file-type

JAVA创始人James Gosling：Java语言发展与应用详解

PPT文件

JAVABase
java零基础
下载需积分: 18 | 1.87MB | 更新于2024-08-18 | 131 浏览量 | 0 下载量 举报 收藏
download 立即下载
本资源主要介绍了JAVA基础教程，由知名创始人James Gosling设计的Java语言及其发展历史。James Gosling不仅是SUN公司的副总裁和院士，也是Java语言的亲力打造者，他开发了Java编译器和Java虚拟机，推动了Java成为全球最受欢迎的开发语言。 课程内容涵盖了Java开发的基础要素，包括： 1. **教师自我介绍**：虽然具体内容未提供，但可能涉及教师的专业背景和教学风格介绍。 2. **课程概述**：引导学员进入Java编程世界，从开发环境安装到基本概念如标示符、关键字和数据类型。 3. **表达式和流程控制**：讲解如何编写简单的逻辑语句，如条件判断（如if-else语句）。 4. **数组**：介绍数组在Java中的使用，是数据存储和操作的重要部分。 5. **常用数据结构和算法**：教授基本的数据结构（如数组、链表、栈和队列），以及它们在算法设计中的应用。 6. **面向对象编程（OOP）**：讲解封装、继承和多态等面向对象的核心概念。 7. **异常处理（Exception）**：指导学员理解和使用Java的异常处理机制，提高代码的健壮性。 8. **程序语言发展史**：对比机器语言、汇编语言和高级语言的特点，强调Java作为高级语言的易读性和移植性。 9. **Java起源**：讲述Java的诞生背景，包括Stanford University Network的影响和名称的由来。 10. **Java历史**：详述Java从1995年至2006年的关键版本发布，反映了其技术演进和市场定位的变化。 课程目标明确，旨在让学员掌握程序设计的基本技能，包括编程步骤、Java应用程序的编译与运行、利用Java帮助文档、理解语言语法和结构、以及面向对象编程的运用和异常处理。 通过学习，学员将能够理解Java语言的历史、特点和在不同领域的应用，并具备开发跨平台应用的能力。同时，了解Java语言的发展历程，对于深入理解其设计理念和技术变迁也非常重要。

相关推荐

filetype

mariadb-java-client-2.7.3.zip

2. **MariaDB介绍**: MariaDB是由MySQL的创始人Monty Widenius参与开发的，旨在提供一个开源、社区驱动的替代方案，避免了Oracle公司收购MySQL后可能带来的不确定性。MariaDB兼容MySQL的API和命令，但增加了更多功能...
filetype

mariadb-java-client-2.0.3 and sources

MariaDB 是 MySQL 的一个分支，由 MySQL 的创始人之一 Monty Widenius 创建，旨在保持开源精神并持续改进。它兼容 MySQL 的大部分语法和功能，但也有自己的特色，比如 X Protocol、Aria 存储引擎和更多的加密选项等...
filetype

mariadb-java-client-1.4.4 and sources

MariaDB是由MySQL创始人创建的一个分支项目，旨在保持开源和社区驱动的特性。它兼容MySQL，但引入了更多的创新特性和改进，如更好的性能、更高的可扩展性以及对最新技术的支持。 **JDBC（Java Database ...
filetype

java常用类库中文速查表

Logback是由log4j创始人设计的另一个开源日志组件，旨在提供更加强大和灵活的日志管理。 还有用于XML处理的工具类库，比如dom4j，是一个易用且开源的库，用于XML，支持DOM、SAX和JAXP等接口。JXPath可以使用Xpath...
filetype

你不可错过的Java学习资源清单

《Java编程语言》由Java创始人之一James Gosling等人合著，是初学者入门的优秀教材，详细阐述了Java的语法和语言特性。 在线视频教程是另一种有效的学习方式，网易云课堂和腾讯课堂提供了丰富的Java视频课程，适合...
filetype

