Sql中的like的用法 大家好，我是免费搭建查券返利机器人赚佣金就用微赚淘客系统3.0的小编，也是冬天不穿秋裤，天冷也要风度的程序猿！今天，让我们一起深入探讨SQL中一个强大而灵活的条件查询操作——LIKE关键字的用法。作为SQL语句中的一部分，LIKE关键字用于模糊查询，使得我们能够更灵活地检索数据库中符合特定模式的数据。 LIKE关键字简介 在SQL中，LIKE关键字用于在WHERE子句中进行模糊匹配。通过结合通配符（通常是百分号 % 和下划线 _），我们可以实现对文本数据的模糊搜索，从而提高查询的灵活性。 LIKE关键字的基本用法 使用百分号 % SELECT * FROM employees WHERE last_name LIKE 'Sm%'; 上述SQL语句将检索employees表中姓氏以"Sm"开头的所有员工记录。 使用下划线 _ SELECT * FROM products WHERE product_name LIKE 'C_r'; 这个例子将返回products表中产品名中第二个字符为"C"，第四个字符为"r"的所有产品记录。 结合百分号和下划线 SELECT * FROM customers WHERE contact_name LIKE 'J%n_d'; 该查询将返回customers表中联系人名以"J"开头，第三个字符为"n"，最后两个字符为"d"的记录。 LIKE关键字的通配符解释 %：代表零个或多个字符。例如，'a%'将匹配以字母"a"开头的任何字符串。_：代表单个字符。例如，'_r%'将匹配第二个字符为"r"的任何字符串。 LIKE关键字的应用场景 模糊搜索 LIKE关键字常用于模糊搜索，例如在搜索引擎、电商网站等场景中，用户输入的关键词可能是不完整或包含拼写错误的，通过LIKE关键字可以提高搜索的容错性。 数据筛选 在数据库查询中，LIKE关键字可以用于快速筛选符合特定条件的数据，特别是对于包含大量文本数据的表格。 字符串匹配 在一些情况下，需要通过部分字符串进行匹配，而不是完全匹配，这时LIKE关键字就能派上用场。 注意事项和技巧 大小写敏感： 在一些数据库中，LIKE关键字可能是大小写敏感的，需要根据实际情况使用。性能问题： 在大数据表上使用LIKE可能会导致性能问题，建议谨慎使用，并考虑索引的建立。 结尾总结 通过本文对LIKE关键字的详细解析，我们深入了解了其基本用法、通配符的解释以及应用场景。LIKE关键字在SQL查询中是一个强大的工具，能够满足对字符串进行模糊匹配的需求，使得数据库查询更加灵活。

大家好，今天来聊聊文心一言降重好用吗 PaperGPT，希望能给大家提供一点参考。 以下是针对论文重复率高的情况，提供一些修改建议和技巧，可以借助此类工具： 文心一言降重好用吗 文心一言是百度推出的AI语言模型，具有强大的自然语言处理能力。近年来，随着AI技术的不断发展，越来越多的作者开始尝试使用AI工具进行论文降重。那么，文心一言降重好用吗？本文将从七个方面进行讨论。 一、AI技术的优势 文心一言作为一款AI语言模型，具有强大的自然语言处理能力。它可以通过对大量文本数据的深度学习，自动识别和替换文本中的重复内容。这种技术可以大大提高降重效率，节省作者的时间和精力。 二、适用范围广泛 文心一言适用于各种类型的论文，包括学术论文、期刊论文、会议论文等。无论论文的主题和领域如何，文心一言都可以根据查重规则和数据库，自动识别和替换重复内容，从而降低查重率。 三、操作简单易用 文心一言的操作非常简单易用。用户只需要将论文输入到文心一言的平台上，系统会自动进行降重处理从52%到10%‼️怎么提醒老师改论文。用户还可以根据自己的需求，对降重结果进行微调，使其更加符合论文的主题和目的。 四、降重效果显著 文心一言的降重效果非常显著。经过文心一言的降重处理，论文的查重率通常可以降低到较低的水平。这对于作者来说是一个非常大的帮助，可以避免因为查重率过高而影响论文的发表和评审。 五、价格合理 文心一言的价格非常合理。虽然AI技术的成本较高，但是百度作为一家大型互联网公司，通过技术优化和规模效应，将价格控制在了一个相对合理的范围内。这对于广大作者来说是一个非常大的福利。 六、安全可靠 文心一言在运行过程中严格遵守相关法律法规和隐私政策，确保用户数据的安全性和隐私性。同时，百度作为一家大型互联网公司，具有完善的技术保障和安全措施，可以确保用户在使用过程中的安全性和可靠性。 七、总结与建议 综上所述，文心一言降重是一款非常好用的工具。它具有AI技术的优势、适用范围广泛、操作简单易用、降重效果显著、价格合理以及安全可靠等特点。对于广大作者来说，使用文心一言进行论文降重可以大大提高工作效率和论文质量。同时，我们也应该注意在使用过程中遵守相关法律法规和隐私政策，确保数据的安全性和隐私性。 文心一言降重好用吗相关文章： 从60%到11%‼️中文同义句在线转换器 从71%到9%‼️实验材料和方法怎么降重 从53%到10%‼️维普降重有什么诀窍 从58%到10%‼️法律方面论文如何降低查重率 从61%到11%‼️查重和自己论文重复了

