AI大模型探索之路-训练篇10：大语言模型Transformer库-Tokenizer组件实践

系列篇章💥

AI大模型探索之路-训练篇1：大语言模型微调基础认知
AI大模型探索之路-训练篇2：大语言模型预训练基础认知
AI大模型探索之路-训练篇3：大语言模型全景解读
AI大模型探索之路-训练篇4：大语言模型训练数据集概览
AI大模型探索之路-训练篇5：大语言模型预训练数据准备-词元化
AI大模型探索之路-训练篇6：大语言模型预训练数据准备-预处理
AI大模型探索之路-训练篇7：大语言模型Transformer库之HuggingFace介绍
AI大模型探索之路-训练篇8：大语言模型Transformer库-预训练流程编码体验
AI大模型探索之路-训练篇9：大语言模型Transformer库-Pipeline组件实践

目录

  • 系列篇章💥
  • 前言
  • 一、Tokenizer概览
  • 二、Tokenizer的工作原理
  • 三、Tokenizer的使用方法
    • 1、加载与保存
    • 2、句子分词
    • 3、查看词典
    • 4、索引转换
    • 5、填充与截断
    • 6、其他输入部分
    • 7、快速调用方式
  • 四、Fast/Slow Tokenizer
  • 五、自定义Tokenizer
  • 六、Tokenizer与模型训练
  • 总结

前言

在自然语言处理（NLP）的世界里，文本数据的处理和理解是至关重要的一环。为了使得计算机能够理解和处理人类的自然语言，我们需要将原始的、对人类可读的文本转化为机器可以理解的格式。这就是Tokenizer，或者我们常说的分词器，发挥作用的地方。

一、Tokenizer概览

官网API地址：https://huggingface.co/docs/transformers/main_classes/tokenizer
Tokenizer是自然语言处理中的一个核心组件，它的主要功能是将原始文本转换为机器学习模型能够处理的格式。这一过程看似简单，实则包含了许多复杂且精细的步骤。在深度学习中的Transformer架构及其衍生模型中，Tokenizer的工作流程通常包括两个关键步骤：
1）首先，是文本分解。这一步的目的是将原始的、连续的文本分割成更细的粒度单元，这些单元可以是单词级别，也可以是子词级别，甚至是字符级别。这一步骤的目标是将文本分解为可以被模型理解并处理的基本单元。
2）其次，是编码映射。这一步的目标是将这些基本单元转换为模型可以理解的数值形式，最常见的形式是整数序列。这样，我们就可以将这些数值输入到模型中，让模型进行学习和预测。
在接下来的内容中，我们将详细探讨Tokenizer的工作原理，以及如何在实际的自然语言处理任务中使用Tokenizer。

二、Tokenizer的工作原理

Tokenizer的工作原理涉及：
1）文本分解：将文本分解为更小的单元。
2）词汇表：使用词汇表将文本单元映射到数值ID。
3）特殊标记：添加如[CLS]、[SEP]等特殊标记，以适应模型的特定需求。
在序列标注任务中，特殊标记帮助模型识别序列的开始和结束。

# 展示特殊标记的添加
sequence = "Here is an example sequence."
encoded_sequence = tokenizer(sequence, add_special_tokens=True)
print(encoded_sequence)

三、Tokenizer的使用方法

Tokenizer的使用流程一般遵循以下步骤：
1）导入Tokenizer库：从NLP库（例如Hugging Face的transformers）导入Tokenizer类。
2）加载预训练Tokenizer：通过指定模型名称加载预训练的Tokenizer实例。
3）文本转换：将文本数据输入Tokenizer进行编码转换。
4）获取编码输出：Tokenizer输出编码后的数据，通常包括：
-输入ID：转换后的整数序列，用于模型输入。
-注意力掩码（Attention Mask）：标识哪些输入ID是有效内容，哪些是填充（padding）。
-类别ID（Token Type IDs）：在某些任务中区分句子对的两个不同句子。
代码示例：

下面是一个使用Tokenizer的代码示例：

from transformers import AutoTokenizer

# 加载预训练的Tokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

# 待处理的文本
text = "Transformers are the core of modern NLP tasks."

# 使用Tokenizer进行编码
encoded_input = tokenizer(text, return_tensors='pt')

# 访问编码结果
input_ids = encoded_input['input_ids']
attention_mask = encoded_input['attention_mask']

Tokenizer的基本使用

from transformers import AutoTokenizer
sen = "吃葡萄不吐葡萄皮!"