Tomcat日志catalina.out过大解决方案--使用logback按日轮转.rar

`Logback`由著名的`Log4j`创始人Ceki Gülcü创建，它提供了更高效的日志处理机制，并且功能更加强大，包括日志级别控制、日志格式化、日志归档等。在`Tomcat`中配置`Logback`，可以有效地控制`catalina.out`的大小...
filetype

蚂蚁课堂原创Java工程师面试宝典-V1.0

作为蚂蚁课堂的创始人，余胜军在整理这份面试宝典中，不仅整合了个人及行业经验，更可能提供了对知识点的深入分析和解答技巧，帮助应试者更好地准备面试，展现自己的技术实力。 以上是从【标题】和【描述】中提炼...
filetype

Java基础教程：位运算符详解

课程还介绍了程序语言的发展历程，从机器语言到高级语言，再到Java的历史和其创始人James Gosling的贡献。" 在Java编程中，位运算符是用于操作整数类型变量的二进制位的运算符，它们直接对二进制位进行操作，这对于...
filetype

Java基础：异常处理与编程入门

Java的创始人James Gosling在Sun Microsystems推动了Java的普及，从JDK 1.0到后续的多个版本更新，Java逐渐涵盖了企业级应用（J2EE）、桌面应用（J2SE，现为Java SE）和移动设备（J2ME），成为最流行的开发语言之一...
filetype

Java基础教程：从入门到精通

最后，课程还将回顾程序语言的发展，从原始的机器语言到高级语言的演变，强调Java作为高级语言的优势，如跨平台特性，以及其创始人James Gosling在Java发展史上的贡献。 通过本课程的学习，学员不仅能够掌握Java...
filetype

Java基础：构造方法入门与OOP特性讲解

Gosling作为Java的创始人，对Java的发展起到了决定性作用。1995年，Java首次公开发布，随后几年，随着JDK（Java Development Kit）版本的迭代，Java逐步扩展到企业级应用（J2EE）、桌面应用（J2SE，后来改名为J2SE...
filetype

RechoBase - Java开发的新一代压缩包处理工具

'Recho'可能是一个公司名或者项目创始人的名字，而'Base'则可能代表它是一个基础的数据存储解决方案。由于提到了'Java'作为标签，我们可以推断RechoBase使用Java语言开发。Java是一种广泛使用的编程语言，特别是在...
filetype

Java编程入门：从 HelloWorld 到跨平台原理

此外，还介绍了程序语言的发展历程，从机器语言到高级语言，以及Java的起源、发展历史和其创始人James Gosling的贡献。" 在Java程序的运行过程中，首先需要编写源代码，通常以.java文件结尾，例如`HelloWorldApp....
filetype

DIAL-main实体解析工具包解析压缩包

关系抽取旨在识别文本中实体之间的语义关系，比如“乔布斯”与“苹果公司”之间的“创始人”关系。 6. 实体摘要（Entity Summarization）： 实体摘要关注于从大量文本中提取出关于某个特定实体的最重要信息，并...
filetype

【CSP-S2编程语言选择策略】：为什么C++是复赛选手的首选？

通过对C++基础语法、面向对象编程以及高级特性的实践练习，本文为读者提供了坚实的基础知识。随后，本文展示了C++在解决算法问题、编写竞赛模板以及性能调优方面的应用实例，以及真实竞赛题目解法的
filetype

java base58编码_区块链技术日记：Base58和Base58Check编码

Base58编码最初是由Bitcoin的创始人Satoshi Nakamoto在2009年引入的，它主要用于表示Bitcoin地址。Base58编码可以使用不同的字符集，但是通常使用的字符集包括数字、大小写字母，但不包括易混淆的字符。 Base58...
filetype