Halcon区域生长的几种算法 文章目录 Halcon区域生长的几种算法1. regiongrowing 算子2. regiongrowing_mean算子3. 分水岭算法 如果想要获得具有相似灰度的相连区域，可以使用区域生长法寻找相邻的符合条件的像素。区域生长法的基本思想是，在图像上选定一个“种子”像素或“种子”区域，然后从“种子”的邻域像素开始拽索，将灰度或者颜色相近的像素附加在“种子”上，最终将代表同一物体的像素全部归属于同一“种子”区域，达到将目标物体分割出来的目的。区域生长法的算法执行速度非常快，适用于对检测速度要求高的情况。 1. regiongrowing 算子 Halcon 中的regiongrowing算子实现了区域生长的功能，它能将灰度相近的相邻像素合并为同一区域。regiongrowing 算子的原型如下： regiongrowing(Image : Regions : Row, Column, Tolerance, Minsize :) 其中各参数的含义如下。 （1）参数1：Image为输入的单通道图像。 （2）参数2：Regions 为输出的一组区域。 （3）参数3和4：Row、Column分别为矩形区域的宽和高，需要是奇数，以便计算中心点坐标。默认为1,1，也可以选择其他奇数。 （4）参数5：Tolerance 为灰度差值的分割标准。如果另一个点的灰度与种子区域的灰度差值小于Tolerance，则认为它们可以合并为同一区域。这个值默认为6.0。 （5)参数6：MinSize，表示输出区域的最小像素数，默认为100。 其工作步骤如下。 （1)设定一个尺寸为RowColumn的卷积核，以及一个作为分界依据的像素灰度差值Tolerance。 （2）使用上述指定尺寸的卷积核在原图上进行扫描，并计算卷积核内矩形图像的中心点灰度与邻域矩形图像的中心点灰度差。如果差值小于Tolerance，则将这两个矩形区域合并为同一个。 卷积核默认为11，一般长宽都为奇数。如果大于11，需要先对图像进行平滑处理，平滑的卷积核大小至少为RowColum，这是为了使矩形中心更突出。如果图像上的噪点比较多并且卷积核比较小，也可以省略平滑这一步骤，以减少误判。 （3)对合并后的区域进行判断，如果该区域包含的像素数大于设定的MineSize，则输出结果区域。举例如下： *导入图像 read_image (Image,'data/village') *对原图进行均值处理，选用5*5的滤波器 mean _image (Image, Mean, 5,5) *使用regiongrowing算子寻找颜色相似的邻域 regiongrowing(Mean,Regions,1,1,3.0,100) *对提取区域进行形态学处理，使区域更加平滑和完整 closing_circle (Regions, RegionClosing, 3.5) 使用regiongrowing算子进行区域分割的效果如图所示。 图（a）为输入的原始图像，图(b)为使用regiongrowing算子进行区域生长后分割出的区域。由图中可以看出，颜色相近的邻域被合并成了同一区域，并以同一种颜色显示。分割的效果与滤波器的方法、尺寸有关，也与regiongrowing算子的参数有关，可根据实际需要进行调节。 2. regiongrowing_mean算子 regiongrowing_mean算子的作用与regiongrowing算子类似，也是使用区域生长法进行分割不同的是，regiongrowingmean 算子的输入需要是灰度均值图像。regiongrowing_mean算子的原型如下： regiongrowing_mean (Image : Regions : startRow, startColumn,Tolerance,MinSize:) 其中各参数的含义如下。 （1）参数1：Image为输入的单通道图像。 （2）参数2：Regions 为输出的一组区域。

第一关： 开启ZooKeeper服务器。 zkServer.sh start 使用客户端（zkCli.sh）连接客户端（IP：127.0.0.1，端口号：2181）。 zkCli.sh -server 127.0.0.1:2181 创建/spnode持久节点（节点数据为空）。 create /spnode "" 使用get命令监听/spnode。 get /spnode watch 修改/spnode的节点值（当前客户端修改），观察watch事件。 set /spnode "yyyyyy" 再次使用get命令监听/spnode。 get /spnode watch 点击评测（评测中修改节点值，其他客户端修改），观察watch事件。 第二关： 开启ZooKeeper服务器。 zkServer.sh start 使用客户端（zkCli.sh）连接客户端（IP：127.0.0.1，端口号：2181）。 zkCli.sh -server 127.0.0.1:2181 添加digest认证，用户名testZK，密码testZK。 addauth digest testZK:testZK 创建/zknode持久节点（节点数据为ZK），ACL设置为用户testZK的密码认证，用户testZK对该节点拥有读，写，管理权限。 create /zknode "ZK" digest:testZK:testZK:rwa getAcl /zknode setAcl /zknode zknode::rwa 断开客户端（zkCli.sh）与客服端连接。 qiut 第三关： 开启ZooKeeper服务器。 zkServer.sh start 使用客户端（zkCli.sh）连接客户端（IP：127.0.0.1，端口号：2181）。 zkCli.sh -server 127.0.0.1:2181 创建/test_quota持久节点（节点数据为空）。 create /test_quota "" 设置/test_quota路径节点限制个数为3。 setquota -n 3 /test_quota 断开客户端（zkCli.sh）与客服端连接。 quit

2. NameNode在启动时自动进入安全模式，在安全模式阶段，说法错误的是 A. 安全模式目的是在系统启动时检查各个DataNode上数据块的有效性 B. 根据策略对数据块进行必要的复制或删除 C. 当数据块最小百分比数满足最小副本数条件时，会自动退出安全模式 D. 文件系统允许有修改 标准答案：D 3. 关于HDFS的文件写入，正确的是 A. 支持多用户对同一个文件的写操作 B. 用户可以在文件的任意位置进行修改 C. 默认将文件复制成三份存放 D. 复制的文件默认都存在同一机架上 标准答案：C 9. 下面与HDFS类似的框架是？C A NTFS B FAT32 C GFS(也是分布式文件系统，谷歌自己的分布式文件系统) D EXT3 4. HDFS无法高效存储大量小文件，想让它能处理好小文件，比较可行的改进策略不包括 A. 利用SequenceFile、MapFile、Har等方式归档小文件 B. 多Master设计 C. Block大小适当调小 D. 调大namenode内存或将文件系统元数据存到硬盘里 标准答案：D 试题解析： 5. HDFS是基于流数据模式访问和处理超大文件的需求而开发的，默认的最基本的存储单位是64M，具有高容错、高可靠性、高扩展性、高吞吐率等特征，适合的读写任务是 A. 一次写入，少次读写 B. 多次写入，少次读写 C. 一次写入，多次读写 D. 多次写入，多次读写 标准答案：C 6. Clinet在HDFS上进行文件写入时，namenode根据文大小和配置情况，返回部分DataNode信息，谁负责将文件划分为多个block，根据DataNode的地址信息按顺序写入到每一个DataNode块 A. Clinte B. NameNode C. DataNode D. Secondary namenode 标准答案：A 试题解析： 7.