1、加载与保存

1）加载模型

# 从HuggingFace加载，输入模型名称，即可加载对于的分词器
tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")
tokenizer

输出结果：

BertTokenizerFast(name_or_path='uer/roberta-base-finetuned-dianping-chinese', vocab_size=21128, model_max_length=1000000000000000019884624838656, is_fast=True, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True),  added_tokens_decoder={
	0: AddedToken("[PAD]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	100: AddedToken("[UNK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	101: AddedToken("[CLS]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	102: AddedToken("[SEP]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	103: AddedToken("[MASK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
}

2）保存模型

# tokenizer 保存到本地
tokenizer.save_pretrained("./roberta_tokenizer")
('./roberta_tokenizer/tokenizer_config.json',
 './roberta_tokenizer/special_tokens_map.json',
 './roberta_tokenizer/vocab.txt',
 './roberta_tokenizer/added_tokens.json',
 './roberta_tokenizer/tokenizer.json')

会自动在同层级目录roberta_tokenizer中存放下载下来的模型
3）从本地加载模型

# 从本地加载tokenizer
tokenizer = AutoTokenizer.from_pretrained("./roberta_tokenizer/")
tokenizer

输出结果：

BertTokenizerFast(name_or_path='./roberta_tokenizer/', vocab_size=21128, model_max_length=1000000000000000019884624838656, is_fast=True, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True),  added_tokens_decoder={
	0: AddedToken("[PAD]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	100: AddedToken("[UNK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	101: AddedToken("[CLS]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	102: AddedToken("[SEP]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	103: AddedToken("[MASK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
}

2、句子分词

tokens = tokenizer.tokenize(sen)
tokens

输出：

['吃', '葡', '萄', '不', '吐', '葡', '萄', '皮', '!']

3、查看词典

tokenizer.vocab

输出如下
在这里插入图片描述

查看词典大小

tokenizer.vocab_size

21128

4、索引转换

1）将词序列转换为id序列

ids = tokenizer.convert_tokens_to_ids(tokens)
ids

输出：

[1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106]

2）将id序列转换为token序列

tokens = tokenizer.convert_ids_to_tokens(ids)
tokens

输出：

['吃', '葡', '萄', '不', '吐', '葡', '萄', '皮', '!']

3）将token序列转换为string

str_sen = tokenizer.convert_tokens_to_string(tokens)
str_sen

输出：

'吃 葡 萄 不 吐 葡 萄 皮!'

4）更便捷的实现方式
将字符串转换为id序列，又称之为编码

ids = tokenizer.encode(sen, add_special_tokens=True)
ids

输出：

[101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102]

将id序列转换为字符串，又称之为解码

str_sen = tokenizer.decode(ids, skip_special_tokens=False)
str_sen

输出：

'[CLS] 吃 葡 萄 不 吐 葡 萄 皮! [SEP]'

5、填充与截断

1）填充

ids = tokenizer.encode(sen, padding="max_length", max_length=15)
ids

输出：

[101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102, 0, 0, 0, 0]

2）截断

ids = tokenizer.encode(sen, max_length=5, truncation=True)
ids

输出：

[101, 1391, 5868, 5843, 102]

6、其他输入部分

ids = tokenizer.encode(sen, padding="max_length", max_length=15)
ids

输出：

[101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102, 0, 0, 0, 0]

查看其他部分内容

attention_mask = [1 if idx != 0 else 0 for idx in ids]
token_type_ids = [0] * len(ids)
ids, attention_mask, token_type_ids

输出：

([101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102, 0, 0, 0, 0],
 [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0],
 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

7、快速调用方式

1）简化调用
简化调用：这是Tokenizer对象的直接调用，它通常是一个简化的方法，提供了基本的编码功能。
参数限制：此方法的参数选项可能较少，只包括一些常用的参数，如padding和max_length。
适用场景：适用于大多数标准情况，当需要执行常规的编码任务时，可以使用此方法。

inputs = tokenizer.encode_plus(sen, padding="max_length", max_length=15)
inputs

输出：

{'input_ids': [101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102, 0, 0, 0, 0], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]}

