R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据

原文链接：http://tecdat.cn/?p=26897

最近我们被客户要求撰写关于GARCH的研究报告，包括一些图形和统计输出。

风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险

风险价值 (VaR)

  • VaR 可以定义为资产在给定时间段内以概率 θ 超过的市场价值损失。对于收益率 rt 的时间序列，VaRt将是这样的

*

图片

其中 It-1表示时间 t-1 的信息集。

  • 尽管 VaR 在提供资产组合下行风险的简单总结时具有吸引人的简单性，但没有单一的计算方法。

1% 风险价值

  • 将价格转换为收益
library(ggplot2)
# 计算收益率的正态密度

# 价格与收益的关系

bp2 = Close
# 转换收益率

bret = dailyReturn
# 改变列名
colnames(data_rd) = c("x", "y")
# 正态分位数
vr1 = quantile
 ggplot(data, aes(x = x, y = y))

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第1张图片

图 ：1% VaR

点击标题查阅往期内容

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第2张图片

R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例

图片

左右滑动查看更多

图片

01

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第3张图片

02

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第4张图片

03

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第5张图片

04

R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第6张图片

  • 在分布术语中，对于分布 F，VaR 可以定义为它的第 p 个分位数，由下式给出

图片

其中 F−1是分布函数的倒数，也称为分位数函数。因此，一旦可以定义收益序列的分布，VaR 就很容易计算。

使用 GARCH 进行波动率建模和预测

  • 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。
  • 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。GARCH 模型是在金融风险建模和管理中用于预测 VaR 和条件 VaR 等金融风险度量的最广泛使用的模型之一。
  • GARCH 模型是 ARCH 模型的广义版本。具有旨在捕获波动率聚类的 p 滞后项的标准 ARCH(p) 过程可以编写如下

    图片

    其中，第 t 天的收益为 Yt=σtZt和 Zt∼iid(0,1)，即收益的创新是由随机冲击驱动的

  • GARCH(p,q) 模型在 ARCH(p) 模型中包含滞后波动率，以纳入历史收益的影响

    R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第7张图片

  • GARCH(1,1) 每个阶数只使用一个滞后，是实证研究和分析中最常用的版本。

     GARCH(1,1) 预测 VaR

  • 其中最通用和最有能力的一种是 rugarch 包。在这里，我们使用数据集来演示使用 rugarch 包中可用的函数和方法对 GARCH 进行建模。
  • 具有恒定均值方程的 GARCH(1,1) 模型 可以指定如下：
    ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,
    1)), mean.model = list(armaOrder = c(0, 0)))

  • 上面存储的规范 garch_spec 现在可用于将 GARCH(1,1) 模型拟合到我们的数据。以下代码使用该函数将 GARCH(1,1) 模型拟合到 BHP 对数收益并显示结果。

    R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第8张图片

    R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据_第9张图片

  • 使用对象类可用的各种方法获得选定的拟合统计量

    par1 = par() #保存图形参数

 标准化残差

plot(figarch, which = 10)

 2. 条件SD 

plot(fiarch, which = 3)


![图片](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/32b664710bb54002a74c988ea02bbef5~tplv-k3u1fbpfcp-zoom-1.image)

图 ：GARCH(1,1) 的两个信息图

# 使用样本外的 VaR 预测 

  


-   让我们使用 Student-t 分布，因为收益并不总是遵循正态分布

 学生-T分布的spec2

spc2 = ugarchspec


  


-   rugarch 包对于估计移动窗口模型和预测 VaR 具有非常有用的功能。

garchroll(spec2, data = bpret


  


-   我们可以使用以下例程绘制 1% 和 5% VaR 预测与实际收益的对比。

 注意绘图方法提供了四张图，其中VaR为选项-4

 预测1%的学生-t GARCH风险值

plot(v.t, which = 4, VRaha = 0.01)

 5%学生-t GARCH风险值

plot(var.t, which = 4, Vaalha = 0.05)


![图片](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/aa2910fbbcdb47dd8563f2eb0dc70803~tplv-k3u1fbpfcp-zoom-1.image)

图：实际收益率与 1% VaR 预测

  


-   最后获得回测

 VaR预测的回测

report(va., VaRha = 0.05)  #α的默认值是0.01


![图片](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/47eedc23a92044068697734d1e102fa6~tplv-k3u1fbpfcp-zoom-1.image)

  


* * *

  


