RNN的一些高级用法-以温度预测问题为例
写在前面
RNN的神奇用的人都说话,不过在使用RNN的时候,还是需要知道一些技巧,有利于我们实现更符合预期的模型,本文将会介绍以下三种技巧。
循环dropout(recurrent dropout)
。这是一种特殊的内置方法,在循环层中使用dropout 来降低过拟合。堆叠循环层(stacking recurrent layers)
。这会提高网络的表示能力(代价是更高的计算负 荷)。双向循环层(bidirectional recurrent layer)
。将相同的信息以不同的方式呈现给循环网络, 可以提高精度并缓解遗忘问题。
温度预测问题
我们将使用一个天气时间序列数据集,它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气 象站记录。在这个数据集中,每 10 分钟记录 14 个不同的量(比如气温、气压、湿度、风向等),其中包含多年的记录。原始数据可追溯到2003 年,但本例仅使用2009—2016 年的数据。这个数据 集非常适合用来学习处理数值型时间序列。我们将会用这个数据集来构建模型,输入最近的一 些数据(几天的数据点),可以预测 24 小时之后的气温。下载并解压数据,如下所示。
cd ~/Downloads
mkdir jena_climate
cd jena_climate
wget https://s3.amazonaws.com/keras-datasets/jena_climate_2009_2016.csv.zip unzip jena_climate_2009_2016.csv.zip
来观察一下数据。
import osdata_dir = 'sample_data'
fname = os.path.join(data_dir, 'jena_climate_2009_2016.csv')f = open(fname)
data = f.read()
f.close()lines = data.split('\n')
header = lines[0].split(',')
lines = lines[1:]print(header)
print(len(lines))
从输出可以看出,共有420 551 行数据(每行是一个时间步,记录了一个日期和14 个与天 气有关的值),还输出了下列表头。
['"Date Time"', '"p (mbar)"', '"T (degC)"', '"Tpot (K)"', '"Tdew (degC)"', '"rh (%)"', '"VPmax (mbar)"', '"VPact (mbar)"', '"VPdef (mbar)"', '"sh (g/kg)"', '"H2OC (mmol/mol)"', '"rho (g/m**3)"', '"wv (m/s)"', '"max. wv (m/s)"', '"wd (deg)"']
420551
接下来,将 420 551 行数据转换成一个 Numpy 数组。
float_data = np.zeros((len(lines), len(header) - 1))
for i, line in enumerate(lines):values = [float(x) for x in line.split(',')[1:]]float_data[i, :] = values
比如,温度随时间的变化。在这张图中,你可以清楚地看 到温度每年的周期性变化。
temp = float_data[:, 1]
plt.plot(range(len(temp)), temp)
plt.show()
准备数据
这个问题的确切表述如下:一个时间步是10 分钟,每 steps 个时间步采样一次数据,给 定过去 lookback 个时间步之内的数据,能否预测 delay 个时间步之后的温度?用到的参数值 如下。
lookback = 720
:给定过去 5 天内的观测数据。steps = 6
:观测数据的采样频率是每小时一个数据点。delay = 144
:目标是未来 24 小时之后的数据。 开始之前,你需要完成以下两件事。- 将数据预处理为神经网络可以处理的格式。这很简单。数据已经是数值型的,所以不需 要做向量化。但数据中的每个时间序列位于不同的范围(比如温度通道位于-20 到 +30 之间,但气压大约在1000 毫巴上下)。你需要对每个时间序列分别做标准化,让它们在 相似的范围内都取较小的值。
- 编写一个 Python 生成器,以当前的浮点数数组作为输入,并从最近的数据中生成数据批 量,同时生成未来的目标温度。因为数据集中的样本是高度冗余的(对于第 N 个样本和 第N+1 个样本,大部分时间步都是相同的),所以显式地保存每个样本是一种浪费。相反, 我们将使用原始数据即时生成样本。
预处理数据的方法是,将每个时间序列减去其平均值,然后除以其标准差。我们将使用前 200 000 个时间步作为训练数据,所以只对这部分数据计算平均值和标准差。
