政安晨:【Keras机器学习示例演绎】(四十三)—— 使用 KerasNLP 实现英语到西班牙语的翻译

本文主要是介绍政安晨:【Keras机器学习示例演绎】(四十三)—— 使用 KerasNLP 实现英语到西班牙语的翻译,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!

目录

简介

设置

下载数据

解析数据

数据标记化

格式化数据集

建立模型

训练我们的模型

解码测试句子(定性分析)

解码测试句子(定性分析)

评估我们的模型(定量分析)

10 个轮次后,得分如下:


政安晨的个人主页:政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益,如有不足之处,欢迎在评论区提出指正!

本文目标:使用 KerasNLP 在机器翻译任务中训练序列到序列转换器模型。

简介


KerasNLP 提供了 NLP 的构建模块(模型层、标记化器、度量指标等),方便构建 NLP 管道。

在本示例中,我们将使用 KerasNLP 层构建编码器-解码器 Transformer 模型,并在英语-西班牙语机器翻译任务中对其进行训练。

本示例基于 fchollet 制作的英语到西班牙语 NMT 示例。原始示例更底层,从头开始实现各层,而本示例使用 KerasNLP 展示了一些更先进的方法,例如子词标记化和使用度量来计算生成翻译的质量。

如果您不熟悉 KerasNLP,也不用担心。本文将从基础开始。让我们直接进入主题!

设置

!pip install -q --upgrade rouge-score
!pip install -q --upgrade keras-nlp
!pip install -q --upgrade keras  # Upgrade to Keras 3.
import keras_nlp
import pathlib
import randomimport keras
from keras import opsimport tensorflow.data as tf_data
from tensorflow_text.tools.wordpiece_vocab import (bert_vocab_from_dataset as bert_vocab,
)
[31mERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
tensorflow 2.15.1 requires keras<2.16,>=2.15.0, but you have keras 3.3.3 which is incompatible.[31m

我们还要定义参数/超参数。

BATCH_SIZE = 64
EPOCHS = 1  # This should be at least 10 for convergence
MAX_SEQUENCE_LENGTH = 40
ENG_VOCAB_SIZE = 15000
SPA_VOCAB_SIZE = 15000EMBED_DIM = 256
INTERMEDIATE_DIM = 2048
NUM_HEADS = 8

下载数据

我们将使用 Anki 提供的英西翻译数据集。让我们下载它:

text_file = keras.utils.get_file(fname="spa-eng.zip",origin="http://storage.googleapis.com/download.tensorflow.org/data/spa-eng.zip",extract=True,
)
text_file = pathlib.Path(text_file).parent / "spa-eng" / "spa.txt"
Downloading data from http://storage.googleapis.com/download.tensorflow.org/data/spa-eng.zip2638744/2638744 ━━━━━━━━━━━━━━━━━━━━ 0s 0us/step

解析数据


每行包含一个英语句子和相应的西班牙语句子。英语句子是源序列,西班牙语句子是目标序列。在将文本添加到列表之前,我们将其转换为小写。

with open(text_file) as f:lines = f.read().split("\n")[:-1]
text_pairs = []
for line in lines:eng, spa = line.split("\t")eng = eng.lower()spa = spa.lower()text_pairs.append((eng, spa))

下面是我们的句子,像这样:

for _ in range(5):print(random.choice(text_pairs))
('tom heard that mary had bought a new computer.', 'tom oyó que mary se había comprado un computador nuevo.')
('will you stay at home?', '¿te vas a quedar en casa?')
('where is this train going?', '¿adónde va este tren?')
('tom panicked.', 'tom entró en pánico.')
("we'll help you rescue tom.", 'te ayudaremos a rescatar a tom.')

现在,让我们把句子对分成训练集、验证集和测试集。

random.shuffle(text_pairs)
num_val_samples = int(0.15 * len(text_pairs))
num_train_samples = len(text_pairs) - 2 * num_val_samples
train_pairs = text_pairs[:num_train_samples]
val_pairs = text_pairs[num_train_samples : num_train_samples + num_val_samples]
test_pairs = text_pairs[num_train_samples + num_val_samples :]print(f"{len(text_pairs)} total pairs")
print(f"{len(train_pairs)} training pairs")
print(f"{len(val_pairs)} validation pairs")
print(f"{len(test_pairs)} test pairs")
118964 total pairs
83276 training pairs
17844 validation pairs
17844 test pairs