![图片](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/fc5b721c0b1a4f50a76381bb8ba312d1~tplv-k3u1fbpfcp-zoom-1.image)

点击文末 **“阅读原文”**

获取全文完整资料。

  


本文选自《**R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列**》。

  


**点击标题查阅往期内容**

[R语言使用多元AR-GARCH模型衡量市场风险](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247515716&idx=5&sn=a2d70d76364238dd3231e69674d73906&chksm=fd92804fcae5095992611e228b0470d478a25172f06fee0d76a536246605b076d2b764d1b718&scene=21#wechat_redirect)  
[R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247513800&idx=1&sn=2881eac305059dfb6d077bad53718f7b&chksm=fd9288c3cae501d5c878ea0e350e5ac16838e60ab863f8acdb7f87a5bbd0a44689966b0e5bc5&scene=21#wechat_redirect)[R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247512552&idx=1&sn=cd0f2de9c840592f17bb735714eccbd1&chksm=fd928fe3cae506f56a4cc4a7825d92f43465e00013d2d042a863d3c3b278d095711ec0d261d5&scene=21#wechat_redirect)  
[R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247512993&idx=3&sn=88c6792a7eb065dc82d1e0eb00f5f72e&chksm=fd928daacae504bc604e9ad42409b5535a7ca12ceb47636bf1a91684b2d9423a502b6b24a0d3&scene=21#wechat_redirect)  
[GARCH-DCC模型和DCC（MVT）建模估计](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247513518&idx=3&sn=a7584ee8a5940a63d5f6852ff052c474&chksm=fd928ba5cae502b33147fc58d0419817ec3d21b9ef7dab57c646f4e7160e7774765c7e6a3282&scene=21#wechat_redirect)  
[R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247510231&idx=2&sn=77e9e264e811bd27312703c14f8e1654&chksm=fd9296dccae51fcaef5050b793a056da2b2f93c051639003543fc11cc714c4167e88b2a975d1&scene=21#wechat_redirect)  
[ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247510062&idx=1&sn=943d6d3b043942222bfa2c3527d5626a&chksm=fd929625cae51f33d54e7c8ea01702e366ca5a56561f8bea1e79dfb39637435671ade4713787&scene=21#wechat_redirect)  
[PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247509977&idx=1&sn=68450b5bc3e8f903c83f96cd9f00d1aa&chksm=fd9299d2cae510c46304710b275fe24e4403052cf010f643b12fd84d58c322721dc8bf37d3e4&scene=21#wechat_redirect)  
[极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247509289&idx=3&sn=e40a8e7a8ea7c48d56f5ab32b6cc9cbd&chksm=fd929b22cae51234553e6288d34cc071945f5fe56d988bab259bc7ffea3199c57eacd85dee75&scene=21#wechat_redirect)  
[Garch波动率预测的区制转移交易策略](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247508741&idx=3&sn=c49f5f8caab501e2980ee51d509c3276&chksm=fd929d0ecae51418e3791dbb9ff0cb27e60ec40e8e0f3a1d156fd9abb54b826c5f8479e706a2&scene=21#wechat_redirect)  
[金融时间序列模型ARIMA 和GARCH 在股票市场预测应用](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247508260&idx=2&sn=8206765e1e5a18a16909c2084ef5b8b7&chksm=fd929f2fcae51639e69c5e1c9e6f764611238bd347e58f5f85fba093e40c88bf75690f7f26f0&scene=21#wechat_redirect)  
[时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247508136&idx=2&sn=efcb350e6e73a6b2ce1a5e4ed5816158&chksm=fd929ea3cae517b581e174ce39c37f3319644e2f0a24d4c713f04713d112f2416fdaa767f127&scene=21#wechat_redirect)  
[R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247506706&idx=1&sn=270827c906243e4bd2fe71e2ba1bde10&chksm=fd92e519cae56c0f662e32c906ffef042386ea30deb7b2794b29dc66ce007159e35b6c3eeca6&scene=21#wechat_redirect)  
[R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247506372&idx=1&sn=ddc017011491d0f692b09aa6fda26083&chksm=fd92e7cfcae56ed97bc16105e9e88021a5e7a1c4f58d9f60fb54f7f176eb2f3df4d517b0869f&scene=21#wechat_redirect)  
[Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247506099&idx=1&sn=4fb892131945deaca373fce7f30fae1b&chksm=fd92e6b8cae56fae222abd07001eeddbe2ac3b1d61ea9aaf17186c35852ddbb0ab8426678698&scene=21#wechat_redirect)  
[MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247505674&idx=1&sn=84aa62f91e4b098c7f8d7dcd93a4b1cd&chksm=fd92e901cae56017ad05da51d9fb043db036cbde047231220faea57f608caba7d0ec5a9418df&scene=21#wechat_redirect)  