2）增强调用
增强功能：encode_plus方法提供了更多的功能和更细粒度的控制，包括对分词、编码、填充、截断等过程的额外配置。
返回值：encode_plus方法通常返回一个字典，包含了一系列的输出，如输入ID、注意力掩码、标记类型ID等，这些输出可以直接用于模型的输入。
参数丰富：此方法允许用户指定更多的参数，如return_tensors（指定返回张量类型）、return_token_type_ids（返回标记类型ID）、return_attention_mask（返回注意力掩码）等。
适用场景：当你需要更细致地控制文本编码过程，或者需要额外的信息（如注意力掩码或标记类型ID）时，使用encode_plus方法。

inputs = tokenizer(sen, padding="max_length", max_length=15)
inputs

输出：

{'input_ids': [101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 106, 102, 0, 0, 0, 0], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]}

8、处理batch数据

sens = ["吃葡萄不吐葡萄皮",
        "不吃葡萄到吐葡萄皮",
        "顺势而为"]
res = tokenizer(sens)
res

输出：

{'input_ids': [[101, 1391, 5868, 5843, 679, 1402, 5868, 5843, 4649, 102], [101, 679, 1391, 5868, 5843, 1168, 1402, 5868, 5843, 4649, 102], [101, 7556, 1232, 5445, 711, 102]], 'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]], 'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1]]}

批处理可以很大层度提升我们的处理性能

%%time
# 单条循环处理
for i in range(1000):
    tokenizer(sen)

CPU times: user 45.3 ms, sys: 0 ns, total: 45.3 ms
Wall time: 44.6 ms

%%time
# 处理batch数据
res = tokenizer([sen] * 1000)

CPU times: user 27.7 ms, sys: 15.6 ms, total: 43.2 ms
Wall time: 7.68 ms

四、Fast/Slow Tokenizer

在Hugging Face的transformers库中，Tokenizer分为两种类型：Fast Tokenizer和Slow Tokenizer。
1)Slow Tokenizer：通常是用Python编写的，速度较慢，但在所有环境中都能保证一致性和可移植性。
2)Fast Tokenizer：使用Rust编写，并通过PyTorch的C++扩展或Python的C扩展提供，速度非常快，尤其是在处理大量数据时。Fast Tokenizers提供了与Slow Tokenizers相同的功能，但速度更快。

选择使用哪种Tokenizer取决于具体的需求。如果对性能要求极高，或者需要处理大量数据，推荐使用Fast Tokenizer。如果需要确保代码的可移植性，或者在性能要求不是非常关键的场景下，可以使用Slow Tokenizer。

在transformers库中，AutoTokenizer类会自动选择Fast Tokenizer（如果可用），以提供最佳性能。如果需要显式选择Tokenizer类型，可以使用模型的特定Tokenizer类，如BertTokenizer或RobertaTokenizer。
fast_tokenizer 使用查看

sen = "吃葡萄不吐葡萄皮!"
fast_tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese")
fast_tokenizer

输出结果：

BertTokenizerFast(name_or_path='uer/roberta-base-finetuned-dianping-chinese', vocab_size=21128, model_max_length=1000000000000000019884624838656, is_fast=True, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True),  added_tokens_decoder={
	0: AddedToken("[PAD]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	100: AddedToken("[UNK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	101: AddedToken("[CLS]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	102: AddedToken("[SEP]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	103: AddedToken("[MASK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
}

slow_tokenizer 使用查看

slow_tokenizer = AutoTokenizer.from_pretrained("uer/roberta-base-finetuned-dianping-chinese", use_fast=False)
slow_tokenizer

BertTokenizer(name_or_path='uer/roberta-base-finetuned-dianping-chinese', vocab_size=21128, model_max_length=1000000000000000019884624838656, is_fast=False, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True),  added_tokens_decoder={
	0: AddedToken("[PAD]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	100: AddedToken("[UNK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	101: AddedToken("[CLS]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	102: AddedToken("[SEP]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
	103: AddedToken("[MASK]", rstrip=False, lstrip=False, single_word=False, normalized=False, special=True),
}

fast_tokenizer 批量执行耗时

%%time
# 处理batch数据
res = fast_tokenizer([sen] * 10000)