数据标记化


我们将定义两个标记化器,一个用于源语言(英语),另一个用于目标语言(西班牙语)。我们将使用 keras_nlp.tokenizers.WordPieceTokenizer 对文本进行标记化。keras_nlp.tokenizers.WordPieceTokenizer 接收一个 WordPiece 词汇表,并具有对文本进行标记化和对标记序列进行去标记化的函数。

在定义这两个标记化器之前,我们首先需要在现有的数据集上对它们进行训练。WordPiece 标记化算法是一种子词标记化算法;在语料库上对它进行训练,就能得到一个子词词汇表。子词标记化算法是单词标记化算法(单词标记化算法需要非常大的词汇量才能很好地覆盖输入单词)和字符标记化算法(字符并不像单词那样真正编码意义)之间的折衷方案。幸运的是,KerasNLP 使用 keras_nlp.tokenizers.compute_word_piece_vocabulary 实用程序可以非常简单地在语料库上训练 WordPiece。

def train_word_piece(text_samples, vocab_size, reserved_tokens):word_piece_ds = tf_data.Dataset.from_tensor_slices(text_samples)vocab = keras_nlp.tokenizers.compute_word_piece_vocabulary(word_piece_ds.batch(1000).prefetch(2),vocabulary_size=vocab_size,reserved_tokens=reserved_tokens,)return vocab

每个词汇都有一些特殊的保留标记。我们有四个这样的标记:

—— "[PAD]"标记- 填充标记。当输入序列长度短于最大序列长度时,填充标记会被附加到输入序列长度上。
—— "[UNK]" 未知标记。- 未知标记。
—— "[START]"(开始- 标记输入序列开始的标记符。
—— "[END]" 表示输入序列结束的标记符。- 标记输入序列结束的标记符。

reserved_tokens = ["[PAD]", "[UNK]", "[START]", "[END]"]eng_samples = [text_pair[0] for text_pair in train_pairs]
eng_vocab = train_word_piece(eng_samples, ENG_VOCAB_SIZE, reserved_tokens)spa_samples = [text_pair[1] for text_pair in train_pairs]
spa_vocab = train_word_piece(spa_samples, SPA_VOCAB_SIZE, reserved_tokens)

我们来看看代币!

print("English Tokens: ", eng_vocab[100:110])
print("Spanish Tokens: ", spa_vocab[100:110])
English Tokens:  ['at', 'know', 'him', 'there', 'go', 'they', 'her', 'has', 'time', 'will']
Spanish Tokens:  ['le', 'para', 'te', 'mary', 'las', 'más', 'al', 'yo', 'tu', 'estoy']

现在,让我们定义标记化器。我们将使用上文训练过的词汇表配置标记化器。

eng_tokenizer = keras_nlp.tokenizers.WordPieceTokenizer(vocabulary=eng_vocab, lowercase=False
)
spa_tokenizer = keras_nlp.tokenizers.WordPieceTokenizer(vocabulary=spa_vocab, lowercase=False
)

让我们尝试对数据集中的一个样本进行标记化!为了验证文本的标记化是否正确,我们还可以将标记列表重新标记为原始文本。

eng_input_ex = text_pairs[0][0]
eng_tokens_ex = eng_tokenizer.tokenize(eng_input_ex)
print("English sentence: ", eng_input_ex)
print("Tokens: ", eng_tokens_ex)
print("Recovered text after detokenizing: ",eng_tokenizer.detokenize(eng_tokens_ex),
)print()spa_input_ex = text_pairs[0][1]
spa_tokens_ex = spa_tokenizer.tokenize(spa_input_ex)
print("Spanish sentence: ", spa_input_ex)
print("Tokens: ", spa_tokens_ex)
print("Recovered text after detokenizing: ",spa_tokenizer.detokenize(spa_tokens_ex),
)
English sentence:  i am leaving the books here.
Tokens:  tf.Tensor([ 35 163 931  66 356 119  12], shape=(7,), dtype=int32)
Recovered text after detokenizing:  tf.Tensor(b'i am leaving the books here .', shape=(), dtype=string)
Spanish sentence:  dejo los libros aquí.
Tokens:  tf.Tensor([2962   93  350  122   14], shape=(5,), dtype=int32)
Recovered text after detokenizing:  tf.Tensor(b'dejo los libros aqu\xc3\xad .', shape=(), dtype=string)