12月28日，由深度学习技术及应用国家工程研究中心主办的WAVE SUMMIT+深度学习开发者大会2023在北京召开。百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰现场公布了飞桨文心五载十届最新生态成果，文心一言最新用户规模破1亿，截至12月底，飞桨平台开发者数量达1070万。 文心一言用户规模破1亿 飞桨开发者数达1070万 据了解，百度自2019年起深耕预训练模型研发，发布了文心大模型1.0。经过近四年积累，百度于今年3月在全球科技大厂中率先发布了知识增强大语言模型文心一言。10月，文心一言的基础模型升级到4.0，理解、生成、逻辑和记忆四大人工智能基础能力全面提升。文心大模型4.0过去两个多月整体效果又提升了32%。 王海峰披露，文心一言用户规模已突破1亿，自8月31日获准开放对公众提供服务以来，文心一言的用户提问量一路上扬，基本与文心大模型的效果提升同步。 现场王海峰还公布了飞桨生态最新成果，已凝聚1070万开发者，服务23.5万家企事业单位，基于飞桨创建了86万个模型。 飞桨星河社区全面升级 基于文心一言的创新应用超4000个 百度集团副总裁、深度学习技术及应用国家工程研究中心副主任吴甜现场分享了文心一言的用户使用洞察，发布星河社区大模型工具中心和星河共创计划最新进展。她表示，文心一言帮助用户降低了专业门槛，成为用户的倾听者、理解者、支持者，更完成了37亿字的文本创作，生成了3亿行代码，覆盖主流编程语言。文心一言产品功能持续上新，面向专业版用户开启智能体模式的邀测。 作为中国最大的AI开发者社区，飞桨星河社区全面升级，为广大开发者提供丰富的异构算力和通用组件，飞桨产业级模型库和全流程开发工具链，实现低成本开发AI应用。在飞桨和文心大模型共同驱动下， 星河大模型社区具备了“AI原生应用创新全要素”，为开发者提供开发、体验、推广、交流、学习一体化服务。全新发布大模型工具中心，集合了百度人工智能多年来的建设成果，包括飞桨产业级模型库、百度大脑AI能力、文心一言工具等，同时支持生态工具接入，赋能开发者高效开发AI原生应用。现场，吴甜使用大模型工具中心“多工具智能编排”开发模式，演示了零代码开发完成一款集成图文识别、问答、翻译、播报等多模态全功能的“旅行助手”应用。 文心大模型“星河”共创计划，提供生态和产业资源，与广大开发者共同推动人工智能应用创新。推出4个多月以来，星河社区基于文心一言的创新应用已经超过4000个。为增强专业能力，文心一言正式“拜师”，首批10位“文心导师”是其所在行业领域的顶尖学者和专家，将帮助文心一言加强在各个专业领域的造诣，为用户提供更具思想深度和广度的支持。同时，文心一言与上海辞书出版社深化合作，《辞海》的庞大数据已经融入文心基座大模型 ，增强了文心一言的学识，更好地为用户提供服务。 最新发布飞桨开源框架2.6版、大模型重构开发工具链 现场，百度AI技术生态总经理马艳军最新发布飞桨开源框架2.6版本和大模型重构的开发工具链。其中，2.6版本在开发体验方面，通过自适应图构建机制，动转静训练成功率达到100%；实现了高扩展性IR，支撑大模型极致性能优化；支持动静统一自动并行编程，混合并行训练代码开发大幅简化。全流程优化大模型套件，并结合文心大模型升级硬件适配方案。 大模型不断加持开发工具链，包括全新发布Comate AutoWork，飞桨低代码开发工具PaddleX v2.2，升级面向生态的文心一言开发机制，打造更智能、高效、低门槛的AI原生应用开发新范式。 据了解，目前百度每天有20%的新增代码由Comate智能生成，Comate SaaS服务已有8000家企业客户，整体代码生成采纳率超过40%。 本次会上新发布的百度Comate AutoWork，实现了从单一生成代码进化到系统化处理复杂研发任务的新阶段。开发者仅需明确目标和意图，AutoWork便能深度解读代码库，制定执行计划并智能生成代码，实现了从需求解析到代码实现的端到端自动化。登陆百度Comate官网，企业级用户即可申请试用。面向AI应用开发者，飞桨低代码开发工具PaddleX充分结合文心大模型，高质量完成以前很难解决的产业痛点问题，大幅提升开发效果和效率。此外，面向生态中的广大开发者，文心一言开发机制全新升级，新机制深度赋能开发者，更好地适配开发者的具体场景，开发出有极致体验的应用。 首个国家级大模型产业人才标准正式启动 大模型技术日新月异，对于AI人才也提出了更高要求。百度与工业和信息化部人才交流中心共同启动国内首个《大模型产业人才标准与能力评价》，为大模型人才培养提供明确方向，也为企业的选人用人提供科学参考。现场，工业和信息化部人才交流中心党委书记、主任李学林，百度集团副总裁吴甜，工业和信息化部人才交流中心党委委员、副主任色云峰，百度技术委员会理事长陈尚义参与启动仪式。 同样，AI人才共育离不开高校的力量，新一轮“百度飞桨人工智能教育创新中心”现场举行了授牌仪式，北京理工大学研究生院常务副院长邓方、华中科技大学软件学院院长白翔、华南理工大学计算机科学与工程学院党委书记林智、天津大学智能与计算学部人工智能学院书记、副院长王鑫出席仪式，飞桨产教融合进程加速。 企业、个人开发者共创，创新成果持续涌现 在凝聚超千万开发者的飞桨平台上，创新成果持续涌现，各具特色的开发者们正用自己的模型和代码，执着追梦。致力为听障人士提供服务的声桥AI语训团队，带来基于飞桨和文心大模型的AI口语康复应用，随时提供文字形式的反馈指导，未来还将提供多模态反馈。用AI搭建沟通的桥梁，帮近3000万听障人士“学说话”。星河社区孵化的项目Elements.AI现场揭秘大模型创业大赛背后的故事，打造IT知识交互场景应用，极大提升工作和生产效率。大模型创新实践还在大湾区展开，智湾科技分享了如何运用百度AI赋能香港、助力湾区创新。 大会还为创新企业和卓越开发者进行了隆重颁奖，颁发了“星河产业应用创新奖”，获奖企业包括国网智能电网、华晨宝马、顺丰科技在内的10家企业。并颁发“文心卓越贡献奖”、“文心创新先锋奖”和“飞桨开源之星”，激发开源创新活力，赋能产业繁荣生态，助推产业智能化。 主会场外，开发者创意市集、Workshop等体验互动实操环节，吸引了大量参会者积极参与，沉浸式体验AI原生应用的魅力，获取创新的热情与灵感。10句话挑战说服宿管阿姨开门；AI一键自动识别好坏咖啡豆；AI模拟“弹奏”世界名曲；虚拟世界神奇办公室，输入创业方向，智慧打工人们将为你勤劳奔走…… 过去WAVE SUMMIT历经五载十届，是中国AI技术生态繁荣与崛起的关键时期。如今，飞桨与文心大模型从技术到生态都正开启新篇章，面向未来，飞桨与文心将继续为开发者撑起创新之撸，共赴通用人工智能的星辰大海。