CPU times: user 323 ms, sys: 146 ms, total: 468 ms
Wall time: 172 ms

slow_tokenizer 批量执行耗时

%%time
# 处理batch数据
res = slow_tokenizer([sen] * 10000)

CPU times: user 1.1 s, sys: 15.8 ms, total: 1.12 s
Wall time: 1.12 s

五、自定义Tokenizer

用户可以根据特定需求定制Tokenizer：
1）自定义词汇表：创建特定领域的词汇表。
2）自定义规则：添加自定义分词规则以适应特定场景。

实践案例：在医疗领域的文本处理中，自定义Tokenizer能够识别专业术语。
工具和资源：Hugging Face的transformers库允许用户通过继承和修改现有Tokenizer类来创建自定义Tokenizer。

代码样例：

from transformers import BertTokenizerFast

class CustomBertTokenizer(BertTokenizerFast):
    def __init__(self, vocab_file, **kwargs):
        super().__init__(vocab_file=vocab_file, **kwargs)
        # 自定义逻辑...

# 假设已有自定义词汇表
custom_tokenizer = CustomBertTokenizer(vocab_file="path_to_vocab.txt")
encoded_custom = custom_tokenizer("Customizing Tokenizer is flexible.", return_tensors="pt")
print(encoded_custom)

六、Tokenizer与模型训练

Tokenizer在模型训练中的作用包括：
1）数据预处理：将训练数据转换为模型可处理的格式。
2）与模型整合：确保Tokenizer与模型的输入层完全兼容。

实践案例：在训练一个自定义文本分类模型时，需要确保Tokenizer的输出与模型的输入层匹配。
工具和资源：使用PyTorch或TensorFlow框架，可以方便地将Tokenizer集成到模型训练流程中。

代码样例：

# 导入必要的类：从transformers库中导入BertForSequenceClassification（用于序列分类的BERT模型），Trainer（训练器类），和TrainingArguments（训练参数类）
from transformers import BertForSequenceClassification, Trainer, TrainingArguments

#初始化模型：使用BertForSequenceClassification类创建一个序列分类模型实例。这个模型是基于BERT的，并且是预训练好的，我们通过from_pretrained方法加载它。num_labels参数指定了分类任务的标签数量。
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)

# 准备数据集
# ...
#定义训练参数：TrainingArguments类用于定义训练过程中的各种参数，如输出目录output_dir，训练轮数num_train_epochs，每个设备的训练批次大小per_device_train_batch_size，预热步数warmup_steps，权重衰减weight_decay，以及日志目录logging_dir。
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=16,
    warmup_steps=500,
    weight_decay=0.01,
    logging_dir="./logs",
)
# 初始化Trainer：Trainer类负责执行模型的实际训练。我们传入模型实例、训练参数和Tokenizer。train_dataset是一个包含训练数据的PyTorch数据集对象，这里省略了其定义和准备过程。
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    tokenizer=tokenizer
)
#执行训练：调用trainer.train()方法开始训练
trainer.train()

总结

Tokenizer是Transformer模型不可或缺的一部分，它直接影响模型输入的质量和模型的性能。正确选择和使用Tokenizer对于实现高效的NLP任务至关重要。通过上述实践，我们可以看到Tokenizer不仅需要适应特定的模型架构，还要满足特定任务的需求，并考虑到性能优化和可定制性。

在这里插入图片描述

🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路

如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/589058.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

msmpi 高性能并行计算 移植并行细胞自动机报错

msmpi 高性能并行计算 移植并行细胞自动机报错

报错情况如图 代码来源 元胞自动机生命游戏C语言并行实现 – OmegaXYZ 稍微修改，因为相对路径在 msmpi 10.1.1 中失效 Microsoft Windows [版本 10.0.22000.2538] (c) Microsoft Corporation。保留所有权利。C:\Users\ASUS>mpiexec -n 9 "C:\Users\ASUS\D…
阅读更多...
四信数字孪生水库解决方案，加快构建现代化水库运行管理矩阵

四信数字孪生水库解决方案，加快构建现代化水库运行管理矩阵

近年，水利部先后出台《关于加快构建现代化水库运行管理矩阵的指导意见》与《构建现代化水库运行管理矩阵先行先试工作方案》等文件，明确总体要求及试点水库、先行区域建设技术要求等，为全面推进现代化水库运行管理矩阵建设工作提供依据。 《2…
阅读更多...
自定义Maven项目模板Archetype，快速创建模板项目。

