老贡讲Python

这是我见过最好的图像识别项目——基于PaddleClas2.3 的鲜花识别

这里是老贡讲Python，每天给大家分享好玩，实用的Python知识。也欢迎大家积极讨论分享，喜欢的话别忘了关注一下~

一、鲜花识别

1.数据集简介

Oxford 102 Flowers Dataset 是一个花卉集合数据集，主要用于图像分类，它分为 102 个类别共计 102 种花，其中每个类别包含 40 到 258 张图像。

该数据集由牛津大学工程科学系于 2008 年发布，相关论文有《Automated flower classification over a large number of classes》。

在文件夹下已经生成用于训练和测试的三个.txt文件：train.txt（训练集，1020张图）、valid.txt（验证集，1020张图）、test.txt(6149)。文件中每行格式：图像相对路径图像的label_id（注意：中间有空格）。

2.PaddleClas简介

PaddleClas目前已经是 release2.3了，和以前有脱胎换骨的差别，所以需要重新熟悉。

地址: gitee.com/paddlepaddl…

configs已经移动到了ppcls目录部署为单独的deploy目录

# 解压缩数据集
!tar -xvf  data/data19852/flowers102.tar -C ./data/
复制代码

二、PaddleClas准备

# 下载最新版
!git clone https://gitee.com/paddlepaddle/PaddleClas/ --depth=1
复制代码

Cloning into 'PaddleClas'...
remote: Enumerating objects: 1420, done.[K
remote: Counting objects: 100% (1420/1420), done.[K
remote: Compressing objects: 100% (1256/1256), done.[K
remote: Total 1420 (delta 326), reused 967 (delta 138), pack-reused 0[K
Receiving objects: 100% (1420/1420), 92.84 MiB | 2.32 MiB/s, done.
Resolving deltas: 100% (326/326), done.
Checking connectivity... done.
复制代码

%cd PaddleClas/
复制代码

/home/aistudio/PaddleClas
复制代码

三、模型训练

1.修改imagenet_dataset.py

目录： \ppcls\data\dataloader\imagenet_dataset.py

修改原因是目录这块存在bug，注释：

assert os.path.exists(self._cls_path)
assert os.path.exists(self._img_root)

添加

self._cls_path=os.path.join(self._img_root,self._cls_path)

否则不能使用相对路径

class ImageNetDataset(CommonDataset):
    def _load_anno(self, seed=None):
        会对目录进行检测，如果cls_path使用相对目录，就会报错，在此注释掉，并修改为self._cls_path=os.path.join(self._img_root,self._cls_path)
        # assert os.path.exists(self._cls_path)
        # assert os.path.exists(self._img_root)
        self._cls_path=os.path.join(self._img_root,self._cls_path)
        print('self._cls_path',self._cls_path)
        self.images = []
        self.labels = []

        with open(self._cls_path) as fd:
            lines = fd.readlines()
            if seed is not None:
                np.random.RandomState(seed).shuffle(lines)
            for l in lines:
                l = l.strip().split(" ")
                self.images.append(os.path.join(self._img_root, l[0]))
                self.labels.append(int(l[1]))
                assert os.path.exists(self.images[-1])
复制代码

2.修改配置文件

# global configs
Global:
  checkpoints: null
  pretrained_model: null
  output_dir: ./output/
  # gpu或cpu配置
  device: gpu
  # 分类数量
  class_num: 102
  # 保存间隔
  save_interval: 5
  # 是否再训练立案过程中进行eval
  eval_during_train: True
  # eval间隔
  eval_interval: 5
  # 训练轮数
  epochs: 20
  # 打印batch step设置
  print_batch_step: 10
  # 是否使用visualdl
  use_visualdl: False
  # used for static mode and model export
  image_shape: [3, 224, 224]
  # 保存地址
  save_inference_dir: ./inference

# model architecture
Arch:
  name: ResNet50_vd
 
# loss function config for traing/eval process
Loss:
  Train:
    - CELoss:
        weight: 1.0
  Eval:
    - CELoss:
        weight: 1.0


Optimizer:
  name: Momentum
  momentum: 0.9
  lr:
    name: Cosine
    learning_rate: 0.0125
    warmup_epoch: 5
  regularizer:
    name: 'L2'
    coeff: 0.00001


# data loader for train and eval
DataLoader:
  Train:
    dataset:
      name: ImageNetDataset
      image_root: /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
      cls_label_path: train.txt
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - RandCropImage:
            size: 224
        - RandFlipImage:
            flip_code: 1
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''

    sampler:
      name: DistributedBatchSampler
      batch_size: 256
      drop_last: False
      shuffle: True
    loader:
      num_workers: 4
      use_shared_memory: True

  Eval:
    dataset: 
      name: ImageNetDataset
      image_root: /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
      cls_label_path: valid.txt
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - ResizeImage:
            resize_short: 256
        - CropImage:
            size: 224
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''
    sampler:
      name: DistributedBatchSampler
      batch_size: 256
      drop_last: False
      shuffle: False
    loader:
      num_workers: 4
      use_shared_memory: True

Infer:
  infer_imgs: /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
  batch_size: 10
  transforms:
    - DecodeImage:
        to_rgb: True
        channel_first: False
    - ResizeImage:
        resize_short: 256
    - CropImage:
        size: 224
    - NormalizeImage:
        scale: 1.0/255.0
        mean: [0.485, 0.456, 0.406]
        std: [0.229, 0.224, 0.225]
        order: ''
    - ToCHWImage:
  PostProcess:
    name: Topk
    topk: 5
    class_id_map_file: /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00030.jpg

Metric:
  Train:
    - TopkAcc:
        topk: [1, 5]
  Eval:
    - TopkAcc:
        topk: [1, 5]

复制代码

-c 参数是指定训练的配置文件路径，训练的具体超参数可查看yaml文件
yaml文Global.device 参数设置为cpu，即使用CPU进行训练（若不设置，此参数默认为True）
yaml文件中epochs参数设置为20，说明对整个数据集进行20个epoch迭代，预计训练20分钟左右（不同CPU，训练时间略有不同），此时训练模型不充分。若提高训练模型精度，请将此参数设大，如40，训练时间也会相应延长

3.配置说明

3.1 全局配置(Global)

