C++ 朴素贝叶斯模型（Naive Bayesian Model，NBM）实现， 西瓜实验数据集 基于周志华老师机器学习

2023-11-22 15:20
文章标签 c++ 数据 实现 学习 模型 机器 实验 model 老师 贝叶斯 朴素 naive 西瓜 周志华 bayesian nbm

本文主要是介绍C++ 朴素贝叶斯模型（Naive Bayesian Model，NBM）实现， 西瓜实验数据集 基于周志华老师机器学习，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

C++ 朴素贝叶斯模型（Naive Bayesian Model，NBM）实现， 西瓜实验数据集 基于周志华老师机器学习

版权声明：本文为博主原创文章，未经博主允许不得转载。

标注

学习朴素贝叶斯算法得了解一些基本知识，比如全概率公式和贝叶斯公式。大学基本都学过不在赘述。

数据样本

编号色泽根蒂敲声纹理脐部触感密度含糖率好瓜
12221310.6970.461
23231310.7440.3761
33221310.6340.2641
42231310.6080.3181
51221310.5560.2151
62121220.4030.2371
73122220.4810.1491
83121210.4370.2111
93132210.6660.0910
102311120.2430.2670
111313110.2450.0570
121223120.3430.0990
132122310.6390.1610
141132310.6570.1980
153121220.360.370
161223110.5930.0420
172232210.7190.1030

表格含义

色泽 1-3代表 浅白 青绿 乌黑
根蒂 1-3代表 稍蜷 蜷缩 硬挺
敲声 1-3代表 清脆 浊响 沉闷
纹理 1-3代表 清晰 稍糊 模糊
脐部 1-3代表 平坦 稍凹 凹陷
好瓜 1代表 是 0 代表 不是