1 引言 在当今数据驱动的世界中，数据分析成为了解决问题和做出决策的关键步骤。为了更深入地了解和探索数据，我们需要强大而灵活的工具。其中，Statsmodels库是Python中一个不可或缺的工具，它为数据分析提供了丰富的统计模型和测试的功能。 1.1 数据分析基本概念 在开始探讨Statsmodels之前，让我们简要回顾一下数据分析的基本概念。数据分析是一项系统性的过程，旨在从大量数据中提取有意义的信息和洞察。这包括数据的收集、清理、转换和建模，以发现隐藏在数据背后的模式和规律。通过使用统计学、机器学习和可视化工具，数据分析师能够揭示数据之间的关系、趋势和变化，为决策制定提供支持。关键步骤包括描述性统计以总结数据特征，建立统计模型如线性回归进行预测，以及通过假设检验进行统计推断。 数据分析不仅适用于科学研究和学术领域，还在商业、医疗、社会科学等各个领域发挥关键作用，帮助人们更深刻地理解现象，做出明智的决策。这个过程不断演进，随着技术的进步和数据的不断增长，数据分析变得更加复杂和重要。 1.2 Statsmodels库的作用和重要性 Statsmodels库在Python中扮演着关键的角色，为数据分析提供了强大的统计建模和测试工具。其作用不仅限于描述性统计，还涵盖了多种统计模型，如线性回归和时间序列分析。 这个库的重要性体现在它能够帮助数据分析师更深入地理解数据背后的规律，通过生成详细的统计模型摘要和诊断图，使用户能够从数据中提取有意义的信息。Statsmodels的灵活性和丰富的功能，使其成为数据科学家和分析师们进行高级统计分析的不可或缺的工具，为数据驱动的决策提供了坚实的支持。 2 安装与导入Statsmodels 在开始使用Statsmodels之前，我们需要确保该库已成功安装，并将其导入到我们的Python环境中。 2.1 使用 pip 安装Statsmodels 要安装Statsmodels，您可以使用以下简单命令： pip install statsmodels 2.2 导入Statsmodels模块 安装完成后，通过以下方式导入Statsmodels： import statsmodels.api as sm 现在，我们已经准备好开始探索Statsmodels的功能了。 3 基础数据分析 Statsmodels提供了丰富的工具，可以进行基础的数据分析。 描述性统计分析： describe()：生成数据的描述性统计信息，包括计数、均值、标准差、最小值、25%分位数、中位数、75%分位数和最大值。 方差分析（ANOVA）： anova_lm()：进行方差分析，用于比较不同组之间的均值是否显著不同。 协方差分析（ANCOVA）： ols()：进行协方差分析，用于比较组间均值是否显著不同，同时考虑一个或多个协变量。 统计检验： ttest_ind()：进行两组间的独立样本t检验。ttest_rel()：进行两组相关样本t检验。 多元方差分析（MANOVA）： Manova()：进行多元方差分析，适用于多个因变量。 卡方检验（Chi-squared Test）： contingency_tables()：进行卡方检验，用于分析分类变量之间的关系。 独立性检验（Independence Test）： association_tests()：用于执行独立性检验，例如卡方独立性检验。 正态性检验（Normality Test）： normaltest()：用于检验数据是否服从正态分布。 相关性分析（Correlation Analysis）： pearsonr()：计算Pearson相关系数，用于衡量两个变量之间的线性相关性。spearmanr()：计算Spearman秩相关系数，用于衡量变量之间的单调相关性。 置信区间（Confidence Intervals）： DescrStatsW()：用于计算均值的置信区间。 秩和检验（Rank Sum Test）： ranksums()：用于比较两组独立样本的中位数是否相等。 这些功能覆盖了一系列基础性统计分析的需求，包括检验独立性、检验正态性、计算相关系数等。后续的文章中我会陆续介绍这些基础性分析的使用方法，这里只做一个简单的介绍，以描述性分析和绘制图表为例。 3.1 利用Statsmodels进行描述性统计分析 使用Statsmodels的describe()函数，我们可以轻松获取数据的描述性统计信息： import pandas as pd import numpy as np import statsmodels.

文章目录 前言1. 数据库的相关概念1.1 数据1.2 数据库1.3 数据库管理系统1.4 数据库系统1.5 SQL 2. MySQL数据库2.1 MySQL安装2.2 MySQL配置2.2.1 添加环境变量2.2.2 新建配置文件2.2.3 初始化MySQL2.2.4 注册MySQL服务2.2.5 启动MySQL服务 2.3 MySQL登录和退出2.4 MySQL卸载2.5 MySQL数据模型 3. SQL语句3.1 SQL简介3.2 通用语法3.3 SQL分类 4. DDL- 操作数据库4.1 查询4.2 创建数据库4.3 删除数据库4.4 使用数据库 5. DDL- 操作数据表5.1 数据类型5.2 查询表5.3 创建表5.4 删除表5.5 修改表 6. 实战案例详解7. DML- 增删改数据7.1 添加数据7.2 修改数据7.3 删除数据 8. DQL- 数据的查询操作8.1 基础查询1. 基础查询语法2. 基础查询练习 8.2 条件查询1. 条件查询语法2. 条件查询练习 8.3 排序查询1. 排序查询语法2. 排序查询练习 8.4 聚合函数1. 聚合函数语法2.聚合函数练习 8.5 分组查询1. 分组查询语法2. 分组查询练习 8.