[R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247505427&idx=1&sn=04ce1c89c632fed1a52a4daeb783b3c3&chksm=fd92e818cae5610edce52b308a6d60c6c5fbd83f139fb7dc0a2e0cf33b06fe701962f46369b7&scene=21#wechat_redirect)  
[Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247504283&idx=1&sn=e7737d2c3b6e1014493a56d9001c1c40&chksm=fd92ef90cae56686d6da7104d2d0f1aa62c0927094b9c94acafd40b09002f40c9371c0acc623&scene=21#wechat_redirect)  
[R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247503984&idx=2&sn=8ad8573f1b609571b4a1a45a2752f794&chksm=fd92ee7bcae5676dce10814f29939ddadd742e2faeee974043bd403f2fc8383b7424f1f2a2db&scene=21#wechat_redirect)  
[R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247503337&idx=1&sn=79370847577f9fafb3dfe56b40d953c8&chksm=fd92f3e2cae57af40d5a336ae63e1f7f0be36d6d24ebff81de173514afe0c5f0f04471dfd4bb&scene=21#wechat_redirect)  
[Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247497021&idx=2&sn=ed0ab6559b75da51504e32772f186eb3&chksm=fd92cb36cae54220ef77066e1d0f7470352864d9f14f061041d69b1fe03d42eaf5e356d6a521&scene=21#wechat_redirect)  
[R语言时间序列GARCH模型分析股市波动率](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247496697&idx=1&sn=26545eb6e70e15e99033ee28fc7dc20c&chksm=fd92cdf2cae544e4a97140229506c5b1a2420fb0f156ac161c81e3d94cba8bf44cd545a90412&scene=21#wechat_redirect)  
[R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247496554&idx=2&sn=0edf01886135034bcc152660b0c20c54&chksm=fd92cd61cae54477cfe495d7a64c71f198efe3b1c56625193c39c68fc0e048818313dcea790e&scene=21#wechat_redirect)  
[matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247495866&idx=2&sn=360f932fa15a7bbdc31c9efecc15a861&chksm=fd92ceb1cae547a7036e2137d5fe28db51deeaf15c4c007e402e0d18d1ba602b14360632ebcd&scene=21#wechat_redirect)  
[Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247494839&idx=1&sn=72686526dda3fb8b85337d30295ae2bc&chksm=fd92d2bccae55baa5f9c9d3a40ce0653c917bde6b0e060de2c662d8820a0045faf9c819f8304&scene=21#wechat_redirect)  
[使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247494760&idx=2&sn=e12cca3b8bfd7864b6231228a451ff4b&chksm=fd92d263cae55b75148ac82aebf72fe8962d46f26ef98c3ddc7871b45250735e98c558227d97&scene=21#wechat_redirect)  
[R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247494103&idx=1&sn=c5dcaaa27ad884f83e8e40edb41ebbfd&chksm=fd92d7dccae55eca8a2f2a333544ee9a35f9744ec66f54edeaa82488bc56465ff6d631fe30ff&scene=21#wechat_redirect)  
[R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493463&idx=1&sn=b5d3f36fe60e19c36c7ebd81e50847e3&chksm=fd92d95ccae5504a4a87b208ff7f1311716333a8ee48ef48d526868bd0dcf7aaaabf103dcfbb&scene=21#wechat_redirect)  
[R语言多元Copula GARCH 模型时间序列预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493270&idx=3&sn=65f333f31222b17f35717bab7d145c2c&chksm=fd92d89dcae5518b7ab0adeefc873ff40b8d683085dfffddba321576b5f81c895af5f3b93e65&scene=21#wechat_redirect)  
[R语言使用多元AR-GARCH模型衡量市场风险](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493156&idx=1&sn=e7e2b5dfca9c78e870176d3b5e4a796d&chksm=fd92d82fcae5513930bb452b1cbb784b551b976ad11cafd61bfefcb92c6aeb9a7527a37ae17b&scene=21#wechat_redirect)  
[R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492792&idx=1&sn=e729d58a15a86b04d54df8116c0c428a&chksm=fd92dab3cae553a57aa2af43544a36b56ce29e591752facba174d3efc246eb3957fa2dcbd01c&scene=21#wechat_redirect)  
[R语言用Garch模型和回归模型对股票价格分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492215&idx=1&sn=f59aa15b8af6ca1edfc551c0d568b241&chksm=fd92dc7ccae5556aaa3324947b91c0ede914847d9f69498d1f2d06ee9caa063a085679eec396&scene=21#wechat_redirect)  
[GARCH（1,1），MA以及历史模拟法的VaR比较](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247491996&idx=2&sn=8b84ed0248f273f89953c4030cb872a8&chksm=fd92df97cae55681f49ee24ccd88a6beca4b393466384c24c32bd83be62ca03a98a5f1441cc6&scene=21#wechat_redirect)