from transformers import AutoModelForTokenClassification, AutoTokenizer, DataCollatorForTokenClassification from transformers import TrainingArguments, Trainer import evaluate from datasets import load_dataset import numpy as np from seqeval.metrics import classification_report, f1_score, precision_score, recall_score import torch import os import json import logging from collections import Counter from sklearn.utils.class_weight import compute_class_weight import matplotlib.pyplot as plt # 设置详细日志 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) # 设置设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") logger.info(f"Using device: {device}") # 模型路径 model_dir = 'C:/Users/admin/.cache/modelscope/hub/tiansz/bert-base-chinese' # 加载tokenizer tokenizer = AutoTokenizer.from_pretrained(model_dir) logger.info("Tokenizer加载完成") # 加载数据集 path = r'C:\Users\admin\八斗学院学习笔记\练习\week11_codes\data' dataset = load_dataset(path) logger.info(f"数据集加载完成: {dataset}") # 提取所有实体标签 labels = set() for row in dataset['train']: for ent in row['entities']: labels.add(ent['label']) # 创建完整的标签列表（包含B-和I-前缀） entities = sorted(list(labels)) # 排序确保一致性 tags = ['O'] for ent in entities: tags.append('B-' + ent.upper()) tags.append('I-' + ent.upper()) # 创建标签到ID的映射 tag2id = {tag: i for i, tag in enumerate(tags)} id2tag = {i: tag for i, tag in enumerate(tags)} logger.info(f"标签数量: {len(tags)}") logger.info(f"标签列表: {tags}") # 保存标签映射 os.makedirs('label_mappings', exist_ok=True) with open('label_mappings/tag2id.json', 'w', encoding='utf-8') as f: json.dump(tag2id, f, ensure_ascii=False, indent=2) with open('label_mappings/id2tag.json', 'w', encoding='utf-8') as f: json.dump(id2tag, f, ensure_ascii=False, indent=2) logger.info("标签映射已保存到 label_mappings 目录") # 实体处理函数（修复版）- 确保标签正确性 def entities_proc(items): text = items['text'] items_len = len(text) ent_tags = ['O'] * items_len # 初始化为'O' entities = items['entities'] for ent in entities: start = ent['start_offset'] end = ent['end_offset'] label = ent['label'].upper() # 统一转换为大写 # 确保位置在范围内 if start < items_len: # 设置B-标签 ent_tags[start] = f'B-{label}' # 设置I-标签（如果有多个字符） for pos in range(start + 1, min(end, items_len)): ent_tags[pos] = f'I-{label}' # 转换为ID（遇到未知标签默认为'O'） tag_ids = [tag2id.get(tag, tag2id['O']) for tag in ent_tags] return {'ent_tags': tag_ids} # 应用实体处理 logger.info("处理实体标签...") ds = dataset.map(entities_proc) # 分析标签分布 def analyze_label_distribution(dataset, split): logger.info(f"\n分析 {split} 标签分布...") all_labels = [] for example in dataset[split]: all_labels.extend([id2tag.get(tag_id, 'O') for tag_id in example['ent_tags']]) label_counts = Counter(all_labels) total_labels = len(all_labels) logger.info(f"总标签数: {total_labels}") for label, count in label_counts.items(): percentage = (count / total_labels) * 100 logger.info(f"{label}: {count} ({percentage:.2f}%)") # 计算实体标签的比例 entity_labels = [label for label in label_counts.keys() if label != 'O'] entity_count = sum([label_counts[label] for label in entity_labels]) entity_percentage = (entity_count / total_labels) * 100 logger.info(f"实体标签总数: {entity_count} ({entity_percentage:.2f}%)") logger.info(f"非实体标签(O): {label_counts['O']} ({100-entity_percentage:.2f}%)") # 可视化标签分布 plt.figure(figsize=(12, 6)) labels_list = list(label_counts.keys()) counts = [label_counts[l] for l in labels_list] plt.bar(labels_list, counts) plt.xticks(rotation=90) plt.title(f'{split} 标签分布') plt.ylabel('数量') plt.tight_layout() plt.savefig(f'label_distribution_{split}.png') logger.info(f"标签分布图已保存为 label_distribution_{split}.png") return label_counts # 分析标签分布 train_label_counts = analyze_label_distribution(ds, 'train') test_label_counts = analyze_label_distribution(ds, 'test') # 计算类别权重解决不平衡问题 