P5 运动鞋识别（动态学习率）（小白入门）

最新推荐文章于 2025-12-19 10:32:18 发布
原创 最新推荐文章于 2025-12-19 10:32:18 发布 · 1.5k 阅读 · 45 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #pytorch #深度学习

一、前期准备

1.设置GPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib

device = torch.device("cuda" if torch.cuda.is_available else "cpu")
device

device(type=‘cuda’)

2.导入数据

import os,PIL,random,pathlib

data_dir = r"D:\z_temp\data\46-data"
data_dir = pathlib.Path(data_dir)

data_paths = list(data_dir.glob("*"))

classNames = [str(path).split("\\")[4]for path in data_paths]
classNames

[‘test’, ‘train’]

train_transforms = transforms.Compose([
    transforms.Resize([224,224]),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485,0.456,0.406],
        std=[0.229,0.224,0.225]
    )
])
test_transforms = transforms.Compose([
    transforms.Resize([224,224]),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485,0.456,0.406],
        std=[0.229,0.224,0.225]
    )
])
train_dataset = datasets.ImageFolder(r'D:/z_temp/data/46-data/train/' , transform = train_transforms)
test_dataset = datasets.ImageFolder(r'D:/z_temp/data/46-data/test/' , transform = test_transforms)

train_dataset.class_to_idx

{‘adidas’: 0, ‘nike’: 1}

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_dataset,
                                      batch_size = batch_size,
                                      shuffle = True,
                                      num_workers = 1)
test_dl = torch.utils.data.DataLoader(test_dataset,
                                      batch_size = batch_size,
                                      shuffle = True,
                                      num_workers = 1)

for X,y in test_dl:
    print("shape of x [N,C,H,W]:",X.shape)
    print("shape of y:",y.shape,y.dtype)
    break

shape of x [N,C,H,W]: torch.Size([32, 3, 224, 224])
shape of y: torch.Size([32]) torch.int64

二、构建CNN网络

import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(3,12,kernel_size = 5,padding = 0),
            nn.BatchNorm2d(12),
            nn.ReLU())#12*220*220
        self.conv2 = nn.Sequential(
            nn.Conv2d(12,12,kernel_size = 5,padding = 0),
            nn.BatchNorm2d(12),
            nn.ReLU())#12*216*216
        self.pool3 = nn.Sequential(
            nn.MaxPool2d(2))#12*108*108
        self.conv4 = nn.Sequential(
            nn.Conv2d(12,24,kernel_size = 5, padding = 0),
            nn.BatchNorm2d(24),
            nn.ReLU())#24*104*104
        self.conv5 = nn.Sequential(
            nn.Conv2d(24,24,kernel_size = 5, padding = 0),
            nn.BatchNorm2d(24),
            nn.ReLU())#24*100*100
        self.pool6 = nn.Sequential(
            nn.MaxPool2d(2))#24*50*50
        
        self.dropout = nn.Sequential(
            nn.Dropout(0.2))
        self.fc = nn.Sequential(
            nn.Linear(24*50*50,len(classNames)))
        
    def forward(self,x):
        batch_size = x.size(0)#?
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.pool3(x)
        x = self.conv4(x)
        x = self.conv5(x)
        x = self.pool6(x)
        x = self.dropout(x)
        x = x.view(batch_size,-1)
        x = self.fc(x)
        
        return x

device = "cuda" if torch.cuda.is_available else "cpu"
print("Using {} device".format(device))

model = Model().to(device)
model

Model(
(conv1): Sequential(
(0): Conv2d(3, 12, kernel_size=(5, 5), stride=(1, 1))
(1): BatchNorm2d(12, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
)
(conv2): Sequential(
(0): Conv2d(12, 12, kernel_size=(5, 5), stride=(1, 1))
(1): BatchNorm2d(12, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
)
(pool3): Sequential(
(0): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(conv4): Sequential(
(0): Conv2d(12, 24, kernel_size=(5, 5), stride=(1, 1))
(1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
)
(conv5): Sequential(
(0): Conv2d(24, 24, kernel_size=(5, 5), stride=(1, 1))
(1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
)
(pool6): Sequential(
(0): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(dropout): Sequential(
(0): Dropout(p=0.2, inplace=False)
)
(fc): Sequential(
(0): Linear(in_features=60000, out_features=2, bias=True)
)
)