mean = float_data[:200000].mean(axis=0)
float_data -= mean
std = float_data{:200000}.std(axis=0)
float_data /= std
给出了将要用到的生成器。它生成了一个元组 (samples, targets),其 中 samples 是输入数据的一个批量,targets 是对应的目标温度数组。生成器的参数如下。
data
:浮点数数据组成的原始数组,并将其标准化。lookback
:输入数据应该包括过去多少个时间步。delay
:目标应该在未来多少个时间步之后。min_index 和 max_index
:data 数组中的索引,用于界定需要抽取哪些时间步。这有 助于保存一部分数据用于验证、另一部分用于测试。shuffle
:是打乱样本,还是按顺序抽取样本。batch_size
:每个批量的样本数。step
:数据采样的周期(单位:时间步)。我们将其设为 6,为的是每小时抽取一个数据点。
def generator(data, lookback, delay, min_index, max_index,shuffle=False, batch_size=128, step=6):if max_index is None:max_index = len(data) - delay -1i = min_index + lookbackwhile 1:if shuffle:rows = np.random.randint(min_index + lookback, max_index, size=batch_size)else:if i + batch_size >= max_index:i = min_index + lookbackrows = np.arange(i, min(i + batch_size, max_index))i += len(rows)samples = np.zeros((len(rows),lookback // step,data.shape[-1]))targets = np.zeros((len(rows),))for j, row in enumerate(rows):indices = range(rows[j] - lookback, rows[j], step)samples[j] = data[indices]targets[j] = data[rows[j] + delay][1]yield samples, targets
下面,我们使用这个抽象的 generator 函数来实例化三个生成器:一个用于训练,一个用于验证,还有一个用于测试。每个生成器分别读取原始数据的不同时间段:训练生成器读取前 200 000 个时间步,验证生成器读取随后的 100 000 个时间步,测试生成器读取剩下的时间步。
lookback = 1440
step = 6
delay = 144
batch_size = 128train_gen = generator(float_data, lookback=lookback, delay=delay, min_index=0, max_index=200000, shuffle=True, step=step,batch_size=batch_size)
val_gen = generator(float_data, lookback=lookback, delay=delay, min_index=200001, max_index=300000, step=step,batch_size=batch_size) test_gen = generator(float_data, lookback=lookback, delay=delay, min_index=300001, max_index=None, step=step, batch_size=batch_size) val_steps = (300000 - 200001 - lookback) //batch_size test_steps = (len(float_data) - 300001 - lookback) //batch_size
一种基于常识的、非机器学习的基准方法
开始使用黑盒深度学习模型解决温度预测问题之前,我们先尝试一种基于常识的简单方法。 它可以作为合理性检查,还可以建立一个基准,更高级的机器学习模型需要打败这个基准才能 表现出其有效性。面对一个尚没有已知解决方案的新问题时,这种基于常识的基准方法很有用。 一个经典的例子就是不平衡的分类任务,其中某些类别比其他类别更常见。如果数据集中包含 90% 的类别A 实例和10% 的类别B 实例,那么分类任务的一种基于常识的方法就是对新样本 始终预测类别“A”。这种分类器的总体精度为90%,因此任何基于学习的方法在精度高于90% 时才能证明其有效性。有时候,这样基本的基准方法可能很难打败。
本例中,我们可以放心地假设,温度时间序列是连续的(明天的温度很可能接近今天的温 度),并且具有每天的周期性变化。因此,一种基于常识的方法就是始终预测24 小时后的温度 等于现在的温度。我们使用平均绝对误差(MAE)指标来评估这种方法。
np.mean(np.abs(preds - targets))
下面是评估的循环代码。
def evaluate_naive_method():batch_maes = []for step in range(val_steps):samples, targets = next(val_gen)preds = samples[:, -1, 1]mae = np.mean(np.abs(preds - targets))batch_maes.append(mae)print(np.mean(batch_maes))
evaluate_naive_method()
得到的MAE 为 0.29。因为温度数据被标准化成均值为0、标准差为1,所以无法直接对这 个值进行解释。它转化成温度的平均绝对误差为 0.29×temperature_std 摄氏度,即 2.57℃。
celsius_mae = 0.29 * std[1]
这个平均绝对误差还是相当大的。接下来的任务是利用深度学习知识来改进结果。
一种基本的机器学习方法
在尝试机器学习方法之前,建立一个基于常识的基准方法是很有用的;同样,在开始研究 复杂且计算代价很高的模型(比如RNN)之前,尝试使用简单且计算代价低的机器学习模型也 是很有用的,比如小型的密集连接网络。这可以保证进一步增加问题的复杂度是合理的,并且 会带来真正的好处。 下面代码中给出了一个密集连接模型,首先将数据展平,然后通过两个 Dense 层并运行。 注意,最后一个 Dense 层没有使用激活函数,这对于回归问题是很常见的。我们使用MAE 作 为损失。评估数据和评估指标都与常识方法完全相同,所以可以直接比较两种方法的结果。
from keras.models import Sequential from keras import layers from keras.optimizers import RMSprop model = Sequential()
model.add(layers.Flatten(input_shape=(lookback // step, float_data.shape[-1])))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer=RMSprop(), loss='mae') history =
model.fit_generator(train_gen, steps_per_epoch=500, epochs=20, validation_data=val_gen, validation_steps=val_steps)
我们来显示验证和训练的损失曲线
import matplotlib.pyplot as plt loss = history.history['loss']
val_loss = history.history['val_loss'] epochs = range(1, len(loss) + 1) plt.figure() plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend() plt.show()
部分验证损失接近不包含学习的基准方法,但这个结果并不可靠。这也展示了首先建立这 个基准方法的优点,事实证明,超越这个基准并不容易。我们的常识中包含了大量有价值的信息, 而机器学习模型并不知道这些信息。 你可能会问,如果从数据到目标之间存在一个简单且表现良好的模型(即基于常识的基准 方法),那为什么我们训练的模型没有找到这个模型并进一步改进呢?
原因在于,这个简单的解决方案并不是训练过程所要寻找的目标。我们在模型空间(即假设空间)中搜索解决方案,这 个模型空间是具有我们所定义的架构的所有两层网络组成的空间。这些网络已经相当复杂了。 如果你在一个复杂模型的空间中寻找解决方案,那么可能无法学到简单且性能良好的基准方法, 虽然技术上来说它属于假设空间的一部分。通常来说,这对机器学习是一个非常重要的限制: 如果学习算法没有被硬编码要求去寻找特定类型的简单模型,那么有时候参数学习是无法找到 简单问题的简单解决方案的。
第一个循环网络基准
第一个全连接方法的效果并不好,但这并不意味着机器学习不适用于这个问题。前一个方 法首先将时间序列展平,这从输入数据中删除了时间的概念。我们来看一下数据本来的样子: 它是一个序列,其中因果关系和顺序都很重要。我们将尝试一种循环序列处理模型,它应该特 别适合这种序列数据,因为它利用了数据点的时间顺序,这与第一个方法不同。 我们将使用GRU 层 ,而不是 LSTM 层。门控循环单元(GRU,gated recurrent unit)层
的工作原理与LSTM 相同。但它做了一些简化,因此运行的计算代价更低(虽然表示能力可能不如 LSTM)。机器学习中到处可以见到这种计算代价与 表示能力之间的折中。
from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras.optimizers import RMSpropmodel = Sequential()
model.add(layers.GRU(32, input_shape=(None, float_data.shape[-1])))
model.add(layers.Dense(1))model.compile(optimizer=RMSprop(), loss='mae')
history = model.fit_generator(train_gen,steps_per_epoch=500,epochs=20,validation_data=val_gen,validation_steps=val_steps)
显示了模型结果。效果好多了!远优于基于常识的基准方法。这证明了机器学习的 价值,也证明了循环网络与序列展平的密集网络相比在这种任务上的优势。
新的验证MAE 约为0.265(在开始显著过拟合之前),反标准化转换成温度的平均绝对误 差为 2.35℃。与最初的误差 2.57℃相比,这个结果确实有所提高,但可能仍有改进的空间。
使用循环 dropout 来降低过拟合
从训练和验证曲线中可以明显看出,模型出现过拟合:几轮过后,训练损失和验证损失就 开始显著偏离。我们已经学过降低过拟合的一种经典技术——dropout,即将某一层的输入单 元随机设为0,其目的是打破该层训练数据中的偶然相关性。但在循环网络中如何正确地使用 dropout,这并不是一个简单的问题。
人们早就知道,在循环层前面应用 dropout,这种正则化会 妨碍学习过程,而不是有所帮助。2015 年,在关于贝叶斯深度学习的博士论文中,Yarin Gal 确 定了在循环网络中使用 dropout 的正确方法:对每个时间步应该使用相同的 dropout 掩码(dropout mask,相同模式的舍弃单元),而不是让dropout 掩码随着时间步的增加而随机变化。此外,为 了对 GRU、LSTM 等循环层得到的表示做正则化,应该将不随时间变化的dropout 掩码应用于层 的内部循环激活(叫作循环 dropout 掩码)。对每个时间步使用相同的 dropout 掩码,可以让网络 沿着时间正确地传播其学习误差,而随时间随机变化的dropout 掩码则会破坏这个误差信号,并 且不利于学习过程。 Yarin Gal 使用Keras 开展这项研究,并帮助将这种机制直接内置到Keras 循环层中。Keras 的每个循环层都有两个与dropout 相关的参数:一个是 dropout,它是一个浮点数,指定该层 输入单元的dropout 比率;另一个是 recurrent_dropout,指定循环单元的dropout 比率。我 们向 GRU 层中添加dropout 和循环dropout,看一下这么做对过拟合的影响。因为使用dropout 正则化的网络总是需要更长的时间才能完全收敛,所以网络训练轮次增加为原来的 2 倍。
from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras.optimizers import RMSpropmodel = Sequential()
model.add(layers.GRU(32, dropout=0.2, recurrent_dropout=0.2,input_shape=(None, float_data.shape[-1])))
model.add(layers.Dense(1))model.compile(optimizer=RMSprop(), loss='mae')
history = model.fit_generator(train_gen,steps_per_epoch=500,epochs=40,validation_data=val_gen,validation_steps=val_steps)
循环层堆叠
模型不再过拟合,但似乎遇到了性能瓶颈,所以我们应该考虑增加网络容量。回想一下机 器学习的通用工作流程:增加网络容量通常是一个好主意,直到过拟合变成主要的障碍
(假设 你已经采取基本步骤来降低过拟合,比如使用dropout)。只要过拟合不是太严重,那么很可能 是容量不足的问题。 增加网络容量的通常做法是增加每层单元数或增加层数。循环层堆叠(recurrent layer stacking)是构建更加强大的循环网络的经典方法,例如,目前谷歌翻译算法就是7 个大型LSTM 层的堆叠——这个架构很大。 在 Keras 中逐个堆叠循环层,所有中间层都应该返回完整的输出序列(一个3D 张量),而 不是只返回最后一个时间步的输出。这可以通过指定 return_sequences=True 来实现。
from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras.optimizers import RMSpropmodel = Sequential()
model.add(layers.GRU(32, dropout=0.2, recurrent_dropout=0.5,return_sequences=True,input_shape=(None, float_data.shape[-1])))
model.add(layers.GRU(64, activation='relu', dropout=0.1, recurrent_dropout=0.5))
model.add(layers.Dense(1))model.compile(optimizer=RMSprop(), loss='mae')
history = model.fit_generator(train_gen,steps_per_epoch=500,epochs=40,validation_data=val_gen,validation_steps=val_steps)
可以看到,添加一层的确对结果有所改进,但并不显著。我们可以得 出两个结论。
- 因为过拟合仍然不是很严重,所以可以放心地增大每层的大小,以进一步改进验证损失。 但这么做的计算成本很高。
- 添加一层后模型并没有显著改进,所以你可能发现,提高网络能力的回报在逐渐减小。
使用双向 RNN
这里介绍的一种方法叫作双向RNN(bidirectional RNN)
。双向RNN 是一种常见的 RNN 变体,它在某些任务上的性能比普通RNN 更好。它常用于自然语言处理,可谓深度学习 对自然语言处理的瑞士军刀。 RNN 特别依赖于顺序或时间,RNN 按顺序处理输入序列的时间步,而打乱时间步或反转 时间步会完全改变RNN 从序列中提取的表示。正是由于这个原因,如果顺序对问题很重要(比 如温度预测问题) ,RNN 的表现会很好。双向RNN 利用了RNN 的顺序敏感性:它包含两个普 通 RNN,比如你已经学过的 GRU 层和 LSTM 层,每个RN 分别沿一个方向对输入序列进行处理 (时间正序和时间逆序),然后将它们的表示合并在一起。通过沿这两个方向处理序列,双向 RNN 能够捕捉到可能被单向 RNN 忽略的模式。 值得注意的是,本节的RNN 层都是按时间正序处理序列(更早的时间步在前),这可能是 一个随意的决定。至少,至今我们还没有尝试质疑这个决定。如果RNN 按时间逆序处理输入序 列(更晚的时间步在前),能否表现得足够好呢?我们在实践中尝试一下这种方法,看一下会发 生什么。你只需要编写一个数据生成器的变体,将输入序列沿着时间维度反转(即将最后一行 代码替换为 yield samples[:, ::-1, :], targets)。
逆序 GRU 的效果甚至比基于常识的基准方法还要差很多,这说明在本例中,按时间正序处 理对成功解决问题很重要。这非常合理:GRU 层通常更善于记住最近的数据,而不是久远的数据, 与更早的数据点相比,更靠后的天气数据点对问题自然具有更高的预测能力(这也是基于常识 的基准方法非常强大的原因)。因此,按时间正序的模型必然会优于时间逆序的模型。重要的是, 对许多其他问题(包括自然语言)而言,情况并不是这样:直觉上来看,一个单词对理解句子 的重要性通常并不取决于它在句子中的位置。
from keras.datasets import imdb
from keras.preprocessing import sequence
from keras import layers
from keras.models import Sequential max_features = 10000 maxlen = 500 (x_train, y_train), (x_test, y_test) = imdb.load_data( num_words=max_features) x_train = [x[::-1] for x in x_train]
x_test = [x[::-1] for x in x_test] x_train = sequence.pad_sequences(x_train, maxlen=maxlen)
x_test = sequence.pad_sequences(x_test, maxlen=maxlen) model = Sequential()
model.add(layers.Embedding(max_features, 128))
model.add(layers.LSTM(32))
model.add(layers.Dense(1, activation='sigmoid')) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc']) history = model.fit(x_train, y_train, epochs=10, batch_size=128, validation_split=0.2)
模型性能与正序 LSTM 几乎相同。值得注意的是,在这样一个文本数据集上,逆序处理的 效果与正序处理一样好,这证实了一个假设:虽然单词顺序对理解语言很重要,但使用哪种顺 序并不重要。重要的是,在逆序序列上训练的 RNN 学到的表示不同于在原始序列上学到的表示, 正如在现实世界中,如果时间倒流(你的人生是第一天死去、最后一天出生),那么你的心智模 型也会完全不同。在机器学习中,如果一种数据表示不同但有用,那么总是值得加以利用,这 种表示与其他表示的差异越大越好,它们提供了查看数据的全新角度,抓住了数据中被其他方 法忽略的内容,因此可以提高模型在某个任务上的性能。这是集成(ensembling)方法
背后的直 觉,。 双向RNN 正是利用这个想法来提高正序RNN 的性能。它从两个方向查看数据, 从而得到更加丰富的表示,并捕捉到仅使用正序 RNN 时可能忽略的一些模式。
在 Keras 中将一个双向RNN 实例化,我们需要使用 Bidirectional 层,它的第一个参数 是一个循环层实例。Bidirectional 对这个循环层创建了第二个单独实例,然后使用一个实例 按正序处理输入序列,另一个实例按逆序处理输入序列。我们在IMDB 情感分析任务上来试一 下这种方法。
model = Sequential()
model.add(layers.Embedding(max_features, 32))
model.add(layers.Bidirectional(layers.LSTM(32)))
model.add(layers.Dense(1, activation='sigmoid')) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
history = model.fit(x_train, y_train, epochs=10, batch_size=128, validation_split=0.2)
这个模型的表现比上一节的普通 LSTM 略好,验证精度超过89%。这个模型似乎也很快就 开始过拟合,这并不令人惊讶,因为双向层的参数个数是正序 LSTM 的 2 倍。添加一些正则化, 双向方法在这个任务上可能会有很好的表现。 接下来,我们尝试将相同的方法应用于温度预测任务。
from keras.models import Sequential
from keras import layers
from keras.optimizers import RMSprop model = Sequential()
model.add(layers.Bidirectional( layers.GRU(32), input_shape=(None, float_data.shape[-1])))
model.add(layers.Dense(1)) model.compile(optimizer=RMSprop(), loss='mae')
history = model.fit_generator(train_gen, steps_per_epoch=500, epochs=40, validation_data=val_gen, validation_steps=val_steps)
这个模型的表现与普通 GRU 层差不多一样好。其原因很容易理解:所有的预测能力肯定都 来自于正序的那一半网络,因为我们已经知道,逆序的那一半在这个任务上的表现非常糟糕(本例同样是因为,最近的数据比久远的数据更加重要)。
更多尝试
为了提高温度预测问题的性能,你还可以尝试下面这些方法。
- 在堆叠循环层中调节每层的单元个数。当前取值在很大程度上是任意选择的,因此可能 不是最优的。
- 调节 RMSprop 优化器的学习率。
- 尝试使用 LSTM 层代替 GRU 层。
- 在循环层上面尝试使用更大的密集连接回归器,即更大的 Dense 层或 Dense 层的堆叠。
- 不要忘记最后在测试集上运行性能最佳的模型(即验证MAE 最小的模型)。否则,你开 发的网络架构将会对验证集过拟合。
正如前面所说,深度学习是一门艺术而不是科学。我们可以提供指导,对于给定问题哪些 方法可能有用、哪些方法可能没用,但归根结底,每个问题都是独一无二的,你必须根据经验 对不同的策略进行评估。目前没有任何理论能够提前准确地告诉你,应该怎么做才能最优地解 决问题。你必须不断迭代。
RNN的一些高级用法-以温度预测问题为例相关推荐
- 《python深度学习》学习笔记与代码实现(第六章,6.3 循环神经网络的高级用法)
6.3循环神经网络的高级用法 在这一节中,我们将回顾三种先进技术来提高递归神经网络的性能和泛化能力.在本节结束时,您将了解关于使用Keras的递归网络所知道的大部分内容.我们将展示一个天气预报问题的所 ...
- Python深度学习之循环神经网络的高级用法
Deep Learning with Python 这篇文章是我学习<Deep Learning with Python>(第二版,François Chollet 著) 时写的系列笔记之 ...
- 《Python 深度学习》6.3 循环神经网络的高级用法 (代码)
# 6.3 循环神经网络的高级用法 本节将介绍提高循环神经网络的性能和泛化能力的三种高级技巧.学完本节,你将会掌握 用 Keras 实现循环网络的大部分内容.我们将在温度预测问题中介绍这三个概念.在这 ...
- python深度学习--jena温度预测
import numpy as np import pandas as pd import matplotlib.pyplot as plt import pylab from pandas impo ...
- python基础和第三方库 笔记(python基础完结包括高级用法,第三方库持续更新中...)
python基础 注:本笔记面向有一定基础的人 本笔记是本人快速复习python过程中记录的,不适合零基础的人学习python的主工具,可以作为辅工具,本笔记记录了入门阶段常用操作,如有错误的地方,希 ...
- Excel表格中替换的高级用法
Excel表格中替换的高级用法 目录 Excel表格中替换的高级用法 1.例如:将F列中合格替换为不合格 2. 在[开始]选项卡中,找到[替换]点击,在查找内容中输入[合格]替换为中输入[不合格],勾 ...
- Excel小技巧!格式刷的5个高级用法,你不一定知道哦
Excel小技巧!格式刷的5个高级用法,你不一定知道哦 目录 Excel小技巧!格式刷的5个高级用法,你不一定知道哦 1.使用格式刷,填充单元格颜色 2.使用格式刷,复制列宽或行宽. 3.使用格式刷, ...
- vim的高级用法配置以及在系统中如何获取帮助
vim的高级用法配置以及在系统中如何获取帮助 1 vim的三种模式 1.1 使用方法 1.2 vim模式 2 vim工作的基本配置 2.1 临时设定(set设定) 2.2 永久设定方式 3 搜索 4 ...
- Cacti Weathermap 高级用法 (二)
成都长宽Weathermap实际运用的效果图示例: 这是一个CNC出口的质量监控图. 途中cnc节点(红色)是一个展示图例,TEL节点根据存活状态显示为绿色 TEL节点上面P:47.2ms 是一个,这 ...
最新文章
- React Native 0.59.0 发布,使用 React 编写原生应用
- python快速编程入门课后简答题答案-Python编程:从入门到实践(课后习题8)
- python excelwriter保存路径_python管理文件神器 os.walk
- linux中 tar 报参数列表过长,四种解决”Argument list too long”参数列表过长的办法...
- java 中的 io 系统总结
- Seurat | 单细胞分析工具
- 如何实现共享软件网络授权认证,包括注册新用户、登录、修改密码等操作
- ionic4 返回键退出app
- php select where,PHP where语句
- servlet 返回可访问文件_Windows 10 可直接访问 Linux 文件
- SpringCloud+Seata+nacos案例(包含源码 Seata及nacos安装教程)
- redis 介绍与安装
- 不加群提取群成员_QQ群排名优化技术教程
- 扩展kalman滤波matlab程序,扩展卡尔曼滤波算法的matlab程序
- 高颜值游戏专属蓝牙耳机推荐,2020五款商城高人气蓝牙耳机
- SQL语法创建及管理数据表结构
- ResponseBodyAdvice的使用
- android 发送短信sms
- sql文件导入mysql数据库出错_如何解决navicat导入sql文件出错的问题
- ThreadLocal如何保证获取到想要线程变量
热门文章
- GAMES101笔记_Lec10~12_几何 Geometry
- The Cluster ID xxx doesn't match stored clusterId Some(xxx) in meta.properties. The broker is trying
- uncertain temporal knowledge graph论文解读
- ChatGPT原理解读
- 微信红包封面开放平台使用指南
- 必读!!只需10分钟,NAS变身赚钱神器!
- 理解NS2中的OTcl/tclCL
- Web课程设计——“念念手账”网页APP制作
- VUE前后分离调起微信支付
- 一文读懂华为的组织绩效和个人绩效管理