主頁 >  其他 > 小白量化彩票實戰（7）用sklearn神經網路預測彩票號碼和特征

小白量化彩票實戰（7）用sklearn神經網路預測彩票號碼和特征

2021-03-08 11:29:31 其他

小白量化彩票實戰（7）用sklearn神經網路預測彩票號碼和特征
我寫彩票的博客,不是鼓勵大家去買彩票，讀者要以學習編程和娛樂的思想來看待，興趣是學習最大的動力！

神經網路是目前比較熱門的技術，人工神經網路(Artificial Neural Networks，ANN)系統是 20 世紀 40 年代后出現的，它是由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式資訊存盤、良好的自組織自學習能力等特點，我們嘗試依賴小白量化提供的金融模塊以及sklearn庫來搭建幾個神經網路程式，來預測一下號碼，
神經網路模型分類很多，我們這里采用的比較簡單的神經網路模型，對于程式預測結果，大家純粹當作神經網路模型學習實踐和娛樂，神經網路模型分類很多，例如淺層神經網路，深度學習神經網路，卷積神經網路等，
神經網路模型對于初學者來說，沒必要完全搞懂原理，只要求清楚怎么用就可以了，等你有興趣，能力提高了，再去深入學習和優化改進，這就像程式中使用sin(x)函式，不需要理解這個函式的計算原理一樣的，
簡單來說，神經網路程式運行程序：
1、大量資料采集，需要學習樣本，
2、特征提取，例如彩票藍號單雙，股票漲跌等，
3、資料變換，股票上的指標計算，或者有些深度學習模型本身需要資料變換，如資料歸一化處理， 即把資料變為（0，1）之間的小數等等，
4、學習資料train和測驗資料test劃分，
5、選擇神經網路模型用學習資料train進行學習，
6、用測驗資料test進行驗證，看看是否準確，如有必要可修改模型或調參處理，
7、用當前資料，預測未來結果，

我們用用sklearn神經網路的幾個模型來研究一下能否預測彩票號碼，我們仍以雙色球彩票為例，
首先我們打算直接預測雙色球彩票藍號的下一期出號，如果隨機選號概率1/16=0.0625，
按照上面神經網路程式運行程序順序來做程式，程式預測號碼的成功率是多少，
1、準備資料，

import math
import datetime as dt
import pandas as pd  
import numpy  as np
import matplotlib.pyplot as plt
import HP_plt as hplt   #小白量化指標繪圖模塊
from HP_formula import *  #小白量化仿通達信公式函式庫
import HP_cp as hcp   #小白量化彩票模塊
import HP_global as g  #小白量化全域變數庫
import HP_plt as hplt   #小白量化指標繪圖模塊

plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號
#白底色
g.ubg='w'
g.ufg='b'
g.utg='b'
g.uvg='#1E90FF'

code="雙色球彩票"  #品種

#獲取本地ssq.csv雙色球資料
df=pd.read_csv('ssq.csv'  , encoding='gbk')
df=df.drop(df.columns[0], axis=1)

2、特征提取，

# 彩票特征

# 和數
df['sumh']=df['h1']+df['h2']+df['h3']+df['h4']+df['h5']+df['h6']  
# 和數的5期平均線
df['ma5']=MA(df['sumh'],5)
# 和數的20期平均線
df['ma20']=MA(df['sumh'],20)

# 全和數
df['suma']=df['h1']+df['h2']+df['h3']+df['h4']+df['h5']+df['h6'] +df['lh']

#跨度 
df['kd']=df['h6']-df['h1']

#計算獎號AC值
df['ac']=[hcp.ac(hcp.str2num(x)) for x in df.hh.astype(str)]
df['maac']=MA(df['ac'],5)  #AC值的平均線

#2段編碼器
bm2=hcp.bmq2()

#計算獎號紅號奇偶比,單雙比
df['dsb']=[hcp.qab(hcp.str2num(x)) for x in df.hh.astype(str)]
df['dsb2']=[bm2[x] for x in df.dsb.astype(str)]   #文本轉為數字

#計算獎號紅號質合比
df['zhb']=[hcp.zhb(hcp.str2num(x)) for x in df.hh.astype(str)]
df['zhb2']=[bm2[x] for x in df.zhb.astype(str)]   #文本轉為數字

#計算獎號紅號大小比
df['dxb']=[hcp.dxb(hcp.str2num(x)) for x in df.hh.astype(str)]
df['dxb2']=[bm2[x] for x in df.dxb.astype(str)]   #文本轉為數字

#計算藍號單雙號,奇偶號
df['lhds']=[x%2 for x in df.lh.astype(int)]   #文本轉為數字

#計算藍號質數
df['lhzs']=[hcp.zhishu(x) for x in df.lh.astype(int)]   #文本轉為數字

#計算藍號平均
df['lhma5']=MA(df.lh,5)
df['lhma10']=MA(df.lh,10)

def dx(x):
    y=0
    if x>8:
        y=1
    return y

#計算藍號大號
df['lhdx']=[dx(x) for x in df.lh.astype(int)]   #文本轉為數字

3、資料變換，

#小白量化資料格式化
df['open']=df['h1']
df['low']=df['h1']
df['high']=df['h6']
df['close']=df['h6']
mydf=df.copy()
CLOSE=mydf['close']
LOW=mydf['low']
HIGH=mydf['high']
OPEN=mydf['open']

#RSI指標
def RSI(N1=5):
    LC = REF(CLOSE, 1)
    RSI1 = SMA(MAX(CLOSE - LC, 0), N1, 1) / SMA(ABS(CLOSE - LC), N1, 1) * 100.00
    return RSI1

#計算RSI指標值
mydf['rsi']=RSI(6)
mydf['rsi2']=RSI(12)

def DMI(M1=14, M2=6):
    """
    DMI 趨向指標
    """
    TR = SUM(MAX(MAX(HIGH - LOW, ABS(HIGH - REF(CLOSE, 1))), ABS(LOW - REF(CLOSE, 1))), M1)
    HD = HIGH - REF(HIGH, 1)
    LD = REF(LOW, 1) - LOW
    DMP = SUM(IF((HD > 0) & (HD > LD), HD, 0), M1)
    DMM = SUM(IF((LD > 0) & (LD > HD), LD, 0), M1)
    DI1 = DMP * 100 / TR
    DI2 = DMM * 100 / TR
    ADX = MA(ABS(DI2 - DI1) / (DI1 + DI2) * 100, M2)
    ADXR = (ADX + REF(ADX, M2)) / 2
    return DI1, DI2, ADX, ADXR
mydf['di1'],mydf['di2'],mydf['adx'],mydf['adxr']=DMI()  #DMI指標

#設定學習和預測標簽
mydf['label']=mydf['lh']  ##預測藍號
#mydf['label']=mydf['lhds']  ##預測藍號單雙
#mydf['label']=mydf['lhzs']  ##預測藍號質合
#mydf['label']=mydf['lhdx']  ##預測藍大小

4、學習資料train和測驗資料test劃分，

## 資料集劃分為訓練資料和測驗資料
x_train,x_test,y_train,y_test=hcp.sk_init(mydf)

test_size=len(x_test)/(len(x_train)+len(x_test))
print('神經網路資料已準備好了！')
print('test_size=%.4f,訓練%d條，測驗%d條，'%(test_size,len(x_train),len(x_test)))

5、選擇神經網路模型用學習資料train進行學習，我們分別選擇KNN分類器演算法，隨機森林分類法，決策樹分類法行程測驗，

#################################################
##      (一) KNN分類演算法
from sklearn import neighbors, datasets
print('KNN分類演算法')
clf = neighbors.KNeighborsClassifier(10, weights= 'distance')
#################################################
#訓練的代碼
print('神經網路開始資料學習!')
clf.fit(x_train, y_train)

6、用測驗資料test進行驗證，看看是否準確，如有必要可修改模型或調參處理，

#訓練的代碼
print('神經網路開始資料學習!')
clf.fit(x_train, y_train)    #神經網路學習


result =clf.predict(x_test)  #進行預測
print('測驗資料的結果：',result[-10:-1])
print('真實資料的結果：',y_test[-10:-1])

score = clf.score(x_test, y_test)  #計算成功率
print('測驗資料評估score ：',score)

程式運行結果：

神經網路資料已準備好了！
test_size=0.1002,訓練2397條，測驗267條，
KNN分類演算法
神經網路開始資料學習!
測驗資料的結果： [ 5  6  6 11 13 15 14 12 11]
真實資料的結果： [1, 6, 6, 7, 10, 2, 6, 8, 2]
測驗資料評估score ： 0.08239700374531835

從這個程式的預測結果看，KNN分類器程式預測0.0823高于隨機概率0.0625，

我們在選擇決策樹演算法，看看預測結果，修改[5、選擇神經網路模型]

#################################################
#      (二) 決策樹演算法
from sklearn import tree
##決策樹
print('決策樹')
clf = tree.DecisionTreeClassifier()

程式運行結果：

神經網路資料已準備好了！
test_size=0.1002,訓練2397條，測驗267條，
決策樹
神經網路開始資料學習!
測驗資料的結果： [ 7 12 12  9 12  2  8 10 14]
真實資料的結果： [1, 6, 6, 7, 10, 2, 6, 8, 2]
測驗資料評估score ： 0.07865168539325842

從這個程式的預測結果看，決策樹分類器程式預測0.0786（每次值不同）高于隨機概率0.0625，

我們在選擇隨機森林分類器，看看預測結果，修改[5、選擇神經網路模型]

#################################################
#      (三) 隨機森林分類器演算法
from sklearn.ensemble import RandomForestClassifier   #匯入隨機森林分類器
print('隨機森林分類器')
#clf = RandomForestClassifier()
clf = RandomForestClassifier(n_estimators=10)

程式運行結果：

神經網路資料已準備好了！
test_size=0.1002,訓練2397條，測驗267條，
隨機森林分類器
神經網路開始資料學習!
測驗資料的結果： [ 2  3  5 10  9  2  3 10  4]
真實資料的結果： [1, 6, 6, 7, 10, 2, 6, 8, 2]
測驗資料評估score ： 0.08614232209737828

從這個程式的預測結果看，隨機森林分類器程式預測0.0861（每次值不同）高于隨機概率0.0625，
從上面深度學習程式比較結果來看，也許是學習樣本太少緣故，或不可預測，直接預測號碼不現實，我們改成預測單雙，這個隨機概率為50%，機器預測會是多少，我們修改學習標簽mydf[‘label’]值就可以了，

#設定學習和預測標簽
#mydf['label']=mydf['lh']  ##預測藍號
mydf['label']=mydf['lhds']  ##預測藍號單雙
#mydf['label']=mydf['lhzs']  ##預測藍號質合
#mydf['label']=mydf['lhdx']  ##預測藍大小

我們下面給出全部預測代碼，

#購買<零基礎搭建量化投資系統>正版書,送小白量化軟體源代碼，
# https://item.jd.com/61567375505.html
#獨狼荷蒲qq:2775205
#小白量化彩票軟體開發群:712300766
#小白量化PythonTkinter軟體開發群:524949939
#電話微信:18578755056
#微信公眾號：獨狼股票分析
import math
import datetime as dt
import pandas as pd  
import numpy  as np
import matplotlib.pyplot as plt
import HP_plt as hplt   #小白量化指標繪圖模塊
from HP_formula import *  #小白量化仿通達信公式函式庫
import HP_cp as hcp   #小白量化彩票模塊
import HP_global as g  #小白量化全域變數庫
import HP_plt as hplt   #小白量化指標繪圖模塊

plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號
#白底色
g.ubg='w'
g.ufg='b'
g.utg='b'
g.uvg='#1E90FF'

code="雙色球彩票"  #品種

#獲取本地ssq.csv雙色球資料
df=pd.read_csv('ssq.csv'  , encoding='gbk')
df=df.drop(df.columns[0], axis=1)

# 彩票特征

# 和數
df['sumh']=df['h1']+df['h2']+df['h3']+df['h4']+df['h5']+df['h6']  
# 和數的5期平均線
df['ma5']=MA(df['sumh'],5)
# 和數的20期平均線
df['ma20']=MA(df['sumh'],20)

# 全和數
df['suma']=df['h1']+df['h2']+df['h3']+df['h4']+df['h5']+df['h6'] +df['lh']

#跨度 
df['kd']=df['h6']-df['h1']

#計算獎號AC值
df['ac']=[hcp.ac(hcp.str2num(x)) for x in df.hh.astype(str)]
df['maac']=MA(df['ac'],5)  #AC值的平均線

#2段編碼器
bm2=hcp.bmq2()

#計算獎號紅號奇偶比,單雙比
df['dsb']=[hcp.qab(hcp.str2num(x)) for x in df.hh.astype(str)]
df['dsb2']=[bm2[x] for x in df.dsb.astype(str)]   #文本轉為數字

#計算獎號紅號質合比
df['zhb']=[hcp.zhb(hcp.str2num(x)) for x in df.hh.astype(str)]
df['zhb2']=[bm2[x] for x in df.zhb.astype(str)]   #文本轉為數字

#計算獎號紅號大小比
df['dxb']=[hcp.dxb(hcp.str2num(x)) for x in df.hh.astype(str)]
df['dxb2']=[bm2[x] for x in df.dxb.astype(str)]   #文本轉為數字

#計算藍號單雙號,奇偶號
df['lhds']=[x%2 for x in df.lh.astype(int)]   #文本轉為數字

#計算藍號質數
df['lhzs']=[hcp.zhishu(x) for x in df.lh.astype(int)]   #文本轉為數字

#計算藍號平均
df['lhma5']=MA(df.lh,5)
df['lhma10']=MA(df.lh,10)

def dx(x):
    y=0
    if x>8:
        y=1
    return y

#計算藍號大號
df['lhdx']=[dx(x) for x in df.lh.astype(int)]   #文本轉為數字

#小白量化資料格式化
df['open']=df['h1']
df['low']=df['h1']
df['high']=df['h6']
df['close']=df['h6']
mydf=df.copy()
CLOSE=mydf['close']
LOW=mydf['low']
HIGH=mydf['high']
OPEN=mydf['open']

#RSI指標
def RSI(N1=5):
    LC = REF(CLOSE, 1)
    RSI1 = SMA(MAX(CLOSE - LC, 0), N1, 1) / SMA(ABS(CLOSE - LC), N1, 1) * 100.00
    return RSI1

#計算RSI指標值
mydf['rsi']=RSI(6)
mydf['rsi2']=RSI(12)

def DMI(M1=14, M2=6):
    """
    DMI 趨向指標
    """
    TR = SUM(MAX(MAX(HIGH - LOW, ABS(HIGH - REF(CLOSE, 1))), ABS(LOW - REF(CLOSE, 1))), M1)
    HD = HIGH - REF(HIGH, 1)
    LD = REF(LOW, 1) - LOW
    DMP = SUM(IF((HD > 0) & (HD > LD), HD, 0), M1)
    DMM = SUM(IF((LD > 0) & (LD > HD), LD, 0), M1)
    DI1 = DMP * 100 / TR
    DI2 = DMM * 100 / TR
    ADX = MA(ABS(DI2 - DI1) / (DI1 + DI2) * 100, M2)
    ADXR = (ADX + REF(ADX, M2)) / 2
    return DI1, DI2, ADX, ADXR
mydf['di1'],mydf['di2'],mydf['adx'],mydf['adxr']=DMI()  #DMI指標

#設定學習和預測標簽
#mydf['label']=mydf['lh']  ##預測藍號
mydf['label']=mydf['lhds']  ##預測藍號單雙
#mydf['label']=mydf['lhzs']  ##預測藍號質合
#mydf['label']=mydf['lhdx']  ##預測藍大小

## 資料集劃分為訓練資料和測驗資料
x_train,x_test,y_train,y_test=hcp.sk_init(mydf)

test_size=len(x_test)/(len(x_train)+len(x_test))
print('神經網路資料已準備好了！')
print('test_size=%.4f,訓練%d條，測驗%d條，'%(test_size,len(x_train),len(x_test)))

##################################################
##      (一) KNN分類演算法
from sklearn import neighbors, datasets
print('KNN分類演算法')
clf = neighbors.KNeighborsClassifier(10, weights= 'distance')
################################################
##      (二) 決策樹演算法
#from sklearn import tree
#print('決策樹')
#clf = tree.DecisionTreeClassifier()
################################################
##      (三) 隨機森林分類器演算法
#from sklearn.ensemble import RandomForestClassifier   #匯入隨機森林分類器
#print('隨機森林分類器')
##clf = RandomForestClassifier()
#clf = RandomForestClassifier(n_estimators=10)
#################################################

#訓練的代碼
print('神經網路開始資料學習!')
clf.fit(x_train, y_train)    #神經網路學習

result =clf.predict(x_test)  #進行預測
print('測驗資料的結果：',result[-10:-1])
print('真實資料的結果：',y_test[-10:-1])

score = clf.score(x_test, y_test)  #計算成功率
print('測驗資料評估score ：',score)

程式對單雙預測結果如下：

神經網路資料已準備好了！
test_size=0.1002,訓練2397條，測驗267條，
KNN分類演算法
神經網路開始資料學習!
測驗資料的結果： [0 0 0 1 1 1 0 1 1]
真實資料的結果： [1, 0, 0, 1, 0, 0, 0, 0, 0]
測驗資料評估score ： 0.5318352059925093

機器預測成功單值1，雙值0的成功率為0.53183，也比隨機概率0.5大一點，
神經網路模型很多，還有很多深度學習模型，本文神經網路分析彩票的結果，不代表神經網路不能預測彩票，也僅僅表示提取的特征值，不適合需選用神經網路模型來電腦AI預測，

購買《零基礎搭建量化投資系統――以Python為工具》（https://item.jd.com/61567375505.html）一書，就能得到小白量化第二代全部源代碼，其中包括完整的HP_cp模塊，

#獨狼荷蒲qq:2775205 /2886002
#小白量化彩票軟體開發群:712300766
#小白量化PythonTkinter軟體開發群:524949939
#電話微信:18578755056
#微信公眾號：獨狼股票分析

請點贊本文，你的鼓勵是我寫作的動力！
請持續關注我的博客，我的進步，就是你的進步！

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/267473.html

標籤：AI

上一篇：安裝虛擬環境—手把手教學(超詳細,就算是個小白,十分鐘都能學會)

下一篇：PyTorch 詞向量模型簡介

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