格式化数据集


接下来,我们将格式化数据集。

在每个训练步骤中,模型将使用源句子和 0 到 N 的目标词来预测目标词 N+1(甚至更多)。

因此,训练数据集将产生一个元组(输入、目标),其中

—— encoder_inputs 是标记化的源句,decoder_inputs 是 "到目前为止 "的目标句,即用于预测目标句中单词 N+1(及以后)的单词 0 到 N。
—— target 是偏移一步的目标句:它提供了目标句中的下一个词--模型将尝试预测的词。

在对文本进行标记化处理后,我们将在输入的西班牙语句子中添加特殊标记"[START]"和"[END]"。我们还将把输入内容填充为固定长度。这可以使用 keras_nlp.layers.StartEndPacker 轻松完成。

def preprocess_batch(eng, spa):batch_size = ops.shape(spa)[0]eng = eng_tokenizer(eng)spa = spa_tokenizer(spa)# Pad `eng` to `MAX_SEQUENCE_LENGTH`.eng_start_end_packer = keras_nlp.layers.StartEndPacker(sequence_length=MAX_SEQUENCE_LENGTH,pad_value=eng_tokenizer.token_to_id("[PAD]"),)eng = eng_start_end_packer(eng)# Add special tokens (`"[START]"` and `"[END]"`) to `spa` and pad it as well.spa_start_end_packer = keras_nlp.layers.StartEndPacker(sequence_length=MAX_SEQUENCE_LENGTH + 1,start_value=spa_tokenizer.token_to_id("[START]"),end_value=spa_tokenizer.token_to_id("[END]"),pad_value=spa_tokenizer.token_to_id("[PAD]"),)spa = spa_start_end_packer(spa)return ({"encoder_inputs": eng,"decoder_inputs": spa[:, :-1],},spa[:, 1:],)def make_dataset(pairs):eng_texts, spa_texts = zip(*pairs)eng_texts = list(eng_texts)spa_texts = list(spa_texts)dataset = tf_data.Dataset.from_tensor_slices((eng_texts, spa_texts))dataset = dataset.batch(BATCH_SIZE)dataset = dataset.map(preprocess_batch, num_parallel_calls=tf_data.AUTOTUNE)return dataset.shuffle(2048).prefetch(16).cache()train_ds = make_dataset(train_pairs)
val_ds = make_dataset(val_pairs)

让我们快速浏览一下序列形状(我们的批次为 64 对,所有序列长 40 步):

for inputs, targets in train_ds.take(1):print(f'inputs["encoder_inputs"].shape: {inputs["encoder_inputs"].shape}')print(f'inputs["decoder_inputs"].shape: {inputs["decoder_inputs"].shape}')print(f"targets.shape: {targets.shape}")
inputs["encoder_inputs"].shape: (64, 40)
inputs["decoder_inputs"].shape: (64, 40)
targets.shape: (64, 40)

建立模型


现在,让我们进入激动人心的部分--定义我们的模型!我们首先需要一个嵌入层,即输入序列中每个标记的向量。这个嵌入层可以随机初始化。我们还需要一个位置嵌入层,用于编码序列中的词序。

惯例是将这两个嵌入层相加。KerasNLP 有一个 keras_nlp.layers.TokenAndPositionEmbedding 层,可以为我们完成上述所有步骤。

我们的序列到序列转换器由一个 keras_nlp.layers.TransformerEncoder 层和一个 keras_nlp.layers.TransformerDecoder 层链合而成。

源序列将被传递给 keras_nlp.layer.TransformerEncoder,后者将生成一个新的表示。然后,这个新的表示将连同迄今为止的目标序列(目标字 0 到 N)一起传递给 keras_nlp.layer.TransformerDecoder。然后,keras_nlp.layer.TransformerDecoder 将设法预测目标序列中的下一个词(N+1 及以上)。

使这成为可能的一个关键细节是因果屏蔽。keras_nlp.layers.TransformerDecoder 一次会看到整个序列,因此我们必须确保它在预测标记 N+1 时只使用目标标记 0 到 N 的信息(否则,它可能会使用未来的信息,这将导致在推理时无法使用模型)。

因果掩码在 keras_nlp.layers.TransformerDecoder 中默认启用。

我们还需要屏蔽填充标记("[PAD]")。

为此,我们可以将 keras_nlp.layers.TokenAndPositionEmbedding 层的 mask_zero 参数设置为 True。这将传播到所有后续层。