算法定义

朴素贝叶斯算法定义如下：
这里写图片描述
这里写图片描述

代码块

//bayesian.h
#pragma once
//定义训练数据  
#define M 17  
#define N 9  
/*
*色泽 1—3代表 浅白 青绿 乌黑
*根蒂 1-3代表 稍蜷 蜷缩 硬挺
*敲声1-3代表 清脆 浊响 沉闷
*纹理 1-3代表 清晰 稍糊 模糊         
*脐部1-3代表 平坦 稍凹 凹陷          
*触感 1-2 代表 硬滑 软粘            
*好瓜 1代表是 0 代表不是                             
*/  
double A[M][N]= {  {2,2,2,1,3,1,0.697,0.460,1},//  1{3,2,3,1,3,1,0.744,0.376,1},//  2{3,2,2,1,3,1,0.634,0.264,1},//  3{2,2,3,1,3,1,0.608,0.318,1},//  4{1,2,2,1,3,1,0.556,0.215,1},//  5{2,1,2,1,2,2,0.403,0.237,1},//  6{3,1,2,2,2,2,0.481,0.149,1},//  7{3,1,2,1,2,1,0.437,0.211,1},//  8{3,1,3,2,2,1,0.666,0.091,0},//  9{2,3,1,1,1,2,0.243,0.267,0},//  10{1,3,1,3,1,1,0.245,0.057,0},//  11{1,2,2,3,1,2,0.343,0.099,0},//  12{2,1,2,2,3,1,0.639,0.161,0},//  13{1,1,3,2,3,1,0.657,0.198,0},//  14{3,1,2,1,2,2,0.360,0.370,0},//  15{1,2,2,3,1,1,0.593,0.042,0},//  16{2,2,3,2,2,1,0.719,0.103,0} //  17};  struct Px1  
{  double x1;  double y;  double p_x1y;  
};  struct Px2  
{  double x2;  double y;  double p_x2y;  
};  struct Px3  
{  double x3;  double y;  double p_x3y;  
};  
struct Px4  
{  double x4;  double y;  double p_x4y;  
};  
struct Px5  
{  double x5;  double y;  double p_x5y;  
};  
struct Px6  
{  double x6;  double y;  double p_x6y;  
};  
struct Px7  
{  double x7;  double y;  double p_x7y;  
};  
struct Px8  
{  double x8;  double y;  double p_x8y;  
};  
// struct MeAVa 
// {  
//  double mean;  
//  double stdev;  
// };  double p[2];  
Px1 px1[6];  
Px2 px2[6];
Px3 px3[6];
Px4 px4[6];
Px5 px5[6];
Px6 px6[6];
Px7 px7[2];
Px8 px8[2];  //bayesian .cpp
#include "bayesian.h"
#include <iostream>  
#include <set>  
#include <vector>  
#include <numeric>
#include <algorithm>
#include <iomanip>
//#include <math.h>
#include <cmath>
using namespace std;  
//好瓜密度概率计算
double m_MeansAndAver(double x)
{double resultSet[17];double p;for (int i = 0; i < M; i++){resultSet[i]=A[i][6];}double sum = std::accumulate(std::begin(resultSet), std::begin(resultSet)+8, 0.0);double mean=  sum /8; //均值double accum  = 0.0;std::for_each (std::begin(resultSet), std::begin(resultSet)+8, [&](const double d) {accum  += (d-mean)*(d-mean);});double stdev = sqrt(accum/(7)); //方差
//  std::cout<<"--------------------test1-------------------------------"<<stdev<<endl;
//  std::cout<<"均值为"<<mean<<"方差为："<<stdev<<endl;
//  std::cout<<"--------------test---------------"<<endl;p = (1/(sqrt(2*3.14)*stdev))*exp(-(pow((x-mean),2)/(2*pow(stdev,2))));//px7[0]=p;px7[0].p_x7y=p ;return p;
}
//坏瓜密度概率计算
double m_w_MeansAndAver(double x)
{double resultSet[17];double p;for (int i = 0; i < M; i++){resultSet[i]=A[i][6];}double sum = std::accumulate(std::begin(resultSet)+8, std::end(resultSet), 0.0);double mean=  sum /9; //均值double accum  = 0.0;std::for_each ( std::begin(resultSet)+8,std::end(resultSet), [&](const double d) {accum  += (d-mean)*(d-mean);});double stdev = sqrt(accum/(8)); //方差
//  std::cout<<"--------------------test2-------------------------------"<<stdev<<endl;
//  std::cout<<"均值为"<<mean<<"方差为："<<stdev<<endl;