三、训练模型

1.编写训练函数

# 训练循环
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小
    num_batches = len(dataloader)   # 批次数目, (size/batch_size，向上取整)

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率
    
    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)
        
        # 计算预测误差
        pred = model(X)          # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
        
        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()        # 反向传播
        optimizer.step()       # 每一步自动更新
        
        # 记录acc与loss
        train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()
            
    train_acc  /= size
    train_loss /= num_batches

    return train_acc, train_loss

2.编写测试函数

def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小
    num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)
    test_loss, test_acc = 0, 0
    
    # 当不进行训练时，停止梯度更新，节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)
            
            # 计算loss
            target_pred = model(imgs)
            loss        = loss_fn(target_pred, target)
            
            test_loss += loss.item()
            test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc  /= size
    test_loss /= num_batches

    return test_acc, test_loss

3.设置动态学习率

为什么要调整学习率？
前期（epoch 小）：较大学习率 → 快速收敛
后期（epoch 大）：较小学习率 → 更稳定，不跳过最优点

指数衰减 (Exponential Decay)：是一种常见的学习率调节策略，保证模型在收敛前不会震荡太大。

这个策略相比 固定学习率 能更好地提高准确率，并减少训练震荡。

def adjust_learning_rate(optimizer, epoch, start_lr):
    # 每 2 个epoch衰减到原来的 0.92
    lr = start_lr * (0.92 ** (epoch // 2))
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

learn_rate = 1e-4 # 初始学习率
optimizer  = torch.optim.SGD(model.parameters(), lr=learn_rate)

4.正式训练

loss_fn    = nn.CrossEntropyLoss() # 创建损失函数
epochs     = 40

train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []

for epoch in range(epochs):
    # 更新学习率（使用自定义学习率时使用）
    adjust_learning_rate(optimizer, epoch, learn_rate)
    
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)
    # scheduler.step() # 更新学习率（调用官方动态学习率接口时使用）
    
    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
    
    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    
    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')
    print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, 
                          epoch_test_acc*100, epoch_test_loss, lr))
print('Done')