你可能感兴趣的:(数据挖掘深度学习机器学习算法)

  • 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
  • 将cmd中命令输出保存为txt文本文件 落难Coder Windowscmdwindow
    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
  • nosql数据库技术与应用知识点 皆过客，揽星河 NoSQLnosql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)
  • Python实现简单的机器学习算法 master_chenchengg pythonpython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
  • 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
  • [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pytorchpython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
  • Python实现关联规则推荐 这孩子谁懂哈 PythonMachineLearningpython关联规则机器学习
    1.什么关联规则关联规则（AssociationRules）是反映一个事物与其他事物之间的相互依存性和关联性，如果两个或多个事物之间存在一定的关联关系，那么，其中一个事物就能通过其他事物预测到。关联规则是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。关联规则挖掘的最经典的例子就是沃尔玛的啤酒与尿布的故事，通过对超市购物篮数据进行分析，即顾客放入购物篮中不同商品之间的关
  • 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
  • 吴恩达深度学习笔记(30)-正则化的解释 极客Array
    正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
  • 个人学习笔记7-6：动手学深度学习pytorch版-李沐 浪子L 深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
    #人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
  • 深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
    深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
  • 损失函数与反向传播 Star_. PyTorchpytorch深度学习python
    损失函数定义与作用损失函数(lossfunction)在深度学习领域是用来计算搭建模型预测的输出值和真实值之间的误差。1.损失函数越小越好2.计算实际输出与目标之间的差距3.为更新输出提供依据（反向传播)常见的损失函数回归常见的损失函数有：均方差（MeanSquaredError，MSE）、平均绝对误差（MeanAbsoluteErrorLoss，MAE）、HuberLoss是一种将MSE与MAE
  • 【深度学习】训练过程中一个OOM的问题，太难查了 weixin_40293999 深度学习深度学习人工智能
    现象：各位大佬又遇到过ubuntu的这个问题么？现象是在训练过程中，ssh上不去了，能ping通，没死机，但是ubunutu的pc侧的显示器，鼠标啥都不好用了。只能重启。问题原因：OOM了95G，尼玛！！！！pytorch爆内存了，然后journald假死了，在journald被watchdog干掉之后，系统就崩溃了。这种规模的爆内存一般，即使被oomkill了，也要卡半天的，确实会这样，能不能配
  • CV、NLP、数据控掘推荐、量化 海的那边- AI算法自然语言处理人工智能
    下面是对CV（计算机视觉）、NLP（自然语言处理）、数据挖掘推荐和量化的简要概述及其应用领域的介绍：1.CV（计算机视觉，ComputerVision）定义：计算机视觉是一门让计算机能够从图像或视频中提取有用信息，并做出决策的学科。它通过模拟人类的视觉系统来识别、处理和理解视觉信息。主要任务：图像分类：识别图像中的物体并分类，比如猫、狗、车等。目标检测：在图像或视频中定位并识别多个对象，如人脸检测
  • 云服务业界动态简报-20180128 Captain7