# Encoder
encoder_inputs = keras.Input(shape=(None,), name="encoder_inputs")x = keras_nlp.layers.TokenAndPositionEmbedding(vocabulary_size=ENG_VOCAB_SIZE,sequence_length=MAX_SEQUENCE_LENGTH,embedding_dim=EMBED_DIM,
)(encoder_inputs)encoder_outputs = keras_nlp.layers.TransformerEncoder(intermediate_dim=INTERMEDIATE_DIM, num_heads=NUM_HEADS
)(inputs=x)
encoder = keras.Model(encoder_inputs, encoder_outputs)# Decoder
decoder_inputs = keras.Input(shape=(None,), name="decoder_inputs")
encoded_seq_inputs = keras.Input(shape=(None, EMBED_DIM), name="decoder_state_inputs")x = keras_nlp.layers.TokenAndPositionEmbedding(vocabulary_size=SPA_VOCAB_SIZE,sequence_length=MAX_SEQUENCE_LENGTH,embedding_dim=EMBED_DIM,
)(decoder_inputs)x = keras_nlp.layers.TransformerDecoder(intermediate_dim=INTERMEDIATE_DIM, num_heads=NUM_HEADS
)(decoder_sequence=x, encoder_sequence=encoded_seq_inputs)
x = keras.layers.Dropout(0.5)(x)
decoder_outputs = keras.layers.Dense(SPA_VOCAB_SIZE, activation="softmax")(x)
decoder = keras.Model([decoder_inputs,encoded_seq_inputs,],decoder_outputs,
)
decoder_outputs = decoder([decoder_inputs, encoder_outputs])transformer = keras.Model([encoder_inputs, decoder_inputs],decoder_outputs,name="transformer",
)

训练我们的模型


我们将使用准确率来快速监控验证数据的训练进度。请注意,机器翻译通常使用 BLEU 分数以及其他指标,而不是准确率。但是,为了使用 ROUGE、BLEU 等指标,我们必须解码概率并生成文本。文本生成的计算成本很高,因此不建议在训练过程中进行。

这里我们只训练了 1 个历元,但要使模型真正收敛,至少要训练 10 个历元。

transformer.summary()
transformer.compile("rmsprop", loss="sparse_categorical_crossentropy", metrics=["accuracy"]
)
transformer.fit(train_ds, epochs=EPOCHS, validation_data=val_ds)
Model: "transformer"
┏━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┓
┃ Layer (type)        ┃ Output Shape      ┃    Param # ┃ Connected to      ┃
┡━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━┩
│ encoder_inputs      │ (None, None)      │          0 │ -                 │
│ (InputLayer)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ token_and_position… │ (None, None, 256) │  3,850,240 │ encoder_inputs[0… │
│ (TokenAndPositionE… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ decoder_inputs      │ (None, None)      │          0 │ -                 │
│ (InputLayer)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ transformer_encoder │ (None, None, 256) │  1,315,072 │ token_and_positi… │
│ (TransformerEncode… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ functional_3        │ (None, None,      │  9,283,992 │ decoder_inputs[0… │
│ (Functional)        │ 15000)            │            │ transformer_enco… │
└─────────────────────┴───────────────────┴────────────┴───────────────────┘
 Total params: 14,449,304 (55.12 MB)
 Trainable params: 14,449,304 (55.12 MB)
 Non-trainable params: 0 (0.00 B)
 1302/1302 ━━━━━━━━━━━━━━━━━━━━ 1701s 1s/step - accuracy: 0.8168 - loss: 1.4819 - val_accuracy: 0.8650 - val_loss: 0.8129<keras.src.callbacks.history.History at 0x7efdd7ee6a50>

解码测试句子(定性分析)


最后,我们来演示如何翻译全新的英语句子。我们只需将标记化的英语句子和目标标记"[START]"输入模型。模型会输出下一个标记的概率。然后,我们根据迄今为止生成的标记反复生成下一个标记,直到遇到标记"[END]"为止。

解码测试句子(定性分析)