自定义Maven项目模板Archetype，快速创建模板项目。

自定义Archetype 创建好模板项目，在项目根目录执行命令对模板做出响应调整将模板安装到本地、远程仓库使用自定义模板 创建好模板项目，在项目根目录执行命令 mvn archetype:create-from-project对模板做出响应调整 如果是多模块项目，可能需…
阅读更多...
【数据结构】：链表的带环问题

【数据结构】：链表的带环问题

🎁个人主页：我们的五年 🔍系列专栏：数据结构 🌷追光的人，终会万丈光芒 前言： 链表的带环问题在链表中是一类比较难的问题，它对我们的思维有一个比较高的要求，但是这一类…
阅读更多...
【模板】前缀和

【模板】前缀和

原题链接：登录—专业IT笔试面试备考平台_牛客网 目录 1. 题目描述 2. 思路分析 3. 代码实现 1. 题目描述 2. 思路分析 前缀和模板题。 前缀和中数组下标为1~n。 前缀和：pre[i]pre[i-1]a[i]; 某段区间 [l,r]的和：pre[r]-pre[l-1] 3.…
阅读更多...
【C语言】atoi和atof函数的使用

【C语言】atoi和atof函数的使用

人生应该树立目标，否则你的精力会白白浪费。💓💓💓 目录 •🌙知识回顾 🍋知识点一：atoi函数的使用和实现 • 🌰1.函数介绍 • 🌰2.代码演示 • 🌰3.atoi函数的…
阅读更多...
【高校科研前沿】云南大学陈峰研究员联合多家单位在Sci. Bull发文揭示了明末特大干旱背景下北京降水变化及其以太平洋海温变化为主导的驱动新机制

【高校科研前沿】云南大学陈峰研究员联合多家单位在Sci. Bull发文揭示了明末特大干旱背景下北京降水变化及其以太平洋海温变化为主导的驱动新机制

文章简介 论文名称：Coupled Pacific Rim megadroughts contributed to the fall of the Ming Dynasty’s capital in 1644 CE（环太平洋地区的特大干旱影响了公元 1644 年明朝的灭亡） 第一作者及通讯作者：陈峰研究员&王涛研究…
阅读更多...
38-4 Web应用防火墙 - WAF的使用及规则

38-4 Web应用防火墙 - WAF的使用及规则

准备：38-3 Web应用防火墙 - 安装配置WAF-CSDN博客 WAF的使用 启动 Nginx /usr/local/nginx/sbin/nginx 为了测试未启动 ModSecurity 时的访问效果，我们可以模拟攻击。要查看当前虚拟机的 IP 地址，可以使用命令 ifconfig 浏览器中访问ip，如果要在真实机中访问就需要关闭…
阅读更多...
Linux 学习 --- 编辑 vi 命令

Linux 学习 --- 编辑 vi 命令

1、vi 基本概念（了解） 基本上 vi 可以分为三种状态，分别是命令模式 (command mode)、插入模式 (Insert mode) 和底行模式 (last line mode)，各模式的功能区分如下: 命令行模式 command mode）　　控制屏幕光标的移动&a…
阅读更多...
c3 笔记7 css基本语法

c3 笔记7 css基本语法

相关内容：字体、段落、词间距、文字效果（对齐、上下标、阴影）、背景图、背景渐变、…… 单位pt与px的差别pt是印刷使用的字号单位，不管屏幕分辨率是多少，打印到纸上看起来都是相同的，lot的长度是0.01384英寸…
阅读更多...
[PS小技能学习]抠图和切图

[PS小技能学习]抠图和切图

详情见视频教程：PS小技巧--抠图与切图 今天我们来学习如何使用PS对表情包合辑进行抠图和裁剪保存 1、首先，将图片导入，双击图层新建一个图层 2、然后点击工具栏的魔棒工具，再点击顶部菜单栏的添加到选区 3、点击图片的空白区域即…
阅读更多...
《QT实用小工具·五十一》带动画的 CheckBox