logger.info("\n计算类别权重解决不平衡问题...") all_train_labels = [] for example in ds['train']: all_train_labels.extend(example['ent_tags']) # 计算类别权重 class_weights = compute_class_weight( class_weight='balanced', classes=np.unique(all_train_labels), y=all_train_labels ) class_weights = torch.tensor(class_weights, dtype=torch.float32).to(device) # 增强实体标签的权重 for i, tag in enumerate(tags): if tag != 'O': class_weights[i] *= 5.0 # 增加实体标签的权重 logger.info(f"类别权重: {class_weights}") # 数据输入处理函数（修复版 - 使用offset_mapping） def data_input_proc(items): # 获取文本列表 texts = items['text'] # 分词（启用offset_mapping） tokenized_inputs = tokenizer( texts, truncation=True, padding=True, max_length=128, return_offsets_mapping=True, is_split_into_words=False, return_tensors="pt", ) # 获取偏移量映射 offset_mappings = tokenized_inputs.pop('offset_mapping') all_labels = [] for i, text in enumerate(texts): # 获取字符级标签ID列表 char_tags = items['ent_tags'][i] label_ids = [] offsets = offset_mappings[i] for j, offset in enumerate(offsets): start, end = offset # 特殊token ([CLS], [SEP], [PAD]) 设置为-100 if start == 0 and end == 0: label_ids.append(-100) else: # 取起始位置对应的字符标签 if start < len(char_tags): label_ids.append(char_tags[start]) else: # 处理截断情况 label_ids.append(-100) all_labels.append(label_ids) tokenized_inputs["labels"] = all_labels return tokenized_inputs # 应用输入处理 logger.info("处理输入数据...") ds1 = ds.map( data_input_proc, batched=True, batch_size=8, remove_columns=ds["train"].column_names ) # 训练参数 args = TrainingArguments( output_dir='ner_train', num_train_epochs=3, per_device_train_batch_size=4, per_device_eval_batch_size=8, evaluation_strategy="epoch", save_strategy="epoch", logging_strategy="epoch", load_best_model_at_end=False, # 暂时禁用，直到我们解决指标问题 report_to='tensorboard', logging_dir='ner_train/logs', save_total_limit=2, learning_rate=5e-5, weight_decay=0.01, overwrite_output_dir=True, warmup_ratio=0.1, gradient_accumulation_steps=4, fp16=torch.cuda.is_available(), logging_steps=20, remove_unused_columns=False, # 暂时不使用 metric_for_best_model ) # 创建带类别权重的自定义损失函数 class WeightedLossModel(torch.nn.Module): def __init__(self, model, class_weights): super().__init__() self.model = model self.class_weights = class_weights self.loss_fct = torch.nn.CrossEntropyLoss(weight=class_weights, ignore_index=-100) def forward(self, **inputs): outputs = self.model(**inputs) logits = outputs.logits if "labels" in inputs: loss = self.loss_fct(logits.view(-1, self.model.config.num_labels), inputs["labels"].view(-1)) outputs.loss = loss return outputs # 加载基础模型 logger.info("加载基础模型...") base_model = AutoModelForTokenClassification.from_pretrained( model_dir, num_labels=len(tags), id2label=id2tag, label2id=tag2id, ignore_mismatched_sizes=True ).to(device) # 创建带权重的模型 model = WeightedLossModel(base_model, class_weights).to(device) logger.info(f"模型结构: 带类别权重的{base_model.__class__.__name__}") logger.info(f"模型参数量: {sum(p.numel() for p in model.parameters()):,}") # 数据收集器 data_collator = DataCollatorForTokenClassification(tokenizer=tokenizer) # 评估指标计算函数（增强调试版） def compute_metrics(p): try: # 确保输入格式正确 if hasattr(p, "predictions") and hasattr(p, "label_ids"): predictions = p.predictions labels = p.label_ids elif isinstance(p, tuple) and len(p) == 2: predictions, labels = p else: logger.error(f"无法识别的输入格式: {type(p)}") return {"f1": 0.0, "precision": 0.0, "recall": 0.0, "accuracy": 0.0} # 确保预测结果有正确的形状 if predictions.ndim == 3: predictions = np.argmax(predictions, axis=2) # 移除忽略的索引（-100） true_predictions = [] true_labels = [] for i in range(len(predictions)): preds = [] lbls = [] for j in range(len(predictions[i])): if labels[i][j] != -100: preds.append(id2tag[predictions[i][j]]) lbls.append(id2tag[labels[i][j]]) true_predictions.append(preds) true_labels.append(lbls) # 