目录 1 VideoReTalking论文解读 1.1 介绍 1.2 相关工作 1.2.1 视频编辑中的音频配音 1.2.2 基于音频的单图像面部动画 1.3 框架 1.3.1 语义引导重演网络 1.3.2 口型同步网络 1.3.3 身份感知增强网络 1.3.4 后期处理 1.4 训练 1.4.1 每个模块的训练 1.4.2 评估 1.5 结果 1.5.1 与最先进方法的比较 1.5.2 消融研究 1.5.3 情感谈话视频的扩展 1.5.4 局限性 1.6 结论 2 VideoReTalking部署与运行 2.1 conda环境准备 2.2 运行环境构建 2.3 模型下载 2.4 模型运行 VideoReTalking是一个强大的开源模型，是目前语音驱动面部表情的模型中效果最好的一个。此模型是由西安电子科技大学、腾讯人工智能实验室和清华大学联合开发的。 项目地址：https://github.com/OpenTalker/video-retalking 论文地址：https://arxiv.org/pdf/2211.14758.pdf 1 VideoReTalking论文解读 我们展示了VideoReTalking，这是一种新系统，可以根据输入音频编辑真实世界中说话的头部视频的面部，从而产生高质量和口型同步的输出视频，即使带有不同的情绪。我们的系统将这个目标分解为三个连续的任务： 具有规范表达的面部视频生成；音频驱动的口型同步；面部增强以提高照片的真实感。 给定一个会说话的头像视频，我们首先使用表情编辑网络根据相同的表情模板修改每一帧的表情，从而生成具有规范表情的视频。然后将该视频与给定的音频一起输入口型同步网络以生成口型同步视频。最后，我们通过身份感知面部增强网络和后处理提高合成面部的照片真实感。我们对所有三个步骤都使用基于学习的方法，并且我们所有的模块都可以在没有任何用户干预的情况下按顺序处理。此外，我们的系统是一种通用方法，不需要针对特定​​人员进行再培训。对两个广泛使用的数据集和实际示例的评估表明，我们的框架在口型同步准确性和视觉质量方面优于其他最先进的方法。 图1 我们的方法修改原始视频并通过表情编辑和口型同步网络通过输入音频生成口型同步视频。 面部动画、视频合成、音频驱动生成 图 2 给定一个任意的谈话视频和另一个音频，我们的方法可以合成一个照片般逼真的谈话视频，具有精确的唇音同步和修饰的面部表情。 1.1 介绍 图 3 我们的框架包含三个主要组件，用于生成逼真的口型同步视频。 根据输入的语音音频编辑说话的头部视频的任务具有重要的现实应用，例如将整个视频翻译成不同的语言，或者在视频录制后修改语音。这项任务被称为视觉配音，已经在之前的几部作品中进行了研究 （Suwajanakorn 等人，2017年; Wen等人，2020年; Thies 等人； Prajwal 等人，2020年)，它通过修改面部动画和情绪以匹配目标音频来编辑输入的说话头部视频，同时保持所有其他动作不变（如图 2 所示）。一些方法（Suwajanakorn 等人，2017年; Wen等人，2020; Thies 等人。,2020

关于现在非常红火的AI绘画，很多感兴趣的人不知道如何入手，如果你的电脑配置足够好，那么不要犹豫，让我来教你如何在本地电脑全免费运行当下最强大的AI绘画工具——Stable Diffusion 吧！ 所以本期给大家带来了全新Stable Diffusion 保姆级教程资料包（文末可获取） 一、Stable Diffusion 是什么 知识科普 Stable Diffusion 简介 Stable Diffusion是一种基于深度学习的文本到图像生成模型，于2022年发布。它能够根据文本描述生成详细的图像，同时也可以应用于其他任务，例如图生图，生成简短视频等。 Stable Diffusion是一种潜在扩散模型，由慕尼黑大学的CompVis研究团体开发。该模型由初创公司Stability Al，CompVis与Runway合作开发，同时得到了EleutherAl和LAION的支持。 Stable Diffusion的代码和模型权重已经公开发布，并且可以在大多数配备有适度GPU的电脑硬件上运行。相比之下，之前的专有文生图模型（如DALL-E和Midjourney）只能通过云计算服务访问。 Stable Diffusion Web UI 简介 Stable Diffusion Web UI是一个基于Web的用户界面，用于使用Stable Diffusion进行图像生成和其他任务。该Web UI由AUTOMATIC1111开发，并开源上传至Github，也是目前使用最多的WebUI版本。 Stable Diffusion Web UI提供了易于使用的图形界面，可以帮助用户更直观地了解和使用Stable Diffusion的功能，并在基本不需要编写代码的情况下启动和监视训练过程。 对于对这些不感兴趣的朋友们可以直接跳过这些专业术语，对编程和算法感兴趣的朋友们可以自行搜索了解更多关于Stable Diffusion的专业信息。 3.Stable Diffusion 的主要优点： (1) 免费开源 与另外一个主流的AI绘画软件Midjourney相比，它是免费开源的。Midjourney需要登陆Discard上进行使用（国内无法直接链接注册），而且需要付费才能继续使用，最低价格为10美元/月，而SD在B站上有人整理好的免费安装包，无需付费即可下载一键安装。将SD安装到本地后，用户可以随时使用，生成的图片只有自己可以看到，保密性更高。 (2) SD拥有强大的开源模型和插件 由于其开源属性，SD拥有许多免费的高质量外接预训练模型和插件。例如，可以提取物体轮廓、人体姿势骨架、图像深度信息的插件Controlnet可以让用户在绘画过程中精确控制人物的动作姿势、手势和画面构图等细节；插件Mov2Mov可以将真实视频进行风格化转换。 此外，SD还具备Inpainting和Outpainting功能，可以智能地对图像进行局部修改和扩展，而这些功能目前Midjourney无法实现。 二、本地安装教程 1. 本地部署特点 本地部署 Stable Difusion 具有更强的可扩展性，用户可以自定义安装所需的模型和插件，从而提高系统的适应性。此外，本地部署方案还能够提供更高的隐私性和安全性，并且用户可以享受更大的自由度。最重要的是，这一解决方案完全免费。 它也存在一些缺点，那就是对本机硬件的要求较高，Windows 用户需要配备 NVIDIA 显卡，并且至少需要8G的显存和16G的内存才能正常运行。而对于 Mac 用户，系统的运行需要 M1/M2 芯片的支持。 2.电脑配置要求 电脑配置最核心的关键点: 看显卡、看内存、看硬盘、看 CPU。其中最重要的是看显卡。N 卡(英伟达 Nvida 独立显卡)首选，效率远超集显/AMD/Intel 显卡和 CPU 染，最低 10 系起步，体验感佳用 40 系，显存最低 4G，6G及格，上不封顶;内存最低 8G，16G 及格，上不封顶:

就在昨天（12月27日）2023年中科院分区表公布，本文总结了有关计算机领域（尤其是AI（机器学习，CV，NLP，数据挖掘等））的一些期刊的SCI分区，供大家参考学习。 序号期刊简称全称网址SCI大类分区CCF评级SC分区截图影响因子 (来源Letpub)1AIArtificial Intelligencehttps://www.sciencedirect.com/journal/artificial-intelligence计算机科学2区A14.1 (影响因子这么高，2区。。。)2JMLRJournal of Machine Learning Researchhttps://www.jmlr.org/计算机科学3区A63TPAMIIEEE Transactions on Pattern Analysis and Machine Intelligencehttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=34计算机科学1区TOPA23.64IJCVInternational Journal of Computer Visionhttps://link.springer.com/journal/11263计算机科学2区A19.5 （这么高，还是2区）5TOISACM Transactions on Information Systemshttps://dl.acm.org/journal/tois计算机科学2区A5.66TKDEIEEE Transactions on Knowledge and Data Engineeringhttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=69计算机科学2区A8.97TKDDACM Transactions on Knowledge Discovery from Datahttps://dl.acm.org/journal/tkdd计算机科学3区B3.68TITSIEEE Transactions on Intelligent Transportation Systemshttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=6979工程技术1区TOPB8.59TNNLSIEEE Transactions on Neural Networks and learning systemshttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=5962385计算机科学1区TOPB10.410TASLPIEEE/ACM Transactions on Audio, Speechhttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=6570655计算机科学2区TOPB5.411TOGACM Transactions on Graphicshttps://dl.acm.org/journal/tog计算机科学1区TOPA6.212TIPIEEE Transactions on Image Processinghttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=83计算机科学1区TOPA10.613TVCGIEEE Transactions on Visualization and Computer Graphicshttps://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=2945计算机科学1区TOPA5.214TCVSTIEEE Transactions on Circuits and Systems for Video Technologyhttps://ieeexplore.

敲重点：第一次连接adb，一定一定要装手机助手，不然无法成功连接。 1.手机用数据线连上电脑（最好是原装数据线）。打开手机开发者模式，并进入相关界面。 注意点：如果没有勾选“仅充电”选项，在运行adb命令时可能会报下图的错。 2.一般情况下，这时电脑上会自动下载了“手机助手”，安装该手机助手即可。 注意点：安装过程中如果报错或者没有自动下载手机助手，可以百度自行下载，下载时注意图标。 win7系统可能会报下图的错误。 3.电脑安装成功后，连接手机，会询问是否在手机上安装“手机助手”，同意安装。 按照提示电脑连接手机助手即可。 连接成功后手机提示“不要退出此界面”，不用管，该退出退出。 4.打开cmd，输入adb devices 查看设备是否连接上，当然一般没连上。 根据下图命令，重启adb服务，且在开发者选项界面，取消勾选usb调试，然后再连接上。 重点，如果还是没有连接上设备，重复此操作即可。（5037错误可以忽略不管）

删除整个field redisTemplate.opsForHash().delete("field"); 删除field一个或多个字段 相关命令 hdel key field [field …] 方法： Long delete(H key, Object... hashKeys); 说明 返回值:成功删除的field个数 key:键名 keys:要删除的字段名 示例 redisTemplate.opsForHash().delete("key","key1"); redisTemplate.opsForHash().delete("key","key1","key2"); 清除一个 Hash 表field所有的数据，请谨慎使用 redisTemplate.opsForHash().entries("field").clear()

项目介绍 项目名称：图书管理系统 图书管理系统设计与实现项目的背景： 图书馆人员结构复杂，人员数量有限，涉及方面很广，如果还使用手工操作处理图书借阅问题，工作将非常繁琐，需要大量的人力、物力、财力，极大的浪费了资源，对于图书管理人员来说，图书馆管理包括图书信息管理、图书类别管理、借阅信息管理、管理员信息管理等等。而这些项目在过去靠手工操作，需要手工记录这些事情，不但麻烦，还经常出错，给广大用户带来很多不便，因此，开发这样一套图书馆管理系统软件。让管理员方便的管理图书及用户信息，方便用户查找图书。 系统要实现的功能概述： （1）用户登录：管理员根据用密码进行身份验证登录系统 （2）菜单介绍：根据菜单介绍本系统的使用规则 （3）图书信息录入：根据编号录入图书信息 （4）图书信息浏览：根据编号显示图书信息 （5）图书信息查找：根据编号查找图书信息 （6）图书信息修改：根据编号修改图书信息 （7）图书信息保存：输入图书信息文件存档 （8）图书信息插入：输入图书信息插入系统 （9）图书信息删除：根据图书编号进行删除 目录 项目介绍 用户登录系统 系统菜单提示 图书信息录入 图书信息浏览 图书信息插入 图书信息删除 图书信息保存 图书信息查找 图书信息修改 退出管理系统 主函数的介绍 人生漫长，晴雨交加 但若是心怀热爱，即使岁月荒芜 亦能奔山赴海，静待一树花开 对于这种代码量超百位数的，大家最好养成分模块写代码的习惯： 我创建了一个.h文件offer.h和两个.c 文件my_offer和offer.c 我的offer.h一般放头文件和结构体类型 my_offer.c文件一个设置主函数main offer.c文件完善相应的函数接口 这样分工明确，不会混乱，可以提高敲代码的效率哦~ 代码的讲解如下： 头文件： #include <stdio.h>//标准输入输出函数 #include <stdlib.h>//动态内存malloc函数，system函数 #include <string.h> //strcmp比较字符串函数 #include <assert.h>//断言判断malloc的空间有没有开辟成功，没有成功就产生断点 宏定义： #define N 10 结构体： typedef struct { char num[N]; //编号 char namebook[N]; //名字 int price; //价格 }Book; typedef struct Lnode { Book date; //数据域，结构体的嵌套 struct Lnode* next; //指针域 }Lnode, * Node; //指向节点的指针 用户登录系统 void menu2() { int input = 0, count = 0, i = 0; char mima[20] = "

from llama_cpp import Llama model = Llama(model_path="llama-2-7b-chat.ggmlv3.q4_0.bin") 错误：gguf_init_from_file: invalid magic characters 'tjgg'等，也就是无法加载模型 因为最新版的llama-cpp-python不支持ggml文件格式了 解决方案： 1、降低版本（最简单）： pip install llama-cpp-python==0.1.78 2、直接下载对应GGUF的模型 3、利用llama.cpp内部转换函数进行转换 参考出处：TheBloke/Llama-2-13B-GGML · Could not load Llama model from path (huggingface.co) 运行结果：