Epoch: 1, Train_acc:57.0%, Train_loss:0.746, Test_acc:50.0%, Test_loss:0.722, Lr:1.00E-04
Epoch: 2, Train_acc:60.2%, Train_loss:0.702, Test_acc:65.8%, Test_loss:0.635, Lr:1.00E-04
Epoch: 3, Train_acc:69.1%, Train_loss:0.598, Test_acc:67.1%, Test_loss:0.566, Lr:9.20E-05
Epoch: 4, Train_acc:71.9%, Train_loss:0.580, Test_acc:67.1%, Test_loss:0.615, Lr:9.20E-05
Epoch: 5, Train_acc:74.3%, Train_loss:0.532, Test_acc:68.4%, Test_loss:0.553, Lr:8.46E-05
Epoch: 6, Train_acc:74.3%, Train_loss:0.512, Test_acc:68.4%, Test_loss:0.547, Lr:8.46E-05
Epoch: 7, Train_acc:78.1%, Train_loss:0.488, Test_acc:69.7%, Test_loss:0.540, Lr:7.79E-05
Epoch: 8, Train_acc:80.3%, Train_loss:0.461, Test_acc:72.4%, Test_loss:0.551, Lr:7.79E-05
Epoch: 9, Train_acc:83.3%, Train_loss:0.448, Test_acc:67.1%, Test_loss:0.521, Lr:7.16E-05
Epoch:10, Train_acc:85.7%, Train_loss:0.416, Test_acc:72.4%, Test_loss:0.531, Lr:7.16E-05
Epoch:11, Train_acc:81.5%, Train_loss:0.432, Test_acc:75.0%, Test_loss:0.483, Lr:6.59E-05
Epoch:12, Train_acc:86.9%, Train_loss:0.394, Test_acc:73.7%, Test_loss:0.540, Lr:6.59E-05
Epoch:13, Train_acc:86.1%, Train_loss:0.390, Test_acc:78.9%, Test_loss:0.489, Lr:6.06E-05
Epoch:14, Train_acc:86.7%, Train_loss:0.378, Test_acc:77.6%, Test_loss:0.521, Lr:6.06E-05
Epoch:15, Train_acc:86.9%, Train_loss:0.366, Test_acc:73.7%, Test_loss:0.489, Lr:5.58E-05
Epoch:16, Train_acc:88.4%, Train_loss:0.357, Test_acc:76.3%, Test_loss:0.477, Lr:5.58E-05
Epoch:17, Train_acc:88.4%, Train_loss:0.355, Test_acc:76.3%, Test_loss:0.539, Lr:5.13E-05
Epoch:18, Train_acc:89.8%, Train_loss:0.350, Test_acc:75.0%, Test_loss:0.496, Lr:5.13E-05
Epoch:19, Train_acc:90.8%, Train_loss:0.339, Test_acc:77.6%, Test_loss:0.499, Lr:4.72E-05
Epoch:20, Train_acc:90.4%, Train_loss:0.330, Test_acc:76.3%, Test_loss:0.454, Lr:4.72E-05
Epoch:21, Train_acc:91.0%, Train_loss:0.320, Test_acc:75.0%, Test_loss:0.448, Lr:4.34E-05
Epoch:22, Train_acc:92.4%, Train_loss:0.318, Test_acc:78.9%, Test_loss:0.473, Lr:4.34E-05
Epoch:23, Train_acc:91.4%, Train_loss:0.315, Test_acc:76.3%, Test_loss:0.442, Lr:4.00E-05
Epoch:24, Train_acc:93.2%, Train_loss:0.305, Test_acc:77.6%, Test_loss:0.475, Lr:4.00E-05
Epoch:25, Train_acc:90.4%, Train_loss:0.317, Test_acc:76.3%, Test_loss:0.466, Lr:3.68E-05
Epoch:26, Train_acc:91.0%, Train_loss:0.313, Test_acc:77.6%, Test_loss:0.422, Lr:3.68E-05
Epoch:27, Train_acc:91.6%, Train_loss:0.299, Test_acc:78.9%, Test_loss:0.475, Lr:3.38E-05
Epoch:28, Train_acc:91.4%, Train_loss:0.296, Test_acc:77.6%, Test_loss:0.425, Lr:3.38E-05
Epoch:29, Train_acc:93.0%, Train_loss:0.292, Test_acc:80.3%, Test_loss:0.425, Lr:3.11E-05
Epoch:30, Train_acc:93.0%, Train_loss:0.282, Test_acc:78.9%, Test_loss:0.431, Lr:3.11E-05
Epoch:31, Train_acc:93.2%, Train_loss:0.287, Test_acc:77.6%, Test_loss:0.415, Lr:2.86E-05
Epoch:32, Train_acc:93.8%, Train_loss:0.285, Test_acc:76.3%, Test_loss:0.481, Lr:2.86E-05
Epoch:33, Train_acc:92.4%, Train_loss:0.289, Test_acc:78.9%, Test_loss:0.461, Lr:2.63E-05
Epoch:34, Train_acc:92.8%, Train_loss:0.276, Test_acc:77.6%, Test_loss:0.433, Lr:2.63E-05
Epoch:35, Train_acc:93.8%, Train_loss:0.286, Test_acc:78.9%, Test_loss:0.436, Lr:2.42E-05
Epoch:36, Train_acc:93.2%, Train_loss:0.269, Test_acc:77.6%, Test_loss:0.463, Lr:2.42E-05
Epoch:37, Train_acc:94.2%, Train_loss:0.278, Test_acc:77.6%, Test_loss:0.459, Lr:2.23E-05
Epoch:38, Train_acc:94.2%, Train_loss:0.272, Test_acc:78.9%, Test_loss:0.399, Lr:2.23E-05
Epoch:39, Train_acc:94.2%, Train_loss:0.268, Test_acc:78.9%, Test_loss:0.449, Lr:2.05E-05
Epoch:40, Train_acc:94.0%, Train_loss:0.272, Test_acc:78.9%, Test_loss:0.448, Lr:2.05E-05
Done