参数名字	具体含义	默认值	可选值
checkpoints	断点模型路径，用于恢复训练	null	str
pretrained_model	预训练模型路径	null	str
output_dir	保存模型路径	"./output/"	str
save_interval	每隔多少个epoch保存模型	1	int
eval_during_train	是否在训练时进行评估	True	bool
eval_interval	每隔多少个epoch进行模型评估	1	int
epochs	训练总epoch数		int
print_batch_step	每隔多少个mini-batch打印输出	10	int
use_visualdl	是否是用visualdl可视化训练过程	False	bool
image_shape	图片大小	[3，224，224]	list, shape: (3,)
save_inference_dir	inference模型的保存路径	"./inference"	str
eval_mode	eval的模式	"classification"	"retrieval"

3.2 结构(Arch)

参数名字	具体含义	默认值	可选值
name	模型结构名字	ResNet50	PaddleClas提供的模型结构
class_num	分类数	1000	int
pretrained	预训练模型	False	bool， str

3.3 损失函数（Loss）

参数名字	具体含义	默认值	可选值
CELoss	交叉熵损失函数	——	——
CELoss.weight	CELoss的在整个Loss中的权重	1.0	float
CELoss.epsilon	CELoss中label_smooth的epsilon值	0.1	float，0-1之间

3.4 优化器(Optimizer)

参数名字	具体含义	默认值	可选值
name	优化器方法名	"Momentum"	"RmsProp"等其他优化器
momentum	momentum值	0.9	float
lr.name	学习率下降方式	"Cosine"	"Linear"、"Piecewise"等其他下降方式
lr.learning_rate	学习率初始值	0.1	float
lr.warmup_epoch	warmup轮数	0	int，如5
regularizer.name	正则化方法名	"L2"	["L1", "L2"]
regularizer.coeff	正则化系数	0.00007	float

4.训练

# GPU设置
!export CUDA_VISIBLE_DEVICES=0

# -o Arch.pretrained=True 使用预训练模型，当选择为True时，预训练权重会自动下载到本地
!python tools/train.py -c ./ppcls/configs/quick_start/ResNet50_vd.yaml -o Arch.pretrained=True
复制代码

训练日志如下

[2021/10/31 01:53:47] root INFO: [Train][Epoch 16/20][Iter: 0/4]lr: 0.00285, top1: 0.93750, top5: 0.96484, CELoss: 0.36489, loss: 0.36489, batch_cost: 1.48066s, reader_cost: 0.68550, ips: 172.89543 images/sec, eta: 0:00:29
[2021/10/31 01:53:49] root INFO: [Train][Epoch 16/20][Avg]top1: 0.95098, top5: 0.97745, CELoss: 0.31581, loss: 0.31581
[2021/10/31 01:53:53] root INFO: [Train][Epoch 17/20][Iter: 0/4]lr: 0.00183, top1: 0.94531, top5: 0.97656, CELoss: 0.32916, loss: 0.32916, batch_cost: 1.47958s, reader_cost: 0.68473, ips: 173.02266 images/sec, eta: 0:00:23
[2021/10/31 01:53:55] root INFO: [Train][Epoch 17/20][Avg]top1: 0.95686, top5: 0.98137, CELoss: 0.29560, loss: 0.29560
[2021/10/31 01:53:58] root INFO: [Train][Epoch 18/20][Iter: 0/4]lr: 0.00101, top1: 0.93750, top5: 0.98047, CELoss: 0.31542, loss: 0.31542, batch_cost: 1.47524s, reader_cost: 0.68058, ips: 173.53117 images/sec, eta: 0:00:17
[2021/10/31 01:54:01] root INFO: [Train][Epoch 18/20][Avg]top1: 0.94608, top5: 0.98627, CELoss: 0.29086, loss: 0.29086
[2021/10/31 01:54:04] root INFO: [Train][Epoch 19/20][Iter: 0/4]lr: 0.00042, top1: 0.97266, top5: 0.98438, CELoss: 0.24642, loss: 0.24642, batch_cost: 1.47376s, reader_cost: 0.67916, ips: 173.70590 images/sec, eta: 0:00:11
[2021/10/31 01:54:07] root INFO: [Train][Epoch 19/20][Avg]top1: 0.94608, top5: 0.97941, CELoss: 0.30998, loss: 0.30998
[2021/10/31 01:54:10] root INFO: [Train][Epoch 20/20][Iter: 0/4]lr: 0.00008, top1: 0.98047, top5: 0.98438, CELoss: 0.20209, loss: 0.20209, batch_cost: 1.47083s, reader_cost: 0.67647, ips: 174.05180 images/sec, eta: 0:00:05
[2021/10/31 01:54:13] root INFO: [Train][Epoch 20/20][Avg]top1: 0.95784, top5: 0.98922, CELoss: 0.25974, loss: 0.25974
[2021/10/31 01:54:16] root INFO: [Eval][Epoch 20][Iter: 0/4]CELoss: 0.47912, loss: 0.47912, top1: 0.91797, top5: 0.96094, batch_cost: 3.26175s, reader_cost: 3.02034, ips: 78.48538 images/sec
[2021/10/31 01:54:17] root INFO: [Eval][Epoch 20][Avg]CELoss: 0.54982, loss: 0.54982, top1: 0.88922, top5: 0.96667
[2021/10/31 01:54:18] root INFO: Already save model in ./output/ResNet50_vd/best_model
[2021/10/31 01:54:18] root INFO: [Eval][Epoch 20][best metric: 0.8892156844045601]
[2021/10/31 01:54:18] root INFO: Already save model in ./output/ResNet50_vd/epoch_20
[2021/10/31 01:54:18] root INFO: Already save model in ./output/ResNet50_vd/latest
复制代码

可见日志输出比较混乱，没有以前那么清晰，最好使用visualdl来查看训练情况

四、预测

1.预测

from PIL import Image
img=Image.open('/home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg')
img
复制代码

# 预测
!python3 tools/infer.py -c ./ppcls/configs/quick_start/ResNet50_vd.yaml -o Infer.infer_imgs=/home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg  -o Global.pretrained_model=output/ResNet50_vd/best_model
复制代码

/home/aistudio/PaddleClas/ppcls/arch/backbone/model_zoo/vision_transformer.py:15: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Callable
[2021/10/31 02:02:53] root INFO: 
===========================================================
==        PaddleClas is powered by PaddlePaddle !        ==
===========================================================
==                                                       ==
==   For more info please go to the following website.   ==
==                                                       ==
==       https://github.com/PaddlePaddle/PaddleClas      ==
===========================================================