计算指标 precision = 0.0 recall = 0.0 f1 = 0.0 accuracy = 0.0 if true_labels and any(true_labels): # 确保标签列表非空 try: precision = precision_score(true_labels, true_predictions, zero_division=0) recall = recall_score(true_labels, true_predictions, zero_division=0) f1 = f1_score(true_labels, true_predictions, zero_division=0) # 计算准确率（token级别） total = 0 correct = 0 for preds, lbls in zip(true_predictions, true_labels): for p, l in zip(preds, lbls): total += 1 if p == l: correct += 1 accuracy = correct / total if total > 0 else 0.0 # 生成分类报告 report = classification_report(true_labels, true_predictions, output_dict=True, zero_division=0) # 记录实体标签的性能 logger.info("\n===== 详细分类报告 =====") for tag in tags: if tag in report and tag != 'O': logger.info(f"{tag}: P={report[tag]['precision']:.4f}, R={report[tag]['recall']:.4f}, F1={report[tag]['f1-score']:.4f}") # 记录前10个预测和标签 logger.info("\n===== 样本预测检查 =====") for i in range(min(3, len(true_labels))): logger.info(f"样本 {i} 预测: {' '.join(true_predictions[i][:20])}") logger.info(f"样本 {i} 标签: {' '.join(true_labels[i][:20])}") logger.info("") # 计算并记录非O标签的准确率 non_o_correct = 0 non_o_total = 0 for preds, lbls in zip(true_predictions, true_labels): for p, l in zip(preds, lbls): if l != 'O': non_o_total += 1 if p == l: non_o_correct += 1 non_o_accuracy = non_o_correct / non_o_total if non_o_total > 0 else 0.0 logger.info(f"非O标签准确率: {non_o_accuracy:.4f} ({non_o_correct}/{non_o_total})") except Exception as inner_e: logger.error(f"计算评估指标时出错: {inner_e}") logger.error(f"预测形状: {predictions.shape}") logger.error(f"标签形状: {labels.shape}") logger.error(f"true_labels长度: {len(true_labels)}") logger.error(f"true_labels内容示例: {true_labels[:1] if true_labels else '空'}") else: logger.warning("评估时没有有效标签!") return { "f1": f1, "precision": precision, "recall": recall, "accuracy": accuracy } except Exception as outer_e: logger.error(f"compute_metrics函数发生严重错误: {outer_e}") return { "f1": 0.0, "precision": 0.0, "recall": 0.0, "accuracy": 0.0 } # 创建Trainer trainer = Trainer( model=model, args=args, train_dataset=ds1['train'], eval_dataset=ds1['test'], data_collator=data_collator, compute_metrics=compute_metrics, tokenizer=tokenizer ) # 预评估测试 logger.info("进行预评估测试...") try: eval_result = trainer.evaluate() logger.info(f"预评估结果: {eval_result}") # 检查是否返回了我们的指标 if "eval_f1" in eval_result: logger.info("评估指标计算成功!") # 重新启用最佳模型保存 args.load_best_model_at_end = True args.metric_for_best_model = "f1" # 使用基础名称，Trainer会自动添加"eval_"前缀 trainer = Trainer( model=model, args=args, train_dataset=ds1['train'], eval_dataset=ds1['test'], data_collator=data_collator, compute_metrics=compute_metrics, tokenizer=tokenizer ) else: logger.warning("评估指标未返回，将禁用最佳模型保存功能") except Exception as e: logger.error(f"预评估失败: {e}") # 训练模型 logger.info("开始训练...") try: train_result = trainer.train() logger.info("训练完成!") except Exception as e: logger.error(f"训练失败: {e}") # 尝试更小的学习率 logger.info("尝试更小的学习率...") args.learning_rate = 1e-5 trainer = Trainer( model=model, args=args, train_dataset=ds1['train'], eval_dataset=ds1['test'], data_collator=data_collator, compute_metrics=compute_metrics, tokenizer=tokenizer ) train_result = trainer.train() logger.info("训练完成!") # 保存最终模型 trainer.save_model("final_ner_model") logger.info("最终模型已保存到 final_ner_model 目录") # 训练完成后评估模型 logger.info("\n===== 最终评估结果 =====") try: eval_results = trainer.evaluate(ds1['test']) logger.info(f"验证集准确率: {eval_results.get('eval_accuracy', 0.0):.4f}") logger.info(f"验证集精确率: {eval_results.get('eval_precision', 0.0):.4f}") logger.info(f"验证集召回率: {eval_results.get('eval_recall', 0.0):.4f}") logger.info(f"验证集F1值: {eval_results.get('eval_f1', 