简介 在JetBrains IDE中使用GitHub Copilot遇到-32603报错。 本文重点介绍挂了tz开全局代理后依然遇到该问题的解决方法。 报错详情 GitHub Copilot Sign in failed.Reason:Request signInInitiate failed with message:The pending stream has been canceled (caused by:connect ETIMEDOUT aaa.bbb.ccc.ddd:443),request id:6,error code:-32603 前情提要 某天需要用Pycharm，想把之前好用的GitHub Copilot也装一个搬过来用。 遇到这个问题之前，你可能会经历： 0.已经有一个可用的柯学末法工具 1.购买或以学生身份白嫖Copilot使用资格 2.安装好Pycharm 3.在Copilot设置界面允许与公共代码匹配的建议 4.在Pycharm插件市场中安装GitHub Copilot 5.安装好后，尝过登录Github时遇到此问题 解决思路 从其它博客、教程中搜索解决方案，其它博主的方法大致包括切手机热点、用 proxifier挂代理、改hosts等等 总的来说，可以判断是网络无法访问github的问题，该插件需要访问 github.com 才能进行身份验证。 但是在有tz的情况下，本来就是能访问github的，即使是软件插件访问，开启全局模式应该也能解决问题。但是现在依然报错，不得不怀疑系统中的软件或者设置阻止了网络请求。 -首先关掉带善人360等杀毒软件。 -检查Windows defender设置。在系统的Windows安全中心-防火墙与网络保护-允许应用通过防火墙中 找到PyCharm 2023.3.2，并将允许勾选。 至此，笔者检查时已经可以正常登录。 如果依然无法登录，建议检查： -IDE 或系统的代理设置，看有没有忘了关或者没改回来的。 -hosts有没有以前手动或者用软件改过，然后之前改的域名失效了。 -更换tz的节点和更新PAC。 使用效果 点击后弹出登录界面 点击Copy and Open 后，浏览器中将打开设备激活窗口。粘贴设备代码，然后单击继续。 GitHub 将请求 GitHub Copilot 的必要权限。要批准这些权限，请单击授权 GitHub Copilot 插件。

Ubuntu安装MySQL 介绍： Ubuntu 是一款基于Linux操作系统的免费开源发行版，广受欢迎。它以稳定性、安全性和用户友好性而闻名，适用于桌面和服务器环境。Ubuntu提供了大量的软件包和应用程序，拥有庞大的社区支持和活跃的开发者社区。它的长期支持（LTS）版本获得5年的安全更新，为企业和个人提供了可靠的选择。 Ubuntu的桌面版本具有直观的用户界面，而服务器版本则适用于构建强大的Web服务器和云计算平台。 当你需要在Ubuntu上安装MySQL时，有两种主要的方式：在线安装和离线安装。在线安装是通过Ubuntu软件包管理器直接下载和安装MySQL，而离线安装则涉及手动下载MySQL安装包并在离线环境中进行安装。 Ubuntu和MySQL默认版本对照 以下是一个以表格形式列出了不同Ubuntu版本和它们通常默认安装的MySQL版本： Ubuntu 版本默认 MySQL 版本Ubuntu 22.04 LTSMySQL 8.0Ubuntu 20.04 LTSMySQL 8.0Ubuntu 18.04 LTSMySQL 5.7Ubuntu 16.04 LTSMySQL 5.7Ubuntu 14.04 LTSMySQL 5.5Ubuntu 12.04 LTSMySQL 5.5 在线安装MySQL 步骤1：更新软件包列表 在进行任何软件安装之前，请确保你的系统的软件包列表是最新的。打开终端并运行以下命令： sudo apt update 步骤2：安装MySQL服务器 在更新软件包列表后，这里我们可以查看一下可使用的MySQL安装包： # 查看可使用的安装包 sudo apt search mysql-server 接下来可以使用以下命令安装MySQL服务器： # 安装最新版本 sudo apt install -y mysql-server # 安装指定版本 sudo apt install -y mysql-server-8.0 如果不加-y 会在安装过程中，系统将提示你设置MySQL的root密码。确保密码足够强，且记住它，因为你将在以后需要用到它。 步骤3：启动MySQL服务 安装完成后，MySQL服务会自动启动，未启动则使用以下命令启动MySQL服务： sudo systemctl start mysql 并将MySQL设置为开机自启动： sudo systemctl enable mysql 步骤4：检查MySQL状态 你可以使用以下命令来检查MySQL是否正在运行：

SQLException 是在 Java 中处理数据库操作过程中可能发生的异常，通常是由于底层数据库操作错误或违反了数据库规则而引起的。以下是可能导致 SQLException 的一些原因以及相应的解决方法： 连接问题： 可能原因： 数据库连接失败，可能是由于数据库服务器不可用、连接字符串错误、网络问题等。解决方法： 检查数据库连接字符串、数据库服务器是否正常运行，确保网络连接可用。可以使用连接池来提高连接的复用性和性能。 javaCopy code try { Connection connection = DriverManager.getConnection("jdbc:mysql://localhost:3306/mydatabase", "user", "password"); // Perform database operations } catch (SQLException e) { e.printStackTrace(); // Handle connection issues } SQL语法错误： 可能原因： 执行的 SQL 查询或更新语句存在语法错误。解决方法： 仔细检查 SQL 语句，确保语法正确。可以在数据库管理工具中执行相同的 SQL 语句以验证其有效性。 javaCopy code try (Statement statement = connection.createStatement()) { String sql = "SELECT * FROM mytable WHERE column = 'value'"; ResultSet resultSet = statement.executeQuery(sql); // Process the result set } catch (SQLException e) { e.