[2021/10/31 02:02:53] root INFO: Arch : 
[2021/10/31 02:02:53] root INFO:     name : ResNet50_vd
[2021/10/31 02:02:53] root INFO: DataLoader : 
[2021/10/31 02:02:53] root INFO:     Eval : 
[2021/10/31 02:02:53] root INFO:         dataset : 
[2021/10/31 02:02:53] root INFO:             cls_label_path : valid.txt
[2021/10/31 02:02:53] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:02:53] root INFO:             name : ImageNetDataset
[2021/10/31 02:02:53] root INFO:             transform_ops : 
[2021/10/31 02:02:53] root INFO:                 DecodeImage : 
[2021/10/31 02:02:53] root INFO:                     channel_first : False
[2021/10/31 02:02:53] root INFO:                     to_rgb : True
[2021/10/31 02:02:53] root INFO:                 ResizeImage : 
[2021/10/31 02:02:53] root INFO:                     resize_short : 256
[2021/10/31 02:02:53] root INFO:                 CropImage : 
[2021/10/31 02:02:53] root INFO:                     size : 224
[2021/10/31 02:02:53] root INFO:                 NormalizeImage : 
[2021/10/31 02:02:53] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:02:53] root INFO:                     order : 
[2021/10/31 02:02:53] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:02:53] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:02:53] root INFO:         loader : 
[2021/10/31 02:02:53] root INFO:             num_workers : 4
[2021/10/31 02:02:53] root INFO:             use_shared_memory : True
[2021/10/31 02:02:53] root INFO:         sampler : 
[2021/10/31 02:02:53] root INFO:             batch_size : 256
[2021/10/31 02:02:53] root INFO:             drop_last : False
[2021/10/31 02:02:53] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:02:53] root INFO:             shuffle : False
[2021/10/31 02:02:53] root INFO:     Train : 
[2021/10/31 02:02:53] root INFO:         dataset : 
[2021/10/31 02:02:53] root INFO:             cls_label_path : train.txt
[2021/10/31 02:02:53] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:02:53] root INFO:             name : ImageNetDataset
[2021/10/31 02:02:53] root INFO:             transform_ops : 
[2021/10/31 02:02:53] root INFO:                 DecodeImage : 
[2021/10/31 02:02:53] root INFO:                     channel_first : False
[2021/10/31 02:02:53] root INFO:                     to_rgb : True
[2021/10/31 02:02:53] root INFO:                 RandCropImage : 
[2021/10/31 02:02:53] root INFO:                     size : 224
[2021/10/31 02:02:53] root INFO:                 RandFlipImage : 
[2021/10/31 02:02:53] root INFO:                     flip_code : 1
[2021/10/31 02:02:53] root INFO:                 NormalizeImage : 
[2021/10/31 02:02:53] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:02:53] root INFO:                     order : 
[2021/10/31 02:02:53] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:02:53] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:02:53] root INFO:         loader : 
[2021/10/31 02:02:53] root INFO:             num_workers : 4
[2021/10/31 02:02:53] root INFO:             use_shared_memory : True
[2021/10/31 02:02:53] root INFO:         sampler : 
[2021/10/31 02:02:53] root INFO:             batch_size : 256
[2021/10/31 02:02:53] root INFO:             drop_last : False
[2021/10/31 02:02:53] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:02:53] root INFO:             shuffle : True
[2021/10/31 02:02:53] root INFO: Global : 
[2021/10/31 02:02:53] root INFO:     checkpoints : None
[2021/10/31 02:02:53] root INFO:     class_num : 102
[2021/10/31 02:02:53] root INFO:     device : gpu
[2021/10/31 02:02:53] root INFO:     epochs : 20
[2021/10/31 02:02:53] root INFO:     eval_during_train : True
[2021/10/31 02:02:53] root INFO:     eval_interval : 5
[2021/10/31 02:02:53] root INFO:     image_shape : [3, 224, 224]
[2021/10/31 02:02:53] root INFO:     output_dir : ./output/
[2021/10/31 02:02:53] root INFO:     pretrained_model : output/ResNet50_vd/best_model
[2021/10/31 02:02:53] root INFO:     print_batch_step : 10
[2021/10/31 02:02:53] root INFO:     save_inference_dir : ./inference
[2021/10/31 02:02:53] root INFO:     save_interval : 5
[2021/10/31 02:02:53] root INFO:     use_visualdl : False
[2021/10/31 02:02:53] root INFO: Infer : 
[2021/10/31 02:02:53] root INFO:     PostProcess : 
[2021/10/31 02:02:53] root INFO:         class_id_map_file : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00030.jpg
[2021/10/31 02:02:53] root INFO:         name : Topk
[2021/10/31 02:02:53] root INFO:         topk : 5
[2021/10/31 02:02:53] root INFO:     batch_size : 10
[2021/10/31 02:02:53] root INFO:     infer_imgs : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg
[2021/10/31 02:02:53] root INFO:     transforms : 
[2021/10/31 02:02:53] root INFO:         DecodeImage : 
[2021/10/31 02:02:53] root INFO:             channel_first : False
[2021/10/31 02:02:53] root INFO:             to_rgb : True
[2021/10/31 02:02:53] root INFO:         ResizeImage : 
[2021/10/31 02:02:53] root INFO:             resize_short : 256
[2021/10/31 02:02:53] root INFO:         CropImage : 
[2021/10/31 02:02:53] root INFO:             size : 224
[2021/10/31 02:02:53] root INFO:         NormalizeImage : 
[2021/10/31 02:02:53] root INFO:             mean : [0.485, 0.456, 0.406]
[2021/10/31 02:02:53] root INFO:             order : 
[2021/10/31 02:02:53] root INFO:             scale : 1.0/255.0
[2021/10/31 02:02:53] root INFO:             std : [0.229, 0.224, 0.225]
[2021/10/31 02:02:53] root INFO:         ToCHWImage : None
[2021/10/31 02:02:53] root INFO: Loss : 
[2021/10/31 02:02:53] root INFO:     Eval : 
[2021/10/31 02:02:53] root INFO:         CELoss : 
[2021/10/31 02:02:53] root INFO:             weight : 1.0
[2021/10/31 02:02:53] root INFO:     Train : 
[2021/10/31 02:02:53] root INFO:         CELoss : 
[2021/10/31 02:02:53] root INFO:             weight : 1.0
[2021/10/31 02:02:53] root INFO: Metric : 
[2021/10/31 02:02:53] root INFO:     Eval : 
[2021/10/31 02:02:53] root INFO:         TopkAcc : 
[2021/10/31 02:02:53] root INFO:             topk : [1, 5]
[2021/10/31 02:02:53] root INFO:     Train : 
[2021/10/31 02:02:53] root INFO:         TopkAcc : 
[2021/10/31 02:02:53] root INFO:             topk : [1, 5]
[2021/10/31 02:02:53] root INFO: Optimizer : 
[2021/10/31 02:02:53] root INFO:     lr : 
[2021/10/31 02:02:53] root INFO:         learning_rate : 0.0125
[2021/10/31 02:02:53] root INFO:         name : Cosine
[2021/10/31 02:02:53] root INFO:         warmup_epoch : 5
[2021/10/31 02:02:53] root INFO:     momentum : 0.9
[2021/10/31 02:02:53] root INFO:     name : Momentum
[2021/10/31 02:02:53] root INFO:     regularizer : 
[2021/10/31 02:02:53] root INFO:         coeff : 1e-05
[2021/10/31 02:02:53] root INFO:         name : L2
[2021/10/31 02:02:53] root INFO: train with paddle 2.1.2 and device CUDAPlace(0)
W1031 02:02:53.626825  7656 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W1031 02:02:53.631515  7656 device_context.cc:422] device: 0, cuDNN Version: 7.6.
'utf-8' codec can't decode byte 0xff in position 0: invalid start byte
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:125: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe. 
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
  if data.dtype == np.object:
[{'class_ids': [37, 35, 76, 28, 50], 'scores': [0.45998, 0.13054, 0.03585, 0.03207, 0.02833], 'file_name': '/home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg', 'label_names': []}]
复制代码