    一、青云青云QingCloud推出深度学习平台DeepLearningonQingCloud，包含了主流的深度学习框架及数据科学工具包，通过QingCloudAppCenter一键部署交付，可以让算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。二、腾讯云1.腾讯云正式发布腾讯专有云TCE(TencentCloudEnterprise)矩阵，涵盖企业版、大数据版、AI
  • 机器学习VS深度学习 nfgo 机器学习
    机器学习（MachineLearning,ML）和深度学习（DeepLearning,DL）是人工智能（AI）的两个子领域，它们有许多相似之处，但在技术实现和应用范围上也有显著区别。下面从几个方面对两者进行区分：1.概念层面机器学习：是让计算机通过算法从数据中自动学习和改进的技术。它依赖于手动设计的特征和数学模型来进行学习，常用的模型有决策树、支持向量机、线性回归等。深度学习：是机器学习的一个子领
  • 大数据毕业设计hadoop+spark+hive知识图谱租房数据分析可视化大屏 租房推荐系统 58同城租房爬虫 房源推荐系统 房价预测系统 计算机毕业设计 机器学习 深度学习 人工智能 2401_84572577 程序员大数据hadoop人工智能
    做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。我先来介绍一下这些东西怎么用，文末抱走。（1）Python所有方向的学习路线（
  • 深度学习-13-小语言模型之SmolLM的使用 皮皮冰燃 深度学习深度学习
    文章附录1SmolLM概述1.1SmolLM简介1.2下载模型2运行2.1在CPU/GPU/多GPU上运行模型2.2使用torch.bfloat162.3通过位和字节的量化版本3应用示例4问题及解决4.1attention_mask和pad_token_id报错4.2max_new_tokens=205参考附录1SmolLM概述1.1SmolLM简介SmolLM是一系列尖端小型语言模型，提供三种规
  • 【机器学习与R语言】1-机器学习简介 苹果酱0567 面试题汇总与解析java中间件开发语言springboot后端
    1.基本概念机器学习：发明算法将数据转化为智能行为数据挖掘VS机器学习：前者侧重寻找有价值的信息，后者侧重执行已知的任务。后者是前者的先期准备过程：数据——>抽象化——>一般化。或者：收集数据——推理数据——归纳数据——发现规律抽象化：训练：用一个特定模型来拟合数据集的过程用方程来拟合观测的数据：观测现象——数据呈现——模型建立。通过不同的格式来把信息概念化一般化：一般化：将抽象化的知识转换成可用
  • 基于深度学习的农作物病害检测 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的农作物病害检测利用卷积神经网络（CNN）、生成对抗网络（GAN）、Transformer等深度学习技术，自动识别和分类农作物的病害，帮助农业工作者提高作物管理效率、减少损失。1.农作物病害检测的挑战病害种类繁多：农作物病害的类型多样，不同病害在同一作物上的表现差异很大，同时同一种病害在不同生长阶段的症状也可能不同。环境影响：天气、光照、湿度等外部环境因素会影响农作物的表现，使得病害检
  • 基于深度学习的文本引导的图像编辑 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的文本引导的图像编辑（Text-GuidedImageEditing）是一种通过自然语言文本指令对图像进行编辑或修改的技术。它结合了图像生成和自然语言处理（NLP）的最新进展，使用户能够通过描述性文本对图像内容进行精确的调整和操控。1.文本引导的图像编辑的挑战文本和图像之间的对齐：如何将文本中的语义信息准确地映射到图像中的特定区域或元素是一个关键挑战。这涉及到多模态数据的对齐和理解。编
  • 系统架构师软考历年论文题目（2009-2024年）及分析 pccai-vip 系统架构师系统架构
    时间题目20091.论基于DSSA的软件架构设计与应用；2.论信息系统建模方法；3.论基于REST服务的Web应用系统设计；4.论软件可靠性设计与应用20101.论软件的静态演化和动态演化及其应用；2.论数据挖掘技术的应用；3.论大规模分布式系统缓存设计策略；4.论软件可靠性评价20111.论模型驱动架构在系统开发中的应用；2.论企业集成平台的架构设计；3.论企业架构管理与应用；4.论软件需求获取
  • 深度学习--对抗生成网络（GAN, Generative Adversarial Network） Ambition_LAO 深度学习生成对抗网络
    对抗生成网络（GAN,GenerativeAdversarialNetwork）是一种深度学习模型，由IanGoodfellow等人在2014年提出。GAN主要用于生成数据，通过两个神经网络相互对抗，来生成以假乱真的新数据。以下是对GAN的详细阐述，包括其概念、作用、核心要点、实现过程、代码实现和适用场景。1.概念GAN由两个神经网络组成：生成器（Generator）和判别器（Discrimina
