Rule-based 算法可以实现与 Learning-based 算法相当的性能。

5.2 Evaluation with BN Folding

在这里插入图片描述

接下来作者以 LSQ、PACT 为基础,在 ResNet-18 和 MobileNetV2 上讨论了不同 BN Folding 策略对 QAT的影响。需要注意的是这里使用的仍是学术设置(例如 Per-tensor,对称量化)。实验结果展示在 Table 5 中。作者总结出了以下结论:

  • BN Folding 对量化算法敏感,策略 4 的总体效果最好。
  • 策略 4 相比于策略 2、3 没有起到加速效果,即使它只计算一次卷积计算。因为其在梯度计算上更加耗费时间。
  • 对于像 LSQ 这样的 BN Folding 友好算法,更新 Batch 的统计信息可能不是必要的。
  • 在并行运算时 BN 数据的同步可以提高学习准确度。
  • Fold BN 后 训练的初始阶段会产生严重的不稳定性,而学习率的 Warmup 技巧可以有效缓解。(也就是说,进行 1 Epoch 的 Warmup 是有利的)。

5.3 Evaluation with Graph Implementation

在这里插入图片描述

本部分作者讨论了 Fig 4 中不同计算图对 PACT、LSQ 的影响。实验同样是在学术设置下进行,如 Table 6 所示。作者发现:计算图的方式反而对模型架构敏感,对量化算法不敏感。

5.4 Evaluation with Reproducibility and Deployability

本节的量化实验均在工业界部署环境下以 4-bit进行。作者的目的不是为了回答“哪种方法在这个基准上最有效?”,而是想展示实际部署时的基准情况。作者希望在新的见解下可以对量化算法的未来研究起指导作用,而主要结果见 Table 7,接下来在该表的基础上展开讨论。

在这里插入图片描述

Test Accuracy

从表中可以看出,没有任何算法在所有设置上都能获得绝对最好的性能。而 Fig 5 展示了不同硬件和网络结构组合下,Test 准确度在5种量化算法上的标准差。低方差意味着量化算法之间的差异较小。由 Fig 5 可见,深度可分离卷积网络(MobileNetV2 和 EfficienctNet-Lite )和 Per-tensor 量化(TVM 和 SNPE)由非常大的方差。作者期待未来研究能更关注这个现象可能存在的问题。
在这里插入图片描述

Hardware Gaps

作者也进一步探讨了从学术设置过渡到硬件设置时的性能下降情况。下降比率以彩色数值展示在表中。显而易见的是93%的实验都引起了准确度的下降,没有一个算法能在每种实验设置中实现最小的 Hardware Gap。

Hardware & Architecture Robustness

作者在 Fig 6 中验证了架构和硬件的鲁棒性。左图展示了不同量化算法和网络结构组合下,在5种硬件部署框架上的平均 Test 准确度,可以发现不同的网络体系结构对量化算法具有不同的敏感性。;右图展示了不同量化算法和硬件部署框架组合下,在5种网络结构上的平均 Test 准确度。也可以发现不同的硬件部署框架对量化算法具有不同的敏感性。

在这里插入图片描述

Hardware & Architecture Robustness

鉴于以上实验可得,虽然 QAT 中没有一种量化算法适用于所有情况,但算法选择可以遵循一些基本规则。基于 Fig 6,作者发现通常 LSQ 在 Per-tensor 量化(SNPE和TVM)中表现最好,而 PACT 在 Per-channel 量化(TensorRT、ACL、FBGEMM)中表现最好。因此,作者建议对 Per-channel 量化使用PACT,对 Per-tensor 量化使用LSQ。如果你所需要的网络模型或硬件部署架构不在以上范围内,那么作者还是推荐你使用 LSQ。当然作者也提到,并非所有情况都需要仔细选择算法。在 Fig 5 中,在 Per-channel 量化和非深度卷积网络的情况下,算法的方差相当低。因此,在这些设置中,算法的选择很简单。

附录待解读ing…

个人思考

好文。首先直击一个现象就是新的量化算法的有效性是否因为训练 Tricks导致的,最后做的实验也很让人信服。算是立了一个风向标,让人们关注量化算法本身而不是关注训练 Tricks,个人认为这才是对学术社区有意义的。当然 MQBench 也有局限性,量化在目标检测和 NLP 应用等部署中面临更多挑战,且还有更多的量化算法没有被考虑。作者也提到会在今后的工作中加以研究。

查看全文
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

  1. 154. 寻找旋转排序数组中的最小值 II

    154. 寻找旋转排序数组中的最小值 II题目描述思路分析代码实现题目描述 点这里 思路分析 二分 先尾部去重&#xff0c;再二分找断点。 代码实现 class Solution { public:int findMin(vector<int>& nums) {int knums.size()-1;while(k>0&&nums[k]num…...