可见，更新后的版本日志输出比较混乱。

最终输出

[{'class_ids': [37, 35, 76, 28, 50], 'scores': [0.45998, 0.13054, 0.03585, 0.03207, 0.02833], 'file_name': '/home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg', 'label_names': []}]
复制代码

显示的是top5的概率，可见分类为37类。由于没有设置label_names，所以这处为空。

2.使用inference模型进行模型推理

2.1 inference格式转换

通过导出inference模型，PaddlePaddle支持使用预测引擎进行预测推理。

!python3 tools/export_model.py \
    -c ./ppcls/configs/quick_start/ResNet50_vd.yaml \
    -o Global.pretrained_model=output/ResNet50_vd/best_model
复制代码

/home/aistudio/PaddleClas/ppcls/arch/backbone/model_zoo/vision_transformer.py:15: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Callable
[2021/10/31 02:30:38] root INFO: 
===========================================================
==        PaddleClas is powered by PaddlePaddle !        ==
===========================================================
==                                                       ==
==   For more info please go to the following website.   ==
==                                                       ==
==       https://github.com/PaddlePaddle/PaddleClas      ==
===========================================================

[2021/10/31 02:30:38] root INFO: Arch : 
[2021/10/31 02:30:38] root INFO:     name : ResNet50_vd
[2021/10/31 02:30:38] root INFO: DataLoader : 
[2021/10/31 02:30:38] root INFO:     Eval : 
[2021/10/31 02:30:38] root INFO:         dataset : 
[2021/10/31 02:30:38] root INFO:             cls_label_path : valid.txt
[2021/10/31 02:30:38] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:30:38] root INFO:             name : ImageNetDataset
[2021/10/31 02:30:38] root INFO:             transform_ops : 
[2021/10/31 02:30:38] root INFO:                 DecodeImage : 
[2021/10/31 02:30:38] root INFO:                     channel_first : False
[2021/10/31 02:30:38] root INFO:                     to_rgb : True
[2021/10/31 02:30:38] root INFO:                 ResizeImage : 
[2021/10/31 02:30:38] root INFO:                     resize_short : 256
[2021/10/31 02:30:38] root INFO:                 CropImage : 
[2021/10/31 02:30:38] root INFO:                     size : 224
[2021/10/31 02:30:38] root INFO:                 NormalizeImage : 
[2021/10/31 02:30:38] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:30:38] root INFO:                     order : 
[2021/10/31 02:30:38] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:30:38] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:30:38] root INFO:         loader : 
[2021/10/31 02:30:38] root INFO:             num_workers : 4
[2021/10/31 02:30:38] root INFO:             use_shared_memory : True
[2021/10/31 02:30:38] root INFO:         sampler : 
[2021/10/31 02:30:38] root INFO:             batch_size : 256
[2021/10/31 02:30:38] root INFO:             drop_last : False
[2021/10/31 02:30:38] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:30:38] root INFO:             shuffle : False
[2021/10/31 02:30:38] root INFO:     Train : 
[2021/10/31 02:30:38] root INFO:         dataset : 
[2021/10/31 02:30:38] root INFO:             cls_label_path : train.txt
[2021/10/31 02:30:38] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:30:38] root INFO:             name : ImageNetDataset
[2021/10/31 02:30:38] root INFO:             transform_ops : 
[2021/10/31 02:30:38] root INFO:                 DecodeImage : 
[2021/10/31 02:30:38] root INFO:                     channel_first : False
[2021/10/31 02:30:38] root INFO:                     to_rgb : True
[2021/10/31 02:30:38] root INFO:                 RandCropImage : 
[2021/10/31 02:30:38] root INFO:                     size : 224
[2021/10/31 02:30:38] root INFO:                 RandFlipImage : 
[2021/10/31 02:30:38] root INFO:                     flip_code : 1
[2021/10/31 02:30:38] root INFO:                 NormalizeImage : 
[2021/10/31 02:30:38] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:30:38] root INFO:                     order : 
[2021/10/31 02:30:38] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:30:38] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:30:38] root INFO:         loader : 
[2021/10/31 02:30:38] root INFO:             num_workers : 4
[2021/10/31 02:30:38] root INFO:             use_shared_memory : True
[2021/10/31 02:30:38] root INFO:         sampler : 
[2021/10/31 02:30:38] root INFO:             batch_size : 256
[2021/10/31 02:30:38] root INFO:             drop_last : False
[2021/10/31 02:30:38] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:30:38] root INFO:             shuffle : True
[2021/10/31 02:30:38] root INFO: Global : 
[2021/10/31 02:30:38] root INFO:     checkpoints : None