  • 大数据新视界 --大数据大厂之数据挖掘入门：用 R 语言开启数据宝藏的探索之旅 青云交 大数据新视界数据库大数据数据挖掘R语言算法案例未来趋势应用场景学习建议大数据新视界
    亲爱的朋友们，热烈欢迎你们来到青云交的博客！能与你们在此邂逅，我满心欢喜，深感无比荣幸。在这个瞬息万变的时代，我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而我的博客，正是这样一个温暖美好的所在。在这里，你们不仅能够收获既富有趣味又极为实用的内容知识，还可以毫无拘束地畅所欲言，尽情分享自己独特的见解。我真诚地期待着你们的到来，愿我们能在这片小小的天地里共同成长，共同进步。本博客的精华专栏：Ja
  • 深度学习：怎么看pth文件的参数 奥利给少年 深度学习人工智能
    .pth文件是PyTorch模型的权重文件，它通常包含了训练好的模型的参数。要查看或使用这个文件，你可以按照以下步骤操作：1.确保你有模型的定义你需要有创建这个.pth文件时所用的模型的代码。这意味着你需要有模型的类定义和架构。2.加载模型权重使用PyTorch的load_state_dict方法来加载权重。这里是如何操作的：importtorchimporttorch.nnasnn#定义模型结构
  • chatgpt赋能python：如何在Python中安装Keras库？ turensu ChatGptpythonchatgptkeras计算机
    如何在Python中安装Keras库？Keras是一个简单易用的神经网络库，由FrançoisChollet编写。它在Python编程语言中实现了深度学习的功能，可以使您更轻松地构建和试验不同类型的神经网络。如果您是一名Python开发人员，肯定会想知道如何在您的Python项目中安装Keras库。在本文中，我们将向您展示如何安装和配置Keras库。步骤1：安装Python要使用Keras库，您需
  • 如何理解深度学习的训练过程 奋斗的草莓熊 深度学习人工智能pythonscikit-learnvirtualenvnumpypandas
    文章目录1.训练是干什么？2.预训练模型进行训练，主要更改的是预训练模型的什么东西？1.训练是干什么？以yolov5为例子，训练的目的是把一组输入猫狗图像放到神经网络中，得到一个输出模型，这个模型下次可以直接用来识别哪个是猫，哪个是狗2.预训练模型进行训练，主要更改的是预训练模型的什么东西？超参数（Hyperparameters）：这是模型结构中定义的参数，比如：卷积核大小（kernel_size
  • Keras深度学习框架入门及实战指南 司莹嫣Maude
    Keras深度学习框架入门及实战指南keraskeras-team/keras:是一个基于Python的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用Python深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址:https://gitcode.com/gh_mirrors/ke/keras一、项目介绍Keras简介Keras是一款高级神经网络
  • mongodb3.03开启认证 21jhf mongodb
    下载了最新mongodb3.03版本，当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题，现总结如下： （百度上搜到的基本都是老版本的，看到db.addUser的就是，请忽略） Windows下我做了一个bat文件，用来启动mongodb，命令行如下： mongod --dbpath db\data --port 27017 --directoryperdb --logp
  • 【Spark103】Task not serializable bit1129 Serializable
    Task not serializable是Spark开发过程最令人头疼的问题之一，这里记录下出现这个问题的两个实例，一个是自己遇到的，另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在，至少目前阶段碰到此类问题，没有什么章法 1.   package spark.exampl
  • 你所熟知的 LRU(最近最少使用) dalan_123 java
    关于LRU这个名词在很多地方或听说，或使用，接下来看下lru缓存回收的实现 1、大体的想法     a、查询出最近最晚使用的项     b、给最近的使用的项做标记 通过使用链表就可以完成这两个操作，关于最近最少使用的项只需要返回链表的尾部；标记最近使用的项，只需要将该项移除并放置到头部，那么难点就出现 你如何能够快速在链表定位对应的该项？ 这时候多
  • Javascript 跨域 周凡杨 JavaScriptjsonp跨域cross-domain
                                       