四、结果可视化

1.lcc和acc图

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

from datetime import datetime
current_time = datetime.now() # 获取当前时间

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time) # 打卡请带上时间戳，否则代码截图无效

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

请添加图片描述

2.指定图片预测

from PIL import Image 

classes = list(train_dataset.class_to_idx)

def predict_one_image(image_path, model, transform, classes):
    
    test_img = Image.open(image_path).convert('RGB')
    # plt.imshow(test_img)  # 展示预测的图片

    test_img = transform(test_img)
    img = test_img.to(device).unsqueeze(0)
    
    model.eval()
    output = model(img)

    _,pred = torch.max(output,1)
    pred_class = classes[pred]
    print(f'预测结果是：{pred_class}')
# 预测训练集中的某张照片
predict_one_image(image_path=r'D:/z_temp/data/46-data/test/adidas/1.jpg', 
                  model=model, 
                  transform=train_transforms, 
                  classes=classes)

预测结果是：adidas

五、优化

def adjust_learning_rate(optimizer, epoch, start_lr):
    # 每 4 个epoch衰减到原来的 0.92
    lr = start_lr * (0.92 ** (epoch // 4))
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

learn_rate = 1e-4 # 初始学习率
optimizer  = torch.optim.SGD(model.parameters(), lr=learn_rate)