//  std::cout<<"--------------test---------------"<<endl;p = (1/(sqrt(2*3.14)*stdev))*exp(-(pow((x-mean),2)/(2*pow(stdev,2))));px7[1].p_x7y=p ;return p;
}
//好瓜含糖量概率计算
double h_MeansAndAver(double x)
{double resultSet[17];double p;for (int i = 0; i < M; i++){resultSet[i]=A[i][7];}double sum = std::accumulate(std::begin(resultSet), std::begin(resultSet)+8, 0.0);double mean=  sum /8; //均值double accum  = 0.0;std::for_each (std::begin(resultSet), std::begin(resultSet)+8, [&](const double d) {accum  += (d-mean)*(d-mean);});double stdev = sqrt(accum/(7)); //方差
//  std::cout<<"--------------------test3--------------------------------"<<stdev<<endl;
//  std::cout<<"均值为"<<mean<<"方差为："<<stdev<<endl;
//  std::cout<<"--------------test---------------"<<endl;p = (1/(sqrt(2*3.14)*stdev))*exp(-(pow((x-mean),2)/(2*pow(stdev,2))));px8[0].p_x8y=p;return p;
}//坏瓜含糖量概率计算
double h_w_MeansAndAver(double x)
{double resultSet[17];double p;for (int i = 0; i < M; i++){resultSet[i]=A[i][7];}double sum = std::accumulate(std::begin(resultSet)+8, std::end(resultSet), 0.0);double mean=  sum /9; //均值double accum  = 0.0;std::for_each (std::begin(resultSet)+8,  std::end(resultSet), [&](const double d) {accum  += (d-mean)*(d-mean);});double stdev = sqrt(accum/(8)); //方差
//  std::cout<<"--------------------test4--------------------------------"<<stdev<<endl;
//  std::cout<<"均值为"<<mean<<"方差为："<<stdev<<endl;
//  std::cout<<"--------------test---------------"<<endl;p = (1/(sqrt(2*3.14)*stdev))*exp(-(pow((x-mean),2)/(2*pow(stdev,2))));px8[1].p_x8y=p;return p;
}
//计算先验概率和条件概率  
void calP()  
{//计算先验  //double p[2];  int i, j, k;  multiset<double> m_x1, m_x2,m_x3, m_x4,m_x5, m_x6,m_x7, m_x8, m_y;//多重集容器  multiset<double>::iterator pos1;  set<double> x1, x2,x3, x4,x5, x6,x7, x8, y;//集合容器  set<double>::iterator pos2, pos3;  //运用多重集容器和集合容器  for(i = 0; i < M; i++) {m_x1.insert(A[i][0]);  m_x2.insert(A[i][1]);m_x3.insert(A[i][2]);m_x4.insert(A[i][3]);m_x5.insert(A[i][4]);m_x6.insert(A[i][5]);m_x7.insert(A[i][6]);m_x8.insert(A[i][7]);m_y.insert(A[i][8]);  x1.insert(A[i][0]);  x2.insert(A[i][1]);x3.insert(A[i][2]);x4.insert(A[i][3]);x5.insert(A[i][4]);x6.insert(A[i][5]);x7.insert(A[i][6]);x8.insert(A[i][7]);y.insert(A[i][8]); }  p[0] = m_y.count(1) / (double)M;    //p(Y = 1)  p[1] = m_y.count(0) / (double)M;    //p(Y = 2)  cout << endl << "************先验***********" << endl; 
//p[0]代表好瓜所占的比例  p[1]代表坏瓜所占的比例cout << "p(Y = 1) = " << p[0] << endl;  cout << "p(Y = 0) = " << p[1] << endl; //计算条件概率  cout << endl;  cout << "*********条件概率********" << endl;  //  int px1_num = 3 * 2;  //  int px2_num = 3 * 2;  
//p(x1 | y)概率j=0; for(pos2 = y.begin(); pos2 != y.end(); pos2++)  { for(pos3 = x1.begin(); pos3 != x1.end(); pos3++)  {       px1[j].y = *pos2;  px1[j].x1 = *pos3;  int count_x1y = 0;  for(k = 0; k < M; k++)  {  if(A[k][0] == px1[j].x1 && A[k][8] == px1[j].y)  count_x1y++;  }  px1[j].p_x1y = count_x1y / (double)m_y.count(px1[j].y);//计算p(x1 | y)的概率  j++;  }  }  cout << "p(x1 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px1[j].x1 << " " <<  px1[j].y << " " << px1[j].p_x1y << endl;  }  