[2021/10/31 02:30:38] root INFO:     class_num : 102
[2021/10/31 02:30:38] root INFO:     device : gpu
[2021/10/31 02:30:38] root INFO:     epochs : 20
[2021/10/31 02:30:38] root INFO:     eval_during_train : True
[2021/10/31 02:30:38] root INFO:     eval_interval : 5
[2021/10/31 02:30:38] root INFO:     image_shape : [3, 224, 224]
[2021/10/31 02:30:38] root INFO:     output_dir : ./output/
[2021/10/31 02:30:38] root INFO:     pretrained_model : output/ResNet50_vd/best_model
[2021/10/31 02:30:38] root INFO:     print_batch_step : 10
[2021/10/31 02:30:38] root INFO:     save_inference_dir : ./inference
[2021/10/31 02:30:38] root INFO:     save_interval : 5
[2021/10/31 02:30:38] root INFO:     use_visualdl : False
[2021/10/31 02:30:38] root INFO: Infer : 
[2021/10/31 02:30:38] root INFO:     PostProcess : 
[2021/10/31 02:30:38] root INFO:         class_id_map_file : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00030.jpg
[2021/10/31 02:30:38] root INFO:         name : Topk
[2021/10/31 02:30:38] root INFO:         topk : 5
[2021/10/31 02:30:38] root INFO:     batch_size : 10
[2021/10/31 02:30:38] root INFO:     infer_imgs : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:30:38] root INFO:     transforms : 
[2021/10/31 02:30:38] root INFO:         DecodeImage : 
[2021/10/31 02:30:38] root INFO:             channel_first : False
[2021/10/31 02:30:38] root INFO:             to_rgb : True
[2021/10/31 02:30:38] root INFO:         ResizeImage : 
[2021/10/31 02:30:38] root INFO:             resize_short : 256
[2021/10/31 02:30:38] root INFO:         CropImage : 
[2021/10/31 02:30:38] root INFO:             size : 224
[2021/10/31 02:30:38] root INFO:         NormalizeImage : 
[2021/10/31 02:30:38] root INFO:             mean : [0.485, 0.456, 0.406]
[2021/10/31 02:30:38] root INFO:             order : 
[2021/10/31 02:30:38] root INFO:             scale : 1.0/255.0
[2021/10/31 02:30:38] root INFO:             std : [0.229, 0.224, 0.225]
[2021/10/31 02:30:38] root INFO:         ToCHWImage : None
[2021/10/31 02:30:38] root INFO: Loss : 
[2021/10/31 02:30:38] root INFO:     Eval : 
[2021/10/31 02:30:38] root INFO:         CELoss : 
[2021/10/31 02:30:38] root INFO:             weight : 1.0
[2021/10/31 02:30:38] root INFO:     Train : 
[2021/10/31 02:30:38] root INFO:         CELoss : 
[2021/10/31 02:30:38] root INFO:             weight : 1.0
[2021/10/31 02:30:38] root INFO: Metric : 
[2021/10/31 02:30:38] root INFO:     Eval : 
[2021/10/31 02:30:38] root INFO:         TopkAcc : 
[2021/10/31 02:30:38] root INFO:             topk : [1, 5]
[2021/10/31 02:30:38] root INFO:     Train : 
[2021/10/31 02:30:38] root INFO:         TopkAcc : 
[2021/10/31 02:30:38] root INFO:             topk : [1, 5]
[2021/10/31 02:30:38] root INFO: Optimizer : 
[2021/10/31 02:30:38] root INFO:     lr : 
[2021/10/31 02:30:38] root INFO:         learning_rate : 0.0125
[2021/10/31 02:30:38] root INFO:         name : Cosine
[2021/10/31 02:30:38] root INFO:         warmup_epoch : 5
[2021/10/31 02:30:38] root INFO:     momentum : 0.9
[2021/10/31 02:30:38] root INFO:     name : Momentum
[2021/10/31 02:30:38] root INFO:     regularizer : 
[2021/10/31 02:30:38] root INFO:         coeff : 1e-05
[2021/10/31 02:30:38] root INFO:         name : L2
[2021/10/31 02:30:38] root INFO: train with paddle 2.1.2 and device CUDAPlace(0)
W1031 02:30:38.361168 11634 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W1031 02:30:38.365787 11634 device_context.cc:422] device: 0, cuDNN Version: 7.6.
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/layers/utils.py:77: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return (isinstance(seq, collections.Sequence) and
复制代码

文件保存到了PaddleClas/inference/目录

inference.pdiparams  
inference.pdiparams.info  
inference.pdmodel
复制代码

2.2 使用inference进行预测

%cd deploy
!python3 python/predict_cls.py \
    -c configs/inference_cls.yaml \
    -o Global.infer_imgs=/home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg \
    -o Global.inference_model_dir=../inference/ \
    -o PostProcess.Topk.class_id_map_file=None
复制代码

/home/aistudio/PaddleClas/deploy
2021-10-31 02:34:50 INFO: 
===========================================================
==        PaddleClas is powered by PaddlePaddle !        ==
===========================================================
==                                                       ==
==   For more info please go to the following website.   ==
==                                                       ==
==       https://github.com/PaddlePaddle/PaddleClas      ==
===========================================================