0.0):.4f}") # 打印所有可用的评估指标 logger.info("\n所有可用评估指标:") for key, value in eval_results.items(): logger.info(f"{key}: {value}") except Exception as e: logger.error(f"最终评估失败: {e}") # 绘制训练损失曲线 def plot_training_history(history): try: train_loss = [log['loss'] for log in history if 'loss' in log] eval_loss = [log['eval_loss'] for log in history if 'eval_loss' in log] if not train_loss: logger.warning("没有训练损失数据可绘制") return epochs = list(range(1, len(train_loss) + 1)) plt.figure(figsize=(12, 6)) plt.plot(epochs, train_loss, 'b-', label='训练损失') if eval_loss: plt.plot(epochs[:len(eval_loss)], eval_loss, 'r-', label='验证损失') plt.title('训练和验证损失') plt.xlabel('Epochs') plt.ylabel('损失') plt.legend() plt.grid(True) plt.savefig('training_loss.png') logger.info("训练损失图已保存为 training_loss.png") # 绘制F1分数（如果可用） eval_f1 = [log['eval_f1'] for log in history if 'eval_f1' in log] if eval_f1: plt.figure(figsize=(12, 6)) plt.plot(epochs[:len(eval_f1)], eval_f1, 'g-', label='验证F1') plt.title('验证F1分数') plt.xlabel('Epochs') plt.ylabel('F1分数') plt.legend() plt.grid(True) plt.savefig('eval_f1.png') logger.info("F1分数图已保存为 eval_f1.png") except Exception as e: logger.error(f"绘制训练历史时出错: {e}") # 绘制训练历史 plot_training_history(trainer.state.log_history) # 测试模型预测 logger.info("\n测试模型预测...") sample_texts = [ "我在北京大学学习人工智能", "马云是阿里巴巴集团的创始人", "上海市浦东新区张江高科技园区" ] # 自定义预测函数 def predict_entities(text, model, tokenizer, id2tag, device): try: # 分词 inputs = tokenizer( text, return_tensors="pt", return_offsets_mapping=True, truncation=True, max_length=128 ) # 移动到设备 input_ids = inputs['input_ids'].to(device) attention_mask = inputs['attention_mask'].to(device) token_type_ids = inputs.get('token_type_ids', None) if token_type_ids is not None: token_type_ids = token_type_ids.to(device) offset_mapping = inputs['offset_mapping'].cpu().numpy()[0] # 预测 model.eval() with torch.no_grad(): outputs = model( input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids ) # 获取预测结果 logits = outputs.logits predictions = torch.argmax(logits, dim=-1).cpu().numpy()[0] # 提取实体 entities = [] current_entity = None tokens = tokenizer.convert_ids_to_tokens(input_ids[0]) logger.info(f"\n预测文本: {text}") logger.info(f"Token列表: {tokens}") for i, (pred, offset) in enumerate(zip(predictions, offset_mapping)): # 跳过特殊token if offset[0] == 0 and offset[1] == 0: continue tag = id2tag[pred] logger.info(f"Token {i}: {tokens[i]} -> {tag} (位置: {offset[0]}-{offset[1]})") # 处理实体 if tag.startswith('B-'): # 结束前一个实体 if current_entity: entities.append(current_entity) # 开始新实体 entity_type = tag[2:] start = offset[0] end = offset[1] current_entity = { 'start': start, 'end': end, 'type': entity_type, 'text': text[start:end] } elif tag.startswith('I-'): # 继续当前实体 if current_entity and current_entity['type'] == tag[2:]: current_entity['end'] = offset[1] current_entity['text'] = text[current_entity['start']:offset[1]] else: # 如果I标签没有匹配的B标签，则创建新实体 entity_type = tag[2:] start = offset[0] end = offset[1] current_entity = { 'start': start, 'end': end, 'type': entity_type, 'text': text[start:end] } else: # O # 结束前一个实体 if current_entity: entities.append(current_entity) current_entity = None # 添加最后一个实体 if current_entity: entities.append(current_entity) return entities except Exception as e: logger.error(f"预测过程中出错: {e}") return [] # 进行预测 for text in sample_texts: logger.info(f"\n===== 预测文本: {text} =====") try: entities = predict_entities(text, model, tokenizer, id2tag, device) if not entities: logger.info(" 未识别到实体") else: for ent in entities: logger.info(f" 实体: {ent['text']}, 类型: {ent['type']}, 位置: {ent['start']}-{ent['end']}") except Exception as e: logger.error(f"预测文本 '{text}' 时出错: {e}") logger.info("\nNER任务完成!")这代码都实现了什么还有可以优化的嘛