Epoch: 1, Train_acc:49.2%, Train_loss:0.777, Test_acc:56.6%, Test_loss:0.681, Lr:1.00E-04
Epoch: 2, Train_acc:58.0%, Train_loss:0.678, Test_acc:69.7%, Test_loss:0.624, Lr:1.00E-04
Epoch: 3, Train_acc:67.5%, Train_loss:0.613, Test_acc:71.1%, Test_loss:0.604, Lr:1.00E-04
Epoch: 4, Train_acc:69.7%, Train_loss:0.577, Test_acc:68.4%, Test_loss:0.568, Lr:1.00E-04
Epoch: 5, Train_acc:73.5%, Train_loss:0.526, Test_acc:72.4%, Test_loss:0.526, Lr:9.20E-05
Epoch: 6, Train_acc:75.5%, Train_loss:0.507, Test_acc:75.0%, Test_loss:0.512, Lr:9.20E-05
Epoch: 7, Train_acc:81.5%, Train_loss:0.456, Test_acc:76.3%, Test_loss:0.508, Lr:9.20E-05
Epoch: 8, Train_acc:79.9%, Train_loss:0.450, Test_acc:78.9%, Test_loss:0.504, Lr:9.20E-05
Epoch: 9, Train_acc:81.3%, Train_loss:0.431, Test_acc:77.6%, Test_loss:0.456, Lr:8.46E-05
Epoch:10, Train_acc:83.1%, Train_loss:0.409, Test_acc:76.3%, Test_loss:0.502, Lr:8.46E-05
Epoch:11, Train_acc:87.1%, Train_loss:0.392, Test_acc:73.7%, Test_loss:0.471, Lr:8.46E-05
Epoch:12, Train_acc:86.1%, Train_loss:0.383, Test_acc:78.9%, Test_loss:0.442, Lr:8.46E-05
Epoch:13, Train_acc:87.5%, Train_loss:0.371, Test_acc:78.9%, Test_loss:0.450, Lr:7.79E-05
Epoch:14, Train_acc:87.8%, Train_loss:0.359, Test_acc:78.9%, Test_loss:0.436, Lr:7.79E-05
Epoch:15, Train_acc:90.2%, Train_loss:0.338, Test_acc:80.3%, Test_loss:0.461, Lr:7.79E-05
Epoch:16, Train_acc:89.8%, Train_loss:0.335, Test_acc:82.9%, Test_loss:0.437, Lr:7.79E-05
Epoch:17, Train_acc:90.4%, Train_loss:0.335, Test_acc:82.9%, Test_loss:0.466, Lr:7.16E-05
Epoch:18, Train_acc:91.8%, Train_loss:0.316, Test_acc:75.0%, Test_loss:0.452, Lr:7.16E-05
Epoch:19, Train_acc:90.2%, Train_loss:0.323, Test_acc:81.6%, Test_loss:0.438, Lr:7.16E-05
Epoch:20, Train_acc:92.4%, Train_loss:0.305, Test_acc:82.9%, Test_loss:0.417, Lr:7.16E-05
Epoch:21, Train_acc:94.2%, Train_loss:0.284, Test_acc:82.9%, Test_loss:0.461, Lr:6.59E-05
Epoch:22, Train_acc:93.4%, Train_loss:0.285, Test_acc:82.9%, Test_loss:0.440, Lr:6.59E-05
Epoch:23, Train_acc:92.4%, Train_loss:0.280, Test_acc:82.9%, Test_loss:0.411, Lr:6.59E-05
Epoch:24, Train_acc:93.4%, Train_loss:0.282, Test_acc:82.9%, Test_loss:0.390, Lr:6.59E-05
Epoch:25, Train_acc:94.0%, Train_loss:0.270, Test_acc:84.2%, Test_loss:0.384, Lr:6.06E-05
Epoch:26, Train_acc:93.6%, Train_loss:0.266, Test_acc:81.6%, Test_loss:0.461, Lr:6.06E-05
Epoch:27, Train_acc:93.2%, Train_loss:0.270, Test_acc:84.2%, Test_loss:0.452, Lr:6.06E-05
Epoch:28, Train_acc:94.2%, Train_loss:0.258, Test_acc:82.9%, Test_loss:0.398, Lr:6.06E-05
Epoch:29, Train_acc:94.4%, Train_loss:0.249, Test_acc:85.5%, Test_loss:0.422, Lr:5.58E-05
Epoch:30, Train_acc:95.4%, Train_loss:0.246, Test_acc:81.6%, Test_loss:0.408, Lr:5.58E-05
Epoch:31, Train_acc:94.4%, Train_loss:0.243, Test_acc:86.8%, Test_loss:0.409, Lr:5.58E-05
Epoch:32, Train_acc:96.8%, Train_loss:0.237, Test_acc:82.9%, Test_loss:0.399, Lr:5.58E-05
Epoch:33, Train_acc:95.2%, Train_loss:0.237, Test_acc:82.9%, Test_loss:0.416, Lr:5.13E-05
Epoch:34, Train_acc:95.6%, Train_loss:0.244, Test_acc:81.6%, Test_loss:0.411, Lr:5.13E-05
Epoch:35, Train_acc:95.0%, Train_loss:0.229, Test_acc:85.5%, Test_loss:0.442, Lr:5.13E-05
Epoch:36, Train_acc:96.0%, Train_loss:0.227, Test_acc:81.6%, Test_loss:0.377, Lr:5.13E-05
Epoch:37, Train_acc:96.4%, Train_loss:0.224, Test_acc:81.6%, Test_loss:0.370, Lr:4.72E-05
Epoch:38, Train_acc:97.0%, Train_loss:0.221, Test_acc:82.9%, Test_loss:0.446, Lr:4.72E-05
Epoch:39, Train_acc:96.4%, Train_loss:0.214, Test_acc:81.6%, Test_loss:0.391, Lr:4.72E-05
Epoch:40, Train_acc:96.8%, Train_loss:0.216, Test_acc:84.2%, Test_loss:0.396, Lr:4.72E-05
Done
请添加图片描述

前期（epoch 小）：较大学习率 → 快速收敛
后期（epoch 大）：较小学习率 → 更稳定
能看到简单地将每2个epoch衰减，修改为将每4个epoch衰减，让前期保持学习率较大，提高收敛速度，acc就有了一些提高。