2021-10-31 02:34:50 INFO: Global : 
2021-10-31 02:34:50 INFO:     batch_size : 1
2021-10-31 02:34:50 INFO:     cpu_num_threads : 10
2021-10-31 02:34:50 INFO:     enable_benchmark : True
2021-10-31 02:34:50 INFO:     enable_mkldnn : True
2021-10-31 02:34:50 INFO:     enable_profile : False
2021-10-31 02:34:50 INFO:     gpu_mem : 8000
2021-10-31 02:34:50 INFO:     infer_imgs : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00033.jpg
2021-10-31 02:34:50 INFO:     inference_model_dir : ../inference/
2021-10-31 02:34:50 INFO:     ir_optim : True
2021-10-31 02:34:50 INFO:     use_fp16 : False
2021-10-31 02:34:50 INFO:     use_gpu : True
2021-10-31 02:34:50 INFO:     use_tensorrt : False
2021-10-31 02:34:50 INFO: PostProcess : 
2021-10-31 02:34:50 INFO:     SavePreLabel : 
2021-10-31 02:34:50 INFO:         save_dir : ./pre_label/
2021-10-31 02:34:50 INFO:     Topk : 
2021-10-31 02:34:50 INFO:         class_id_map_file : None
2021-10-31 02:34:50 INFO:         topk : 5
2021-10-31 02:34:50 INFO:     main_indicator : Topk
2021-10-31 02:34:50 INFO: PreProcess : 
2021-10-31 02:34:50 INFO:     transform_ops : 
2021-10-31 02:34:50 INFO:         ResizeImage : 
2021-10-31 02:34:50 INFO:             resize_short : 256
2021-10-31 02:34:50 INFO:         CropImage : 
2021-10-31 02:34:50 INFO:             size : 224
2021-10-31 02:34:50 INFO:         NormalizeImage : 
2021-10-31 02:34:50 INFO:             channel_num : 3
2021-10-31 02:34:50 INFO:             mean : [0.485, 0.456, 0.406]
2021-10-31 02:34:50 INFO:             order : 
2021-10-31 02:34:50 INFO:             scale : 0.00392157
2021-10-31 02:34:50 INFO:             std : [0.229, 0.224, 0.225]
2021-10-31 02:34:50 INFO:         ToCHWImage : None
image_00033.jpg:	class id(s): [37, 35, 76, 28, 50], score(s): [0.46, 0.13, 0.04, 0.03, 0.03], label_name(s): []
复制代码

复制代码

五、模型评估

!python tools/eval.py \
        -c ./ppcls/configs/quick_start/ResNet50_vd.yaml \
        -o Global.pretrained_model=output/ResNet50_vd/best_model
复制代码

/home/aistudio/PaddleClas/ppcls/arch/backbone/model_zoo/vision_transformer.py:15: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Callable
[2021/10/31 02:28:12] root INFO: 
===========================================================
==        PaddleClas is powered by PaddlePaddle !        ==
===========================================================
==                                                       ==
==   For more info please go to the following website.   ==
==                                                       ==
==       https://github.com/PaddlePaddle/PaddleClas      ==
===========================================================

[2021/10/31 02:28:12] root INFO: Arch : 
[2021/10/31 02:28:12] root INFO:     name : ResNet50_vd
[2021/10/31 02:28:12] root INFO: DataLoader : 
[2021/10/31 02:28:12] root INFO:     Eval : 
[2021/10/31 02:28:12] root INFO:         dataset : 
[2021/10/31 02:28:12] root INFO:             cls_label_path : valid.txt
[2021/10/31 02:28:12] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:28:12] root INFO:             name : ImageNetDataset
[2021/10/31 02:28:12] root INFO:             transform_ops : 
[2021/10/31 02:28:12] root INFO:                 DecodeImage : 
[2021/10/31 02:28:12] root INFO:                     channel_first : False
[2021/10/31 02:28:12] root INFO:                     to_rgb : True
[2021/10/31 02:28:12] root INFO:                 ResizeImage : 
[2021/10/31 02:28:12] root INFO:                     resize_short : 256
[2021/10/31 02:28:12] root INFO:                 CropImage : 
[2021/10/31 02:28:12] root INFO:                     size : 224
[2021/10/31 02:28:12] root INFO:                 NormalizeImage : 
[2021/10/31 02:28:12] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:28:12] root INFO:                     order : 
[2021/10/31 02:28:12] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:28:12] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:28:12] root INFO:         loader : 
[2021/10/31 02:28:12] root INFO:             num_workers : 4
[2021/10/31 02:28:12] root INFO:             use_shared_memory : True
[2021/10/31 02:28:12] root INFO:         sampler : 
[2021/10/31 02:28:12] root INFO:             batch_size : 256
[2021/10/31 02:28:12] root INFO:             drop_last : False
[2021/10/31 02:28:12] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:28:12] root INFO:             shuffle : False
[2021/10/31 02:28:12] root INFO:     Train : 
[2021/10/31 02:28:12] root INFO:         dataset : 
[2021/10/31 02:28:12] root INFO:             cls_label_path : train.txt
[2021/10/31 02:28:12] root INFO:             image_root : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:28:12] root INFO:             name : ImageNetDataset
[2021/10/31 02:28:12] root INFO:             transform_ops : 
[2021/10/31 02:28:12] root INFO:                 DecodeImage : 
[2021/10/31 02:28:12] root INFO:                     channel_first : False
[2021/10/31 02:28:12] root INFO:                     to_rgb : True
[2021/10/31 02:28:12] root INFO:                 RandCropImage : 