《QT实用小工具·五十一》带动画的 CheckBox

1、概述 源码放在文章末尾 该项目实现了带动画效果的多选框&#xff0c;鼠标放在上面或者选中都会呈现炫酷的动画效果&#xff0c;demo演示如下&#xff1a; 项目部分代码如下所示&#xff1a; #ifndef LINEARCHECKBOX_H #define LINEARCHECKBOX_H#include <QCheckBox> …
阅读更多...
C/C++不定参函数使用

C/C++不定参函数使用

C语言中不定参函数的使用和访问 例子 例如&#xff0c;这里想写一个打印的函数&#xff0c;但是参数并不确定该怎么办呢&#xff0c;这就要用到不定参函数 #include<stdarg.h> void printNum(int count,...){va_list ap;va_start(ap,count);//获取指定参数的起始地址&…
阅读更多...
【CTF Reverse】XCTF GFSJ0492 insanity Writeup（反汇编+字符串搜索）

【CTF Reverse】XCTF GFSJ0492 insanity Writeup（反汇编+字符串搜索）

insanity 菜鸡觉得前面的题目太难了&#xff0c;来个简单的缓一下 解法 拖进 Exeinfo PE 中分析。 -> Compiler : GCC: (Debian 4.4.7-2) 4.4.7用 IDA 打开。 按 shift F12 打开 String 页面。找到 flag。 Flag 9447{This_is_a_flag}声明 本博客上发布的所有关于网络攻…
阅读更多...
Java创建并遍历N叉树（前序遍历）

Java创建并遍历N叉树（前序遍历）

力扣 title589&#xff1a;N叉树的前序遍历 给定一个 n 叉树的根节点 root &#xff0c;返回 其节点值的 前序遍历 。 n 叉树 在输入中按层序遍历进行序列化表示&#xff0c;每组子节点由空值 null 分隔&#xff08;请参见示例&#xff09;。 思路&#xff1a; 1.初始化时…
阅读更多...
电脑自带dll修复在哪里，使用dll修复工具解决dll问题

电脑自带dll修复在哪里，使用dll修复工具解决dll问题

在我们日常与电脑相伴的工作与学习过程中&#xff0c;我们经常会遇到一些错误提示&#xff0c;其中最常见的就是“无法找到.dll”或“找不到.dll文件”。这种情况通常是由于dll文件丢失或损坏导致的。dll文件是动态链接库文件&#xff0c;它包含了许多程序运行所需的函数和资源…
阅读更多...
Ant Design助力：实现用户列表的优雅展示与管理

Ant Design助力：实现用户列表的优雅展示与管理

文章目录 概要前端讲解登录组件注册组件用户列表组件 后端讲解连接数据库db.js路由routes.jsexpress应用app.js 启动项目小结 概要 在上一篇博客&#x1f6aa;中&#xff0c;我们已经成功实现了登录注册系统的基本功能。现在&#xff0c;我们将进一步完善系统&#xff0c;实现…
阅读更多...
File contains parsing errors: file:///etc/yum.repos.d/nginx.repo报错解决，文件配置出现问题

File contains parsing errors: file:///etc/yum.repos.d/nginx.repo报错解决，文件配置出现问题

执行yum指令出现以下错误&#xff1a; 解决方案&#xff1a;yum的配置文件出现问题&#xff0c; 先删除yum.repos.d目录下所有文件 rm -f /etc/yum.repos.d/* 然后重新下载阿里的资源 wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.…
阅读更多...
您想拥有一个属于你自己的GPT-3.5-turbo吗？来吧，开始行动起来吧！！！

您想拥有一个属于你自己的GPT-3.5-turbo吗？来吧，开始行动起来吧！！！

背景： 在2024年4月的时候，openai公司宣布GPT-3.5-turbo免费使用，无需注册！！！ 多么激动人心的消息啊！！！ 但是，如何你想申请一个openai api key的时候，发现调用失败，直接报Rate Limit！！！ 无语了！！！ 不过没关系，我们另辟捷径！！！ 下面就开始我的表演啦…
阅读更多...
python可视化学习笔记折线图问题-起始点问题

python可视化学习笔记折线图问题-起始点问题

问题描述&#xff1a; 起始点的位置不对 from pyecharts.charts import Line import pyecharts.options as opts # 示例数据 x_data [1,2,3,4,5] y_data [1, 2, 3, 4, 5] # 创建 Line 图表 line Line() line.add_xaxis(x_data) line.add_yaxis("test", y_data) li…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站