//p(x2|y)概率j=0;  for(pos2 = y.begin(); pos2 != y.end(); pos2++)  {  for(pos3 = x2.begin(); pos3 != x2.end(); pos3++)  {  px2[j].y = *pos2;  px2[j].x2 = *pos3;  int count_x2y = 0;  for(k = 0; k < M; k++)  {  if(A[k][1] == px2[j].x2 && A[k][8] == px2[j].y)  count_x2y++;  }  px2[j].p_x2y = count_x2y / (double)m_y.count(px2[j].y);//计算p(x2 | y)的概率  j++;  }  }  cout << "p(x2 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px2[j].x2 << " " <<  px2[j].y << " " << px2[j].p_x2y << endl;  }  //p(x3|y)概率j=0;  for(pos2 = y.begin(); pos2 != y.end(); pos2++)  {  for(pos3 = x3.begin(); pos3 != x3.end(); pos3++)  {  px3[j].y = *pos2;  px3[j].x3 = *pos3;  int count_x3y = 0;  for(k = 0; k < M; k++)  {  if(A[k][2] == px3[j].x3 && A[k][8] == px3[j].y)  count_x3y++;  }  px3[j].p_x3y = count_x3y / (double)m_y.count(px3[j].y);//计算p(x2 | y)的概率  j++;  }  }  cout << "p(x3 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px3[j].x3 << " " <<  px3[j].y << " " << px3[j].p_x3y << endl;  }  
//p(x4|y)概率j=0;  for(pos2 = y.begin(); pos2 != y.end(); pos2++)  {  for(pos3 = x4.begin(); pos3 != x4.end(); pos3++)  {  px4[j].y = *pos2;  px4[j].x4 = *pos3;  int count_x4y = 0;  for(k = 0; k < M; k++)  {  if(A[k][3] == px4[j].x4 && A[k][8] == px4[j].y)  count_x4y++;  }  px4[j].p_x4y = count_x4y / (double)m_y.count(px4[j].y);//计算p(x4 | y)的概率  j++;  }  }  cout << "p(x4 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px4[j].x4 << " " <<  px4[j].y << " " << px4[j].p_x4y << endl;  }  
//p(x5|y)概率j=0;  for(pos2 = y.begin(); pos2 != y.end(); pos2++)  {  for(pos3 = x5.begin(); pos3 != x5.end(); pos3++)  {  px5[j].y = *pos2;  px5[j].x5 = *pos3;  int count_x5y = 0;  for(k = 0; k < M; k++)  {  if(A[k][4] == px5[j].x5 && A[k][8] == px5[j].y)  count_x5y++;  }  px5[j].p_x5y = count_x5y / (double)m_y.count(px5[j].y);//计算p(x5 | y)的概率  j++;  }  }  cout << "p(x5 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px5[j].x5 << " " <<  px5[j].y << " " << px5[j].p_x5y << endl;  }  
//p(x6|y)概率j=0;  for(pos2 = y.begin(); pos2 != y.end(); pos2++)  {  for(pos3 = x6.begin(); pos3 != x6.end(); pos3++)  {  px6[j].y = *pos2;  px6[j].x6 = *pos3;  int count_x6y = 0;  for(k = 0; k < M; k++)  {  if(A[k][5] == px6[j].x6 && A[k][8] == px6[j].y)  count_x6y++;  }  px6[j].p_x6y = count_x6y / (double)m_y.count(px6[j].y);//计算p(x6 | y)的概率  j++;  }  }  cout << "p(x6 | y):" << endl;  for(j = 0; j < 6; j++)  {  cout << px6[j].x6 << " " <<  px6[j].y << " " << px6[j].p_x6y << endl;  }  
//p(x7|y)概率} 
int main()  
{  int i = 0, j = 0;  //输出训练数据  cout << "***********训练数据************" << endl;  for(i = 0; i < M; i++)  {  for(int j = 0; j < N; j++)  {  cout << " "<< A[i][j];  }  cout << endl;  } calP();//计算先验和条件概率  int s_x1, s_x2, s_x3, s_x4, s_x5, s_x6;double  s_x7, s_x8;  double result[2];  int class_y = 1;  cout<< "##########################< 提   示 >##########################"<<endl;cout<<setw(10)<<"色泽"<<setw(10)<<"1-3代表"<<setw(10)<<"浅白"<<setw(10)<<"青绿"<<setw(10)<<"乌黑"<<endl;cout<<setw(10)<<"根蒂"<<setw(10)<<"1-3代表"<<setw(10)<<"稍蜷"<<setw(10)<<"蜷缩"<<setw(10)<<"硬挺"<<endl;cout<<setw(10)<<"敲声"<<setw(10)<<"1-3代表"<<setw(10)<<"清脆"<<setw(10)<<"浊响"<<setw(10)<<"沉闷"<<endl;cout<<setw(10)<<"纹理"<<setw(10)<<"1-3代表"<<setw(10)<<"清晰"<<setw(10)<<"稍糊"<<setw(10)<<"模糊"<<endl;cout<<setw(10)<<"脐部"<<setw(10)<<"1-3代表"<<setw(10)<<"平坦"<<setw(10)<<"稍凹"<<setw(10)<<"凹陷"<<endl;cout<<setw(10)<<"触感"<<setw(10)<<"1-2代表"<<setw(10)<<"硬滑"<<setw(10)<<"软粘"<<endl;cout<<"      密度以及含糖量 0<Xi<1 "<<endl;cout<<"      请按照以上范围输入"<<endl;cout<< "###############################################################"<<endl;/************************************************************************//* 色泽  1-3代表  浅白  青绿  乌黑根蒂  1-3代表  稍蜷  蜷缩  硬挺敲声  1-3代表  清脆  浊响  沉闷纹理  1-3代表  清晰  稍糊  模糊脐部  1-3代表  平坦  稍凹  凹陷触感  1-2代表  硬滑  软粘    好瓜  1代表 是  0 代表  不是                             *//************************************************************************/cout <<endl<< "##########################< 预   测 >##########################"<<endl; cout <<endl<<"Input:";  cin >> s_x1 >> s_x2>> s_x3>> s_x4>> s_x5>> s_x6>> s_x7>> s_x8; cout << "##########<连续属性X7与x8的 p(x7|y)、<p(x8|y)计算结果>##########"<<endl<<endl; cout<<"好瓜密度其概率为："<<m_MeansAndAver(s_x7)<<endl;//当前密度，在是好瓜的情况下可能发生的概率cout<<"坏瓜密度的概率"<<m_w_MeansAndAver(s_x7)<<endl;//准确cout<<"好瓜其概率为："<<h_MeansAndAver(s_x8)<<endl;//准确cout<<"好瓜其概率为："<<h_w_MeansAndAver(s_x8)<<endl<<endl;//准确for(i = 0; i < 2; i++)  {  double s_px_1, s_px_2, s_px_3, s_px_4, s_px_5, s_px_6, s_px_7, s_px_8;  for(j = 0; j < 6; j++)  {  if(s_x1 == px1[j].x1 && px1[j].y == class_y)  s_px_1 = px1[j].p_x1y;  if(s_x2 == px2[j].x2 && px2[j].y == class_y)s_px_2 = px2[j].p_x2y;  if(s_x3 == px3[j].x3 && px3[j].y == class_y)s_px_3 = px3[j].p_x3y;  if(s_x4 == px4[j].x4 && px4[j].y == class_y)s_px_4 = px4[j].p_x4y;  if(s_x5 == px5[j].x5 && px5[j].y == class_y)s_px_5 = px5[j].p_x5y;  if(s_x6 == px6[j].x6 && px6[j].y == class_y)s_px_6 = px6[j].p_x6y;  }  s_px_7=px7[i].p_x7y;s_px_8=px8[i].p_x8y;result[i] = p[i] * s_px_1 * s_px_2*s_px_3* s_px_4* s_px_5* s_px_6*s_px_7*s_px_8;  //p[0]代表好瓜所占的比例  p[1]代表坏瓜所占的比例class_y--;  }  cout << "###########################<分类结果>###########################"<<endl; cout << endl << "all results:";  cout <<"可能为好瓜的概率"<< result[0] << "   " <<"可能为坏瓜的概率"<< result[1] << endl<<endl;  //0代表否（不是好瓜），1代表是好瓜，其中result[0]存放好瓜可能概率result[1]坏瓜所占比例cout << "###########################<预测结果>###########################"<<endl<<endl;  i =0;if(result[i] < result[i+1])  //如果坏瓜概率>好瓜概率{  class_y = 0; cout << "属性为：("<< s_x1 << "," << s_x2 << "," << s_x3 << "," << s_x4 << "," << s_x5 << "," << s_x6<< "," << s_x7<< "," << s_x8 << ")所属的类是：" << class_y<< "-----------坏瓜"<<endl<<endl;  }  else                        //好瓜概率>坏瓜概率{class_y=1;cout << "属性为：("<< s_x1 << "," << s_x2 << "," << s_x3 << "," << s_x4 << "," << s_x5 << "," << s_x6 << "," << s_x7<< "," << s_x8 << ")所属的类是：" << class_y  <<"-----------好瓜"<< endl<<endl;  }/*cout << "("<< s_x1 << "," << s_x2 << ")所属的类是：" << class_y + 1 << endl;  */system("pause");return 0;  
}