2. **缓冲流优化**：使用 `BufferedInputStream` 和 `BufferedOutputStream` 包装基础文件流，通过缓冲区减少磁盘 I/O 次数 3. **异常处理**：通过 `try-catch-finally` 捕获可能的 `IOException` 4. **资源释放**：...
filetype

AI 驱动 CI_CD：从部署工具到智能代理.doc

AI 驱动 CI_CD：从部署工具到智能代理.doc
filetype

基于Python豆瓣电影数据可视化分析设计与实现 的论文

基于Python豆瓣电影数据可视化分析设计与实现 的论文
filetype

物业客服部工作内容及操作流程.doc

物业客服部工作内容及操作流程.doc
filetype

字符集(charset)与编码(encoding)区别对比

前言 字符集与编码这两个概念常被混淆，两者是有差别的。 字符集与字符集编码是两个不同层面的概念： （1）charset 是 character set 的简写，即字符集。 （2）encoding 是 charset encoding 的简写，即字符集编码，简称编码。、 与接口及接口实现的对比 从这里可以很清楚地看到， 一、编码是依赖于字符集的，就像代码中的接口实现依赖于接口一样； 二、一个字符集...
filetype

jedis-5.1.3.jar中文-英文对照文档.zip

1、压缩文件中包含： 中文-英文对照文档、jar包下载地址、Maven依赖、Gradle依赖、源代码......
辰可爱啊
  • 粉丝: 30
上传资源 快速赚钱

最新资源