    2024/3/6 10:42:46
  2. 余贞侠C语言程序设计课后参考答案(续9.4)

    第九章 &#xff08;后续9.4之后的题&#xff09;&#xff08;答案仅供参考&#xff09;&#xff0c;有问题大家可以在评论区一起讨论。 9.5//给定两个链表。每个链表中的结点包括学号&#xff0c;成绩。求两个链表的交集 #include<stdio.h> #include<stdlib.h> #i…...

    2024/3/6 10:42:44
  3. 求一个数有多少的素数对(素数对:10=3+7 3和7是素数,这就是一个素数对)

    歌德巴猜想&#xff1a;任何大于6的偶数都可以分解成两个素数&#xff08;素数对&#xff09;的和。有的偶数可以分解成多个素数对的和。如&#xff1a; 1037,1055。 #define _CRT_SECURE_NO_WARNINGS 1 #include<stdio.h> int Add(int j) { int i 0; for (i 2; i &l…...

    2024/3/6 10:42:43
  4. SpringCloud中的Eureka使用

    1.首先需要引入依赖 <!--eureka的客户端--> <dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-netflix-eureka-client</artifactId> </dependency><!--eureka-服务端--> <depe…...

    2024/3/6 10:42:42
  5. 学python的第一天Urllib

    为了学习&#xff0c;我买了本书O(∩_∩)O哈哈~&#xff0c;但是脑子记性越来越差&#xff0c;把学完的记录下来方便翻阅&#xff0c;所以想到了csdn的博客功能。 常规访问 import urllib.request import urllib.parse import urllib.response import json import http.cooki…...

    2024/3/29 21:48:27
  6. AcWing 37. 树的子结构(C++)- 二叉树

    题目链接&#xff1a;https://www.acwing.com/problem/content/35/ 题目如下&#xff1a; /*** Definition for a binary tree node.* struct TreeNode {* int val;* TreeNode *left;* TreeNode *right;* TreeNode(int x) : val(x), left(NULL), right(NULL)…...

    2024/3/29 21:48:26
  7. java_使用注释生成API文档

    文章目录第一步&#xff1a;写注释第二步&#xff1a;Tools->Generate JavaDoc Scope报错java.lang.IllegalArgumentException第一步&#xff1a;写注释 方法&#xff1a;/** 空格 第二步&#xff1a;Tools->Generate JavaDoc Scope 报错java.lang.IllegalArgumentExc…...

    2024/3/29 21:48:25
  8. python(7)

    """ 1.递归访问目录&#xff1a; 且目录中嵌套目录&#xff0c;有层次的列出给定目录中所有的文件和文件夹 # 切换目录: os.chdir(path) # 列出当前目录中所有的文件和文件夹 os.listdir(path), path: 绝对路径 # 判断是否是文件: os.path.isfile(path) # 判断是…...

    2024/3/29 21:48:25
  9. python实现池化操作

    关于卷积部分&#xff1a;python实现卷积操作 1.池化 池化操作的一个重要目的就是对卷积后得到的特征进行进一步处理, 起到对数据进一步浓缩的效果, 从而缓解计算时内存的压力. 池化会选取一定大小区域, 将该区域内的像素值使用一个代表元素表示. 如果使用平均值代替, 称为平均…...

    2024/3/6 10:42:38
  10. java:在int类型中,如何判断输入的为其他字符(%)?从而终止循环?

    题型分析 用循环做一个加法运算&#xff0c;当输入“%”号是循环终止 代码 Scanner input new Scanner(System.in); //当循环不是"%"时&#xff0c;无限循环 while(!input.hasNext("%")){}结论 开始做这种题型时&#xff0c;一般人都会这样想 while(t…...

    2024/3/6 10:42:36
  11. 216. 组合总和 III017(回溯法求解)

    一&#xff1a;题目 二:思路 1.总体来看这是一个解空间为k层的排列树 第一层为1~9 2.递归函数的参数和返回值 1>:返回值&#xff1a;vector<vector > res 每次的求解结果&#xff1a;vector path 2>:参数&#xff1a; backtacking(int k,int n,int index,int sum)…...

    2024/3/6 10:42:35
  12. 若依框架RuoYi-Vue-master前后端分离运行思路整理

    若依框架RuoYi-Vue-master前后端分离运行思路整理 先看下官网介绍的技术说明&#xff1a; 成功运行的截图&#xff1a; 我罗列下所需的配置要求以及运行逻辑思维&#xff1a; 配置要求&#xff1a; IntelJ ideaMySQL5.5Node.jsVue3MavenJDK1.8 运行逻辑思维和步骤&#xf…...

    2024/3/6 10:42:34
  13. 153. 寻找旋转排序数组中的最小值

    153. 寻找旋转排序数组中的最小值题目描述思路分析代码实现题目描述 点这里 思路分析 二分。 尾部去重&#xff0c;二分找断点。 代码实现 class Solution { public:int findMin(vector<int>& nums) {int knums.size()-1;while(k>0&&nums[k]nums[0])…...

    2024/3/12 19:51:58
  14. Java注解原理

    ## 注解&#xff1a; * 概念&#xff1a;说明程序的。给计算机看的 * 注释&#xff1a;用文字描述程序的。给程序员看的 * 定义&#xff1a;注解&#xff08;Annotation&#xff09;&#xff0c;也叫元数据。一种代码级别的说明。它是JDK1.5及以后版本引入的一个特性&a…...

    2024/3/6 10:42:33
  15. 单链表的学习-1

    /* 单链表的学习-1*/#include<stdio.h> #include<stdlib.h> #define LEN sizeof(SListNode)typedef int SListDataType;//结点 //单链表simble typedef struct SListNode {SListDataType data;struct SListNode *next; }SListNode;//创造 SListNode* BuySListNo…...

    2024/3/4 15:00:22
  16. 21好习惯第一期---11

    题目&#xff1a;以下关于RISC和CISC计算机的叙述中&#xff0c;正确的是&#xff08; &#xff09;。 “A”:“RISC不采用流水线技术&#xff0c;CISC采用流水线术” “B”:“RISC使用复杂的指令&#xff0c;CISC使用简单的指令”, “C”:“RISC采用很少的通用寄存器&#xf…...

    2024/3/4 15:00:21
  17. 再谈协程之Callback写出协程范儿

    协程的出现&#xff0c;颠覆了Java多年的编程风格&#xff0c;如果你是一个第三方库的作者&#xff0c;你可能想用Coroutines和Flow使你的基于Java回调的库变得更加Kotlin化、协程化。从另一方面来说&#xff0c;如果你是一个API消费者&#xff0c;你可能更愿意接入Coroutines风…...

    2024/3/4 15:00:20
  18. Qfamewok中的界面的UIElement互通消息(使用事件系统SimpleEventSystem)

    接上次问题&#xff0c;这次使用事件系统SimpleEventSystem&#xff0c;因为项目使用的是MVP设计模式&#xff0c;并且使用了UniRx 发现更好用 首先写一个事件类&#xff0c;此类可以携带参数也可以不携带参数 //打开折线图的事件public class OpenLineChartEvent{public Pane…...

    2024/3/27 0:06:05
  19. 【vue-css】引入全局样式

    ...

    2024/3/6 10:42:31
  20. C语言中*运算符和运算符

    &运算符接收一个数据&#xff0c;然后告诉你这个数据保存在哪里&#xff1b; *运算符接收一个地址&#xff0c;然后告诉你这个地址中保存的是什么数据。 因为指针有时也称为引用&#xff0c;所以*运算符也可以描述为对指针进行解引用。 &是解地址&#xff0c;*是解引…...

    2024/3/6 10:42:30

最新文章

  1. pip永久修改镜像地址

    修改命令&#xff1a; pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/ 效果&#xff1a; 会在C:\Users\PC(用户名)\AppData\Roaming\pip目录下新增或修改文件pip.ini 文件内容&#xff1a; [global] index-url https://pypi.tuna.tsinghua.e…...

    2024/3/29 23:47:42
  2. 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&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; 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
  3. Vue 04 Vue 中的 Ajax、slot 插槽

    Vue学习 Vue 0401 Vue中的Ajax服务器准备axios使用跨域问题解决Vue-CLI 配置代理1Vue-CLI 配置代理2案例: 用户搜索vue-resource 02 slot插槽默认插槽具名插槽作用域插槽slot总结 Vue 04 B站 Vue全家桶&#xff08;BV1Zy4y1K7SH&#xff09; 学习笔记 Vue 中的 ajax 01 Vue中的…...

    2024/3/29 8:00:34
  4. Redis入门到实战-第三弹

    Redis入门到实战 Redis数据类型官网地址Redis概述Redis数据类型介绍更新计划 Redis数据类型 官网地址 声明: 由于操作系统, 版本更新等原因, 文章所列内容不一定100%复现, 还要以官方信息为准 https://redis.io/Redis概述 Redis是一个开源的&#xff08;采用BSD许可证&#…...

    2024/3/28 22:41:07
  5. 【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
  6. 【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
  7. 【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
  8. 【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
  9. 【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
  10. 【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
  11. 【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
  12. 【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
  13. 【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
  14. 【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
  15. 【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
  16. 【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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 「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
  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
  23. 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
  24. 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
  25. 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&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  26. 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; 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
  27. 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&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  28. 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&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  29. 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&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  30. 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&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;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&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  31. 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&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;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&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  32. 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&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  33. 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&#xff0c;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&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  34. 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&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;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&#xff1f;一般的方…...

    2022/11/19 21:17:08
  35. 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 &#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  36. 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
  37. 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&#xff0c;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&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  38. 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&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  39. 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&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  40. 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&#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  41. 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&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;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&#xff0c;非常…...

    2022/11/19 21:17:00
  42. 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&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;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
  43. 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&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;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&#xff0…...

    2022/11/19 21:16:58
  44. 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