[2021/10/31 02:28:12] root INFO:                     size : 224
[2021/10/31 02:28:12] root INFO:                 RandFlipImage : 
[2021/10/31 02:28:12] root INFO:                     flip_code : 1
[2021/10/31 02:28:12] root INFO:                 NormalizeImage : 
[2021/10/31 02:28:12] root INFO:                     mean : [0.485, 0.456, 0.406]
[2021/10/31 02:28:12] root INFO:                     order : 
[2021/10/31 02:28:12] root INFO:                     scale : 1.0/255.0
[2021/10/31 02:28:12] root INFO:                     std : [0.229, 0.224, 0.225]
[2021/10/31 02:28:12] root INFO:         loader : 
[2021/10/31 02:28:12] root INFO:             num_workers : 4
[2021/10/31 02:28:12] root INFO:             use_shared_memory : True
[2021/10/31 02:28:12] root INFO:         sampler : 
[2021/10/31 02:28:12] root INFO:             batch_size : 256
[2021/10/31 02:28:12] root INFO:             drop_last : False
[2021/10/31 02:28:12] root INFO:             name : DistributedBatchSampler
[2021/10/31 02:28:12] root INFO:             shuffle : True
[2021/10/31 02:28:12] root INFO: Global : 
[2021/10/31 02:28:12] root INFO:     checkpoints : None
[2021/10/31 02:28:12] root INFO:     class_num : 102
[2021/10/31 02:28:12] root INFO:     device : gpu
[2021/10/31 02:28:12] root INFO:     epochs : 20
[2021/10/31 02:28:12] root INFO:     eval_during_train : True
[2021/10/31 02:28:12] root INFO:     eval_interval : 5
[2021/10/31 02:28:12] root INFO:     image_shape : [3, 224, 224]
[2021/10/31 02:28:12] root INFO:     output_dir : ./output/
[2021/10/31 02:28:12] root INFO:     pretrained_model : output/ResNet50_vd/best_model
[2021/10/31 02:28:12] root INFO:     print_batch_step : 10
[2021/10/31 02:28:12] root INFO:     save_inference_dir : ./inference
[2021/10/31 02:28:12] root INFO:     save_interval : 5
[2021/10/31 02:28:12] root INFO:     use_visualdl : False
[2021/10/31 02:28:12] root INFO: Infer : 
[2021/10/31 02:28:12] root INFO:     PostProcess : 
[2021/10/31 02:28:12] root INFO:         class_id_map_file : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/jpg/image_00030.jpg
[2021/10/31 02:28:12] root INFO:         name : Topk
[2021/10/31 02:28:12] root INFO:         topk : 5
[2021/10/31 02:28:12] root INFO:     batch_size : 10
[2021/10/31 02:28:12] root INFO:     infer_imgs : /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/
[2021/10/31 02:28:12] root INFO:     transforms : 
[2021/10/31 02:28:12] root INFO:         DecodeImage : 
[2021/10/31 02:28:12] root INFO:             channel_first : False
[2021/10/31 02:28:12] root INFO:             to_rgb : True
[2021/10/31 02:28:12] root INFO:         ResizeImage : 
[2021/10/31 02:28:12] root INFO:             resize_short : 256
[2021/10/31 02:28:12] root INFO:         CropImage : 
[2021/10/31 02:28:12] root INFO:             size : 224
[2021/10/31 02:28:12] root INFO:         NormalizeImage : 
[2021/10/31 02:28:12] root INFO:             mean : [0.485, 0.456, 0.406]
[2021/10/31 02:28:12] root INFO:             order : 
[2021/10/31 02:28:12] root INFO:             scale : 1.0/255.0
[2021/10/31 02:28:12] root INFO:             std : [0.229, 0.224, 0.225]
[2021/10/31 02:28:12] root INFO:         ToCHWImage : None
[2021/10/31 02:28:12] root INFO: Loss : 
[2021/10/31 02:28:12] root INFO:     Eval : 
[2021/10/31 02:28:12] root INFO:         CELoss : 
[2021/10/31 02:28:12] root INFO:             weight : 1.0
[2021/10/31 02:28:12] root INFO:     Train : 
[2021/10/31 02:28:12] root INFO:         CELoss : 
[2021/10/31 02:28:12] root INFO:             weight : 1.0
[2021/10/31 02:28:12] root INFO: Metric : 
[2021/10/31 02:28:12] root INFO:     Eval : 
[2021/10/31 02:28:12] root INFO:         TopkAcc : 
[2021/10/31 02:28:12] root INFO:             topk : [1, 5]
[2021/10/31 02:28:12] root INFO:     Train : 
[2021/10/31 02:28:12] root INFO:         TopkAcc : 
[2021/10/31 02:28:12] root INFO:             topk : [1, 5]
[2021/10/31 02:28:12] root INFO: Optimizer : 
[2021/10/31 02:28:12] root INFO:     lr : 
[2021/10/31 02:28:12] root INFO:         learning_rate : 0.0125
[2021/10/31 02:28:12] root INFO:         name : Cosine
[2021/10/31 02:28:12] root INFO:         warmup_epoch : 5
[2021/10/31 02:28:12] root INFO:     momentum : 0.9
[2021/10/31 02:28:12] root INFO:     name : Momentum
[2021/10/31 02:28:12] root INFO:     regularizer : 
[2021/10/31 02:28:12] root INFO:         coeff : 1e-05
[2021/10/31 02:28:12] root INFO:         name : L2
[2021/10/31 02:28:12] root INFO: train with paddle 2.1.2 and device CUDAPlace(0)
self._cls_path /home/aistudio/data/oxford-102-flowers/oxford-102-flowers/valid.txt
W1031 02:28:12.918593 11295 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W1031 02:28:12.923264 11295 device_context.cc:422] device: 0, cuDNN Version: 7.6.
[2021/10/31 02:28:21] root INFO: [Eval][Epoch 0][Iter: 0/4]CELoss: 0.47912, loss: 0.47912, top1: 0.91797, top5: 0.96094, batch_cost: 3.39170s, reader_cost: 2.99661, ips: 75.47843 images/sec
[2021/10/31 02:28:22] root INFO: [Eval][Epoch 0][Avg]CELoss: 0.54982, loss: 0.54982, top1: 0.88922, top5: 0.96667
复制代码