  • linux下安装apache服务器 g21121 apache
    安装apache 下载windows版本apache，下载地址：http://httpd.apache.org/download.cgi   1.windows下安装apache Windows下安装apache比较简单，注意选择路径和端口即可，这里就不再赘述了。 2.linux下安装apache： 下载之后上传到linux的相关目录，这里指定为/home/apach
  • FineReport的JS编辑框和URL地址栏语法简介 老A不折腾 finereportweb报表报表软件语法总结
      JS编辑框： 1.FineReport的js。 作为一款BS产品，browser端的JavaScript是必不可少的。 FineReport中的js是已经调用了finereport.js的。 大家知道，预览报表时，报表servlet会将cpt模板转为html，在这个html的head头部中会引入FineReport的js，这个finereport.js中包含了许多内置的fun
  • 根据STATUS信息对MySQL进行优化 墙头上一根草 status
    mysql  查看当前正在执行的操作，即正在执行的sql语句的方法为:      show processlist 命令   mysql> show global status;可以列出MySQL服务器运行各种状态值，我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
  • 我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名 aijuans Spring 3
    本文介绍如何给Spring的Bean配置文件的Bean定义别名？ 原始的 <bean id="business" class="onlyfun.caterpillar.device.Business"> <property name="writer"> <ref b
  • 高性能mysql 之 性能剖析 annan211 性能mysqlmysql 性能剖析剖析
    1 定义性能优化 mysql服务器性能，此处定义为 响应时间。 在解释性能优化之前，先来消除一个误解，很多人认为，性能优化就是降低cpu的利用率或者减少对资源的使用。 这是一个陷阱。 资源时用来消耗并用来工作的，所以有时候消耗更多的资源能够加快查询速度，保持cpu忙绿，这是必要的。很多时候发现 编译进了新版本的InnoDB之后，cpu利用率上升的很厉害，这并不
  • 主外键和索引唯一性约束 百合不是茶 索引唯一性约束主外键约束联机删除
    目标;第一步;创建两张表 用户表和文章表         第二步;发表文章       1,建表; ---用户表 BlogUsers --userID唯一的 --userName --pwd --sex create
  • 线程的调度 bijian1013 java多线程thread线程的调度java多线程
    1.       Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。   2.       多数线程的调度是抢占式的（即我想中断程序运行就中断，不需要和将被中断的程序协商） a) 
  • 查看日志常用命令 bijian1013 linux命令unix
    一.日志查找方法，可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log   二.查看日志常用命令1.grep '关键字' error.log：在error.log中搜索'关键字'2.grep -C10 '关键字' error.log：显示关键字前后10行记录3.grep '关键字' error.l
  • 【持久化框架MyBatis3一】MyBatis版HelloWorld bit1129 helloworld
    MyBatis这个系列的文章，主要参考《Java Persistence with MyBatis 3》。   样例数据 本文以MySQL数据库为例，建立一个STUDENTS表，插入两条数据，然后进行单表的增删改查     CREATE TABLE STUDENTS ( stud_id int(11) NOT NULL AUTO_INCREMENT,
  • 【Hadoop十五】Hadoop Counter bit1129 hadoop
       1. 只有Map任务的Map Reduce Job File System Counters FILE: Number of bytes read=3629530 FILE: Number of bytes written=98312 FILE: Number of read operations=0 FILE: Number of lar
  • 解决Tomcat数据连接池无法释放 ronin47 tomcat 连接池　优化
    近段时间，公司的检测中心报表系统(SMC)的开发人员时不时找到我，说用户老是出现无法登录的情况。前些日子因为手头上 有Jboss集群的测试工作，发现用户不能登录时，都是在Tomcat中将这个项目Reload一下就好了，不过只是治标而已，因为大概几个小时之后又会 再次出现无法登录的情况。 今天上午，开发人员小毛又找到我，要我协助将这个问题根治一下，拖太久用户难保不投诉。 简单分析了一
  • java-75-二叉树两结点的最低共同父结点 bylijinnan java
    import java.util.LinkedList; import java.util.List; import ljn.help.*; public class BTreeLowestParentOfTwoNodes { public static void main(String[] args) { /* * node data is stored in
  • 行业垂直搜索引擎网页抓取项目 carlwu LuceneNutchHeritrixSolr
    公司有一个搜索引擎项目，希望各路高人有空来帮忙指导，谢谢！ 这是详细需求： （1） 通过提供的网站地址(大概100-200个网站)，网页抓取程序能不断抓取网页和其它类型的文件（如Excel、PDF、Word、ppt及zip类型），并且程序能够根据事先提供的规则，过滤掉不相干的下载内容。 （2） 程序能够搜索这些抓取的内容，并能对这些抓取文件按照油田名进行分类，然后放到服务器不同的目录中。
  • [通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费 comsci 资源