最后,我们来演示如何翻译全新的英语句子。

我们只需将标记化的英语句子和目标标记"[START]"输入模型。模型会输出下一个标记的概率。然后,我们根据迄今为止生成的标记反复生成下一个标记,直到遇到标记"[END]"为止。

def decode_sequences(input_sentences):batch_size = 1# Tokenize the encoder input.encoder_input_tokens = ops.convert_to_tensor(eng_tokenizer(input_sentences))if len(encoder_input_tokens[0]) < MAX_SEQUENCE_LENGTH:pads = ops.full((1, MAX_SEQUENCE_LENGTH - len(encoder_input_tokens[0])), 0)encoder_input_tokens = ops.concatenate([encoder_input_tokens.to_tensor(), pads], 1)# Define a function that outputs the next token's probability given the# input sequence.def next(prompt, cache, index):logits = transformer([encoder_input_tokens, prompt])[:, index - 1, :]# Ignore hidden states for now; only needed for contrastive search.hidden_states = Nonereturn logits, hidden_states, cache# Build a prompt of length 40 with a start token and padding tokens.length = 40start = ops.full((batch_size, 1), spa_tokenizer.token_to_id("[START]"))pad = ops.full((batch_size, length - 1), spa_tokenizer.token_to_id("[PAD]"))prompt = ops.concatenate((start, pad), axis=-1)generated_tokens = keras_nlp.samplers.GreedySampler()(next,prompt,stop_token_ids=[spa_tokenizer.token_to_id("[END]")],index=1,  # Start sampling after start token.)generated_sentences = spa_tokenizer.detokenize(generated_tokens)return generated_sentencestest_eng_texts = [pair[0] for pair in test_pairs]
for i in range(2):input_sentence = random.choice(test_eng_texts)translated = decode_sequences([input_sentence])translated = translated.numpy()[0].decode("utf-8")translated = (translated.replace("[PAD]", "").replace("[START]", "").replace("[END]", "").strip())print(f"** Example {i} **")print(input_sentence)print(translated)print()
WARNING: All log messages before absl::InitializeLog() is called are written to STDERR
I0000 00:00:1714519073.816969   34774 device_compiler.h:186] Compiled cluster using XLA!  This line is logged at most once for the lifetime of the process.** Example 0 **
i got the ticket free of charge.
me pregunto la comprome .
** Example 1 **
i think maybe that's all you have to do.
creo que tom le dije que hacer eso .

评估我们的模型(定量分析)


用于文本生成任务的指标有很多。这里,为了评估我们的模型生成的译文,让我们计算一下 ROUGE-1 和 ROUGE-2 分数。从本质上讲,ROUGE-N 是一个基于参考文本和生成文本之间共同 n-grams 数量的分数。ROUGE-1 和 ROUGE-2 分别使用共同的单字词和双字词的数量。

我们将计算 30 个测试样本的得分(因为解码是一个昂贵的过程)。

rouge_1 = keras_nlp.metrics.RougeN(order=1)
rouge_2 = keras_nlp.metrics.RougeN(order=2)for test_pair in test_pairs[:30]:input_sentence = test_pair[0]reference_sentence = test_pair[1]translated_sentence = decode_sequences([input_sentence])translated_sentence = translated_sentence.numpy()[0].decode("utf-8")translated_sentence = (translated_sentence.replace("[PAD]", "").replace("[START]", "").replace("[END]", "").strip())rouge_1(reference_sentence, translated_sentence)rouge_2(reference_sentence, translated_sentence)print("ROUGE-1 Score: ", rouge_1.result())
print("ROUGE-2 Score: ", rouge_2.result())
ROUGE-1 Score:  {'precision': <tf.Tensor: shape=(), dtype=float32, numpy=0.30989552>, 'recall': <tf.Tensor: shape=(), dtype=float32, numpy=0.37136248>, 'f1_score': <tf.Tensor: shape=(), dtype=float32, numpy=0.33032653>}
ROUGE-2 Score:  {'precision': <tf.Tensor: shape=(), dtype=float32, numpy=0.08999339>, 'recall': <tf.Tensor: shape=(), dtype=float32, numpy=0.09524643>, 'f1_score': <tf.Tensor: shape=(), dtype=float32, numpy=0.08855649>}

10 个轮次后,得分如下:

ROUGE-1ROUGE-2
Precision0.5680.374
Recall0.6150.394
F1 Score0.5790.381

这篇关于政安晨:【Keras机器学习示例演绎】(四十三)—— 使用 KerasNLP 实现英语到西班牙语的翻译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/981861

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传