学生管理系统 一、问题描述二、设计需求及分析三、概要设计四、详细设计五、设计功能的实现（C++语言描述）六、实例测试及运行结果七、实现提示八、UML图九、心得体会 一、问题描述 随着大学规模的不断扩大，有关各种学生信息的数据量也不断增大。学生有本科生、研究生和助教博士生，校方需要对这些学生的信息进行计算机管理。所开发的软件应包括各类学生的添加、修改、删除和查找等功能。考虑到软件的可重用性、可扩展性和可维护性，校方决定采用面向对象的程序设计方法来开发系统。学生信息需要以文件方式保存到计算机硬盘中。另外，系统的用户界面应该尽可能友好，方便用户使用。 源文件开源在：https://github.com/fengqianiqan/C-C-studentSystem 二、设计需求及分析 (1) 使用C++语言开发，充分利用面向对象程序设计的类、对象、继承、封装和多态性等 概念来设计和实现该管理系统。 (2) 设计一个Person（人员）类，考虑到通用性，只抽象出所有类型人员都具有的属性：name（姓名）, id（身份证号），gender（性别），birthday（出生日期）等等。其中“出生日期”为内嵌子对象，是一个Date（日期）类型，Date类具有属性: year(年)，month（月），day（日）。用成员函数实现对人员信息的录入和显示等必要功能操作。 (3) 从Person类派生出Student（学生）类，添加属性： studentNo（学号），schoolName（学校），classIn (班级)。从Person类派生出Teacher（教师）类，添加属性：teacherNo（教师编号），schoolName（学校），department（部门）。 (4) 从Student类中派生出UnderGraduate（本科生）类，添加属性：major（专业）。从Student类中派生出Graduate（研究生）类，添加属性：direction（研究方向），adviserName（导师姓名）。 (5) 从Graduate类和Teacher类派生出TＡ（助教博士生）类。 (6) 写程序测试上述各类，看能否正常运行。 (7) 构建必要的辅助类，实现对本科生、研究生和助教博士生的添加、修改、删除、查询管理。 (8) 根据需要定义类的构造函数、析构函数、拷贝构造函数、成员函数。必要时重载函数。 (9) 要求将Person类设置为虚基类，以消除其派生类成员访问的二义性问题（注意在虚基类各级派生类的构造函数实现时调用虚基类的构造函数）。 (10) 要求在Person类中定义虚函数displayDetails（），用于显示当前对象的信息；同时定义虚函数inputData( )，用于从键盘获取当前对象的信息。Person类所有派生类也要定义同名虚函数，使程序可以实现动态多态性。 (11) 用菜单方式设计主控模块程序。 (12) 对程序源代码要给出各部分的详细注释，这也是该题目的考核重点之一。 (13) 用UML语言描述系统用到的类及其关系。 三、概要设计 （1）//日期类型定义 class Date{ private: int year; int month; int day; public: Date(Date &d){year = d.year; month = d.month; day = d.day;} //初始化 ~Date( ){ }; void setYear(int y){year = y;} void setMonth(int m){month = m;} void setDay(int d){day = d;}//修改单个属性 int getYear( ){return year;} int getMonth( ){return month;} int getDay( ){return day;}//修改单个属性 void inputDate(){ cout << "

目录 安装Erlang 1.首先安装RabbitMQ需要安装Erlang环境 2.点击下载好的.exe文件进行傻瓜式安装,一直next即可 3.配置Erlang环境变量 安装RabbitMQ 1.给出RabbitMQ官网下载址：Installing on Windows — RabbitMQ，找到 2.配置RabbitMQ环境变量，过程跟配置Erlang相似 3.安装管理工具RabbitMQ-Plugins，进入sbin文件下，打开命令窗口输入 4.只要第二部是成功的，安装好管理工具后,进入C:\Program Files\RabbitMQ Server\rabbitmq_server-3.12.10\sbin ，点击rabbit_server.bat,启动rabbitMQ 5.最后输入http://localhost:15672/（默认账号：guest，密码：guest)就能进入RabbitMQ管理界面 遇到的问题及解决 1.安装管理工具RabbitMQ-Plugins，出现下面场景 2.登录RabbitMQ页面，rabbitmq看不到exchanges 和queues Erlang 、RabbitMQ （windows安装 exe安装版本超详细教程） 一切为本人亲自操作查阅资料进行安装，以及遇到的问题和解决的有效方法，欢迎各位阅读我的博客，然后有效的解决各位的问题（如果我遇到过的话，哈哈！） 前提：注意参考Erlang和RabbitMQ的版本对应关系 RabbitMQ Erlang Version Requirements — RabbitMQ 血泪：不要后来才去查看两者的版本对应关系，导致Erlang或者RabbitMQ重新下载 安装Erlang 1.首先安装RabbitMQ需要安装Erlang环境 1.给出Erlang官网下载地址：Downloads - Erlang/OTP 亦或者 Index of /download/ (erlang.org) （我这里能够直接打开，不确定其他使用者怎么样） 然后下滑找到你所要下载的版本，例如otp win64 26.1.exe。 注意：官网下载速度令人怀疑人生，时间充足，就慢慢下载或者找个网络好的地方，时间紧凑，那就找人给你已经下载好的压缩包吧 2.点击下载好的.exe文件进行傻瓜式安装,一直next即可 注意：中途下载时如果你不特定修改路径的话，还是记录一下你的下载安装路径在哪里，方便后续查看 3.配置Erlang环境变量 1.在搜索框里输入编辑系统环境变量，点开它得到 2.打开环境变量，得到 3. 在系统环境变量里面，创建 注意：变量名一定要写成ERLANG_HOME，变量值就是你的Erlang的安装路径 注意：还需要在系统变量中选中Path进行编辑，新建一个%ERLANG_HOME%\bin 4.打开命令窗口，输入erl或者erl -version()验证环境是否配置成功（出现以下版本号即成功，显示不是内部命令则环境变量配置失败） 安装RabbitMQ 1.给出RabbitMQ官网下载址：Installing on Windows — RabbitMQ，找到 注意：点击下载的时候没反应，可能是网络延迟的问题，尝试多点几次，不要迷茫，就是这里（我就是点了几次没反应以为这里下载不了，又去找其他位置，兜兜转转又回到这里） 2.配置RabbitMQ环境变量，过程跟配置Erlang相似 注意：这里一个rabbitmq是sbin,一个erlang是bin 3.