“`

分类结果

这里写图片描述

UML 图:

这里写图片描述

源码下载地址

http://download.csdn.net/detail/u011557212/9700532

这篇关于C++ 朴素贝叶斯模型（Naive Bayesian Model，NBM）实现， 西瓜实验数据集 基于周志华老师机器学习的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/411076。

相关文章

Python实现AVIF图片与其他图片格式间的批量转换

Python实现AVIF图片与其他图片格式间的批量转换

《Python实现AVIF图片与其他图片格式间的批量转换》这篇文章主要为大家详细介绍了如何使用Pillow库实现AVIF与其他格式的相互转换,即将AVIF转换为常见的格式,比如JPG或PNG,需要的小... 目录环境配置1.将单个 AVIF 图片转换为 JPG 和 PNG2.批量转换目录下所有 AVIF 图
阅读更多...
Pydantic中model_validator的实现

Pydantic中model_validator的实现

《Pydantic中model_validator的实现》本文主要介绍了Pydantic中model_validator的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录引言基础知识创建 Pydantic 模型使用 model_validator 装饰器高级用法mo
阅读更多...
Spring Security基于数据库的ABAC属性权限模型实战开发教程

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》：本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA
阅读更多...
AJAX请求上传下载进度监控实现方式

AJAX请求上传下载进度监控实现方式

《AJAX请求上传下载进度监控实现方式》在日常Web开发中,AJAX（AsynchronousJavaScriptandXML）被广泛用于异步请求数据,而无需刷新整个页面,：本文主要介绍AJAX请... 目录1. 前言2. 基于XMLHttpRequest的进度监控2.1 基础版文件上传监控2.2 增强版多
阅读更多...
Java调用C++动态库超详细步骤讲解(附源码)

Java调用C++动态库超详细步骤讲解(附源码)

《Java调用C++动态库超详细步骤讲解(附源码)》C语言因其高效和接近硬件的特性,时常会被用在性能要求较高或者需要直接操作硬件的场合,：本文主要介绍Java调用C++动态库的相关资料,文中通过代... 目录一、直接调用C++库第一步：动态库生成（vs2017+qt5.12.10）第二步：Java调用C++
阅读更多...
Redis分片集群的实现

Redis分片集群的实现

《Redis分片集群的实现》Redis分片集群是一种将Redis数据库分散到多个节点上的方式,以提供更高的性能和可伸缩性,本文主要介绍了Redis分片集群的实现,具有一定的参考价值,感兴趣的可以了解一... 目录1. Redis Cluster的核心概念哈希槽（Hash Slots）主从复制与故障转移2.
阅读更多...
springboot+dubbo实现时间轮算法

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n
阅读更多...
使用Python实现一键隐藏屏幕并锁定输入

使用Python实现一键隐藏屏幕并锁定输入

《使用Python实现一键隐藏屏幕并锁定输入》本文主要介绍了使用Python编写一个一键隐藏屏幕并锁定输入的黑科技程序,能够在指定热键触发后立即遮挡屏幕,并禁止一切键盘鼠标输入,这样就再也不用担心自己... 目录1. 概述2. 功能亮点3.代码实现4.使用方法5. 展示效果6. 代码优化与拓展7. 总结1.
阅读更多...
Mybatis 传参与排序模糊查询功能实现

Mybatis 传参与排序模糊查询功能实现

《Mybatis传参与排序模糊查询功能实现》：本文主要介绍Mybatis传参与排序模糊查询功能实现,本文通过实例代码给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧... 目录一、#{ }和${ }传参的区别二、排序三、like查询四、数据库连接池五、mysql 开发企业规范一、#{ }和${ }传参的
阅读更多...
Docker镜像修改hosts及dockerfile修改hosts文件的实现方式

Docker镜像修改hosts及dockerfile修改hosts文件的实现方式

《Docker镜像修改hosts及dockerfile修改hosts文件的实现方式》：本文主要介绍Docker镜像修改hosts及dockerfile修改hosts文件的实现方式,具有很好的参考价... 目录docker镜像修改hosts及dockerfile修改hosts文件准备 dockerfile 文
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2