          降低通讯服务资费，就意味着有更多的用户进入，就意味着通讯服务提供商要接待和服务更多的用户，在总体运维成本没有由于技术升级而大幅下降的情况下，这种降低资费的行为将导致每个用户的平均带宽不断下降，而享受到的服务质量也在下降，这对用户和服务商都是不利的。。。。。。。。     &nbs
  • Java时区转换及时间格式 Cwind java
    本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用，以及不同时区时间相互转化的方法和原理。   问题描述： 向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如，服务器位于东八区（北京时间，GMT+8:00），而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
  • readonly,只读，不可用 dashuaifu jsjspdisablereadOnlyreadOnly
    readOnly 和 readonly 不同，在做js开发时一定要注意函数大小写和jsp黄线的警告！！！我就经历过这么一件事： 使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能，有的就不行，而且函数readOnly有黄线警告！！！就这样被折磨了不短时间！！！（期间使用过disable函数，但是发现disable函数之后后台接收不到前台的的数据！！！）  
  • LABjs、RequireJS、SeaJS 介绍 dcj3sjt126com jsWeb
    LABjs 的核心是 LAB（Loading and Blocking）：Loading 指异步并行加载，Blocking 是指同步等待执行。LABjs 通过优雅的语法（script 和 wait）实现了这两大特性，核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器，倡导的是一种模块化开发理念，核心价值是让 JavaScript 的模块化开发变得更
  • [应用结构]入口脚本 dcj3sjt126com PHPyii2
    入口脚本 入口脚本是应用启动流程中的第一环，一个应用（不管是网页应用还是控制台应用）只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。 Web 应用的入口脚本必须放在终端用户能够访问的目录下，通常命名为 index.php，也可以使用 Web 服务器能定位到的其他名称。 控制台应用的入口脚本一般在应用根目录下命名为 yii（后缀为.php），该文
  • haoop shell命令 eksliang hadoophadoop shell
    cat chgrp chmod chown copyFromLocal copyToLocal cp du dus expunge get getmerge ls lsr mkdir movefromLocal mv put rm rmr setrep stat tail test text
  • MultiStateView不同的状态下显示不同的界面 gundumw100 android
    只要将指定的view放在该控件里面，可以该view在不同的状态下显示不同的界面，这对ListView很有用，比如加载界面，空白界面，错误界面。而且这些见面由你指定布局，非常灵活。 PS：ListView虽然可以设置一个EmptyView，但使用起来不方便，不灵活，有点累赘。 <com.kennyc.view.MultiStateView xmlns:android=&qu
  • jQuery实现页面内锚点平滑跳转 ini JavaScripthtmljqueryhtml5css
    平时我们做导航滚动到内容都是通过锚点来做，刷的一下就直接跳到内容了，没有一丝的滚动效果，而且 url 链接最后会有“小尾巴”，就像#keleyi，今天我就介绍一款 jquery 做的滚动的特效，既可以设置滚动速度，又可以在 url 链接上没有“小尾巴”。   效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码： &
  • kafka offset迁移 kane_xie kafka
    在早前的kafka版本中（0.8.0），offset是被存储在zookeeper中的。   到当前版本（0.8.2）为止，kafka同时支持offset存储在zookeeper和offset manager（broker）中。   从官方的说明来看，未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话，可以考虑在合适
  • android > 搭建 cordova 环境 mft8899 android
      1 , 安装 node.js        http://nodejs.org      node -v   查看版本   2, 安装 npm   可以先从  https://github.com/isaacs/npm/tags  下载 源码 解压到
  • java封装的比较器，比较是否全相同，获取不同字段名字 qifeifei
     非常实用的java比较器，贴上代码： import java.util.HashSet; import java.util.List; import java.util.Set; import net.sf.json.JSONArray; import net.sf.json.JSONObject; import net.sf.json.JsonConfig; i
  • 记录一些函数用法 .Aky. 位运算PHP数据库函数IP
    高手们照旧忽略。 想弄个全天朝IP段数据库，找了个今天最新更新的国内所有运营商IP段，copy到文件，用文件函数，字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件，直接用phpmyadmin导入.csv文件的形式导入。（生命在于折腾，也许你们觉得我傻X，直接下载人家弄好的导入不就可以，做自己的菜鸟，让别人去说吧） 当然用到了ip2long()函数把字符串转为整型数
  • sublime text 3 rust wudixiaotie Sublime Text
    1.sublime text 3 => install package => Rust 2.cd ~/.config/sublime-text-3/Packages 3.mkdir rust 4.git clone https://github.com/sp0/rust-style 5.cd rust-style 6.cargo build --release 7.ctrl
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他