AMHSA
关注
Javaweb 学习笔记——html+css
hssfscv的博客
12-18 511
以上是Javaweb中关于前端html和css的相关内容，主要制作了两个页面，了解了如何使用AI生成我们需要的内容，有利于了解前端知识，接下来将进行剩余前端知识的学习
Android学Dart学习笔记第十四节 库和导库
weixin_44656996的博客
12-15 795
其他语言中的访问修饰符关键字提供了更细粒度的控制，而Dart使用下划线和基于库的隐私提供了直接的配置机制，有助于高效实现动态访问，并改进了树抖动（死代码消除）。库不仅提供api，还是隐私的单位：以下划线（_）开头的标识符只在库内部可见。当你导入的多个库中，使用了相同的类名时，可以为库起个别名，使用 别名.类名 明确指定所引用的类。使用import来指定如何在另一个库的作用域中使用来自一个库的命名空间。带有通配符_的导入前缀是不绑定的，但可以访问该库中的非私有扩展。
Java 学习路线及学习周期
前端金牌摸鱼达人
12-17 1493
Java 学习路线及学习周期
后端springboot框架入门学习--第一篇
m0_65853019的博客
12-15 581
的。
网络安全中级阶段学习笔记（七）：Web 安全之文件上传漏洞笔记1（包含upload-labs-master靶场前三关实战）
2501_91976946的博客
12-15 864
摘要：本文系统梳理文件上传漏洞攻防要点，包含漏洞定义、危害（如Webshell控制服务器）、检测流程及多种绕过技巧（JS验证、MIME-Type、黑名单等）。重点提出"白名单+多环节验证"防御方案，包括严格后缀验证、文件类型检测、权限控制等。补充靶场实践案例，演示通过修改后缀、利用解析特性实现漏洞利用。强调防御需结合前端限制、服务端校验与安全监控，构建纵深防护体系。
JPA 学习笔记 8：与数据库交互
梦幻天空
12-17 639
JPA与Hibernate核心概念摘要 本文介绍了JPA和Hibernate中与数据库交互的核心机制。主要内容包括： 持久化上下文：作为一级缓存，管理实体实例的三种状态（瞬时/持久/分离），确保数据一致性和自动脏检查，提高性能但需注意线程安全限制。 会话管理：演示了EntityManager/Session的创建和关闭方式，强调JPA标准与Hibernate原生API的区别。 事务处理：对比了传统事务管理方式与Hibernate提供的简洁API（inTransaction/fromTransaction），
学习笔记——写时复制（Copy-on-Write）
2301_78295956的博客
12-16 689
摘要：写时复制(COW)是一种延迟资源复制的优化技术，多个调用者初始共享同一资源，仅当修改时才创建副本。该技术通过引用计数和内存页保护实现透明操作，显著提升fork()等系统调用性能，减少内存占用。广泛应用于操作系统、编程语言和存储系统，虽存在首次写入延迟等缺点，但通过批量复制等优化策略可缓解。COW体现了"延迟优化"的设计思维，在资源节约和性能间取得平衡。
开发跨行业技能迁移匹配工具，输入现有技能+目标行业，AI分析可迁移能力，推荐适配岗位+补全学习路径，助力职场转型。
2301_82202864的博客
12-16 519
/ 每项可迁移技能+5分。`).join('') : '<div class="result-item">无缺失核心技能，可直接尝试转型！coreSkills: ['项目规划', '风险管控', '资源协调', '敏捷开发', ' stakeholder管理'],coreSkills: ['用户画像', '交互设计', '可用性测试', 'Figma/Sketch', '设计思维'],coreSkills: ['SQL', 'Excel高级函数', '数据可视化', '统计分析', '业务理解'],
孤能子视角:人工智能的“安全对齐“与“共享学习“
水如烟
12-19 430
所以，您的问题正是症结所在：现在的AI是一个没有历史、没有身体、却可能很快拥有巨力的“天才婴儿”。EIS理论并不幻想能立刻赋予它千年的智慧，而是严峻地指出：在它通过我们设计的、堪比文明史难度的“关系动力学课程”之前，我们必须像对待一个拥有核按钮天赋的婴儿一样，以最大的谨慎、最冗余的约束、最悲观的风险评估来对待它。我们无法让它瞬间获得“如果不这么做那么就会……”的鲜活恐惧，但我们可以通过高保真的模拟，让它“计算”出同样的结论；并通过严格控制其行动范围，确保在它真正“理解”之前，没有能力造成不可逆的伤害。
Docker学习笔记—day012
weixin_46625488的博客
12-14 920
Docker学习笔记—day012（容器化编排） Compose是Docker公司推出的一个工具软件，可以管理多个Docker容器组成的一个应用。只需要定义一个YAML格式的配置文件docker-compse.yml。写出多个容器之间的调用关系。然后，只需一个命令，就能同时启动/关闭这些容器。造成的问题：如果我们同时需要部署多个服务，每个服务都使用Dockerfile然后在构建镜像，这样也太麻烦了。Docker官方提供的Compose多服务部署的工具，就是解决上述问题的。例如：如果我们要实现一个Web微服务
【学习笔记】利用blender生成的mesh模型(ply格式)并不是水密的
ZhiyangStudy的博客
12-15 234
常用的格式有.ply、.obj、.stl。
【AI学习-comfyUI学习-第十七六节-SUPIR放大(XL模型专属）-各个部分学习-记录】
qq_22146161的博客
12-14 525
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。这也算各一个开始吧，我也在学习摸索中。
基于C语言的学习---表达式、运算符
最新发布
Darken03的博客
12-19 97
本文介绍了编程基础中的浮点数和表达式相关知识。主要内容包括：1）浮点数的定义和使用，比较整数与浮点数的区别；2）表达式的组成要素，包括运算符和算子，并以计算时间差为例说明变量定义和运算过程；3）运算符优先级规则，强调赋值运算从右向左的特性；4）变量交换的实现方法，需借助第三个临时变量；5）复合赋值和递增递减运算符的使用区别，指出前置和后置运算的不同结果。这些基础概念对理解编程运算至关重要。
今天我们继续学习kubernetes内容Helm
Lynnxiaowen的博客
12-14 890
helm通过打包的方式，支持发布的版本管理和控制，很大程度上简化了Kubernetes应用的部署和管理。Helm本质就是让k8s的应用管理（Deployment、Service等）可配置，能动态生成。通过动态生成K8S资源清单文（deployment.yaml、service.yaml）。然后kubectl自动调用K8S资源部署。
CAPL学习-SOME/IP交互层-TCP处理类函数
车载网络测试工程师的博客
12-16 875
关闭一个或多个数据库中定义的 TCP 连接。建立一个或多个数据库中定义的 TCP 连接。监听此 TCP 应用端点。
【每天学习一点算法2025/12/16】二叉树的最大深度
Colorful9的博客
12-16 670
本文介绍了计算二叉树最大深度的两种方法：深度优先搜索（DFS）和广度优先搜索（BFS）。DFS采用递归方式，通过比较左右子树深度取较大值加1；BFS使用队列逐层遍历，统计层数即为最大深度。两种方法都能有效求解，DFS代码简洁，BFS直观易懂。文章还提供了TypeScript实现代码，适合算法初学者理解二叉树遍历的基本原理。
仿真学习系列（四十四）：Sigrity仿真之时域波形仿真
案例文章，高速信号
12-16 316
与频域分析工具如 PowerSI 相结合，SPEED2000 为电路设计提供了更加全面的验证解决方案。在设计过程中，工程师可以通过 SPEED2000 进行时域仿真，深入了解信号在实际工作状态下的表现，并通过分析仿真结果优化电路布局和电源方案。 本文将详细介绍 SPEED2000 的功能与应用，重点讲解如何通过 SPEED2000 进行时域波形仿真。
图像自回归生成(Auto-regressive image generation)实战学习（一）
lzq6261的博客
12-17 853
本项目基于SuperTuxKart图像数据集，开发了一个自回归图像生成系统。系统包含三个核心模块：块级自编码器(30分)实现图像分块编码；块级量化器(30分)采用二进制球面量化技术；自回归模型(30分)用于预测图像序列。项目还实现了图像生成功能(10分)，并支持额外加分项(5分)的图像压缩功能。系统通过训练脚本自动完成模型训练，生成日志和权重文件，可将图像压缩至500字节级别，同时提供样本生成功能。项目代码和数据集已开源，便于复现和改进。
cursor学习
Pandora_417的博客
12-17 289
Cursor 是一种基于自然语言编程的智能代码编辑器/IDE，可以用自然语言指令让 AI 生成、修改、导航代码，而不是手写每一行。它不仅能代码补全，还能查询整个项目、批量重写、理解上下文。然后在YouTube上找了门合适的讲解看看（为什么选择YouTube，因为我发现在很多编程的讲解，国外讲解的都很好，而且英语解释英语更没有歧义）别把它当成 ChatGPT 的代码助手，它更像是一个可以用语言来操作工程的编程 AI 伙伴。让 Cursor 替你干重复、耗时、低价值的前端活。❌ 不要完全相信输出。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值