eval结果

W1031 02:28:12.923264 11295 device_context.cc:422] device: 0, cuDNN Version: 7.6.
[2021/10/31 02:28:21] root INFO: [Eval][Epoch 0][Iter: 0/4]CELoss: 0.47912, loss: 0.47912, top1: 0.91797, top5: 0.96094, batch_cost: 3.39170s, reader_cost: 2.99661, ips: 75.47843 images/sec
[2021/10/31 02:28:22] root INFO: [Eval][Epoch 0][Avg]CELoss: 0.54982, loss: 0.54982, top1: 0.88922, top5: 0.96667
复制代码

最后有惊喜（别错过哦）

跻身大厂是每一个程序员的梦想，也希望有机会可以大放异彩，成绩斐然。不过，不积跬步无以至千里，理想和现实的距离是需要努力来不断缩短的。

所以这里我准备了一些礼包，希望能够帮助到各位小伙伴。

★礼包1

如果对学习没有自制力或者没有一起学习交流的动力，欢迎私信或者评论区留言，我会拉你进学习交流群，我们一起交流学习，报团打卡，群内更有众多福利等你来解锁哟，赶快加入我们吧！
★礼包2

❶Python全套电子书，200本总共6个G电子书资料，囊括Python各大领域。

❷Python练手项目，包括爬虫、数据分析、机器学习、人工智能、小游戏开发。

你可能感兴趣的:(人工智能&机器学习,深度学习,人工智能,计算机视觉)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
git常用命令笔记咩酱-小羊 git 笔记
###用习惯了idea总是不记得git的一些常见命令，需要用到的时候总是担心旁边站了人~~~记个笔记@_@，告诉自己看笔记不丢人初始化初始化一个新的Git仓库gitinit配置配置用户信息gitconfig--globaluser.name"YourName"gitconfig--globaluser.email"[email protected]"基本操作克隆远程仓库gitclone查看
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
PHP环境搭建详细教程好看资源平台前端 php
PHP是一个流行的服务器端脚本语言，广泛用于Web开发。为了使PHP能够在本地或服务器上运行，我们需要搭建一个合适的PHP环境。本教程将结合最新资料，介绍在不同操作系统上搭建PHP开发环境的多种方法，包括Windows、macOS和Linux系统的安装步骤，以及本地和Docker环境的配置。1.PHP环境搭建概述PHP环境的搭建主要分为以下几类：集成开发环境：例如XAMPP、WAMP、MAMP，这
四章-32-点要素的聚合彩云飘过
本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
在Ubuntu中编译含有JSON的文件出现报错芝麻糊76 Linux kill_bug linux ubuntu json
在ubuntu中进行JSON相关学习的时候，我发现了一些小问题，决定与大家进行分享，减少踩坑时候出现不必要的时间耗费截取部分含有JSON部分的代码进行展示char*str="{\"title\":\"JSONExample\",\"author\":{\"name\":\"JohnDoe\",\"age\":35,\"isVerified\":true},\"tags\":[\"json\",\"
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
网络编程基础记得开心一点啊网络
目录♫什么是网络编程♫Socket套接字♪什么是Socket套接字♪数据报套接字♪流套接字♫数据报套接字通信模型♪数据报套接字通讯模型♪DatagramSocket♪DatagramPacket♪实现UDP的服务端代码♪实现UDP的客户端代码♫流套接字通信模型♪流套接字通讯模型♪ServerSocket♪Socket♪实现TCP的服务端代码♪实现TCP的客户端代码♫什么是网络编程网络编程，指网络上
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
博客网站制作教程 2401_85194651 java maven
首先就是技术框架：后端：Java+SpringBoot数据库：MySQL前端：Vue.js数据库连接：JPA(JavaPersistenceAPI)1.项目结构blog-app/├──backend/│├──src/main/java/com/example/blogapp/││├──BlogApplication.java││├──config/│││└──DatabaseConfig.java
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt 人工智能
一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
ai绘画工具midjourney怎么下载？附作品管理教程设计师早上好
Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
[实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用 pytorch 深度学习人工智能机器学习 python 优化器
文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
LeetCode 53. Maximum Subarray 枯萎的海风算法与OJ C/C++leetcode
1.题目描述Findthecontiguoussubarraywithinanarray(containingatleastonenumber)whichhasthelargestsum.Forexample,giventhearray[−2,1,−3,4,−1,2,1,−5,4],thecontiguoussubarray[4,−1,2,1]hasthelargestsum=6.clicktos
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
【LeetCode】53. Maximum Subarray 墨染百城 LeetCode leetcode
问题描述问题链接：https://leetcode.com/problems/maximum-subarray/#/descriptionFindthecontiguoussubarraywithinanarray(containingatleastonenumber)whichhasthelargestsum.Forexample,giventhearray[-2,1,-3,4,-1,2,1,-
LeetCode 673. Number of Longest Increasing Subsequence (Java版; Meidum) littlehaes 字符串动态规划算法 leetcode 数据结构
welcometomyblogLeetCode673.NumberofLongestIncreasingSubsequence(Java版;Meidum)题目描述Givenanunsortedarrayofintegers,findthenumberoflongestincreasingsubsequence.Example1:Input:[1,3,5,4,7]Output:2Explanatio
【大模型应用开发动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅计算科学神经计算深度学习神经网络大数据人工智能大型语言模型 AI AGI LLM Java Python 架构设计 Agent RPA
【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
这是我自己想到的问题，结果去知呼提问，还没等别人回答，我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
java编程思想 -- 数据的初始化百合不是茶 java 数据的初始化
1.使用构造器确保数据初始化 /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
[航天与宇宙]为什么发射和回收航天器有档期 comsci
地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁... 所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
linux下批量替换文件内容商人shang linux 替换
1、网络上现成的资料　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
网页在线天气预报 oloz 天气预报
网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
SpringMVC和Struts2比较杨白白 springMVC
1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
refuse copy, lazy girl! 小桔子 copy
妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！
apache与php整合 aichenglong php apache web
一 apache web服务器 1 apeche web服务器的安装 1)下载Apache web服务器 2)配置域名(如果需要使用要在DNS上注册) 3)测试安装访问http://localhost/验证是否安装成功 2 apache管理 1)service.msc进行图形化管理 2)命令管理，配
Maven常用内置变量 AILIKES maven
Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
java的类和对象百合不是茶 JAVA面向对象类对象
java中的类： java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决 java使用 class 类名来创建类，在Java中类名要求和构造方法，Java的文件名是一样的创建一个A类： class A{ } java中的类：将某两个事物有联系的属性包装在一个类中，再通
JS控制页面输入框为只读 bijian1013 JavaScript
在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。
AngularJS与服务器交互 bijian1013 JavaScript AngularJS $http
对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
[Maven学习笔记八]Maven常用插件应用 bit1129 maven
常用插件及其用法位于：http://maven.apache.org/plugins/ 1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin 1. Jetty Pl
【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括：文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
UI设计中我们为什么需要设计动效 brotherlamp UI ui教程 ui视频 ui资料 ui自学
随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。一、加强体验舒适度嗯，就是让用户更加爽更加爽的用你的产品。
Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan java spring
参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
数据库连接池的工作原理 chicony 数据库连接池
随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
java 关键字 CrazyMizzz java
关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：（1）访问修饰符 public,private,protected p
Hive中的排序语法 daizj 排序 hive order by DISTRIBUTE BY sort by
Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
单态设计模式 dcj3sjt126com 设计模式
单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{ // 保存类实例在此属性中 private static&
svn locked dcj3sjt126com Lock
post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
ARM寄存器学习 e200702084 数据结构 C++c C#F#
无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。 ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
常用编码资料 gengzg 编码
List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
进程 vs. 线程 hongtoushizi 线程 linux 进程
我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。如果用多线程实现
Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linux crontab
一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来：第一段代表分钟 0—59 第二段代表小时 0—23 第三段代表日期 1—31 第四段代表月份 1—12 第五段代表星期几，0代表星期日 0—6 如： */1 * * * * 每分钟执行一次。 *
KMP算法详解 hm4123660 数据结构 C++算法字符串 KMP
字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。假设主串s="ababcabcacbab",模式串为t="
枚举类型的单例模式 zhb8015 单例模式
E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
Kafka+Storm+HDFS ssydxa219 storm
cd /myhome/usr/stormbin/storm nimbus &bin/storm supervisor &bin/storm ui &Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
Java获取本地服务器的IP 中华好儿孙 java Web 获取服务器ip地址
System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo