【Tensorflow】通过TensorFlow2.0训练神经网络模型
通过TensorFlow2.0训练神经网络模型
- TensorFlow v1中神经网络模型的训练
- TensorFlow v2中神经网络的训练
- 梯度下降法
- 反向传播
- 参考资料
在神经网络优化算法中,最常用的方法是反向传播算法(backpropagation),其工作流程如下图:
如图所示,反向传播算法
实现了一个迭代
的过程。每次迭代的开始,都选取一部分训练数据,这一小部分数据叫做一个batch
。然后,这个batch的样例会通过前向传播算法
得到神经网络模型的预测结果
。因为训练数据都是有正确答案标注的,所以可以计算出当前神经网络模型的预测答案与正确答案之间的差距。最后,基于这个差距,通过反向传播算法
会更新神经网络参数的取值,使得在这个batch上神经网络的预测结果与真实答案更加接近。
TensorFlow v1中神经网络模型的训练
但是如果每轮迭代中选取的数据都要通过常量来表示,那么TensorFlow的计算图将会很大。因为每生成一个常量,TensorFlow都会在计算图中增加一个节点。一般来说,一个神经网络的训练过程会需要经过几百万轮甚至几亿轮的迭代,这样的计算图就会很大,且利用率很低。因此,TensorFlow提供了placeholder机制用于提供输入数据。placeholder相当于定义了一个位置,这个位置中的数据在程序运行时再指定。这样就只需要将数据通过placeholder传入TensorFlow计算图。
在placeholder定义时,这个位置上的数据类型是需要指定的。和张量一样,placeholder的类型也是不可改变的。placeholder中数据的维度信息可以根据提供的数据推导得出。下面给出通过placeholder实现的前向传播算法(基于TensorFlow 2.5):
# -*- coding: utf-8 -*-## ----------------------------------------------
# Name: NN02.py
# Description:
# Author: PANG
# Date: 2022/2/5
# ----------------------------------------------
import tensorflow._api.v2.compat.v1 as tf # 引入TF1
tf.disable_v2_behavior() # 关闭v2版的特性# 声明w1,w2两个变量,这里还通过seed固定随机种子,保证每次运行的结果一样
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))# 定义placeholder作为数据存放的地方,给定维度可以降低出错的概率。
x = tf.placeholder(tf.float32, shape=(1, 2), name='input')
# 输入N*m维数组,N大于1。
xx = tf.placeholder(tf.float32, shape=(3, 2), name='input')
# 暂时将输入的特征向量定义为一个常量。X是一个1*2的矩阵
# x = tf.constant([[0.7,0.9]])
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)aa = tf.matmul(xx, w1)
yy = tf.matmul(aa, w2)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)# print(sess.run(y))#会报错,需要提供一个feed_dict来指定x的取值。
print(sess.run(y, feed_dict={x: [[0.7, 0.9]]}))
# 当多维数组N*m输入时,输出N*1个结果
print(sess.run(yy, feed_dict={xx: [[0.7, 0.9], [0.1, 0.4], [0.5, 0.8]]}))
sess.close()
注意:feed_dict是一个字典(map),在字典中需要给出每个用到placeholder的取值。如果某个需要的placeholder没有被指定取值,那么程序在运行时就会报错。
在得到一个batch的前向传播结果后,需要定义一个损失函数
来刻画当前预测值与真实答案之间的差距。然后通过反向传播算法来调整神经网络参数的取值使得差距可以被缩小。
# 定义损失函数来刻画预测值与真实值之间的差距
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
# 定义学习率
learning_rate = 0.001
# 定义反向传播算法来优化神经网络中的参数
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
TensorFlow v1目前有7种优化器,比较常用的优化方法有三种:
tf.train.GradientDescentOptimizer
tf.train.AdamOptimizer
tf.train.MomentumOptimizer
在定义反向传播算法之后,通过运行sess.run(train_step)
就可以对所在集合中的变量进行优化,使得当前batch的损失函数最小。
完整的神经网络训练程序
:
# -*- coding: utf-8 -*-## ----------------------------------------------
# Name: NN02.py
# Description:
# Author: PANG
# Date: 2022/2/5
# ----------------------------------------------
import numpy as np
import tensorflow._api.v2.compat.v1 as tf
# NumPy是一个科学计算工具包,通过NumPy工具包生成模拟数据集
from numpy.random import RandomStatetf.disable_v2_behavior()
# 定义训练数据batch的大小
batch_size = 8# 定义神经网络的参数
# 声明w1,w2两个变量,这里通过seed固定随机种子,保证每次运行的结果一样
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))# 定义placeholder作为数据存放的点,给定维度可以降低出错的概率。
# 在shape的一个维度上使用None可以方便使用不同的batch大小。
# 在训练时需要把数据分成较小的batch,但是在测试时,可以一次性使用全部的数据。
# 当数据集比较小的时候这样可以方便测试,但是数据集比较大时,将大量数据放入一个batch会导致数据溢出。
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
# 输入N*m维数组,N大于1。
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')# 定义神经网络前向传播的过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)# 定义损失函数和反向传播的算法,损失函数来刻画预测值与真实值的差距
y = tf.sigmoid(y)
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)) + (1 - y_) * tf.log(tf.clip_by_value(1 - y, 1e-10, 1.0)))
# 定义学习率
learning_rate = 0.001
# 定义反向传播算法来优化神经网络中的参数
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)# 通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)# 定义规则给出样本的标签。在这x1+x2<1的样例认为是正样本,
# 而其他为负样本。这里使用0表示负样本,1来表示正样本
Y = [[int(x1 + x2 < 1) for (x1, x2) in X]]
Y = np.array(Y).reshape(-1, 1)
print(Y)
# 创建一个会话来运行TensorFlow程序
with tf.Session() as sess:init = tf.global_variables_initializer()sess.run(init)print(sess.run(w1))print(sess.run(w2))# 设定训练次数Steps = 5000for i in range(Steps):# 每次选择batch_size个样本进行训练start = (i * batch_size) % dataset_size# print(start)end = min(start + batch_size, dataset_size)# 通过选取的样本训练神经网络并更新参数sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})if i % 1000 == 0:# 每隔一段时间计算所有数据的交叉熵并输出total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})print('循环:%d,交叉熵:%g' % (i, total_cross_entropy))print(sess.run(w1))print(sess.run(w2))
训练神经网络的三个步骤:
- 定义神经网络的结构和前向传播的输出结果;
- 定义损失函数以及选取反向传播优化的算法;
- 生成会话(tf.Session)并且在训练数据上反复运行反向传播优化算法。
计算图(tf.Graph)是TensorFlow的计算模型,所有TensorFlow的程序都会通过计算图的形式表示。计算图上的每一个节点都是一个运算,而计算图上的边则表示了运算之间的数据传递关系。计算图上的边还保存了运行每个运算的设备信息以及运算之间的依赖关系。
张量是TensorFlow的数据模型,TensorFlow种所有运算的输入,输出都是张量。张量本身并不存储任何数据,它只是对运算结果的引用。
会话是TensorFlow的运算模型,它管理了一个TensorFlow程序拥有的系统资源,所有的运算都要通过会话执行。
TensorFlow v2中神经网络的训练
梯度下降法
梯度∇f=(∂f∂x1,∂f∂x2,...,∂f∂xn)\nabla f=(\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},...,\frac{\partial f}{\partial x_n} )∇f=(∂x1∂f,∂x2∂f,...,∂xn∂f)指函数关于变量x的导数,梯度的方向表示函数值增大的方向,梯度的模表示函数值增大的速率。那么只要不断地将参数的值朝着梯度的反方向更新一定大小,就能得到函数的最小值(全局最小值或者局部最小值)
θt+1=θt−α∇f(θt)\theta _{t+1}=\theta _t-\alpha \nabla f(\theta _t)θt+1=θt−α∇f(θt)
上述参数更新过程就叫做梯度下降法,但是一般利用梯度更新参数时会将梯度乘以一个小于1的学习速率(learning rate),这是因为往往梯度的模还是比较大的,直接用其更新参数会使得函数值不断波动,很难收敛到一个平衡点。
但是对于不同的函数,梯度下降法未必都能找到最优解,很多时候它只能收敛到一个局部最优解就不再变动了,尽管这个局部最优解可能已经很接近全局最优解了。实验证明,梯度下降法对于凸函数有着较好的表现。
TensorFlow和PyTorch这类深度学习框架是支持自动梯度求解的,在TensorFlow v2中只要将需要进行梯度求解的代码包裹在GradientTape中,TensorFlow就会自动求解相关运算的梯度。但是通过tape.gradient(loss, [w1, w2,...])
只能调用一次,梯度作为占用显存较大的资源在被获取一次后就会被释放掉,要想多次调用需要设置tf.GradientTape(persistent=True)
。TensorFlow v2也支持多阶求导,只需要将求导进行多次包裹即可。例如:
反向传播
反向传播算法(BP)
是训练深度神经网络的核心算法,它的实现是基于链式法则
的。将输出层的loss
通过权值反向传播(前向传播的逆运算)回第i层(这是个反复迭代返回的过程),计算i层的梯度更新参数。
在TensorFlow2
中,对于经典的BP神经网络层
进行了封装,称为全连接层
,自动完成BP神经网络隐层的操作。下面为使用Dense层构建BP神经网络训练Fashion_MNIST
数据集进行识别的代码。
# -*- coding: utf-8 -*-## ----------------------------------------------
# Name: NN03.py
# Description: 反向传播算法示例
# Author: PANG
# Date: 2022/2/5
# ----------------------------------------------
import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
print(x.shape, y.shape)def preprocess(x, y):x = tf.cast(x, dtype=tf.float32) / 255.y = tf.cast(y, dtype=tf.int32)return x, ybatch_size = 64
db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.map(preprocess).shuffle(10000).batch(batch_size)
db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.map(preprocess).shuffle(10000).batch(batch_size)model = Sequential([layers.Dense(256, activation=tf.nn.relu), # [b, 784] => [b, 256]layers.Dense(128, activation=tf.nn.relu), # [b, 256] => [b, 128]layers.Dense(64, activation=tf.nn.relu), # [b, 128] => [b, 64]layers.Dense(32, activation=tf.nn.relu), # [b, 64] => [b, 32]layers.Dense(10), # [b, 32] => [b, 10]
])
model.build(input_shape=([None, 28 * 28]))
optimizer = optimizers.Adam(lr=1e-3)def main():# forwardfor epoch in range(30):for step, (x, y) in enumerate(db):x = tf.reshape(x, [-1, 28 * 28])with tf.GradientTape() as tape:logits = model(x)y_onthot = tf.one_hot(y, depth=10)loss_mse = tf.reduce_mean(tf.losses.MSE(y_onthot, logits))loss_ce = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onthot, logits, from_logits=True))grads = tape.gradient(loss_ce, model.trainable_variables)# backwardoptimizer.apply_gradients(zip(grads, model.trainable_variables))if step % 100 == 0:print(epoch, step, "loss:", float(loss_mse), float(loss_ce))# testtotal_correct, total_num = 0, 0for x, y in db_test:x = tf.reshape(x, [-1, 28 * 28])logits = model(x)prob = tf.nn.softmax(logits, axis=1)pred = tf.cast(tf.argmax(prob, axis=1), dtype=tf.int32)correct = tf.reduce_sum(tf.cast(tf.equal(pred, y), dtype=tf.int32))total_correct += int(correct)total_num += int(x.shape[0])acc = total_correct / total_numprint("acc", acc)if __name__ == '__main__':main()
参考资料
- 《TensorFlow:实战Google深度学习框架》
- https://zhouchen.blog.csdn.net/article/details/102572264
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
- 通用接口开放平台设计与实现——(32)消息服务之业务消息处理流程
消息服务采用的发布订阅者模式,由消息生产者将消息发送到消息服务中心,由消息服务中心完成消息的复制及转发至消息消费者。从过程看,可以看成两段交互,一是生产者到消息中心,二是从消息中心到消费者。 以委托单创建…...
2024/5/1 11:23:11 - OpenSSH命令注入漏洞(CVE-2020-15778)
1、漏洞描述 OpenSSH是SSH(Secure SHell)协议的免费开源实现。OpenSSH是个SSH的软件,Linux/Unix都用OpenSSH软件提供SSH服务。SCP是 Secure Copy 的缩写, SCP 是 Linux系统下基于SSH登陆进行安全的远程文件拷贝命令。 允许在scp.c远程功能…...
2024/5/1 14:01:14 - windows docker redis
大家好,我是烤鸭: docker真的太方便了,尤其是对windows系统,友好的不得了。以前还只能是正版的专业版才能用,现在已经没有限制了,虽然加了收费,个人用免费就够了。redis 新版也不支持windows系统…...
2024/5/1 6:10:10 - Flowable入门系列文章141 - 任务 15
1、获取附件的内容 GET运行时/任务/ {taskId} /附件/ {attachmentId} /内容 表1.获取附件的内容 - URL参数 参数需要值描述任务id是串要获取可变数据的任务的ID。附件ID是串附件的id,404当附件指向外部URL而不是附在Flowable中的内容时返回。 表2.获取附件的内容 -…...
2024/5/1 12:07:10 - 特征提取与检测10-积分图计算
积分图计算 积分图像计算介绍 代码演示 积分图像计算介绍 API说明...
2024/5/1 10:08:11 - vuex状态管理
1.什么是vuex? 专门在vue中实现集中式状态(数据)管理的一个Vue插件,对vue中多个组件的共享状态进行集中式的管理(读/写),也是一种组件间通信的方式,适用于任意组件间的通信2.什么时…...
2024/4/7 22:28:55 - 踩坑+排雷新版IDEA2021.1创建配置Javaweb项目并部署在Tomcat容器,完整详细
文章目录一、Tomcat安装与配置二、项目创建与部署一、Tomcat安装与配置 1、Tomcat下载 安装包在文末,可直接下载后使用。注意路径中不要含有空格或中文。 2、文件目录说明 3、环境变量配置 4、测试 ①启动你的Tomcat 找到你的Tomcat所在位置,打开bin文…...
2024/5/1 6:13:30 - Appium 自动化测试 滑动 Swipe 详解
简介 我们在做移动端自动化测试的时候,有些按钮在当前屏幕不显示,需要滑动几次屏幕后才会出现或者有些操作需要滑动屏幕,这时候,我们需要使用代码来模拟手指的滑动,本次我们先讲解Appium 里面滑动swipe方法使用 手机…...
2024/4/13 10:37:53 - Spring 源码编译源码后自定义gradle项目问题记录
Spring 源码编译 源码编译部分方式分为两种 安装好gradle 以及 git ,让idea 自行编译通过cmd 修改setting.gradle数据源信息并且将读取的gradle 地址指向本地 ,cmd运行bat 文件手动编译 具体操作见 https://blog.csdn.net/java_lyvee/article/details/107300648 …...
2024/4/26 21:22:18 - python使用matplotlib可视化归一化的直方图(histogram)、Y轴坐标为比例、而非频率、自定义直方图箱图不填充(normalizing a histogram)
python使用matplotlib可视化归一化的直方图(histogram)、Y轴坐标为比例、而非频率、自定义直方图箱图不填充(normalizing a histogram in matplotlib) 目录...
2024/4/14 19:57:23 - pandas使用或关系(or)构成组合逻辑筛选dataframe中的满足条件的数据行(use or clause to select dataframe rows)
pandas使用或关系(or)构成组合逻辑筛选dataframe中的满足条件的数据行(use or clause to select dataframe rows) 目录...
2024/4/13 10:37:48 - Windows server 2012R2系统备份教程
Windows server 2012R2系统备份教程 在日常的服务器运维中,经常遇到服务器安装补丁、软件等情况,当然也就难免系统奔溃和操作系统回退的情况了,如补丁不兼容蓝屏奔溃,业务软件安装出问题奔溃或者业务软件安装不合适需要回退等等&…...
2024/4/13 14:14:46 - awk编程?let‘s go(二) ---- awk的基础操作(一)
目录使用awk进行计算计数计算总和与平均数操作文本变量的存储字符串拼接打印最后一行内建函数流程控制语句If-else 语句While 语句For 语句温馨提示,本文适合有一定编程基础的人阅读。使用awk进行计算 一个动作就是一个语句序列, 语句之间用分号或换行符分开。 前面…...
2024/4/16 21:32:17 - java中静态方法中为什么不能用this、super和直接调用非静态方法
这个要从java的内存机制去分析,首先当你New 一个对象的时候,并不是先在堆中为对象开辟内存空间,而是先将类中的静态方法(带有static修饰的静态函数)的代码加载到一个叫做方法区的地方,然后再在堆内存中创建…...
2024/4/13 10:37:48 - Seaborn使用violinplot函数可视化分组小提琴图(violin plot)、使用inner函数设置在小提琴图中使用虚线显示分位数位置(inner = ‘quartile‘)
Seaborn使用violinplot函数可视化分组小提琴图(violin plot)、使用inner函数设置在小提琴图中使用虚线显示分位数位置(inner = quartile) 目录...
2024/4/13 10:37:58 - pandas使用pct_change函数计算月均值环比变化率、使用matplotlib可视化特定年份的按月均值变化率(pct_change compute change rate)
pandas使用pct_change函数计算月均值环比变化率、使用matplotlib可视化特定年份的按月均值变化率(pct_change compute change rate) 目录...
2024/4/13 10:37:48 - pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动分位数(rolling quantile)、例如,计算某公司的多个店铺每N天(5天)的滚动销售额分位数
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动分位数(rolling quantile)、例如,计算某公司的多个店铺每N天(5天)的滚动销售额分位数 目录...
2024/4/13 10:38:03 - 面試就业题库-03
文章目录1. java基础(1)5.15.25.32. javaweb(1)3. ssmspringbootspringCloud(1.5)4. 企业开发的项目: 技术说明(1.5)5. 面试总结(3,4)1. java基础(1) 5.1 5.2 5.3 2. javaweb(1) 3. ssmspringbootspringCloud(1.5) 4. 企业开发的项目: 技术说明(1.5) 5. 面试总结(3,4)...
2024/4/13 10:38:03 - R语言广义线性模型函数GLM、glm函数构建泊松回归模型(Poisson regression)、分析模型是否过离散(Overdispersion)、使用残差偏差与模型中的剩余自由度的比率值评估
R语言广义线...
2024/4/18 5:11:02 - R语言生成数据及其95%置信区间数据(或者其它区间)、使用geom_ribbon函数为ggplot2图像手动添加置信区间的阴影区域using geom_ribbon to create shaded
R语言生成数据及其95%置信区间数据(或者其它区间)、使用geom_ribbon函数为ggplot2图像手动添加置信区间的阴影区域(using geom_ribbon to create shaded region in ggplot2 ) 目录...
2024/4/26 10:54:41
最新文章
- 【记录】Python3| 将 PDF 转换成 HTML/XML(✅⭐pdfminer.six)
本文将会被汇总至 【记录】Python3|2024年 PDF 转 XML 或 HTML 的第三方库的使用方式、测评过程以及对比结果(汇总),更多其他工具请访问该文章查看。 注意!pdfminer.six 和 pdfminer3k 不是同一个!…...
2024/5/1 14:58:58 - 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 - Harmony鸿蒙南向驱动开发-UART
UART指异步收发传输器(Universal Asynchronous Receiver/Transmitter),是通用串行数据总线,用于异步通信。该总线双向通信,可以实现全双工传输。 两个UART设备的连接示意图如下,UART与其他模块一般用2线&a…...
2024/4/30 1:11:28 - 第十三届蓝桥杯大赛软件赛省赛C/C++ 大学 B 组 题解
VP比赛链接 : 数据加载中... - 蓝桥云课 1 . 九进制 转 十进制 直接模拟就好了 #include <iostream> using namespace std; int main() {// 请在此输入您的代码int x 22*92*81*9;cout << x << endl ;return 0; } 2 . 顺子日期 枚举出每个情况即可 : …...
2024/4/30 1:59:34 - LeetCode-200. 岛屿数量【深度优先搜索 广度优先搜索 并查集 数组 矩阵】
LeetCode-200. 岛屿数量【深度优先搜索 广度优先搜索 并查集 数组 矩阵】 题目描述:解题思路一:bfs,主要思想都是遇到一个没有visited过的"陆地"先result 1,然后用深搜或者广搜将这片"陆地"全部做上visited标…...
2024/4/29 11:09:56 - 【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…...
2024/4/29 23:16:47 - 【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…...
2024/4/30 18:14:14 - 【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…...
2024/4/29 2:29:43 - 【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…...
2024/4/30 18:21:48 - 【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…...
2024/4/27 17:58:04 - 【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…...
2024/4/27 14:22:49 - 【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…...
2024/4/28 1:28:33 - 【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…...
2024/4/30 9:43:09 - 【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…...
2024/4/27 17:59:30 - 【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…...
2024/4/25 18:39:16 - 【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、…...
2024/4/28 1:34:08 - 【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…...
2024/4/26 19:03:37 - 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…...
2024/4/29 20:46:55 - 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…...
2024/4/30 22:21:04 - 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…...
2024/5/1 4:32:01 - 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…...
2024/4/27 23:24:42 - 「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…...
2024/4/28 5:48:52 - 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…...
2024/4/30 9:42:22 - 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」。 …...
2024/4/30 9:43:22 - 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…...
2024/4/30 9:42:49 - 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